区域总量控制下的冬小麦种植面积空间分布优化

【目的】利用传统遥感与抽样相结合的方法进行农作物种植面积测量,只能获得区域总量,无法有效获取农作物种植面积空间分布信息。针对以上不足,开展区域总量控制下的冬小麦种植面积空间分布优化研究,从而提高冬小麦种植面积测量的空间分布精度。【方法】将整个遥感影像像元划分为3部分:"纯净冬小麦像元"、"混合冬小麦像元"和"典型非冬小麦像元"。综合软、硬分类方法各自的优势,在区域冬小麦总量面积一定的前提下,设定阈值确定混合冬小麦像元的空间分布范围。【结果】传统遥感与抽样相结合的方法提取出的冬小麦结果RMSE为0.13,优于硬分类方法(RMSE为0.16)和软分类方法(RMSE为0.20)。【结论】区域总量控制下的软、硬分类方法能够有效地对冬小麦种植面积空间分布进行优化,既保证了区域测量精度,又提高了空间分布的准确性。     

基于HJ-1CCD影像的冬小麦种植面积提取研究

针对目前省域冬小麦种植面积遥感监测业务化运行中所存在的监测精度与成本之间相互制约的问题,本研究选取冬小麦主产区——山东省为研究区域,利用HJ-1卫星提供的CCD遥感影像,采用决策树分类法,同时以山东省土地利用类型之林地数据和野外地面调查数据作为辅助,通过分区解译提取出山东省冬小麦种植面积和分布区域。研究表明:利用HJ-1 CCD影像进行山东省冬小麦种植面积提取是可行的,位置精度和面积总量精度分别达到93.0%和96.8%,对国产卫星的推广应用具有良好的示范作用。     

基于多时相遥感数据和HSV 变换的越冬前冬小麦面积提取

【目的】冬小麦种植面积的提取对保障粮食安全和估产工作具有重要意义,已有冬小麦面积监测方法存在的所需数据量多、时间滞后等问题亟待解决。【方法】基于入冬前的2017年11月21日(分蘖期)和2017年12月24日Landsat8 OLI影像,将MIR、NIR和RED波段进行HSV变换,并计算地物的NDVI;利用全国土地利用图提取耕地与非耕地两类地物,统计分析两类地物NDVI值、H波段值的关系并设置阈值,初步提取疑似小麦种植区;利用小麦两个时相S值增大的特点准确提取小麦种植区域。【结果】利用多时相遥感数据中NDVI、H和S差别提取的试验区冬小麦种植面积,与地面调查、县区统计年鉴数据有较高的一致性。【结论】HSV阈值划分方法适用于冬小麦种植面积提取,能够提高小麦面积估算的时效性。     

基于HJ-1 CCD影像的玉米种植面积估算研究

本研究以HJ-1 CCD影像为主要数据源,风云三号(FY-3)和高分一号(GF-1)影像为辅助数据源,选取作物种植结构复杂的菏泽市为研究区域,采用多时相NDVI阈值剔除法与监督分类相结合的分类方法,以土地利用类型和训练样本区数据作为辅助,提取出菏泽市玉米种植面积和分布区域,并检验其精度。结果显示:在复杂的作物混合种植区可以利用HJ-1 CCD影像提取出玉米种植面积和分布信息,总体分类精度为90.2%,面积总量精度为91.7%。本研究为其他区域利用HJ-1卫星影像提取作物种植面积提供了参考。     

作物耕作节律与多时相遥感结合的山地耕地信息提取方法探索

【目的】由于山地地貌区的耕地分布破碎度大,仅应用中分辨率遥感影像难以获得高精度的山地耕地分布信息,如何提高应用中分辨率遥感影像提取山地耕地信息的精度是亟需研究的问题。【方法】本文在分析区域主要作物及其生育期随季节变化的基础上,根据耕地与其他地物在植被覆盖时间序列变化上的区别,基于多时相遥感影像,提出了一种将作物生长和耕作节律与多时相遥感结合的耕地信息遥感提取方法。【结果】应用该方法准确的提取了典型山地区四川省会理县的耕地分布信息。【结论】这种方法提取速度快,结果具有一定的实时性和较高的准确性,可以满足耕地利用及管理中对耕地信息适时获取的要求,也可以应用于对历史耕地矢量数据中地块错分进行修正、更新漏分问题等。     

