冬小麦生育期间MODIS多时相NDVI特征分析及其在地物识别上的应用

[目的]为农作物产量预报提供技术支持。[方法]通过分析安徽省小麦生长季MODIS多时相NDVI特征并利用该技术识别水体、城镇居民区、旱地、水田、林地研究了该技术在地物识别及农作物产量预报中的应用。[结果]一季稻和双季晚稻的NDVI最大峰值出现在6月。水体在10月至次年6月^-NDVI（i,j）小于0或略大于0（如浅水体）,而^-NDVI（i,j）小于0.16像元通常为城镇等居民点,水田^-NDVI（i,j）往往小于0.3,一般林地和种植越冬作物的耕地^-NDVI（i,j）均大于0.3。以^-NDVI多时相特征对5大地物类型进行识别时可识别出82.7%林地,67.4%旱地,52.1%水田,15.2%居民区。水体、旱地、水田、林地的识别可信度均达60%以上,其中识别出来的水体中有近80%为现实中的水体,城镇的识别可信度不足20%。[结论]该法在农作物产量预报中具有良好的应用前景。     

基于多生育期MODIS-NDVI的区域冬小麦遥感估产研究

以河南省开封市为研究区,采用2005—2013年种植区域冬小麦生育期内16 d合成的250 m空间分辨率的归一化植被指数(NDVI)之和,与冬小麦产量数据进行相关分析,筛选得到最佳遥感估产时相,建立单变量回归模型;同时,基于冬小麦生长的各个关键时期NDVI构建多元回归模型,再通过主成分分析方法对多元回归模型参数进行改进,得到新的估产模型;最后使用开封市2014年的产量数据对估产模型进行验证,旨在构建具有较高精度的估产模型,从而更好地指导小麦生产。结果显示,3种估产模型的估产误差均控制在10.55%内,根据3个模型得到研究区内冬小麦最佳产量预测时段为3月下旬,即拔节期;3个模型中,主成分回归估产模型的产量拟合精度最高,达93.12%,具有一定的实用价值。     

基于不同时相遥感的冬小麦种植面积的提取

卫星遥感技术能够快速、准确、大面积对农作物生长进行监测,多时相遥感监测可克服单时相遥感监测的不足,利于实现对农作物生长变化的动态监测。以江苏省大丰市为研究区域,选用拔节期和抽穗期两景环境(HJ)卫星遥感影像进行不同地物光谱信息识别与种植面积提取研究。首先,在分析两景HJ星影像植被光谱信息的基础上,提取出各自影像的归一化差值植被指数(NDVI)影像,并对两景NDVI影像分别进行加运算和减运算,得到另外两景NDVI合成影像。其次,通过对提取到的四景NDVI影像光谱信息进行比较分析,最终选用植被光谱信息特征较为明显的加运算合成影像进行冬小麦种植面积提取。最后,基于影像不同地物的NDVI阈值划分,并叠加GPS样点信息校正,提取到大丰市冬小麦种植面积数据及其空间分布信息。结果显示,大丰市遥感提取冬小麦种植面积为78 712.13 hm2,精度为92.51%。在该市20个乡镇(或农场)冬小麦种植面积提取精度中,精度大于95%有9个乡镇(或农场),精度在90%至95%之间的有7个乡镇(或农场),仅有4个乡镇(或农场)提取精度在80%至90%之间。说明,利用不同时相遥感合成运算方法得到的合成影像,能明显增强冬小麦光谱信息与其他植被信息特征区别,有利于实现高精度提取冬小麦种植面积的目的。     

基于MODIS-NDVI的邯郸市冬小麦和夏玉米面积提取

作物种植面积提取是作物动态监测的关键问题之一。为了解邯郸市主要作物种植面积分布,本研究选用250 m分辨率的MODIS陆地植被数据产品MODIS 13Q1,经过遥感影像数据预处理、作物物候信息调研、典型地物时序曲线提取、建立决策树等步骤,完成2010—2016年邯郸市冬小麦和夏玉米的种植面积提取。结果表明,邯郸市冬小麦和夏玉米的种植空间分布基本保持一致,均集中于东部平原区;种植面积的年际变化趋势相对稳定,历年差别不大;冬小麦和夏玉米的面积提取误差平均分别为10.57%和13.40%,符合大区域作物面积提取要求。本研究为大区域范围下通过遥感技术快速提取作物种植面积提供了参考方法,同时为邯郸市作物种植规划提供了指导。     

基于MODIS-NDVI的安徽省2009年冬小麦及一季稻面积遥感提取及长势监测

[目的]建立2009年安徽省冬小麦和一季稻面积提取模型和作物长势监测模型。[方法]通过分析2009年安徽省冬小麦和一季稻的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征确定模型。[结果]时间上,2009年安徽省冬小麦和一季稻长势均呈＂前期较好,中期变差,后期恢复＂的趋势;空间上,安徽北部地区冬小麦全年长势较多年平均稍差,而一季稻长势较差的地区主要是滁州等地。[结论]该研究为中国农业遥感监测系统大尺度业务化运行作物种植结构提取了有效的方法。     

