基于多时相植被指数的云南高原山地冬小麦识别与研究

粮食安全是最根本的民生问题，云、雾等自然因素是影响遥感种植监测的主要因素之一，因此获取精准、高效的耕地种植监测信息的对保障当地粮农安全、粮食估产及面积估算具有重要意义。在利用多时相植被指数（VI）合成模型的构建、农作物特征与耕地信息的可分离性两方面对高原山地农作物耕地面积提取的研究少。本研究基于哨兵2（Sentinel-2）数据，构建了多时相植被指数合成模型，估算了2020-2021年归一化植被指数（NDVI）、增强植被指数（EVI）和红绿叶绿素植被指数（RECI）三种植被指数的提取结果，研究了预测模型与高原山地农作物的相关性，探讨了不同植被指数模型对农作物识别精度。结果表明：①多时相NDVI模型相较EVI、RECI对冬小麦面积提取精度更高，与云南高原山地冬小麦相关性最强，用户精度约为93.28%；②利用三期NDVI组合与两期NDVI组合均可对冬小麦精准提取，但三期NDVI草型提取精度更高。因此，本研究利用多时相NDVI指数模型对冬小麦种植面积的精准预测，证明了该模型可有效适用于云南高原山地冬小麦，并为当地冬小麦面积的预测提供了数据支撑。     

基于RF算法优选多时相特征的冬小麦空间分布自动解译

为探讨如何利用遥感影像自动解译技术,实现冬小麦种植情况统计调查、提高提取精度,选择冬小麦关键生育期6个时相的高分二号遥感影像数据,分别从6个时相的近红外灰度(NIR)、红波段灰度(R)、绿波段灰度(G)、蓝波段灰度(B)、比值植被指数(RVI)、归一化植被指数(NDVI) 6个特征中优选出对冬小麦面积提取最敏感的1个特征作为输入变量,每个时相选择1个特征,6个时相共选出6个特征作为输入变量,利用随机森林算法构建模型,提取冬小麦空间分布特征。选择研究区不同长势、不同种植品种的地块样本构建训练集,利用多时相特征构建模型,并将模型推广应用于整个大厂回族自治县,得到大厂回族自治县冬小麦的空间分布情况。通过与统计结果对比分析,经过多时相特征优选构建的模型对冬小麦的识别精度接近90%。经过样本优化和后期处理仍可提升精度,此方法能在保证提取精度的前提下对冬小麦进行快速提取,提高相应的工作效率。     

Drought Remote Sensing for Winter Wheat Based on Double Parabola NDVI- ST Space

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数(NDVI)、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI - ST和EVI - ST的特征空间,发现NDVI-ST和EVI - ST的特征空间具有双抛物线型特征.将其与三角形NDVI - ST、EVI - ST及LAI-ST特征空间进行对比分析,并将得到的温度植被干旱指数(TVDI)数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI - ST特征空间能更好地反映地表10 cm土壤水分状况.以双抛物线型NDVI - ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011 -02 -26 ～2011 -05-16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点.     

基于NDVI—ST双抛物线特征空间的冬小麦旱情遥感监测

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数（NDVI）、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI—ST和EVI—ST的特征空间,发现NDVI—ST和EVI—ST的特征空间具有双抛物线型特征。将其与三角形NDVI—ST、EVI—ST及LAI—ST特征空间进行对比分析,并将得到的温度植被干旱指数（TVDI）数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI—ST特征空间能更好地反映地表10cm土壤水分状况。以双抛物线型NDVI—ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011—02—26~2011—05—16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点。     

河南省冬小麦种植面积遥感监测及其时空特征研究

【目的】准确实现河南省冬小麦种植面积的遥感提取,并探索河南省冬小麦种植面积的变化过程。【方法】将遥感监测与统计数据结合,以多时相MODIS遥感影像作为数据源,分析制定了冬小麦信息的提取规则,利用统计数据辅助确定规则中的阈值选取,以减少阈值选取的主观性,提取出河南省2004—2013年冬小麦种植面积,并分析了河南省2004—2013年冬小麦种植面积的时空变化。【结果】遥感监测结果与各地市统计值具有较高的相关性(R2=0.938 5),在平原地区具有较高的精度,监测精度为89.5%,而在受到地形等因素影响的地区,冬小麦种植面积的分布相对破碎,监测精度具有较大误差,个别地区甚至不足50%。从空间上看,河南省冬小麦种植面积的空间分布总体较为集中,主要分布在河南中东部的黄河平原和淮河平原地区和豫西南的南阳盆地地区。从时间上看,河南省冬小麦种植区域总体变化较小,种植年份较为稳定的区域主要分布于豫东平原地区,累积种植年数显著增加地区主要分布于南阳盆地地区,累积种植年数显著减少地区的分布较为分散,无明显的分布趋势。【结论】基于遥感和统计数据相结合的方法可准确监测平原区冬小麦种植面积,河南省冬小麦种植面积的时空变化均较为稳定,为保障我国粮食安全发挥着重要作用。     