湖南省中稻种植面积遥感监测方法研究

综合考虑大面积水稻种植区耕地地块破碎,种植结构复杂,插花、套种、错季种植现象明显,影像解译、分类难度大等特点,充分利用国产卫星GF-1数据,以湖南省中稻种植为例,通过精确作物识别与混合像元处理,实现像元尺度的中稻识别;结合国土资源土地调查数据,统计中稻的像元数量与丰度(种植面积比)水平,并扣除耕地图斑内的非耕地成份,建立中稻种植面积估算模型,最终得到精确到县级报告单元的种植面积估算结果。结果表明:通过遥感数据估算面积和地面样方调查计算结果的可决系数达到0.869 6,说明遥感监测方法在湖南省中稻种植面积估算中行之有效。GF-1卫星遥感数据的空间分辨率、波段覆盖范围、影像覆盖能力等能满足大面积农作物种植面积监测要求,基于抽样技术的地面调查与遥感影像分类相结合提取作物种植面积信息的方法可用于省级、区域级的粮食种植面积遥感监测。     

多时相高分一号影像在丘陵地区大宗农作物提取中的应用

【目的】基于多时相的高分一号(GF-1)影像,利用面向地块对象分类法提取广西崇左市江州区大宗农作物种植面积,为南方多云雨丘陵地区提取作物信息提供参考。【方法】以2 m分辨率的GF-1影像为数据源,采用人机交互的方式准确识别地表覆盖的地块信息,基于对多时相GF-1影像进行云影检测,并处理生成影像的光谱、归一化植被指数(NDVI)、亮度等特征,采用面向地块对象的分类方法提取甘蔗、水稻和香蕉的作物信息。【结果】根据混淆矩阵评价分类的结果可知,提取大宗农作物的总体精度为90.08%,Kappa系数达0.85,满足农业成果应用的精度要求。【结论】利用有效影像数据,结合地块数据完成作物信息提取,该技术方法能够准确提取丘陵地区大宗农作物信息,为解决南方多云雨丘陵地区提取作物信息难题提供了有效途径。     

基于国产高时空分辨率卫星影像的作物种植信息提取研究

在面向对象技术支持下,首先利用高空间分辨率ZY-3遥感影像提取农田地块专题信息;然后在地块边界控制下以地块对象为单元融入HJ-1及GF-1中分传感器的多时相光谱信息,获取作物生长关键期内的时间序列光谱特征;最后,结合不同作物的物候差异性规律构建作物种植信息提取模型,对甘蔗和水稻进行识别。结果表明,所有地类的总体分类精度为86.80%,Kappa系数为0.84,总体分类效果良好。甘蔗的制图精度和用户精度分别达到92.11%和90.91%,水稻的制图精度和用户精度分别达到88.89%和90.91%。说明协同利用国产卫星的高空间和高时间分辨率影像数据提取作物种植信息确实可行,可作为作物种植面积和种植结构的精细化、快速调查方法。     

基于遥感识别误差校正面积的农作物种植面积抽样高效分层指标研究——以冬小麦为例

【目的】在遥感与空间抽样相结合进行农作物面积调查中,由于传统的基于面积规模的分层指标设计中缺失对遥感识别结果分类误差的表达,一定程度上影响抽样效率,因此提出基于遥感分类误差校正面积的分层标志--误差校正面积,以期改进农作物种植面积抽样调查效率。【方法】选取北京市通州、大兴区为研究区域,以冬小麦为例,选择16 m分辨率GF-1号影像（获取时间2015年4月4日）为遥感数据源,进行抽样方案的设计。设计与计算高效分层指标,先从像元尺度判断像元相应的错入、错出方向并计算其对应的误差面积,再在抽样单元尺度上统计所有像元的误差面积,将其用于面积规模的校正,校正后结果即为所提出的分层抽样指标--误差校正面积（S_correct）;构建边长为90-300 m的规则正方形格网为抽样框,并完成设置分层层数、确定分层界限方法、样本量分配方式、总体估计方式等空间抽样方案设计。基于设计的抽样方案进行试验,进行研究区冬小麦的区域总量面积反推。以误差校正面积指标和传统分层指标--面积规模为分层指标,进行多次种植面积抽样推断后进行指标有效性分析和精度评价,通过对相关性、典型区域分类错误像元误差分布、总体方差、平均相对误差 、CV值等方面的对比分析,验证所提出指标的可行性与优势。【结果】（1）通过结合原始影像、目标真值分布、遥感分类结果图、分类错误像元误差分布图的对比分析,从像元尺度验证了该指标能校正分类错误像元,从而改善分类结果;在试验抽样框下,误差校正面积的相关系数相较于面积规模略有提高,且数值大于0.7,可保证其与真值较高且稳定的相关性。验证了该指标作为分层指标的有效性。（2）在试验抽样框下,使用误差校正面积作为分层指标进行多次外推面积得到的总体方差在1.70×10¹³-2.41×10¹³,面积规模的总体方差为2.05×10¹³-3.11×10¹³,误差校正面积在推断稳定性方面高于面积规模;采用误差校正面积作为分层指标得到的 为4.21%-5.00%,面积规模的 为4.87%-5.98%,误差校正面积指标能稳定提高近1%的精度;选择误差校正面积指标作为分层指标进行抽样估算结果的CV值在试验抽样框下始终低于面积规模的推断结果,能稳定减少近0.8%。因此误差校正面积指标在与目标真值相关性、抽样精度、推断稳定性等方面均优于传统面积规模分层指标。【结论】误差校正面积指标可在一定程度上提高种植面积抽样调查精度,保证推断的稳定性,验证了遥感识别误差校正面积指标作为分层标志的有效性,能够提高抽样效率,其相较面积规模指标更具有优势。     

