基于主成分变换的ASAR数据水稻种植面积提取

合成孔径雷达(SAR)数据是多云多雨地区水稻监测的重要数据源,多极化的SAR数据有利于识别精度的提高。通过对水稻生长期ENVISAT ASAR双极化数据后向散射系数分析得知,水稻VV极化的后向散射系数比VH极化大,两者总体上都随着水稻的生长而增大。在水稻生长后期,VV极化保持稳定,略有下降,VH极化持续增大。对6个通道的ASAR进行主成分变换,发现水稻种植区在第二主分量(PC2)上值较大,色调很亮,而在第五主分量(PC5)上值较低,色调很暗,分别反映了VV极化和VH极化在水稻生长茂盛期与生长初期的差异,两者差值(PC2-PC5)突出了水稻与其它地类的差异。利用主成分分量的差值(PC2-PC5),基于面向对象分类方法,建立了水稻种植区快速提取方法。利用该方法对福州地区2004年早稻面积进行提取,获得了满意的结果。     

利用时序合成孔径雷达数据监测水稻叶面积指数

为了确定全极化雷达数据监测水稻叶面积指数动态变化的精度,该文对水稻叶面积指数与后向散射系数进行了各生长阶段建模比较。采用广东雷州地区多时相多入射角精细全极化Radarsat-2数据,结合水稻全生育期地面样方实测数据,首先分析多入射角归一化后四极化(vertical-horizontal polarization,VH;vertical-vertical polarization,VV;horizontal-horizontal polarization,HH;horizontal-vertical polarization,HV)、比值极化HH/VV后向散射系数与水稻叶面积指数(leaf area index,LAI)随时间变化特征以及在营养生长阶段、生殖生长阶段和全生育期的相关关系,提取相关系数高于0.8的极化与生长阶段进行水云模型建模,最终生成多期水稻LAI反演分布图,并验证该数据反演水稻各生长阶段LAI的精度,探索SAR数据追踪区域尺度水稻长势的可行性。结果表明,在地形较为平坦的水稻集中连片种植区,VV、HH/VV后向散射系数与LAI在营养生长期、全生育期极显著相关(P0.01),相关系数均高于0.83。营养生长阶段VV、HH/VV水云模型拟合决定系数分别为0.77、0.87,全生育期VV、HH/VV水云模型拟合决定系数分别为0.73、0.8,营养生长阶段模型优于全生育期模型。精细四极化SAR数据监测区域尺度水稻LAI动态变化具有应用潜力,优选的极化模型为进一步的水稻长势监测提供依据。     

基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别

作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。     

单时相双极化ENVISAT ASAR数据水稻识别

许多研究已表明合成孔径雷达(SAR)对水稻识别及作物长势监测很有潜力。但是，以往的研究多是采用单极化多时相SAR数据进行水稻监测的。该文本着探讨多极化方式的优势以及降低数据购买成本和减少数据处理量的目的，对单时相双极化的ENVISAT ASAR APP数据的水稻识别能力进行了评价。在水稻生长季节，获取了覆盖江苏洪泽县的ASAR APP时间序列数据。首先，分析比较不同地物的后向散射系数，选择出最能区分水稻与非水稻的单时相数据；然后，采用决策阈值法将水稻信息从图像中提取出来；最后，利用DGPS实测的样地数据对水稻识别进行精度验证。结果表明，利用水稻齐穗期至近成熟期的HH和VV极化的ENVISAT ASAR APP图像能较好区分水稻与非水稻， 水稻识别精度可达86％以上。     

冬小麦不同生长期雷达后向散射特征分析与应用

雷达遥感具有全天候观测能力,其时效性保障是作物关键物候期观测的迫切需求。该文以全极化雷达遥感数据RADARSAT-2为数据源,选择冬小麦的孕穗期和乳熟期为研究对象,以理论模型MIMICS模拟为依据,分析了冬小麦不同物候期的散射特征和参数提取方法。结果表明：冬小麦不同生长期由于结构上的差异,散射特征差别很大;模型模拟可以为长势反演提供参考,为作物参数反演提供理论依据;孕穗期可以用极化比HH/VV提取作物长势信息,乳熟期极化比VV/VH更易提取长势信息,且精度更高,同时极化比VV/VH能在乳熟期估算冬小麦的产量。     

