基于不同平台的小麦病虫害遥感监测研究进展

小麦病虫害的频发不仅会造成产量的巨大损失,病虫害防治农药的过度使用也会提高生产成本,增加农产品有毒残留的风险,而传统监测方法费时费力,具有主观性和滞后性.小麦病虫害遥感监测技术可实现快速、实时无损的监测,从而有针对性的提早防治病虫害.介绍作物病虫害光谱响应生理机制的基础上,重点从不同平台的角度入手概述近年来小麦病虫害遥...     

土地资源生态安全研究综述

土地资源生态安全已经成为当前土地资源可持续利用研究关注的热点问题,笔者在归纳了生态安全概念与特征的基础上,进一步阐述了土地资源生态安全的内涵、驱动因素、评价框架与方法。指出土地资源生态安全主要包括两个方面：一是土地生态系统的结构功能处于健康和平衡的状态;二是能够为人类社会可持续发展提供稳定、均衡、充足的供给。这一状态的实现,需要自然、经济、社会三大驱动因素共同推进,协调发展,其中,经济因素和社会因素对土地资源的影响远远超过自然因素。在评价框架方面,阐述了PSR、DPSIR、DPSER、“自然-经济-社会”4种体系的来源及应用。关于评价的方法,笔者分别对数学模型法、生态模型法、景观生态模型法、数字地面模型法4类方法的优缺点进行了概括总结,并提出了近年来一些新兴的评价方法。最后,笔者对土地资源生态安全研究趋势进行了展望：（1）以生态功能区划为基础,制定具有针对性、体现差异性的土地资源生态安全评价指标体系,并确定生态安全阈值;（2）注重开展干旱区、风沙区、喀斯特地区、水土流失地区、高原山区等典型区域的土地资源生态安全格局研究与未来状况的动态预警研究;（3）在评价方法上加强地理信息技术相结合;（4）探索新的评价方法,以便更好把控土地资源生态安全状况,实现土地资源的永续利用。     

基于平稳小波变换的冬小麦覆盖度高光谱监测

在2010与2011年度冬小麦生长季,通过大田小区试验,实测了冬小麦冠层的高光谱反射率与覆盖度。分析了不同覆盖度下的冬小麦冠层光谱特征以及不同生育期冬小麦冠层光谱反射率与覆盖度的相关性,建立了基于归一化植被指数(NDVI)与比值植被指数(RVI)、小波能量系数的不同生育期冬小麦覆盖度估算模型。结果表明:覆盖度越大,冬小麦光谱反射率在可见光波段越小,在近红外波段越大。在可见光波段,光谱反射率与覆盖度负相关,在"红边"处,由负相关变成正相关。在返青期、拔节期,NDVI估算效果好(R2为0.835 9、0.805 7);在抽穗期、灌浆期,RVI估算效果好(R2为0.803 1、0.829 4)。在返青期、拔节期、抽穗期、灌浆期,以高频、低频小波能量系数为自变量的冬小麦覆盖度估算模型的R2分别达到0.911 2、0.895 4、0.880 2、0.927 5。     

MODIS/FAPAR在呼伦贝尔草原区的精度验证与分析

验证MODIS/FAPAR产品在温性草原地区的精度,以提高NPP估算精度,为区域碳平衡监测及合理安排草地畜牧业生产提供服务。该文选取两块2 km×2 km温性草甸类草地设计和进行FAPAR实测试验。以分辨率为32 m的北 京-1号卫星遥感数据对样地进行异质性分析,然后进行尺度上推,利用地面实测数据对1km的MODIS/FAPAR草原地区产品进行验证。结果表明,在草地生长季,MODIS/FAPAR产品的草地FAPAR季节变化与实测FAPAR季节变化趋势基本一致,但总体要比实测FAPAR要高,针茅样地MODIS/FAPAR值比实测值要高约13.7%,羊草样地为18.7%。MODIS/FAPAR算法对于局部区域过于粗糙,对草地类型多样的中国来说,需更多的野外试验资料,以反演适合不同草地类型的FAPAR算法。     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

