基于无人机影像的农情遥感监测应用

该文以中国农业科学院(万庄)农业高新技术产业园及周边地区4.2×3.1 km的范围为研究区域,利用无人机搭载RICOH GXRA12型相机进行了航拍试验,主要测试了定位定向系统(positioning and orientation system,POS)数据辅助下光束法区域网平差方法平面定位及面积测量精度,以及无人机影像的作物面积识别精度。结果表明,在无控制点约束条件下,直接采用POS数据进行光束法区域网平差后,以中误差表示的平面定位精度为X轴方向(东西方向)中误差为2.29 m,Y轴方向(南北方向)中误差为2.78 m,整体平面中误差3.61 m;采用3阶一般多项式模型进行几何精校正,X轴方向中误差为1.59 m,Y轴方向中误差为1.8965 m,整体平面中误差为2.32 m,符合《数字航空摄影测量空中三角测量规范》中对1∶10 000平地的平面精度要求,能够满足农作物面积遥感监测中作物面积调查定位精度的要求;采用监督分类和面向对象分类2种方法,对面积评价区域种植的春玉米、夏玉米、苜蓿和裸土4种地物类型进行分类,以差分GPS调查结果为评价标准,4种作物总体识别精度分别达到了88.2%(监督分类)和92.0%(面向对象分类),单独分类精度分别为88.9%、86.7%、93.0%、86.6%和90.35%、92.61%、94.93%、93.30%。研究结果说明了无人机遥感影像获取小范围、样方式分布的作物影像方面具有广泛的应用前景,推广后能够满足全国农作物地面样方对高空间分辨率影像的需求,可以部分替代现有人工GPS测量的作业方式。

基于HJ时间序列数据的农作物种植面积估算

通过对长时间序列遥感影像的波谱变化特征分析,可以有效地进行农作物种类识别与信息提取,提高农作物种植面积的遥感监测精度。中空间分辨率多光谱遥感影像适合于中国大范围大宗农作物面积监测,也是能够提供稳定时间序列遥感数据源之一。该研究以河北省衡水市为研究区域,采用2011年10月3日-2012年10月24日期间,16景30 m空间分辨率的HJ-1A/B卫星CCD(电荷耦合元件,charge-coupled device)影像月度NDVI(归一化植被指数,normalized difference vegetation index)时间序列数据,针对冬小麦、夏玉米、春玉米、棉花、花生和大豆等主要作物类型,在全生育期波谱特征曲线分析基础上,提取主要作物类型的曲线特征,采用基于NDVI阈值的决策分类技术,进行了农作物种植面积遥感识别,以15个规则的2 km×2 km的地面实测GPS(全球定位系统,global positioning system)样方进行了精度验证。考虑到大豆和花生2种作物的NDVI时间序列特征相似性较高,将这2种作物合并为一类进行分类,并命名为小宗作物。结果表明,冬小麦、夏玉米、春玉米、棉花和小宗作物等5类目标可以有效识别,分类总体精度达到90.9%,制图精度分别为94.7%、94.7%、82.4%、86.9%和81.2%,其他未分类类别精度为85.9%。利用中高分辨率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,可以准确地提取大宗农作物种植面积,在农作物面积资源调查中具有较大的应用潜力。