基于Sentinel-1A与Landsat 8数据的北黑高速沿线地表土壤水分遥感反演方法研究

土壤含水量是影响水文和气候变化的基本参数,研究土壤含水量分布,对气候变化、水资源分布、农作物估产等有着重要的现实意义和科学价值。本文以2015年6月21日的Sentinel-1A(哨兵1号)双极化合成孔径雷达影像为基础,结合同时段辅助光学影像Landsat 8,对北安—黑河高速沿线地区不同植被覆盖程度下复杂地表土壤含水量进行反演研究,探讨不同极化组合方式在不同土地利用方式下的土壤水分含量反演结果。结果表明:VH极化及VH与辅助变量NDVI(Normalized Difference Vegetation Index)组合反演精度分别为52.1%和53.6%,整体效果并不理想。VV极化(VV Polarization)图像和双极化VV/VH(VH Polarization)组合在裸露和低植被地区反演更具有优势,其精度分别为75.4%和59.5%,而在高植被覆盖度地区并不适用。VH极化反演结果中耕地土壤含水量比实际值低9.37%,VV极化在低植被区域土壤含水量比实际值低10.45%,在灌木及耕地地区VV/VH反演结果精度比单极化及其组合反演结果低,最高精度模型的反演是VV结合NDVI。VV与辅助变量NDVI结合能综合反映复杂地表环境下土壤含水量,其精度达84%,标准误差RMSE为2.07,比VV极化反演精度提高8.8%,RMSE比VV极化降低2.704。VV与辅助变量NDVI组合方式在中等植被覆盖地区土壤含水量反演更具有优势,并能够更好地发挥哨兵1号C波段合成孔径雷达在土壤水分研究中的潜力与有效性。     

基于ENVISAT ASAR数据的水稻时域后向散射特征分析

该文结合2004年和2006年在江苏省里下河地区进行的水稻观测试验,采用多时相双极化ASAR APMode数据分析了水稻HH极化、VV极化和比值系数σ°HH/VV的时域变化特征及与水稻生长参数的相关关系。通过建立水稻HH、VV和σ°HH/VV的时相变化曲线,分析了水稻抽穗期前后雷达信号随水稻冠层、植株含水量及稻田水层变化的后向散射特征。同时,选择水稻叶面积指数、鲜生物量和水稻株高与含水量的乘积为水稻参数,采用线性回归相关分析,探讨了水稻HH、VV和σ°HH/VV与所选水稻参数之间的相关关系。结果表明,以水稻抽穗期为转折点,水稻各极化后向散射系数随水稻的生长呈现先增大后减小的变化趋势,与所选水稻参数的时相变化大体一致。水稻HH和VV极化后向散射系数与所选水稻参数的相关系数都在0.75以上,其中与水稻鲜生物量的相关系数在0.9以上。σ°HH/VV与水稻参数的相关关系显著,相关系数均在0.85以上,并且受水稻品种、种植方式和地理环境等差异的影响较小,因此可用于水稻参数反演的可靠变量。     

