基于GF-1数据的耕地土壤镉(Cd)含量遥感估算方法

本文采用多种光谱变换和回归分析方法探索了使用GF-1卫星影像监测耕地土壤镉(Cd)含量的可行性。首先针对获取的GF-1原始影像数据,在完成预处理及剔除植被信息后进行倒对数、平方根和反正弦平方根变换,生成4套光谱影像;然后分别用采样点5 m缓冲区内各套影像光谱统计值与Cd含量进行相关性分析和多种回归分析。选择模型决定系数最高(>95%)的反正弦平方根变换后的自适应重加权回归方法构建的线性回归模型作为遥感估算模型。遥感估算结果在稻田积水、边缘地带等出现了异常估算值;笔者分析原因后应用线性插值的方法得到最终估算结果。相关性分析和建模精度表明该方法是可行的,有望应用于实际土壤质量监测和土地管理中。

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GF-1卫星遥感反演排水河沟水体溶存N_(2)O浓度模型对比研究

[目的]探究利用GF-1卫星数据反演水体溶存氧化亚氮(N_(2)O)浓度的可行性,为实现低成本、高效率的水质实时监测提供有效途径。[方法]以宁夏青铜峡灌区第1和第5排水河沟为研究对象,选取与排水河沟水体溶存N_(2)O浓度相关性高的GF-1卫星影像波段反射率和水质参数作为自变量,通过最优子集筛选法确定最优自变量组合,分别构建了多元线性回归、BP神经网络和支持向量机模型,对水体溶存N_(2)O浓度进行预测对比。[结果]水温(T)、溶解性有机碳(DOC)等是影响水体溶存N_(2)O浓度的主要因素,同时近红外(NIR)等卫星波段与水体溶存N_(2)O浓度变化趋势显著相关。当自变量包括T,NIR等7个因素时,模型预测效果最佳。在3种模型中,BP神经网络模型验证结果R^(2)为0.64,具有最高预测精度。[结论]GF-1卫星数据以及水质参数与水体溶存N_(2)O浓度存在复杂的相关性关系,且BP神经网络能够实现利用GF-1卫星数据较高精度地反演水体溶存N_(2)O浓度。

基于GF-1多光谱影像的河道碍洪物遥感AI识别模型

河道碍洪物是洪涝灾害的重要影响因素,对其进行高效精准监管需引起高度重视。传统的人工巡查难以满足高效精准的应用需求,因此结合人工智能(AI)的遥感技术应用是必经之路。然而诸多的AI模型在遥感应用中的表现尚不清晰,亟待深入探讨。本文以广西大藤峡库区为例,研究河道碍洪物遥感AI识别模型构建方法。基于GF-1遥感影像,构建碍洪物训练样本集,以ResNet101为核心网络,采用当前主流的6种语义分割模型,包括PSPNet、PAN、MANet、FPN、DeepLabV3+和UNet++,进行碍洪物识别模型训练,进而评估其精度和效率。结果表明:①利用ResNet101作为骨干网络的深度学习模型,在河道碍洪物识别中表现优异,所有模型的F1得分均大于0.70,交并比(IoU)均大于0.58。其中,结合洞卷积和全局池化技术的DeepLabV3+模型的F1得分为0.82,IoU为0.72,体现了其在捕捉上下文信息和微观特征方面的显著优势。②PSPNet在参数量较低的情况下表现出较高的处理效率和精度,每批次能处理8个样本,帧率高达10.49。综上,DeepLabV3+在精确识别和轮廓描绘方面的表现尤为突出,而PSPNet在大规模数据处理上显示出巨大潜力。研究结果可为AI遥感模型构建提供参考,并为河道安全监管提供技术支撑。