基于6S模型的GF-1卫星影像大气校正及效果

高分一号(GF-1)卫星是中国高分系列卫星的首发星,自2013年4月成功发射以来,在中国农业遥感业务工作中得到了广泛应用,已成为中国大宗农作物种植面积遥感监测的主要数据源。该文基于6S(second simulation of a satellite signal in the solar spectrum)辐射传输模型原理,设计并实现了适合于GF-1卫星数据大气校正算法与程序。算法以GF-1卫星1级数据、元数据及传感器公开参数为输入数据,不需要其他外源辅助数据,经过辐射定标,计算各波段平均太阳辐射值、表观反射率,通过选择大气模式,驱动6S模型获取表观反射率转换为地表反射率的参数,逐像元计算影像地表反射率。在算法研制的基础上,应用Fortran和IDL语言编写了大气校正批处理程序,实现了大气校正过程的批处理。该文采用2014年4月3日、6月28日、11月2日,以及2015年1月19日4个时相北京地区GF1卫星WFV(wide field view)数据,分别代表春夏秋冬4个季节,通过与ENVI软件的FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)大气校正结果对比进行评估。2种方法 4个时相各波段全年相对偏差为3.26%,蓝光波段偏差最大为11.21%,其次是红、近红和绿光波段,分别为1.19%、0.73%和0.24%。作物覆盖区平均相对误差为12.99%,冬季最高为17.40%,秋季和春季分别为15.02%和14.15%,夏季相对差异最小为8.31%。各波段地表反射率的整体校正情况并未有太大差异,但6S校正后各波段反射率普遍比FLAASH校正结果略微偏高。2种校正结果计算的NDVI也基本一致,相对偏差0.64%;除水体外,绝对值差值的平均值均在0.0548以内。从计算效率来分析,6S模块实现了商用软件FLAASH模块中未提供的批量计算,在相同硬件环境下计算效率提高了75.0%以上。研究结果表明了该文开发的大气校正程序能够稳定批量处理GF-1卫星数据,可以作为农业遥感监测业务流程的组成部分。

基于NDVI加权指数的冬小麦种植面积遥感监测

该文针对农业信息服务中冬小麦种植面积调查业务的现状与需求,提出了一种基于NDVI(normal difference vegetation index)时间序列的冬小麦NDVI加权指数(WNDVI,weighted NDVI index)影像算法,可在训练样本、验证样本选择的基础上实现冬小麦面积的自动提取,并以河北省安平县及周边地区2013-2014年度冬小麦面积提取为例,采用GF-1/WFV(wide field view)数据进行了算法实现。算法的主要思路是在时序影像基础上,通过冬小麦NDVI加权指数影像的构建,扩大冬小麦地类与其他地类的差异,结合自适应的阈值获取方法,区分冬小麦地类,获取冬小麦作物面积。算法包括冬小麦时间序列影像的获取、基于网格的样本点设置、构建冬小麦NDVI加权指数影像、迭代确定冬小麦NDVI加权指数提取阈值、精度验证这5个部分。影像的获取根据冬小麦的生长时间确定,保证每月1景GF-1/WFV无云影像,并进行预处理及NDVI计算;同时将研究区划分为一定数量的网格,每个网格再等分为2×2个子网格,根据目视解译、专家知识、实地调查等方法,确定左上网格中心点及右下网格中心点的地物类型。统计该期所有左上网格点冬小麦及其他地物的NDVI均值,冬小麦NDVI大于其他地物的将该期影像的权值设置为1,否则设置为-1,将所有时相NDVI影像进行加权平均,即可获取冬小麦NDVI加权指数影像。获取冬小麦NDVI加权指数影像后,还需设置合适的阈值提取冬小麦。该文选用右下网格点目视解译分类结果作为阈值提取依据,具体方法是将冬小麦指数从小到大按照一定间隔划分,作为冬小麦NDVI加权指数提取阈值,将各阈值二值法运用,与右下网格点的冬小麦提取的目视解译结果对比,精度最高的就是最优冬小麦NDVI加权指数分割阈值。在所有网格中,以初始识别获取的冬小麦面积为准,等概率选择10个样方作为精度验证样方进行验证。精度验证结果表明分类总体精度达到94.4%,Kappa系数达0.88。该文通过构建冬小麦NDVI加权指数,将比较复杂的多个参数转换为一个参数,并且农学意义明确,相比传统的NDVI时序影像进行冬小麦面积的提取,具有自动化程度高、面积提取精度高、分类结果稳定的特点,已经在全国农作物面积遥感监测业务中进行了应用。

