物候信息在大范围作物长势遥感监测中的应用

大范围的农作物长势监测可以为农业政策的制订和粮食贸易提供决策依据,也是农作物产量估测的必要前提。遥感估算的作物生物量是评价作物长势的主要群体特征指标,在大范围上开展作物长势监测时,不同区域的作物因为所处的物候阶段不同而导致生物量存在差异,这种差异与因作物长势状况差别而产生的差异混合在一起,增加了长势监测结果的不确定性。以中国河南、山东两省为研究区,以MODIS 250 m NDVI产品数据为主要数据源,结合改进的CASA模型实现了区域内冬小麦生物量的估算,结合冬小麦生长过程特征进行了典型物候期的监测。在此基础上,分析了扬花期前后物候差异对冬小麦生物量估算的影响,研究其特定物候阶段的变化规律,从而实现了生物量的物候归一化,初步探索了如何消除大区域物候差异对作物长势监测与评估的影响。     

农作物叶绿素含量遥感估算的研究进展与展望

叶绿素是农作物生长过程中重要的生化参数之一,其含量对农作物长势监测、病虫害监测、成熟期预测都有重要意义。介绍了现有遥感监测农作物叶绿素含量的模型基本原理与方法,总结了国内外在该领域的主要研究成果,进一步将模型进行分类,并分别针对经验模型、物理模型和耦合模型进行详细论述,分析了模型的优缺点及其适用范围,根据遥感估算农作物叶绿素含量的模型研究中存在的问题,对未来估算模型的发展趋势进行了展望。     

农作物覆盖地表微波遥感模型研究进展

农作物是人类主要的粮食来源,微波遥感技术已被广泛应用于作物长势监测和作物生物量、含水量反演等研究领域,特别是微波遥感模型的发展更是提高了农田参数反演的精度。综述了农作物微波散射和辐射经验、半经验和理论模型的研究进展,对各模型的适用范围及优缺点进行了介绍,最后对农田微波遥感模型未来发展的难度和重点提出了一些见解。
     

结合光谱、纹理及地形特征的森林生物量建模研究

一些纹理测度已经发展起来并用于提高土地覆盖分类精度,但是利用纹理测度来提高森林地上生物量估算且精度已得到验证的研究却少有,纹理与生物量的关系没能得到很好地阐述。鉴于此,本文在对SPOT5 HRG影像进行正射校正及大气校正基础上,进行光谱特征变换和基于灰度共生矩阵分4个方向、不同窗口尺寸进行9个纹理测度提取。结合研究区地形特征,分别对5个森林类型实现其生物量估算模型辨识与验证,结果表明:(1)少数纹理特征ME、VA在森林生物量估算上是有效的并且是重要的,大多数纹理测度与生物量的关系不紧密;(2)纹理测度对针叶林空间形态的表达能力优于阔叶林;(3)地形因子中,坡度和高程相对于坡向而言,对提高生物量估算精度的贡献更大。     

山丹县草地地上生物量遥感估算模型

选择黑河流域草地植被的典型区域-山丹县作为研究区, 利用2003 年8 月野外实测50 个样方的草地地上生物量数据和同期的陆地卫星TM 影像数据, 分析了植被指数与草地地上生物量的相关关系, 进而建立基于遥感植被指数DV I 的草地地上生物量估算模型。结果表明: 在草地地上生物量和TM 影像植被指数之间关系微弱、直接利用TM 影像数据建立估算模型不可行的情况下,用地面实测的草地植被反射光谱数据对遥感影像数据进行校正, 能够弥补传统的“点-面”建模方法的不足, 获得比较理想的估算模型; 植被指数DVI 与草地地上生物量之间存在较好的相关性, 其估算模型为Y = 2477X - 77. 598 (R 2= 0. 7589) , 经实测数据验证, 总体精度达到80% 以上, 基本上能够满足中尺度的草地地上生物量估算。     

主被动遥感数据协同估算干旱区草原植被生物量

结合主动微波遥感和被动光学遥感反映地表植被的各自优势,发展了一种主被动遥感协同估算干旱区草原植被生物量的模型。该模型将植被覆盖度作为水云模型的附加参数,将总体散射分为植被覆盖区散射和裸土区散射两部分,将水云模型应用到了植被覆盖稀疏区域。利用改进的水云模型和双极化ASAR数据,通过建立方程组估算植被生物量。将该方法用于乌图美仁草原植被生物量的估算,验证了该方法的有效性。结果表明:该主被动遥感协同估算模型能够成功地估算干旱区草原植被生物量,并且取得了较好的估算精度(R2=0.8562,RMSE=0.1813kg/m2)。最后,分析了该方法估算植被生物量的误差来源。     

软件成本估算方法及应用

软件成本估算从20世纪60年代发展至今,在软件开发过程中一直扮演着重要角色.按照基于算法模型的方法、非基于算法模型的方法以及组合方法的分类方式,全面回顾、分析了软件成本估算的各种代表性方法,也归纳讨论了与成本估算强相关的软件规模度量问题.在此基础上,进一步研究了软件成本估算方法的评价标准,并给出了一个应用实例及其分析.最后,从估算模型、估算演进、估算应用、估算内容、工具支持和人为因素6个方面,指出了软件成本估算方法下一步的主要发展趋势.     

