基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取

为解决岭南地区作物制图中光学影像时空覆盖缺失以及作物种植结构复杂导致不确定性高等问题,以满足对高精度作物制图日益迫切的应用需求。该研究提出了一种基于Sentinel-1的双极化时间序列和作物物候信息建立时空维度典型物候特征的作物分类方法,选择广州市南沙区为试验区,通过XGBoost机器学习算法,实现了田块尺度下的不同作物类型的准确识别及种植面积的精细提取。结果表明：1）相比像素时序特征分类结果,经过雷达时空滤波后的田块时序特征分类方法不仅能有效抑制合成孔径雷达（Synthetic Aperture Radar,SAR）影像斑点噪声产生,而且总体分类精度和Kappa系数分别提高了12.5个百分点、0.19;2）与仅基于Sentinel-1(VV+VH)时空滤波后的全年时序特征分类方法相比,在分类过程中添加物候特征变量的方法表现出更高的精度,Kappa系数可达0.91,甘蔗和香蕉播种面积提取精度分别达到82.04%和71.01%。研究结果表明中高分辨率SAR影像（10 m×10 m）时间序列结合XGBoost算法和雷达数据时空滤波策略可实现区域作物准确识别及种植面积提取,同时,可从数据源与分类方法上为岭南地区农业遥感应用提供思路,对该地区农业灾害管理和灾后救助具有重要参考价值。     

地块尺度的复杂种植区作物遥感精细分类

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。     

作物需水时空尺度特征研究进展

受气象、土壤和种植条件等客观条件的影响,作物需水时空尺度分布具有明显的时空异质性,致使作物需水的理论和模型具有高度的尺度依赖性。基于此,该文对作物需水时空尺度特征的计算方法及其运用情况作了详细的阐述,并建议在今后作物需水时空尺度特征的进一步研究中,应以试验数据为基础,运用分形、小波、信息熵等复杂性理论,研究作物需水的时空尺度特征,发展既有理论基础又便于应用的区域尺度的作物需水量估算新模式。     

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。     

地块尺度下基于多源卫星遥感数据的粮食作物识别

开展粮食作物监测对于国家粮食安全具有重要意义。在传统像元尺度下,利用单一遥感数据进行粮食作物监测,识别精度往往较低,提取的作物地块破碎,难以满足应用需求。为此,该研究以山东省青岛市黄岛区为研究区,提出了一套地块尺度下综合多源卫星遥感数据（包括高分辨率数据、多时相数据、高光谱数据）与土地利用调查矢量数据的粮食作物信息识别方法。首先,对高分辨率数据进行分割获取耕地地块矢量数据;其次,基于多源卫星遥感数据提取地块级时空谱特征;再次,利用样本数据计算特征类间可分性,并进行特征优选;最后,构建基于二次多项式支持向量机的主要粮食作物（春玉米）识别方法。结果表明：1）该研究所提的方法可以有效进行粮食作物信息识别,基于地块数统计的识别精度为89.7%;2）利用光谱特征、植被指数、纹理特征组合得到的识别结果精度最优,基于像元数统计的精度为97.1%,与传统方法相比提高了24.2个百分点,且提取的地块信息更完整。该研究成果可支持粮食作物种植用地的调查与监测,也可为耕地非粮化时空演变与分析提供新的思路。     

北京市参考作物蒸散量的时空分布特征

利用北京市各气象站点的长期观测资料，使用FAO推荐的Penman-Monteith法，计算了各站点逐月参考作物蒸散量ET0。在此基础上使用插值生成ET0的灰度分布图与等值线图，分析了ET0的时空分布特征。研究结果发现，北京市ET0分布具有2个常年稳定的低蒸发中心及多个随季节变化的高蒸发中心。区域内海拔高度与地形变化造成地表温度和热量平衡变化是导致ET0时空变化特征的主导因素；风速、日照时数和相对湿度等气象因素及其综合作用对ET0也有较大的影响。     