基于不同时相遥感的冬小麦种植面积的提取

卫星遥感技术能够快速、准确、大面积对农作物生长进行监测,多时相遥感监测可克服单时相遥感监测的不足,利于实现对农作物生长变化的动态监测。以江苏省大丰市为研究区域,选用拔节期和抽穗期两景环境(HJ)卫星遥感影像进行不同地物光谱信息识别与种植面积提取研究。首先,在分析两景HJ星影像植被光谱信息的基础上,提取出各自影像的归一化差值植被指数(NDVI)影像,并对两景NDVI影像分别进行加运算和减运算,得到另外两景NDVI合成影像。其次,通过对提取到的四景NDVI影像光谱信息进行比较分析,最终选用植被光谱信息特征较为明显的加运算合成影像进行冬小麦种植面积提取。最后,基于影像不同地物的NDVI阈值划分,并叠加GPS样点信息校正,提取到大丰市冬小麦种植面积数据及其空间分布信息。结果显示,大丰市遥感提取冬小麦种植面积为78 712.13 hm2,精度为92.51%。在该市20个乡镇(或农场)冬小麦种植面积提取精度中,精度大于95%有9个乡镇(或农场),精度在90%至95%之间的有7个乡镇(或农场),仅有4个乡镇(或农场)提取精度在80%至90%之间。说明,利用不同时相遥感合成运算方法得到的合成影像,能明显增强冬小麦光谱信息与其他植被信息特征区别,有利于实现高精度提取冬小麦种植面积的目的。     

基于Quickbird遥感影像的农田管理分区划分研究

 【目的】以高空间分辨率Quickbird遥感影像作为管理分区划分的数据源，结合地面土壤养分采样数据进行管理分区划分研究。【方法】在对数据进行空间变异分析的基础上，采用3种不同的分区方式对研究区进行田块尺度内管理分区的划分：1）利用土壤养分数据划分管理分区；2）利用冬小麦遥感长势信息划分管理分区；3）利用土壤养分信息结合冬小麦长势信息划分管理分区。【结果】与划分前的地块变异情况相比，利用土壤养分数据进行管理分区划分的方法，在很大程度上提高了不同分区内土壤的均一度，而光谱指数和产量的变异系数也有所降低；利用光谱数据进行管理分区划分，土壤养分的变异系数总体上有所减低，但降低的幅度小于利用土壤养分数据划分的管理分区，光谱指数和产量的变异系数都有大幅度降低；利用土壤数据结合光谱数据进行管理分区划分，土壤养分和光谱指数以及产量的变异系数普遍降低。【结论】在划分管理分区时，综合考虑土壤养分和光谱数据的空间变异情况是最佳选择，但当缺乏土壤养分数据时，利用遥感影像进行管理分区的划分也是可行的。     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数（LAI）是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

