基于高分六号卫星数据的花生干旱监测研究

红边波段是描述作物健康状况的重要指示波段。为了探究红边波段对农业干旱监测精度的影响,挖掘高分六号卫星数据在农业干旱监测中的应用潜力,基于GF-6 WFV数据计算归一化植被指数(NDVI)和红边归一化植被指数(NDVI_RE),与地表温度(LST)构建温度植被干旱指数(TVDI),并结合土壤相对湿度和干旱等级实测数据对监测结果进行精度验证。研究结果表明:有红边波段参与的干边方程拟合度高于无红边波段参与,基于NDVI_RE指数拟合的干边方程最大决定系数为0.92;利用2种植被指数构建的TVDI与0~20 cm土壤相对湿度均呈显著负相关关系,基于NDVI_RE指数构建的TVDI与土壤相对湿度的相关性更好,最大相关系数为0.85;利用TVDI_(NDVI_RE)实现了社旗县花生干旱动态监测,TVDI_(NDVI_RE)干旱分级结果与实测结果一致性较好,花生干旱等级监测总体准确率为91.98%。GF-6卫星红边波段可提高花生干旱监测精度,更好地表征花生干旱信息。该研究为GF-6卫星数据在农业干旱监测方面的应用提供了数据参考。

黄河下游滩区河南段土地利用类型的时空变化特征

分析黄河下游滩区土地利用类型的时空变化特征,可为黄河流域生态保护和高质量发展战略提供可靠的数据支撑和依据.以黄河下游滩区河南段为研究区,基于Landsat、Sentinel-2遥感影像数据,利用支持向量机算法、转移矩阵、变异系数对2000—2020年研究区土地利用类型的时空变化特征进行了分析.结果表明:①2000—2020年研究区内土地利用类型的空间分布相对集中,空间自然连通性大,但是部分区域存在斑块现象.2000—2020年研究区时空变化较大的土地利用类型是滩涂和水面.研究区土地利用类型变化较大的区域主要集中在新乡市原阳县以及郑州周边区域的滩区.2005—2015年期间,研究区土地利用类型的空间分布格局变化最大.②研究区的主要土地利用类型为耕地,其面积占研究区总面积的60%左右,其次为水面、滩涂、建设用地、园地及林地.研究期内,研究区各土地利用类型的面积均处于动态变化之中,变化幅度较大的为耕地、水面和滩涂,且这3种土地利用类型的面积之间存在此消彼长的关系.③总体来看,研究期内研究区的土地利用程度呈增加的趋势,2020年研究区的土地利用程度最高,为78.49%.在时间序列上,园地及林地面积的变化程度比建设用地面积和耕地面积的变化程度大.

基于多层级特征筛选和无人机影像的冬小麦植株氮含量预测

氮素是冬小麦生长发育必不可少的大量元素,无人机超高分辨率影像丰富的光谱信息和纹理信息为冬小麦植株氮含量精准预测提供了重要的技术途径,但是过多变量造成了信息冗余和模型复杂的问题。针对此问题,该研究提出了一种“相关分析+共线性分析+LASSO(least absolute shrinkage and selection operator)特征筛选”的多层级植株氮含量敏感特征的筛选方法,引入约束系数向量的L1正则化实现特征的稀疏性,将某些特征的系数缩小为0,基于冬小麦关键生育期(拔节期、孕穗期、开花期、灌浆期)无人机影像提取的65个光谱和纹理特征,采BP神经网络(back propagation,BP)、Adaboost、随机森林(random forest,RF)和线性回归(linear regression,LR)4种机器学习算法构建了冬小麦植株氮含量预测模型。结果表明:相关分析筛选出51个通过0.01显著性检验的变量;基于共线性分析,当LASSSO正则化参数λ取值为0.08时,17个敏感特征变量被筛选。基于筛选的敏感特征变量,BP、Adaboost、RF和LR 4种算法建立的植株氮含量预测模型均达到了0.01水平差异显著性,且BP、Adaboost和RF 3种预测模型的精度具有高度的一致性,模型R2均为0.81,RMSE分别为0.36%、0.38%和0.37%,说明该研究提出的多层级特征筛选方法不仅使得模型变得简洁,而且稳健性高,可为智慧农业氮肥精准监测、智慧管理提供技术支撑。

