作物种植面积遥感提取方法的研究进展*

 农作物种植面积监测是遥感估产的关键技术之一。回顾和总结了国内外利用遥感数据进行农作物种植面积提取的方法,重点分析了遥感影像分析方法的进展以及大面积作物种植面积提取两个方面,对农作物种植面积遥感提取的发展方向作了简要评述。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

农作物空间格局遥感监测研究进展

遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括:基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。     

Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring

High-resolution satellite data have been playing an important role in agricultural remote sensing monitoring. However,the major data sources of high-resolution images are not owned by China. The cost of large scale use of high resolution imagery data becomes prohibitive. In pace of the launch of the Chinese "High Resolution Earth Observation Systems",China is able to receive superb high-resolution remotely sensed images(GF series) that equalizes or even surpasses foreign similar satellites in respect of spatial resolution,scanning width and revisit period. This paper provides a perspective of using high resolution remote sensing data from satellite GF-1 for agriculture monitoring. It also assesses the applicability of GF-1 data for agricultural monitoring,and identifies potential applications from regional to national scales. GF-1's high resolution(i.e.,2 m/8 m),high revisit cycle(i.e.,4 days),and its visible and near-infrared(VNIR) spectral bands enable a continuous,efficient and effective agricultural dynamics monitoring. Thus,it has gradually substituted the foreign data sources for mapping crop planting areas,monitoring crop growth,estimating crop yield,monitoring natural disasters,and supporting precision and facility agriculture in China agricultural remote sensing monitoring system(CHARMS). However,it is still at the initial stage of GF-1 data application in agricultural remote sensing monitoring. Advanced algorithms for estimating agronomic parameters and soil quality with GF-1 data need to be further investigated,especially for improving the performance of remote sensing monitoring in the fragmented landscapes. In addition,the thematic product series in terms of land cover,crop allocation,crop growth and production are required to be developed in association with other data sources at multiple spatial scales. Despite the advantages,the issues such as low spectrum resolution and image distortion associated with high spatial resolution and wide swath width,might pose challenges for GF-1 data applications and need to be addressed in future agricultural monitoring.     

EOS-MODIS卫星数据的农业应用现状及前景分析

农业是遥感技术应用的一个重要领域。EOS -MODIS卫星的发射为农业遥感提供了又一个重要的信息源。本文详细地分析了MODIS的数据特点及适用领域 ,回顾和评价了MODIS数据在农作物分类、长势和灾害监测、土地利用等领域的应用状况 ,并对MODIS数据在农业中的应用前景进行了分析和展望     

农作物种植结构遥感提取研究进展

农作物种植结构信息对农业生产管理、农业可持续发展及国家粮食安全等具有重要意义。本文中概括了农作物种植结构遥感提取的理论基础,归类了近10年间不同农作物种植结构遥感提取技术方法,重点评述了不同技术方法的特点及应用情况,讨论和展望了未来农作物种植结构遥感提取研究的发展方向。当前,光谱特征、时相特征和空间特征是农作物种植结构遥感提取的三大理论基础。基于单一影像源的种植结构提取方法操作简单,但往往难以获取种植结构“最佳识别期”的遥感影像;基于多时序影像源的种植结构提取方法可以充分利用农作物季相节律特征,成为当前农作物种植结构遥感提取的主流方法。在基于多时序影像源的种植结构提取方法中,多特征参量法较单一特征参量法更适用于农作物种植结构复杂区域,基于多特征参量的统计模型法一定程度上解决了混合像元问题,但模型的鲁棒性有待提高。此外,遥感与统计数据融合的农作物种植结构提取法在国家及全球大尺度的农作物种植结构提取中具有优势,但较低的制图分辨率使得数据产品的区域适宜性较差。未来农作物种植结构遥感提取将以区域“作物一张图”为目标,充分发挥多源数据组合利用的优势,围绕多类型作物同步提取和大范围作物种植结构提取开展深入研究,重点加强遥感数据预处理、特征参量提取和分类器高效选择等关键技术研究,从而提升农作物种植结构遥感提取的时空尺度,满足多方位的农业应用需求。     

