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。     

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。     

利用Landsat TM遥感数据监测冬小麦开花期主要长势参数

为精准农业技术体系中的小麦农艺处方管理决策提供详尽的全局性信息,该文以2007－2009年试验实测数据为基础,以Landsat TM影像为遥感数据源,分析了试验样点开花期冬小麦主要长势参数与品质和产量间以及与卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦开花期SPAD值、生物量、叶面积指数和叶片氮含量的模型。结果表明：冬小麦开花期,选用作物氮反射指数、近红外波段反射率和归一化植被指数这些遥感变量分别反演冬小麦SPAD值、生物量、叶面积指数和叶片氮含量是可行的;SPAD值、生物量、叶面积指数和叶片氮含量遥感监测模型的精度较高,均方根误差分别为3.12、216.5 kg/hm2、0.269和0.162,以此为基础,制作出具有实际农学意义的冬小麦开花期不同等级SPAD值、生物量、叶面积指数和叶片氮含量遥感监测专题图,实现了主要长势参数空间分布量化表达。基于卫星影像的农田面状信息获取技术克服了点状信息的不足,为农业生产管理决策及时提供信息支持,使该研究技术更利于大面积应用和推广。     

变异系数法结合优化神经网络的无人机冬小麦长势监测

高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法（Coefficient of Variation Method,CV）构建综合长势监测指标（Comprehensive Growth Monitoring Indicators,CGMICV）,通过16种植被指数与CGMICV进行相关性分析,计算植被指数间的方差膨胀因子,筛选最优植被指数作为模型输入变量,采用偏最小二乘（Partial Least Squares Regression,PLSR）、随机森林（Random Forest,RF）、反向传播神经网络（Back Propagation Neural Networks,BPNN）及遗传算法（Genetic Algorithm,GA）优化的BPNN模型建立冬小麦长势反演模型,结合评价指标获得冬小麦最优长势反演模型,最终得到研究区冬小麦长势空间分布信息。研究结果表明：以变异系数法得到的冬小麦CGMICV相关性比单一指标的相关性有不同程度的提高;利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN,其决定系数R2可达0.71,模型精度较传统赋权法提高了26.79%;采用GA优化后的BPNN模型的不稳定显著下降,其平均相对误差中位数下降了22.22%,决定系数R2也有所提高;研究区内半数以上的冬小麦长势集中于第Ⅲ等级,其所占比例为55.83%,其次集中于第Ⅰ等级,其所占比例为36.08%,研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。     

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。     

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     

高分辨率遥感影像中冬小麦长势空间异质性特征分析

遥感影像可以同时获取地物波谱及空间位置信息,为作物长势的空间变异研究提供新的技术手段,该文利用高空间分辨率遥感影像开展了冬小麦地块内长势空间异质性特征的提取及分析。研究基于小麦挑旗期QuickBird遥感影像,选取不同长势冬小麦地块,计算地块内冬小麦归一化植被指数(normalized difference vegetation index,NDVI)的经验半方差函数,采用最小二乘算法进行模型拟合,得到冬小麦地块NDVI最优半方差模型及参数(基台值、变程、块金值)。结果表明,不同冬小麦地块NDVI经验半方差图呈现明显的有基台模式,冬小麦NDVI表现出明显的带状异向性特征。在垂直及平行垄向上,基台值与地块内NDVI纹理值域范围、纹理方差均极显著正相关(P0.01),且受方向影响不大;变程在垂直垄向上与地块内部作物NDVI均值呈极显著负相关(P0.01),与变异系数及NDVI小于0.40的像元覆盖度极显著正相关(P0.01);块金值垂直垄向上与作物NDVI均值、变异系数、小于0.40的像元覆盖度有极显著关系(P0.01),变程、块金值在平行垄向与各个因子无相关性。该研究为利用遥感影像揭示作物长势的空间变异提供了参考。     

