基于RS的黑龙江省水稻种植空间分布格局研究

黑龙江省水稻种植面积一直受到各级政府部门的重视,为合理规划水稻种植布局,以2011年黑龙江省水稻种植区域为研究对象,利用遥感手段提取水稻种植面积,结合黑龙江省水系、积温带、地形以及行政体系等影响水稻种植的因素,分析黑龙江省水稻空间分布格局特点。结果表明:黑龙江省水稻种植主要沿水系分布在三江平原、松嫩平原、东南部山地的第一、第二、第三、第四、第五积温带;地方系统和农垦系统水稻种植面积分别占黑龙江省水稻种植面积的44.6%和55.4%。     

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。     

江苏省水稻主产区水稻种植面积时空动态变化分析

【目的】揭示江苏省水稻种植时空格局及动态变化特征,评价其稳定生产水平和种 植结构的空间变化规律,为江苏省水稻生产空间布局的优化调整和可持续发展提供决策依 据。【方法】文章选择江苏省水稻主产区50 个1∶50 000 比例尺标准地形图图幅单元为研究 区域,基于江苏省5 m 空间分辨率耕地遥感数据库,利用2011—2019 年水稻生长期内多源 遥感卫星影像,提取研究区当年的水稻种植面积及空间分布信息。运用数理统计和GIS 空间 分析功能,研究水稻面积变化幅度、变异系数以及转非水稻面积的时空分布特征,继而分析 2011—2019 年水稻种植面积的时空动态变化。【结果】研究区内50% 的地区水稻种植面积 仍然保持相对稳定,42% 的地区水稻种植面积缓慢下降,仅8% 的地区水稻种植面积急剧下 降。2011 年以来,累计有11.6 万hm2 水稻田逐年转为非耕地或持续种植其他作物,占2011 年研究区内水稻种植面积的13.7%。【结论】2011—2019 年研究区内水稻种植面积变化趋势 线斜率为-0.88,总体呈下降趋势,水稻面积平均变化率为-1.03%,变异系数为2.99%。     

水稻种植面积提取遥感方法研究——以黑龙江省绥滨县为例

农作物种植面积及其空间分布是制定粮食政策和调整种植结构的重要依据。文章选择黑龙江省绥滨县作为训练区,选取TM8卫星数据,采用人工目视解译与计算机自动分类等2种方法,进行对训练区水稻种植面积提取。假定目视解译的结果为真值,在时间效率和解译精度2个方面,对自动分类结果进行对比分析,自动分类水稻面积的准确率在95%左右,但时间节省了数十倍。说明利用计算机自动分类方法提取水稻种植面积的方法是可行的。     

多源遥感数据在黑龙江水稻种植面积本底调查中的应用

利用多源遥感数据结合的优势,在地理信息系统和全球定位系统的支持下,结合地面调查,进行水稻种植面积的提取,从而实现黑龙江水稻种植面积的本底调查。为黑龙江省建立现代农业空间统计技术体系和粮食安全与区域生态保障空间的决策支持系统提供方法研究,同时也为黑龙江省农业空间统计技术和宏观农业科学决策的现代化进程提供示范。     

RapidEye卫星数据在水稻种植面积遥感调查中的应用研究——以桂平市晚稻为例

本研究在以桂平市RapidEye卫星影像为例,深入探讨RapidEye卫星影像南方地区水稻种植面积遥感调查的可行性。从RapidEye图像的几何纠正精度、图像合成处理、遥感解译标志和调查结果看,采用RapidEye图像调查的精度和实效性高,可以满足南方地区水稻种植面积遥感调查的需要。     

RapidEye卫星数据在水稻种植面积遥感调查中的应用研究——以桂平市晚稻为例

本研究在以桂平市RapidEye卫星影像为例,深入探讨RapidEye卫星影像南方地区水稻种植面积遥感调查的可行性。从RapidEye图像的几何纠正精度、图像合成处理、遥感解译标志和调查结果看,采用RapidEye图像调查的精度和实效性高,可以满足南方地区水稻种植面积遥感调查的需要。     

