基于国产GF-3雷达影像的农田洪涝遥感监测方法

在全球气候变暖背景下,愈发频繁的洪涝灾害是造成我国粮食作物减产的主要农业灾害之一。雷达遥感技术具备全天候的对地观测能力,是快速监测区域范围内洪涝灾害信息的一种重要手段。随着人工智能领域的发展,机器学习方法广泛应用于洪涝灾害遥感监测,虽然该类算法具有较高的精度,但其训练过程往往需要大量的野外调查或遥感解译样本支持。为克服样本标记限制、提高区域尺度洪涝灾害监测的精度,本研究以2021年7月20日河南北部特大洪涝事件为背景,利用国产高分三号(GF-3)双极化雷达影像(HH-HV),构建了一种基于弱监督高斯混合模型(gaussian mixture model,GMM)的洪涝淹没作物监测方法,通过该方法提取了豫北部分区域农田洪涝淹没范围。通过对比4种典型的机器学习方法,包括随机森林、支持向量机、K最近邻分类和平行六面体方法,发现该文构建的弱监督GMM方法的精度最高,其总体精度为0.95,Kappa系数为0.90。该研究对于提高基于合成孔径雷达(synthetic aperture radar,SAR)遥感技术监测区域尺度作物洪涝的准确性和普适性具有重要意义。

结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算

为了探究无人机多指标构建叶面积指数(Leaf Area Index,LAI)估算模型的能力,该研究通过不同纹理组合方式优选纹理指数,分别以光谱特征、纹理指数和作物覆盖度作为输入量建立一元线性模型,3类指标结合构建多元逐步回归和人工神经网络模型,分析多指标结合估算LAI的精度。结果表明:新的纹理指数能够明显提高纹理特征值与LAI的相关性,近红外波段均值与蓝波段均值的差值较近红外波段均值提高了13.54%;将绿度归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、差值纹理指数和作物覆盖度结合来估算水稻LAI的精度最好,多指标结合的多元逐步回归模型的决定系数为0.866,调整后决定系数为0.816,均方根误差为0.308,人工神经网络模型结果再次验证这一结论。该研究成果可为基于无人机平台估算作物结构参数提供理论依据,并为其他作物LAI估算提供借鉴。

引入地形特征的田块尺度玉米遥感估产与空间格局分析

田块尺度作物估产引入地形特征提升精度与产量空间格局分析对规模经营具有重要意义。以黑龙江省规模化种植的春玉米为研究对象,测定无人机(unmanned aerial vehicle,UAV)高精度地形与变量测产数据,基于多时期SPOT-6影像提取7种植被指数;采用最小二乘法,构建不同时期植被指数与春玉米实测产量的经验统计模型,确定遥感估产最佳时期和最优植被指数;提取6种地形因子,使用多元逐步回归评价引入地形因子的遥感估产模型,应用空间统计分析探索产量空间分布格局。结果表明:春玉米灌浆期是遥感估产的最佳时期,决定系数R 2达到0.6以上的植被指数共6种,比值植被指数(ratio vegetation index,RVI)为最优植被指数,其余依次为修正比值植被指数(modified simple ratio,MSR)、无蓝色波段增强型植被指数(enhanced vegetation index without a blue band,EVI2)、归一化植被指数(normalized difference vegetation index,NDVI)、次生修正土壤调节植被指数(modified secondary soil adjusted vegetation index,MSAVI2)、绿度归一化植被指数(green normalized difference vegetation index,GNDVI);最佳估产模型引入地形辅助信息后R^(2)提升5.6%,达到0.79,均方根误差(root mean squared error,RMSE)为347.03 kg/hm^(2);高海拔与高坡度区域产量均值最低为7502.64 kg/hm^(2),中海拔与低坡度区域产量均值最高为9157.63 kg/hm^(2)。优化后的遥感估产模型可以快速评估作物产量,确定春玉米最佳生长区域,为规模化农业精细管理、土地整治与作物种植结构调整提供科学依据。

基于植被指数时空间统计特征的农业灾害信息遥感提取

及时、准确地获取农业灾情信息是防灾减灾、保障粮食安全的必要条件,本文提出了一种快速、准确地获取农业灾害信息的动态提取方法。以高时间分辨率的MODIS_NDVI时间序列为数据源,以2013—2015年黑龙江省投保地块为研究区,建立灾害监测模型,对不同物候区内的不同作物进行区分,在此基础上提取黑龙江省农业灾害空间信息。将2013年30个已知典型灾害的MODIS监测结果与高空间分辨率HJ-1A/1B CCD影像监测的监测结果对比分析,确定了模型最优阈值和Kappa系数,并利用该监测模型及阈值对2014—2015年全省农业灾害空间信息进行提取,验证了该农业灾害监测模型的精度。研究成果为区域尺度灾害信息遥感提取提供了技术支撑。

