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。

农业遥感学科群发展及展望

【目的】农业遥感是科学的重要分支,既具有很强的交叉学科特征,又聚焦非常明确的行业应用场景,文章从“科技创新—行业应用”结合的角度,回顾农业遥感学科群建设的阶段历程,提出农业遥感学科群发展建议。【方法】采用文献综述法、内容分析法、对比论证法等方法,对农业遥感学科群建设阶段进行回顾,对农业遥感学科群建设现状进行介绍,对农业遥感学科群发展提出建议。【结果】我国农业遥感工作始于20世纪80年代初,以成立国家遥感中心、组建农业部农业遥感学科群等为标志,经历了引进学习、技术攻关、理论技术应用协同发展等3个阶段。“十四五”期间,农业遥感学科群围绕高分遥感机理、土地监测监管、农业灾害监测预警开展“一基两翼”重点科技攻关,以科技支撑农业强国建设。【结论】面向未来农业遥感国际学科前沿与国家重大需求,农业遥感学科群还需扩充土壤遥感、作物表型遥感等专业实验室,建设区域实验室与科学观测实验站,推进政产学研一体化,深化国内外交流与合作,高质量推动全国农业遥感创新应用体系建设。

基于合成孔径雷达数据的农作物长势监测研究进展

[目的/意义]农作物长势监测能及时提供农作物的生长状态信息,对于加强中国作物生产管理、确保国家粮食安全具有重要的意义。卫星遥感技术的发展为大面积的作物长势监测提供了契机。然而,在雨热同期的作物生长旺季,光学遥感数据的获取经常受到天气的限制。因此,近年微波雷达遥感技术受到了广泛重视。[进展]梳理了利用合成孔径雷达(Synthetic Aperture Radar,SAR)数据进行农作物长势监测的国内外研究现状,从农作物长势SAR遥感监测指标、农作物长势SAR遥感监测数据和农作物长势SAR遥感监测方法3个方面对基于SAR数据农作物长势监测研究进展与标志性成果进行总结。在分析常用于农作物长势监测的方法及其适用性的基础上,对它们在长势监测中应用情况进行分析。[结论/展望]提出了4个国内外SAR监测农作物长势所存在的问题:1)基于SAR数据的农作物长势监测方法研究整体较少;2)微波散射特征挖掘不够,特别是对极化分解参数的长势监测应用研究还有待深入;3)针对农作物长势监测中的雷达植被指数相对较少,其应用尚未得到充分发挥;4)基于SAR散射强度的农作物长势监测主要采用经验模型,难以推广到不同地区和类型的农作物上。最后,展望未来的研究应聚焦于挖掘微波散射特征、利用SAR极化分解参数、发展和优化雷达植被指数以及深化散射模型来监测农作物长势。

作物遥感精细识别与自动制图研究进展与展望

作物识别与制图产品数据是作物长势、风险胁迫、产量等生产参量监测预测,种植结构调整与供需决策分析,以及耕地资源安全与生态效应评估等工作的基础数据,遥感数据成为作物类型识别与制图的最主要数据源,新兴数字技术则为遥感作物识别与制图提供了新的方法手段。本文通过综述近年基于遥感的作物识别与制图相关研究成果,探究当前技术趋势、关键问题,以及需求差距。分别从小尺度作物精细识别、大尺度作物自动化制图,以及作物识别与制图模式变化3个视角总结归纳面临的主要问题和主要研究工作。作物识别与制图产品在小尺度上需要更加精细、近实时和更高的识别精度,主要使用超高空间分辨率(如米级、亚米级)的影像数据,在提高作物识别精度(95%以上)进而提取满足应用需求的高精度作物表型等信息方面依旧面临巨大挑战。而在大尺度上需要更加自动化、满足可靠识别精度(90%左右),主要使用高时空分辨率(2～5 d,10～30 m)的影像数据,面临着如何处理海量数据的存储管理、分析计算,发展大范围上具有鲁棒性的分类识别方法,寻找科学高效的地面样本获取途径的难题。同时,作物识别与制图的模式也将从确认监测向提前预判和特定作物探测转变。最后从加强科学研究与加快应用落地2个角度提出展望,为发展满足智慧农业与国土监管不同需求的遥感作物识别与制图产品提供参考与借鉴。

