基于ISODATA法的冬小麦产量分级监测预报

以江苏省姜堰市为例,进行了基于TM卫星遥感技术和小麦估产模型的冬小麦产量监测研究。在利用GPS实地采样调查和建立解译标志的基础上,通过影像校正、采用优化的ISODATA分类方法,结合人机交互式判读解译等操作,将样点的作物信息数据贯穿到整个校验分类过程中,信息解译精度在90%以上。利用分类提取的冬小麦数据,反演叶面积指数、生物量信息等,结合冬小麦估产模型,计算单点产量信息,经过线性转换,对整个区域的冬小麦产量进行监测预报,并制作了冬小麦产量分级专题图。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上,构建了基于归一化植被指数(NDVI)的冬小麦估产模型,结果表明:利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上,构建了基于归一化植被指数（NDVI）的冬小麦估产模型,结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段，对农业生产管理具有重要意义。以安徽龙亢农场为研究区，收集了中高分辨率多源卫星遥感数据并进行了定量化处理，构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型，生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律，分析了不同品种冬小麦的长势情况，发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上，构建了基于归一化植被指数（NDVI）的冬小麦估产模型，结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算，据此绘制了龙亢农场2017年冬小麦产量遥感估算地图，产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测，为区域范围内农作物长势监测提供了一种有效途径。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数(NDVI)差值法、归一化水体指数和比值植被指数(NDWI-RVI)差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示:与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例，通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异，基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据，构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布，并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比，植被指数差值法水稻识别精度贡献率可提升30%以上，NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72；NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846，实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的，可实际服务于太湖地区农业生产及相关决策支持。     

基于GF-1遥感数据决策树与混合像元分解模型的冬小麦种植面积早期估算

我国西北地区耕地细碎,冬小麦种植面积提取时混合像元较多,所以将决策树和混合像元分解相结合可大大提高解译精度。以高时间分辨率及较高空间分辨率的GF-1卫星遥感数据为研究数据源。根据冬小麦和其他各类地物在不同时相数据上NDVI值的变化特性及特征值差异,建立决策树模型,快速高效地提取冬小麦像元。运用线性光谱混合模型,降低混合像元的影响,进一步精确提取冬小麦的种植面积。最后与实测样方的冬小麦种植面积数据进行比较,验证提取精度。结果表明:研究区内冬小麦种植面积提取精度达90%以上,Kappa系数接近0.8,可较为准确地反映出区域内冬小麦的分布情况。利用较高分辨率的遥感影像并结合决策树分类和混合像元分解可以较准确地提取耕地破碎地区作物种植面积,对开展早期农作物面积遥感监测有较大帮助。     

芦笋种植面积遥感提取

针对传统遥感技术提取芦笋种植面积精度不高的问题,根据芦笋的种植特点,该文以山东省曹县为研究区域,以Landsat 8影像为研究数据,提出了芦笋种植面积的提取方法。通过分析芦笋种植区与其他地物归一化差值植被指数特征,首先利用阈值分割方法去除水体、小麦地物,进一步分析芦笋种植区、建筑物和道路等的影像二维特征空间,发现芦笋种植区的土壤线分布规律,并通过波段运算结果确定芦笋种植区阈值,最后进行芦笋种植面积提取。结果表明,曹县的芦笋种植面积为14626.55ha~2,总体精度为84.85%。     

基于SVM的高分时序冬小麦种植区提取研究

冬小麦作为我国重要的粮食作物,准确获取其空间分布情况,对农业生产管理及农情监测有重要意义。以河南省商丘市为例,利用覆盖冬小麦完整生育期的GF-1数据,计算归一化植被指数（Normalized Difference Vegetation Index,NDVI）、增强植被指数（Enhanced Vegetation Index,EVI）时间序列,结合关键生育期影像,构建不同特征量组合数据集,利用支持向量机方法进行冬小麦提取。同时采用主成分分析法对数据进行降维处理,尝试通过压缩特征集数据量来提高冬小麦提取效率。研究结果表明：EVI时序数据较NDVI能更好地描述作物的物候,提取精度皆高于NDVI,其中EVI时序数据与关键生育期影像组合提取精度最高,达到97.67%。结果表明,降维后数据并未对提取精度造成显著影响,达到压缩数据量保持提取精度的目的,为大区域作物提取提供参考价值。     

地面反射波谱与卫星磁带记录数据间关系模拟的初步探讨 -以冬小麦和土壤为例

根据冬小麦和土壤地面反射波谱测试数据，计算了在卫星高度土与卫星磁带数据相对应波段的辐亮度值，对NOAAAvHRR和TM某些通道的差值绿度植被指数Dvi、归一化绿度植被指数NDVI和比值绿度植被指数Rvi的分析，从理论上证明了目前采用TMDVI4.3提取冬小麦种植面积和NOAA NDVIZ2,1区分植被和土壤背景的有效性。同时在冬小麦种植面积和长势监测方面提出了一些新建议。     