农业遥感研究进展与展望

农业遥感是遥感科学的重要分支。文章回顾了农业遥感研究的百年发展历程,认为目前遥感在农业领域的应用广度和深度都在不断扩展,农业遥感从获取传统的总产、面积、单产等要素向更多监测要素不断深入,从传统的资源、环境向植保、农学等方向不断扩展,农业遥感正逐步成为农业科学的基础关键技术。论文从农情遥感、农业灾害遥感、农业资源环境遥感等领域全面总结了近年来中国农业遥感研究取得的成就及重要成果。从农业定量遥感、无人机遥感、作物表型遥感等方面指出了农业遥感研究发展的国际前沿,分析认为,随着传感器、物联网、互联网+、大数据、人工智能等技术的发展及现代农业发展的需求,“十三五”及未来10年,国内农业遥感技术在天空地一体化的农业遥感大数据获取、人工智能与大数据等的信息智能提取和挖掘等方面发展前景巨大。     

Agricultural remote sensing big data: Management and applications

Big data with its vast volume and complexity is increasingly concerned, developed and used for all professions and trades. Remote sensing, as one of the sources for big data, is generating earth-observation data and analysis results daily from the platforms of satellites, manned/unmanned aircrafts, and ground-based structures. Agricultural remote sensing is one of the backbone technologies for precision agriculture, which considers within-field variability for site-specific management instead of uniform management as in traditional agriculture. The key of agricultural remote sensing is, with global positioning data and geographic information, to produce spatially-varied data for subsequent precision agricultural operations. Agricultural remote sensing data, as general remote sensing data, have all characteristics of big data. The acquisition, processing, storage, analysis and visualization of agricultural remote sensing big data are critical to the success of precision agriculture. This paper overviews available remote sensing data resources, recent development of technologies for remote sensing big data management, and remote sensing data processing and management for precision agriculture. A five-layer-fifteen-level (FLFL) satellite remote sensing data management structure is described and adapted to create a more appropriate four-layer-twelve-level (FLTL) remote sensing data management structure for management and applications of agricultural remote sensing big data for precision agriculture where the sensors are typically on high-resolution satellites, manned aircrafts, unmanned aerial vehicles and ground-based structures. The FLTL structure is the management and application framework of agricultural remote sensing big data for precision agriculture and local farm studies, which outlooks the future coordination of remote sensing big data management and applications at local regional and farm scale.     

遥感技术在农业科技服务领域的应用

【目的】遥感技术具有大范围、周期性获取地表信息的特点,被广泛应用于农业作物面积制图、农作物长势监测与产量估计和农情监测等农业生产和管理的各个环节。【方法】在阐述了地块级、业务化的农业遥感服务概念和内容的基础上,分析了国内外地块级、业务化的农业遥感服务现状。【结果】由于中国实行农民联产承包责任制,地块较为破碎,管理较为精细,对地块级遥感监测的需求不大等原因,使得中国地块级、业务化的农业遥感服务尚处于起步阶段。【结论】随着中国逐步推广农村土地流转,实施大范围的机械化农业,业务化、精细化的农业遥感监测具有广阔的前景。     

深度学习在大田种植中的应用及展望

深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。     

农业病虫害监测中高光谱遥感技术应用研究

农作物病虫害监测是有害生物综合防治必不可少的环节之一。本文首先在阐述高光谱遥感监测农作物病虫害原理的基础上,对高光谱遥感技术近年来在农业病虫害防治中的应用进行了归纳总结,按主要大宗作物种类进行分类,体现了高光谱遥感在植保领域中广阔的应用前景。最后,对该技术在农业病虫害领域的应用前景进行了展望。     

EOS—MODIS数据农业应用进展及前景

遥感作为一种空间探测技术在农业上发挥着重要作用。EOS—MODIS卫星的发射为农业遥感提供了又一个重要的信息源。本文分析了MODIS的数据背景、特点及其在农作物估产、干旱及病虫害监测、秸秆焚烧监测等领域的应用状况,并对MODIS数据在农业应用中存在的问题及前景进行了分析。     