遥感与作物生长模型数据同化应用综述

遥感是获取大面积地表信息最有效的手段,在农业资源监测、作物产量预测中发挥着不可替代的重要作用;作物生长模型能够实现单点尺度上作物生长发育的动态模拟,可对作物长势以及产量变化提供内在机理解释。遥感信息和作物生长模型的数据同化有效结合二者优势,在大尺度农业监测与预报上具有巨大的应用潜力。该文系统综述了遥感与作物生长模型的同化研究,概述了遥感与作物生长模型数据同化系统的构建,在归纳国内外研究进展的基础上,总结了当前主流同化方法的特点以及在不同条件下的同化效果。进而具体分析影响同化精度的关键环节,明确了相关科学概念,并相应指出改善精度的策略或者方向。最后从多参数协同、多数据融合、动态预测、多模型耦合以及并行计算环境5个方面展望了遥感与作物生长模型数据同化的未来研究重点和发展趋势,同时结合农业应用现实需求,介绍一种数据同化与集合数值预报结合的应用框架,为大区域、高精度同化研究提供新的思路与借鉴。

基于遥感和积温的冬小麦生育期提取方法

为了给监测作物长势和产量预测提供重要的基础数据,以河北、河南、山东三省冬小麦为研究对象,利用中等分辨率成像光谱仪(Moderate-resolution imaging spectroradiometer,MODIS)的叶面积指数(Leaf area index,LAI)产品,采用Savitzky-Golay上包络线滤波重构2015年MODIS LAI时间序列,提取抽穗期;基于Logistic函数拟合LAI时间序列提取返青期;根据提取的2015年返青期和抽穗期,基于多年历史积温法分别提取当年拔节期和开花期。利用研究区域内64个农业气象站点(简称农气站点)的生育期观测值对提取值进行验证,结果表明,采用农气站点观测值验证,提取的生育期精度较高,返青期、拔节期、抽穗期和开花期的平均误差分别为7. 4、4. 5、4. 4、3. 8 d。二阶导数的方法对混合像元及Logistic函数拟合准确度敏感,对拔节期、抽穗期、开花期的提取精度较高。研究表明,基于时间序列MODIS LAI数据,采用Logistic函数拟合提取大面积冬小麦生育期具有很好的可行性。

SAR遥感指数研究进展

【目的】指数作为遥感信息的一种有效描述,在对大气、海洋、土壤和植被等进行定性、定量评估时具有重要意义。【方法】合成孔径雷达(SAR)技术利用微波与地表相互作用过程感测地表,SAR遥感拥有丰富的地表散射强度和相位信息,具有一定物理意义又高度综合表征地物信息的SAR遥感指数便于SAR遥感技术的业务化应用,文章通过文献调研,对SAR遥感指数及其在土壤表面状况监测、植被生长状况监测和植被信息快速提取中的应用研究现状进行分析。首先对SAR相关指数进行整理,根据反映的地表覆被状况将其划分为土壤指数与植被指数两大类型;然后,分别针对SAR遥感中具体的土壤指数和植被指数,从指数定义、物理意义、应用和精度等方面分析其优缺点。【结果/结论】国内外学者对SAR遥感指数开展了众多研究,但目前SAR遥感指数还存在一些问题,在未来的研究中,需要充分挖掘多模式、多极化、多波段、多时相SAR遥感数据的丰富信息,融合光学遥感及其他数据,从机理出发,构建更多物理意义明确的SAR遥感指数。

作物遥感精细识别与自动制图研究进展与展望

0引言随着全球人口的持续增长和气候环境剧变,如何在确保粮食安全的同时兼顾社会、环境资源的可持续发展将是一个严峻的挑战,也对农业生产及经营调控提出了更高的要求。自20世纪90年代以来许多学者开展了相关研究。结合卫星导航系统和地球卫星观测系统,在农业地块上的单点变量监测、作物生长模拟和产量估计方面取得了较大的进展,“精准农业”的概念也同时被提出。随着更多的新兴技术与理念的出现,如生物技术、遥感技术、云计算、物联网和人工智能,并逐渐应用到农业领域的各个环节,“智慧农业”的概念成为新的时代共识。而智慧农业,以各个环节的数字信息流动为基础,深度结合以人工智能为核心的分析与决策手段,在确保农业粮食安全的同时兼顾环境与资源的可持续性,有助于真正实现农业的可持续发展。

