基于GF-1卫星影像的中国冬小麦制图研究

旨在实现冬小麦面积自动化提取，本文提出一种基于冬小麦NDVI加权指数(WNDVI)的分类算法。将影像分割成标准的小区域，从而构建冬小麦分类单元，采用自适应方法确定冬小麦种植区和非种植区WNDVI分割阈值。以2013年10月至2014年5月期间的GF-1卫星WFV影像为例，构建了全国14个省（市、区）的1180个分类单元的WNDVI，实现了2014年全国主产区冬小麦种植区的空间分布图；采用14233个样本对结果进行验证精度，总体精度达到了90.6%。本方法自动化程度高，结果稳定，适合大范围冬小麦面积监测业务化运行。     

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。     

农业资源遥感监测系统的计算环境设计与应用

计算环境是包括农情遥感监测系统在内的农业资源遥感监测系统的重要支撑。该文在对农业资源遥感监测系统硬件环境组成、逻辑结构、核心功能分析等内容阐述基础上,以中国农业科学院农业资源与农业区划研究所运行的“国家农情遥感监测业务运行系统”硬件环境为例,进行了具体说明。研究结果表明,农业资源遥感监测系统是以基础硬件层为支撑,以计算层为核心,以存储层作为辅助,在网络层、软件层支持下,开展农情遥感监测应用。核心功能包括括登录节点、管理节点、计算节点、存储服务器(包括磁盘)等5个部分。“国家农情遥感监测业务运行系统”的计算环境的硬件是以42台基于Intel 64位至强处理器的IBM Flex X240刀片服务器为核心,4台S5700 10G以太网交换机为中转设备,连接华为1套N8500 NAS集群、1台基于Intel 64位至强处理器的IBM X3650M4管理服务器；56G计算IB网络是通过1台Mellanox 36口FDR交换机实现,并包括KVM交换机、机架键盘、液晶显示器,以及机柜、电源插座、连接线缆等附件。系统理论运行效率可以达到13.312万亿次,实际运行效率可以达到理论值的85%以上。     

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。     

玉米大豆轮作遥感监测技术研究

基于黑龙江省北安市2014—2015年的Google Earth影像、多时相OLI数据和Rapid Eye影像,采用遥感目视解译的方法,构建了玉米大豆轮作遥感监测业务化技术流程。主要技术环节包括数据预处理、地块位置与面积信息的精准获取、农作物类型识别、精度验证、变化统计等5个内容。研究结果表明:工程区域总面积4528.7 hm~2,计有447个地块;其中,2014年玉米轮作为2015年大豆的地块为193块3794.4 hm~2,大豆轮作为玉米的地块为65块88.0 hm~2;采用地块逐一调查的方式进行验证,地块吻合率为100.0%。研究提出的技术方法具有较高的地块测量准确性和监测效率,可以作为农作物种植结构调整政策落实程度核查技术使用。     

不同β-葡聚糖对凡纳滨对虾稚虾生长及非特异免疫功能的影响

基础饲料中添加七种β-葡聚糖产品(以下简称B1-B7),B1-B6的添加量分别为0.075%,B7的添加量为0.200%,饲养凡纳滨对虾虾苗(体重0.062±0.007 g)33 d,测定其生长及免疫功能。结果表明,七种β-葡聚糖产品不同程度的提高了凡纳滨对虾的存活率,其中以B5组存活率最高,为72.0%(P<0.05),对照组成活率最低,为22%。不同β-葡聚糖产品对增重率影响显著,以B4和B5组(P<0.05)的增重最快,分别为691.4%和802.4%。其次为B3组,为544.1%。其余各组增重率与对照组无显著性差异。β-葡聚糖对凡纳滨对虾溶菌酶活力、抗菌活力以及SOD活力有显著影响,其中以含有较多1,6支链β-葡聚糖B5组的效果最佳。B5组肌肉、肝胰脏的溶菌酶活力分别为0.09 U和0.1 U,对照组则分别为0.03 U和0.04 U。B5组肌肉和肝胰脏的抗菌活力为0.45 U和0.34 U,对照组为0.21 U和0.18 U;B5组头部SOD活力为44.7 NU/mg pro.,对照组为12.8 NU/mg pro.。因此,B5组β-葡聚糖产品具有较好的应用前景。     