基于遥感的国外作物长势监测与产量趋势估计

国外重点产粮区的作物长势和产量增长趋势信息对于中国政府决策和制订合理的粮食政策具有重要意义,但由于地域的限制、生产方式的差异以及国外可获取的气象资料有限,气象模型和农学模型在国外估产方面尚存在不足,遥感以其便捷、快速、客观的优势已被越来越多地采用进行国外作物长势监测和产量估计。该文以美国玉米和印度水稻为例,探讨了基于1kmSPOT-VGT遥感资料进行作物长势监测和产量趋势估计的方法,并结合当地气象条件对其结果进行了分析。经检验,利用该方法得到的长势状况及空间分布与实际基本一致,产量增长趋势预测准确率为100%;在作物生长旺盛季节,植株覆盖密度较大时,EVI比NDVI能更真实地反映作物的长势状况。该研究可为国外作物长势遥感监测与产量估算业务应用提供参考。     

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。     

Estimation of protein contents in winter wheat grain using satellite remote sensing

(Jpn. J. Soil Sci.Plant Nutr., 77, 317–320, 2006)     

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。     

频率直方图与植被指数结合的冬小麦遥感产量估测

基于机器学习方法建立的作物产量估测模型常因过拟合等问题导致泛化性能偏低,产量估测精度不高。该研究以河南省为研究区,分别对不同波段地表反射率数据采用均值法和频率直方图法构造样本特征集作为输入变量,结合随机森林（Random Forest,RF）算法建立冬小麦遥感估产模型。研究结果表明,频率直方图法预测效果优于均值法,平均绝对误差和均方根误差分别为660和860 kg/hm2,决定系数最高达到0.83,达极显著水平（P<0.01）;7个地表反射率波段中,近红外1波段表现最好;单个合成指数中,归一化水分指数的表现要优于归一化植被指数;波段组合中,归一化植被指数和归一化水分指数的组合验证效果最优,平均绝对误差和均方根误差分别为444和527 kg/hm2,决定系数为0.89,达极显著水平（P<0.01）,其组合预测效果在4月15日至22日时段内表现最佳,该时段对冬小麦产量的影响最大。该研究通过采用基于频率直方图法构建样本特征结合随机森林算法建立冬小麦遥感估产模型,可为县域冬小麦遥感估产提供一种有效的解决方案。     

冬小麦面积遥感识别精度与空间分辨率的关系

不同空间分辨率农作物面积识别精度是农情遥感监测数据源选择的依据。该文采用WFV(wide field view)、MODIS(moderate-resolution imaging spectroradiometer)、OLI(operational land imager)、Google Earth影像,在天津市武清区选择了12 km×14 km的冬小麦种植区作为研究区域,采用目视识别的方法,分析了2、5、10、15、30、100、250 m共7个空间分辨率尺度下冬小麦面积识别精度与遥感数据分辨率、农田景观破碎度之间的关系。结果表明,随着空间分辨率由2 m变化到250 m,冬小麦面积识别的总体精度逐步由98.6%降低到70.1%,精度降低28.5%;面积数量比例由5.5%扩大到110.6%,误差增加105.1个百分点;面积精度呈明显下降趋势,数量误差呈明显增加趋势,数量误差的增加速度高于精度下降的趋势。高、中、低3个景观破碎度条件下,随着分辨率由2 m降低到250 m,作物识别精度分别降低了72.8、63.2和47.0个百分点,破碎度的增加导致面积识别精度下降速度更快;同等分辨率下,破碎度越高的地区面积识别精度越低。像元内冬小麦占比与可识别能力密切相关,像元占比达到45.0%以上时才能够被正确识别为冬小麦类型,像元尺度降低导致细小斑块丢失是造成面积识别与数量精度降低的主要原因。像元空间分辨率越高,冬小麦像元的光谱一致性越强,越有利于冬小麦分类精度的提高。针对农情遥感监测业务运行的需要,上述研究结果可以作为区域范围不同用户精度要求前提下遥感数据源选择的依据。     