基于MK—SVR模型的小麦叶面积指数遥感反演

提出了运用多核支持向量回归(MK-SVR)算法构建小麦叶面积指数(LAI)遥感监测模型。以2010—2013年试验样点小麦拔节、孕穗、开花3期的实测LAI数据为基础,同步获取我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据,分析了各生育期小麦LAI与8种植被指数间的相关性。以显著相关的植被指数作为输入参数,使用MK-SVR算法构建了每个生育期的小麦LAI反演模型,即MK-SVR-LAI模型。为了评价模型,每期使用单一核支持向量回归(SK-SVR)、偏最小二乘(PLS)回归算法构建了SK-SVR-LAI、PLS-LAI模型。将模型估算LAI值和田间观测LAI值进行比对,以决定系数(R2)和均方根误差(RMSE)为指标评价并比较了模型。结果表明:3个生育期MK-SVR-LAI模型的RMSE值均低于参比模型,拔节期为0.293 1,孕穗期为0.466 8,开花期为0.548 6,且该模型的R2也都最高,拔节期为0.762 4,孕穗期为0.801 8,开花期为0.668 9。     

基于VTCI和分位数回归模型的冬小麦单产估测方法

条件植被温度指数(VTCI)是一种综合了归一化植被指数(NDVI)与地表温度(LST)的遥感干旱监测方法,在关中平原的近实时干旱监测中具有其适用性。分位数回归能全面反映因变量的条件分布在不同分位数处的特征,回归结果稳健可靠。为了进一步研究VTCI干旱监测结果与小麦单产之间的关系及提高冬小麦单产估测精度,构建了不同分位数τ(0.1,0.3,0.5,0.7,0.9)下关中平原各市2008—2014年的冬小麦主要生育期VTCI与单产之间的线性回归模型,并基于中位数(τ=0.5)回归模型对研究区域的冬小麦单产进行了估测。结果表明,分位数回归模型比较全面地反映了不同分位数下冬小麦单产分布与VTCI之间的相关程度,弥补了最小二乘估产模型回归结果单一、易受异常值影响等的不足。中位数回归模型的单产估测结果与实际单产之间的相对误差和均方根误差的最小值及平均值均低于最小二乘回归模型,估测精度较高。此外,中位数单产估测模型获取的冬小麦估产结果在年际变化规律与空间分布特征上与实际产量均较相符,说明分位数回归在研究VTCI与产量之间的关系及冬小麦单产估测中具有其适用性与可靠性。     

基于EnKF-3DVar模型的海淀区地表温度模拟

以城市化程度较深的北京市海淀区为研究区,基于2005年、2010年和2015年的遥感影像数据,利用基于影像(IB)的算法反演城市地表温度空间分布。将数据同化算法EnKF-3DVar与CA/Markov模型集成,将海淀区的多年平均臭氧浓度空间分布数据同化进行城市地表温度的模拟预测。结果表明海淀区的城市地表温度10年间呈现先下降后上升的趋势,但总体呈现下降趋势,其中2015年的平均温度为31.139 3℃。引入EnKF-3DVar的预测模型能够显著提升模型的模拟精度,所预测的2015年的数据结果 Kappa系数达到0.821 6。在有城市公园绿地的模式下,地表温度高值区呈现缓解趋势,在无城市绿地公园的模式下,城市地表温度高值区呈现出明显的扩张趋势,最高温度达到了56.142 3℃,城市生态绿地对于城市地表温度的空间分布影响巨大,合理布局城市绿地公园意义重大。     

基于遥感的冬小麦长势等级与气象因子相关性分析

利用遥感数据,以陕西、甘肃两省为例,探讨了冬小麦不同生育期内不同等级的长势状况及其与气温、降水、日照等气象因子的相关性。将冬小麦的生长发育过程分为7个不同的生育期,借助植被指数NDVI,利用GIS空间分析方法,分析了不同生育期内作物生长发育动态变化状况;探讨了2011—2012年不同生长发育期内,不同等级的冬小麦长势状况与同生育期、前一生育期及生育期内累计温度、降水、日照时数等气象因子的相关性。结果表明,2011—2012年,陕西、甘肃两省冬小麦长势在空间上呈现越冬前较好,越冬期略变差,之后恢复变好的状况,但同时存在时空分布差异。相关分析结果表明,就平均来说,无论冬小麦长势状况如何,冬小麦长势和累计降水之间的相关性都大于同期和前一生育期的相关性,显示了降水在冬小麦整个生育期内的重要性;温度对冬小麦的影响根据冬小麦长势等级的不同而不同;日照方面,不论冬小麦长势等级如何,各种不同等级的长势都和累计日照时数相关关系最大。研究同时表明,长势好和长势差的冬小麦对降水较为敏感,而温度在整体上对长势正常的冬小麦影响较大。     

基于稀疏非负最小二乘编码的高光谱遥感数据分类方法

为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。