基于遥感的华北平原农作物时空分布变化特征分析

作物种植面积的多年时空变化是进行农业结构调整和优化的基础,也是开展农业减灾、地下水保护的重要依据。为了解华北平原主要作物近年来种植面积的时空变化过程,本文基于2000—2013年的MODIS NDVI数据和TM/ETM遥感数据提取当地主要作物的种植面积,并分析了华北平原主要作物近年来的时空变化特征。结果表明:1基于MODIS NDVI数据和TM/ETM遥感数据提取当地主要作物的种植面积,提取精度较高,结果可靠;2冬小麦?夏玉米主要分布于太行山前平原、山东省和河南省的引黄河灌区,单季玉米在河北平原北部分布最广,水稻集中分布于天津、河北唐山地区和黄河沿岸,蔬菜主要分布在城市郊区,林果分散分布于几个产果区和京津周边地区,棉花主要集中于华北平原中部地区。3华北平原粮食作物(小麦、玉米和水稻)种植面积明显下降,经济作物(林果和蔬菜)则显著增加,其中林果、蔬菜和水稻的面积变化率较大,分别为56.45%、35.76%和23.16%,蔬菜和水稻的位置转移明显。4景观格局AWMPFD和SHEI指数值表明,河北平原以南的冬小麦?夏玉米种植规模化程度提高,豫北地区冬小麦?夏玉米种植面积增加,豫北以北地区由于各类经济作物种植面积增加,区域作物种植多样化指数增加。该结果可为农业种植结构调整、资源合理利用提供参考。     

基于地块级时序遥感的喀斯特石漠化地区撂荒地时空演变

撂荒地在全球呈扩散趋势,传统的调查方法已无法满足及时、精确掌握撂荒情况的需求。针对喀斯特石漠化耕地的撂荒因光学影像的不足和严重的混合像元不易精确识别和提取,以贵州省息烽县为例,运用高精度影像精确识别提取耕地地块,再叠加通过MVC方法计算Landsat数据得到的2003-2018年时序NDVI数据,得到撂荒和复垦时空分布。结果表明:(1)地块和时序NDVI组合能够精准地识别提取撂荒地,该方法对于光学数据缺乏的和耕地破碎的多云雨山区有很好的适用效果;(2)2003-2018年息烽县撂荒地呈随机散点状分布,主要分布在有岩石裸露潜在、轻度、中度石漠化地区,2008年撂荒面积最大2 545.6 hm^2,撂荒率最高7.7%;有7块耕地持续撂荒时间最长12年,有8块地累计撂荒最多15年。(3)2003-2018年息烽县复垦率与撂荒率波动趋势基本一致,复垦率的响应延后1年,较高的石漠化等级负面影响复垦行为。研究结果为喀斯特多云雨山区撂荒地的精准识别提取提供高效、可行的思路和方法,为撂荒地的驱动因子分析、趋势监测和风险评价、效应评估及政策设计提供精确的基础数据。     

基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取

冬小麦播种面积监测是农情遥感的重要研究内容之一,及时、准确地获取冬小麦的播种面积对冬小麦产量估算具有重要的意义。该文在面向对象技术的支持下,首先利用融合的高空间分辨率SPOT5遥感影像提取农田地块专题层信息;然后在专题层控制下对多时相的ETM+遥感数据统一尺度分割,得到不同时相遥感影像相同形状的地块特征基元;通过光谱特征规则集构建不同时相的冬小麦信息提取模型,实现对各个时期冬小麦播种田块对象的提取;最后通过交叉验证,确定最终的冬小麦播种面积。结果表明,该方法能够快速获得冬小麦播种面积,总体精度达到90%以上,基本上能够满足农情遥感监测的需求,为冬小麦种植面积遥感快速监测提供了一种可行的方法。     