血清TGF-β1、Nesfatin-1、SFRP5与2型糖尿病胰岛素抵抗关系探究

目的:探讨血清转化生长因子-β1(TGF-β1)、Nesfatin-1、分泌型卷曲相关蛋白-5(SFRP5)与2型糖尿病胰岛素抵抗的关系。方法:选取我院2021年4月-2023年4月收治的148例2型糖尿病患者为研究对象,根据稳态模型胰岛素抵抗指数(HOMA-IR)检测结果将患者分为轻度胰岛素抵抗组(91例,HOMA-IR<2.5)和中重度胰岛素抵抗组(57例,HOMA-IR≥2.5)。比较两组入院时血清TGF-β1、Nesfatin-1、SFRP5水平,分析入院时血清TGF-β1、Nesfatin-1、SFRP5水平与HOMA-IR的相关性,分析发生中重度胰岛素抵抗的影响因素、联合检测的诊断价值及危险度。结果:入院时,中重度胰岛素抵抗组血清TGF-β1、Nesfatin-1水平高于轻度胰岛素抵抗组,SFRP5水平低于轻度胰岛素抵抗组(P<0.05);入院时,HOMA-IR与血清TGF-β1、Nesfatin-1水平呈正相关,与SFRP5水平呈负相关(P<0.05);入院时,血清TGF-β1、Nesfatin-1、SFRP5水平为2型糖尿病患者发生中重度胰岛素抵抗的影响因素(P<0.05);入院时血清TGF-β1、Nesfatin-1、SFRP5水平联合诊断中重度胰岛素抵抗的AUC为0.808,最佳诊断敏感度为91.23%,特异度为70.33%;入院时血清TGF-β1、Nesfatin-1、SFRP5高水平患者发生中重度胰岛素抵抗的危险度是低水平的3.560、2.134、0.341倍(P<0.05)。结论:血清TGF-β1、Nesfatin-1、SFRP5水平与2型糖尿病胰岛素抵抗密切相关,可作为临床诊断病情的参考依据。

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)。

基于GF-1 WFV的漫湾养殖区悬浮物浓度估算研究

网箱养殖对区域水环境影响较大,研究网箱养殖区水质参数变化规律对于认知区域性水产养殖对水环境的影响具有较大的现实意义。采用GF-1WFV数据,针对漫湾库区近年成倍增长的网箱养殖区,构建了网箱养殖区总悬浮物浓度反演模型。结果表明:模型具有较高的精度,反演值与实测值的平均相对误差为9.65%,均方根误差为0.33 mg/L。依据构建的反演模型与卫星影像反演了漫湾网箱养殖区的总悬浮物浓度,分析了库区和不同网箱体位置的总悬浮物浓度变化规律。研究发现,漫湾库区和不同网箱体位置的悬浮物浓度变化规律基本一致,网箱体总悬浮物浓度未因养殖局部“圈定”现象而出现异常,但比库区河流整体悬浮物浓度要小,主要因其总悬浮物浓度变化主要受降水、地表径流、水流流速等影响,网箱养殖会降低其对局部“圈定”区的总悬浮物浓度的影响。研究对漫湾库区和网箱养殖区总悬浮物浓度变化规律认识具有一定参考意义,后续将发展多源遥感数据的水质参数遥感估算模型,用于漫湾网箱养殖区水环境变化规律的认知。

GF-1影像地物最优分割尺度确定方法与评价

GF-1卫星是中国高分辨率对地观测系统的第一颗卫星,在土地利用变更调查、土地利用动态监测等方面发挥重要作用。在面向对象的信息提取研究中,传统最优分割尺度方法得到的往往是某一个确定数值。以GF-1影像为实验影像,分别利用均值方差法、最大面积法、面积比均值法等方法,对影像常见地物进行最优分割尺度研究,得到最优分割尺度区间,采用eCognition软件ESP工具进行分割结果评价,在这个区间都能得到较好的分割效果。

