基于多时相遥感数据的水稻种植面积信息提取

在遥感影像中,植物的含水量、土壤湿度在短波红外波段下表现很敏感,而红光波段和近红外波段对植物覆盖率、植物长势反映很强烈。基于时间差异的决策树水稻提取模型,通过计算水稻生长不同时期的归一化植被指数NDVI和土壤含水量指数LSWI,在江苏省盐城市射阳县开展了水稻种植区提取的相关研究。经过提取的水稻面积和地方统计数据对比表明,该模型能有效区分出水域、玉米和菜地等较易与水稻种植区混淆的地物,面积提取精度达到76.26%。     

基于多时相遥感影像的水稻种植信息提取

获取水稻种植信息对于指导水稻生产,监测作物生长及合理分配水资源具有重要意义。针对基于单时相影像提取水稻信息精度有限,以Sentinel-2A/B多时相影像为数据源,构建NDVI、EVI、NDWI和光谱特征4种时序特征数据集并设计6种试验方案,结合随机森林算法对水稻种植信息进行提取。结果表明,NDVI、EVI时序曲线可以较好反映出水稻生育期的物候特征,不同地类的光谱时序曲线和NDWI时序曲线可分离度较高,有利于提高分类精度;基于NDVI时序数据集的分类精度最低,基于光谱时序数据集的分类精度最高,总体精度达95.559 0%,Kappa系数为0.943 3,与基于NDVI的分类结果相比,总体精度、Kappa系数、水稻生产者精度和用户精度分别提高了3.530 4%、0.044 9、8.64%和3.36%,水稻与旱地的混分现象得到有效抑制。该研究为区域水稻种植信息精确提取在数据源选择、时序特征构建方面提供了一种新的思路和技术手段。     

基于多时相合成孔径雷达数据的水稻种植面积监测

与光学遥感相比,合成孔径雷达(SAR)遥感能够不受云雨天气影响,为大范围作物种植信息的精准监测提供新手段。本研究以天津市小站稻为例,基于2018-2021年的多时相Sentinel-1A SAR影像,提出了结合小站稻生长特征相似性分析与随机森林分类的水稻种植分布和面积监测方法。首先提取VV和VH极化方式下不同地物的后向散射系数时间序列特征曲线,并利用HANTS滤波来消除噪声影响。然后根据野外调查数据获取小站稻参考生长曲线,构建小站稻相似性指数,筛选出小站稻可能种植区域。最后采用随机森林分类模型提取小站稻种植面积。结果表明,基于多时相Sentinel-1A SAR影像相似性分析及随机森林分类能够获得较高精度的水稻种植面积,VV和VH两种极化方式下提取的水稻种植面积与统计年鉴结果的平均相对误差分别为2.67%和3.80%,总体分类精度分别达到95.52%和93.40%,Kappa系数分别为0.94和0.93;与不引入相似性指数进行分类相比,VV和VH极化方式下引入相似性指数后总体分类精度分别提高4.35个百分点和3.13个百分点,Kappa系数分别提高0.04和0.03,水稻的制图精度分别...     

一种基于MODIS·TM影像融合技术提高水稻种植分布提取精度的方法

综合考虑湄公河三角洲地区高质量TM影像难以获得、影像单一以及MODIS时间序列数据影像的空间分辨率无法满足监测需要的问题,提出一种基于影像对象的MODIS与TM数据融合模型(IOBFM)。根据2009年12月9日和2010年7月5日湄公河三角洲中部地区Landsat7 TM影像数据,融合MODIS时序数据提取裸地纯象元点中的水稻点,并与单纯运用MODIS影像的提取结果的精度进行比较。结果表明,用IOBFM模型的水稻象元提取精度比MODIS提取精度高出9.7个百分点,MODIS与TM数据融合可提高提取地区植被分布的精度。     

水稻多时相植被指数特征及覆盖度提取研究

为准确快速获取水稻的植被指数特征和植被覆盖度信息,利用无人机采集水稻分蘖期、抽穗期和结实期的多光谱影像数据,选择不同类型的植被指数,利用样本统计法和植被指数交点法,提取并探究水稻3个生长期在地块和像元尺度下的植被指数特征,并运用阈值分割法提取水稻植被信息及覆盖度信息。结果表明,水稻3个生长期内,在像元和地块尺度下均表现出明显的物候特征,且与杂草和树木存在明显区别;多光谱植被指数的植被覆盖度提取精度整体高于可见光植被指数;归一化植被指数（normalized difference vegetation index,NDVI）对水稻3个时期植被覆盖度提取精度最高,提取误差分别为0.40%、0.43%和0.81%,R²为0.77、0.92和0.98,均方根误差（root mean square error,RMSE）为9.09%、2.97%和0.38%;可见光波段差异植被指数（visible-band difference vegetation index,VDVI）提取精度高于超绿红蓝差分指数（excess green-red-blue difference index,EGEBDI）和过绿减过红指数（excess green-excess red index,ExG-ExR）,提取误差分别为4.30%、1.36%和1.60%,R²分别为0.53、0.77和0.80,RMSE分别为14.62%、3.70%和5.50%。该研究成果可为作物长势监测及其植被覆盖度提取提供技术支撑。     