基于修正NDVI时间序列的大区域冬小麦全生育期墒情监测

针对遥感墒情监测存在的时空分辨率矛盾,提出利用高时间分辨率的共享遥感数据,将修正归一化植被指数(NDVI)作为墒情指示因子,实现对大区域冬小麦全生育期墒情准实时、半定量化监测的思想。首先,对冬小麦种植区域进行地域划分,依据冬小麦的物候特征进行生育期阶段划分;其次,利用遥感数据计算各地域、各阶段的NDVI,针对各阶段冬小麦的生长情况,进行NDVI的自适应修正。经实测墒情数据和修正NDVI相关分析表明,修正NDVI可以作为农田墒情的指示因子;最后,将监测年的修正NDVI与前三年平均值做距平差值分析,得到与前三年平均值相比,冬小麦墒情的时空分布规律,结果与实际观测值相符。可以预见:如果有较长的时间序列积累,可以得到监测年与常年相比,麦田的墒情时空分布规律。研究结果表明:提出的方法,可以用于大区域冬小麦全生育期墒情的半定量化准实时监测,而且遥感数据容易获得,基本不需要实测数据,计算方便,成本低廉。对冬小麦农田管理与决策具有重要的参考价值。     

基于时序NDVI的关中地区冬小麦种植信息遥感提取

快速而准确地获取和掌握冬小麦在我国西北干旱半干旱地区的种植信息对该区域粮食生产安全及其可持续发展具有重要意义。以陕西省关中地区为研究区域,采用迭代滤波技术重建MODIS NDVI时序序列,结合当地典型地物的NDVI曲线特征和二次差分技术,建立冬小麦像元的识别规则,提取了该地区2014年冬小麦种植信息。结果显示2014年关中地区冬小麦集中分布于渭河两岸的河谷地区以及泾河以东的渭北平原,北部黄土台塬则呈星状散布。总体种植面积8.882×10~5hm~2,与统计资料相比,各地市遥感提取结果的相对误差绝对值在1.08%~9.02%之间,总体误差为3.70%。抽样验证结果显示分类精度为90.28%。该研究为关中地区制订种植计划和相关政策等提供了客观的数据参考,同时也为西北地区的农作物种植监测提供了技术支持。     

基于主成分和云模型的冬小麦种植信息提取研究

在对Sentinel-2卫星遥感影像进行预处理的基础上，利用主成分变化提取小麦主要信息，基于云模型算法开展光谱遥感图像分类。分类时，首先根据训练样本集，由逆向云发生器生成典型小麦的云模型，然后利用云发生器计算出各波段每个象元对小麦地物的平均隶属度，在对各波段的隶属度分析基础上，摒弃含有复杂信息的第1主成分，利用第2主成分和第3主成分信息实现对冬小麦种植空间信息的提取。结果表明，提取小麦种植信息制图精度和用户精度分别为92.78%和99.90%，小麦种植田块的隶属度值因小麦长势和密度的不同有较大的差异，云模型对长势较差、密度较低的小麦像元存在漏分现象。基于云模型的算法精度极高，对小麦地块的识别错分、漏分现象少。该模型有助于冬小麦种植面积的精确提取，对于农业部门进行冬小麦生长监测与产量估测有重要的支撑作用。      

