基于MODIS数据的丘陵地区冬小麦种植面积提取研究

利用2004-2005年MODIS 16 d合成的NDVI最大值植被指数数据,基于NDVI光谱突变方法对山西省运城地区冬小麦种植面积进行提取。通过分析得出：2005年5-6月（2005161～2005129）提取的冬小麦面积与实测面积相关性最高,估测的冬小麦面积与实测面积的误差最小,准确性最高。     

基于GIS的河南省烤烟移栽面积遥感监测及产量估算

烟叶的移栽面积和产量信息对于有效配置烟叶资源实现供求平衡非常重要,通过利用多时相的可见光数据对2012年河南省烟叶播种面积和长势进行了卫星遥感监测,同时对河南省各地市烟叶产量进行了估测。经过验证,估测面积与实测面积高度一致,估测精度达到90%。移栽面积估测误差主要来源于烟田种植面积细碎化和遥感影像分辨率较粗。面积估测误差势必会影响产量估测精度,此外由于缺少长时间数据积累不能准确估计叶面积指数和产量之间的数量关系,也会带来产量的估测误差。     

基于GIS的河南省烤烟移栽面积遥感监测及产量估算

烟叶的移栽面积和产量信息对于有效配置烟叶资源实现供求平衡非常重要,通过利用多时相的可见光数据对2012年河南省烟叶播种面积和长势进行了卫星遥感监测,同时对河南省各地市烟叶产量进行了估测。经过验证,估测面积与实测面积高度一致,估测精度达到90%。移栽面积估测误差主要来源于烟田种植面积细碎化和遥感影像分辨率较粗。面积估测误差势必会影响产量估测精度,此外由于缺少长时间数据积累不能准确估计叶面积指数和产量之间的数量关系,也会带来产量的估测误差。     

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。     

唐山市冬小麦单产空间分布及预测研究

河北省唐山市是我国冬小麦分布东北缘,对其产量变化的分析可以为我国冬小麦次要种植区的生产与预测提供具体的研究实例。利用唐山市199个乡镇19年冬小麦单产与分县气象要素数据进行分析,对唐山市冬小麦单产进行了分区,建立了唐山市冬小麦单产气象预测模型,并根据地面实测产量数据对预测结果进行了验证。结果表明,利用气象数据进行本研究区单产估测,相对误差在3.0%以内,可较好的服务于县级、地区（市）一级的单产估测工作,为基层政府指导粮食生产提供科学合理的支持。     

基于MODIS数据的河南省冬小麦长势监测研究

利用MODIS卫星数据提供的红波段和近红外波段(分辨率为250 m)计算冬小麦的NDVI,建立NDVI值和麦苗长势的对应关系。利用河南省冬小麦面积分布图层数据,去除非小麦信息。将全省划分为5个遥感监测生态区,利用历史数据做出每个生态区的多年平均NDVI值随日期变化曲线,将需要分类的NDVI合成图和变化曲线进行比较进而对冬小麦进行分类。叠合行政区划图层,以行政区划为单元进行统计输出,监测河南省冬小麦长势。     

基于高光谱成像估测冬小麦不同生育时期水分状况

【目的】研究实时、快速估测冬小麦不同生育时期水分状况并构建模型,为冬小麦水分精准管理提供科学依据。【方法】以新疆典型滴灌冬小麦为研究对象,应用高光谱成像技术获取冬小麦冠层光谱信息,并对原始光谱反射率进行平滑和数据变换,利用一元线性回归(Simple linear regression,SLR)、主成分回归(Principal components regression,PCR)和偏最小二乘回归(Partial least squares regression,PLSR)3种建模方法,对冬小麦冠层原始光谱及变换光谱分别构建植株水分含量估测模型。【结果】冬小麦冠层原始光谱反射率与植株水分含量相关性不高,对原始光谱反射率进行数据变换可以显著增强与水分含量的相关性和相关波段数,其中倒数一阶微分变换与冬小麦植株水分含量的相关系数最大,为-0.893 0,但不同变换最优相关系数所对应的波段位置并不固定。PLSR方法的模型精度最高,对数变换的PLSR模型估测精度最高,模型$R_{p}^{2}$、RMSE_p、RPD值分别为0.880 8、3.251 2%、2.934 3;冬小麦不同生育时期估测模型精度存在差异,拔节期、抽穗期估测模型精度较低,灌浆中期最高,其估测模型$R_{p}^{2}$、RMSE_p、RPD值分别为0.904 8、1.381 1%、3.454 7。【结论】利用高光谱成像技术对估测冬小麦植株水分含量是可行的,在灌浆中期的估测效果最佳。     

