东北地区主要作物种植结构遥感提取及长势监测

以中国东北地区为研究区域,探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征,确定不同作物种植结构遥感提取的阈值,建立基于MODIS NDVI数据的上述4种作物种植结构提取模型,获取2009年东北地区主要作物空间种植结构格局特征。其次,基于MODISNDVI数据,利用差值模型,通过与近5 a作物长势的平均状况进行对比,分析研究东北地区2009年4种作物的长势状况。结果显示,与多年平均统计数据比较,基于遥感提取的作物种植结构信息,总体精度达到了87%以上;不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明,通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的,研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。     

基于MODIS数据和模糊ARTMAP的冬小麦遥感识别方法

针对国家级农情遥感监测与信息服务系统对农作物遥感识别的需求,利用Terra/MODIS数据相对于NOAA/AVHRR数据具有的高光谱和中等空间分辨率的优势,以中国华北地区冬小麦识别为例,采用多时相和波谱分析方法,选取合适波段,构造特征植被指数,建立模糊ARTMAP影像分类模型进行大尺度农作物识别,实现农作物遥感自动识别.用Landsat TM进行局部抽样验证,结果精度可达到85.9%.研究表明,仅利用MODIS自身光谱信息,即可实现作物遥感全覆盖自动识别,并可达到较高精度,与传统方法认为冬小麦遥感识别的最佳时间为处于返青期的3月份相比,在时间上可提前约一个季度,因此可以确实地为农业决策部门提供信息服务.     

基于时间序列环境卫星影像的作物分类识别

环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于异源多时相遥感数据提取灌区作物种植结构

用遥感技术提取灌区作物种植结构需要源影像具有适宜的时空分辨率以适应其动态变化特征。该文综合运用多种遥感影像数据,将Landsat ETM+与MODIS NDVI数据融合区分灌区土地利用类型,由融合后的时间系列数据非监督分类结果提取植被指数变化信息,结合作物系数变化规律运用光谱耦合技术提取作物种植结构。根据该方法将漳河灌区作物种植结构区分为水稻—油菜、水稻—小麦、单季夏季作物以及双季经济作物。由地面统计数据和高分辨率IKONOS影像进行了检验,分类精度达到91%并且与统计数据相吻合。结果表明该法不仅能提供更为准确的灌区作物种植结构时空信息,而且节省影像购买成本,方便灌区尺度遥感应用。     

基于扫描成像的作物近地高光谱获取与特征分析

为了验证自主研制的扫描成像光谱仪（PIS）在近地应用的可行性,该文以小麦、玉米为研究对象,利用PIS近地获取作物冠层和叶片的高光谱图像,在对田间和室内获得的成像数据进行对比分析的同时,探讨了成像光谱采集过程中的影响因素。此外,将PIS获取的成像高光谱与地物光谱仪（ASD）测定的高光谱进行比对研究。结果表明：PIS能准确收集作物的光谱信息,且采集的高光谱数据与ASD具有很好的一致性;PIS在田间采集作物光谱信息时,受氧气吸收的影响,在760 nm处有明显的干扰吸收;PIS除了能反映作物不同叶位叶片、不同器官光谱的差异,还可依据影像提取杂草、土壤对作物冠层光谱的影响程度。上述初步结果为进一步应用PIS进行农作物长势诊断提供了参考。     

基于光谱和成像技术的作物养分生理信息快速检测研究进展

该文阐述了应用光谱和成像技术进行作物养分生理信息快速检测的主要研究进展和发展趋势。介绍了光谱和成像技术的基本原理、常用数据处理方法、建模方法和模型评价指标,重点总结了光谱和成像技术在5种常见农作物(水稻、小麦、油菜、玉米、大豆)的养分生理信息检测中的应用成果和研究进展(主要包括叶绿素类和氮素检测,病虫害、水分、杂草、重金属、农药胁迫诊断及产量预测等方面),分析了光谱和成像技术在作物生长信息检测的发展趋势。结果表明,光谱和成像技术能够快速无损获取作物养分生理信息,并能有效地对作物长势和逆境胁迫响应进行动态监测,对实现农业的精准化、数字化、信息化及智能化管理和作业具有重要意义。     

时空协同的地块尺度作物分布遥感提取

地块尺度作物分布信息清晰直观地反映了农田位置、空间形态等空间细节和种植类型信息,对精准农业管理、种植补贴发放和农业资源调查等具有重要价值.虽然遥感时空协同思路为地块尺度作物分布提取提供了解决方案,但在农田地块提取和时序特征构建方面尚存在不足.该研究基于遥感时空协同的思路,以Google Earth高空间分辨率影像为底图...     