松嫩平原农情遥感监测系统的设计与实现

利用MATLAB语言进行可视化设计出松嫩平原农情遥感监测系统,客观地对松嫩平原农作物生长状况的历史数据进行评估和实时监控。松嫩平原农情遥感监测系统主要功能为农作物长势监测(NDVI、VCI、MVCI、RMNDVI、RPNDVI)和自动化提取农作物(玉米、水稻、大豆)等松嫩平原重要粮食作物遥感信息,同时对3类地表(湿地、林地、草地)等分类。该监测系统解决了松嫩平原植被遥感信息提取研究中需要处理大量影像数据的问题,为未来研究松嫩平原植被特征变化和规律提供了非常好的技术支持;也可以应用于其他区域和影像数据研究中,具有稳定性好、处理数据速度快、分类精确度高的特点。     

作物生长模型（CropGrow）研究进展

农业信息技术是基于信息技术与农业科学的交叉融合而形成的新兴技术,催生了数字农业和智慧农业的快速发展。作物生长模型作为其核心内容之一,可以动态模拟作物生长发育过程及其与气候因子、土壤特性和管理技术之间的关系,从而有效克服传统农业生产管理研究中较强的时空局限性,为不同条件下的作物生产力预测预警与效应评估等提供量化工具。本文重点介绍笔者团队在作物生长模型的构建与应用方面形成的总体技术方法、最新研究进展及未来发展思考。通过20多年系统深入的探索和实践,本团队以小麦、水稻等作物为主要对象,以“生理机制解析-模型算法构建-生产力动态预测-效应定量评估-模拟平台研发”为主线,综合运用系统分析、动态建模、虚拟现实、情景模拟及决策支持等方法,开展了作物生长模型CropGrow的构建与应用研究。首先,利用系统分析方法与动态建模技术,构建了机理性与预测性兼备的综合性作物生长模型（CropGrow）,包括阶段发育与物候期、器官发生与建成、光合生产与物质积累、同化物分配与产量品质形成、养分动态、水分平衡以及作物三维形态建成与虚拟显示等子模型,可数字化、可视化表征不同条件下作物生长发育与生产力形成过程;然后,结合地理信息系统（GIS）和遥感（RS）技术,构建了基于模型、GIS和RS有效耦合的区域作物生产力预测技术;进一步量化了气候变化、品种更新、土壤改良、措施优化对区域作物生产力形成的影响,拓展了适宜方案生成、理想品种设计、气候效应评估、耕地利用评价以及农业政策制定等应用技术;最后,运用构件化程序设计思想,基于作物生产数据库、作物模型构件库等,集成开发了基于模型的数字化、可视化作物生长模拟系统与决策支持平台,实现了数据管理、参数优化、生长模拟、遥感耦合、区域预测、方案设计、效应评估、安全预警、产品发布等综合功能。未来作物模拟研究将在完善基础数据库的基础上,进一步提升预测能力、量化基因效应、拓展智能决策、耦合多功能模型等,为粮食生产的预测预警、情景效应的量化评估、生产管理的智能决策、作物品种的优化设计等提供数字化支撑,对于保障国家粮食安全和推进数字农业发展具有重要意义。     

基于RS和GIS的神府矿区水土流失分级研究

针对常规水土流失监测方法的不足,将TM遥感影像与GIS相结合,探讨其在水土流失定量分级监测及评价中的应用,提出了以更适合煤矿区实际情况的植被覆盖度、土地利用结构、坡度和矿山开发程度作为主导因子的数学模型。在各因子信息提取和分级定标的基础上,在ArcGIS下经量化编码、空间分析,得到土壤侵蚀强度分级数据。     

基于Bi-LSTM模型的时间序列遥感作物分类研究

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例,以哨兵2号全年可用卫星影像为数据源,构建年时间序列NDVI数据集;采用循环神经网络构架,搭建针对结构化时序数据的双向长短期记忆网络模型（bidirectional long short-term memory,Bi-LSTM）,开展遥感作物分类,并评估模型的泛化能力;通过输入不同长度时间序列遥感数据,探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力,基于年时间序列NDVI数据的Bi-LSTM模型作物分类总体准确率达90.9%,Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现,对大多数作物来说,其分类精度随着数据时间序列长度增加而不断提高,冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征,因而利用生长季早期的时间序列影像即可获得较高的制图精度,而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆;双向循环神经网络模型能够同时考虑前向和后向的时间状态信息,可以学习作物不同阶段的光谱变化特征,在水稻、棉花、春玉米等易混淆作物的识别上表现优异;模型能够有效地把握样本总体上的变化趋势,在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列,为及时、快速的区域作物高精度制图提供了可行的思路。     

