基于GF-1卫星遥感数据识别京津冀冬小麦面积

省级尺度冬小麦面积的精准获取技术是农作物面积遥感监测研究的主要内容之一。为了获取省级尺度的冬小麦种植面积, 该文以北京市(京)、天津市(津)和河北省(冀) 3个省域范围为例, 以国家标准地形图分幅为分类的图幅单元, 利用国产GF-1/WFV数据, 构建冬小麦面积指数, 实现了省级尺度冬小麦面积的识别。本文以冬小麦全部9个月生育期的984景影像作为数据源, 依次经过数据预处理、标准图幅单元的NDVI合成、样本点选择、冬小麦面积指数构建、冬小麦作物类型确认、省域范围制图及精度验证等步骤完成研究区域内冬小麦面积的提取。采用区域网平差和6S大气校正算法对数据源预处理, 以中国1︰10万标准地形图分幅为分类图幅单元构建冬小麦面积指数, 将冬小麦面积指数按照1%的比例等分, 并将面积指数从0到100%分割为101个提取节点, 将提取节点的NDVI值依次与类型确认样本比较, 精度最高的则确认为冬小麦面积提取阈值, 同时将该阈值应用于图幅单元内冬小麦面积指数影像, 获取冬小麦种植分布。最后冬小麦面积识别的精度表明, 以标准地图分幅作为计算单元, 在GF-1影像基础上, 利用冬小麦面积指数能够显著提高冬小麦与其他地物类型的波谱差异, 且冬小麦的总体识别精度达到89.6%, 用户精度达到89.8%, 制图精度96.5%, Kappa系数0.72。在典型区域, 本文算法与监督分类算法精度结果较为一致, 除制图精度相差4.77%外, 总体精度与用户精度差都在1.00%以内, 说明本文算法具有精度高、运行效率高、分类单元识别结果一致性强的特点, 能够满足省级尺度农情遥感业务监测的需要。     

基于几何语义知识的冬小麦自动分类

【研究目的】为了实现遥感影像的作物自动分类，并探索空间信息在分类中作用，【方法】本文提出结合光谱和空间信息的作物分类方法。首先，借助光谱信息实现地物初始分割，然后以目标作物历史空间分布为语义约束，根据隶属度提取目标作物。最后，在多时相遥感影像条件下，以冬小麦为目标作物进行了方法的验证，【结果】结果显示，本文方法可实现冬小麦自动提取与识别，总体精度为95.33%，Kappa系数为0.90，可满足农情监测的实际需求。另外，在单时相遥感影像条件下，本文结合几何语义知识的作物分类精度也达到了较高水平。【结论】相对于遥感影像单一光谱信息的分类方法，本文方法利用了作物空间信息，不仅能满足精度要求，还实现了分类的自动化，对工程化应用具有一定的参考价值。     

基于高分卫星影像的青岛市冬小麦种植信息提取

为了准确获取青岛市主要农作物冬小麦的种植信息,以GF-1/16 m卫星影像为主要数据源,将高程、土地利用和田间调查数据作为辅助数据源,根据冬小麦主要发育期与其他地物在GF-1/16 m卫星影像上的光谱差异,计算得到4月份为青岛市冬小麦遥感面积提取的最佳时相。在最佳时相内,采用决策树分类法,通过分区解译方式,提取出青岛市2017年冬小麦种植面积和分布区域,并利用GF-2融合后 1 m卫星影像、地面调查数据和统计局公布数据对分类结果进行精度验证。结果表明:利用GF-1/16 m卫星影像在幅宽、时间和空间分辨率的优势,将土地利用和高程等引入决策树分类模型,进行区域尺度的冬小麦种植面积遥感估算的方法是可行的。经精度验证,2017年青岛市冬小麦遥感解译总精度为94.3%,Kappa系数为0.857。遥感提取面积略小于统计局公布数据,面积总量提取精度为93.6%。本研究为基于高分卫星影像的区域尺度作物种植面积提取提供参考。     

