利用MODIS遥感数据监测冬小麦种植面积

冬小麦是中国最主要的粮食作物之一,利用遥感技术进行冬小麦种植面积监测是粮食安全的核心内容之一。美国1999年发射的TERRA卫星上携带的中分辨率成像光谱仪（MODIs）具有独特的光谱、时相和空间分辨率,为大范围的冬小麦种植面积监测提供了可靠的数据源。但中国耕地破碎,即使是250m分辨率的MODIS数据,采用传统的信息提取方法依然无法取得高的精度。因此结合多源遥感数据和GIS数据,建立了基于TERRA／MODIS数据的冬小麦种植面积遥感监测体系结构。首先利用IKONOS米级高分辨率遥感影像提取试验样区的地块图,用以指导野外采样工作;其次,在采样工作基础上,利用LANDSAT进行区域冬小麦种植面积提取;最后利用2002年TERRA／MODIS时间序列数据的混合像元线性分解模型进行河南省冬小麦种植面积的遥感监测,监测结果与国家统计数据相比,相对误差为5．25％,精度能满足农情监测的需要。研究结果为中国冬小麦种植面积遥感监测提供了一种业务化工作方法。     

应用线性混合模型遥感监测冬小麦种植面积

中分辨率成像光谱仪（MODIS）具有多光谱、多时相以及免费接收使用的优势。该文利用冬小麦返青期间的MODIS多光谱数据,采用传统的监督分类和阈值方法研究冬小麦种植区域的分布情况,同时针对遥感像元多为混合像元的特点,重点将线性混合像元分解技术应用于冬小麦种植面积的分解计算研究。比较不同分类方法对冬小麦种植面积估算的精度分析表明,采用线性混合分解模型,绝大部分（98.45%）的均方根误差都小于0.01,对比实际冬小麦种植面积数据,相对误差约3%,明显优于传统遥感分类方法的精度。     

利用遥感监测亚像元分解遗传算法估算森林火灾面积

牛顿迭代法是林火亚像元分解的常用算法,但其火区面积计算精度取决于背景温度的估算精度,遗传算法具有全局寻优能力,本文尝试以火区面积百分比Af、火区温度Tf、背景温度Tbg为优化变量,采用RAGA遗传算法对林火亚像元辐射率平衡方程全局寻优求解。结果表明：用RAGA遗传算法比牛顿迭代法计算的结果更符合实际,迭代误差低2个数量级,用此方法对2005年四川省木里县三处森林火灾某时刻燃烧区面积进行估算,其结果对火情通报和火灾扑救工作具有重要的参考价值。     

面向对象的冬小麦种植面积遥感估算研究

种植面积的遥感估算是冬小麦遥感估产的重要基础性工作之一。该文主要的研究内容是基于Landsat ETM+遥感影像,利用面向对象的分类方法提取山东省桓台县冬小麦种植面积。以山东省桓台县为例,选择Landsat ETM+ L1G遥感影像,通过影像分割和基于知识的面向对象的分类方法准确地提取研究区冬小麦面积。以乡镇为单位将其结果同统计年鉴数据对比分析,误差最大的是果里镇,误差在95 hm2,整个研究区的提取误差是-111 hm2,能够满足实际应用的需求。     

基于结构规模的冬小麦种植面积遥感抽样估算

在种植结构复杂地区,由于受到混合像元和同期作物的影响,传统的以规模为分层标志进行冬小麦种植面积遥感估算难以保证抽样效率和精度。该文综合考虑混合像元、同期作物的影响,构建了结构规模指标进行冬小麦种植面积遥感抽样估算。采用TM和QuickBird为研究数据,设计不同的抽样方案估算冬小麦的种植面积,计算标准误差、准确度和变异系数衡量估算精度,与传统简单随机、规模指标分层抽样进行对比分析,验证本文方法的有效性。试验结果表明,以结构规模指标分层抽样的反推结果在各项指标上均明显优于传统简单随机、规模指标分层抽样方式,尤其在小样本量时,标准误差降低2.0×105m2,准确度提升了1%。该研究结果为在大范围种植结构复杂地区进行冬小麦种植面积遥感估算的改进提供了试验依据。     

田间作物杂草识别的最优遥感测量尺度

遥感分类识别精度受测量尺度的制约。为克服现有最优测量尺度选择方法存在的问题,该文提出一种基于光谱角匹配的最优测量尺度选择方法。该方法将每个像元的光谱看作其所属地物类别参考光谱叠加混合像元与光谱变异性的净效应的总和,计算不同空间分辨率下像元光谱与其所属地物类别参考光谱的光谱角,用以衡量混合像元与光谱变异性净效应的大小,当光谱角最小时说明混合像元与光谱变异性的净效应最小,此时的遥感测量尺度即为最优尺度,并在1幅实例数据中实现了该方法,利用基于光谱角匹配的尺度选择方法得到了最优遥感测量尺度,通过试验证明在该尺度下进行分类识别时精度优于比其更大或更小的尺度,验证了本研究提出的最优空间分辨率选择方法的可靠性。将该实例数据中的目标地理实体对象化,从理论上分析了目标对象的面积和形状指数与最优遥感测量尺度之间的关系。该研究为田间作物杂草遥感识别提供了一种有效的最优测量尺度选择方法,可为当前变量作业中田间数据获取工作提供参考,对于推动遥感测量尺度选择研究也具有积极意义。     

