基于EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。     

GF-1影像遥感监测指标与冬小麦长势参数的关系

为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R~2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R~2:0.689 4],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R~2:0.543 8],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R~2:0.448 6],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R~2皆低于0.360 0,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。     

基于GF-1/WFV EVI时间序列数据的水稻种植面积提取

随着国产高分系列卫星的发射,国产高分辨率遥感影像在作物种植面积提取方面逐渐得到了应用,但目前仅有少量基于高分一号(GF-1)卫星影像归一化植被指数(Normalized Difference Vegetation Index,NDVI)进行作物分类或遥感估产的研究。本文针对NDVI指数在南方多植被覆盖区域易饱和及不敏感的缺陷,利用在NDVI基础上改进的增强型植被指数(Enhanced Vegetation Index,EVI),首次提出基于GF-1卫星16m宽覆盖影像(Wide Field of View,WFV)EVI时间序列的水稻种植面积提取方法。选取四川省乐至县为研究区域,获取覆盖整个水稻生长周期的GF-1/WFV影像数据,构建EVI时间序列,并分析水稻不同生长期的EVI曲线特征。利用时间序列谐波分析法(Harmonic Analysis of Time Series,HANTS)对EVI时间序列进行平滑处理,尽可能减少噪声影响,使EVI时间序列能够更好地反应水稻及其他植被或非植被随时间的变化规律;根据水稻和其他植被及非植被的EVI曲线特征差异构建水稻种植面积提取决策树模型,对水稻种植面积进行准确提取。通过与同期地理国情监测成果的对比,本研究方法提取的水稻种植面积和精度都较高,表明该方法对于提取水稻种植面积效果良好。研究表明,相对于以往用中低分辨率卫星影像进行作物种植结构提取,GF1/WFV影像在南方较破碎的水稻种植面积提取方面应用效果良好,GF-1卫星影像在农业遥感领域具备很大的应用潜力。     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

基于光谱特征分异的玉米种植面积提取

玉米种植面积的准确获取是进行玉米长势监测和产量估测的前提与基础。在对Landsat-8/OLI影像进行辐射定标、大气校正、几何精校正和裁剪等预处理的基础上,基于典型地物光谱空间差异与物候特征的异同,选取具有代表性的4种植被指数[归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、绿度植被指数(GVI)]和近红外波段反射率,通过构建植被光谱特征指标阈值对不同地物进行识别和分类,最后获取玉米种植面积。结果表明,利用近红外波段反射率可以将农作物与其他地物区分开来,即当其反射率值大于0.37时,地物为农作物。对不同种类农作物识别时,选择NDVI0.86、DVI0.53、RVI13.00、GVI3 713.60作为分类阈值,可以将玉米与水稻和大豆区分,准确提取到玉米的种植面积。利用样本数据和当地农业部门提供的数据进行面积提取精度验证,总体精度为92.75%,说明基于多光谱特征指标建立分类阈值的方法可以准确提取玉米种植面积,该方法可以为江淮玉米种植区县域玉米种植面积的提取提供参考。     

RS和GIS在黔中主要秋粮作物生育期及长势动态监测中的应用

根据2004~2006年的遥感MODIS-NDVI和地面农业气象观测数据,分析了NDVI时间序列的变化与贵州中部农作物生长发育及长势的规律。结果表明:遥感植被指数与秋粮作物生育期和长势存在较好的相关性,NDVI=0.7和ND-VI>0.75对应了黔中水稻和玉米的关键生育期及对温度条件要求最敏感的时期。利用卫星资料得出的植被指数,可用于建立秋粮作物产量评估模型。     

基于植被指数和最优物候期的玉米产量预测研究

本文以长春市为研究区,利用高分一号影像进行玉米种植面积提取,并以此对2006—2014年MODIS-EVI产品进行掩膜,计算长春各县市玉米不同物候期的EVI平均值,建立EVI与统计单产之间的关系模型,通过模型拟合的优劣程度筛选出各县市玉米的最优估产模型,利用最优模型开展2015年长春市玉米产量的预测工作。结果表明,基于最优估产模型的长春各县市2015年玉米单产预测的相对误差为-0.14%~16.88%,总体误差为1.61%,均方根误差为191.58kg/hm2,实现了区域尺度下对作物产量的高精度预测。     

Gompertz增长模型在林产品产值预测中的应用

应用增长模型的理论和方法，根据《临安五十年》中的统计数据建立Go mpertz增长模型γ=6exp[-5.8020e^-0.3679t]，并对临安市的林产品的产值进行预测。预测结果与实际值的相对误差仅为00082%相关指数达到0.9992，表明模型与实际值拟合程度很好，达到了较高的精度，预测方法简便易行，具有实用意义。模型也可用来预测经济林产量和资源消耗量等，为林业生产、经营及技术更新提供决策依据，提高管理上的宏观调控能力。图3表1参4。     