基于无人机多光谱影像的完熟期玉米倒伏面积提取

由于土壤、地形、水分以及耕作方式等存在的时空变异性,致使灾后完熟期玉米地块存在4类作物形态,包括叶片呈绿色的未倒伏玉米、叶片淡黄的未倒伏玉米、叶片淡黄的倒伏玉米、黑色阴影区域。为进一步提高现有倒伏玉米面积提取方法的精度,该文以黑龙江省国营农场典型玉米倒伏地块为研究区,获取无人机多光谱数据,对比4类作物形态的光谱、植被指数以及纹理特征差异,经特征筛选后,首先面向倒伏玉米提取构建了5种典型特征组合。然后针对植被指数特征、光谱和纹理特征组合采用最大似然法分类,最后对提取结果的精度进行评价和分析。结果表明:反射光谱特征或植被指数特征无法准确区分4类作物形态,提取的倒伏玉米面积偏差较大;多类纹理特征法所得结果最优,4类典型作物形态的识别平均误差为9.82%,倒伏面积提取的误差为3.40%,Kappa系数为0.84。该研究延展了纹理特征在倒伏玉米面积提取中的应用并对完熟期倒伏玉米识别具有重要的借鉴意义。

利用地形、土壤和作物信息辅助提高东北漫岗地数字高程模型精度的新方法

【目的】SRTM DEM是可免费访问公开可用的数字高程模型,但是当前SRTM DEM的垂直精度不能满足精细农业对地形数据的需求,提高其垂直精度,为精准农业等领域提供数据基础。【方法】以黑龙江省海伦东兴农机合作社为研究区,采集实际地面高程数据,获取SPOT-6、Sentinel-2A遥感影像和SRTM DEM。提取归一化湿度指数(NDMI)、归一化植被指数(NDVI)、土壤亮度(TCB)、潜在太阳辐射(PSR)等变量分析地形对其影响关系。利用极限学习机(ELM)和反向传播神经网络(BPNN)提高SRTM DEM水平空间分辨率和垂直精度。使用实际地面高程点进行精度验证,与基于无人机和光学立体像对(ZY-3)生成的DEM进行对比。【结果】SRTM、NDVI、NDMI、TCB与改进后高程的灰色关联度在90%以上,是改进SRTM DEM的重要辅助信息。在整个研究区,BPNN方法的RMSEP为0.98,R^(2) P为0.98,ELM的RMSEP为1.00,R^(2) P为0.90。在平坦区,BPNN方法的RMSEP为0.84,ELM的RMSEP为1.00;在起伏区,BPNN方法的RMSEP为0.99,ELM的RMSEP为0.94。该方法获得的DEM的垂直精度高于ZY-3光学立体像对生成的DEM的垂直精度,为提高SRTM的水平空间分辨率和垂直精度提供了新思路。【结论】引入SRTM、NDVI、NDMI、TCB辅助信息有利于提高SRTM DEM的空间分辨率和垂直精度,获得高精度的DEM。BPNN方法获得的数字高程模型的精度整体上高于ELM方法,BPNN方法更加适用于平坦区高精度DEM的获取,ELM方法更加适用于起伏区。

东北农牧交错带耕地土壤有机质遥感反演研究

农牧交错带是农耕区与草原牧区的过渡带,土壤有机质(SOM)的精确估算与变化监测对碳库估算与农业生产具有重要研究意义。以东北典型农牧交错带为研究区,Landsat 8 OLI影像和ALOS 12.5m DEM为数据源,基于波段反射率、反射率对数、亮度指数与相关地形因子,分别利用多元线性逐步回归(MLSR)模型、随机森林(RF)模型和BP神经网络(BPNN)模型,构建农牧交错带SOM多光谱反演模型。结果表明:①根据重要性排序,选择Landsat8 OLI第4波段的对数、第5波段、第6波段和亮度指数作为输入量,RF和BPNN模型的精度优于MLSR模型。②引入高程(E)与坡向变率(SOA)后,3种模型的预测精度提高,BPNN模型精度提高最多,R^(2)提高了0.22,RMSE降低了0.40 g/kg。3种模型最优反演精度由高到低为:BPNN模型(R^(2)=0.82,RMSE=1.4 g/kg)>RF模型(R^(2)=0.71,RMSE=1.9 g/kg)>MLSR模型(R^(2)=0.66,RMSE=8.8 g/kg)。研究结果可为农牧交错带SOM时空变化研究提供方法支撑。

基于人工神经网络模型的土壤分类方法

土地是人类赖以生存的自然资源,随着土地管理、精准农业的迅速发展,对土壤制图的精度提出了更高要求,利用高光谱遥感技术可以很好地解决这一问题,土壤反射光谱数据能够很好地反映不同土壤之间的差异。本文利用松嫩平原148个土壤样本的反射光谱数据,对反射光谱数据进行去包络线处理,提取特征参数,将特征参数带入人工神经网络模型,最终得到了良好的土壤分类精度,有助于加快土壤制图进程。

基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征(光谱特征、植被指数和纹理特征)与不同分类方法(支持向量机法SVM、随机森林法RF和最大似然法MLC)对玉米倒伏提取精度的影响。结果表明:(1)使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;(2)从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;(3)采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。