基于粒子群优化投影寻踪的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以与玉米长势和产量密切相关的条件植被温度指数(vegetation temperature condition index,VTCI)和叶面积指数(leaf area index,LAI)为遥感特征参数,通过投影寻踪法确定玉米主要生育时期 VTCI 和 LAI 的权重,进而构建基于县域尺度加权 VTCI 和 LAI 与玉米单产间的线性回归模型。结果表明,同时构建加权 VTCI 和 LAI 与玉米单产间的回归模型的精度最高,达到极显著水平(P<0.001)。与变异系数法相比,基于投影寻踪法所建双参数回归模型的精度较高,研究区域各县(区)估测单产与实际单产的平均相对误差降低了 0.88 个百分点,均方根误差降低了 50.56 kg/hm2。通过投影寻踪法构建的双参数回归模型对研究区域玉米单产进行估测,结果表明研究区域玉米单产具有西部单产最高、北部和南部次之、东部最低的空间分布特征,以及在研究年份间玉米单产在波动中呈先下降后上升趋势的时间演变特征。

基于随机森林回归的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以条件植被温度指数(VTCI)和上包络线S-G滤波的叶面积指数(LAI)为特征变量,通过随机森林回归确定玉米主要生育时期VTCI和LAI的权重,构建加权VTCI和LAI与玉米单产的单变量和双变量估产模型。结果表明,基于随机森林回归的双变量估产模型精度最高(R^2=0.303),达极显著水平(P<0.001)。将随机森林回归双变量估产模型用于研究区域2012年各县(区)玉米单产估测,结果表明,53个县(区)玉米估测单产与实际单产的平均相对误差为9.85%,均方根误差为824.77kg/hm^2,模型精度较高。基于随机森林回归双变量估产模型逐像素估测研究区域2010—2018年玉米单产,结果表明,玉米单产在空间上的分布特征为西部地区最高、北部和南部次之、东部地区最低,年际间的分布特征为在波动中呈先减少后增加的趋势。

基于EnKF和随机森林回归的玉米单产估测

为了提高玉米的估产精度,以河北省中部平原为研究区域,采用CERES-Maize模型模拟2013—2018年8个典型样点玉米整个生育期的叶面积指数(LAI),将遥感反演的LAI与CERES-Maize模型模拟的LAI相结合,通过集合卡尔曼滤波(EnKF)同化算法实现2013—2018年玉米主要生育时期旬尺度LAI的同化,运用随机森林回归法计算同化和未同化的LAI权重,进而建立玉米单产估测模型,对2015年53个县(区)的玉米进行单产估测和精度评价,并分析2013—2018年玉米的单产时空分布特征。结果表明,采用EnKF算法对8个研究样点进行单点同化,同化LAI更符合玉米实际生长情况;将样点LAI同化值从单点尺度扩展到区域尺度,同化LAI图像减少了相邻像素间LAI陡升陡降的现象,其效果优于遥感反演的LAI;与未同化LAI构建的估测模型相比,应用同化的LAI所建的估测模型精度明显提高,R2提高了0.0245;在2015年河北中部平原53个县(区)估产结果中,总体平均相对误差为12.11%,RMSE为371 kg/hm^2,NRMSE为6.18%;河北中部平原玉米单产估测结果呈现个别年份波动、总体呈先减少后增加的年际变化特点,并呈现西部地区最高、北部和南部地区次之、东部地区最低的空间分布特征。

基于双参数和粒子滤波同化算法的夏玉米单产估测

为了提高河北省中部平原夏玉米的估产精度和进一步验证粒子滤波同化算法对农业作物估产的适用性,采用粒子滤波算法同化CERES-Maize模型模拟和MODIS数据反演的叶面积指数(Leaf area index,LAI)、条件植被温度指数(Vegetation temperature condition index,VTCI),应用随机森林回归算法确定夏玉米不同生育时期LAI和VTCI的权重,构建单产估测模型。结果表明,无论是单点尺度还是区域尺度,同化的LAI和VTCI均能较好地响应外部观测数据,同化LAI可减缓CERES-Maize模型模拟LAI的剧烈变化;同化VTCI结合模型模拟和遥感观测,更能反映夏玉米对水分胁迫的敏感性。利用2015年河北省中部平原各县(区)夏玉米产量对较优估产模型进行精度验证,结果表明,同化前后夏玉米产量模拟结果与统计产量间的归一化均方根误差由12.71%下降到10.50%,平均相对误差由12.57%下降到8.43%,说明基于同化LAI和VTCI构建的双参数单产估产模型可用于区域夏玉米单产估测。

