基于GF-1影像的沿淮地区冬季耕地撂荒遥感调查应用

耕地作为一种稀缺资源对国家和农民来说都具有极其重要的意义,但随着市场经济的深入和农村经济的发展,农村耕地撂荒现象时有发生,撂荒耕地必然导致土地资源浪费,影响到中国粮食安全和农民增收,也不利于农村经济社会稳定发展。沿淮地区是安徽省乃至全国重要的商品粮生产基地,但近年来冬季撂荒情况日益严重。该文拟选取安徽省霍邱县,利用2015、2016、2017三年冬小麦生长期内的GF-1卫星16 m多光谱影像,提取霍邱县冬季作物种植的空间分布和面积,通过多年数据对比,来分析霍邱县近年冬季耕地撂荒情况。结果显示:2015、2016、2017三个年度冬小麦种植面积分别为937.72,821.79,608.91km~2。参照2015年度冬小麦种植情况,2016年度冬季撂荒面积115.93 km~2、占比12.36%,2017年度冬季撂荒面积328.81 km~2、占比35.06%。结合实地调研分析,霍邱县近年来冬季撂荒面积不断增大的的主要原因有农田排灌等水利设施不足、稻茬麦效益低、外出务工等。而2017年度撂荒面积明显增加的直接原因是冬小麦播种期间,出现连续阴雨异常天气,低洼地区田间积水严重,致使冬小麦无法播种,被动撂荒。该文的研究可以为沿淮地区冬季撂荒遥感调查提供技术参考。     

水稻遥感识别偏差修正的地统计学方法

为了进一步提高农作物遥感识别精度,充分利用高分辨率遥感影像上不同地物之间的邻域空间关系,提出农作物遥感识别偏差修正的地统计学方法。该方法综合考虑目标地物的光谱特征与空间信息,以类别隶属度偏差为研究对象,首先利用类别指示向量和类别后验概率向量之间的差异实现目标地物的类别隶属度偏差量化,然后对训练样本的类别隶属度偏差进行变异函数建模,并采用带局部均值的简单克里格插值方法预测总体类别隶属度偏差,之后用总体偏差的预测值对光谱分类所得的类别后验概率进行修正,重新确定识别结果,实现农作物遥感识别的偏差修正。以安徽省南部的一景 SPOT-5影像覆盖范围为研究区,选择2块典型区域分别作为试验区和验证区,以一季稻和晚稻为目标农作物,以支持向量机作为光谱分类的分类器,建立了水稻遥感识别的偏差修正流程;采用地面实测数据对修正效果进行评估,并与最大似然分类、模糊分类和支持向量机分类的结果进行比较。试验结果表明,该方法的总体分类精度能够达到90%以上,与传统分类方法相比,总体精度提高了近14%;且该方法能够大幅提高一季稻和晚稻的生产者精度和用户精度,有效改善了研究区的水稻识别结果,可以为中国南方复杂种植条件下的水稻识别提供参考。     

安徽省雾霾污染综合防治研究

近年来安徽省雾霾污染逐步加重.从社会经济角度分析了雾霾污染主要与产业结构、能源结构、快速城镇化等因素密切相关.结合国内外雾霾防治经验,提出了综合防治的对策和建议.     

省域冬小麦种植面积遥感本底调查方法——以安徽省冬小麦遥感本底调查为例

遥感技术目前在农业方面得到了广泛的应用,冬小麦作为我国重要粮食作物,农业部先后2次在全国范围内组织开展了冬小麦遥感本底调查工作。该研究介绍了2015年安徽省冬小麦遥感本底调查的遥感数据选择、数据预处理、解译方法,并对调查结果进行了分析,总结了省域冬小麦种植面积遥感本底调查方法和经验。     

干旱区土壤含水量光谱特征分析与反演

[目的]建立土壤含水量遥感监测模型。[方法]选取陕西省横山县作为研究区,以野外原位光谱测量数据和实验室内测得的土壤含水量为基础,进行高光谱数据处理,分析土壤含水量的光谱特征;对实测土壤光谱反射率进行倒数、对数、均方根及其一阶导数微分等光谱变化换,计算高光谱指数,并与土壤样本含水量进行相关性分析,筛选对土壤含水量敏感的光谱特征波段,利用多元线性回归分析建立土壤含水量监测模型。[结果]随着土壤含水量的增加,土壤光谱反射率呈减小趋势。土壤含水量与光谱指数的特征波段呈良好的线性关系,所有模型均通过了0.01水平的显著性检验。模型精度验证表明,预测值与实测含水量相关系数较高,特别是反射率倒数一阶微分模型,在0.01显著性水平下,相关系数为0.886。[结论]该研究建立的土壤含水量遥感反演模型可行有效,通过了有效性检验,在一定程度上可以用来反演研究区土壤含水量。     

基于GF-1影像的冬小麦种植面积核算及直补政策实施评价

粮食直接补贴政策的实施,对于促进粮食生产和农民增收、推动农业农村发展发挥了积极的作用。补贴资金发放的精准程度在一定程度上影响着财政资金的支农效率。该文拟研究基于卫星数据进行粮食直补政策落实效果评价的可行性。以安徽省濉溪县为研究区,采用GF-1卫星16 m多光谱影像,在扣除线状地物、小地物的基础上,精准核算冬小麦种植面积。以乡镇为单位,比较统计发放面积与遥感核算面积,完成基于GF-1卫星数据的粮食补贴政策落实效果评价。结果表明：1）全县范围内,冬小麦直补发放统计面积与遥感核算面积较为吻合。直补发放统计面积为1239.17 km2,遥感核算面积为1227.37 km2,相对误差仅为0.96%;2）在乡镇尺度上,11个乡镇和1个开发区中共5个乡镇直补发放统计面积与遥感核算面积的相对误差<10%,8个乡镇<13%。相对误差最大的开发区、濉溪镇2个乡镇,以工商业用地为主,冬小麦种植面积少,地块零碎,遥感解译难度大。整体上,直补发放统计面积与遥感核算面积的 Nash-Sutcliffe 系数（Nash-Sutcliffe coefficient,ENS）为0.90,决定系数为0.93,两者相关程度较高。研究可为改进完善粮食补贴政策提供参考提供依据。