洪河湿地植被地上生物量遥感反演研究

在对洪河湿地植被地上生物量实地采样调查的基础上,利用准同步的TM数据建立了洪河湿地地上生物量遥感反演模型。主要研究了洪河湿地植被地上生物量的空间分布情况,并结合研究区的DEM分析生物量空间分布特征和高程的相关关系。并分析了不同生物量范围内,生物量与高程之间相关性存在差异的原因。研究表明:多元回归模型与其他模型相比拟合精度最高,决定系数为0.813,是洪河湿地地上生物量估算的精度最优模型;经估算得到2007年洪河湿地地上生物量主要集中分布于600~1 200 g/m²之间,总生物量为2.4856×10⁸g,平均生物量为934.7105 g/m²。通过生物量与DEM的相关分析得到,在生物量值为0~600 g/m²的低生物量分布区域,生物量与高程之间存在较好的相关性,相关系数为0.79839;在生物量为600~1 200 g/m²和1 200 g/m²以上范围内,生物量与高程值之间相关性较弱。     

分类回归树算法在土壤水分估算中的应用

针对特征复杂的大尺度区域作物根区土壤水分信息获取难的问题,提出了一个基于CART算法的土壤水分估算模型。模型综合了多源环境变量信息,通过对特征复杂的数据空间进行划分,得到一系列特征单一、建模容易的数据子空间,通过对子空间的土壤水分估算实现全局范围的土壤水分信息获取。采用TVDI、AMSR2土壤水分产品、实测数据3种方式对中国北方土壤水分估算结果进行验证。验证结果表明,虽然TVDI和AMSR2 2种方法的验证效果并不理想,但是不同深度层的站点实测值和估算值之间却有着良好的关系,相关系数均大于0.4且极显著,平均相对误差均小于7.3%,均方根误差均小于0.05m3/m3。该研究说明CART算法能够有效应用于估算大尺度区域的作物根区土壤水分。     

数据融合技术在提高NPP估算精度中的应用

针对现有遥感数据不能同时满足在时间和空间上精确监测植被动态变化的问题,提出利用时空适应性反射率融合模型（STARFM）的方法对MODIS-NDVI和TM-NDVI影像数据进行融合处理获得30 m较高时空分辨率的融合NDVI影像,进而将多种尺度的MODIS-NDVI和融合NDVI数据分别输入到CASA模型,对锡林浩特地区进行植被净初级生产力（NPP）的多尺度估算。将不同尺度的NPP估算结果与地上生物量地面实测值进行验证比较,结果表明：随着输入NDVI空间分辨率的提高,NPP估算值与实测地上生物量之间的相关性也逐渐增大,[r]最大值达到了0.915。此外以融合NDVI影像作为输入数据之一的NPP估算值与实测地上生物量的相关性均比未融合NDVI的相关性高,说明融合NDVI估算NPP的效果较未融合NDVI好,并且以融合NDVI影像作为模型输入数据可提高NPP估算精度。     

基于遥感数据和作物生长模型的小麦变量施肥研究进展

就国内外基于遥感数据和作物生长模型在变量施肥技术的研究应用作了阐述, 提出了快速、无损农业测试技术将是精准变量农业和数字农业今后的发展方向, 对作物生长模型以及精准变量施肥技术的研究进展作了较系统的调查研究, 阐述了将遥感数据与作物生长模型进行数据同化, 实现以高产、优质、环保为目的农业生产的可行性。并结合我国国情提出了发展精准农业变量施肥技术所面临的困难和出路。     

基于波谱库的特色农作物智能专家分类系统设计

农作物的长势监测和产量估算一直是遥感技术应用的重要方面,而一个好的农作物分类算法对于农作物产量和长势进行监测十分关键。目前对于一些特色农作物而言,这方面的研究比较缺乏。因此拳研究设计了符合特色农作物的长势监测和产量测算功能模块,将数据挖掘和知识发现应用到专家分类算法中,自行开发了适合农作物数据发现和挖掘的归纳学习算法,充分利用了波谱库中大量的波谱数据、相关属性和空间数据,形成了基于波谱库的特色农作物智能专家分类系统。     

Combining close‐range and remote sensing for local assessment of biophysical characteristics of arable land

