理化复合参数和神经网络结合的冬小麦长势遥感监测

准确、及时地监测区域作物长势状况对农业规划和政策的制定与调整具有重要的意义。遥感技术作为一种收集大面积作物长势信息的有效手段,正日益受到关注。为提高冬小麦长势遥感监测的准确性和全面性,该研究基于田间实测的冬小麦拔节期地上鲜生物量（aboveground fresh biomass,AFB）、叶面积指数（leaf area index,LAI）、叶片叶绿素相对含量（soil and plant analyzer development,SPAD）和叶片氮含量（leaf nitrogen content,LNC）4种生长相关理化参数,利用熵值法获取各参数权重构建冬小麦理化复合参数（physico-chemical composite parameter,PCCP）。利用显著性检验和籽粒产量数据分析复合参数在量化冬小麦长势方面的性能。然后,以Sentinel-2A作为数据源,分析不同遥感指数与LAI、SPAD、AFB、LNC和PCCP的相关性。选取相关性较高的遥感指数作为反向传播（back propagation,BP）人工神经网络（artificial neural networks,ANN）的输入,建立冬小麦长势遥感监测模型,对PCCP进行估计。评价模型精度并用于监测研究区冬小麦长势分布特征。赋权结果表明,作物物理参数的权重大于生化参数,其中LAI的权重最大,为0.387,AFB和SPAD次之,LNC的权重最小,为0.105;PCCP性能评估结果表明,与单一理化参数相比,PCCP值能更好地揭示作物长势状况的差异,其与最终籽粒产量的相关性更好, 决定系数提高0.035～0.468,均方根误差减少46.2～520.0 kg/hm²;在遥感监测过程中,PCCP比单一理化参数有更好的应用潜力,BP-ANN长势遥感监测模型模拟PCCP精度较高,在测试集中决定系数为0.830,均方根误差为0.080;研究区冬小麦总体长势稳定且分布集中,呈现"中部差,南北好"的空间分布特征。因此,构建作物理化复合参数用于量化作物长势是提高长势监测可靠性和准确性的一种有效方式,可为冬小麦田间管理提供科学依据,服务于发展智慧农业和建设农业强国的战略需求。     

基于关键发育期的冬小麦长势遥感监测方法

利用遥感方法识别中国冬小麦关键发育期并基于识别发育期进行长势监测。通过冬小麦主产区271个气象站2005-2010年的农业气象资料和同期MODIS-EVI(增强植被指数)遥感资料,综合分析EVI时间序列与冬小麦返青、抽穗和成熟期的关系,使用最大变化斜率法、窗口转折点法和简单转折点法识别冬小麦关键发育期。然后基于遥感识别抽穗期数据,使用相邻年抽穗期EVI值比较方法对冬小麦2006-2010年长势进行遥感监测。遥感识别冬小麦主要发育期均方根均值为14.61d,平均绝对偏差均值为11.2d;冬小麦遥感长势监测结果显示基于识别抽穗期的遥感长势监测方法监测效果好于传统长势监测方法。     

基于TM和MODIS数据的水旱地冬小麦面积提取和长势监测

采用Mahalanobis Distance分类法提取了冬小麦种植面积,通过搭建决策树结构进行了不同灌溉类型冬小麦种植面积的提取,通过两个年份不同生育时期MODIS-NDVI的比较,分析了NDVI时间曲线与冬小麦长势的响应规律和水旱地冬小麦年同期长势。结果表明：2007年临汾地区冬小麦总种植面积为234778.5 hm2,提取精度为96.96%,其中水地种植面积为107488.3 hm2,提取精度为86.15%,旱地冬小麦为127290.2 hm2,提取精度为86.16%。生育期内,水地冬小麦整体长势好于旱地冬小麦,通过NDVI变化斜率比较,表明随着生育期的推进,水地冬小麦NDVI达到峰值前的上升速度远大于旱地冬小麦,峰值后水地冬小麦NDVI下降速度小于旱地冬小麦。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

变量施肥条件下冬小麦长势及品质变异遥感监测

卫星遥感数据能够在作物生长期内获取大范围“面状”地物光谱信息,反映作物的长势变异情况,以2005－2006年度国家精准农业研究示范基地冬小麦变量施肥试验为基础,以高空间分辨率卫星遥感影像Quickbird为数据源,结合地面获取的冬小麦品质、产量等数据,研究冬小麦长势及品质的变异情况。研究结果表明,Quickbird光谱参数能够反映冬小麦不同施肥处理小区的长势变异,而冬小麦早期的空间长势变异与其最终产量、品质变异有着密切的关系;冬小麦孕穗后期长势光谱信息与其产量有着很好的正相关关系,而与其品质信息存在着显著的负相关关系,其中OSAVI与产量的相关性达到0.536、GNDVI与冬小麦籽粒蛋白质及湿面筋含量的相关性分别达到了-0.531和-0.535;研究还发现,不同植被指数所反映的作物长势存在一定差异,反映冬小麦群体长势的植被参数和反映冬小麦叶绿素密度的植被指数在指示作物空间长势变异上有所不同。因此,利用遥感影像监测作物长势及其品质空间变异在技术上是可行的。     