高分一号卫星影像监测水稻种植面积研究综述

简要介绍了高分一号卫星应用于农情遥感监测的优势和水稻种植面积遥感监测的原理,着重对遥感影像数据预处理、遥感影像分类方法与水稻面积提取技术等方面的研究进展进行了综述。高分一号卫星具有高空间分辨率和时间分辨率的特点,反映作物的光谱特征明显,适合选用为农情遥感监测的数据源;基于高分辨率卫星影像的水稻种植面积提取技术比较成熟;基于决策树、人工神经网络、专家知识、人工目视解译等分类提取方法应用前景广阔,但精度有待进一步提高。     

黑龙江省水稻育苗大棚种植蔬菜二次利用技术

黑龙江省东部地区水稻种植面积增加较快,大部分水稻育苗床在水稻起苗后都处于闲置状态,造成了资源的很大浪费,富锦市技术人员和农民一起探讨并试验总结出水稻育苗大棚二次利用技术,利用水稻育苗大棚种植瓜类及蔬菜类作物,取得明显的经济效益,使资源得到合理利用。     

黑龙江省水稻低温冷害遥感监测技术研究

黑龙江省是我国最大的粮食生产基地,是重要的优质水稻生产基地.为降低低温冷害对水稻生产的影响,提高防灾减灾能力,开展黑龙江省水稻低温冷害遥感监测技术研究具有重要意义.以遥感影像结合气象数据和水稻生长观测资料等,提取水稻种植面积、识别生育期,用冷害监测指标、植被指数与遥感反演数据结合构建监测模型,并进行监测精度评价,提供时...     

湖北省油菜种植面积的遥感监测方法探讨

遥感技术是农作物种植面积监测的一种快速、经济和准确的新技术。论文研究了适宜于湖北省油菜种植面积的遥感监测的最佳时相、最佳数据源、影像解译方法等。结果表明,湖北省油菜面积遥感监测的最佳识别时相位于3月中旬—4月中旬,即油菜的开花期。对于湖北省省域范围油菜种植面积遥感监测,为了既能兼顾经济上的可行性和技术上的精度,建议对于油菜非成片分布的低山丘陵地区,采用10m-ALOS影像自动分类,对于油菜连片分布的平原地区,采用至少有1景成像于油菜开花期的双时TM影像,同时采用"时序差值+自动分类"方法的技术方案。     

黑龙江省水稻产量风险分布及区划

[目的]分析黑龙江省水稻产量风险的空间分布规律,并进行风险区划。[方法]对黑龙江省历年水稻单产相对气象产量序列进行正态分布判别和偏态分布正态化处理,选取水稻平均减产率、减产率变异系数和减产率大于10%的风险概率作为评价指标,分析黑龙江省水稻产量风险的空间分布规律,并采用K-means平均聚类算法进行黑龙江省水稻产量的灾害风险区划。[结果]按照水稻产量的灾害风险区划,将黑龙江省划分为低、中、高3类风险区。黑龙江省水稻单产减产风险区呈整体连片、局部分散的特点。高风险区位于黑龙江省东北部和西南部地区,北部及东部地区为中风险区,而黑龙江省中部和南部地区风险最低,属于低风险区。[结论]合理调整种植结构,加强水稻生产管理和完善灌溉设施是规避黑龙江水稻产量风险的主要措施。     

水稻新品种龙粳31主要特点及旱育壮秧技术

同江市位于黑龙江省东北部三江平原地区,主要种植水稻、玉米、大豆,2013年在水稻生产中,重点推广了水稻新品种龙粳3l,种植面积占全市水稻总种植面积62．5％。现将龙粳31的主要特点及早育壮秧技术介绍如下。     

"3S"技术在水稻种植面积动态变化监测中的应用

以黑龙江省三江平原水稻主产区为样区,利用遥感(RS)、地理信息系统(GIS)和全球定位系统(GPS)技术对水稻种植面积进行监测和评价,及时掌握水稻种植面积和变化趋势,能够在短时间内完成监测,为水稻生产的发展提供科学依据.与常规方法比较,具有精度高,时间短,人、财、物力消耗少,可广泛应用.     

