水稻种植面积遥感估算的不确定性研究

利用研究区地物类别亚米级GPS详查数据及TM影像光谱数据,模拟生成1m分辨率的遥感模拟影像。用3种非参数分类法(最临近法KNN、误差后向传播神经网络BPN,模糊自适应网络FUZZY ARTMAP)和一种参数分类法(最大似然法MLC)对研究区TM影像进行硬分类估算水稻面积;还采用BPN全模糊分类、BPN和KNN模糊分类、抽象级结合和测量级结合的多分类器结合方法对遥感影像进行分类估算水稻面积;采用最多数法则的尺度扩展算法,实现由3m空间分辨率参考图提取30m空间分辨率影像像元纯度信息,讨论混合像元问题对遥感影像分类精度的影响。结果表明:非参数分类法精度均高于参数分类法,3种非参数分类法之间的差异较小,用最大似然法估算水稻面积的用户精度最高,用K最临近值分类法估算水稻面积的生产者精度最高;水稻类全模糊分类法的面积和真实面积最为接近,水稻类像元内的面积估测和真实面积无极显著差异;多分类器结合的分类法无论采用投票法还是测量级方法都能提高分类的总精度,能够提高水稻类面积提取的精度;研究区在30m空间分辨率的情况下,各类别分类总精度、Kappa系数随像元纯度升高而升高,4种硬分类方法没有对混合像元的分类表现出特别强的能力。本研究最终制作出分类影像像元的分类结果图、分类最大概率值、熵值图和水稻类概率值等4张图层,构成了对研究区分类结果不确定性的空间分布图不确定性图层,为采取进一步降低不确定性的措施提供了线索。     

基于多时相IRS-P6卫星AWiFS影像的水稻种植面积提取方法

水稻是中国的第一大粮食作物,准确的获得水稻种植面积具有重要的现实意义。IRS-P6卫星数据产品是近年来中等分辨率数据中有广泛应用前景的数据源之一,但是它在农作物种植面积提取方面的应用还有待进一步验证。选取中国典型水稻种植区安徽省怀远县作为试验区,利用2005年6月24日和9月9日的两个水稻典型物候期的IRS-P6卫星AWiFS数据对水稻种植面积识别进行了试验研究,根据两期水稻提取结果进行分区提取得到了较为准确的水稻种植面积。经过与IRS-P6高分辨率LISS-3识别结果进行对比分析,测量结果总体像元精度为88.58%,区域总量一致性为97.63%,略低于高分辨率识别结果。通过试验研究得到以下初步结论：1)利用多时相的IRS-P6卫星AWiFS数据分别分类后结果,进行分区提取的方法可以较精确的提取水稻的种植面积;2)水稻种植面积同样可以利用乳熟期的IRS-P6卫星AWiFS单期影像较准确的获得;3)IRS-P6卫星影像数据在农作物种植面积提取应用中有巨大的应用潜力。     

基于GF-1卫星数据的农作物种植面积遥感抽样调查方法

GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星,为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题,该文针对GF-1号卫星数据的特点,研究了基于GF-1号卫星16m WFV传感器和2m/8m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历,选择农作物识别关键期的16m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取;在中分辨率农作物面积遥感分类图基础上,计算研究区域的MORAN I指数,确定格网抽样单元的大小,进行多目标农作物的MPPS(multivariate probability proportional to size)抽样;对抽样单元采用2m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图;最后根据MPPS抽样方法进行总体农作物种植面积的推断,并计算CV值,评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明,GF-1号卫星数据完全可以应用于县级农作物种植面积的提取,农作物种植面积提取精度优于90%。     

基于多时相IRS—P6卫星AWiFS影像的水稻种植面积提取方法

水稻是中国的第一大粮食作物,准确的获得水稻种植面积具有重要的现实意义。IRS-P 6卫星数据产品是近年来中等分辨率数据中有广泛应用前景的数据源之一,但是它在农作物种植面积提取方面的应用还有待进一步验证。选取中国典型水稻种植区安徽省怀远县作为试验区,利用2005年6月24日和9月9日的两个水稻典型物候期的IRS-P 6卫星AW iFS数据对水稻种植面积识别进行了试验研究,根据两期水稻提取结果进行分区提取得到了较为准确的水稻种植面积。经过与IRS-P 6高分辨率L ISS-3识别结果进行对比分析,测量结果总体像元精度为88.58%,区域总量一致性为97.63%,略低于高分辨率识别结果。通过试验研究得到以下初步结论:1)利用多时相的IRS-P 6卫星AW iFS数据分别分类后结果,进行分区提取的方法可以较精确的提取水稻的种植面积;2)水稻种植面积同样可以利用乳熟期的IRS-P 6卫星AW iFS单期影像较准确的获得;3)IRS-P 6卫星影像数据在农作物种植面积提取应用中有巨大的应用潜力。     