基于决策树的龙口市土地利用/覆盖分类研究

LUCC是全球变化研究的重要内容,土地利用/覆盖信息的获取是其前提和基础。决策树分类法是每次利用一定的规则,对遥感影像进行逐级细化的分类模型,具有直观、高效等特点。在综合分析每一种土地利用/覆盖类型各种特征的基础上,探讨了将不同土地利用/覆盖类型的光谱特征、空间特征、波段比值特征等信息融入决策树分类模型,对龙口市土地利用/覆盖信息进行自动分类的方法,取得了较高的分类精度。     

基于作物空间物候差异提取黄淮海夏玉米种植面积

考虑大区域内不同纬度间玉米物候差异,利用MODIS EVI时序曲线提取黄淮海夏玉米种植面积。基于Landsat影像和MOD13Q1数据集,提取参考区夏玉米MODIS EVI时间序列曲线;根据研究区内农业气象站夏玉米生育期观测数据,构建夏玉米各物候期与纬度的关系,以纬度作为参数修正参考区夏玉米MODIS EVI时序曲线,获取研究区夏玉米EVI标准时序曲线,结合平均绝对距离（MAD）和p-分位数法提取黄淮海平原夏玉米面积。结果表明,利用遥感影像提取的北京、天津、河北、河南以及山东夏玉米面积分别为125.3×103、162.6×103、2231.8×103、2963.6×103和2731.9×103hm2,各省提取精度均达到80%以上。在市级尺度上,决定系数R2为0.82,均方根误差RMSE为147.8×103hm2;在县级尺度上,决定系数R2为0.62,均方根误差RMSE为17.7×103hm2。说明利用本方法能够准确有效地提取大区域内夏玉米种植面积,为其它农作物在大范围内估计种植面积提供新思路。     

基于历史时序植被指数库的多源数据作物面积自动提取方法

针对目前作物提取工作中难以综合应用多源遥感数据进行自动分类的现状,该文以新疆博乐市为试验区,使用多年MODIS数据建立各类作物历史参考时序植被指数曲线库。对TM和环境星数据共同构成的当年时序数据通过植被指数转换、曲线相似性比较,并结合区分不同作物的关键时相,在长时期种植制度变化不大的区域,自动提取作物种植面积。结果表明:该方法使用多源(环境星+TM)中高分辨率遥感数据构建的时序植被指数提取作物的总体精度可达到90%以上;与传统的监督分类方法相比,省去了人工采集训练区的步骤,实现了作物种植面积的自动提取。     

基于波谱分析技术的遥感作物分类方法

为获取东北三省作物类型分布信息,精确地进行粮食估产,该文以250mMODIS时间序列NDVI数据为主要数据源,以东北三省主要粮食作物水稻、玉米、大豆、小麦为研究对象,利用波谱分析方法对东北三省作物类型的空间分布进行研究。研究结果表明,大豆的遥感反演面积和统计面积的相关性最好(R2=0.770),其次是玉米(R2=0.710),水稻(R2=0.686)。该文使用的作物分类方法适用于试验条件有限,实测数据较难获得并以遥感数据为主要数据源且研究区域较大、作物类型单一、种植面积广的情况。     

利用NDVI指数时序特征监测秋收作物种植面积

通过对湖北省江陵县各种地物MODIS数据NDVI时序特征的分析,选取夏秋作物轮作期（5月下旬）和NDVI均值为标准,采用分层方法区分秋收作物（中稻、晚稻、棉花）区与其它区,然后利用BP神经网络法对三种作物进行监督分类,得出了三种作物种植的空间分布。并将结果与ETM数据的神经网络监督分类值作为标准值进行了误差分析,得出其平均误差率为13.6%,能准确反映江陵县秋收作物分布状况,该分层模式加BP神经网络监督分类方法适用于多种作物种植区的作物分类。     

利用Terra/MODIS数据提取冬小麦面积及精度分析

利用遥感技术提取作物播种面积是农情监测研究中一种实用而可行的方法。以河北省藁城市为研究区域,研究利用多时相Terra/MODIS数据提取2004年冬小麦播种面积的技术方法。在分析MODIS波谱特性与冬小麦生物学特征,并考虑了有关植被指数图像对面积提取精度的影响基础上,选择将MODIS数据的Red、Blue、NIR和ESWIR波段作为基础工作波段。利用4种方法提取了2004年藁城市各乡镇的冬小麦播种面积,并利用2004年各乡镇统计数据及土地利用数据进行了精度评价。结果表明：4种方法提取的冬小麦播种面积总体上都与参考值比较吻合,总体误差和平均误差均小于5%。可见,利用Terra/MODIS数据提取冬小麦播种面积是完全可行的。研究还发现,最佳的MODIS数据是冬小麦抽穗期的Red、Blue、NIR、ESWIR波段图像和冬小麦播种期与抽穗期EVI差值图像的组合。     

基于HJ-1 CCD的县域农作物种植结构提取和时空分析(英文稿)