基于MODIS NDVI的冬小麦收获指数遥感提取

为研究利用遥感技术反演冬小麦收获指数,以河北省馆陶县为例,使用2016年、2017年、2018年连续3年冬小麦生长期内的MODIS NDVI时间序列数据,并基于农学观点和冬小麦生理机制,提出了一种构建收获指数（HI）相关参数的新模型HI_MEAN,并与已有相关模型HI_NDVI和HI_NDVI＿SUM进行比较,最后建立了收获指数的预测模型。结果表明,与收获指数参数模型HI_NDVI和HI_NDVI＿SUM相比,模型HI_MEAN的精度最高。进一步反演了2018年河北省馆陶县的冬小麦收获指数,与实测冬小麦收获指数对比,其r²为0.632 9,说明收获指数参数模型HI_MEAN在反演冬小麦收获指数时,理论基础更加合理,同时也具有最高的精度。同时,收获指数参数模型HI_MEAN构建也为后续的以及其他作物收获指数提取研究提供了一种可行的思路。     

基于GF-7遥感卫星的冬小麦面积精细化识别

2019年11月3日发射的GF-7号卫星是我国的第二颗亚米级、多角度民用商业卫星,其在农作物面积分布精细化识别方面潜力有待评估.依据2018年国家统计局数据,全国冬小麦播种面积占粮食作物总播种面积的19.23％,通过遥感手段准确识别冬小麦分布情况,是作物长势和作物估产等后续遥感产品准确评估的保证,对确保粮食安全具有极其重要的意义.通过支撑向量机和随机森林2种机器学习算法,分析高分七号亚米级光谱特征及其纹理特征对冬小麦的精细化识别能力.结果表明,基于影像光谱特征,SVM分类器取得了最优的分类精度,其中冬小麦识别精度为93.96％,总体精度为91.01％,Kappa系数为0.7632,面积精度为91.46％.     

冬小麦关键物候空间分布遥感监测方法研究

物候信息对农作物生长的动态监测、田间管理具有重要意义。归一化植被指数(normalized difference vegetation index, NDVI)能够在大范围覆盖区域内准确地反映农作物物候信息。以河北省为研究区域,选用2000至2009年的SPOT/VEGETATION NDVI旬合成产品数据集,尝试结合气象站点的气温,利用Savitzky-Golay(S-G)滤波重构NDVI时序曲线,以动态阈值法监测研究区冬小麦的返青期开始和抽穗期开始,并对监测结果进行了分析。空间分布上,河北省冬小麦物候期总体上呈现由南到北逐渐推迟的空间分布规律,从各具体年份来看,冬小麦遥感监测结果符合实际的物候地面观测结果,并在因异常气候变化物候期发生变化的年份也有较好的反应,结果表明,通过NDVI时序曲线结合气温的方法可以准确监测河北省冬小麦关键物候期。     

不同时序EOS/MODIS-NDVI监测河南省冬小麦面积

[目的]利用不同时序EOS/MODIS-NDVI数据计算河南省冬小麦面积。[方法]对MODIS图像数据进行转换、地理较正和波段组合等处理后,从而获得不同时间序列的归一化植被指数(Normal Difference Vegetation Index,NDVI),然后在地面光谱测量基础上进行监督分类,得出河南省2005年小麦种植面积。[结果]该法所测河南冬小麦像元总数92 208个,种植面积为576万hm2,与统计部门统计数据相比,误差为9.66%。[结论]该研究为冬小麦种植面积监测提供了新途径。     

基于HJ小卫星影像的北京市冬小麦测产研究

粮食产量的估测对制定粮食政策和调整种植结构具有重要的意义。本研究以北京市为例,利用2013年4月30日、5月12日和5月29日三期冬小麦抽穗、灌浆时期的HJ小卫星NDVI数据,结合北京市实产地块数据建立了北京市冬小麦估产回归模型,并对北京市各区县和北京全市的冬小麦单产进行了估算。结果显示:分区县地块回归的北京市冬小麦主产区大兴、房山、通州和顺义的小麦单产分别为5148.96 kg/hm2、4849.30 kg/hm2、5350.64kg/hm2和5108.84 kg/hm2,P值分别为0.000、0.000、0.000和0.001;北京市全市的冬小麦单产为5049.24 kg/hm2,精度验证的结果显示实测单产和预测单产具有良好的对应关系,其R2=0.92,RE=2.18%,RMSE=154.61 kg/hm2。以上研究结果表明利用HJ小卫星的NDVI数据可以快速、准确的估算北京市及其各区县的冬小麦单产。     

基于MODIS的农作物面积遥感监测及应用

MODIS遥感数据具有探测周期短、覆盖面积广、数据开放等优点,适合大尺度、动态的农业遥感监测应用。结合了MODIS遥感数据资源的特点和农作物物候特征,提出了基于MODIS的农作物面积遥感监测方法,并根据黄淮地区冬小麦种植面积提取的应用需求,选用地理空间数据云平台提供的3种MODIS数据产品进行了农作物面积提取。结果表明,使用5 d合成数据产品的提取精度较高。     