GF-1与GF-6 WFV影像在滇池悬浮物浓度反演中的对比分析

总悬浮物(TSM)是水环境评价的重要参数之一,也是遥感水质反演的重要指标。GF-1/WFV和GF-6/WFV作为高分系列对外免费开放的卫星数据,在遥感监测中的应用较为广泛,但目前针对两种数据的对比分析以及GF-6/WFV新增波段在水体水质参数反演中的适用性研究较少。以云南滇池水域为研究区域,对与水体实测数据同步过境(或时相相近)的GF-1/WFV和GF-6/WFV遥感影像采用统计分析的方法进行相同波段(蓝、绿、红、近红外)一致性分析,在此基础上运用经验回归方法分别构建两种数据的TSM反演模型,并将加入GF-6/WFV新增波段的模型与GF-1/WFV构建的模型进行对比分析,选择最优模型应用于滇池2020年的6幅GF-6/WFV图像得到滇池TSM分布图。结果表明:GF-1/WFV与GF-6/WFV的蓝、绿、红、近红外波段的相关系数分别为0.98,0.98,0.97和0.99,两种数据的表观反射率具有很高的一致性。GF-1/WFV基于蓝、绿、近红外波段构建的差值模型“B2+B4-B1”反演精度较高,模型反演的均方根误差为6.35 mg·L^(-1),平均绝对百分比误差为23.60%。GF-6/WFV基于近红外、红边1和红边2波段构建的比值模型“1/B5+B6”反演精度较高,模型反演的均方根误差(RMSE)为3.07 mg·L^(-1),平均绝对百分比误差(MAPE)为20.65%,以GF-1/WFV构建的差值模型“B1-B4”与GF-6/WFV构建的“B5-B4”对比发现后者均方根误差减小了2.61 mg·L^(-1),平均绝对百分比降低了32.33%,实验表明加入红边波段的模型反演效果较其他模型更好。采用建模公式得到了2020年滇池TSM分布图,滇池TSM的变化范围在4~45 mg·L^(-1),均值为18.23 mg·L^(-1),总体空间分布呈现北重南轻的分布态势,滇池TSM时间分布表现为上升-下降趋势。该研究不仅可以为湖泊水质监测传感器波段设置提供参考和借鉴,也为滇池水资源监管部门进行水质遥感监测提供了技术支撑。

GF-6/WFV与GF-1/WFV传感器数据对比

目的:利用GF-6和GF-1卫星高时空分辨率、覆盖范围广等特点,组网协同研究二者宽幅(WFV)传感器之间的差异。方法:基于同期过境的2对GF-6/WFV与GF-1/WFV影像数据,采用样区均值法进行地表反射率层面的交互对比分析,探究G F-6/WFV与GF-1/WFV波段光谱数据之间的定量关系,并构建线性转换方程。结果:GF-6/WFV与GF-1/WFV的观测能力具有较高的一致性,对应波段间线性回归方程的决定系数(R 2)均高于0.942。GF-1/WFV1、GF-1/WFV2与GF-6/WFV数据间的均方根误差(RMSE)在蓝光波段较小,但在绿光、红光和近红外波段的差异逐渐增大;总体上,GF-6/WFV的信号强度比GF-1/WFV低9%~14%,其低于GF-1/WFV1约9.327%,低于GF-1/WFV2约13.573%。经线性转换后的GF-1/WFV数据与G F-6/WFV数据的差异明显降低,GF-1/WFV1数据对应波段的RMSE降低56.435%,相对偏差率(ME)降低8.351%;GF-1/WFV2数据RMSE的降低率达60%以上,ME降低11.119%。结论:G F-6/WFV与GF-1/WFV的转换方程具有较高的准确性,可有效提升2颗卫星组网观测的一致性,对监测地表变化、采集地面信息等具有重要意义。本研究可为GF-6与GF-1卫星数据的协同观测和组网应用提供科学参考。