基于遥感的冬小麦长势等级与气象因子相关性分析

利用遥感数据,以陕西、甘肃两省为例,探讨了冬小麦不同生育期内不同等级的长势状况及其与气温、降水、日照等气象因子的相关性。将冬小麦的生长发育过程分为7个不同的生育期,借助植被指数NDVI,利用GIS空间分析方法,分析了不同生育期内作物生长发育动态变化状况;探讨了2011—2012年不同生长发育期内,不同等级的冬小麦长势状况与同生育期、前一生育期及生育期内累计温度、降水、日照时数等气象因子的相关性。结果表明,2011—2012年,陕西、甘肃两省冬小麦长势在空间上呈现越冬前较好,越冬期略变差,之后恢复变好的状况,但同时存在时空分布差异。相关分析结果表明,就平均来说,无论冬小麦长势状况如何,冬小麦长势和累计降水之间的相关性都大于同期和前一生育期的相关性,显示了降水在冬小麦整个生育期内的重要性;温度对冬小麦的影响根据冬小麦长势等级的不同而不同;日照方面,不论冬小麦长势等级如何,各种不同等级的长势都和累计日照时数相关关系最大。研究同时表明,长势好和长势差的冬小麦对降水较为敏感,而温度在整体上对长势正常的冬小麦影响较大。     

基于Sentinel-2A遥感影像的潍坊市冬小麦种植面积提取研究

为准确、高效、自动化的提取大尺度范围冬小麦种植面积,利用Sentinel-2A卫星影像进行试验,提出一种基于中等分辨率影像的面向对象结合深度学习的遥感冬小麦提取方法。利用面向对象分类法和随机森林分类算法对2021年潍坊市冬小麦种植面积及种植区域进行提取和结果对比,证明面向对象分类法在提取冬小麦种植面积时的可行性和有效性。此外,利用面向对象方法得到的二值分类图像作为标签图像,基于TensorFlow框架,利用U-Net构建深度学习神经网络模型,使用训练得到最优模型提取2017—2021年潍坊市冬小麦种植面积。使用实地调查数据对分类结果进行精度验证,并对潍坊市近五年冬小麦种植面积进行年际变化分析。该分类方法的总体分类精度达93.1%,Kappa系数为0.91。本研究方法可为大范围的冬小麦种植指导和农业结构调整提供科学、可靠的依据。     

基于Sentinel-1/2数据特征优选的冬小麦种植区识别方法研究

为了提高冬小麦种植区识别精度,本文基于谷歌地球引擎(Google Earth Engine, GEE)平台和随机森林算法,对比雷达和光学遥感数据对冬小麦提取效果的差异,并对多类特征变量进行重要性分析,研究特征优选对冬小麦识别精度的影响。选取2019年3—5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源,构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征、植被指数变化率特征共5类特征变量;设置不同数据源和不同特征组合的冬小麦种植区提取方案;对方案中特征变量进行优选,得出最优特征组合,利用最优特征组合对河南省驻马店市冬小麦种植区进行提取。结果表明,无论是否进行特征优选,基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度;经过特征优选后,各方案的分类精度均有不同程度的提升,说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同,贡献率由大到小为4月、3月和5月;贡献率由大到小的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特...     

基于MODIS-EVI时间序列与物候特征的水稻面积提取

物候是植被生理生态过程与环境变化相互作用的体现,时间序列遥感数据的使用有助于揭示水稻物候特征。基于水稻物候特征建立一个可靠的水稻面积监测体系,及时、准确地监测水稻种植面积,对于粮食安全十分重要。本研究以中等分辨率成像光谱仪（Moderate resolution imaging spectroradiometer, MODIS）为数据源,选择增强型植被指数（Enhanced vegetation index, EVI）,重构2019年和2020年EVI时间序列,提取水稻物候信息,并选择季节积分和生长季振幅两个指标,结合2019年单点EVI时间序列和水稻种植面积的统计数据,确定江苏省13个地级市水稻的季节积分和生长季振幅的阈值,并根据得到的阈值,提取2020年江苏省水稻种植面积。利用2020年水稻种植面积的统计数据和美国陆地卫星-8携带的陆地成像仪（Landsat8 operational land image, Landsat8 OLI）影像,对提取结果进行了精度验证。结果表明,水稻提取的总体精度为92.55%,Kappa系数为0.8463,水稻的制图精度为92.90%,用户精度为89.09%,与统计数据的一致性为93.90%,提取精度较高,在技术上具有可行性。该方法为大区域提取农作物种植面积提供了参考。     