RapidEye卫星红边波段对农作物面积提取精度的影响

在传统的可见光与红外波段基础上增加红边波段（690~730 nm）,是当前高分辨卫星传感器研制的明显趋势。德国Rapid Eye卫星携带有红边波段传感器,该文基于黑龙江省北安市东胜乡2014年7月27日的Rapid Eye遥感数据,采用监督分类的方法,通过计算有红边参与条件下、无红边参与条件下,玉米、大豆及其他3种地物类型的可分性测度、分类精度及景观破碎度等指标,比较分析了2种波段组合方式下的红边波段对农作物面积提取精度的影响。其中,监督分类的训练样本是以覆盖研究区的2 km×2 km格网为基本单元,在玉米和大豆面积比例等概率原则下,选取了10个网格作为训练样本,样方内作物的识别采用目视解译的方式完成。精度验证是采用覆盖研究区的农作物面积本底调查结果评价的,本底调查数据是在5 m空间分辨率Rapideye数据初步分类基础上,根据多时相Landsat-8/OLI（Operational Land Imager）数据季节变化规律,结合地面调查,采用目视修正的方法完成。结果表明,有红边参与的玉米、大豆和其他3种地物类型识别的总体精度为88.4%,Kappa系数为0.81,玉米、大豆和其他3种地物类型的制图精度分别为93.1%,86.0%和87.3%;没有红边参与的3种地物识别的总体精度为81.7%,Kappa系数为0.71,玉米、大豆和其他3种地区类型的制图精度分别为83.9%,73.4%和84.6%;通过引入红边波段,3种地物的总体识别精度提高了6.7百分点,玉米、大豆和其他3种地物类型的识别精度分别提高了9.2百分点,12.6百分点和2.7百分点。利用Jeffries-Matusita方法计算了3种地物的可分性测度,玉米-大豆、玉米-其他、大豆-其他的可分性测度分别由0.84变为1.73、1.37变为1.81、1.27变为1.29;采用破碎度指数计算了景观破碎度,地块数量减少了69.2%,平均地块面积增加了2.2倍,平均地块周长增加了60.50%,地块面积与周长比增加了1.0倍。由上述研究结果可以看出,通过红边波段的引入,增加了地物的间的可分性测度,减少了＂椒盐＂效应造成的景观破碎度的增加,农作物面积识别整体精度得到了提高。目前搭载红边波段的卫星载荷越来越多,即将发射的国产卫星也拟增加红边波段提高作物识别能力,该文研究结果将为国产红边卫星数据在农业上的应用提供参考。

冬小麦面积遥感识别精度与空间分辨率的关系

不同空间分辨率农作物面积识别精度是农情遥感监测数据源选择的依据。该文采用WFV(wide field view)、MODIS(moderate-resolution imaging spectroradiometer)、OLI(operational land imager)、Google Earth影像,在天津市武清区选择了12 km×14 km的冬小麦种植区作为研究区域,采用目视识别的方法,分析了2、5、10、15、30、100、250 m共7个空间分辨率尺度下冬小麦面积识别精度与遥感数据分辨率、农田景观破碎度之间的关系。结果表明,随着空间分辨率由2 m变化到250 m,冬小麦面积识别的总体精度逐步由98.6%降低到70.1%,精度降低28.5%;面积数量比例由5.5%扩大到110.6%,误差增加105.1个百分点;面积精度呈明显下降趋势,数量误差呈明显增加趋势,数量误差的增加速度高于精度下降的趋势。高、中、低3个景观破碎度条件下,随着分辨率由2 m降低到250 m,作物识别精度分别降低了72.8、63.2和47.0个百分点,破碎度的增加导致面积识别精度下降速度更快;同等分辨率下,破碎度越高的地区面积识别精度越低。像元内冬小麦占比与可识别能力密切相关,像元占比达到45.0%以上时才能够被正确识别为冬小麦类型,像元尺度降低导致细小斑块丢失是造成面积识别与数量精度降低的主要原因。像元空间分辨率越高,冬小麦像元的光谱一致性越强,越有利于冬小麦分类精度的提高。针对农情遥感监测业务运行的需要,上述研究结果可以作为区域范围不同用户精度要求前提下遥感数据源选择的依据。