利用EOS/MODIS资料估算水稻种植面积的业务化方法

以江西省2005年早稻种植面积卫星遥感监测为例,提出了应用EOS/MODIS的1~7通道和NDVI值作为资料源,以实地考察采样点为参考点,目视解译出均匀分布的样点资料,然后根据样点资料的7通道和NDVI值特性,判定整幅图的所有格点是否属于早稻种植区的业务化运行方法。还对监测效果进行了初步分析,提出了可提高监测精度的可业务化技术方法。     

基于MODIS多时相数据的冬小麦种植面积提取方法研究

以河南省作为研究区域,采用冬小麦返青及拔节期间的高光谱数据MODIS-NDVI 16 d合成数据集,利用遥感手段对河南省冬小麦面积进行估测。利用剔除非耕地后的数据,使用最小噪声分离(MNF)的方法进行数据压缩处理,并基于连续最大角突锥模型的线性混合像元分解法进行估测计算。估测结果与当年河南省实际统计数据相比,在特殊气候影响下,其相对误差也仅在0～7%,说明这种方法提取效果较好,在农作物面积估测中具有较强的应用价值。     

基于EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。     

利用EOS／MODIS信息提取陕西冬小麦种植面积研究

EOS/MODIS数据1、2波段是具有250m空间分辨率红和近红外波段,也具有较高时间分辨率,可对冬小麦长势进行动态跟踪监测.随着冬小麦生长发育,NDVI值逐渐增大,并在一定生育期内达到最大值后开始下降.陕西南北较长,秦岭山脉是南北气候主要分界线,冬小麦在不同种植区的生长发育期进程略有不同,NDVI峰值出现的时间也不完全一致.通过对陕西2002-2003年3-6月的EOS/MODIS数据的NDVI值采样分析,结合冬小麦生产调查,陕西冬小麦主产区NDVI值在3月中下旬相对较高,5月上中旬最大.利用陕西1∶10万土地利用数据,依据冬小麦主产区NDVI值的时序变化从MODIS数据中提取陕西冬小麦面积,生成其空间分布图,精度可达到91%以上.     

基于EOS/MODIS数据的抚远县水稻面积提取技术研究

为获取黑龙江省大范围的水稻种植空间分布及面积等信息,指导水稻生产,以抚远县为研究区域,利用EOS/MODIS数据进行水稻面积提取研究。结果表明:抚远县水稻面积309 513.32hm2。水稻种植区域精度较高的图框区域集中在抚远县中部及南部地区,这些地区水稻种植比较集中,且所占比例很高,其它作物较少,对混合像元的精度影响小;精度较低的图框主要集中在北部地区,这与实际情况相符合,水稻种植较零散且其它混种作物种类及荒草类别比较复杂,混合像元分类精度较低。     

多时相Sentinel-2影像在浙西北茶园信息提取中的应用

利用Sentinel-2遥感影像研究一种快速、准确提取茶园空间分布的新方法,可为茶园经济林资源及其动态变化的快速检测提供新的手段。以浙江省西北部为研究区,根据实地调查选取6类典型植被,基于4个季节的Sentinel多光谱影像分析不同植被物候及光谱特征。茶园在5月经历修剪后与其他植被区别较大,根据红边与短波红外波段构建归一化茶园指数（NDTI）。基于新指数建立决策树模型提取茶园,通过谷歌地球对结果进行验证。结果显示:归一化茶园指数可以最大限度扩大茶园与其他植被之间的差距。基于该指数提取茶园的总精度达93.83%,Kappa系数为0.917,成功实现了浙西北茶园信息的提取,证明了使用红边波段提取茶园的潜力。     

多时相遥感提取水稻种植区研究进展

水稻是我国主要的粮食作物之一,对水稻面积和空间分布的调查是水稻监测的基础,关系国家粮食安全问题.利用卫星遥感技术进行水稻面积与空间分布调查具有大范围、实时性等传统调查不具备的优势,成为近年来的热点.本文对近年来基于多时相遥感进行水稻种植区提取的方法进行梳理与总结,按照传感器类型从3个方面进行阐述——利用不同时相分辨率的光学传感器的提取方法、利用不同极化方式的合成孔径雷达的提取方法以及两者的结合使用的方法,对基于不同数据源的提取方法进行了概括和举例.最后对目前的研究进行合理的评价,指出存在的不足之处并对进一步的研究做出展望.     