作物分类和时空变化监测信息可以为农业管理提供依据,多年作物种植结构图反映了作物种植方式的变化,对经济和社会分析起着重要作用。然而,用于绘制作物分布图的卫星影像不能同时具有高时间高空间分辨率,在提取作物种类复杂多样地区的种植结构图时,往往难以提供足够的作物生长周期内影像。该研究提出了一种既经济又高效的解决方案,即利用重复周期短的环境一号CCD（HuanJing-1 Charge-Coupled Device,HJ-1 CCD）图像和免费Landsat-8图像来提取中国监利县的作物种植区时空变化图。根据NDVI时间序列曲线定义了不同作物生育期物候指标例如归一化植被指数（Normalized Difference Vegetation Index,NDVI）的最大值、日期和天数等,用于作物分类。为了获取物候指标的阈值,首先从15m Landsat-8影像中提取典型种植区,然后利用典型种植区作物生长阶段NDVI时间序列曲线,得到物候指标中的NDVI阈值和时间阈值,再根据这些阈值制定了分类规则,并获得了2009-2016年作物分布图。根据多年主要作物分布图,分析不同作物的土地利用变化。最后利用高空间分辨率卫星图像和监利县统计年鉴中的作物面积数据对作物分类结果进行精度评估。与高空间分辨率图像相比,平均分类精度为84%,与统计作物面积数据相比,分类精度达到81.60%。结果表明,该研究为在像监利县这样复杂地区进行常规的作物分布制图提供了一种可行的分类方法。通过对夏收作物的时空动态变化分析可以发现,油菜农业机械化水平低、劳动力成本高,导致愿意种植油菜的农民较少。对于秋收作物,政府设定了中稻最低收购价标准,大大降低了农民种植中稻的风险,对农民种植秋收作物具有指导作用。     

基于冠层光谱植被指数的冬小麦作物系数估算

目前针对局地气候条件下某一作物类型的作物系数及其年际变化已开展了较多分析,但适于区域尺度运用的作物系数估算方法的研究还比较缺乏,这是将FAO 56作物系数法成功应用于区域作物实际蒸散量估算的关键环节。该文基于2008-2009和2009-2010年度2个冬小麦生长季的大田试验数据,研究了作物系数（Kc）、基本作物系数（Kcb）与8种常用冠层光谱植被指数（VIs）的相关关系以及水分和氮素胁迫对其的影响,分析了基于VIs估算作物Kc、Kcb的可行性,并对其估算精度进行了验证。结果表明,高氮水平下Kcb较大而土壤蒸发系数（Ke）较小,低氮水平下Kcb较小而Ke较大,不同施氮水平下Kc无明显规律性差异。冬小麦Kc与VIs相关性较弱（决定系数R2＝0.094～0.150,p<0.01,n＝195）,而Kcb与VIs则具有很强的相关性（决定系数R2＝0.511～0.685, p<0.01,n＝195）;施氮水平不影响 Kcb-VIs 关系,而不足以使冠层光谱出现明显表征的水分胁迫可使 Kcb-VIs相关关系减弱。利用VIs估算的冬小麦实际生长条件下的Kcb值与FAO 56确定的Kcb值均具有很好的线性回归关系（R2＝0.765～0.864,n＝150）,其中增强型植被指数（EVI）的估算精度最好。但在不足以使冠层光谱出现明显表征的水分胁迫条件下,利用该法可能会产生较大误差,还需要结合其他途径获取的水分胁迫信息来准确确定。     

基于光谱反射信息的作物单产估测模型研究进展

及时准确地估测区域作物单产信息,对于粮食安全预警、粮食贸易流通,以及农业可持续发展都具有非常重要的意义。基于光谱反射信息的遥感技术,能够实时获取作物和土壤在不同时间和空间尺度下的分布信息,为区域作物单产估测研究提供了新的机遇和挑战。在简单介绍作物反射光谱特性和作物单产影响因素的基础上,分经验模型、半经验半机理模型和机理模型三部分,详细论述了基于光谱反射信息的作物单产遥感估测模型的国内外研究进展,并指出基于作物生长机理模型与多时相遥感信息同化技术的研究,应该是未来区域作物单产估测的重要发展方向之一。今后应该重点加强作物冠层关键参数(如叶面积指数、叶绿素浓度、作物吸收光合有效辐射系数、植被覆盖率等)的定量反演研究,同时加强多源遥感数据替代和整合技术研究,以及作物模型与遥感信息同化关键技术研究,以进一步改善单产估测精度和提高系统可运行性。     

数学形态学辅助下基于光谱指数的作物冠层组分分类

近地遥感常被用于获取作物冠层组分信息,但在提取叶片反射率时常受到土壤背景、穗和阴影效应的影响。为准确分类并提取作物冠层组分信息,该研究通过分析小麦冠层各组分（光照/阴影叶片、土壤、穗）的光谱及纹理差异,提出了一种光谱指数与数学形态学结合的作物冠层组分分类方法,探讨不同生育时期的最佳冠层组分分类方法,并定量分析不同组分的归一化光谱指数与小麦叶片氮含量的关系。结果表明：光谱指数法能较好地区分小麦抽穗前的不同冠层组分,而抽穗期的分类效果易受麦穗影响;光谱指数与数学形态学结合的分类方法能较好地消除麦穗对光照/阴影叶片提取的干扰（总体分类精度为97.80%,Kappa系数为0.97,运行时间3.87 min）,该方法的分类精度及运行效率均优于传统分类方法（迭代自组织数据分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm, ISODATA）和最大似然估计（Maximum Likelihood Estimation, MLE））;而且,基于光照和阴影叶片的归一化光谱指数对叶片氮含量最敏感。研究结果可为其他作物冠层组分分类和精准农业中农学参数的定量反演提供技术参考。