区域总量控制下的冬小麦种植面积空间分布优化

【目的】利用传统遥感与抽样相结合的方法进行农作物种植面积测量,只能获得区域总量,无法有效获取农作物种植面积空间分布信息。针对以上不足,开展区域总量控制下的冬小麦种植面积空间分布优化研究,从而提高冬小麦种植面积测量的空间分布精度。【方法】将整个遥感影像像元划分为3部分:"纯净冬小麦像元"、"混合冬小麦像元"和"典型非冬小麦像元"。综合软、硬分类方法各自的优势,在区域冬小麦总量面积一定的前提下,设定阈值确定混合冬小麦像元的空间分布范围。【结果】传统遥感与抽样相结合的方法提取出的冬小麦结果RMSE为0.13,优于硬分类方法(RMSE为0.16)和软分类方法(RMSE为0.20)。【结论】区域总量控制下的软、硬分类方法能够有效地对冬小麦种植面积空间分布进行优化,既保证了区域测量精度,又提高了空间分布的准确性。     

基于水稻特征波段的决策树分类研究

以滁州市为例,结合水稻物候的特征波段,选用反映水稻物候期时相的TM数据,并基于多特征波段,构建CART决策树分类提取水稻种植面积。结果表明,植被指数、湿度因子、绿度因子、纹理特征等多特征参与CART决策树分类能够提高总体精度。基于光谱信息、植被指数和纹理特征的决策树分类的总精度比以最大似然法进行的监督分类方法提高了6.942 1百分点,Kappa系数提高了0.110 4。合理选用作物物候期数据及其遥感影像的特征波段能够有效降低分类误差,为地形复杂地区获取作物种植面积提新的方法。     

东北三省水稻种植面积时空变化监测与分析

基于2000—2015年的中分辨率成像光谱仪(MODIS)数据,利用分区适应性水稻判别条件提取东北三省的水稻种植面积分布,并利用重心迁移法和变化斜率法分析近15年水稻种植面积的年际变化、波动趋势及空间变化特征。结果表明:对研究区水稻种植面积提取的平均精度可达90%以上,在省级尺度上满足对水稻种植面积监测的需求。近15年间东北三省水稻种植面积大幅度增加,其中黑龙江省增加较快,而吉林省、辽宁省水稻种植面积只有小幅度变化;水稻种植面积出现北移为主、逐渐东移的现象;未来短时间内黑龙江省水稻种植面积变化率保持增加趋势,而吉林省基本处于平稳状态,辽宁省水稻面积则有平稳减少趋势,但减少不明显。     

黑龙江省水稻生产全程机械化发展方向研究

近年来,黑龙江省水稻种植面积不断扩大,2007年全省水稻种植面积209万hm^2,占全省粮食种植面积的20．5％,占全国水稻种植面积的7．19／6;2008年全省水稻种植面积已达236．78万hm^,     

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...     

基于高光谱遥感的农作物分类研究进展

【目的】农作物类型识别是农作物面积、长势监测与产量预测的重要前提。及时、准确地获取农作物类型、空间分布以及种植面积对制定农业政策、促进社会经济发展和保障国家粮食安全具有重要意义。近年来,高光谱遥感凭借光谱分辨率高、光谱信息丰富等优点,已广泛应用于农作物制图中。【方法】文章归纳了高光谱遥感应用于农作物分类的研究进展,总结了国内外农作物分类常用的高光谱数据源,并分析了各种数据源的适用范围。梳理了农作物高光谱遥感分类方法,讨论了各种分类方法的优缺点。【结果】现有农作物高光谱遥感分类研究存在一些不足:(1)机载高光谱影像光谱分辨率高,但影像监测面积小,不适合大区域农作物面积提取研究;(2)星载高光谱影像监测面积较大,但空间分辨率较低,某些农作物面积提取实际应用中精度较低;(3)由于缺乏对农作物高光谱特征的研究,导致分类算法机理性不足,普适性较差。【结论】农作物高光谱遥感分类未来研究方向是:(1)丰富高光谱遥感监测的农作物类型;(2)提高高光谱影像的空间分辨率,实现农作物种植结构复杂、地块破碎地区的农作物分类研究;(3)进一步研究利用高光谱遥感进行农作物分类的机理和多源数据融合的方法。