冬小麦拔节期遥感监测方法研究

遥感数据因其空间连续成像和重复采样的特点,可用于区域尺度小麦拔节期监测,为冬小麦晚霜冻害监测研究提供基础数据。以河南省冬麦区为研究区,建立气象台站获取的积温与遥感获取的陆面温度（LST）累积值间的关系方程,在此基础上,将冬小麦返青-拔节期间的积温需求量转化成累积LST需求量,利用Terra/MODIS LST数据产品MOD11A2,从返青日期开始求算累积LST值达到返青-拔节期间的累积LST需求量的日期,获得拔节期开始时间。结果表明,河南省小麦拔节期开始日期集中在3月下旬至4月上旬;年际间同期气温差异会引起小麦拔节期开始时间显著波动;空间分布上,除信阳地区外,河南省冬小麦拔节期开始时间大致由南到北逐渐推迟;小麦拔节期开始时间监测值与观测值之间的误差大部分能控制在5 d之内,说明利用LST遥感数据结合积温法可以监测冬小麦的拔节期。     

基于多时相遥感数据的地表覆被分区研究

利用多时相的NOAA—AVHRR 8km分辨率的遥感影像，以决策树分类器为基础，辅以数字化地形数据（DTM）、历史资料和野外实地调查资料等辅助分类数据，综合运用非监督分类和基于知识挖掘的信息提取技术，对中国东北地区20世纪80年代的地表覆被类型进行了分类，将研究区域最终划定为11种土地覆被类型，揭示了当时研究区域的土地覆被空间分异特征。     

基于相邻轨道图像的冬小麦面积提取及长势分析

冬小麦是我国北方主要农作物之一,及时掌握冬小麦面积信息及长势情况,能够快速地为农业生产管理者以及财政部门提供决策依据,有利于小麦增产、提高农民收入。本文以山东省滨州、东营市为研究区,通过主成分分析、监督及非监督分类结合的方法提取ETM+遥感影像的冬小麦信息,以SPSS聚类分析法估测滨州市冬小麦长势,用距离加权法构建相邻轨道图像的植被长势分级模型并估测东营市的冬小麦长势。结果显示：小麦提取平均精度约为93.79%,冬小麦分布呈现“西多东少,南多北少”的特征,一般小麦分布较多的地区长势也较好。基于重叠区距离加权法构建的植被长势分级模型,能够在一定程度上消除相邻轨道遥感图像的时间差异,实现大区域的植被长势分析。     

基于高光谱遥感和集成学习方法的冬小麦产量估测研究

[目的]利用2种灌溉处理下不同发育阶段的冬小麦冠层高光谱信息,通过机器学习方法对小麦籽粒产量进行估测精度研究,明确产量最佳估测模型,对于育种工作有着重要应用价值.[方法]以黄淮麦区207个主栽小麦品种为材料,于2018—2019和2019—2020年度连续2个生长季在河南省新乡基地的正常灌溉和节水处理下种植,并调查开花...     

冬小麦抽穗期长势遥感监测的初步研究

小麦抽穗期是其生长的关键阶段,田间群体较大、郁蔽,抵抗力弱,常遇高温高湿天气,也是病虫害多发时期.因此,及时监测小麦抽穗期的苗情长势,是制定和采取科学管理措施的必要前提.有学者曾使用NOAAAVHRR、EOSMODIS数据进行小麦长势监测研究[1~3],由于这些影像的空间分辨率较低,常常造成"同物异谱"或"异物同谱"现象,使得监测精度降低.本研究利用分辨率较高的TM影像数据并结合实地GPS定位调查,试图通过分析TM影像植被指数与小麦抽穗期叶面积指数、生物量以及植株氮素含量的关系,建立上述群体质量指标监测模型,为小麦抽穗阶段的农田精确管理提供信息支持.     

基于高光谱遥感的冬小麦叶水势估算模型

【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显著的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显著相关(P0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。     

基于RS的冬小麦种植面积提取及最佳时相选择

为探求冬小麦种植面积提取的方法,本研究通过多种图像处理方法对TM数据进行处理,结合实地调查和研究区主要种植作物的物候历,利用TM数据提取了冬小麦的种植面积。同时为了提高解译精度,结合GIS进行了两次目视解译过程,消除了分类器分类会出现的多分和漏分现象。结果表明:通过分类后计算混淆矩阵与地面真实感兴趣区(ROI)进行比较,发现Mahalanobis Distance分类法阈值(最大误差距离)为2.9时分类效果最佳。得到2007年研究区域冬小麦遥感监测面积为560 650 hm2,提取精度达到了95.23%。三个地区以临汾地区提取精度最高,而晋中地区最低。因此利用该方法提取冬小麦种植面积是可行的。