冬小麦非监督分类结果的类别选择研究

为了实现基于遥感影像作物的自动分类，发挥遥感技术宏观、迅速的大范围监测特点，本文在遥感影像非监督分类的基础上，提出了一种基于ISODATA非监督分类结果的自动分类方法。该方法分为ISODATA非监督分类过程和自动分类过程，自动分类过程又可分为冬小麦样本点占比排序和类冬小麦类别确定两个方面。当非监督分类类别设置为40或50类、每类样本数量为4或5类时，冬小麦遥感分类精度较高且分类精度稳定。在200个样本点组合（40个分类类别，每个类别中5个样本点）中，基于ISODATA非监督自动分类结果的总体精度相较于最大似然分类方法提高了2.5个百分点，KAPPA系数提高了19.4%。在500个样本点组合（100个分类类别，每个类别中5个样本点）下，基于ISODATA非监督自动分类结果总体精度和KAPPA系数与最大似然分类方法相近。基于ISODATA非监督分类结果的自动分类方法可以在样本量较少时保持较高的分类精度，人机交互少，分类效率高，适用于业务化应用。     

基于无人机影像的林地单株立木自动化提取研究——以丹霞山湿地保护区为例

利用无人机技术可以快速获取林业自然保护区高分辨率遥感影像,无人机影像在林业资源调查与监测中具备传统卫星影像无可比拟的优势。本研究以丹霞山湿地自然保护区为研究对象,基于无人机遥感影像,提出了一种人工林地单株立木自动化提取方法。研究采用遥感影像多尺度分割算法,对研究区无人机遥感影像进行多尺度分割,然后通过构建林地特征信息模型,实现对案例区人工林地单株立木自动化提取。结果表明：该方法在丹霞山湿地保护区人工林地自动化提取中具有较高的可行性,Kappa系数达到了0.979,总体分类精度达到了98.40%,能够满足人工林地提取的需要。该方法省去了人工林地分类前的人工干预和先验知识输入,大幅度提高了无人机影像在林地资源调查应用中的工作效率,为精准林业调查提供了一种新方法。     

基于新遥感数据源的县域冬小麦种植面积提取

Landsat-8卫星的成功发射为农业遥感提供了新的重要数据源。以虞城县为研究区域,探讨基于Landsat-8影像估算县域冬小麦种植面积的可靠性,讨论不同分辨率影像的提取精度。选取冬小麦起身生拔节长期的影像以最大程度的扩大冬小麦与背景地物的波谱差异,根据波谱特征构建提取冬小麦种植面积的决策树模型。结果表明：与统计数据对比,使用30 m空间分辨率影像提取的精度为96.30%,使用15 m空间分辨率影像提的取精度达到99.17%,该方法可为县域冬小麦面积提取提供技术支撑。     

综合NDVI时序特征的冬小麦混合像元分解及面积估算

基于MODIS数据进行面积提取易受混合像元影响，为了降低因混合像元导致的错分和漏分误差，该文提出一种线性的混合像元分解模型，建立MODIS混合像元中冬小麦占比与MODIS/NDVI时间序列影像波峰波谷差值之间的定量关系。基于2017年保定市MODIS数据和GF数据进行了模型构建，基于2014年数据进行了模型验证，结果显示纯度指数（PPI）精确度均值为0.485，基于混合像元分解模型得到的2014年保定市冬小麦面积推算值为40.05万hm2，基于GF数据得的2014年保定市冬小麦面积“真值”为37.39万hm2，绝对误差为2.66万hm2，相对误差率为7.11%。利用河北省冬小麦广泛种植的8个地市对模型的适用性进行评价，结果表明不同地市的冬小麦面积推算值和冬小麦面积“真值”间平均误差率为3.69%。基于该模型的冬小麦面积推算值误差相对较低，数据可靠性较高，且受地域影响较小，具有较为普遍适用性。     

