基于时序NDVI的关中地区冬小麦种植信息遥感提取

快速而准确地获取和掌握冬小麦在我国西北干旱半干旱地区的种植信息对该区域粮食生产安全及其可持续发展具有重要意义。以陕西省关中地区为研究区域,采用迭代滤波技术重建MODIS NDVI时序序列,结合当地典型地物的NDVI曲线特征和二次差分技术,建立冬小麦像元的识别规则,提取了该地区2014年冬小麦种植信息。结果显示2014年关中地区冬小麦集中分布于渭河两岸的河谷地区以及泾河以东的渭北平原,北部黄土台塬则呈星状散布。总体种植面积8.882×10~5hm~2,与统计资料相比,各地市遥感提取结果的相对误差绝对值在1.08%~9.02%之间,总体误差为3.70%。抽样验证结果显示分类精度为90.28%。该研究为关中地区制订种植计划和相关政策等提供了客观的数据参考,同时也为西北地区的农作物种植监测提供了技术支持。     

基于无人机遥感影像的多生育期冬小麦种植行检测方法

大田环境下小麦种植行的识别与定位对农机田间喷药和除草等任务的导航作业具有重要意义。以分蘖期和拔节期的冬小麦无人机可见光遥感影像为研究数据,结合深度语义分割和霍夫变换直线检测,提出了一种多生育期小麦种植行检测方法。采用SegNet深度语义分割提取小麦种植区域,克服传统检测方法对光照敏感的同时提高检测精度。基于霍夫变换的小麦种植行预检测结果,提出采用二分k均值聚类进一步提炼检测结果,以识别出小麦种植行区域的中心线。实验结果表明,对于分蘖期和拔节期的冬小麦图像,种植行直线平均位置偏差的绝对值分别为0.55、0.11 cm;平均角度偏差的绝对值分别为0.001 1、0.000 37 rad,检测精度与直线漏检率等指标都显著优于传统方法。研究结果为智能农机导航作业中的作物种植行检测提供了方法支持。     

基于MODIS数据的冬小麦种植面积快速提取与长势监测

利用MODIS-NDVI数据,以中国冬小麦主产区为例,探讨了基于遥感影像全覆盖的大尺度冬小麦种植面积遥感综合自动识别及长势监测的方法。通过分析冬小麦的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征,确定了冬小麦信息提取的NDVI阈值,建立了冬小麦面积提取模型,并最终获取了2010—2011年中国农情遥感监测中冬小麦长势监测所需的空间分布数据,与多年平均统计数据比较,总体精度达到81%以上。基于提取的冬小麦面积信息空间分布数据,利用MODIS-NDVI差值模型,对冬小麦2011年的长势进行监测。结果表明,与近5年平均状况对比,2011年冬小麦在其整个生育期内长势基本与常年持平,但时空分布差异较大。     

基于多源Sentinel数据的县域冬小麦种植面积提取

冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义.以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器...     

基于无人机遥感与植被指数的冬小麦覆盖度提取方法

基于开源飞控Pixhawk开发了一套集成稳定云台、位置与姿态系统(Position and orientation system,POS)数据采集模块的无人机多光谱遥感图像采集系统,同步采集520~920 nm范围内的红、绿和近红外波段信息。以冬小麦为例,分别在越冬期、拔节期、挑旗期和抽穗期进行飞行实验,飞行高度55 m,多光谱影像地面分辨率2.2 cm。采用监督分类与植被指数统计直方图相结合的方式,提出了一种田间尺度小麦覆盖度快速提取的方法,给出归一化植被指数(Normalized difference vegetation index,NDVI)、土壤调节植被指数(Soil-adjusted vegetation index,SAVI)及修正土壤调节植被指数(Modified soil-adjusted vegetation index,MSAVI)对应的植被像元与土壤像元的分类阈值,分别为0.475 6、0.705 6和0.635 0。同时利用基于同步采集的地面分辨率可达0.8 cm的高清可见光遥感图像提取了相应时期的冬小麦覆盖度参考值。结果表明,基于无人机多光谱遥感技术及植被指数法可以较好地提取冬小麦越冬期、拔节期、挑旗期和抽穗期的植被覆盖度信息。与SAVI、MSAVI相比,基于NDVI分类阈值的提取效果最好,绝对误差最小。     

基于CBAM-U-HRNet模型和Sentinel-2数据的棉花种植地块提取

棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法...     