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。

基于有理多项式模型区域网平差的GF-1影像几何校正

2013年4月成功发射的GF-1卫星是中国高分系列卫星的首发星,影像在中国农情遥感监测业务中得到了广泛应用,已成为大宗农作物种植面积遥感监测的主要数据源之一。高精度几何位置的配准是卫星农情定量化应用的基础与前提,该文提出了一种基于区域网平差方法修正GF-1卫星WFV(wide field view,WFV)影像RPC(rational polynomial coefficients,RPC)参数,获取更高几何定位精度的校正方法,形成了模式化的业务处理流程,为该影像在农情遥感监测中的应用奠定了基础。算法流程包括2个部分,首先是基于像面间仿射变换关系及有理多项式RFM(rational function model,RFM)模型构建轨道间的区域网平差数学模型,其次是根据影像连接点及少量控制点输入求解所有参与平差的卫星影像定向参数,获取亚像元级的校正结果。平差参数的解算是通过两步求解完成的,初始平差参数是根据连接点及对应的DEM高程值进行平差迭代至收敛,结果平差参数是将初始平差参数作为初始值代入区域网平差模型,并以逐点消元方式约化法方程,解算出各影像的仿射变换参数。该文在求解平差参数过程中,直接使用DEM(digital elevation model)上获取的高程值作为约束条件,消除了平面坐标与高程的相关性,保证了区域网平差模型能够解算。混合地形、平原、山区3种情况下区域网平差结果表明,全连接点平差结果具有较高的相对定位精度,其行方向的中误差分别为0.3046、0.4674、0.3365像元,列方向的中误差分别为0.3677、0.2849、0.2889像元;而结合少量控制点的区域网平差则同时具有很高的绝对定位精度,其行方向的中误差分别为0.3648、0.5041、0.3605像元,列方向的中误差分别为0.4954、0.4039、0.6323像元,整体达到了亚像素级。最后,在农业应用基础控制底图的支持下,分别对原始影像、RPC校正影像、区域网平差后的影像进行几何配准,分析不同输入影像条件下的几何校正精度,仅有区域网平差后的影像达到了亚像元的校正精度,混合地形、平原、山区3种情况下行方向的中误差分别为0.6857、0.6664、1.0646像元,列方向的均方差分别为0.4342、0.4696、0.5609像元,但与几何校正前精度相比没有明显改善,说明本文提出的研究方法可以实现少量控制点条件下的几何精校正。不同DEM校正结果表明,对于山区,更高分辨率的DEM可以获得更好的定位精度。上述研究充分表明,该方法对GF-1/WFV数据的处理有效且可行,并在农业部中国农情遥感业务工作中得到了初步应用。

随机森林方法在玉米-大豆精细识别中的应用

研究基于遥感影像的作物精确识别技术方法,对获取作物分布信息具有重要意义。随机森林分类(random forest classification,RFC)是机器学习的一种,本文使用Landsat-8 OLI卫星影像数据,针对研究区内的大豆、玉米和其他地物等3种主要作物类型,系统比较了该方法与较为成熟的最大似然分类(maximum likelihood classification,MLC)、支持向量机分类(support vector machine,SVM)方法的分类精度。结果表明,MLC、SVM、RFC的总体分类精度分别为91.68%、91.49%、94.32%,Kappa系数分别为0.87、0.87、0.91,RFC方法作物识别精度比MLC和SVM分类显著提升。对原始7波段影像进行主成分变换(principal component analysis,PCA),提取前4个主成分分量,同时计算归一化植被指数(normalized difference vegetation index,NDVI)和归一化水体指数(normalized difference water index,NDWI),将6个额外辅助特征波段叠加到原始7个波段影像上进行再次分类,MLC和SVM方法作物识别精度未有提升,RFC方法总体精度提高了1.49个百分点,Kappa系数提高0.03,精度提升幅度有限,主要原因是6个辅助波段在类型识别中作用较小。在分类耗时上,MLC、SVM、RFC分别为145 s、11 000 s、1800 s,表明随机森林分类具有最好的分类精度和适中的耗时。综合评价后,随机森林分类方法在进行大豆-玉米精细识别中具有较大优势,具有业务应用的潜力。