阿克苏河灌区作物理论需水量的时空分布特征

[目的]研究阿克苏河灌区作物的理论需水量的时空变化特征,为该区水资源科学管理、高效利用提供理论依据。[方法]基于灌区内1972—2014年6个气象台站的逐日气象观测数据,采用FAO修正的Penman-Monteith模型,计算参考作物蒸发蒸腾量(ET0),进行空间数据的插值分析,对阿克苏河灌区作物的理论需水量特征分别在空间和时间两个维度上进行探讨。[结果](1)阿克苏河灌区多年平均ET0介于1 118~1 241mm之间,呈现中部以北地区较低,西南部、南部地区较高的规律;(2)春季和夏季的ET0最高,5,6,7月的月均ET0合计为533mm,是作物最需要水分补给的重要时段;(3)自20世纪70年代至今,作物年均蒸发蒸腾量呈现逐渐降低的趋势,2010年以后的变化趋势较为显著;(4)灌区各季节及全年的ET0变化均呈现S形曲线分布,至2014年已接近波谷并有抬升趋势。[结论]在气候变化背景下,阿克苏河灌区作物的理论需水量随时间变化显著,春夏季受蒸腾作用影响是需要补水的关键时期,年际变化呈波动抬升趋势;在空间上亦呈现明显地带分异特点,呈南高北低的特征。     

基于GF-1卫星数据的农作物种植面积遥感抽样调查方法

GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星,为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题,该文针对GF-1号卫星数据的特点,研究了基于GF-1号卫星16m WFV传感器和2m/8m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历,选择农作物识别关键期的16m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取;在中分辨率农作物面积遥感分类图基础上,计算研究区域的MORAN I指数,确定格网抽样单元的大小,进行多目标农作物的MPPS(multivariate probability proportional to size)抽样;对抽样单元采用2m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图;最后根据MPPS抽样方法进行总体农作物种植面积的推断,并计算CV值,评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明,GF-1号卫星数据完全可以应用于县级农作物种植面积的提取,农作物种植面积提取精度优于90%。     

利用遥感数据时空融合技术提取水稻种植面积

为解决水稻种植面积提取过程中的数据缺失问题,提出了一种利用遥感数据时空融合技术提取水稻种植面积的方法。该方法从时序MODIS数据中提取地物的时间变化信息,结合早期Landsat-ETM+影像的纹理信息,融合出具有MODIS时间分辨率和ETM+空间分辨率的影像,再利用关键期的高时空分辨率融合影像,利用光谱角分类法进行水稻种植面积的提取。以江苏省南京市江宁区为研究区对该方法进行了测试。结果显示,该方法能够有效的提取水稻种植面积,水稻种植面积提取精度为93%,Kappa系数为0.96。     

遥感与作物生长模型数据同化应用综述

遥感是获取大面积地表信息最有效的手段,在农业资源监测、作物产量预测中发挥着不可替代的重要作用;作物生长模型能够实现单点尺度上作物生长发育的动态模拟,可对作物长势以及产量变化提供内在机理解释。遥感信息和作物生长模型的数据同化有效结合二者优势,在大尺度农业监测与预报上具有巨大的应用潜力。该文系统综述了遥感与作物生长模型的同化研究,概述了遥感与作物生长模型数据同化系统的构建,在归纳国内外研究进展的基础上,总结了当前主流同化方法的特点以及在不同条件下的同化效果。进而具体分析影响同化精度的关键环节,明确了相关科学概念,并相应指出改善精度的策略或者方向。最后从多参数协同、多数据融合、动态预测、多模型耦合以及并行计算环境5个方面展望了遥感与作物生长模型数据同化的未来研究重点和发展趋势,同时结合农业应用现实需求,介绍一种数据同化与集合数值预报结合的应用框架,为大区域、高精度同化研究提供新的思路与借鉴。     