基于GF-1 WFV影像的作物面积提取方法研究

黑龙江省是我国粮食生产大省,及时有效地获取黑龙江省的农作物种植面积对后续研究的开展具有重要意义。以黑龙江省五九七农场为例,利用2014年8月30日GF-1卫星16 m空间分辨率影像,通过计算不同特征波段,构建了多特征水稻、玉米种植区识别方法。首先计算影像归一化差分植被指数（NDVI）,并将原影像进行主成分变换,以此为基础建立包含多特征的数据集。然后利用不同地物类型之间在各特征波段的差异,基于CART算法构建决策树,分别提取研究区内的水稻和玉米。精度评价结果表明,分类的总体精度达到96.15%,Kappa系数为0.94。水稻的制图精度为98.41%,用户精度为97.64%;玉米的制图精度为95.38%,用户精度为97.89%。其中总体精度和Kappa系数较最大似然法分类结果分别提高了5.28%和0.08。所提研究方法可为其他地区农作物高分数据作物类型制图提供借鉴。     

冬小麦规范化种植技术的推广应用

冬小麦是宁夏中宁县粮食结构调整的重点。为加速其推广进程,应在选地、整地、播种、越冬管理、返青管理等各个环节严格规范操作。     

冬小麦种植技术及病虫害防治技术研究

冬小麦是我国北方地区的重要粮食作物,种植面积广泛,产量较高。但由于地理环境、气候和病虫害等多种因素的影响,冬小麦种植面积面临着许多的问题和挑战。为保障冬小麦产量和质量,提高农业生产效益,本文对当前冬小麦种植和病虫害防治技术进行分析与研究,并提出相应对策和建议,以期对冬小麦种植提供相关参考。     

北方地区冬小麦种植技术要点探讨

小麦种植是北方农业经济发展的重要支柱,为了避免北方冬小麦种植受当地气候环境等因素影响,本文从冬小麦在北方地区种植的可行性入手,重点研究了北方地区冬小麦种植技术要点,以供参考.     

河南省冬小麦种植面积遥感监测及其时空特征研究

【目的】准确实现河南省冬小麦种植面积的遥感提取,并探索河南省冬小麦种植面积的变化过程。【方法】将遥感监测与统计数据结合,以多时相MODIS遥感影像作为数据源,分析制定了冬小麦信息的提取规则,利用统计数据辅助确定规则中的阈值选取,以减少阈值选取的主观性,提取出河南省2004—2013年冬小麦种植面积,并分析了河南省2004—2013年冬小麦种植面积的时空变化。【结果】遥感监测结果与各地市统计值具有较高的相关性(R2=0.938 5),在平原地区具有较高的精度,监测精度为89.5%,而在受到地形等因素影响的地区,冬小麦种植面积的分布相对破碎,监测精度具有较大误差,个别地区甚至不足50%。从空间上看,河南省冬小麦种植面积的空间分布总体较为集中,主要分布在河南中东部的黄河平原和淮河平原地区和豫西南的南阳盆地地区。从时间上看,河南省冬小麦种植区域总体变化较小,种植年份较为稳定的区域主要分布于豫东平原地区,累积种植年数显著增加地区主要分布于南阳盆地地区,累积种植年数显著减少地区的分布较为分散,无明显的分布趋势。【结论】基于遥感和统计数据相结合的方法可准确监测平原区冬小麦种植面积,河南省冬小麦种植面积的时空变化均较为稳定,为保障我国粮食安全发挥着重要作用。     

两熟区小麦玉米种植模式对机械化作业的影响

在生产过程中,小麦、玉米接茬轮作的种植模式对机械化作业生产具有较大的影响.为此,针对国内现有冬小麦和夏玉米的种植模式、冬小麦-夏玉米接茬轮作的种植模式进行分析总结,分析现有种植模式对小麦、玉米机械化作业的影响,指出现有种植模式与机械作业不配套的问题所在,对推进各地两熟区种植机械化栽培模式的规范化、加快全程机械化发展具有...     

秸秆覆盖条件下宽幅精播冬小麦茎秆抗倒性研究

为研究秸秆覆盖和宽幅精播对冬小麦茎秆抗倒伏的影响,采用宽幅精播和常规种植,设置秸秆覆盖和不覆盖2种覆盖方式,研究了宽幅精播和秸秆覆盖对冬小麦茎秆主要物理性状参数、机械强度和抗倒伏指数等的影响。结果表明,在拔节期和抽穗期各灌60mm的情况下,冬小麦生育后期茎秆抗倒伏特性与株高、重心高度和倒数第二节间壁厚有较强的相关性。无秸秆覆盖条件下,宽幅精播冬小麦抗倒伏指数和常规种植没有显著差异,而在秸秆覆盖条件下宽幅精播冬小麦抗倒伏指数则显著提高。秸秆覆盖显著降低冬小麦产量,但宽幅精播种植模式能够通过增加穗数弥补秸秆覆盖造成的产量损失。秸秆覆盖和宽幅精播相结合有利于改善冬小麦的抗倒性能,但显著降低冬小麦产量。     