冬小麦冻害遥感监测

冻害是冬小麦常见自然灾害之一,进行遥感监测具有重要经济意义。过去对作物冻害的遥感监测研究不多。冻害不但与气温有关,也与生育期有关。该文以整个山东省为样区,收集了全省76个气象台站的由1995年3月1日至4月30日逐日最低气温、最低地面温度资料,及此期间气象卫星NOAA-AVHRR的所有晴空数据,共21个时相。根据植被指数NDVI突变的特征,并考虑到作物的生育期,提出了实用的遥感冻害监测方法。这一方法可以及时监测冻害的发生与范围     

农作物长势的定义与遥感监测

监测作物生长过程的状况与趋势,即长势监测是农业遥感更为重要的任务。其目的是：１）为田间管理提供及时的信息;２）早期估计产量。该文以冬小麦为例,根据实地调查与北方数省的资料,用作物的个体与群体特征定义作物长势,讨论了遥感监测的可能性,提出了基于植被指数与植被表面温度的长势遥感监测的评估模型与诊断模型的概念与算法。     

基于TM和PLS的冬小麦籽粒蛋白质含量预测

为进一步提高遥感预测冬小麦籽粒蛋白质含量精度,分析了卫星遥感变量与冬小麦籽粒蛋白质含量间的定量关系,运用偏最小二乘法构建了遥感预测籽粒蛋白质含量模型,制作了冬小麦籽粒蛋白质含量空间等级分布图,结果表明,该模型的最佳主成分数为5,且归一化植被指数、冠层结构不敏感色素指数、比值植被指数、氮反射指数和植被衰减指数为预测籽粒蛋白质含量的敏感变量;籽粒蛋白质含量预测的均方根误差为0.307%,决定系数为0.642,为提高遥感预测小麦品质的精度提供了一种有效途径,有利于大面积应用和推广。     

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。     

MODIS与ETM数据在甘蔗长势遥感监测中的应用

广西是主要糖业生产基地之一,甘蔗的长势和产量作为一种基础信息,对于政府决策、糖业企业经营规模和甘蔗种植户田间管理等方面都具有非常重要的参考价值。本文从遥感监测入手,利用MODIS资料,采用归一化植被指数的方法监测甘蔗长势。同时利用ETM资料的高空间分辨率的优势,采用监督分类方法提取相关的地表特征,排除监测区内非甘蔗用地信息的干扰。ETM和MODIS资料的结合提高了甘蔗长势监测的精度,可为甘蔗估产奠定基础。     

不同生育时期冬小麦叶面积指数高光谱遥感监测模型

高光谱遥感能快速无损获取植被冠层信息,是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型,提高叶面积指数高光谱监测精度,该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数,通过相关分析、回归分析等统计方法,构建不同生育时期冬小麦叶面积指数监测模型。结果表明:不同氮磷水平下,冬小麦叶面积指数随施肥量增加呈递增趋势,随生育时期改变呈抛物线趋势变化;随着氮磷供应量的增加,冠层光谱反射率在可见光波段显著降低2%~5%(P0.05),在近红外波段显著增加4%~10%(P0.05);不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关(P0.01);拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好,决定系数分别为0.952、0.979、0.989、0.960和0.993;以不同年份独立数据验证模型表明,所建预测模型均有较好的验证结果,相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差分别为:0.313、0.336、0.316、0.316、0.324。因此,优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时,叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。     

小麦苗情远程监测与诊断系统

小麦苗生长状况与后期的长势及产量关系密切,且小麦生长过程经历的环境复杂多变,所以对小麦苗期生长状况进行监测与诊断具有重要意义,该文基于远程监控、遥感和WebGIS技术,初步设计构建了小麦苗情远程监测与智能诊断管理系统.该系统通过远程监控技术获取田间现场环境信息,遥感影像数据获取小麦生长信息,并结合专家知识数据库,可对小麦长势、干旱、冻害进行监测与综合分析,并给出诊断方案,进而为小麦的调控管理提供决策和支持.     