基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取

小麦是中国最重要的农作物之一,准确、及时掌握小麦种植面积具有重要意义。以探索合成孔径雷达(synthetic aperture radar,SAR)与光学数据对种植结构复杂地区冬小麦识别的能力,提高识别精度为目的。该研究以多时相SAR(Sentinel-1A)和光学影像(Landsat-8)为数据源,选取种植结构复杂的都市农业区为研究区。构建不同特征向量组合,利用支持向量机(support vector machine,SVM)提取冬小麦种植面积。通过对比分析基于不同特征向量组合的冬小麦识别精度,结果表明:1)使用SAR后向散射数据得到85.7%的制图精度和87.9%的用户精度;2)添加SAR数据纹理信息,总体精度高达90.6%,比单独使用后向散射数据在制图精度和用户精度上分别提高7.6%和6.7%;3)当SAR数据和光学影像结合时,总体精度高达95.3%(制图精度97%,用户精度98.4%),比单独使用SAR数据在制图精度和用户精度上分别提高3.7%和3.8%。因此,基于SAR数据的都市农业区冬小麦分类,有着较高分类精度,纹理信息和光学影像的添加能有效提高识别精度。研究结果可为SAR数据的农作物识别和应用提供理论基础。     

基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取

为解决岭南地区作物制图中光学影像时空覆盖缺失以及作物种植结构复杂导致不确定性高等问题,以满足对高精度作物制图日益迫切的应用需求。该研究提出了一种基于Sentinel-1的双极化时间序列和作物物候信息建立时空维度典型物候特征的作物分类方法,选择广州市南沙区为试验区,通过XGBoost机器学习算法,实现了田块尺度下的不同作物类型的准确识别及种植面积的精细提取。结果表明：1）相比像素时序特征分类结果,经过雷达时空滤波后的田块时序特征分类方法不仅能有效抑制合成孔径雷达（Synthetic Aperture Radar,SAR）影像斑点噪声产生,而且总体分类精度和Kappa系数分别提高了12.5个百分点、0.19;2）与仅基于Sentinel-1(VV+VH)时空滤波后的全年时序特征分类方法相比,在分类过程中添加物候特征变量的方法表现出更高的精度,Kappa系数可达0.91,甘蔗和香蕉播种面积提取精度分别达到82.04%和71.01%。研究结果表明中高分辨率SAR影像（10 m×10 m）时间序列结合XGBoost算法和雷达数据时空滤波策略可实现区域作物准确识别及种植面积提取,同时,可从数据源与分类方法上为岭南地区农业遥感应用提供思路,对该地区农业灾害管理和灾后救助具有重要参考价值。     

基于三分量分解优化模型的农用地SAR影像提取方法

针对中国北方部分农区夏秋两季易受长时间云、雨、雾影响导致区域农用地信息难以实时准确获取的现状,在Freeman极化分解模型基础上,该文提出了一种三分量极化分解优化模型农用地合成孔径雷达(SAR)影像自动提取方法,并开展不同作物覆盖条件下农用地信息提取试验研究。该文首先通过引入体散射分量参数,二次散射分量参数和布拉格散射分量参数,对现有Freeman极化分解模型进行优化,使分解结果更符合农业区域不同地物散射特征;然后,在利用优化三分量极化分解方法提取极化分量基础上,结合模糊C均值聚类,实现农用地信息高精度自动提取。最后,该研究以中国重要黄淮海农业区河北衡水枣强县为试验区,以Radarsat-2影像为试验数据源,在作物全覆盖和作物部分覆盖2种条件下,通过将优化三分量-FCM分类和常用雷达分类方法 H-Alpha-Lambda分类的农用地提取结果与地面验证样方进行对比,完成该研究所提出SAR影像农用地提取方法的精度验证和评价。结果表明,在作物全覆盖条件下,利用优化三分量-FCM分类提取农用地信息的总体精度和Kappa系数分别为96.12%和0.857,较H-Alpha-Lambda分类方法分别提高了8.69个百分点和0.337;在作物部分覆盖条件下,利用优化三分量-FCM分类提取农用地信息的总体精度和Kappa系数分别为97.53%和0.902,较H-Alpha-Lambda分类分别提高了17.37个百分点和0.595。可见,无论在作物全覆盖还是部分覆盖条件下,优化三分量-FCM分类方法提取的农用地精度均优于H-Alpha-Lambda分类方法,证明了该算法提取农用地信息具有一定可行性和适用性,为SAR影像在农业遥感应用中的农用地信息提取提供了新的思路。     