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。     

基于NDVI加权指数的冬小麦种植面积遥感监测

该文针对农业信息服务中冬小麦种植面积调查业务的现状与需求,提出了一种基于NDVI（normal difference vegetation index）时间序列的冬小麦NDVI加权指数（WNDVI,weighted NDVI index）影像算法,可在训练样本、验证样本选择的基础上实现冬小麦面积的自动提取,并以河北省安平县及周边地区2013－2014年度冬小麦面积提取为例,采用GF-1/WFV（wide field view）数据进行了算法实现。算法的主要思路是在时序影像基础上,通过冬小麦NDVI加权指数影像的构建,扩大冬小麦地类与其他地类的差异,结合自适应的阈值获取方法,区分冬小麦地类,获取冬小麦作物面积。算法包括冬小麦时间序列影像的获取、基于网格的样本点设置、构建冬小麦 NDVI 加权指数影像、迭代确定冬小麦NDVI加权指数提取阈值、精度验证这5个部分。影像的获取根据冬小麦的生长时间确定,保证每月1景GF-1/WFV无云影像,并进行预处理及NDVI计算;同时将研究区划分为一定数量的网格,每个网格再等分为2×2个子网格,根据目视解译、专家知识、实地调查等方法,确定左上网格中心点及右下网格中心点的地物类型。统计该期所有左上网格点冬小麦及其他地物的NDVI均值,冬小麦NDVI大于其他地物的将该期影像的权值设置为1,否则设置为?1,将所有时相NDVI影像进行加权平均,即可获取冬小麦NDVI加权指数影像。获取冬小麦NDVI加权指数影像后,还需设置合适的阈值提取冬小麦。该文选用右下网格点目视解译分类结果作为阈值提取依据,具体方法是将冬小麦指数从小到大按照一定间隔划分,作为冬小麦 NDVI 加权指数提取阈值,将各阈值二值法运用,与右下网格点的冬小麦提取的目视解译结果对比,精度最高的就是最优冬小麦 NDVI 加权指数分割阈值。在所有网格中,以初始识别获取的冬小麦面积为准,等概率选择10个样方作为精度验证样方进行验证。精度验证结果表明分类总体精度达到94.4%,Kappa系数达0.88。该文通过构建冬小麦NDVI加权指数,将比较复杂的多个参数转换为一个参数,并且农学意义明确,相比传统的NDVI时序影像进行冬小麦面积的提取,具有自动化程度高、面积提取精度高、分类结果稳定的特点,已经在全国农作物面积遥感监测业务中进行了应用。     

基于地块尺度多时相遥感影像的冬小麦种植面积提取

针对仅利用单一遥感影像数据获取农作物信息精度不够问题,该文选择冬小麦主产地河南省兰考县乡镇作为研究区,以2017年多时相中分辨率Landsat8 OLI影像和Google earth上下载的亚米级高分影像为遥感数据源,结合光谱差异和农田地块信息实现冬小麦的精确提取。该算法首先构建不同时相决策树模型,分别实现2个时相的冬小麦区域初步提取;其次通过将对高分影像多尺度分割产生的地块信息分别与2个时相冬小麦播种面积初步区域相互叠加,完成地块单元控制下的冬小麦播种面积分地块统计,并通过设定不同统计阈值,分析落在每一地块单元下的冬小麦区域,生成基于地块单元的冬小麦播种面积分布图;最后通过多时相交叉验证,获取最终冬小麦播种区域。结果表明：该方法能更加准确提取冬小麦种植面积,保持较低的误判率（1.3%）水平下,得到较高的提取正确率（95.9%）,较通过对比单一Google earth高分辨率影像获取冬小麦精度（85.6%）高,该研究对通过融合多源多时相影像数据获取农作物提供参考。     