短波红外波段对玉米大豆种植面积识别精度的影响

为研究短波红外波段（1 100-2 500nm）设置对于作物分类精度提高的影响,同时也为新型传感器设计提供数据支持和应用支撑,该文以黑龙江省北安市北部为研究区域,选择美国Land Sat-8携带的陆地成像仪（operational land imager,OLI）数据,基于单时相和多时相条件下,在海岸蓝（433-453 nm）、蓝（450-515 nm）、绿（525-600 nm）、红（630-680 nm）、近红外（845-885 nm）5个波段的基础上,采用陆续增加1 560-1 660 nm（SWIR 1）、2 100-2 300 nm（SWIR 2）两个短波红外参与分类的方式,基于最大似然分类方法,比较分析了短波红外对玉米和大豆两种作物的遥感识别能力。结果表明,在单时相影像分类条件下,短波红外波段的引入可以在很大程度上提高玉米和大豆的分类识别能力,相比无短波红外参与分类,引入1个短波红外波段后总体分类精度从87.0%提高到90.8%,提高了3.8个百分点,Kappa系数由0.74提高到0.82,且＂椒盐现象＂显著减少。玉米分类的用户精度从原来的85.4%提升到91.5%,提高了6.1个百分点;制图精度从89.6%提升到90.3%。大豆分类的用户精度从88.9%提升到90.2%;制图精度从84.5%提高到了91.5%,提高了7个百分点。从分离度结果分析,玉米和大豆分类的分离度从1.53提高到了1.93,表明短波红外波段可以显著提升玉米和大豆的分离能力。在多时相影像分类条件下,短波红外波段的引入对于提高玉米和大豆的识别能力提高有限,引入1个短波红外波段条件下,相比无短波红外参与分类,总体分类精度从92.4%提高到92.9%,仅提高了0.5个百分点,表明短波红外波段并未提升多时相作物分类有效信息。从短波红外个数分析,无论在单时相还是多时相条件下,引入2个短波红外波段与1个短波红外波段面积提取总体精度没有明显变化,5景影像2个短波红外波段相关性都在0.96以上,表明相关性很强的冗余波段的引入,对农作物面积识别精度的提高能力有限。研究结果定量阐明了短波红外谱段对玉米和大豆两种作物的区分能力,为中国国产卫星短波传感器的波段设置提供了依据。

基于GF-1卫星遥感数据识别京津冀冬小麦面积

省级尺度冬小麦面积的精准获取技术是农作物面积遥感监测研究的主要内容之一。为了获取省级尺度的冬小麦种植面积,该文以北京市(京)、天津市(津)和河北省(冀)3个省域范围为例,以国家标准地形图分幅为分类的图幅单元,利用国产GF-1/WFV数据,构建冬小麦面积指数,实现了省级尺度冬小麦面积的识别。本文以冬小麦全部9个月生育期的984景影像作为数据源,依次经过数据预处理、标准图幅单元的NDVI合成、样本点选择、冬小麦面积指数构建、冬小麦作物类型确认、省域范围制图及精度验证等步骤完成研究区域内冬小麦面积的提取。采用区域网平差和6S大气校正算法对数据源预处理,以中国1︰10万标准地形图分幅为分类图幅单元构建冬小麦面积指数,将冬小麦面积指数按照1%的比例等分,并将面积指数从0到100%分割为101个提取节点,将提取节点的NDVI值依次与类型确认样本比较,精度最高的则确认为冬小麦面积提取阈值,同时将该阈值应用于图幅单元内冬小麦面积指数影像,获取冬小麦种植分布。最后冬小麦面积识别的精度表明,以标准地图分幅作为计算单元,在GF-1影像基础上,利用冬小麦面积指数能够显著提高冬小麦与其他地物类型的波谱差异,且冬小麦的总体识别精度达到89.6%,用户精度达到89.8%,制图精度96.5%,Kappa系数0.72。在典型区域,本文算法与监督分类算法精度结果较为一致,除制图精度相差4.77%外,总体精度与用户精度差都在1.00%以内,说明本文算法具有精度高、运行效率高、分类单元识别结果一致性强的特点,能够满足省级尺度农情遥感业务监测的需要。