用PLS算法由HJ-1A/1B遥感影像估测区域冬小麦理论产量

【目的】作物遥感估产是遥感技术在农业生产中研究与应用的重点领域,能够向大田区域生产提供及时可靠的产量信息,准确地估测作物产量,对于确保国家粮食安全,制定社会发展规划,指导和调控宏观种植业结构调整,提高涉农企业与农民的经营管理水平具有重要意义,为进一步提高遥感估产精度,显示国产影像在农业估产中的应用效果。通过筛选冬小麦理论产量的敏感遥感变量,构建基于国产影像的理论产量遥感估测模型,实现区域冬小麦理论产量遥感估测,为及时了解不同生态区域冬小麦产量丰欠变化趋势提供参考。【方法】以2010年4月26日、2011年4月28日、2012年4月28日和2013年5月2日冬小麦开花期四景HJ-1A/1B影像为遥感数据,提取出13个遥感变量,以江苏省泰兴、姜堰、仪征、兴化、大丰5县作为试验采样区,于各实验区选取具有代表性的样点进行采样,并于室内进行测定,将335个实测的冬小麦理论产量样本按3﹕2比例分成建模集和验证集样本,依据估算残差平方和处于最小值确定模型所需主成分数,将决定系数、均方根误差和相对误差为模型评价参数,利用建模集样本分析了卫星遥感变量与冬小麦理论产量的定量关系,运用偏最小二乘回归算法构建及验证了以理论单产为目标的多变量遥感估产模型,将其算法模型估产效果与线性回归算法和主成分分析算法模型进行比较,并制作了冬小麦理论产量空间等级分布图。【结果】理论产量与所选的大多数遥感变量间关系密切,且多数遥感变量两两间具有极显著的多重相关性;理论产量偏最小二乘回归模型的最佳主成分数为4,且结构加强色素植被指数、归一化植被指数、绿色归一化植被指数和植被衰减指数为理论产量遥感估测的敏感变量;经建模集和验证集评价,理论产量估测模型的决定系数分别为0.79和0.76,均方根误差分别为720.45和928.05 kg·hm^-2,相对误差分别为11.45%和13.92%,且估测精度比线性回归算法分别提高了25%以上和27%以上,比主成分分析算法分别提高了15%以上和16%以上,说明偏最小二乘回归算法模型估测区域理论产量的效果明显好于线性回归和主成分分析算法,且具有较强的应用能力。【结论】该模型应用结果与冬小麦理论产量实际区域分布情况相符合,为提高遥感对区域冬小麦理论产量的估测精度提供了一种有效途径,有利于大面积应用和推广。     

以HJ-CCD影像为基础的冬小麦孕穗期关键苗情参数遥感定量反演

【目的】应用卫星遥感数据可以及时获取大田种植作物“面状”苗情信息,准确反映作物群体苗情状况及其趋势,服务于产量预报和实际生产。进一步深化冬小麦关键期苗情遥感反演机理与方法,为大田种植管理提供及时信息。【方法】结合2011-2013年定点观测试验,以环境减灾卫星HJ-CCD数据为遥感影像源,着重研究样本实验区孕穗期冬小麦关键苗情参数与籽粒品质参数和产量间及其与卫星遥感变量间的定量关系,进一步增强遥感反演的机理性和重演性,与地面实测结果一起建立模型共同分析,提高遥感反演的定量化水平和可信度;以相关性最高为原则,筛选反演孕穗期冬小麦叶面积指数、生物量、SPAD以及叶片含氮量的敏感卫星遥感变量,并以2013年数据为建模样本、2011年和2012年数据为验证样本,分别构建及评价基于HJ-CCD影像遥感变量孕穗期叶面积指数、生物量、SPAD和叶片含氮量监测模型。【结果】冬小麦处于孕穗期,植被衰减指数（PSRI）可作为反演冬小麦叶面积指数、SPAD和叶片含氮量的敏感遥感变量,比值植被指数（RVI）可作为反演冬小麦生物量的敏感遥感变量,所构建的遥感反演模型是可靠的,且精度较高,尤其利用PSRI反演叶片含氮量最可靠。模型的决定系数（R²）分别为0.651、0.585、0.630和0.675,均方根误差（RMSE）分别为1.344、4.62、0.618%和2 804.3 kg·hm^-2。以此为依据,为表征该研究的实际农学意义,对冬小麦不同等级的关键苗情参数进行遥感反演并制图分析,从而量化表达了冬小麦关键苗情参数区域空间分布,不仅有助于制定冬小麦田间补救措施和水肥资源调配方案,而且为农业政策的制订和粮食贸易提供决策依据。【结论】构建的冬小麦孕穗期关键苗情参数遥感反演模型是可行的,为大田生产提供了一种快速、便捷、费用低廉的大面积作物苗情参数提取方法,可支持农业研究者、涉农部门领导和种植管理者获取及时有效的农情信息。     