基于环境卫星影像的水稻种植面积提取方法研究

以环境卫星为数据源对泰兴市水稻面积进行提取,选择水稻与其他作物光谱差别最大的时期作为水稻识别的最佳时期,在利用影像原始光谱信息的基础上,分析和提取多种分类特征,运用支持向量机法、CART决策树法和最大似然法进行分类,提取水稻面积。结果表明支持向量机的分类精度最高,总体精度为80.38%,Kappa系数为0.74。说明当样本量较少时,支持向量机可以更好地利用多源信息,具有更高的分类精度。     

基于Sentinel-2多时相影像的果树种植区遥感提取

为提取果树的空间分布信息,以果树生长期内不同月份的Sentinel-2多光谱遥感影像为数据源,以大沙河流域果树为研究对象,通过分析不同月份的光谱信息得出最佳监测时期,并在此基础上,选择不同时期的5种植被指数[归一化植被指数(NDVI)、比值植被指数(RVI)、增强型植被指数(EVI)、结构密集型色素指数(SIPI)和归一化水指数(NDWI)],结合机器学习技术构建决策树提取模型。结果发现,3、4、7、8月份的影像适于果树面积提取。通过Feature_importances_属性筛选出贡献度高的不同时期的植被指数作为输入特征,结合超参数学习曲线和网格搜索技术确定决策树模型的Max_depth和Min_samples_leaf参数分别为5和10时模型的效果最佳。参数调整后绘制决策树模型,模型在训练集和测试集上的精度分别达到了0.919 4和0.875 1。提取结果表明,研究区内的果树主要种植在大沙河两岸,东部与西北部的果树种植地块较为零碎,总的果树种植面积为6 838 hm²。在验证样本的基础上,通过混淆矩阵计算提取结果的精度,结果显示,Kappa系数为0.87,果树种植区提取的用户精度和制图精度分别为92.91%和90.77%。结果说明,本文所提出的方法适用于大区域果树的遥感提取,可为基于中高分辨率遥感影像的果树种植区监测提供有效的技术手段。     

利用SPOT5影像提取水稻种植面积的研究——以湖南株洲市区为例

以湖南省株洲市区为例，利用2008年8月19日SPOT5卫星影像数据，采用非监督分类方法，并借助地面样方监测数据，在实现计算机自动识别的基础上，准确提取出株洲市区的水稻种植面积6 379.4 hm2。精度验证分析表明，研究精度达到95.70%。     

浙江省连作晚稻产量水平及其种植差异分析

2008年调查了浙江省余姚市、瑞安市和衢州市衢江区连作晚稻,主要品种有宁3-88、协优92和天优华占。栽插方式主要为抛秧、机插和手插3种方式,按不同产量水平选取代表样点,调查和测定不同产量水平的产量结构,共123个调查点。结果表明：晚稻平均单产为445.2 kg/667m²,最高产量和最低产量差异超过300 kg/667m²,有效穗数和穗实粒数与产量呈极显著正相关。移栽稻提高产量应保证足穗和结实率;抛秧应提高每穗实粒数;机插秧则应在保证穗数的基础上,提高千粒重。     

机械覆膜水稻节水栽培技术

机械覆膜水稻节水栽培，经过一年的试验研究，已获得成功。其重点技术是用15～17马力拖拉机，带动覆膜播种机，进行起垅、除草、覆膜、播种一次完成，与人工覆膜、播种相比，具有高效、省工、省力、简便，易于大面积推广。     

浙江水稻种植制的变化与种植区划

浙江省水稻种植制近几十年来发生了很大的变化:双季稻种植面积从1993年的86%,到2004年下降到34%,单季稻面积从14%上升到66%;常规稻种植面积从1995年的75%,到2004年下降到50%,而2004年杂交稻种植面积达到50%;随穗重型品种和杂交稻的应用发挥分蘖和大穗优势的旱育秧、强化栽培技术在生产上应用推广,同时推广直播稻和抛秧栽培等节本省工技术。参照原水稻种植区划成果,根据现有水稻种植制和品种类型,将浙江省水稻种植区分为以下6个稻区:Ⅰ.杭嘉湖平原单季粳稻区;Ⅱ.宁绍平原单双季籼粳稻区;Ⅲ.温台沿海平原单双季籼稻区;Ⅳ.金衢盆地单双季籼稻区;Ⅴ.浙西南丘陵山区单季籼稻区;Ⅵ.浙西北丘陵山区单季籼粳稻区。并描述了各稻区的地理位置、地貌和气候特征、稻作制度、水稻类型、各季水稻种植面积比例及现有生产技术主要特色等。     

优质杂交稻深两优5814在浙江试种四年总结

深两优5814是国家杂交水稻工程技术研究中心深圳清华龙岗研究所配组育成的籼型杂交新组合.由国家杂交水稻工程技术研究中心深圳龙岗研究所用Y58S与丙4114配组选育而成.