基于多时相协同变化检测的耕地撂荒遥感监测

针对地表覆被复杂、地块破碎等原因导致的撂荒地提取精度较低问题,提出一种基于多时相协同变化检测的耕地撂荒信息提取方法。以河北省石家庄市鹿泉区为研究区,采用Sentinel-2A和Landsat 7多光谱影像,在野外样本的支持下,分析耕地各种覆盖类型的归一化植被指数（Normalized Difference Vegetation Index,NDVI）季相变化规律,以季节性撂荒、常年性撂荒、冬小麦、多年生园地为分类体系,构建多时相协同变化检测模型,开展研究区耕地撂荒状态遥感监测。研究结果表明：基于Sentinel-2A影像的季节性撂荒和常年撂荒耕地的分类精度分别为95.83%和96.55%;基于Landsat 7影像的季节性撂荒和常年撂荒耕地的分类精度分别为91.67%和93.10%;2019年鹿泉区季节性撂荒占耕地面积的4.7%,常年撂荒耕地占7.1%。利用该方法能够快速、准确地获取研究区耕地空间分布、面积等信息,对于不同分辨率的影像均具有较好的撂荒地提取精度。     

基于多时相Landsat8 OLI影像的作物种植结构提取

针对基于多时相遥感影像、多种特征量提取多种作物种植结构在我国研究较少的现状,利用多时相Landsat8OLI影像数据,根据温宿县不同作物的农事历,通过分析主要地物的光谱特征和归一化植被指数的时间变化信息,构建不同作物种植结构提取的决策树模型,实现了对温宿县多种作物种植结构信息的提取。结果表明:1水稻的最佳识别依据是5月20日影像的近红外波段和7月23日影像的NDVI值;棉花和春玉米的最佳识别依据是5月20日~9月9日影像的NDVI变化值;冬小麦—夏玉米和林果的最佳识别依据是5月20日~7月23日影像的NDVI变化值;2与单时相监督分类相比,多时相决策树法对多种作物种植结构的提取效果更理想,总体精度提高了7.90%,Kappa系数提高了0.10;3Landsat8OLI影像数据分辨率高、成本低、获取方便,是农作物遥感的良好数据源。     

基于Sentinel-1/2影像的水稻种植面积提取方法研究——以三江平原为例

水稻是中国主要粮食作物之一，稻米产量关系到民生福祉。及时、准确地获取水稻种植面积信息及其空间分布状况对于区域农业发展规划和产量评估具有重要意义。针对水稻与其他农作物易混以及光学数据易受云雨天气影响等问题，以东北三江平原为例，利用中高分辨率Sentinel-1微波数据、Sentinel-2光学数据，分别构建时序水体指数SDWI和植被指数NDVI组成水稻完整的物候生长曲线，分析水稻移栽期、分蘖期、抽穗期、成熟期4个重要生长时期不同的光谱差异，通过阈值分割和组合不同时期的数据，来实现水稻不同物候时期种植面积的提取，并与传统的基于单一光学数据的方法进行对比。研究结果表明：经过地表样本点的验证，所构建方法可以精确提取三江平原水稻几个关键生育期的种植面积并且优于单一使用光学数据的方法。同时利用单生育期影像例如移栽期影像提取水稻面积也可使总体精度达到87.08%，随着生育期数据的完整，总体精度也不断提高，其中基于全生育期的面积提取总体精度也高达91.88%,Kappa系数为0.834，可以满足实际应用需求。因此这种的多源数据结合的水稻种植面积提取方法能够准确、高效地提取三江平原水稻不同物候时期种植面...     

HJ星数据在关中冬小麦种植面积遥感监测中的应用 

应用冬小麦抽穗期的环境小卫星影像对关中地区依据行政区划划分,采用多种遥感监测方法进行冬小麦种植面积提取,提取精度达95.64%。结果表明:抽穗期是关中地区提取冬小麦种植面积的最佳时相,同时也表明环境小卫星可以用来监测大范围的冬小麦种植面积,并得到很高的精度。在未来的研究中,对于地形差异较大的地区,可依据地形和冬小麦的种植结构对研究区进行划分,针对每个子研究区采用不同的遥感监测方法以提高提取精度。     

应用高分辨率遥感影像提取作物种植面积

利用中低分辨率遥感影像提取作物分类种植面积的精度,往往难以满足农业遥感估产的需要。随着新型传感器的不断出现,应用高分辨率遥感影像高精度地提取作物分类面积日益成为发展趋势。由于高分辨率遥感影像提供的地物纹理、色调与形状等信息更加丰富,当前基于对象的地物识别分类方法仍不成熟,处理操作中人为干预过多,而且较为复杂,因此尝试以地面调查信息为辅助参量,采用常规基于像元的最大似然法监督分类方法,依据多尺度遥感影像信息提取的原理,分阶段地逐步提取作物种植面积,以此为农业遥感估产服务。     