基于GF-1/WFV数据的冬小麦条锈病遥感监测

条锈病是冬小麦常见病害,利用遥感影像对条锈病病害区域进行准确监测具有重要意义。该文利用GF-1/WFV影像,结合条锈病地面光谱数据分析,采用冬小麦条锈病遥感监测指数(wheat stripe rust index,WSRI)对河南西华县冬小麦条锈病发病范围进行了估测。首先,利用冬小麦NDVI加权指数(weighted NDVI index,WNDVI)获取冬小麦种植区域。其次,利用影像4个波段反射率之和提取不同冬小麦品种的分布范围,值较高的为条锈病高抗品种(郑麦系列),较低的则是条锈病易感品种(矮壮系列)。再次,构建冬小麦条锈病指数(wheat stripe rust index,WSRI),结合地面实地调查的条锈病分布数据,通过设定合理的WSRI指数划分阈值,提取条锈病染病区域并进行精度验证。结果表明,研究区内小麦条锈病空间分布识别的总体精度在84.0%以上,具有区域监测应用的潜力。该方法简单,可操作性强,表明宽波段GF-1影像结合WSRI指数的技术,是一种比较可行的小麦条锈病遥感监测方案。

GF-1卫星多时相组合近红外数据水稻识别能力

针对近红外波段水稻识别能力的问题,选择银川市所属的5个县区为研究区域,采用2016年5月18日、6月16日、7月30日、9月13日4个时相GF-1/WFV影像的近红外波段(0.76~2.526μm)数据,基于决策树分类方法,获取了4个单时相、3个多时相条件下的水稻识别结果,并与全波段数据分类结果进行了比较。单时相5、6、7和9月份近红外波段水稻识别精度分别为83.63%、57.40%、75.82%和62.61%,除5月份精度高于全波段5.75个百分点外,其他时相都低于全波段识别精度,6月份相差最高为30.23个百分点。多时相5/6、5/7、5/6/7/9月份组合,近红外水稻识别精度分别为83.76%、93.93%和94.03%,分别比全波段低5.47,高8.58和0.73个百分点。结果表明,水稻生长早期的5月份、中期的7月份,近红外波段可以作为单时相遥感识别数据源,包括生长早期和中期2个时相在内的多时相近红外波段组合都可以作为遥感识别的数据源,研究结果可以作为GF-1数据水稻遥感识别的依据。

GF-1和MODIS影像冬小麦长势监测指标NDVI的对比

作物长势是农情遥感监测的重要内容之一。长期以来,作物长势遥感监测主要基于卫星影像反演的相关植被参数,如归一化植被指数(NDVI,normalized difference vegetation index)、叶面积指数(LAI,leaf area index)等。本文通过对比研究16 m分辨率GF-1卫星影像及250 m分辨率MODIS影像的NDVI与冬小麦综合茎数、株高、叶绿素浓度之间的关系,尝试建立遥感监测作物长势指标与地面实测作物长势指标的定量关系。研究发现GF-1的NDVI与冬小麦综合茎数的相关性最高(R2=0.8961),而与其他指标相关性较弱;MODIS的NDVI指数与冬小麦综合茎数相关性较低(R2=0.4432),对作物长势的遥感监测精度较低。统计MODIS冬小麦像元内GF-1像元的NDVI平均值,并与MODIS的NDVI对比,发现两者之间的相关性较低(R2=0.3944);在消除MODIS与GF-1影像传感器光谱响应函数差异及NDVI尺度效应后,MODIS影像的冬小麦作物长势遥感监测精度得到一定提高(R2=0.4633)。对MODIS像元内GF-1 NDVI标准差排序发现,MODIS像元内冬小麦长势一致性越高,MODIS的长势遥感监测精度越高。GF-1和MODIS影像NDVI长势监测主要代表地面冬小麦综合茎数,且卫星影像分辨率越高,NDVI值越能反映实际的作物长势。MODIS像元内冬小麦长势一致性越高,基于NDVI的MODIS与GF-1数据冬小麦长势监测结果越一致。从区域长势监测角度来看,尽管MODIS与GF-1数据的监测结果趋势较为一致,并且通过光谱、尺度归一化能够进一步提高监测结果的一致性,但MODIS NDVI长势监测总体精度较低,为满足作物长势精细化监测的业务需要,应逐步使用高分辨率的遥感数据替代中低分辨率遥感数据进行作物长势遥感监测,并将其作为长势监测业务化运行的研究重点。