基于作物生长模型和遥感数据同化的区域玉米产量估算

为了将遥感观测到的玉米生长期间作物冠层方向反射波谱的时间序列变化信息用于区域玉米产量估算,该文将时间序列中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)数据和高空间分辨率LandsatTM遥感观测数据相结合,以叶面积指数(LAI)作为耦合作物生长模型(crop environment resource synthesis-Maize,CERES-Maize)和植被冠层反射率模型(scattering by arbitrarily inclined leaves,SAIL)的关键参数,提出了将耦合模型与时间序列遥感观测数据同化进行区域玉米产量估算的方案。该文选择吉林省榆树市为研究区,采用MODIS和LandsatTM2种尺度数据集,利用SCE-UA(shuffled complex evolution method developed at the University of Arizona)算法分别进行玉米产量同化估产研究,得到玉米单产空间分布的估计结果,结合遥感估算的种植面积求算榆树市玉米总产量。结果表明,与玉米统计总产量相比,2007、2008和2009年遥感数据同化估算的总产量误差分别为9.15%、14.99%和8.97%;与仅利用CERES-Maize模型模拟得到的产量误差相比,3a间遥感估算总产量的误差分别减小了7.49%、1.21%和5.23%,且采用MODIS和TM遥感数据估算的玉米产量表现了其空间差异性。利用榆树市3a间玉米产量的明显差异,分析了时序遥感数据对作物长势和产量变化信息的表达能力,同年份内时序归一化差值植被指数越大,对应的玉米产量越高;年际间遥感观测反射率的差异通过数据同化方法能够反映年际间玉米产量差的变化。该文提出的玉米估产方案为将来进一步结合多源遥感数据、植被冠层反射率模型与作物生长模型进行区域玉米估产研究提供了参考。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。     

基于非线性降维时序遥感影像的作物分类

当前基于时序遥感数据的作物分类方法大都需要较多专家知识及人工干预,难以自动化,也难以移植到其他地区。将光谱降维技术用于时序遥感影像分析可以很好地解决这一问题。其中,非线性降维方法已经成功应用于高光谱数据,并且获得了比线性降维方法更好的结果。但是,直接将非线性降维方法用于时序遥感影像无法充分利用其时相维度的信息。该文改进了一种非线性降维算法——Laplacian Eigenmaps(LE)用于时序遥感影像的作物分类,该方法更加关注相同时相下不同作物生长季的物候特征差异,而不再仅依赖于整个生长季的物候曲线轮廓。改进的LE算法被应用于美国伊利诺伊州覆盖作物全生长季的Landsat 8时间序列影像。降维后保留的波段结合随机森林分类器基于美国农业部Cropland Data Layer(CDL)提供的训练数据完成了一系列的分类试验,并与传统插值未降维的方法进行对比。试验结果表明,改进的LE降维方法完成了更高的整体及各个类别的分类精度,其中整体分类精度达到85.37%,该方法作为一种自动化的方法,不需要人工干预,可直接移植到其他研究区,并且只需要较少的训练样本就可以完成一个较高的分类精度,为日后不同尺度的作物识别和提取研究提供了有效的方法。     

基于遥感影像的作物生长监测系统的设计与实现

利用遥感监测技术实时快速地获取作物长势参数和氮素营养状况,可以为作物的精确管理提供决策支持。在已有作物（小麦和水稻）生长监测模型的基础上,采用GDAL和GDI+信息处理方法,使用EM算法对反演的作物长势参数进行聚类分析,在Microsoft .NET平台上构建基于聚类分析和遥感影像的网络化作物生长监测系统。系统具有常见格式遥感影像读取、遥感信息提取、作物长势参数反演、聚类分析、专题图制作以及信息发布等功能,并以江苏省方强农场为案例区,对系统的部分功能进行了测试与检验。结果表明,该系统能够准确的读取遥感影像信息,反演作物生长参数,并可根据聚类分析结果自动制作专题图,通过互联网予以发布,从而初步突破了用户无法直接参与遥感影像分析过程的瓶颈,为区域尺度的作物生长监测和精确管理调控提供了决策支持。     

面向省级农作物种植面积遥感估算的分层方法

针对当前遥感抽样估算中分层标志缺乏遥感识别误差描述的问题,该文探讨了基于农作物遥感识别结果的不同分层方法的抽样效率。以江苏省为研究区,采用2阶段分层,采用数字高程模型(digital elevation model,DEM)标准差进行一阶段分层,在一阶段分层的基础上,分别采用农作物识别种植规模、遥感识别破碎度、种植结构以及种植结构与破碎度指标进行二阶段分层。试验结果表明:种植结构与破碎度指标的分层效率最高,相对效率达到5.90,该分层指标融合了遥感分类结果反演出的种植结构和破碎度,不但能够有效地反映出农作物区域的景观特征,同时也较为合理地反映出区域间作物种植的差异性,为提高省级农作物种植面积遥感抽样估算效率提供有力的参考。