2023年俄罗斯农作物产量及种植面积

根据俄罗斯联邦国家统计局2024年发布的数据,2023年俄罗斯所有经济类型农作物总种植面积降至8144.5万公顷。2022年总播种面积是8229万公顷。2023年,谷类和豆类总面积增至4788.4万公顷,主要是春小麦和豌豆面积增加,分别为1405.9万公顷和199万公顷。然而,冬性谷物播种面积大幅减少,从1837万公顷降至1727.6万公顷。俄罗斯的油料作物种植面积从1872.8万公顷减少到1769.3万公顷。这是由于向日葵播种面积从1000多万公顷减少到986.5万公顷,亚麻从209万公顷减少到141万公顷,油菜籽从234.3万公顷减少到211万公顷。大豆种植面积扩大,超过360万公顷。

基于GM(1,1)模型的西藏自治区青稞种植面积预测

稳定青稞种植面积一直是西藏自治区落实国家粮食安全与西藏青稞安全的重要议题。文章依据2006—2021年西藏自治区青稞种植面积实际数据,建立了GM(1,1)灰色预测模型,模拟精度达到最高级别1级。预测结果显示,“十四五”期间西藏自治区青稞种植面积仍然会总体保持增长态势。

基于HJ-1星和GF-1号影像融合特征提取冬小麦种植面积

为提高基于国产环境与灾害监测预报卫星(HJ-1/CCD)影像大范围提取冬小麦种植面积的精度,以江苏省宿迁市沭阳县为研究区域,对冬小麦拔节期30 m×30 m的HJ-1/CCD多光谱影像和2 m×2 m的高分1号卫星全色影像(GF-1/PMS)进行融合与面向对象分类研究。将GF-1/PMS全色影像进行8、16和24 m重采样,得到4种空间分辨率(含2 m)的全色影像,分别与HJ-1/CCD多光谱影像利用光谱锐化法(Gram-Schmidt,GS)进行融合。通过对融合影像进行质量评价,选择适合研究区冬小麦种植田块格局的适宜尺度影像。将HJ-1/CCD多光谱影像重采样,得到与适宜尺度融合影像相同尺度的影像,在两景影像中分别选取包含光谱、纹理信息的训练融合影像样本(samples of fused image,SFI)和重采样影像样本(samples of resampling image,SRI),采用面向对象分类方法对适宜尺度融合影像(fused image,FI)和重采样影像(resampling image,RI)进行冬小麦种植面积提取。结果表明,16 m×16 m融合影像的效果优于2 m×2 m、8 m×8 m和24 m×24 m融合影像,其均值、标准差、平均梯度和相关系数分别为161.15、83.01、4.55和0.97。面向对象分类后,SFI对重采样影像RI16m分类的总体精度为92.22%,Kappa系数为0.90。SFI对融合影像FI16m分类的总体精度为94.44%,Kappa系数为0.93。SRI对重采样影像RI16m分类的总体精度为84.44%,Kappa系数为0.80。SFI对融合影像FI16m分类效果最好,说明基于融合影像和融合影像提取样本(SFI)结合的面向对象分类方法能准确提取冬小麦种植面积。另外,重采样影像和融合影像提取样本(SFI)相结合的面向对象分类方法也可较好提取冬小麦种植面积。为利用国产中空间分辨率HJ-1/CCD卫星和高分1号卫星融合影像有效提取大区域冬小麦种植面积信息提供了参考。

基于遥感技术的小麦和玉米种植面积监测与预测

随着信息技术的飞速发展,遥感技术在农业监测领域的应用日益广泛。然而,传统的监测方法在小麦与玉米种植面积方面存在时效性差和精度不高的问题。基于此,文章针对小麦与玉米种植面积的遥感监测与预测展开分析,构建了一套有效的监测与预测体系,以期达到提高监测精度和预测效率的目的。

融合GF-6 WFV影像主成分分析特征的县域冬小麦种植面积提取

为准确、快速获得县域冬小麦的种植信息,针对多时相方法存在的成本高、效率低、过程复杂等问题,以安徽省固镇县为研究区,提出基于单时相GF-6 WFV影像主成分分析特征与原始光谱波段归一化融合、并使用K-最近邻算法进行土地覆盖物分类的有效面积提取方法。结果表明,所提出方法优于RAW和PDR这2种基准方法,且降维维度参数为3时效果最好,总体精度和Kappa系数分别为89.71%和0.87,实际冬小麦提取面积精度达98.49%,相对误差仅为1.51%。