基于UCI数据集的OCR光学字符识别

该文通过实验利用公开规范的UCI数据集通过3个步骤建立字符识别模型,一是基于主成分分析,提取UCI记录中有较好识别效果的变量因子;二是基于逐步回归,初步建立字符识别模型;三是基于BP神经网络,对识别模型的各参数进行优化。结果表明,UCI数据集中记录的16个参数变量可以通过7个主成分因子进行很好的描述;初步建立的回归识别模型显著性水平等于0.05;通过BP神经网络的学习优化,最终建立的识别模型精度为87.5%。总体来说,数据的预处理和神经网络的学习精度是字符识别精度的关键,可以通过对大量UCI数据集进行训练,提高字符识别的精度。

应用Morlet评估不同生育时期干旱对小麦单产的影响

【目的】干旱是关中平原主要的农业灾害之一,分析关中平原作物不同生育时期干旱的演变规律及其对产量的影响程度可为抗旱减灾及作物稳产提供参考依据。【方法】基于关中平原2008—2013年的小麦单产数据和条件植被温度指数(VTCI)的干旱监测结果,采用小波功率谱和交叉小波功率谱作为特征时间尺度的度量指标,确定冬小麦各生育时期干旱对单产的影响程度,并构建小麦主要生育期的加权VTCI与单产间的线性回归模型。【结果】冬小麦单产与主要生育期VTCI的共振周期与各生育时期VTCI的主振荡周期类似;基于共振周期和主振荡周期确定的特征时间尺度,通过小波互相关度赋予的权重均能够反映冬小麦各生育时期干旱对其单产影响的相对重要程度,得到的加权VTCI与单产间的线性回归方程均达到极显著水平,对应单产模型的估测单产与实测单产的均方根误差分别为328.3 kg·hm^(-2)和344.8 kg·hm^(-2)。【结论】小波功率谱可用于分析作物不同生育时期干旱对其产量的影响,且拔节期干旱对小麦产量的影响最大,抽穗—灌浆期次之,乳熟期和返青期依次递减。

面向土壤环境质量等级划分的统计推断与加密采样优化方法研究综述

环境质量等级划分是土壤环境调查和监测的一项重要目标。不同于总体估计和空间插值,等级划分只需要准确估计污染物浓度与等级划分阈值之间的大小关系,同时由于土壤环境质量等级具有空间连续性,加密采样时应该将样点布设在等级过渡地带,准确获取等级边界。但是初步调查的样点一般较为稀疏,导致等级估计结果具有较大的不确定性,难以反映真实的等级过渡情况,而且具体应用对两类等级划分错误也有不同的控制要求,构成了土壤环境质量等级划分及加密采样面临的特殊问题。本文分析梳理了国内外土壤环境质量等级划分统计推断与加密采样布局优化方法的研究进展,归纳总结了以等级划分为目的的统计推断方法与加密采样布局优化方法体系,并探讨了下一步研究的方向,为我国目前开展的农用地土壤环境类别划分、工矿企业土壤污染修复区确定等重大需求提供方法选择依据。

基于叶面积指数的河北中部平原夏玉米单产预测研究

为解决玉米单产预测的时效性和业务化问题,以河北中部平原为研究区域,选取与籽粒产量密切相关的叶面积指数(LAI)作为遥感特征参数,对研究区2016—2018年夏玉米单产进行预测研究。基于求和自回归移动平均(ARIMA)模型及径向基神经网络(RBFNN)分别逐像素预测研究区域的LAI,结果表明,基于ARIMA模型的LAI预测精度比RBF神经网络的预测精度高,1步、2步LAI预测结果的RMSE较RBF神经网络分别降低了0.18、0.14 m2/m2,更适合于河北中部平原的夏玉米单产预测。基于LAI监测数据和加权LAI与夏玉米单产的相关性研究成果,并结合基于ARIMA模型的LAI预测数据,得到2016—2018年夏玉米监测单产和向前1旬、2旬和3旬的单产预测结果。结果表明,无论是县域尺度还是像素尺度,向前1、2、3旬夏玉米的单产预测精度均较高,2016—2018年县域尺度预测单产与监测单产间最大相对误差仅为3.73%。