粮豆轮作遥感监测对卫星时空及谱段指标的需求分析

该文面向粮豆轮作遥感监测卫星数据需求,针对最小监测地块、作物类型、时效性的要求,分别对不同空间分辨率影像识别能力、不同波段组合识别能力、最高云覆盖区域晴空获取能力3个方面进行分析,提出了光学遥感卫星理想的空间分辨率要优于0.3 m,光谱设置可以采取基本波段(蓝、绿、红、近红)+红边或者基本波段(蓝、绿、红、近红)+短波谱段2种方式,重访周期要达到3 d以内。在上述指标满足条件下,能够对中国普遍存在的0.3 m宽度田埂进行有效识别,从而达到地块识别的目标;能够利用作物红边、短波谱段特征的差异,对生长中期玉米、大豆进行有效识别,达到粮豆轮作主要作物类型识别的目的;以3 d的重访周期,可以最大限度获取覆盖中国全国区域的晴空有效影像,在数据源获取上保证粮豆轮作业务化作业能力。该研究可为满足中国粮豆轮作等农情遥感监测需求的农业监测卫星研制及相应指标规定提供参考。

MODIS数据辅助的GF-1影像晴空光合有效辐射反演

面向农作物产量监测对中高分辨率遥感数据光合有效辐射(photosynthetically available radiation,PAR)反演的实际需求,该文选择山东省禹城市2014年1月至2014年12月共13景GF-1/WFV卫星影像作为数据源,基于中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)地表反射率产品作为辅助数据源,开发了适于业务运行的WFV数据气溶胶光学厚度(aerosol optical depth,AOD)及PAR的反演算法。算法核心是采用6S(second simulation of satellite signal in the solar spectrum)大气辐射传输模型,建立包括AOD在内的大气参数与查找表(look-up table,LUT),结合大气顶层太阳入射辐照度及卫星入瞳处辐射亮度值反演地表反射率数据,通过与WFV蓝光波段地表反射率数据对比获取大气参数。通过反演的大气参数计算400~700 nm连续光谱区间的PAR值,并建立WFV数据离散红、绿、蓝光波段与连续光谱区间PAR的转换系数,实现WFV数据PAR的反演。其中,WFV蓝光波段反射率数据与MODIS地表反射率数据关系、离散到连续谱段PAR的关系可以从美国地质勘探局(United States Geological Survey,USGS)提供的典型地物波谱库数据理论计算获取。利用中国生态系统研究网络(chinese ecosystem research network,CERN)禹城站地面观测值进行验证结果表明,该文提出的算法总体精度达到92.63%,平均绝对误差为14.56 W/m^2,平均相对误差7.37%,具有业务应用的潜力。