安徽省冬小麦长势遥感监测与评估方法研究

沿淮淮北是安徽省主要的冬小麦种植区,为了对该区域冬小麦长势进行实时、动态地监测,通过采用变化向量分析方法,利用2005-2010年EOS/MODIS数据,在HANTS算法重构无云NDVI时间序列图像以及安徽省冬小麦种植区提取等数据处理基础上,研究基于NDVI变化向量、曲边梯形面积的长势综合监测模型,对研究区的年际与年内长势变化进行时间和空间上的定量分析。结果表明：HANTS处理平滑后的MODIS的10天合成植被指数的年时序曲线有效消除了云和数据缺失的影响,重构后的生长曲线可以更清楚地反应作物生长变化趋势和规律,有利于监测模型的建立;冬小麦种植区提取,大大提高了卫星监测精度,构建的综合监测模型适合单一生长季苗情长势遥感监测,该模型在2011年冬小麦长势评估中取得了良好的监测效果。     

柴达木地区枸杞种植区遥感提取方法对比研究

枸杞作为柴达木地区特色经济作物之一,利用高分辨率遥感影像开展枸杞种植区识别与提取,有利于政府和农业部门开展市场调控和作物精细化管理。以柴达木典型枸杞种植区诺木洪农场为例,利用随机森林、Softmax、支持向量机、BP神经网络和最大似然5种分类器开展农场内不同生长年限枸杞种植区精细化提取,并对结果进行精度验证。结果表明：采用随机森林的分类效果最佳,其总体分类精度达到93.8%,Kappa 0.93,采用Softmax、支持向量机和BP神经网络方法也均获得了较高的分类精度,其总体分类精度均达到了86.6%~87.6%,Kappa系数达到0.84~0.86,而最大似然法分类效果最差,其总体分类精度仅为76.9%,Kappa系数为0.73。通过实验利用国产高分辨率卫星结合较优的分类器能够实现包括枸杞等小宗特色经济作物种植区域和种植结构的精细化识别和监测。     

基于HJ-1数据的冬小麦种植面积、长势与收割进度遥感监测

及时、准确地获取冬小麦种植面积、长势、收割进度等信息对冬小麦产量预报和农田精细管理具有重要意义。本研究采用HJ-1A/B CCD1/CCD2影像,结合S-G滤波算法、波段最大化的光谱角目标探测器、阈值分割等方法进行新乡市冬小麦种植面积、小麦长势和收割进度等遥感监测。结果表明：（1）利用HJ卫星NDVI时间序列数据结合波段最大化的光谱角度目标探测器方法,可以进行冬小麦种植面积提取,各县市冬小麦种植面积提取相对误差在10%以内;（2）单景影像NDVI值阈值分割可以反映冬小麦长势在时空差异;（3）冬小麦达到抽穗期的时间不一致,NDVI值在4月15日和21日附近达到最大值;（4）利用成熟期和收割期不同时间的NDVI影像,可监测各县市冬小麦收割进度的时空差异。各县市冬小麦在6月4日前开始收割与6月15日左右完成收割工作。HJ卫星时间序列遥感数据可以进行冬小麦种植面积、长势、收割进度等遥感监测。     

基于HY-1C/CZI数据的冬小麦早期识别研究

[目的]为充分发掘海洋一号C星(HY-1C)CZI数据的农业应用潜力,[方法]该文以HY-1C/CZI数据为基础数据源,结合土地利用现状数据、目视解译结果数据,以河南省商丘市及其附近区域作为研究区,对早播冬小麦、晚播冬小麦、裸地及建筑、森林、水体五类地物的光谱特征进行了分析,并在光谱分析的基础上基于决策树分类方法对冬小麦区域进行了提取。[结果]冬小麦面积提取结果表明,2018年研究区内冬小麦总播种面积69.42万公顷。以目视解译获得的地面验证点数据对提取结果进行精度验证,结果表明,冬小麦提取结果的总体精度为91.80%,Kappa系数为0.84,冬小麦用户精度和制图精度分别为91.88%和92.91%。 [结论] 基于HY-1C/CZI数据可以实现对冬小麦的早期识别和提取,提取精度较高,达到了其他相似数据源相近的识别精度,表明基于海洋一号卫星CZI数据具有一定的农业应用潜力。     