HJ-1号卫星数据与统计抽样相结合的冬小麦区域面积估算

【目的】探讨利用HJ-1号卫星遥感数据进行冬小麦种植面积测量的可行性,并进一步结合统计抽样的方法,估算区域冬小麦种植面积,解决单靠遥感进行冬小麦种植面积测量时多期影像信息误差积累和生长差异性影响的问题。【方法】以北京市为研究区,采用多时相HJ-1号卫星遥感数据与分层抽样相结合的方法进行冬小麦种植面积测量:利用多时相HJ-1号卫星遥感数据获取冬小麦遥感识别结果(56506.67hm2),结合耕地地块数据建立入样总体,以耕地地块内冬小麦遥感识别面积作为分层标志进行分层随机抽样,反推得到北京市冬小麦面积总量(59680hm2)。【结果】多时相冬小麦遥感识别结果MAE为0.17,bias为-0.05,抽样反推区域总量面积提高了约5%,在一定程度上纠正了HJ-1号卫星多期遥感影像提取冬小麦区域面积偏低的问题。【结论】本文方法能够准确测量出区域冬小麦总量面积,具有较强的应用性和普适性,为采用HJ-1号卫星遥感数据进行农作物种植面积遥感测量进行了先期的方法探讨,深化了该遥感数据源的应用。     

基于机器学习算法的河南省冬小麦面积提取研究

为了精准获取河南省冬小麦空间分布及面积数据,基于2003—2021年250 m MODIS-NDVI时间序列遥感数据集,通过设置不同的阈值条件获得高质量的样本数据,采用深度神经网络(DNN)、随机森林(RF)和支持向量机(SVM)算法,自动从NDVI时序数据中提取冬小麦特征,分别训练出非线性模型,在250 m尺度对河南省冬小麦分布和面积进行识别。结果表明,基于DNN算法的河南省冬小麦面积识别模型精确率为97.26%,总体一致性为97.97%;基于RF、SVM算法的精确率分别为91.51%和89.31%,总体一致性均在90%以下。和RF、SVM算法相比,DNN算法在精度上有明显的提升,能够更好地反映河南省冬小麦的时间变化趋势和空间面积分布。该研究说明,运用中等分辨率长时间序列影像结合DNN算法,在一定程度上可以更准确识别大区域的农作物信息。     

河南省冬小麦产量遥感监测精度比较研究

【目的】预测冬小麦产量,提高估产精度,为国家粮食生产安全宏观调控提供重要的数据和技术支撑。【方法】以河南省为研究区,利用时间序列MODIS-NDVI数据,结合河南省17个地市的产量数据以及河南省的冬小麦遥感监测面积数据,运用实时NDVI与产量数据建立线性模型、两年差值NDVI与对应的差值产量建立线性模型两种方法对河南省冬小麦产量进行预估,比较分析两种方法的精度。【结果】(1)两年差值归一化植被指数(dNDVI)明显比实时归一化植被指数(NDVI)更好地预估冬小麦产量。(2)实时NDVI预估单产产量相对误差基本可以满足要求,大部分在0.25以下,只有少数几个市(焦作、鹤壁、新乡、安阳)相对误差较高。(3)两年差值归一化植被指数(dNDVI)预估单产的整体误差均可以满足估产的要求,均在0.1以下。【结论】两年差值归一化植被指数(dNDVI)可以有效预测冬小麦产量,有利于提高估产精度。     

GEE支持下的河南省冬小麦面积提取及长势监测

【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎（Google Earth Engine,GEE）云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域（冬小麦种植区域）结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。     