基于时间序列MODIS NDVI的冬小麦产量预测方法

选择我国河北、河南、山东3省作为研究区,在250 m空间分辨率的冬小麦种植区和1 km的冬小麦像元纯度图的基础上,分析了2000—2009年MODIS NDVI抽穗期峰值与单产的时间序列变化关系。采用Becker-Reshef等提出的去噪声修正后的冬小麦抽穗期NDVI峰值与单产进行回归分析建立冬小麦产量预测模型,并分析冬小麦预测精度的影响因素。最后,利用2010年地级市尺度的统计单产对所建立的预测模型进行精度验证,模型的平均估产误差约为7.49%。结果表明,基于冬小麦抽穗期NDVI峰值的产量预测方法在中国冬小麦主产区具有一定的应用潜力。     

基于多源Sentinel数据的县域冬小麦种植面积提取

冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义。以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器、多生育期单传感器和多生育期多传感器的遥感影像进行精细分类,实现县域冬小麦制图。结果显示：单生育期的雷达影像无法满足制图要求,拔节期的总体精度最高,仅为62.9%,多生育期雷达影像分类精度达到81.9%,基本满足制图要求;单生育期的光学影像和融合影像在成熟期的精度最高,总体精度分别为93.4%和95.1%,Kappa系数分别为92.4%和94.8%,可以绘制较为精准的冬小麦分布图;多生育期融合影像绘制的扶沟县2019年冬小麦空间分布图,总体精度为96.8%,结果最优。研究结果表明融合的多生育期遥感影像可以为县域冬小麦种植面积的提取提供技术依据。     

山西省小麦需水量空间变化规律分析研究

结合山西省10个小麦试验站多年需水量的试验数据及邻近气象站近50年的气象资料,分析了山西省小麦需水量在空间上的变化特点及其对气象因子变化的响应。结果表明:从全生育期小麦需水量来看,以山西长治地区为最大,其他地区较为接近;从阶段作物需水量来看,尤其是拔节到收获的阶段,小麦的需水量呈现出自北向南逐渐递减的变化规律。另外,小麦的生长天数也呈现出自北向南逐渐减少的趋势。小麦生育期内日平均需水量与日平均参考作物蒸发蒸腾量关系非常密切。     

基于LightGBM的冬小麦产量估测与可解释性研究

机器学习模型在作物长势监测和产量估测过程中,复杂模型的内部机制难以理解,为了在准确估测作物产量的同时给出合理解释,本文选取条件植被温度指数(VTCI)以及冬小麦产量数据,基于轻量级梯度提升机(LightGBM)开展关中平原冬小麦的产量估测研究,并将局部可解释性模型无关方法(LIME)、部分依赖图(PDP)和个体条件期望图(ICE)等全局和局部可解释性方法用于对模型估测结果的进一步解释。结果表明,与其他机器学习方法相比,经过网格搜索优化的LightGBM能够准确地估测冬小麦产量,估测单产与实测单产的决定系数R²达到0.32,均方根误差(RMSE)为809.10 kg/hm²,平均相对误差(MRE)为16.55%,达到极显著水平(P<0.01),表明该模型有较高的预测精度和泛化能力。进一步可解释性实验表明,网格搜索优化的LightGBM能够准确提取数据蕴含的信息,从全局角度来看,冬小麦4个生育期中拔节期VTCI对产量形成最为重要,抽穗-灌浆期和乳熟期次之,返青期则影响最小,这与先验知识相符合;从局部角度来看,局部可解释性方法基于冬小麦产量西...     

推迟灌拔节水对宽幅麦田光合有效辐射的影响

为研究华北平原冬小麦节水高产种植模式,以“济麦22”为研究材料,于2015-2016年和2016-2017年冬小麦生育期间在山东农业大学农学试验站进行试验.该试验设置常规种植和宽幅精播2种种植模式,2种种植模式的冬小麦均进行拔节期灌溉60 mm和拔节后10 d灌溉60 mm²2种灌溉处理,共4种处理.在生育期内对冬小麦的叶面积、光合有效辐射(PAR)截获量、干物质积累量和产量进行观测,分析不同处理对冬小麦生理指标和产量的影响.结果显示,宽幅精播种植模式显著增加了冬小麦的叶面积指数和PAR截获率.推迟灌拔节水显著优化了宽幅精播麦田对PAR的有效利用,进而促进了干物质积累.同时,推迟灌拔节水显著增加了宽幅精播麦田的穗粒数,从而显著提高小麦产量.