宽幅精播和灌溉对冬小麦干物质积累及产量的影响

采用了宽幅精播和常规种植2种种植模式,每种种植模式设3种灌溉处理,研究了宽幅精播和灌溉对冬小麦群体动态变化、干物质积累量和产量等的影响。结果显示,灌拔节水和抽穗水后,宽幅精播的分蘖消亡速率低于常规种植。在冬小麦生育后期,宽幅精播显著提高了干物质积累量。宽幅精播的产量显著高于常规种植,增产的原因在于穗数的显著增加。研究表明,宽幅精播结合灌拔节水和抽穗水为一种值得推广的节水种植模式。     

基于粒子滤波和多变量权重的冬小麦估产研究

为了构建能够反映作物长势的综合性指标以及准确估测作物产量,采用粒子滤波算法同化CERES-Wheat模型模拟和基于Landsat数据反演的叶面积指数(Leaf area index,LAI)、地上生物量和0~20 cm土壤含水率,获取冬小麦主要生育期以天为尺度的变量同化值,分析不同生育时期的LAI、地上生物量和土壤含水率同化值与实测单产的相关性,并应用熵值的组合预测方法确定不同状态变量影响籽粒产量的权重,进而生成综合性指数,并分析其与实测单产的相关性。结果表明,LAI、地上生物量和土壤含水率同化值和田间实测值间的均方根误差(Root mean square error,RMSE)以及平均相对误差(Mean relative error,MRE)均低于这些变量模拟值和实测值间的RMSE和MRE,说明数据同化方法提高了时间序列LAI、地上生物量和土壤含水率的模拟精度。基于不同状态变量的权重生成的综合性指数与实测单产间的相关性大于单个变量与实测单产间的相关性;基于综合性指数构建小麦单产估测模型,其估产精度(R2=0.78,RMSE为330 kg/hm2)分别比基于LAI、地上生物量和土壤含水率建立模型的估产精度显著提高,表明构建的综合性指数充分结合了不同变量在作物估产方面的优势,可用于高精度的冬小麦单产估测。     

小麦倒伏信息无人机多时相遥感提取方法

采用两期无人机可见光遥感图像,对灌浆期冬小麦倒伏图像特征及倒伏信息提取方法进行研究。从增强图像空间域方面,对图像进行二次低通滤波,获取地物散点图,以散点存在明显分界线为判定标准,选出小麦倒伏信息提取的单特征,对两单特征线性拟合构建倒伏小麦两时期提取特征参数F_1和F_2,再以两特征参数相似性构建综合特征参数F_3。将特征参数结合K-means算法提取冬小麦倒伏信息,整体精度(OA)达86. 44%以上,Kappa系数达0. 73以上,倒伏信息提取精度(F)为81. 07%以上,因此综合特征参数可作为两个时期冬小麦倒伏信息提取特征参数。分别用本文方法、支持向量机、神经网络法和最大似然法提取验证区域倒伏小麦信息,经验证,本文方法提取小麦倒伏信息整体精度(OA)达86. 29%以上,Kappa系数达0. 71以上,倒伏信息提取精度(F)达80. 60%以上;其他3种常用方法提取的整体精度(OA)为69. 68%～87. 44%,Kappa系数为0. 49～0. 72,倒伏信息提取精度(F)为65. 33%～79. 76%。结果表明,本文方法整体精度和倒伏信息提取精度均高于目前常用分类方法。因此,综合特征参数与K-means算法对冬小麦在灌浆期倒伏信息提取具有一定的准确性和适用性。     

基于Hyperion高光谱影像的冬小麦地上干生物量反演

在黄淮海粮食主产区选择河北省衡水市深州市为试验区,以冬小麦地上干生物量为研究对象,以作物冠层高光谱和EO-1 Hyperion高光谱卫星数据为主要数据源,在分析冠层高光谱构建的窄波段植被指数(N-VIs)与实测冬小麦地上干生物量间相关性基础上,提出了利用拟合精度R2极大值区域重心确定冬小麦干生物量敏感的光谱波段中心的方法,并运用该方法确定了冬小麦生物量敏感波段中心。在此基础上,以敏感波段中心筛选结果为指导,利用窄波段植被指数及相关波段开展Hyperion高光谱卫星遥感区域冬小麦干生物量遥感反演和精度验证。最终,按精度最高原则优选区域冬小麦地上生物量反演结果。其中,研究采用了冬小麦孕穗期Hyperion数据,涉及的植被指数包括窄波段归一化植被指数(N-NDVI)、窄波段差值植被指数(N-DVI)和窄波段比值植被指数(N-RVI)。结果表明,通过与实测冬小麦地上干生物量对比,利用冠层高光谱冬小麦地上干生物量反演敏感波段筛选结果及其相应波段构建的Hyperion窄波段植被指数进行孕穗期作物干生物量估算取得了较好结果,其精度由大到小为:NNDVI、N-RVI、N-DVI。其中,以波段B18(波长528.57 nm)、波段B82(波长962.91 nm)构建的Hyperion N-NDVI估算区域冬小麦地上干生物量精度最高,相对误差(RE)和归一化均方根误差(NRMSE)分别为12.65%和13.78%。