全国棉花种植面积遥感监测抽样方法设计

棉花是我国重要的经济作物之一，准确、及时地提供棉花的播种面积，对政府部门及时掌握棉花生产情况、制定相关调控政策，对棉花加工企业与棉农预测市场情况有重要意义。由于中巴卫星的应用，对新疆农情的及时遥感监测成为可能，从而使遥感监测可以覆盖全国。但是，考虑到中国东、中、西部县级面积相差很大，必须设计不同的抽样方法。在新疆棉花监测的抽样设计中，采用了标准地形图幅作为分层抽样的抽样单元的方法。在黄淮海、长江中下游棉区采用县为单元的分层抽样的方法，抽样样本用遥感调查的方法获得。设计了满足生产应用的全国作物面积遥感监测抽样运行方法。     

作物种植面积空间对地抽样方法设计

传统的粮食作物种植面积估算一般采用目录抽样方法，由于缺乏现实、有效的先验知识，抽样过程受精度和效率制约。本文利用地理信息系统、遥感和全球定位系统技术，结合传统的随机、系统和分层抽样方法，设计三种新的粮食作物种植面积空间对地抽样方案，并在此基础上开展试验对比研究，分析它们在抽样精度、最少样本量和稳定性方面的差异。结果表明，本文所设计的空间分层抽样方法所需样本量较小，且具有较高的估算精度和稳定性，可以用于大范围农作物种植面积监测。     

基于时序遥感数据的玉米种植面积提取方法研究

探讨了在Landsat TM图像上进行玉米分布区域信息提取的基础上,利用MODIS数据NDVI植被指数的时间序列进行提取的方法,并以吉林省榆树市实验区为例,提取了2007年的玉米种植面积。研究结果发现,该方法提高了用单一时相landsat TM进行玉米面积识别的精度。     

面向省级农作物种植面积遥感估算的分层方法

针对当前遥感抽样估算中分层标志缺乏遥感识别误差描述的问题,该文探讨了基于农作物遥感识别结果的不同分层方法的抽样效率。以江苏省为研究区,采用2阶段分层,采用数字高程模型(digital elevation model,DEM)标准差进行一阶段分层,在一阶段分层的基础上,分别采用农作物识别种植规模、遥感识别破碎度、种植结构以及种植结构与破碎度指标进行二阶段分层。试验结果表明:种植结构与破碎度指标的分层效率最高,相对效率达到5.90,该分层指标融合了遥感分类结果反演出的种植结构和破碎度,不但能够有效地反映出农作物区域的景观特征,同时也较为合理地反映出区域间作物种植的差异性,为提高省级农作物种植面积遥感抽样估算效率提供有力的参考。     

遥感估测冬小麦种植面积

估测小麦种植面积是测产的一项重要内容,运用卫星遥感技术测算农作物种植面积是未来面积估算的发展方向.本文通过大样方试验,第一次建立了气象卫星遥感绿度值与绿度信息的两个主要构成因素(麦土比、叶面积系数)的直接经验统计关系.     

全国冬小麦面积变化遥感监测抽样外推方法的研究

该文提出了一种可以用于业务化运行的全国冬小麦面积变化遥感监测方法。根据我国冬小麦生产的特点,采用分层抽样方法,以全国冬小麦种植面积以往的统计数据为分层指标,将全国1411个冬小麦生产县划分为6层,建立全国冬小麦面积变化遥感监测抽样外推模型;然后,以TM影像覆盖来近似随机地从各层抽取所需数量的冬小麦生产县,采用人工判读的方法解译冬小麦的变化,并以县为单位统计;最后利用外推模型得出全国冬小麦面积的变化。通过1999、2000年连续2年的运行试验,得到了满意的结果     

大尺度作物面积遥感监测中小地物的影响与双重抽样

在大尺度作物面积遥感监测中，一般采用抽样方法。由于小地物在影像上无法识别或难以量算，形成样本误差而影响总体面积的估计。改进的措施是采用双重抽样的方法，即在抽样设计中，首先控制作物样本精度，从而消除或减小小地物影响，进而获得较准确的作物面积绝对值。     

结合遥感技术与水稻生长模型来预算水稻产量

Since remote sensing can provide information on the actual status of an agricultural crop, the integration betwee nremote sensing data and crop growth simulation models has become an important trend for yield estimation and prediction. The main objective of this research was to combine a rice growth simulation model with remote sensing data to estimate rice grain yield for different growing seasons leading to an assessment of rice yield at regional levels. Integration between NOAA (National Oceanic and Atmospheric Administration) AVHRR (Advanced Very High Resolution Radiometer) data and the rice growth simulation model ORYZA1 to develop a new software, which was named as Rice-SRS Model, resulted in accurate estimates for rice yield in Shaoxing, China, with an estimation error reduced to 1.03% and 0.79% over-estimation and 0.79% under-estimation for early, single and late season rice, respectively. Selecting suitable dates for remote sensing images was an important factor which could influence estimation accuracy. Thus, given the different growing periods for each rice season, four images were needed for early and late rice, while five images were preferable for single season rice. Estimating rice yield using two or three images was possible, however, if images were obtained during the panicle initiation and heading stages.     