基于多时相棉花长势遥感的棉田质量诊断

【目的】研究多时相遥感信息对棉田质量进行诊断的技术和方法,为棉花生产提供具有针对性的管理方案,促进棉田均衡增产、增效。【方法】研究分析多时相遥感数据对地物信息的动态分析与评判能力,以及棉花长势指标动态变化与棉田质量的关系,对棉花生长盛期多时相的LANDSAT-5多时相遥感数据进行融合,将棉田质量状况划分为健康棉田、有障碍棉田和疑似有障碍棉田三类。【结果】数据分析结果表明,棉花生长盛期（花铃期）单时相的LANDSAT-5反射率数据可以作为棉田生长状况的判断指标,划分健康生长与生长障碍的阈值为0.820;利用多时相遥感数据的棉田质量划分方法,可以将棉田质量分为健康、有障碍和疑似有障碍三类。依据此方法对新疆建设兵团148团约1 1705.3 ha的417块棉田进行分类,得出健康、有障碍和疑似有障碍三类棉田所占比例分别为36.4%、34.1%和29.5%;经过8块条田（426.5 ha）的地面同步调查证实了这种方法的准确性,造成该区棉田质量障碍的主要因素为耕地盐渍化、不平整、土壤质地不匀。【结论】研究表明棉田多时相遥感数据进行棉田质量诊断是可行的。利用这种方法,结合不同质量棉田形成机理,能够得到棉田质量状况及影响因素精细分布的信息,为进一步进行的棉田土壤改良与生产管理采取针对性的措施提供数据支撑。     

GEE支持下的河南省冬小麦面积提取及长势监测

【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎（Google Earth Engine,GEE）云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域（冬小麦种植区域）结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。     

河南省冬小麦种植频率时空变化及影响因素分析

【目的】通过对河南省2001—2015年间不同时期（2001—2005、2006—2010及2011—2015年）冬小麦种植频率（winter wheat planting frequency,WWPF）时空变化及其主要影响因素定量分析,进一步明晰区域作物种植频率变化时空变化分布特征和主要影响因素顺序。【方法】以河南省为研究区,冬小麦为研究作物,在利用中低分辨率MODIS EVI时序遥感数据和CART决策树算法进行连续15年（2001—2015年）作物种植空间分布信息提取基础上,获取了研究区不同时期冬小麦种植频率空间信息。在此基础上,开展不同时期冬小麦种植频率时空变化分析,并利用相关分析、主成分分析和线性回归分析等数理统计方法对不同时期研究区种植频率变化的影响因素进行分析,最终确定主要影响因素的重要性排序。【结果】基于MODIS EVI时序遥感数据和CART决策树算法可获得河南省较高精度连续多年冬小麦种植空间分布信息,经验证,研究区冬小麦遥感提取平均总体精度为90.39%,Kappa系数在0.82—0.92之间,可满足区域冬小麦种植频率变化研究所需作物空间分布精度要求;通过分析河南省不同时期冬小麦种植频率时空变化信息,省域内冬小麦主产区大部分具有较高的冬小麦种植频率（WWPF>80%）,而豫西南和豫南等山区由于地形复杂、自然条件较差导致冬小麦种植频率普遍较低（WWPF≤40%）。此外,3个时段期间,河南省冬小麦主产区高频种植冬小麦面积呈逐步增加趋势,WWPF>80%的面积比例分别为42.68%、59.94%和63.07%,低频种植面积呈减小趋势,WWPF≤40%的面积比例分别为28.53%、17.99%和16.63%,这对我国冬小麦主产区稳定粮食种植面积具有重要意义;从冬小麦种植频率影响因素分析结果看,河南省冬小麦种植频率与有效灌溉面积比例、土壤质量综合指数、播期气候适宜度、坡度和高程等指标间均存在显著的相关性,且除与坡度、高程呈负相关外,与其余因素均为正相关关系。以上指标对河南省冬小麦种植频率变化影响程度的排序结果为土壤综合质量指数>播期气候适宜度>有效灌溉面积比例>坡度（高程）,即土壤质量>播期气候条件>灌溉条件>地形条件。【结论】通过对河南省冬小麦种植频率时空变化及其影响因素进行定量分析,明确了河南省冬小麦种植频率时空分布特征和变化规律,明晰了河南省区域冬小麦种植频率变化影响因素及其重要性排序,为开展作物种植面积变化分析提供了一定技术方法和思路借鉴,为区域农业土地利用决策模型构建提供一定基础理论支撑。     