基于暗目标法和GF-1的农作物光合有效辐射反演

光合有效辐射是农田生产力和产量估算的依据,也是农作物参数遥感反演的主要研究内容。该文基于大气辐射传输模型,选择覆盖山东禹城市2014年4月-2014年12月共12景GF-1/WFV(wide field view)数据,结合浓密植被(暗目标)蓝光波段、红光波段之间反射率的线性关系,基于查找表(look-up table,LUT)技术反演了大气气溶胶光学厚度(aerosol optical depth,AOD)等大气参数,提出了基于蓝、绿、红3个离散波段反演光合有效辐射(photosynthetically active radiation,PAR)的算法。其中,浓密植被是根据WFV/NDVI(normalized difference vegetation index)设置阈值的方式筛选的;红光波段与蓝光波段地表反射率的比例系数为1.7977,截距为0.0034,决定系数达0.9826,是根据美国地质调查局(U.S.Geological Survey,USGS)提供的典型植被波谱库数据理论计算获取;GF-1/WFV数据蓝、绿、红波段转换为400~700 nm谱段间光合有效辐射值之间的转换系数分别为0.09156、0.09951、0.1007。采用中国生态系统研究网络禹城实验站实测的PAR数据进行对比验证,光合有效辐射的总体精度达到了95.77%,误差绝对值平均为11.36 W/m^2,平均误差小于5%,表明了该方法具有较高的精度。该方法不需要额外辅助数据,产品生产过程简单,是比较理想的GF-1/WFV数据光合有效辐射业务反演备选算法。

农业干旱遥感监测的原理、方法与应用

【目的】干旱遥感监测是卫星遥感技术的重要应用和研究方向之一,是对气象、地面调查等技术手段开展农作物干旱监测的重要补充和参考。【方法】在总结国内外目前主要的干旱遥感监测方法基础上,将农业干旱遥感监测方法概括为7个大类,即基于热惯量、冠层温度、作物长势状况、综合冠层温度与作物长势、蒸发(腾)、微波、作物生长模型的干旱遥感监测方法,并对各类方法的主要形式进行了系统性总结。【结果】同前主要的干旱遥感监测方法中,除作物生长模型的反演的监测是土壤含水量外,其他方法大多数是基于遥感度量的干旱程度指标,需要结合地面水分观测值等的标定转化为土壤的水分含量。【结论】从监测原理上看,农业干旱可以认为是光照条件、土壤质地、作物长势、冠层温度4个物理量的函数。在自然条件下,当某个或几个物理量相对一致时,就可以将该理论模型进行简化,使用特定的干旱指数形式对干旱进行量度,这也是当前遥感监测技术监测作物干旱的主要思路。同时,该文对当前国内和国际上的主要干旱遥感监测业务化运行系统进行了介绍,并在此基础上,结合当前遥感监测方法区域适用能力存在的局限性,提出模型区域适应性改进是当前旱情遥感监测业务应用的关键点。同时,随着中高分辨率遥感数据的日益增多,利用中高分辨率卫星数据进行定量化干旱遥感监测技术也是当前干旱遥感监测的重要趋势。此外,干旱遥感监测的不确定性研究也是业务化应用中需要加强的一个方向。

红边与短波红外谱段的玉米大豆识别能力研究

研究旨在挖掘红边、短波红外谱段对玉米大豆识别精度的提升程度,发现分辨率和谱段对作物识别的综合影响规律。采用德国Rapideye和美国Landsat-OLI数据,基于最大似然监督分类的方法,针对玉米、大豆、其他等3种地物类型进行研究。结果表明:与仅有蓝、绿、红、近红外波段相比,增加红边后总体分类精度从73.1%提高到80.5%。与仅有气溶胶、蓝、绿、红、近红波段相比,增加1个短波红外波段后,总体分类精度从72.9%提高到75.4%。中分辨率多时相数据能够弥补由于缺少短波红外、降低空间分辨率造成的识别精度的下降。

中国数字农业的基本理念与建设内容设计

【目的】总结已有成果,明确发展目标,为中国数字农业的发展提供指导依据。【方法】文章在数字农业发展过程扼要回顾的基础上,从历史、基础、核心及目标等几个方面分析了现代数字农业的基本构成。【结果】认为数字农业是在现代农业生产体系的数字化基础上决策与服务能力的现代化提升,数字农业的建设内容至少包括硬件平台、信息管理系统、分析决策系统和应用服务系统等4个部分。【结论】中国数字农业体系的建设,是面向中国农业生产的实际需要,为实现农业现代化,促进农业生产绿色发展的需要提出的。要保证数字农业的健康发展,不仅需要明确数字农业建设的指导思想,更要注重功能定位与服务效能是数字农业建设的基本原则。