2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测

以中国农业遥感监测系统(CHARMS)大尺度业务运行作物长势监测需求为实际驱动力,进行基于遥感影像全覆盖的大尺度农作物类型遥感综合自动识别的方法研究,通过分析2009年江苏地区冬小麦和水稻的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征,确定冬小麦和水稻信息提取的NDVI阈值,建立不同作物面积提取模型,并最终获取了2009年CHARMS中江苏冬小麦和水稻长势监测所需的作物空间分布,并与多年平均统计数据比较,总体精度分别达到了78%和85%以上,基本可以满足农情业务化需要.其次,基于面积识别的结果,利用目前长势监测中应用最广泛的归一化植被指数NDVI对江苏2009年冬小麦和水稻长势进行监测,并用差值模型,与近5年长势的平均状况进行对比研究.结果表明,2009年江苏冬小麦和水稻长势均呈现"前期较好,中期变差,后期恢复"的趋势;空间分布上,淮北和苏中地区冬小麦全年长势较多年平均稍差,而水稻长势较差的地区主要分布在苏南地区.     

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。     

基于熵值法的玉米产量组合预测模型

为了提高玉米产量预测的精度.利用熵值法为每种单一预测模型分配加权系数;将各单一预测模型的预测结果加权求和得到了组合预测模型的预测结果,建立了玉米产量组合预测模型.利用2000-2006年玉米产量资料进行模型精度检验,结果表明,组合预测模型的精度有明显提高,说明应用组合预测方法进行玉米产量预测是可行的.     

Gompertz 增长模型在林产品产值预测中的应用

应用增长模型的理论和方法, 根据《临安五十年》中的统计数据建立Gompertz 增长模型=6 exp[ -5.802 0 e-0.3679t] , 并对临安市的林产品的产值进行预测。预测结果与实际值的相对误差仅为0.008 2 %, 相关指数达到0.999 2 , 表明模型与实际值拟合程度很好, 达到了较高的精度。预测方法简便易行, 具有实用意义。模型也可用来预测经济林产量和资源消耗量等, 为林业生产、经营及技术更新提供决策依据, 提高管理上的宏观调控能力。图3 表1 参4     

基于多时相遥感数据的水稻种植面积信息提取

在遥感影像中,植物的含水量、土壤湿度在短波红外波段下表现很敏感,而红光波段和近红外波段对植物覆盖率、植物长势反映很强烈。基于时间差异的决策树水稻提取模型,通过计算水稻生长不同时期的归一化植被指数NDVI和土壤含水量指数LSWI,在江苏省盐城市射阳县开展了水稻种植区提取的相关研究。经过提取的水稻面积和地方统计数据对比表明,该模型能有效区分出水域、玉米和菜地等较易与水稻种植区混淆的地物,面积提取精度达到76.26%。     

基于Landsat TM影像的冬小麦拔节期主要长势参数遥感监测

[目的]强化冬小麦长势遥感监测机制,为田间生产管理提供信息支撑.[方法]以2007-2009年试验实测数据为基础,以Landsat TM影像为数据源,分析试验样点拨节期冬小麦主要长势参数与品质、产量以及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拔节期叶面积指数(LAI)、生物量、SPAD值和叶片氮含量(LNC)的模型.[结果]冬小麦拔节期,选用中红外波段的反射率(B5)、归一化植被指数(NDVI)、DSW5和绿波段的反射率(B2)等遥感变量分别反演冬小麦的SPAD值、生物量、LAI和LNC是可行的;SPAD值,生物量、LAI和LNC遥感监测模型的精度较高,以此为基础,制作出了具有实际农学意义的冬小麦拔节期不同等级SPAD值、生物量,LAI和LNC遥感监测专题图,实现了主要长势参数空间分布量化表达.[结论]研究结果可为广大农学家、农业部门决策者和田问管理人员提供及时的农情信息.     