基于遥感数据和气象数据的水旱地冬小麦产量估测

研究利用遥感数据进行了运城地区冬小麦不同生育时期归一化差值植被指数和产量关系的研究,利用气象数据和光谱数据构建了冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型。结果表明：运城地区水旱地冬小麦均以5月8日左右的NDVI值与产量相关性最好,且达极显著水平,因此该时期为建立冬小麦遥感估产模型的最佳时相。通过对冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型预测效果进行的F检验,表明各模型均达到极显著水平。与其他两种模型相比,光谱气象产量模型的决定系数（R2）有明显的提高,并且相对均方根误差（RRMSE     

华北平原冬小麦总初级生产力的遥感监测

该文以华北平原冬小麦为研究区,验证MODIS-GPP产品数据在下垫面复杂的农田生态系统的适用性,及农田生态系统的碳源/汇功能。首先采用MODIS-NDVI产品数据,根据冬小麦物候特征,解译出冬小麦种植面积;然后与经过验证并校正后的MODIS-GPP产品数据估算华北平原冬小麦2010年生长季内的GPP总量;最后,由涡度相关实测数据估算出冬小麦的生态系统呼吸量（RE）和净生态系统生产力(NEP)。结果显示：MODIS-NDVI解译出的冬小麦面积结果与TM解译结果的用户精度高达90.6%,总体精度达87.2%;MODIS-GPP产品数据与涡度相关数据估算结果的复相关系数高达0.9227;2010年华北平原冬小麦生长季GPP约为6.24′108 kgC,约占该区所有植被GPP的21.3%;华北平原冬小麦固碳能力较强,净生态系统生产力（NEP）占GPP的58.7%。研究表明,MODIS-GPP产品数据满足华北平原冬小麦GPP统计精度需求,冬小麦生态系统对陆地生态系统起到了重要的碳汇功能。     

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.     

基于光谱遥感的冬小麦籽粒淀粉积累量的监测

为了建立基于叶绿素密度淀粉积累量的最佳种植密度光谱监测模型,利用遥感技术准确测量小麦淀粉积累量,本试验通过大田试验,根据品种特性和晋中地区推广种植密度分别设置5个种植密度(300万苗.hm 2、450万苗.hm 2、600万苗.hm 2、750万苗.hm 2、900万苗.hm 2),对其冠层光谱、叶绿素密度和淀粉积累量进行了测定,并利用统计学方法对5个种植密度的数据进行分析,对混合密度进行模拟。结果表明,在5个密度梯度和模拟混合密度下所建立的淀粉积累量光谱监测模型中,以密度750万苗.hm 2条件下的NDVI(1 200 nm,670 nm)所建立的光谱模型最好,其精确度可达0.920 6。用2009—2010年的试验数据对模型进行检验,其预测值和实测值的R2也可达0.954 2,表明750万苗.hm 2的种植密度是对冬小麦淀粉积累量进行预测的最佳密度,依此所建立的冬小麦淀粉积累动态监测光谱模型是可行的。同时,所建立模拟混合密度模型的精确度可达0.883 1,验证R2也可达0.905 4,说明该模拟混合密度模型能够较准确地预测不同种植密度条件下的淀粉积累量。因此,模拟混合密度模型在现实应用中具有较好的适用性和普适度。     

基于低空无人机遥感的冬小麦覆盖度变化监测

无人机遥感作为卫星遥感的有益补充,具有高时效、高分辨率、低成本、低损耗、低风险及可重复等优点。为了利用无人机遥感系统进行快速机动地监测大面积农作物覆盖度变化,更好地服务和指导农业生产,该文设计了一套以低空无人直升机为平台的多光谱载荷观测系统,并以冬小麦为研究对象,对冬小麦生长过程中的5个主要生育期进行监测,提出一种从时间序列影像的植被指数直方图曲线中获取植被指数阈值的方法,并利用植被指数阈值法提取研究区域内冬小麦覆盖度时序变化曲线,分析了空间尺度对提取植被覆盖度的影响。研究结果表明,利用低空无人机遥感监测冬小麦覆盖度变化的方法可行,分析结果可靠,在大面积农作物覆盖度的测量有很好的应用前景。     

不同时空分辨率遥感数据融合估算冬小麦叶面积指数

高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。