基于MODIS温度/植被指数的东北地区土地覆盖分类

该文采用MODIS NDVI时序数据对东北区土地覆盖分类进行研究,以验证MODIS区域土地覆盖制图的可靠性。通过试验发现经过Savizky-Golay滤波处理能有效去除云、缺失数据及异常值的影响,使得NDVI时序曲线能更好的反映植被季相变化特征,分类结果表明NDVI时序数列能较好的区分植被与非植被、草本(一年生)与木本(多年生)覆盖类型。但研究区内一年一熟的农作物与高盖度草地、落叶针叶林与落叶阔叶林具有相似的物候特征,混分现象比较严重。该研究通过添加地表温度(land surface temperature, LST)数据解决这一问题,利用所得温度/植被指数TVI对研究区进行土地覆盖分类。所得结果用363个野外调查样区进行验证,NDVI及TVI时序数据的分类精度分别为62.26％与71.63％。结果表明TVI比NDVI对土地覆盖类型中的植被类型识别更有效。     

叶片的灰尘对高光谱遥感中植被冠层反射率的影响

灰尘作为气溶胶的一部分由于沉降现象而附着于植物叶子的表面,当遥感探测器扫描植被冠层时,所得反射率数据就具有了一定的相似性。在平时我们处理卫星数据时忽略了附着于叶子表面灰尘的影响,没有把植被表面的灰尘作为影响因子考虑进去。随着探测器的发展,光谱分辨率的提高,灰尘对于某些波段的影响越来越大。由于天气变化如降雨可以使植被叶片表面灰尘减少甚至消失,引起植被反射率发生变化,于是本文通过模拟降雨前后植被叶片反射率变化,来研究灰尘的影响程度大小。具体方法为采用ASD野外光谱仪分别测量小麦、冬青等植被采摘后表层附有灰尘的叶片和模拟雨水冲洗灰尘后的叶片。通过同一片叶子两次测得的不同数据处理、比较得出以下结论:1.附着于植被冠层的灰尘对其反射率有很大影响。2.没有去尘处理的叶片反射曲线不是灰尘反射曲线和经除尘处理的叶片反射曲线简单的线性叠加。3.灰尘并不会造成“红边”移动,不会发生“蓝移”和“红移”。     

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。     

灰土地下渠道坍塌原因及防治

无锡全县共有35个乡(镇),587个村,人口102万,水旱田899000亩。随着农业生产的提高和农业机械化的迅猛发展,原有明渠灌溉矛盾越来越突出,从而开展了一改三结合为主要内容的农田基本建设:一改,即明渠改暗渠,做到路渠结合为农业机械化奠定良好基础。至今已建灰土地下渠道3150公里,74.8%的农田实现了地下灌溉管道化;灰土地下渠道建设,结合整田平地,灌排分开,已有90%的     

中国苜蓿综合气候区划研究

以近2000个气象台站(哨)的气候数据为依据,以地理信息系统技术为平台对我国的苜蓿(Alfalfa)进行了单项气候和综合气候区划.我国苜蓿综合气候区划共分为6个区域,第Ⅰ,Ⅵ区域为不适合种植或极少有适合苜蓿品种的区域,占国土面积的46.14%.其他4区从气候上适合于苜蓿生产,占国土总面积的53.87%;Ⅱ,Ⅲ,Ⅳ区域属于传统苜蓿种植区,占国土总面积的43.29%;Ⅴ区主要位于亚热带,耐湿、热品种在本区域种植具有广阔的前景.结合苜蓿品种的气候生态适应性、品种试验结果和秋眠性等级等,对各区域适合种植的品种进行了推荐,这对于指导我国苜蓿生产具有应用价值.     

基于合成孔径雷达的农作物识别研究进展

精准识别农作物对于及时准确估计农作物种植面积、产量等关键农情信息具有重要意义。合成孔径雷达（synthetic aperture radar,SAR）以其不受云雨天气影响,可全天时、全天候监测等优点已被广泛应用于农情遥感监测领域,为大区域尺度的农作物遥感识别提供了强有力的数据保障和技术支持。该文以雷达技术的发展进程为论述主线,对20余年来国内外农作物SAR识别研究与实践应用的新进展进行了系统总结,具体归纳为4个方面：早期研究（20世纪80年代末－2002年）,特征是以单波段、单极化、多时相SAR数据为主;基于多极化、多波段SAR数据进行农作物识别与面积监测研究;利用SAR与光学遥感相结合提高农作物的识别精度与效率研究;农作物SAR分类算法研究。在今后农作物SAR识别研究中,对于复杂种植结构背景下的旱地作物识别,如何优化组合SAR系统工作参数（极化方式、频率及入射角等）及与光学遥感融合来提高农作物识别精度与时效性,发展机理性的农作物SAR分类算法将是需要重点解决的3个问题。     

粒子滤波同化方法在CERES-Wheat作物模型估产中的应用

为验证粒子滤波同化算法在作物模型估产应用中的可行性和精度,应用该算法构建了CERES-Wheat(crop environment resource synthesis for wheat)作物模型同化系统,并应用地面观测数据研究了同化系统的估产能力以及粒子扰动维数和方差对同化结果和效率的影响。研究结果表明,构建的作物模型同化系统能够利用作物关键生育期内观测LAI数据,较好地校正模型状态轨迹,显著提高作物产量模拟预测精度。同化前后冬小麦产量模拟结果与实测产量间的决定系数由0.68增加为0.83,归一化均方根误差由4.93%减小为3.4%,相对误差由4.15%减小为2.93%。粒子扰动维数和方差同化试验结果显示,粒子维数由50增加为250时,同化估产精度无显著改善,但计算代价增加5倍;随粒子扰动方差增加,估产归一化均方根误差和相对误差均呈增加趋势,两者的平均增加幅度分别为0.32%和0.26%。因此,作物模型同化系统业务化应用时需折中考虑估产精度和计算代价设置合适的粒子扰动维数和方差。该文为进一步利用多源卫星遥感数据监测区域作物长势和估算产量等同化研究和应用提供参考。     