2018-2022年青海省主要湖泊蓄水量时空变化数据集

青海省是中国西北部重要的生态功能区,水资源总量丰富,但时空分布极不均匀,且由于气候、地理环境等因素的影响,大部分湖泊长期缺乏监测。而湖泊作为地表水水资源的重要载体,是研究气候变化和人类活动对水循环过程影响的重要指示器。国产高分一号、六号卫星宽幅相机空间分辨率为16 m,组网运行可实现2天重复观测,可以高频次获取地表水体面积;ICESat-2激光测高数据具备厘米级的测高精度,可以获取高精度的地表水体测高水位。本数据集基于GF-1/6WFV水体面积和ICESat-2测高水位构建青海省湖泊蓄水量遥感监测模型,通过遥感手段对青海省湖泊蓄水量进行时空变化监测。经验证,本数据集中湖泊蓄变量监测精度总体优于93%,满足湖泊蓄水量时空变化遥感监测需求。本数据集在时间尺度上涵盖2018-2022年,共计60期月度监测结果;空间尺度上覆盖了青海省面积大于30 km^(2)的33个湖泊,主要集中分布在青海省西部、北部、东南部,可为青海省湖泊、水文与气候变化过程监测、水资源动态评价、优化水资源管理与调度提供基础数据支撑。

基于深度学习的GF-1卫星WFV影像赤潮探测方法

赤潮是我国主要的海洋生态灾害,有效监测赤潮的发生和空间分布对于赤潮的防治具有重要意义。传统的赤潮监测以低空间分辨率的水色卫星为主,但是其对于频发的小规模赤潮存在监控盲区。GF-1卫星WFV影像具有空间分辨率高、成像幅宽大和重访周期短等优点,在小规模赤潮监测中表现出较大的潜力。然而,GF-1卫星WFV影像的光谱分辨率较低,波段少,传统面向水色卫星的赤潮探测方法无法应用于GF-1卫星WFV数据。而且赤潮具有形态多变、尺度不一的特点,难以精确提取。基于此,本文提出了一种面向GF-1卫星WFV影像的尺度自适应赤潮探测网络(SARTNet)。该网络采用双层主干结构以融合赤潮水体的形状特征与细节特征,并引入注意力机制挖掘不同尺度赤潮特征之间的相关性,提高网络对复杂分布赤潮的探测能力。实验结果表明,SARTNet赤潮探测精度优于现有方法,F1分数达到0.89以上,对不同尺度的赤潮漏提和误提较少,且受环境因素的影响较小。

高分辨率1号卫星影像几何定位精度评价与几何校正研究——以黑龙江省友谊县为例

提高卫星影像的几何定位精度可以挖掘影像在区域尺度的应用潜力。本文以黑龙江省友谊县及周边区域为研究区,根据地面实测几何控制点,评估高分辨率1号(GF-1)卫星PMS和WFV影像的几何定位精度,并比较手动和自动两种不同几何控制点选取方式的几何校正效果。结论如下:MUX影像、PAN影像和WFV4影像在校正前的平均几何位置偏差为45.06 m,44.60 m和110.26 m,手动几何校正后的平均几何位置偏差为13.97 m,6.35 m和13.56 m,基于哨兵2号(Sentinel-2)影像自动几何校正后的平均几何位置偏差为15.84 m,16.23 m和21.26 m。以上结果可以看出,经过几何校正后很大程度上消除了影像的系统误差,PMS影像通过手动选取地面控制点进行几何校正的效果更优,而WFV影像使用两种校正方法效果相近。

基于IR-MAD算法的GF-1影像土地利用变化检测研究

变化检测是遥感应用领域的研究热点之一,为探究高分一号(GF-1)PMS影像在土地利用变化检测中的适用性和有效性,文章以毕节市金海湖新区办事处为研究区,选取2017、2019两期GF-1 PMS影像为数据源,对比直接分析比较法中的迭代加权多元变化检测(IR-MAD)和基于随机森林(Random Forest, RF)分类后比较法的检测效果。结果表明:IR-MAD算法检测效果良好,可以有效地区分不变区域与变化区域,总体精度和Kappa系数较高,过程不依赖于训练样本的多少,总体精度达到90.78%,Kappa系数为0.86,而随机森林分类算法精度相对较低,检测效果欠佳,总体精度为89.32%,Kappa系数为0.80。因此,IR-MAD算法更适用于小尺度的土地利用变化检测。

