基于多时相GF-1 WFV和高分纹理的制种玉米田识别

为给监管部门提供更准确的数据，及时发现非法玉米制种区域，根据不同地物在多时相光谱、高空间纹理等特征上的差异，基于163个地面样本、多源时序优选植被指数集和高空间分辨率遥感影像纹理分析的方法，进行制种玉米田识别。通过相关性分析，从GF-1 WFV 多光谱影像计算的8个植被指数(VI)中确定6种，多维度反映不同作物光谱差异，并利用随机森林（RF）分类方法实现玉米田块的识别；利用玉米抽雄期的1期0.7m Kompsat-3全色影像，构建灰度共生矩阵（GLCM）纹理特征体系，并进行局部二值模式（Uniform-LBP）旋转不变处理，解决了影像中作物种植纹理的方向性问题，同时为体现制种玉米父母本间隔种植的特点，提出了Subtract纹理特征，进一步识别制种玉米田。以新疆维吾尔自治区奇台县为研究区，对本文提出的方法进行实例验证，试验结果表明，制种玉米田识别的制图精度、用户精度分别为93.34%、99.19%。     

基于MODIS数据的黄淮海夏玉米高温风险空间分布

近年来中国高温灾害频发,对黄淮海地区的玉米生产造成较大影响。目前已有的高温风险研究多用的是气象站点的点源数据,针对气象站点数据对大范围区域代表性较差的问题,该文使用搭载在Aqua卫星上的MODIS陆地表面温度产品(MYD11A1),在研究其与气象日最高温度间具有显著相关性的基础上,使用遥感温度数据获取黄淮海夏玉米花期的高温风险空间分布,并结合高程、水体等地理环境因素分析高温风险的成因。结果表明:气象日高温数据与遥感温度数据间的决定系数R2为0.51,P0.001,存在显著的正相关性。通过遥感温度计算发现近年高温风险主要分布在秦岭山区北部以及城镇、村庄的周边地区,与实际情况相符。该研究对于大范围高温风险研究与玉米生产管理具有参考作用。     

面向高分一号遥感影像的自动几何配准算法对比

遥感影像的几何配准是影像后续处理的重要前提和遥感农情监测等应用的重要保障。不同的自动几何配准算法在配准效果上存在差异,单一配准算法难以满足所有类型数据的配准要求。根据不同地形特征和不同时相特征,选择了平原和山地、夏季和冬季4个实验区,以现有的基于区域的互相关法、互信息法和基于特征的SIFT算法为基础,分别对上述4个实验区的高分一号影像数据进行自动配准实验,对比3种算法的配准精度、配准效率和稳定性。实验结果表明：应用SIFT算法进行配准,4组实验结果均目视接边效果良好且均方根误差达到10 -5 数量级,满足精度要求。该方法简单、高效,可以应用于农情遥感监测等日常业务。     

GF-1遥感大数据自动化正射校正系统设计与实现

近年来随着遥感数据的爆炸性增长,快速、稳定的自动化影像正射校正成为遥感大数据处理的重要环节。该文在分析GF-1遥感大数据组织方式与元数据特征的基础上,将有理多项式模型正反变换与数字高程数据提取结合,设计实现自动化正射校正系统,并以提高正射校正计算效率与稳定性为目标,研究待校正影像对应数字高程数据快速提取方法,待校正影像分块读取策略等关键问题。在此基础上针对20景覆盖不同地形区域GF-1 8 m多光谱正射校正影像选择均匀分布的检查点,以Google Earth影像中同名点坐标为真值,分析校正误差及收敛情况,试验结果 X(纬线方向)方向和Y(经线方向)方向最大误差均小于16.863 m,距离误差小于23 m,并且92.25%的检查点误差小于16 m(2个像元)。该文提出的自动化正射校正方案在山地地形与平原地形均表现出良好的校正精度与稳定性。     

基于时序光谱和高分纹理分析的制种玉米田遥感识别

根据制种玉米与其他作物在中高分辨率遥感影像上的光谱和纹理差异,利用多源遥感数据,以提取制种玉米种植田为研究目标,提出了作物多时相光谱特征分析的植被指数体系,多维度反映了作物不同光谱差异;在纹理检测前加入图像旋转不变处理,解决了遥感影像中作物田纹理方向问题;最后构建了多时相光谱特征和高空间分辨率遥感影像LBP-GLCM纹理特征的制种玉米田识别方法体系。以新疆霍城县为研究区,利用上述方法体系结合随机森林分类器,通过实验得到分类总体精度为90.57%,Kappa系数为0.79,制种玉米田分类结果用户精度为99.20%,制图精度为86.68%,基本满足对制种玉米田的识别需求。     

作物遥感精细识别与自动制图研究进展与展望

<正>0引言随着全球人口的持续增长和气候环境剧变,如何在确保粮食安全的同时兼顾社会、环境资源的可持续发展将是一个严峻的挑战,也对农业生产及经营调控提出了更高的要求。自20世纪90年代以来许多学者开展了相关研究。结合卫星导航系统和地球卫星观测     

作物遥感精细识别与自动制图研究进展与展望

作物识别与制图产品数据是作物长势、风险胁迫、产量等生产参量监测预测，种植结构调整与供需决策分析，以及耕地资源安全与生态效应评估等工作的基础数据，遥感数据成为作物类型识别与制图的最主要数据源，新兴数字技术则为遥感作物识别与制图提供了新的方法手段。本文通过综述近年基于遥感的作物识别与制图相关研究成果，探究当前技术趋势、关键问题，以及需求差距。分别从小尺度作物精细识别、大尺度作物自动化制图，以及作物识别与制图模式变化3个视角总结归纳面临的主要问题和主要研究工作。作物识别与制图产品在小尺度上需要更加精细、近实时和更高的识别精度，主要使用超高空间分辨率（如米级、亚米级）的影像数据，在提高作物识别精度（95%以上）进而提取满足应用需求的高精度作物表型等信息方面依旧面临巨大挑战。而在大尺度上需要更加自动化、满足可靠识别精度（90%左右），主要使用高时空分辨率（2~5d，10~30m）的影像数据，面临着如何处理海量数据的存储管理、分析计算，发展大范围上具有鲁棒性的分类识别方法，寻找科学高效的地面样本获取途径的难题。同时，作物识别与制图的模式也将从确认监测向提前预判和特定作物探测转变。最后从加强科学研究与加快应用落地2个角度提出展望，为发展满足智慧农业与国土监管不同需求的遥感作物识别与制图产品提供参考与借鉴。     

顺序同化不同时空分辨率LAI的冬小麦估产对比研究

选择PyWOFOST模型为动态模型,以叶面积指数(LAI)为状态变量,遥感LAI为观测值,采用集合卡尔曼滤波(En KF)同化算法,研发了一种遥感LAI与作物模型同化的区域冬小麦产量估测系统。为消除云的污染,采用Savitzky-Golay(S-G)滤波算法重构时间序列MODIS LAI;通过构建地面观测LAI与3个关键物候期Landsat TM植被指数回归统计模型,获得区域TM LAI;通过融合3个关键物候期的TM LAI与时间序列S-G MODIS LAI,生成尺度转换LAI。对比分析3种不同时空分辨率的遥感LAI的同化精度,研究结果表明,同化尺度转换LAI获得了最高的同化精度,与官方县域统计产量相比,在潜在模式下,决定系数由同化前的0.24提高到0.47,均方根误差由602kg/hm2下降到478 kg/hm2。结果表明,遥感观测与作物模型的尺度调整对提高冬小麦同化模型精度具有重要作用,遥感LAI与作物模型的En KF同化方法是一种有效的区域作物产量估测方法。