农田洪涝灾害信息遥感自动提取方法研究

为提高农田洪涝灾害信息提取效率,探索了有效的遥感影像水体自动提取方法,以2021年7月下旬河南省浚县农田洪涝灾害为研究对象,在灾前、灾中和灾后以Sentinel-2遥感数据归一化水体指数(NDWI)、改进的归一化水体指数(MNDWI)、多波段水体指数(MBWI)和B12波段作为多维特征,采用多维非监督水体自动提取方法提取水体面积。同时利用Canny-Edge-Otsu水体自动提取方法分别对MBWI、MNDWI、NDWI 3种水体指数和GF-3数据的HV极化波段进行阈值分割,提取农田洪涝灾害信息,并对不同数据源和不同方法提取农田洪涝灾害信息的精度进行对比分析。结果表明,多维非监督水体自动提取方法集成了多种水体指数和波段作为多维特征,灾前和灾后水体提取误差分别为6.99%和7.45%,低于Canny-Edge-Otsu水体自动提取方法;MBWI、MNDWI与NDWI 3种水体指数相比,MBWI水体提取误差最小,NDWI提取误差最大,但均易将建筑物和云阴影地区误判为水体;灾后基于GF-3的洪水提取误差为15.57%,高于Sentinel-2影像,但GF-3遥感影像不受云雨天气影响,能够在洪涝灾害应急监测中提供有力的数据支撑。

基于无人机影像多源信息的冬小麦生物量与产量估算

冬小麦生物量是表征产量的重要指标,通过无人机遥感技术对冬小麦生物量进行快速、无损监测能够及时掌握冬小麦生长情况,对冬小麦估产具有重要意义。基于冬小麦孕穗期、开花期和灌浆期无人机数字正射影像(DOM)的光谱信息(SIs)和纹理特征(TFs),以及数字表面模型(DSM)提取的株高(HDSM),采用多元线性回归(MLR)、偏最小二乘回归(PLSR)和随机森林(RF)方法构建了冬小麦生物量估算模型,并以此为基础进行了产量估算。结果表明,使用DOM信息进行冬小麦生物量估算时,融合SIs+TFs构建的冬小麦生物量估算模型精度优于单一光谱指数或者纹理特征构建的模型;引入HDSM信息冬小麦生物量估算模型精度得到提高,3种方法以RF方法构建的开花期模型精度最高;融合HDSM信息进行冬小麦生物量估算时,估算精度的提高以TFs+HDSM最明显。冬小麦产量早期估算中,不同生育时期实测生物量与产量拟合以对数函数模型精度最高,孕穗期、开花期和灌浆期模型R2分别为0.87、0.88和0.92。耦合生物量与产量估算最优模型进行冬小麦早期估产,灌浆期估算模型精度最高,R2、RPD和RMSE分别为0.90、2.77和244.61 kg/hm^(2)。因此,融合无人机影像DOM和DSM多源信息,集成机器学习算法,不仅可以对冬小麦生物量进行精准估算,还可以快速有效地对冬小麦产量进行早期估算,对于精准制定粮食安全政策具有重要意义。