作物种植面积遥感提取的实验设计与教学实践

为将农学基础实验课程建设的“两性一度”要求落到实处,设计了一个符合新农科培养目标的实验项目——基于时序遥感数据的江苏省典型作物种植面积提取及时空变化分析(RS-CAE),并以全省广泛种植的冬小麦为例,介绍了卫星遥感在作物种植面积提取中的实际应用。同时,从教学模式、课程思政、考核评价等方面对RS-CAE实验教学进行了改革探索。教学实践表明,学生通过RS-CAE实验的学习既拓展了卫星遥感与作物物候相关知识点的交叉融合,又掌握了文献调研、数据整理、方案实施、结果分析、成果展示等技能,有效提高了学生的科研素养与实践应用能力。

1997-2020年中国玉米种植面积与产量变化分析

为探究1997—2020年中国玉米生产总产量、单位面积产量、播种面积变化的情况,利用国家统计局数据,分析全国29个玉米生产主力省(区)(不包括香港地区、澳门地区、台湾地区、青海、海南)24年间播种面积和总产量变化的主导因素。结果表明:1997—2020年间,中国玉米的种植面积逐年增加,总产量呈缓慢上升趋势。北方春播玉米区、青藏高原玉米区的玉米产量增长较快,播种面积增长较缓慢;黄淮海夏播玉米区、西南山地玉米区、西北灌溉玉米区、南方丘陵玉米区的玉米播种面积和产量增长均较缓慢。因此,在全国各地区的玉米播种面积趋于饱和的同时,应提高单产水平,以提升全国玉米产量。

基于GF-1卫星影像的青岛市冬小麦种植面积变化动态监测

为准确获取青岛市冬小麦种植面积及空间分布变化特点,帮助相关部门优化种植结构,合理安排农业生产,研究利用GF-1 WFV卫星遥感影像,选择青岛市2014—2021年冬小麦种植面积遥感提取的最佳时相,采用图像监督分类法提取冬小麦的种植面积,并通过分类后比较法分析小麦种植面积的动态变化。结果表明:2014—2021年青岛市冬小麦的种植面积为21.7万~24.8万hm^(2),2016年小麦种植面积最大,2020年最小,每年冬小麦种植面积波动范围为0.3万~2.7万hm^(2);遥感提取的种植面积与统计部门提供的种植面积误差较小,误差百分率不超过6.5%;小麦与其他地物类型之间相互转换的差异很小,2014—2021年逐年小麦转为其他地物的面积变化范围为8.0万~10.9万hm^(2),其他地物转为小麦的面积变化范围为7.9万~11.4万hm^(2)。

NDVI时序数据在树莓种植面积提取中的应用研究

为科学提取树莓种植面积,提高树莓种植产业结构调整质量,以多光谱遥感技术对黑龙江某市树莓种植区进行研究,并引入NDVI时序数据对图像提取精度进行优化。以Sentinal-2号卫星拍摄图像作为遥感数据,使用CART算法得到案例地区的树莓种植面积估算结果,使用面向对象分类法与支持向量机分类作为对比进行分析。结果表明,所提方法实际提取效果明显高于对比方法,且加入NDVI时序数据的样本精度提高1.67%,证明所提方法具有良好的优化效果。

基于遥感方法的黑龙江省海伦市大豆种植面积变化及驱动力分析

大豆是国家重要农作物,在农业生产中占有重要地位。本文以大豆为目标作物,利用Sentinel-2遥感影像数据开展2018-2023年黑龙江省海伦市大豆种植面积提取,并分析其背后的驱动因素。以Sentinel-2影像为数据源,利用监督分类的最大似然算法提取2018-2023年黑龙江省海伦市大豆种植面积,并进行精度验证。利用此种方法获取到2018-2023年黑龙江省海伦市大豆种植面积,其用户精度为0.938,Kappa系数为0.809,与实际情况基本一致。基于Sentinel-2影像数据的最大似然法监督分类能够应用于黑龙江省海伦市大豆种植面积提取中。2018-2023年,黑龙江省海伦市大豆种植面积变化量多在274~673km^(2)间浮动,2019年面积变化量最大,2022年面积变化量最小。海伦市在2019年、2022年大豆种植面积为正增长,2020年、2021年、2023年为负增长,面积变化率多在±30%左右,仅有2019年出现53.07%的面积变化率。导致这一结果出现的主要原因包括农民种植意愿,生产者补贴、黑土保护和轮作休耕、禁烧秸秆等多重政策因素及市场原因等。