USLE模型中植被覆盖因子的遥感数据定量估算

植被具有截留降雨、减缓径流、保土固土等功能 ,对水土流失起着决定性的作用 ,植被盖度的大小直接影响着水土流失程度的强弱。植被因子是通用水土流失方程 (USLE)中的重要影响因素。选择相适应的卫星遥感时间和空间分辨率ETM数据可以提取植被盖度参数。一般说来 ,归一化植被指数Ic比较真实地表现了影像数据上植被的分布 ,但是Ic 仅仅定性地反映了植被盖度的相对大小 ,要想量化植被盖度还必须进行野外采样 ,样方与影像Ic 作回归统计分析 ,建立经验公式 ,最终反演植被覆盖度。这种方法不仅耗费大量的人力物力 ,而且不利于大区域土壤侵蚀的监控和预测。针对这个问题提出利用线性混合像元分解的方法对影像逐个像元中的植被盖度进行计算和提取 ,提高了模型中植被盖度因子的精度 ,降低研究成本 ,进而可以快速地进行土壤侵蚀量变化动态监测     

基于InVEST模型的伊洛河流域水源涵养能力评估

水源涵养是生态系统最重要的服务功能之一,黄河流域生态保护和高质量发展规划纲要强调聚焦重点区域,恢复重要生态系统,对强化水源涵养能力提出了新的要求。收集并分析伊洛河流域1975-2019年的气象及下垫面资料,采用InVEST模型产水模块计算1975-2019年伊洛河流域每5年1期共9个时段的产水量,采用流速系数、土壤饱和导水率等对产水量进行修正,估算流域的水源涵养量,具体分析伊洛河流域降水、产水与水源涵养的特征及其相关关系。结果表明:1975-2019年,伊洛河流域多年平均水源涵养量为11.3 mm,多年平均产水量为143.2 mm,产水量及水源涵养量整体呈现先增后减的变化趋势,在1980-1984年达到峰值;流域水源涵养能力空间分布特征为上游植被丰富、土石山区水源涵养能力强,中下游相对较弱;对流域气象要素单相关及复相关分析,水源涵养能力与降水显著正相关,与参考作物蒸散发相关性不显著;流域内土地利用变化在一定程度上影响水源涵养能力空间分布,上游水源涵养高值区及退耕还林还草区受影响显著。研究结果可为相似流域水源涵养能力的评估提供参考。     

基于改进N-FINDR算法的华北平原冬小麦面积提取

为了解决MODIS数据中普遍存在的混合像元问题,该文利用2008年和2009年多时相的MODIS13Q1影像,以经过优化的N-FINDR算法进行线性混合像元分解提取冬小麦种植面积,各省的误差均控制在正负4%左右。利用同期多时相的HJ-1星分类数据作为参考值,在试验区域选择14个均匀分布的样区验证混合像元分解结果。结果显示6个样区的相对误差在10%以内,其余8个样区的误差基本在15%左右。该研究可为冬小麦种植面积的监测提供参考。     

作物遥感识别中的数据挖掘技术

该文综述了数据挖掘技术应用在图像分类方面的各种方法,介绍了每种方法的优缺点、适用领域及应用情况。介绍了将数据挖掘技术应用于图像分类方面以有效解决当前作物遥感识别中的瓶颈问题。对当前作物遥感识别系统在数据源的使用、识别过程的规范和方法的实用性方面的问题进行了分析,展望了作物遥感识别中的数据挖掘技术研究发展方向。     

锡林河流域长时间序列蒸散量遥感监测及其相关因子

蒸散的准确估算对于草地干旱监测、水资源分布及利用等具有重要的参考价值。选择锡林河流域为研究区,基于地表能量平衡原理,利用遥感方法对2000—2014年每年7月、2000年、2007年、2010—2014年每年4—9月的MODIS影像数据进行处理,结合同期气象资料估算出流域日蒸散量,按所占日数加权得到月蒸散量。运用FAO推荐式进行了验证,平均相对误差为16.678%,在误差允许范围之内,说明该遥感方法有一定的可用性。结果表明,在时间分布上,2000—2014年这15年流域蒸散量的时间变化没有固定的趋向,基本与各年7月份降水量的趋势相一致,一年中蒸散量的最大值主要出现在6—7月份。将月蒸散量与月日均气温、风速、大气相对湿度、水汽压和月降水量作了单因子相关分析,表明,与蒸散量最为相关的气象因子是降水量,说明降水量是影响蒸散量大小的主要限制因子;由于气温季节变化明显,因此气温也是影响蒸散量的主要因子,但在每年的同一时间段(如7月),气温变化不明显时,气温就不再是影响蒸散量大小的主要因子了。     

基于高光谱影像分解的土壤含水量反演技术

植被和土壤常同时存在于影像像元中,土壤含水量监测不可避免地会受植被光谱影响。因此,剔除植被光谱干扰显得尤为重要。采用基于光谱匹配的分解算法对Hyperion高光谱数据进行分解,剔除植被光谱的干扰,同时对土壤贡献的光谱信息进行一阶微分和包络线去除变换,选取敏感波段,建立土壤含水量反演模型。结果表明：以波段X661,× 1019和X2067的土壤包络线去除光谱为自变量建立的模型最佳,预测R2值为0.85;未剔除植被光谱时,以波段X541,X979和X1632的一阶微分光谱为自变量建立的模型最佳,预测R2值仅为0.36。通过高光谱影像分解剔除植被光谱干扰估测土壤含水量的方法是可行的,可为今后遥感估测土壤含水量的研究提供参考。     