基于开花期卫星遥感数据的大田小麦估产方法比较

【目的】卫星遥感具有覆盖范围广、获取速度快、信息量大、动态性强等优势,能够及时准确地获取作物产量信息,反映作物产量空间变化趋势。遥感技术作物估产已成为现代农业生产中研究热点。通过改善遥感估产建模方法,以实现进一步提高大田作物遥感估产精度,为宏观了解不同区域作物产量形成情况及变化趋势提供直观、可靠的参考。【方法】论文结合2011—2012年江苏省大丰、兴化、姜堰、泰兴、仪征5个县区的定点观测试验,以国产卫星产品HJ-1A/1B影像为遥感数据,于小麦开花期开展大田定位观测区卫星遥感植被指数、关键生长指标与收获期单产间的定量分析。通过对产量与小麦生长指标以及植被指数进行定量关系分析,进一步增强遥感反演的机理性和重演性。将卫星遥感变量与小麦产量进行相关关系分析作为遥感估产的直接建模方法,间接建模方法则是选取与产量相关性较好的遥感变量以及与遥感变量相关性较好的主要苗情指标,利用筛选得到的敏感遥感变量,首先监测对应的小麦生长指标,结合该小麦生长指标与产量间的定量关系,进而建立间接估产模型,利用此模型进行小麦遥感间接估产。利用直接和间接建模方法,以相关性最高为原则,筛选估算产量的敏感卫星遥感变量。以2012年试验数据为建模样本,采用线性回归分析方法,分析小麦开花期苗情指标、产量与卫星遥感变量两两之间的相关性,分别构建以遥感植被指数为基础的大田小麦估产模型,与地面实测结果一起建立模型共同分析。以2011年试验数据为验证样本,选取评价指标拟合度(R2)和均方根误差(RMSE),对两类模型的估算精度进行验证和比较,以提高遥感反演的定量化水平和可信度。【结果】分别以差值植被指数(difference vegetation index,DVI)和比值植被指数(ratio vegetation index,RVI)为基础的单因子直接估产模型的均方根误差(root mean square error,RMSE)为918 kg·hm-2和1 399.5 kg·hm-2,以DVI和RVI遥感变量构建双变量估产模型的RMSE为1 036.5 kg·hm-2,以归一化植被指数(normalized difference vegetation index,NDVI)和叶片氮积累量为基础构建的间接估产模型的RMSE为805.5 kg·hm-2,说明开花期HJ-1A/1B影像估算小麦区域产量是可行的,且精度较高;经比较,以NDVI和叶片氮积累量为基础的间接估产模型精度明显高于直接估产模型,相较于DVI直接估产模型RMSE降低了112.5 kg·hm-2,相较于RVI直接估产模型RMSE降低了594 kg·hm-2,相较于双因子模型RMSE降低了231 kg·hm-2。【结论】国产卫星HJ-1A/B可以较好满足估测小麦产量要求,且利用间接方法建立作物遥感估产模型要好于直接方法,研究结果为利用遥感技术更为准确估算大田小麦产量提供了一种新的途径。     

基于分区分层随机抽样的棉花种植面积遥感监测方法研究

以新疆建设兵团为研究区域,依据当地作物种植结构,结合遥感技术,在借鉴前人对大区域作物面积遥感估算研究方法的基础上,采取分区分层随机抽样的方法对新疆建设兵团的棉花种植面积进行估算,并引入均值和变异系数等精度评价指标对该抽样方法行评估,最后根据外推估算方法,以遥感影像中的棉花种植面积统计结果为真值与抽样反推结果进行对比分析。结果表明,各组格网的棉花种植面积均值的估计量变异系数在试验中的变化幅度很小,抽样体系稳定,符合统计抽样原理对精度的高要求。反推后的各组棉花种植总面积精度均达到95%以上,反推质量效果较好。综合来看,上述空间抽样方法是可行的,尤其是对总体分区分层的划分,对后面的抽样及反推工作起到了很好的效果,可为政府对新疆建设兵团棉花种植面积的统计提供方法参考。