土耳其:热带水果种植面积扩大

土耳其农业部门正在进行转型,重点是热带水果生产。百香果等热带水果产业已显示出良好的效果,种植面积将进一步扩大。除了百香果,土耳其拟发展的热带水果还包括鳄梨、杧果、火龙果、番石榴和番木瓜等,特别是在安塔利亚、梅尔辛和阿拉尼亚等地中海地区。在高需求的推动下,阿拉尼亚的鳄梨种植面积在12年内从250英亩大幅增长到16500英亩。去年,该地区采收鳄梨7000万~8000万个,今年的目标是1亿个。土耳其还出口杧果、火龙果和番石榴,促进了农业出口和经济增长。

卫星遥感提取烟田种植面积应用分析

烟草是中国重要的经济作物之一,准确提取烟草种植面积对农作物种植结构调整、烟田科学管理和监测具有重要意义。笔者基于GEE(Google Earth Engine)云平台,利用2021年2—11月Sentinel-2A多时相数据,根据烟草种植特性排除误差因子,并结合实地采样数据的分布特征归纳植被特征,利用阈值法,以山东省临沂市为例,开展烟田种植地块自动提取的研究。结果表明,采用GEE和随机森林算法组合模式,能够准确获得烟田种植的空间分布信息,总体分类精度为96.04%。本研究方法分类质量较高,可以满足研究需要,为烟田种植管理部门提供准确、快捷、科学的参考。

融合主被动遥感影像的冬小麦种植面积提取研究

为了快速、准确地获取作物分布信息,探索使用主动遥感影像(Sentinel-1A)和被动遥感影像(Sentinel-2)提取冬小麦空间分布的可行性。首先,根据冬小麦的物候特征,合成冬小麦全生育期的Sentinel-1A影像;并依据各类地物的NDVI(归一化植被指数)时序曲线合成一期高质量的冬小麦越冬后Sentinel-2影像。其次,设计Sentinel-1A影像、Sentinl-2影像和融合Sentinel-1A与Sentinl-2主被动遥感影像3种分类方案,然后在Google Earth Engine(GEE)云平台上基于随机森林算法对冬小麦进行分类。结果表明,基于全生育期Sentinel-1A影像的冬小麦用户精度和生产者精度分别为83.15%和86.44%,提取结果中存在较多的“椒盐”噪声;基于冬小麦越冬后Sentinl-2影像的冬小麦用户精度和生产者精度分别为87.98%和84.75%,提取精度较使用全生育期Sentinel-1A影像有所提高,但分类结果受“异物同谱”的影响,产生许多错分;融合主被动遥感影像的冬小麦用户精度和生产者精度分别为96.57%和95.48%,相较于仅使用单一数据源,冬小麦分类精度有不同程度的提升。