冬小麦种植面积空间抽样样本布局的优化设计

【目的】样本布局是空间抽样调查方案设计中的关键要素。优化设计样本布局对于提高抽样样本对总体的代表性、降低抽样调查成本、改善抽样外推总体精度具有重要意义。论文针对现有农作物种植面积空间抽样调查技术体系中存在样本布局设计合理性不足的问题（如采用简单随机抽样进行样本布局设计时,无法保证各样本单元间相互独立、彼此间不存在空间相关性;而以往系统等距布样方式又存在样本间隔的制定缺乏科学依据）,进一步提高现行农作物种植面积空间抽样调查效率。【方法】选取安徽省蒙城县和冬小麦种植面积2009年和2010年的冬小麦空间分布数据（分别源自ALOS AVNIR-2 和Landsat5 TM影像提取结果）,通过地统计学理论与“3S”技术（遥感、地理信息系统和全球定位技术）及传统抽样方法相结合,首先,设计8种抽样单元尺寸水平,利用不同种尺寸水平的抽样单元离散抽样区、构建抽样框;其次,选取简单随机抽样方法初选样本单元,利用初选样本构建抽样单元内冬小麦种植面积比例的变异函数理论模型,基于该模型分析抽样单元间空间关联性和异质性,定量确定抽样单元空间关联阈值;然后,遵循传统抽样理论要求样本间相互独立原则,以抽样单元空间关联阈值为抽样间隔,采用空间系统等距的布局方式对冬小麦种植面积空间抽样样本布局进行了优化设计;最后,以简单随机抽样方法为对照,选取抽样外推总体相对误差、总体总值估计量的变异系数（CV）及样本容量为评价指标,对布局优化设计后的抽样样本外推总体精度、稳定性（通过变异系数反映）及抽样成本（通过样本容量反映）进行定量评价试验研究。【结果】抽样单元内冬小麦种植面积比例的变异性随单元尺度的增大而增大,8种单元尺度下的抽样单元内冬小麦种植面积比例的变异系数变化范围为32.75%—43.46%,属中等变异;抽样单元内冬小麦种植面积比例在一定范围内存在强烈的空间相关性,该空间相关性主要由结构性因素（如气候、地形、土壤类型等自然因素）决定。抽样单元内冬小麦种植面积比例的空间关联阈值随抽样单元尺寸的增大而增大;当抽样单元尺寸较小时（500 m×500 m—2 000 m×2 000 m）,在样本容量相同条件下,经布局优化设计后的抽样样本外推总体的相对误差和变异系数明显低于简单随机抽样;当抽样单元尺寸较大时（2 500 m×2 500 m—4 000 m×4 000 m）,布局优化设计后的抽样样本外推总体的相对误差和变异系数虽未明显降低,但样本容量却显著减小。【结论】该文可为改善农作物种植面积空间抽样调查效率提供试验依据。为研究区和研究对象,以正方形网格作为抽样基础单元,基于蒙城县     

基于历史增强型植被指数时序的农作物类型早期识别

快速准确地获取农作物分布数据对作物估产、灾害预警具有重要意义。该文针对目前农情遥感监测业务中普遍存在的缺乏地面数据和分类时效性较低的问题,以美国堪萨斯州为研究区,提出了基于参考时间序列获得训练样本的方法。首先,基于2006到2013年的MODIS EVI时间序列数据和cropland data layer(CDL)数据,使用免疫系统网络方法建立苜蓿、玉米、高粱和冬小麦的参考EVI时间序列;根据2006年到2013年作物分布情况,将作物超过总记录年数一半的象元作为2014年"潜在"训练样本;通过计算参考EVI时间序列和"潜在"样本的MODIS EVI时间序列的欧氏距离确认2014年训练样本;最后使用这些样本和2014年Landsat NDVI月合成数据进行30 m作物识别,并且评价时间序列长度对作物识别结果的影响。试验结果表明,时间序列长度为4-8月时,获得2014年样本10 183个,样本正确率为96.32%,总体分类精度为94.02%,接近使用完整时间序列数据的结果(总体分类精度94.89%);提取的苜蓿、玉米、高粱和冬小麦的面积分别为549.5、1 999.5、2 851.5和6 415.3 km~2,与CDL数据相比误差低于20%,说明基于参考时间序列方法获得的训练样本具有较高的正确率,具备进行30 m作物早期制图的潜力。该研究可为提高农作物遥感制图工作效率提供参考。     

基于EPIC模型的冬小麦生长模拟参数全局敏感性分析

模型参数的敏感性分析是模型本地化、区域化过程中不可或缺的重要环节。局部敏感性分析忽略了参数间的相互耦合作用对模型结果的间接影响,从而导致敏感参数选取具有一定的片面性。该研究以河北衡水冬小麦试验区为研究区,使用全局敏感性分析方法分析EPIC模型在冬小麦产量模拟中的敏感参数。研究表明：收获指数（HI）、生长季峰值点（DLAI）、潜在热量单位（PHU）、最大作物高度（HMX）是影响模型本地化最为关键的参数（总敏感指数＞0.1）;作物的播种日期、收获日期及种植密度是影响区域尺度的作物产量估计最为敏感参数（总敏感指数＞0.1）。研究同时表明全局敏感性分析方法可用于作物生长模型本地化、区域化研究,且优于传统局部敏感性分析方法。