星载微波SSM/Ⅰ遥感在中国东北华北农田的辐射特征分析

本文研究了星载微波ＳＳＭ／Ⅰ１９９６年在中国东北华北平原农田上７个通道辐射亮度温度（ＴＢ）的遥感数据，提出用几个通道ＴＢ组合的散射指数和极化指数来分析中国平原地区农田的微波辐射特征，及其随生长季节的时间性变化。星载ＳＳＭ／Ⅰ数据可以监视农作物的生长和平原地区地面湿度的变化。本文还给出了大气和农作物地表矢量辐射传输的数值模拟结果。

光学遥感在区域灌溉监测中应用的研究进展

农业干旱、灌溉用水效率低等问题严重制约着中国农业生产的发展.及时准确地获取田间水分信息是建立区域灌溉管理系统的前提和基础,传统的水分信息监测方法应用范围小、效率低,无法满足现代农业的需求,而遥感技术提供了一个相对高效精准的技术方法.分别介绍了作物需水量的计算方法和灌溉面积监测技术,其中作物需水量的计算介绍了土壤水分系数估算法和植被指数反演法,这2种方法都利用作物系数法对作物需水量进行计算,主要区别在于计算参数的获取方式;灌溉面积监测总结了基于光谱特征空间反演、冠层温度反演、蒸散发模型反演和植被指数反演4种方法,通过蒸散发模型和植被干旱指数反演灌溉面积是目前应用较为广泛的方法.在此基础上,构建基于田间水分信息的区域灌溉管理体系,以达到精准灌溉、科学决策的目的.

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。

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。

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。

粮食作物播种面积遥感监测研究进展

介绍了遥感监测粮食作物播种面积的理论和现实意义,回顾了国内外基于常规方法、线状框架采样、面积框架采样、光谱混合模型(spectralmixturemodel,SMA)等方法进行植被制图和进行粮食作物识别研究的现状和存在的问题,并对基于波谱库的农作物播种面积监测提出了建议。

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。

不同生育时期冬小麦叶面积指数高光谱遥感监测模型

高光谱遥感能快速无损获取植被冠层信息,是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型,提高叶面积指数高光谱监测精度,该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数,通过相关分析、回归分析等统计方法,构建不同生育时期冬小麦叶面积指数监测模型。结果表明：不同氮磷水平下,冬小麦叶面积指数随施肥量增加呈递增趋势,随生育时期改变呈抛物线趋势变化;随着氮磷供应量的增加,冠层光谱反射率在可见光波段显著降低2%-5%（P〈0.05）,在近红外波段显著增加4%-10%（P〈0.05）;不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关（P〈0.01）;拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好,决定系数分别为0.952、0.979、0.989、0.960和0.993;以不同年份独立数据验证模型表明,所建预测模型均有较好的验证结果,相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差分别为：0.313、0.336、0.316、0.316、0.324。因此,优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时,叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。

作物种植面积空间对地抽样方法设计

传统的粮食作物种植面积估算一般采用目录抽样方法,由于缺乏现实、有效的先验知识,抽样过程受精度和效率制约。本文利用地理信息系统、遥感和全球定位系统技术,结合传统的随机、系统和分层抽样方法,设计三种新的粮食作物种植面积空间对地抽样方案,并在此基础上开展试验对比研究,分析它们在抽样精度、最少样本量和稳定性方面的差异。结果表明,本文所设计的空间分层抽样方法所需样本量较小,且具有较高的估算精度和稳定性,可以用于大范围农作物种植面积监测。

基于作物模型与叶面积指数遥感影像同化的区域单产估测研究

通过对作物光合、呼吸、蒸腾、营养等一系列生理生化过程的定量模拟,作物生长模型已经被成功应用于田间尺度的作物单产研究。为了进一步将作物模型扩展应用于区域尺度,提高区域作物单产的模拟精度,该文探讨了将作物模型与多时相叶面积指数(LAI)遥感影像同化以改善区域单产估测的方法。研究首先通过地理信息系统将美国农业部开发的"考虑气候的作物环境决策模型"——EPIC模型,扩展为空间模型。然后,通过基于Landsat TM影像差值植被指数DVI与田间观测叶面积指数构建的最优回归模型,反演了研究区域的多时相叶面积指数影像。最后通过优化算法实现了空间EPIC模型与影像信息的同化,并将系统应用于河北石家庄地区2004年冬小麦的单产估测。结果表明,通过数据同化校正部分关键参数后的空间作物模型的单产模拟精度得到有效提高,但要达到业务运行精度仍有待进一步改善。