基于改进CBAM-DeepLab V3+的苹果种植面积提取

为提高苹果种植区域的提取精度,提出了一种基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影响苹果种植区域提取精度的主要因素包括遥感影像的质量以及语义分割模型的性能。从影像质量角度来看,采用基于时序的时空融合算法ESTARFM,通过融合Sentinel-2和MODIS的遥感影像数据,实现更高空间分辨率和时间分辨率数据的获取。与此同时,将训练样本从原始的800幅扩充至2400幅,为后续语义分割模型提供更为充足的样本容量。在语义分割模型优化方面,为了进一步提高苹果种植面积的提取精度,以DeepLab V3+网络结构模型为基础,引入基于通道和空间的CBAM注意力机制,进而发展出CBAM-DeepLab V3+模型。与原始DeepLab V3+模型相比,加入CBAM注意力机制的CBAM-DeepLab V3+模型在拟合速度较慢、边缘目标分割不精确、大尺度目标分割内部不一致和存在孔洞等缺陷方面实现了突破,这些改进提高了模型的训练与预测性能。本研究采用原始Sentinel-2影像及时空融合后的影像数据集,结合烟台市牟平区王格庄镇的数据集和观水镇苹果数据集对U-Net、FCN以及DeepLab V3+模型和CBAM-DeepLab V3+模型进行对比,研究发现在苹果种植面积提取方面,CBAM-DeepLab V3+优化模型所取得的MIoU为84.6%,苹果种植面积提取准确率达90.4%。U-Net、FCN和DeepLab V3+模型的MIoU分别为79.2%、75%、81.2%。此外,该模型预测的烟台市牟平区王格庄镇苹果种植面积为3433.33 hm^(2),与烟台市国民经济和社会发展统计公报公布的3666.66 hm^(2)相比,误差为233.33 hm^(2),预测准确率高达93.64%。

极端气温事件对贵州茶叶种植面积及产量的影响分析

选取贵州省19个气象站点1980—2019年间逐日最高、最低气温数据,运用Sen斜率、Mann-Kendall(M-K)法和Pearson相关分析等方法,对贵州省1980—2019年极端气温事件变化特征及其对贵州茶叶的种植面积及产量的影响进行分析。结果表明:1980—2019年间贵州省极端气温指数中的夜指数的增加幅度大于昼指数的增加幅度;近40年来,贵州省茶叶种植面积和产量在2000年前变化趋势不明显,而在2000年之后呈现出快速增加的趋势;贵州省茶叶种植面积与产量主要是受冷昼日数(TX10p)、冷夜日数(TN10p)、气温日较差(DTR)、热夜日数(TR)、夏日日数(SU)、暖夜日数(TN90p)、暖昼日数(TX90p)和日最低气温最大值(TNx)这8个极端气温指数的影响,其他几个指数对茶叶种植面积与产量影响较小。

近30年云南省主要粮食作物种植面积与产量变化分析

基于云南省1989―2018年的农业数据资料,采用LMDI分解法、重心迁移模型等方法研究粮食种植面积和产量的时间变化趋势与空间演化格局,并探究主要粮食作物(小麦、稻谷、玉米、薯类)生产的变化差异;进一步采用人均粮食产量、粮食波动系数等指标分析粮食安全水平。研究发现:1)近30年云南省粮食种植面积和总产量均表现为显著上升的变化趋势,其中总产量增长率高达97%,且各作物单产量的增加和种植结构的调整是全省粮食总产量增产的主要贡献因素;稻谷和小麦的种植面积在30年内分别下降了16%和36%,总产量和单产量变化不大;玉米的种植面积、总产量及单产量的增长率最明显;稻谷和玉米在1989—1998年增产的主要贡献因素均为单产量的增加,而1999―2018年3种谷物增产则均是由于种植面积的变化;薯类在研究时段内总产量增加了228%,这一变化是由种植面积变化导致的。2)云南省粮食种植面积总体呈现东多西少的分布规律,最多的地区为曲靖市,最少的为迪庆藏族自治州;粮食生产重心有向东北方向迁移的趋势;稻谷产量由东南向西北递减,小麦产量高值区由四周向中部聚拢;玉米和薯类发展较快,高产区均主要分布在滇东北。3)近30年云南省人均粮食增长了111.56 kg,粮食生产能力有所提升,目前处于自给自足型;但70%以上年份的波动系数超过全国平均水平,粮食供给较不稳定,粮食供需矛盾问题依然突出。