小麦倒伏的雷达极化特征及其遥感监测

研究探索了雷达遥感大面积监测小麦倒伏状况的潜力。利用覆盖整个小麦生育期的5景时间序列Radarsat-2全极化影像数据,对比分析了倒伏小麦与正常小麦在不同时间、不同极化的雷达后向散射动态响应规律,发现雷达极化特征对小麦倒伏十分敏感,基于此提出利用雷达极化指数监测小麦倒伏的方法。并利用内蒙古额尔古纳市上库力农场春小麦抽穗灌浆期的实地调查数据,对提出方法进行验证,结果表明该方法能有效辨识和监测小麦倒伏。为大面积监测小麦倒伏提供了一种简单、快速、有效的手段。     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

利用多时相Sentinel-1 SAR数据反演农田地表土壤水分

土壤水分是陆面生态系统水分和能量循环的重要变量,在农田干旱监测、作物长势监测和作物估产等应用研究中具有重要的作用。该文结合基于变化检测的Alpha近似模型,利用Sentinel-1卫星获取的多时相C波段合成孔径雷达(synthetic aperture radar,SAR)数据,实现了农田地表土壤水分的反演。该文首先利用微波辐射传输模型验证了Alpha近似模型在土壤水分反演中的合理性。研究发现,对于土壤散射占主导的区域,Alpha近似模型对辐射传输模型有较好的近似,能够有效地消除地表粗糙度和植被对雷达后向散射系数的影响。在此基础上,结合怀来研究区多时相Sentinel-1 SAR数据,利用Alpha近似模型构建了土壤水分观测方程组,通过求解方程组得到了农田地表土壤水分。地面验证结果表明,土壤水分反演的均方根误差(root mean square error,RMSE)为0.06 cm3/cm3,平均偏差为0.01 cm3/cm3,精度较好。该文研究为利用高重访周期、多时相的Sentinel-1 SAR数据获取农田地表土壤水分提供了参考。     

2021年秋收作物生长季农业气象条件评价

基于主要农区2346个气象台站观测数据和历史同期观测资料,利用作物气候适宜度和农业气象灾害指数等方法,分析了2021年玉米、一季稻、晚稻、大豆和棉花等主要秋收作物生长季的农业气象条件。结果表明,秋收作物生长季内,农区大部分地区≥10℃积温较常年同期偏多100～250℃·d,热量条件好,大部降水正常,土壤墒情适宜。夏季（6-8月）光温水条件匹配较好,利于玉米、水稻、大豆等作物开花授粉、灌浆结实以及棉花开花、结铃。总体上秋收作物主要生育期内干旱影响偏轻,气象条件对作物生长发育和产量形成有利。但局地暴雨洪涝频发,河南受灾严重,部分农田绝收。西北地区东部、华北大部、黄淮北部作物生育后期多雨寡照,不利作物灌浆成熟及收获。东北地区阶段性低温、西北地区东北部干旱、南方和新疆高温危害等对局地玉米、水稻、棉花等作物造成一定不利影响。     

2022年秋收作物生长季农业气象条件评价

基于全国2467个气象台站实时和历史同期观测资料,利用农业气象评价指标、作物气候适宜度模型、主要农业气象灾害指数评估方法等,综合评估2022年玉米、一季稻、晚稻、大豆和棉花等主要秋收作物关键生育期的农业气象条件、生长适宜度、农业气象灾害等对产量的影响。结果表明,生长季内大部农区光热条件好,水分条件制约玉米、大豆等旱地作物产量提高;玉米、一季稻、大豆、棉花关键生育期内低温、阴雨寡照、暴雨洪涝灾害影响偏轻;长江流域夏季高温综合强度为1961年以来最强,一季稻等作物遭受严重高温热害,玉米、大豆等旱地作物遭受严重夏秋连旱;吉林、辽宁和山东等地夏季出现叠加性强降水过程,部分地区玉米、大豆渍涝灾害较重。