基于GF-1卫星数据的农作物种植面积遥感抽样调查方法

GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星,为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题,该文针对GF-1号卫星数据的特点,研究了基于GF-1号卫星16m WFV传感器和2m/8m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历,选择农作物识别关键期的16m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取;在中分辨率农作物面积遥感分类图基础上,计算研究区域的MORAN I指数,确定格网抽样单元的大小,进行多目标农作物的MPPS(multivariate probability proportional to size)抽样;对抽样单元采用2m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图;最后根据MPPS抽样方法进行总体农作物种植面积的推断,并计算CV值,评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明,GF-1号卫星数据完全可以应用于县级农作物种植面积的提取,农作物种植面积提取精度优于90%。

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。

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卫星数据的冬小麦叶片氮含量遥感估算

以陕西关中地区大田和小区试验下的冬小麦为研究对象,探讨基于国产高分辨率卫星GF-1号多光谱数据的冬小麦叶片氮含量估算方法和空间分布格局。基于GF-1号光谱响应函数对地面实测冬小麦冠层高光谱进行重采样,获取GF-1号卫星可见光-近红外波段的模拟反射率,并构建光谱指数,利用与叶片氮含量在0.01水平下显著相关的8类光谱指数,分别建立叶片氮含量的一元线性、一元二次多项式和指数回归模型。通过光谱指数与叶片氮含量的敏感性分析,以及所建模型的综合对比分析,获取适合冬小麦叶片氮含量估算的最佳模型。结果表明:模拟卫星宽波段光谱反射率和卫星实测光谱反射率间的相关系数高于0.95,具有一致性;改进型的敏感性指数综合考虑了模型的稳定性、敏感性和变量的动态范围,敏感性分析表明比值植被指数对叶片氮含量的变化响应能力最强;综合模拟方程决定系数、模型敏感性分析、精度检验和遥感制图的结果,认为基于比值植被指数建立的叶片氮含量估算模型适用性最强,模拟结果与实际空间分布格局最为接近,为基于GF-1卫星数据的区域性小麦氮素营养监测提供了理论依据和技术支持。

基于GF-1影像的冬小麦种植面积核算及直补政策实施评价

粮食直接补贴政策的实施,对于促进粮食生产和农民增收、推动农业农村发展发挥了积极的作用。补贴资金发放的精准程度在一定程度上影响着财政资金的支农效率。该文拟研究基于卫星数据进行粮食直补政策落实效果评价的可行性。以安徽省濉溪县为研究区,采用GF-1卫星16 m多光谱影像,在扣除线状地物、小地物的基础上,精准核算冬小麦种植面积。以乡镇为单位,比较统计发放面积与遥感核算面积,完成基于GF-1卫星数据的粮食补贴政策落实效果评价。结果表明:1)全县范围内,冬小麦直补发放统计面积与遥感核算面积较为吻合。直补发放统计面积为1 239.17 km^2,遥感核算面积为1 227.37 km^2,相对误差仅为0.96%;2)在乡镇尺度上,11个乡镇和1个开发区中共5个乡镇直补发放统计面积与遥感核算面积的相对误差<10%,8个乡镇<13%。相对误差最大的开发区、濉溪镇2个乡镇,以工商业用地为主,冬小麦种植面积少,地块零碎,遥感解译难度大。整体上,直补发放统计面积与遥感核算面积的Nash-Sutcliffe系数(Nash-Sutcliffe coefficient,ENS)为0.90,决定系数为0.93,两者相关程度较高。研究可为改进完善粮食补贴政策提供参考提供依据。