种植面积、养殖规模与农户家庭奶牛养殖生产效率的关系——基于种养结合视角的分析

为了探讨种植面积、养殖规模与农户家庭奶牛养殖生产效率之间的关系,本研究基于奶牛养殖户微观调研数据,利用数据包络分析(data envelopment analysis,DEA)方法测算了农户家庭奶牛养殖生产效率,并运用Malmquist指数法分析了种养结合对农户家庭奶牛养殖生产效率的提升效果,同时采用Tobit模型分析了种植面积与养殖规模对养殖生产效率的影响。结果表明:奶牛养殖全要素生产率为1.0722,大于1.0000,种养结合有助于农户家庭奶牛养殖生产效率的提升;种养分离下种植面积在10%水平上显著正向影响奶牛养殖纯技术效率,种养结合下种植面积在5%水平上显著正向影响奶牛养殖纯技术效率,种植面积的扩大有利于农户家庭奶牛养殖生产效率的提高;在种养分离与种养结合下养殖规模均在1%水平上显著正向影响奶牛养殖纯技术效率,扩大养殖规模有利于提高奶牛养殖生产效率。鉴于此,笔者提出要鼓励和支持奶牛养殖户开展种养结合,鼓励奶牛养殖户适当扩大种植与养殖规模,加强对奶牛养殖户养殖技术的宣传与培训力度。

2019年青藏高原地区青稞种植面积空间分布数据集

青稞是最能适应青藏高原高寒、缺氧、强辐射自然环境的优势作物。为获得青藏高原青稞种植面积空间分布情况,本数据集基于分区分类多要素融合的青稞提取方法,按照不同的农业分区,根据海拔、坡度、降水要素限制青稞图斑的分布,通过OIF指数分区优选提取青稞的最佳波段,采用面向对象分类方法提取青藏高原青稞的种植区域。最终得到青稞种植总面积约为2.74×10^(5)hm^(2),并据此绘制了青藏高原青稞种植面积分布图。通过混淆矩阵进行精度检验,总体精度达到了91.74%,Kappa系数达到0.83。本数据集的生产使得对青稞空间分布格局的认识从行政单元尺度提升到斑块尺度,为未来优化青稞种植的空间分布格局提供数据参考。

基于多时相合成孔径雷达数据的水稻种植面积监测

与光学遥感相比,合成孔径雷达(SAR)遥感能够不受云雨天气影响,为大范围作物种植信息的精准监测提供新手段。本研究以天津市小站稻为例,基于2018-2021年的多时相Sentinel-1A SAR影像,提出了结合小站稻生长特征相似性分析与随机森林分类的水稻种植分布和面积监测方法。首先提取VV和VH极化方式下不同地物的后向散射系数时间序列特征曲线,并利用HANTS滤波来消除噪声影响。然后根据野外调查数据获取小站稻参考生长曲线,构建小站稻相似性指数,筛选出小站稻可能种植区域。最后采用随机森林分类模型提取小站稻种植面积。结果表明,基于多时相Sentinel-1A SAR影像相似性分析及随机森林分类能够获得较高精度的水稻种植面积,VV和VH两种极化方式下提取的水稻种植面积与统计年鉴结果的平均相对误差分别为2.67%和3.80%,总体分类精度分别达到95.52%和93.40%,Kappa系数分别为0.94和0.93;与不引入相似性指数进行分类相比,VV和VH极化方式下引入相似性指数后总体分类精度分别提高4.35个百分点和3.13个百分点,Kappa系数分别提高0.04和0.03,水稻的制图精度分别提高3.38个百分点和3.25个百分点。本研究结果为开展高精度水稻种植信息业务化监测提供参考。

中国三大作物1 km分辨率种植面积数据集(2009-2015年)

我国三大作物(稻谷、玉米和小麦)种植面积均位于世界前列,获得与县级统计年鉴一致的三大作物种植面积空间分布数据对于农业政策制定和灾害风险防范至关重要。然而,目前关于我国三大作物种植面积的可用数据集较少,且已有公开数据集与统计年鉴差异较大、可用年代有限。本数据集利用了一种融合多源数据的作物面积制图方法,首先基于GLASS叶面积指数(LAI)产品提取三大作物的关键物候,初步确定作物的大致空间分布,并参考县级统计数据制定格点选择规则,逐步分配作物像元,最终生成了中国2009–2015年1 km空间分辨率的三大作物种植面积第二代产品(ChinaCropArea1kmV2)。玉米、稻谷、小麦产品与县级统计数据一致性R2为0.98、0.89和0.82,基于样点验证的精度依次为0.85、0.86和0.93,且第二代产品与统计数据的一致性均高于已有产品精度。本数据集的生成方法能在大范围区域快速实现农作物制图,且数据集能与县级统计年鉴保持高度一致。本数据产品有助于为农业生产研究和科学决策提供关键的数据基础。