省域冬小麦种植面积遥感本底调查方法——以安徽省冬小麦遥感本底调查为例

遥感技术目前在农业方面得到了广泛的应用,冬小麦作为我国重要粮食作物,农业部先后2次在全国范围内组织开展了冬小麦遥感本底调查工作。该研究介绍了2015年安徽省冬小麦遥感本底调查的遥感数据选择、数据预处理、解译方法,并对调查结果进行了分析,总结了省域冬小麦种植面积遥感本底调查方法和经验。     

基于时间序列MODIS-NDVI的冬小麦遥感识别

利用TM影像更新研究区的土地利用数据,提取冬小麦可能出现的区域作为掩膜限定识别范围,从而可以减少其他植被类型信息的干扰;通过选取冬小麦样点,在时间序列NDVI数据中提取纯冬小麦的时序曲线,根据曲线特征构建时相识别模型;在限定的范围内根据识别模型提取冬小麦,进而将两个尺度数据进行综合处理和面积统计,冬小麦面积为268.65×10~3 hm~2;利用统计年鉴数据和随机抽样两种方法进行精度分析,结果显示面积精度为91.56%,位置精度为87.46%。与实地调查和人工解译相比,大大提供了工作效率,减少了工作量,适用于大面积区域尺度的冬小麦监测。     

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。     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数（LAI）是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

冬小麦遥感估产多种模型研究

综合冬小麦地面光谱资料及相应的农学参数资料,ＮＯＡＡ／ＡＶＨＲＲ 资料,历年各县冬小麦单产、播种面积、总产资料,历年新疆各站气象资料,监测点历年冬小麦发育期、密度、产量分析等资料,证明地面光谱植被指数与冬小麦密度、生物量、叶面积指数关系密切,从而建立了密度与生物量的光谱监测模型,进而建立了北疆试验区各层冬小麦种植面积估算和产量预报卫星遥感模型,辅以冬小麦产量农业气象预报模型、农学模型及模拟模型,自１９９４ 年投入应用以来的结果表明,这套模型预报精度高、效果很好     

基于面向对象分类的冬小麦种植面积遥感监测 —以淮北市临涣矿区为例

为揭示2000年以来淮北矿区冬小麦种植面积变化规律,以IKNOS、Worldview-III高分辨率遥感影像为数据源,采用基于多尺度分割的面向对象分类方法,提取安徽淮北临涣矿区冬小麦种植面积信息,分析其时空变化特征及其驱动因素。结果表明,基于多尺度分割的面向对象分类方法对冬小麦种植信息提取结果非常理想,Kappa系数达到0.92,总体精度为93%,制图精度可达到94%;临涣矿区现有冬小麦种植面积为21.16 km2,占矿区总面积的55.1%;随着临涣矿区开采规模不断扩大与人口密度的增加,矿区冬小麦种植面积显著减少,交通运输用地、工业用地以及住宅用地均有不同程度增加。该研究对深入开展淮北矿区冬小麦长势监测和估产、区域粮食安全评估等工作提供重要的科学参考。     

京津冀冬小麦生产技术效率比较分析

【目的】为比较分析京津冀三地冬小麦的生产技术效率,进而为提升京津冀区域间冬小麦生产经营优势互补能力和区域生产效率。【方法】在定性和定量实地调研京津冀冬小麦生产经营情况的基础上,运用数据包络分析法测算冬小麦的生产效率。【结果】不同地区的纯技术效率差异较大且规模效率显著;随着种植成本的提高,农民的种植意愿逐渐下降并导致生产面积和种植质量的降低。【结论】政府在协同发展的基础上,继续提高本区域冬小麦生产要素的科学配置水平和生产技术优势互补的合作与推广力度,为提高京津冀地区口粮生产能力做出贡献。     

运城市粮食产量综合预报模型

基手运城市13个台站1971～2010年间的冬小麦和秋粮单产、作物生长期间的气温、降水和日照等地面资料以及海温、高度场资料．运用滑动平均、调和权重、逐步回归等方法分析了气象条件与冬小麦和秋粮单产的相关关系,分别建立了冬小麦、秋粮产量各种预报模型,并在此基础上建立了冬小麦、秋粮产量综合预报模型,其拟合效果和试报效果甚佳,可投入业务应用。     

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。