玛纳斯河流域土壤盐渍化时空动态变化

土壤盐渍化是土地荒漠化的重要方式之一,研究土壤盐渍化时空动态变化对土地管理利用具有重要意义。以玛纳斯河流域为研究区,采用1975年、1990年、2000年、2014年4期遥感影像为数据源,结合野外调查分析,分别提取了玛纳斯河流域土壤盐渍化信息,运用统计和空间分析方法对研究区近40 a的土壤盐渍化时空动态变化进行研究,并对引起其变化的驱动因子进行了分析。结果表明:（1）近40年玛纳斯河流域土壤受不同程度盐渍化侵扰复杂变化,总体呈逐渐减轻的趋势,其中重度盐渍化减少了2 369.4 km²,中度盐渍化处于稳定波动状态,轻度盐渍化增加了1 408.0 km²,耕地面积增加了3 443.5 km²;（2）玛纳斯河流域土壤盐渍化在空间上分布具有明显的区域性,其中重度、中度盐渍化主要分布在中游水库周围以及下游与古尔班通古特沙漠的过渡带,轻度盐渍化与耕地镶嵌分布;（3）玛纳斯河流域土壤盐渍化1975—1990年在空间总体变化上呈加重的趋势;1990—2000年在空间分布上呈减轻的趋势;2000—2014年又出现大面积的恶化趋势;（4）政策实施以及经济刺激是推动土壤盐渍化治理的有效措施。随着全球气候变暖,耕地面积的不断扩大,水资源利用的不合理,这将势必增加土壤盐渍化的不确定性。     

棉花遥感识别的混合像元分解

为了进一步提高棉花遥感识别精度,以新疆玛纳斯县为研究区,运用线性光谱混合模型（LSMM）,对TM遥感数据的混合像元分解技术与方法进行了研究。将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下,用最小二乘法估计混合系数,得到每种地物类型的丰度及RMS误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明：线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。     

基于MODIS遥感数据计算无定河流域日蒸散

为研究无定河流域日蒸散分布规律,应用遥感数据、农业气象站测量数据及Nishida模型等对该流域日蒸散进行了模拟。首先用2001～2002年晴天中国科学院禹城生态试验站Lysimeter测量日蒸散验证模型,模拟与测量的日蒸散相关系数达到0.61。随后,用该模型计算了无定河流域日蒸散,发现无定河流域日蒸散存在较为明显的空间分布规律：2001～2003年连续3年的8月份日蒸散都表现为东北部蒸散明显小于西南部,这是因为东北部基本是荒漠而东南部多是农田,且8月份日蒸散基本在2～5 mm之间变化;从2001年8月份第222 d日蒸散空间分布看,无定河主干道两边蒸散显著高于其他位置,这是由于8月份无定河流域为多雨季节,河谷土壤水分较高的缘故;从2002年内变化来看,不同的土地利用/覆被类型日平均蒸散差别不显著。     

水田化进程下挠力河流域耕地时空变化特征

以三江平原腹地挠力河流域为研究区,基于1990年、2002年、2013年3期遥感数据分析了该地区水田化进程中耕地时空变化特征,为耕地资源的利用与开发提供依据。结果表明:20多年间流域耕地呈现不稳定增长态势,旱地和水田的变化趋势与耕地综合变化趋势不完全一致;1990—2002年旱地变化幅度小,水田变化幅度大,2002—2013年旱地面积比例由44.57%下降至42.24%,水田继续保持增长趋势,但增长速度明显放缓;耕地转入上,流域耕地子类型的内部转换发生明显。旱地主要转入用地类型为未利用地、水田和林地,水田主要转入用地类型为旱地。耕地转出上,1990—2002年流域的旱地水田流出以耕地内部转换为主,2002—2013年旱地和水田的转出与1990—2002年转换趋势基本保持一致。     

韩江上游水土流失现状遥感分析

韩江上游是我国南方红壤区水土流失较严重的典型区域,需要摸清该区域的水土流失状况,为水土流失综合防治决策提供依据。本文以2008年10m分辨率的Alos多光谱遥感影像为数据源,采用人机交互解译方法,对韩江上游水土流失现状进行了遥感分析,结果表明：韩江上游土地利用以林地和耕地为主,植被覆盖状况良好,但地形陡峭,水土流失面积达5102．56km2,侵蚀强度以轻度为主,主要分布于广东境内梅江及其支流两岸五华、梅县、兴宁和平远县的山丘区,以及福建境内汀江流域上中游上杭、长汀、武平和永定县的山丘区。