夏玉米最佳时序谱段组合识别模式研究

针对夏玉米难以精确识别和分类时数据冗余的问题,提出夏玉米最佳时序谱段组合识别模式。基于时间序列的MODIS EVI数据,利用马氏距离(Jeffries-Matusita Distance,J-M)和构造的加权平均分离距离(Weighted Average Separability,DWAS)得到夏玉米区别于其他作物的增强型植被指数(Enhanced Vegetation Index,EVI)时序图像,并将其进行组合,从而构建了识别夏玉米的最佳时序谱段组合;并利用其提取了2001年~2010年黄淮海地区的夏玉米。同时利用典型试验样区TM影像分类结果和野外实地采集样地对提取结果进行了验证:典型样区MODIS与TM分类误差最大为11.4%,空间匹配度达到91.29%,基于TM数据提取的典型样区夏玉米种植面积(STM)与基于MODIS数据得到的夏玉米种植面积(SM)的精度均大于70%;地面506个样地检验的混淆矩阵总体精度达到81%。     

基于多时相HJ卫星的冬小麦面积提取

我国环境与灾害监测预报小卫星HJ-1A/B具有较高的时间和空间分辨率,在作物种植面积提取和长势监测等方面具有较大优势。本文以江苏省姜堰市为研究区,根据冬小麦的物候规律和季相节律的差异性,选取返青期和拔节期两个生育期的HJ卫星影像,借鉴分层信息提取法原理,综合利用监督分类和非监督分类法,结合人机交互目视解译和实地定位调查等资料提取了姜堰市的冬小麦种植面积,总体面积提取精度达到90.22%,样点空间匹配精度为81.25%,实验基地空间匹配精度为80.34%。结果表明：HJ卫星能够用于提取南方地区冬小麦种植面积和长势监测,满足农情监测的需要,且利用多时相遥感影像能有效地增加信息量,实现信息互补,有助于提高监测精度。     

利用HJ星遥感进行水稻抽穗期长势分级监测研究

对水稻长势进行遥感分级监测,制作能够直观反映水稻长势等级的遥感专题图,便于农业技术人员及时制定有效的田间管理措施,达到增产的目的。以江苏省泰兴市为例,利用HJ-A/B卫星遥感影像,提取水稻的种植面积并分析抽穗期水稻的长势情况。在利用GPS实地取样调查和建立解译标志的基础上,进行HJ-A/B卫星影像校正,人机交互式判读解译等操作,并将GPS样点数据校验贯穿到整个分类过程中,面积信息解译精度在90%以上。最后,利用归一化植被指数(NDVI)反演叶面积指数(LAI)数据信息,依据LAI数据进行水稻长势分级,制作了泰兴市水稻抽穗期长势分级遥感监测专题图。     

基于相对光谱变量的无人机遥感水稻估产及产量制图

及时准确地监测农作物产量信息对国家和区域的粮食生产、贸易及粮食安全预警具有重要意义。当前卫星遥感估产由于高时空分辨率难以同时满足、波段数量少等原因限制估产精度进一步提高,无人机成像高光谱技术以其高时空分辨率、丰富的波段数量和图谱结合的遥感影像等优势被广泛地应用到现代智慧农业与精准农业,使高精度的农作物估产成为了可能。常规无人机估产方法使用的不同时期植被指数在获取时具有不同的光照条件、大气条件和背景,这些外界条件的差异将会引起不同时期植被指数的误差,进而影响估产精度。针对该问题,提出"相对光谱变量"和"相对产量"的概念开展多时期相对变量水稻遥感估产。首先将高光谱成像仪获取的波段进行一对一的组合建立相对归一化光谱指数RNDSI集,并确定水稻不同生育期的最优RNDSI及其构成波段;然后建立不同生育期组合的水稻估产最优模型并做相应的验证。结果显示:使用分蘖期RNDSI[784,635]、拔节期RNDSI[807,744]、孕穗期RNDSI[784,712]和抽穗期RNDSI[816,736]组成的多元线性回归模型是多生育期估产的最优模型,R^2和RMSE分别为0.74和248.97 kg/hm^2,并对此结果进行验证,估产平均相对误差绝对值达到了4.31%,结果表明相对植被指数和相对产量的水稻遥感估产方法可较好地应用于像素级的水稻遥感估产。基于该模型绘制了水稻的田间产量分布图,可更加直观地表现不同区域的产量并进行精准地田间管理。