基于Landsat TM图像棉花面积提取中线状地物的扣除方法研究

在新疆棉花遥感监测中，发现各种线状地物对TM影像图中的棉花面积提取精度产生影响，直接对图像进行处理和分类这种影响难以消除。经实际调查，新疆某一农场的各种线状地物占到总耕地面积的12．8％。为提高作物面积提取精度，完善农业部全国棉花遥感监测运行系统，进行了线状地物扣除方法的试验研究。阐述了试验研究方法的理论依据、技术路线与实施过程。并经验证可消除绝大部分线状地物对作物面积提取精度产生的影响。     

基于Cokriging插值修正冬小麦面积遥感监测

在研究区内冬小麦种植区选取149个地面样方,筛选样方内反映种植结构、地块破碎程度、地形因素的参数并利用差分GPS测量,对3个参数量化并确定插值的主辅变量。探讨和比较了利用普通克里格和协同克里格2种插值方法对研究区的冬小麦种植面积比例的插值结果。结果表明,相同采样数量下,协同克里格法相对于普通克里格法的均方根误差降低1.48%,预测值与实测值之间的相关系数提高了6.82%,利用COK插值获取研究区内冬小麦种植面积比例分布状况,可以分区域对大尺度冬小麦面积遥感提取结果进行修正。     

基于信息扩散和关键期遥感数据的冬小麦估产模型

农作物估产对于国家制定粮食进出口政策和保障粮食安全具有重要意义。为构建高精度的作物估产模型,探讨了一种将信息扩散原理和关键期遥感数据相结合的农作物遥感估产方法。首先利用信息扩散原理将关键期遥感数据生成的NDVI和实割实测产量数据扩散到多维监控空间,采用模糊合成的方法建立关键期遥感数据和实割实测产量之间的离散关系模型。然后针对模型的稳定性和精度进行交叉验证,并与多元线性回归模型和BP神经网络模型进行对比。结果表明,利用信息扩散方法构建的遥感估产模型稳定性和精度都明显提高,与多元回归方法和BP神经网络方法相比,决定系数分别提高0.180、0.491,均方根误差分别降低173.10、487.79 kg/hm2。该方法能较好地模拟冬小麦遥感估产中归一化植被指数和产量之间的非线性关系,且泛化推广能力优异,为应用关键期遥感数据进行冬小麦估产提供了一种有效方法。     

基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测

籽粒蛋白含量(grain protein content,GPC)是衡量小麦品质的重要指标,及时准确的预测小麦GPC有利于小麦的分类收割和分级存储。为了能够选择一个合适的氮素营养指标作为中间变量来反演小麦GPC,该文研究分别以开花期植株氮素累积量(plant nitrogen accumulation,PNA)、植株氮素含量(plant nitrogen content,PNC)、叶片氮素累积量(leaf nitrogen accumulation,LNA)和叶片氮素含量(leaf nitrogen content,LNC)4个氮素营养指标为中间变量,并运用支持向量机(support vector machines,SVM)算法实现4个氮素营养指标的估测,最后构建及评价基于开花期"植被指数(vegetation index,VI)-氮素营养指标(nitrogen nutrition index,NNI)-GPC"模式的冬小麦GPC预测模型。结果表明:1)通过分析植被指数与氮素营养指标的相关性,选择植被指数MSAVI、PSRI、DVI、RDVI和GNDVI作为氮素营养指标模型的构建变量;2)运用SVM方法构建的VI-NNI模型中LNC的建模精度与验证精度相对最优,其建模决定系数(coefficient of determination,R~2)和验证集标准均方根误差(normalized root mean squared error,n RMSE)及验证标准化平均误差(normalized average error,NAE)分别为0.820、9.553%、-1.4%,验证结果稳定性较好;3)构建NNI-GPC模型中PNC的建模精度与验证精度相对最好,其建模R~2和验证n RMSE及NAE分别为0.653、9.843%、-0.3%;4)最终构建的VI-NNI-GPC模型中,以开花期PNC为中间变量的模型建模及反演精度最好,其建模R~2和验证n RMSE及NAE分别为0.631、8.564%、-0.9%。以氮素营养指标为中间变量的GPC遥感反演是可行的,并且比较4个氮素营养指标为中间变量反演GPC,PNC具有较高精度的预测结果,为精确反演GPC提供一个可靠的依据,具有一定的应用前景。     

TM影像中基于光谱特征的棉花识别模型

为快速、准确地在遥感图像上从各种农作物中识别提取棉花作物的信息，满足大尺度、运行化棉花遥感监测系统的要求。作者在试验区的棉花主要生长期里，同期进行了棉花与其它主要农作物的地面光谱测量并采集了同期的Landsat TM图像。通过对各时期棉花及主要农作物的地面测量光谱与TM图像光谱特征的差异性及规律性分析，确定了试验区棉花遥感识别的最佳时相期为9月中下旬， 研究开发了基于光谱特征的棉花识别模型。经数学分析与实际应用验证，该模型简单、操作方便并且识别的准确度较高，适用于大尺度的“新疆棉花遥感监测运行系统”。