基于条件植被温度指数的夏玉米生长季干旱预测研究

为验证条件植被温度指数(VTCI)在夏玉米生长季干旱预测中的适用性,以河北中部平原为研究区,应用求和自回归移动平均(ARIMA)模型及季节性求和自回归移动平均(SARIMA)模型,对该地区VTCI时间序列数据进行分析建模预测。首先基于49个气象站点所在像素的VTCI时间序列数据,选取不同长度时间序列建立ARIMA模型,并分析时间序列长度与预测精度间关系,以期为时间序列长度选择提供依据;然后选择理想长度的VTCI时间序列数据,分别建立ARIMA模型和SARIMA模型,用于研究区域2017年夏玉米生长季VTCI预测,并分析评价两模型预测精度;最后采用性能较好的ARIMA模型逐像素建模预测,得到2016-2018年9月上旬至下旬VTCI预测结果。结果表明:基于ARIMA模型的VTCI预测精度与时间序列长度未呈现明显的相关关系,但随时间序列长度增加,模型预测精度逐渐趋于稳定;ARIMA模型对干旱的预测精度高于基于SARIMA模型,其1步、2步、3步VTCI预测结果均方根误差较SARIMA模型分别降低0. 06、0. 07、0. 09;ARIMA模型在不同年份夏玉米生长季VTCI1~3步的预测精度稳定性较好,2016-2018年1步、2步和3步VTCI预测结果绝对误差绝对值大于0. 20的像素平均百分比分别为5. 84%、6. 38%、8. 72%。

基于图像的玉米植株叶倾角概率密度分布函数提取

叶倾角是描述植被冠层结构的一种重要参数,叶倾角分布(leaf angle distribution,LAD)决定了植被冠层对辐射的截获量,也是遥感定量反演中的一个重要参数。目前实测叶倾角的方法费时、费力、主观性强、精度无法保证。提出了一种基于图像的玉米植株叶倾角概率密度函数提取方法,以求快速、精确、低成本地获取玉米植株叶倾角。首先,对图像提取骨架;然后,去除骨架图像中的毛刺、茎秆等信息,得到叶片骨架;最后,以2像素×20像素大小的搜索窗口搜索骨架提取出叶倾角。精度评价结果表明,乳熟期玉米叶倾角提取值与实测值的相关系数为0. 821 4,拔节期玉米叶倾角提取值与实测值相关系数为0. 908 7。结果表明该方法具有可行性,精度较高。

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20 m的红边波段(705、740、783 nm),其空间分辨率与可见光和近红外波段10 m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率(Super-resolution for multispectral multiresoltion estimation,Sup Re Me)算法将空间分辨率20 m的6个波段重建为10 m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数(LAI),并以野外实测LAI验证其反演精度。结果表明,采用Sup Re Me算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用Sup Re Me算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。

地基激光雷达提取大田玉米植株表型信息

玉米个体表型信息对于玉米的高产高效发育规律研究、玉米遗传育种中基因型的确定具有重要意义,该文针对传统的玉米表型信息提取方法费时、费力、效率低下、主观性强等问题,提出一种基于TLS(terrestrial laser scanning,地面激光扫描)技术的大田玉米个体表型信息提取方法。利用地基激光雷达获取毫米级精度的玉米个体植株三维点云数据并进行海量点云数据预处理,构建玉米叶片三角网模型和叶片骨架点云;基于叶片三角网提取绿叶叶面积,基于叶片骨架点云提取叶长和叶倾角,基于未去穗的玉米植株点云提取株高。试验结果与实地手动测量值相比,真实叶面积、叶长、株高、叶倾角的均方根误差(RMSE)分别为12.69 cm^2、1.31 cm、1.30 cm和5.12°,平均绝对百分比误差(MAPE)分别为2.38%、1.32%、0.61%和8.96%。试验结果表明本文提出的基于TLS提取玉米个体表型参数的方法精度较高,具有可行性,为辅助玉米育种、生长监测等提供了一种有效手段。