基于遥感温度植被干旱指数的宁夏2000-2010年旱情变化特征

为了探讨近10 a来宁夏的旱情变化特征及演变趋势,利用MODIS的地表昼夜温度数据计算昼夜温差,结合归一化植被指数产品计算温度植被干旱指数(temperature vegetation dryness index,TVDI),对2000-2010年的逐月干旱进行了监测,并分析其与气象干旱和农业受旱灾情况的关系。研究结果表明,从空间上来看,宁夏干旱发生频率和强度最高的是中部干旱带,次之是南部丘陵山区,而较少发生干旱的是北部引黄灌区,其中南部六盘山和北部贺兰山林区也很少受干旱影响;在2000-2010年间有3次明显的极端干旱过程,分别是2000、2005和2009年;从旱情变化趋势来看,近10 a来宁夏平均干旱强度在减弱,但极端干旱事件有增强的趋势,且春、夏季显著增强,而秋、冬季显著减弱;宁夏TVDI的变化主要取决于降水量,年平均TVDI、年最大TVDI与降水量、标准化降水指数和标准化降水蒸散指数均呈负相关关系,除年平均TVDI与降水量(P=0.08)和标准化降水指数(P=0.06)的相关性未通过显著性检验外,其他均通过了P<0.05的显著性检验,但TVDI与气温关系不大,这与当地的土地利用格局及植被类型有关;农业受旱灾面积与年平均TVDI有关,二者相关关系为0.69(P<0.05),而与年内单次极端干旱强度关系不大;从不同季节来看,夏季干旱最容易导致宁夏农业减产,次之是春季和秋季干旱,而冬季干旱几乎对农业生产没有影响。该研究可为地方政府制定抗旱救灾和农业生产政策提供一定参考。

基于四维变分和集合卡尔曼滤波同化方法的冬小麦单产估测

为了通过数据同化方法提高冬小麦的估产精度，以陕西省关中平原为研究区域，采用标定的CERES-Wheat模型模拟8个典型样点冬小麦整个生育期的叶面积指数（LAI），通过四维变分（4DVAR）和集合卡尔曼滤波（EnKF）2种同化算法同化CERES-Wheat模型模拟的LAI和遥感数据反演的LAI，获得单点尺度的LAI同化数据，将单点尺度的LAI同化值扩展到区域尺度，对两种同化方法的单点尺度和区域尺度的同化结果进行对比与分析。结果表明，两种同化方法均能综合遥感反演LAI和模型模拟LAI的优势，使LAI同化值更符合冬小麦LAI的实际变化规律；在单点尺度和区域尺度上，EnKF-LAI 均更能反映关中平原冬小麦的实际生长状况。采用 EnKF-LAI 构建关中平原冬小麦估产模型估测2008年和2014年的冬小麦单产，通过实测单产对估产模型进行验证，结果表明，2008年样点估测单产与实测单产的相对误差均小于15%，部分县估测单产与实测单产的相对误差均小于10%；与2014年模拟单产与实测单产间的相对误差相比，估测单产与实测单产间的相对误差降低0.57%～9.30%，RMSE降低217 kg/hm2，其中，8个样点的估产精度达到94%以上，表明组合估产模型的估产精度较高。