河南省农科院农业信息化技术研究进展与发展方向

概述了近10年来河南省农科院围绕农业信息化的关键技术及应用,在作物模型与栽培模拟优化决策系统、农业管理信息系统开发、农业遥感监测应用、农田信息化和农业信息化理论等方面所取得的研究成果,提出了近中期的重点研究方向:开展适合河南省小规模经营特点的精准农业相关理论及关键技术研究。     

从作物轮作角度评价华南典型赤红壤农区耕地质量空间差异

为从作物轮作角度分析华南典型赤红壤农区耕地质量空间差异,针对华南典型赤红壤农区构建作物轮作系统遥感分类体系,基于空间分析、文献支持、野外实地调查、农户访谈与专家知识,建立不同作物轮作系统与耕地质量等级之间的关联关系;基于Sentinel-1与Sentinel-2时间序列遥感数据、利用决策树制图方法,开展作物轮作系统遥感制图,并在不同空间尺度分析耕地质量空间差异与规律。结果表明,作物轮作系统与耕地质量之间存在关联关系,总体而言,水田轮作系统由于化肥投入较低、对土壤干扰较小、长时间被水面覆盖,不易引起土壤酸化等耕地质量问题,耕地质量等级较高;蔬菜、果园系统由于化肥投入较高,耕地质量一般较低,具体表现为土壤酸化、土壤重金属污染等问题。研究区蔬菜轮作系统比例最高,其次为果园系统。研究区耕地质量总体一般,主要为三等地,呈现出明显的空间分异。本研究初步探明作物轮作与耕地质量的关联关系,并将作物轮作遥感制图结果应用于耕地质量空间差异研究,由于耕地质量特征较难直接通过遥感反演获取,通过监测地表作物种植情况进而反演耕地质量具有理论可行性,未来有必要深入解析作物轮作、地形地貌、气象水文等要素与耕地质量的关联关系,构建大数据驱动的耕地质量时空差异评估技术体系,支撑跨尺度耕地质量监测与评价研究。     

作物环境胁迫高光谱遥感监测研究进展

作物环境胁迫频发不仅严重影响区域粮食生产和生态安全,还威胁社会经济稳定和可持续发展,高光谱遥感可实时、准确监测作物环境胁迫,与传统监测方法相比具有较大优势。首先阐述了高光谱遥感监测作物环境胁迫的理论基础,重点从基于光谱响应特征的直接监测、基于农学参数和生理信息反演的间接监测两方面,概述了高光谱遥感在监测作物病虫害、水分胁迫方面的研究进展。在此基础上,提出了目前该技术在作物环境胁迫监测应用领域的不足,如光谱响应特征的专属性认识不足、反演模型的精度及普适性较低、数据使用受到限制等,并讨论了高光谱遥感在作物环境胁迫监测方面的发展方向,旨在为农作物环境胁迫监测及预警提供参考。     

An adaptive Mealy machine model for monitoring crop status

Variation in phenological stage is the major nonlinearity in monitoring,modeling and various estimations of agricultural systems. Indices are used as a common means of evaluating agricultural monitoring data from remote sensing and terrestrial observation systems,and many of these indices have linear characteristics. The analysis of and relationships between indices are dependent on the type of plant,but they are also highly variable with respect to its phenological stage. For this reason,variations in the phenological stage affect the performance of spatiotemporal crop status monitoring. We hereby propose an adaptive event-triggered model for monitoring crop status based on remote sensing data and terrestrial observations. In the proposed model,the estimation of phenological stage is a part of predicting crop status,and spatially distributed remote sensing parameters and temporal terrestrial monitoring data are used together as inputs in a state space system model. The temporal data are segmented with respect to the phenological stage-oriented timing of the spatial data,so instead of a generalized discrete state space model,we used logical states combined with analog inputs and adaptive trigger functions,as in the case of a Mealy machine model. This provides the necessary nonlinearity for the state transitions. The results showed that observation parameters have considerably greater significance in crop status monitoring with respect to conventional agricultural data fusion techniques.