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。     

东洞庭湖湿地生态系统健康评价

湿地生态系统健康评价是湿地保护的基础,对提高湿地生态环境管理水平具有重要的指导作用。以国家级自然保护区湖南省东洞庭湖湿地为研究区,利用Mamdani FIS (模糊推理系统)模型,构建了包含水体PH值,水体悬浮物浓度、土壤pH值、土壤含水量、植被类型数量、入侵物种数量、湿地面积变化率、人口密度、产业结构等9个影响因子的指标体系,进行了湿地生态系统健康评价。结果证明,东洞庭湖湿地生态系统健康评价得分为1.37分,健康状态介于亚健康和不健康之间。利用Mamdani FIS 模型的非线性分析能力和基于专家意见的推理规则,评估湿地健康指数时不需要先验知识支撑,简化了模型使用时对数据的要求。通过对评价结果进行分析提出了保护利用的建议,以期为长江中下游湖泊湿地生态环境保护政策的合理制定提供科学依据。     

2007—2017 年美国大豆产量时空变化与分析

【目的】掌握美国大豆种植状况及产量时间空间动态,辅助制定我国大豆生产政策、 调整大豆种植结构以及确定大豆国际贸易数量。【方法】基于2007—2017 年美国大豆产量 县域统计数据并协同运用地理信息技术,采用变化率法、空间自相关分析法、重心迁移法分 析了近10 年美国大豆产量年际变化、波动趋势及空间变化特征。【结果】美国大豆产量高值 区域,仍是传统的主产区,主要分布于中部平原的密西西比河流域和密苏里河流域。近10 年间大豆产量呈增加态势,且近5 年增长迅速,其中2009、2014 年增速较快;大豆产量全 局空间自相关Moran′s I 指数介于0.669~0.726 之间,存在显著的集聚效应。局域空间自相关 Moran′s Ii 指数聚集图中高—高（HH）聚集区和低—低（LL）聚集区占比最大且有不断扩张 的趋势;大豆产量空间重心先南移后北移再向西南方向迁移,向西南方向迁移明显,总体位 移87.71km。【结论】近10 年美国大豆产量总体呈现波动上升的趋势,集聚效应明显,产量 重心显著向西南方向迁移,其是自然因素和人为原因综合共同驱动的结果。文章为分析全球 大豆运行态势、预测国际大豆价格以及我国农业相关政策制定等提供有益的参考。     

互联网+ 时代中国粮食的生产与供给服务模式思考

【目的】中国粮食生产和供给问题已经从温饱问题解决逐渐走向多样化服务,建立满足人民日益增长的美好生活需要的粮食生产和供给体系,互联网+时代的中国粮食生产与供给需要新的模式。【方法】通过总结中国粮食生产和供应现状,提出了中国粮食生产和供给的规模化、多样化和特色化、标准化、智能化等社会需求,并结合当前信息技术的最新发展,提出中国粮食生产和供给的互联网+服务模式。【结果】中国粮食的互联网+服务需要具备粮食生产指导、产品质量追溯、标准包装产品真实性检验、粮情信息发布与靶向推送、同类产品供需平衡分析、特色产品宣介等功能,以实现中国粮食生产和供给过程中全链条的服务,包括粮食生产过程监测和专家精准指导,粮食生产过程信息和环境、品质评定信息的管理查询,粮食销售产品包装检验,统一销售,供需平衡分析、信息发布,以及财金产品服务等。在大数据技术背景下,中国粮食生产和供给的互联网+服务的技术基础至少包括:(1)物联网、农情遥感、泛在信息等大数据采集技术;(2)整合大数据管理和空间数据引擎的大数据管理技术;(3)面向粮食生产形势、产量、品质、价格、库存和交易信息的在线分析和数据挖掘技术;(4)信息公开发布和靶向发布技术等。【结论】在国家、区域、省市和县尺度,开展顶层设计和战略规划,从特色粮食产品入手,建立互联网+的粮食生产和供应模式,实现粮食生产、包装、销售的全链条信息采集、大数据分析,并逐渐拓展到国家大宗的粮食生产和供给体系。     