基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量,探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展,在冬小麦拔节期、孕穗期、开花期和灌浆期,采用M600大疆无人机搭载K6多光谱成像仪获取5波段(Red、Green、Blue、Rededge、Nir)多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征,采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征,采用BP神经网络(BP)、随机森林(RF)、Adaboost、支持向量机(SVR)4种机器学习回归方法构建植株氮含量预测模型,并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】(1)植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。(2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异,RF和Adaboost方法预测植株氮含量集中于95%的置信区间,多分布于1:1直线附近,而BP和SVR方法预测的植株氮含量分布相对较为分散;RF方法构建的预测模型R^(2)最大,RMSE最小,MAE中等,分别为0.81、0.42%和0.29%;SVR方法构建的预测模型R^(2)最小,RMSE和MAE较大,分别为0.66、0.54%和0.40%。(3)以W1处理(按需灌溉)实测植株氮含量为训练集,采用BP、RF、Adaboost和SVR方法构建的模型对W0处理冬小麦植株氮含量迁移预测R^(2)分别为0.75、0.72、0.72和0.66;以W0处理(自然状态)实测植株氮含量为训练集,BP、RF、Adaboost和SVR方法构建的模型对W1处理冬小麦植株氮含量迁移预测R^(2)分别为0.51、0.69、0.61和0.45。【结论】4种机器学习方法构建的冬小麦植株氮含量预测模型均表现出了较强的迁移预测能力,尤以RF和Adaboost方法构建的模型预测效果和迁移能力为好。

基于植被状态指数的县域冬小麦干旱时空变化特征分析

[目的]分析县域冬小麦干旱的时空异质性,为抗旱减灾提供辅助决策支持。[方法]基于GF1,Landsat,Sentinel-2等中高分辨率遥感数据,选取植被状态指数(Vegetation Condition Index,VCI)作为干旱监测指标,计算2011—2021年禹州市冬小麦VCI,逐年分析禹州市冬小麦干旱分布情况,并通过变异系数、线性趋势法、重心迁移和标准差椭圆等方法,对禹州市冬小麦干旱的稳定性、变化趋势、时空变化等特征进行了多维度分析。[结果](1)空间上,2011—2021年禹州市冬小麦干旱主要分布在北部和西部的山岗丘陵区,干旱面积和干旱强度由平原区向山岗区逐渐延展扩大;变异系数与变化百分率均值分别为0.62,13.12%,冬小麦干旱稳定性与变化趋势空间分布一致性高;重心迁移轨迹总距离和标准差椭圆扁率从无旱到重旱逐渐变小,标准差椭圆面积逐渐变大,表明干旱空间分布由集中趋于分散;(2)时间上,禹州市冬小麦每年都有轻旱发生,中旱和重旱平均2~4年发生一次,2012—2014年连续3年旱情较重,中旱和重旱总占比均超过35%,其次为2016年和2018年。[结论]近11年来禹州市冬小麦干旱总体上呈现向好的发展态势,大部分区域冬小麦旱情改善较为明显,对于旱情严重且不稳定区域需加强防控力度。

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例(Fraction of absorbed photosynthetically active radiation,FPAR)的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明:植被指数、纹理指数、叶面积指数3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R^(2)、均方根误差(RMSE)分别为0.857、0.173,验证模型R^(2)、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差(RE)为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。

遥感数据辅助下县域耕地质量评价与空间分布研究

[目的]耕地质量监测与评价是实现耕地科学管护的重要前提。[方法]文章以河南省安阳县为研究区,依据“状态—压力—响应(PSR)”框架,构建遥感数据辅助下的耕地质量评价指标体系和模型,分析耕地质量空间分布特征和障碍因素。[结果]研究区耕地质量空间分布呈现出聚集性和空间变异性交错耦合的分布特征,耕地质量由东向西逐渐降低,一等、二等、三等、四等、五等耕地质量分别占比7.45%、12.34%、17.83%、33.40%、28.89%;有机质、碱解氮、NDVIDRY为研究区耕地质量主要障碍因子;随着耕地质量等级的升高,不同等级中小麦产量的均值也随着逐渐升高,说明耕地质量越好,耕地小麦产量越高。[结论]遥感数据辅助下的县域耕地质量评价具有系统性、科学性和可靠性,安阳县耕地质量提升重点在于提升丘陵地区土壤肥力和农田水利基础设施。