新疆喀什市冬小麦生育期气候因子变化特征及其影响分析

为研究喀什冬小麦区气候对小麦生长的影响以及为农作物生产提供气象服务。利用1981—2014 年喀什市冬小麦生育期气温、降水量、日照时数等资料,采用气候学统计方法,研究了喀什市主要气候因子变化特征及其对冬小麦发育期的影响。结果表明,喀什市冬小麦生育期平均气温年际变化呈上升趋势;降水量除了越冬后前2 个月（3—4 月）呈线性减少趋势外,其余时期呈明显的增加趋势;有效积温、日照时数均呈增加趋势;近34 年冬小麦各发育期均表现出不同程度的提前趋势,尤其是起身期、拔节期的提前趋势较明显,但是越冬开始期呈延迟趋势。气温、有效积温、日照时数与冬小麦各发育期呈负相关。总之,气温升高、有效积温、日照时数增加是喀什冬小麦生育期提前的主要原因,喀什地区气候变暖对冬小麦生育期的影响较为显著。     

基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用

以冬小麦LAI为研究对象,利用孕穗期、开花期和灌浆期获取的无人机UHD185高光谱影像以及同步测定的地面数据(冬小麦冠层ASD反射率和冬小麦LAI),论证光谱特征(红边参数或植被指数)与偏最小二乘回归算法结合的改进型LAI拟合方法在无人机画幅高光谱遥感LAI探测方面的应用价值。首先,从光谱反射率相关性和植被指数相关性两方面比较UHD185与ASD,验证UHD185数据精度;结果表明,第3~第96波段(458~830 nm)的无人机UHD185高光谱数据具有较好的光谱质量,适宜探测冬小麦LAI。其次,分析光谱特征(6种植被指数和4种红边参数)与LAI的相关性,并通过独立验证和交叉验证方法,依次对基于红边参数或植被指数的传统LAI拟合方法和改进型LAI拟合方法的冬小麦LAI预测精度进行评价,相比于传统LAI拟合方法,改进型LAI拟合方法能大幅度提高冬小麦LAI的预测精度,特别是PLSR+REP。研究结果证实,改进型LAI拟合方法能更加充分地利用无人机UHD185高光谱数据预测冬小麦LAI,可望为无人机高光谱遥感的作物理化参数探测提供几点可借鉴的思路。     

基于HJ卫星的中国南方地区甘蔗面积提取研究

为了研究大范围甘蔗种植面积的提取方法，以广西、云南、广东湛江和海南为研究区，以30 m空间分辨率的多时相HJ卫星影像为数据源，采用基于NDVI时间序列的决策树分类模型提取研究区内2014/2015年度甘蔗种植面积。结合农业部门的统计数据对甘蔗种植面积提取结果进行精度评价，总体精度达到87.5%。对研究区广东湛江甘蔗种植区域进行抽样调查，抽样调查精度达到93.2%，Kappa系数为0.81。表明该方法可以高效地应用于中国南方地区的甘蔗种植空间信息识别。     

Estimating winter survival of winter wheat by simulations of plant frost tolerance

Based on soil temperature, snow depth and the grown cultivar's maximum attainable level of frost tolerance (LT_50c), the FROSTOL model simulates development of frost tolerance (LT₅₀) and winter damage, thereby enabling risk calculations for winter wheat survival. To explore the accuracy of this model, four winter wheat cultivars were sown in a field experiment in Uppsala, Sweden in 2013 and 2014. The LT₅₀ was determined by tests of frost tolerance in November, and the cultivars’ LT_50c was estimated. Further, recorded winter survival from 20 winter wheat field variety trials in Sweden and Norway was collected from two winter seasons with substantial winter damages. FROSTOL simulations were run for selected cultivars at each location. According to percentage of winter damage, the cultivar survival was classified as “survived,” “intermediate” or “killed.” Mean correspondence between recorded and simulated class of winter survival was 75% and 37% for the locations in Sweden and Norway, respectively. Stress factors that were not accounted for in FROSTOL might explain the poorer accuracy at the Norwegian locations. The accuracy was poorest for cultivars with intermediate LT_50c levels. When low temperature was the main cause of damage, as at the Swedish locations, the model accuracy was satisfying.