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。

Google Earth影像辅助的农作物面积地面样方调查

地面样方调查是农作物种植面积遥感监测的重要环节,一般采用差分GPS(DGPS,differential GPS)实地测量的方式实现,是一项耗时、耗力的业务工作。该文利用经DGPS实测点校正后的Google Earth影像,以中国农业科学院(万庄)农业高新技术产业园及周边地区范围(3.1 km×2.0 km)为研究区域,探索了基于Google Earth影像辅助的农作物面积地面样方调查,比较了该方法与完全采用GPS实地测量在调查精度和效率方面的差异。针对不同的GE影像来源,文中定义基于GE客户端COM API编程下载后的影像为A级影像、经在线GE影像校正后的影像为B级影像、经DGPS实测点校正后的影像为C级影像。与实测的检查点相比,0.5 m以上空间分辨率的A级影像X、Y 2个方向中误差232.7 m,B级影像中误差5.4 m,C级影像中误差1.0 m。B级影像中误差符合《数字航空摄影测量空中三角测量规范》1:25000平地的平面位置中误差不大于8.75 m的要求,C级影像中误差符合1:10000平地的平面位置中误差不大于3.5 m的要求。在测区内选择结构组成简单、中等和较为复杂的3个样方类型,量算B和C级影像的面积量算精度,与DGPS实测面积比较,平均误差仅有0.108%和0.018%。从样方相对位置确定、地块和农田边界的修正3个方面用于地面样方的辅助测量,在业务工作中进行了初步应用,陕西省2015年冬小麦种植面积地面样方调查的实际效果表明,GE影像辅助调查比GPS实测方法在时间方面减少了64.2%,路程节约82.5%,调查效率提高了73.3%以上。

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。

基于MODIS数据的冬小麦种植面积快速提取与长势监测

利用MODIS-NDVI数据,以中国冬小麦主产区为例,探讨了基于遥感影像全覆盖的大尺度冬小麦种植面积遥感综合自动识别及长势监测的方法。通过分析冬小麦的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征,确定了冬小麦信息提取的NDVI阈值,建立了冬小麦面积提取模型,并最终获取了2010—2011年中国农情遥感监测中冬小麦长势监测所需的空间分布数据,与多年平均统计数据比较,总体精度达到81%以上。基于提取的冬小麦面积信息空间分布数据,利用MODIS-NDVI差值模型,对冬小麦2011年的长势进行监测。结果表明,与近5年平均状况对比,2011年冬小麦在其整个生育期内长势基本与常年持平,但时空分布差异较大。

粒子滤波同化方法在CERES-Wheat作物模型估产中的应用

为验证粒子滤波同化算法在作物模型估产应用中的可行性和精度,应用该算法构建了CERES-Wheat(crop environment resource synthesis for wheat)作物模型同化系统,并应用地面观测数据研究了同化系统的估产能力以及粒子扰动维数和方差对同化结果和效率的影响。研究结果表明,构建的作物模型同化系统能够利用作物关键生育期内观测LAI数据,较好地校正模型状态轨迹,显著提高作物产量模拟预测精度。同化前后冬小麦产量模拟结果与实测产量间的决定系数由0.68增加为0.83,归一化均方根误差由4.93%减小为3.4%,相对误差由4.15%减小为2.93%。粒子扰动维数和方差同化试验结果显示,粒子维数由50增加为250时,同化估产精度无显著改善,但计算代价增加5倍;随粒子扰动方差增加,估产归一化均方根误差和相对误差均呈增加趋势,两者的平均增加幅度分别为0.32%和0.26%。因此,作物模型同化系统业务化应用时需折中考虑估产精度和计算代价设置合适的粒子扰动维数和方差。该文为进一步利用多源卫星遥感数据监测区域作物长势和估算产量等同化研究和应用提供参考。

利用多源时序遥感数据提取大范围水稻种植面积

为避免大范围作物面积提取中的分区问题,提出了一种新的采用时序MODIS日反射率产品(MOD09GA)和HJ-1CCD数据的大范围水稻种植面积提取方法。利用样区多时相高分辨率HJ-1CCD数据,进行高分辨率水稻制图,获取水稻移栽期和生长期的特征。再利用时序MODIS日反射率产品自动提取移栽期稻田水分信息和生长期生长信息,实现大范围的水稻种植面积测量。以江苏省为试验区对该方法进行了试验,结果表明该方法可以较高精度的测量大范围的水稻种植面积,水稻提取精度为93.3%,Kappa系数0.88。