野生杜鹃林土壤糖类和理化性质变化规律

为探明贵州百里杜鹃国家森林公园内杜鹃林凋落物层和土壤表层中的糖类物质和理化性质含量变化规律,揭示不同土壤层次物质的分布特点及差异。本研究采用常规方法测定土壤理化指标,通过衍生化处理气相色谱质谱联用(GC-MS)分析土壤中5种糖类物质及含量。结果表明:在所鉴定的5种糖类物质中,质谱匹配度平均为92.6%,其中有4种化合物的匹配度超过90%,平均相对标准偏差为9.6%。糖类物质垂直分布表现为凋落物层土壤表层腐殖质层,其中d-葡萄糖和蔗糖是土壤糖类组成的主要组分。土壤有机碳、全氮、全磷、全钾含量及p H值随土壤深度增加而逐渐递减,杜鹃林土壤糖类物质与土壤理化因子具有明显的相关性。     

基于MODIS-EVI及物候差异免阈值提取黄淮海平原冬小麦面积

使用植被指数阈值法提取冬小麦种植面积时,通常需要根据区域间物候差异设置不同阈值。针对这一问题,该文以黄淮海平原为研究区,使用农业气象站生育期观测数据和气象再分析资料,利用逐步进入法模拟冬小麦播种期和成熟期,使用Savitzky-Golay(S-G)滤波重构的MODIS EVI数据逐像元计算播种期至成熟期EVI的峰值频数并结合光谱突变法构建了具有普适性的冬小麦种植面积提取模型。用统计数据验证提取结果表明:在市级尺度和县级尺度上R~2分别为0.91(RMSE 60.08×10~3 hm~2)和0.80(RMSE 8.97×10~3 hm~2)。该文改进的提取模型既考虑了区域间的物候差异,又避免了阈值设置问题,具有一定的普适性,能较好地在大范围内应用于冬小麦面积快速提取,可为大范围内冬小麦监测及估产提供参考。     

基于葵花-8卫星的白天冰云识别初探

冰云是影响全球能量平衡、气候和天气变化的重要因素,识别冰云研究意义重大。利用葵花-8(Himawari-8)的2 km近红外第11波段和热红外第14波段数据及1 km MYD06云相态产品数据,采用代码调试,试图研究了基于亮温的Himawari-8的冰云算法,经过代码调试和验证得出Himawari-8的冰云算法。结果表明:Himawari-8云相态中冰云的初步算法为:BT_(11)285且BTD_([8.5-11])-1。用2015年12月29日的Himawari-8冰云数据与MODIS数据的云相态产品MYD06数据之间,使用简单匹配方法做了对比验证,结果匹配度为81.04%,匹配等级上属于匹配。     

3FLD和反射率荧光指数估测小麦条锈病病情严重度的对比分析

为研究小麦条锈病病情严重度和日光诱导叶绿素荧光强度的关系,确定适合于探测小麦条锈病病情严重度的叶绿素荧光因子。本文分别利用3FLD(three bands Fraunhofer Line Discrimination)和反射率指数2种方法提取了日光诱导叶绿素荧光强度,对比分析了这2种方法估测的日光诱导叶绿素荧光强度在小麦条锈病病情严重度遥感探测中的应用潜力。利用3FLD方法计算的O2-A和O2-B波段叶绿素荧光强度与小麦条锈病病情严重度均达到了极显著相关,复相关系数分别为0.677 2和0.492 4。基于反射率指数估测日光诱导叶绿素荧光时,叶绿素荧光反射率比值指数R_(740)/R_(720)、R_(440)/R_(690)、R_(740)/R_(800)以及叶绿素荧光一阶导数光谱指数D_(705)/D_(722)、D_(730)/D_(706)与小麦条锈病病情严重度均达到了极显著相关,尤其是比值指数R_(440)/R_(690)与小麦条锈病病情指数的相关性最高,复相关系数达到了0.718 7。基于辐亮度的3FLD算法和基于反射率的叶绿素荧光比值指数2种方法提取的叶绿素荧光强度均能够实现小麦条锈病病情严重度的遥感探测,但利用反射率方法提取的日光诱导叶绿素荧光强度构建的小麦条锈病病情严重度估测模型优于3FLD算法,更适合小麦条锈病病情严重度的遥感探测。论文的研究结果为基于卫星平台的叶绿素荧光遥感探测小麦条锈病提供了重要的理论依据。     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。