基于改进SVM算法的典型作物分类方法研究

以黑龙江省哈尔滨市阿城区为研究区域,多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(Wide field of view,WFV)影像为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、归一化水指数(Normalized difference water index,NDWI)、比值植被指数(Ratio Vegetation Index,RVI)4种植被指数,构建植被指数时间序列,分析作物特征曲线,结合实地样本数据,采用支持向量机(Support vector machine,SVM)分类器对研究区内主要农作物玉米、水稻和大蒜/白菜实施分类。针对SVM分类器分类精度较低问题,引入自适应变异粒子群算法(Adaptive mutation particle swarm optimization,AMPSO)优化SVM,克服传统SVM参数选择主观性,进而提升分类器分类精度。结果表明,玉米和水稻生育期与大蒜/白菜差异较大,易区分;玉米与水稻生育期接近,光谱信息相似,区分难度较大,但光谱指数增长与回落趋势不同,借助NDVI、RVI和EVI可实现有效区分。改进后的AMPSO-SVM分类器,分类效果相比于SVM明显提升,确定核参数为0.135,惩罚因子为221.67时,分类效果最佳,总体分类精度达到94.39%,Kappa系数为0.9287,比SVM分类器,分类精度提升3.48%,Kappa系数提高0.0436。研究可为大区域农作物种植结构提取提供参考与借鉴。     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

干旱胁迫对冬小麦生态、光合、产量及光谱特征的影响

利用2010—2011年度小区冬小麦干旱试验资料,研究不同干旱时长和保持不同土壤水分条件下冬小麦生理生态以及光谱的变化特征,为改善冬小麦田间管理和减少农业损失提供依据。从孕穗期开始,研究了受试品种(中优9507)株高、叶绿素、净光合速率、产量及光谱特征等指标的变化规律,并据此构建出冬小麦归一化植被指数(NDVI)和增强植被指数(EVI)同冬小麦减产率的相关模型。结果表明,受干旱胁迫后,冬小麦株高、叶绿素含量、光合作用能力显著下降,且下降幅度随着胁迫的加强而增大。NDVI和EVI同减产率能够建立很好的关系模型,可以为作物产量监测和干旱风险预测提供依据。     

基于 CGMD302光谱仪的甜玉米生长指标监测

[目的]该研究旨在明确甜玉米不同生育期生长指标与光谱仪冠层光谱参数的定量关系,进而为甜玉米生长指标快速监测提供决策依据。[方法]通过开展基于正甜68的不同施钾水平的田间试验,于拔节期、大喇叭口期以及抽雄期利用 CGMD302光谱仪采集玉米冠层光谱反射率,并同步测定各处理株高、茎粗、叶面积指数等生长指标数据,研究各光谱参数与生长指标之间的关系。[结果]归一化植被指数 NDVI与茎粗和 LAI呈正相关关系,而比值植被指数 RVI与茎粗和 LAI呈负相关关系,基于NDVI和 RVI构建的单个时期监测模型可以有效地反演甜玉米茎粗和 LAI,模型检验结果良好,预测精度均达到0.9以上,均方根误差均小于10%,平均相对误差均小于5%。[结论]该研究结果可为甜玉米生长指标快速监测提供技术依据。     

基于MODIS EVI时序数据的冬小麦种植面积提取

基于MODIS EVI构建的时间序列谱,结合冬小麦生育期形态变化特征,提取了河南省冬小麦种植面积.结果表明,冬小麦在EVI特征空间中具有独特的序列谱相特征,返青期后冬小麦整体EVI表现为逐渐升高,EVI在开花期后下降,灌浆后期快速降低;采用决策树分类方法实现冬小麦分离提取,整个河南省冬小麦识别面积与官方统计面积仅相差482.00×103 hm2,精度达到90.88％;EVI时间序列谱反映的作物生长过程的生理意义明确,采用MODIS EVI时间序列谱的遥感分类方法可以较好地实现冬小麦的遥感分类提取,满足冬小麦的长势监测和遥感估产的需要.     

基于CGMD302光谱仪的甜玉米生长指标监测（英文）

[目的]该研究旨在明确甜玉米不同生育期生长指标与光谱仪冠层光谱参数的定量关系,进而为甜玉米生长指标快速监测提供决策依据。[方法]通过开展基于正甜68的不同施钾水平的田间试验,于拔节期、大喇叭口期以及抽雄期利用CGMD302光谱仪采集玉米冠层光谱反射率,并同步测定各处理株高、茎粗、叶面积指数等生长指标数据,研究各光谱参数与生长指标之间的关系。[结果]归一化植被指数NDVI与茎粗和LAI呈正相关关系,而比值植被指数RVI与茎粗和LAI呈负相关关系,基于NDVI和RVI构建的单个时期监测模型可以有效地反演甜玉米茎粗和LAI,模型检验结果良好,预测精度均达到0.9以上,均方根误差均小于10%,平均相对误差均小于5%。[结论]该研究结果可为甜玉米生长指标快速监测提供技术依据。