基于Landsat TM图像棉花面积提取中线状地物的扣除方法研究

在新疆棉花遥感监测中，发现各种线状地物对TM影像图中的棉花面积提取精度产生影响，直接对图像进行处理和分类这种影响难以消除。经实际调查，新疆某一农场的各种线状地物占到总耕地面积的12．8％。为提高作物面积提取精度，完善农业部全国棉花遥感监测运行系统，进行了线状地物扣除方法的试验研究。阐述了试验研究方法的理论依据、技术路线与实施过程。并经验证可消除绝大部分线状地物对作物面积提取精度产生的影响。     

全国农作物叶面积指数遥感估算方法

目前对农作物叶面积指数LAI的遥感估算研究多是针对单一作物或是作物种植结构单一的区域,该文运用大尺度农作物叶面积指数的遥感估算方法,在像元尺度上对4个代表性实验站的LAI与归一化植被指数(NDVI)的相互关系进行了回归分析后,得到4种代表性作物种植结构的LAI估算模型,然后结合全国农作物种植结构数据对模型外推,建立了一个全国尺度的遥感模型,并估算了全国作物LAI。该文使用“863”项目山东遥感应用综合试验中的作物LAI观测数据进行了验证,结果表明该模型较其它估算模型达到了较高的精度,最大相对误差为39%,平均的相对误差为19%。该模型的计算结果已经在“中国农情遥感速报”系统中得到了广泛的应用。     

基于多时相OLI数据的宁夏大尺度水稻面积遥感估算

为客观获取宁夏水稻面积空间分布信息,也为区域农作物遥感监测奠定技术基础,该文以宁夏回族自治区为研究区域,选择美国LandSat-8携带的陆地成像仪(operational land imager,OLI)数据,采用2016年3月11日-7月01日间的15景影像,基于水稻田耕地与水体特征反射率随着季节变化规律的分析,采用归一化植被指数(normalized difference vegetation index,NDVI)、近红外波段反射率(infrared reflectance,IR)、短波指数(short waved index,SWI)3个指数,以及多时相NDVI最大值、IR最小值、SWI最小值3个衍生指数,共6个指数为基础进行决策分类树构建,对全区水稻进行识别与提取,采用该区水稻面积本底遥感调查结果进行精度验证,水稻种植面积提取误差仅.4.22%,Kappa系数为0.83,水稻空间分布的用户分类精度分别为85.11%,制图精度为81.67%;同时与监督分类方法提取的水稻面积进行对比,该文方法提取水稻的用户精度提高了8.13个百分点,制图精度更是提高了20.01个百分点。研究结果表明,利用中高分辨率的OLI遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础上,构建分类决策树,可以准确地提取大宗农作物种植面积,是区域农作物面积遥感监测业务运行中具有潜力的方法。     

水稻生长模型参数的敏感性及其对产量遥感估测的不确定性

采用全局敏感性分析方法探讨水稻生长模型与遥感数据耦合估产的不确定性问题。以实测数据为基准数据,当ORYZA2000模型的17个输入变量模拟导入可能误差时,模型的地上生物量(WAGT)、叶面积指数(LAI)、籽粒质量(WSO)和叶片氮含量(NFLV)等模拟输出结果显示较大的不确定性,LAI最大变幅超过20%,最终籽粒产量最大变幅超过10%。引起模型输出结果不确定性的输入变量中,水稻播种期的影响最大;模型的驱动变量温度和日照时数的误差对成熟期的产量影响较大;水稻干物质地上叶片质量分数(FLVTB)对所有关于叶片和籽粒生物量的输出结果都有较大的影响,因此,当利用生长模型和遥感数据进行耦合时,水稻播种期、模型的驱动变量如温度、日照时数、FLVTB等数据精度对估产结果有很大影响。比较LAI、NFLV单独或LAI+NFLV同时耦合ORYZA2000模拟中,LAI+NFLV的敏感性指数最高,其次是LAI,NFLV最差。模型耦合估测WSO、WAGT时,水稻移栽后70～80d左右的遥感影像数据是最重要的,必须获得,此期前后20～30d的2次数据也比较重要,而幼苗期和成熟期的遥感数据耦合生长模型对产量和生物量的估测意义不大。     

基于结构规模的冬小麦种植面积遥感抽样估算

在种植结构复杂地区,由于受到混合像元和同期作物的影响,传统的以规模为分层标志进行冬小麦种植面积遥感估算难以保证抽样效率和精度。该文综合考虑混合像元、同期作物的影响,构建了结构规模指标进行冬小麦种植面积遥感抽样估算。采用TM和QuickBird为研究数据,设计不同的抽样方案估算冬小麦的种植面积,计算标准误差、准确度和变异系数衡量估算精度,与传统简单随机、规模指标分层抽样进行对比分析,验证本文方法的有效性。试验结果表明,以结构规模指标分层抽样的反推结果在各项指标上均明显优于传统简单随机、规模指标分层抽样方式,尤其在小样本量时,标准误差降低2.0×105m2,准确度提升了1%。该研究结果为在大范围种植结构复杂地区进行冬小麦种植面积遥感估算的改进提供了试验依据。