基于分层非监督分类的油菜面积识别研究

中国油菜生产表现为破碎化种植的特点,常规地面调查方法费时费力代表性差,遥感方法逐渐成为了油菜面积监测的理想途径。目视解译、监督分类等遥感分类方法人机交互量大,受监测者主观影响较大。针对上述问题,笔者提出一种基于先分层后进行非监督分类的油菜监测新方法,利用从江县2013 年的GF影像对该方法进行了应用和精度评价,本次应用中使用了等距分层和自然分层两种分层方法。结果表明：相较直接非监督分类结果,先分层后非监督分类方法显著提高了总体精度。基于等距分层和自然分层方法总体精度从79.16%提升到了84.44%和85.17%。直接非监督分类中精度仅为72.97%的用户精度在等距分层和自然分层处理后,精度分别提升为81.05%和86.12%,大大降低了直接非监督分类中非油菜区被错判为油菜的现象。等距分层和自然分层方法的总体精度分别为84.44%和85.17%,Kappa 系数分别为0.69 和0.70。精度上两种分层方法间无显著的差异,自然分层方法的用户精度、制图精度和总体精度都保持在较高的水平,具有更高的可靠性。文中提出的新方法具有人工干预少,精度高的特点,在基于大批量影像的面积监测方面具有较大的应用潜力。     

GF-1卫星多时相组合近红外数据水稻识别能力

针对近红外波段水稻识别能力的问题,选择银川市所属的5个县区为研究区域,采用2016年5月18日、6月16日、7月30日、9月13日4个时相GF-1/WFV影像的近红外波段(0.76~2.526μm)数据,基于决策树分类方法,获取了4个单时相、3个多时相条件下的水稻识别结果,并与全波段数据分类结果进行了比较。单时相5、6、7和9月份近红外波段水稻识别精度分别为83.63%、57.40%、75.82%和62.61%,除5月份精度高于全波段5.75个百分点外,其他时相都低于全波段识别精度,6月份相差最高为30.23个百分点。多时相5/6、5/7、5/6/7/9月份组合,近红外水稻识别精度分别为83.76%、93.93%和94.03%,分别比全波段低5.47,高8.58和0.73个百分点。结果表明,水稻生长早期的5月份、中期的7月份,近红外波段可以作为单时相遥感识别数据源,包括生长早期和中期2个时相在内的多时相近红外波段组合都可以作为遥感识别的数据源,研究结果可以作为GF-1数据水稻遥感识别的依据。     

RapidEye卫星红边波段对农作物面积提取精度的影响

在传统的可见光与红外波段基础上增加红边波段(690~730 nm),是当前高分辨卫星传感器研制的明显趋势。德国Rapid Eye卫星携带有红边波段传感器,该文基于黑龙江省北安市东胜乡2014年7月27日的Rapid Eye遥感数据,采用监督分类的方法,通过计算有红边参与条件下、无红边参与条件下,玉米、大豆及其他3种地物类型的可分性测度、分类精度及景观破碎度等指标,比较分析了2种波段组合方式下的红边波段对农作物面积提取精度的影响。其中,监督分类的训练样本是以覆盖研究区的2 km×2 km格网为基本单元,在玉米和大豆面积比例等概率原则下,选取了10个网格作为训练样本,样方内作物的识别采用目视解译的方式完成。精度验证是采用覆盖研究区的农作物面积本底调查结果评价的,本底调查数据是在5 m空间分辨率Rapideye数据初步分类基础上,根据多时相Landsat-8/OLI(Operational Land Imager)数据季节变化规律,结合地面调查,采用目视修正的方法完成。结果表明,有红边参与的玉米、大豆和其他3种地物类型识别的总体精度为88.4%,Kappa系数为0.81,玉米、大豆和其他3种地物类型的制图精度分别为93.1%,86.0%和87.3%;没有红边参与的3种地物识别的总体精度为81.7%,Kappa系数为0.71,玉米、大豆和其他3种地区类型的制图精度分别为83.9%,73.4%和84.6%;通过引入红边波段,3种地物的总体识别精度提高了6.7百分点,玉米、大豆和其他3种地物类型的识别精度分别提高了9.2百分点,12.6百分点和2.7百分点。利用Jeffries-Matusita方法计算了3种地物的可分性测度,玉米-大豆、玉米-其他、大豆-其他的可分性测度分别由0.84变为1.73、1.37变为1.81、1.27变为1.29;采用破碎度指数计算了景观破碎度,地块数量减少了69.2%,平均地块面积增加了2.2倍,平均地块周长增加了60.50%,地块面积与周长比增加了1.0倍。由上述研究结果可以看出,通过红边波段的引入,增加了地物的间的可分性测度,减少了"椒盐"效应造成的景观破碎度的增加,农作物面积识别整体精度得到了提高。目前搭载红边波段的卫星载荷越来越多,即将发射的国产卫星也拟增加红边波段提高作物识别能力,该文研究结果将为国产红边卫星数据在农业上的应用提供参考。