For crop management, information on the actual status of the crop is important for taking decisions on nitrogen supply, water supply or harvesting. One would also like to take into account the local spatial variation of the crop. Remote sensing has proved to be a useful technique for estimating and mapping the spatial variation of various biophysical variables. Calibration of the image data is crucial in the performance and applicability of this technique. The aim of this paper is to show the possibility to calibrate remotely sensed imagery using fast and non‐destructive close‐range (below 1.3 m height) sensing instruments, thus providing a means for the assessment of plant characteristics over large areas at low costs. This concept was tested on a homogeneously managed grassland field, subdivided into 20 plots of 15×3 m, at the end of July 2004. Reflected radiation was recorded with an active close‐range sensing device, consisting of a visible light and near‐infrared (NIR) imaging spectrograph, and a 3CCD camera, equipped with special band filters (central wavelengths are at 600, 710 and 800 nm). An airborne campaign with a four‐band UltraCam digital CCD camera was used for extrapolation to larger scales. Plots were harvested, and fresh and dry biomass and leaf nitrogen content were determined. Partial least squares (PLS) models combining spectral and spatial information from the close‐sensing device yielded acceptable results in predicting grassland yields and nitrogen content. Subsequently, these predictions were used to calibrate a model with the image data of the remote sensing device. These were then compared, using leave‐one‐out cross‐validation, with the measured field variables, and the model proved to have an acceptable predictive power.     

基于作物生长模型和多源数据的融合技术研究进展

精确的区域作物产量估计在社会食品安全生产中起着重要作用。首先讨论了常用的2种区域作物产量估计方法,包括产量监测和产量模拟。其中,作物生长模型能够反映作物的整个生长演变过程,并能最终预报作物产量,因此在区域作物产量预报中起着重要作用,但是由于作物生长模型在输入数据、模型参数和模型结构等方面存在较大的不确定性,导致最终的模拟结果也存在较大的不确定性,尤其是应用到区域尺度时,这种不确定性使得模拟结果同真实的作物产量空间分布图存在较大的不一致性。而产量监测,尤其是利用先进的多源遥感信息,可捕捉真实的区域尺度的地面作物生长信息,但是仅为瞬时信息。因此利用数据融合算法,融合模型和数据的优点,得到更为可靠的区域产量估计结果是十分有意义的。所以在详述了当前主要的作物生长模型的基础上,重点讨论了常用的2种数据融合技术,即优化方法和顺序数据同化方法,以及目前利用这两种方法在作物生长模型中融合观测信息的部分案例。     

Quantitative monitoring of inland water using remote sensing of the upper reaches of the Huangpu River,China

In this paper, a quantitative framework using common and readily available remote sensing data, including ground hyperspectral data, multispectral remote sensing images and a regular in situ water quality monitoring programme, is proposed to monitor inland water quality. The entire framework has three steps: (1) collecting and processing basic data, including remote sensing data and water quality data; (2) examining the relationships between water quality parameters and water reflectance from both remote sensing images and in situ measurement data. According to their relationships with ground hyperspectral reflectance, the water quality parameters are classified into three categories, and the corresponding monitoring models using remote sensing data are presented for these three categories; and (3) analysing the spatial distribution by using water quality concentration maps generated with the monitoring models. The upper reaches of the Huangpu River were chosen as our study area to test this framework. The results show that the concentration maps inverted by the proposed models are in accordance with the actual situation. Therefore, we can conclude that the proposed framework for quantifying water quality based on multisource remote sensing data and regular in situ measurement data is an effective and economic tool for the rapid detection of changes in inland water quality and subsequent management.     

Mapping crop cover using multi-temporal Landsat 8 OLI imagery

Crop classification maps are useful for estimating amounts of crops harvested, which could help address challenges in food security. Remote-sensing techniques are useful tools for generating crop maps. Optical remote sensing is one of the most attractive options because it offers vegetation indices (VIs) with frequent revisits and has adequate spatial and spectral resolution and some data has been distributed free of charge. However, sufficient consideration has not been given to the potential of VIs calculated from Landsat 8 Operational Land Imager (OLI) data. This article describes the use of Landsat 8 OLI data for the classification of crops in Hokkaido, Japan. In addition to reflectance, VIs calculated from simple formulas that consisted of combinations of two or more reflectance wavebands were evaluated, as well as the six components of the Kauth–Thomas transform. The VIs based on shortwave infrared bands (bands 6 or 7) improved classification accuracy, and using a combination of all derived data from Landsat 8 OLI data resulted in an overall accuracy of 94.5% (allocation disagreement = 4.492 and quantity disagreement = 1.017).     

CropStraw Fire Remote Sensing Monitoring and Its Algorithm Implementation

in order to obtain the information and achieve the effective control of crop straw fire spatial distribution in Central China Region.The MODIS L1B remote sensing datasets during 2014 for the main data source in this article,and combined with land use data,the farmland of Central China Region was taken as study region.Based on the enhanced contextual fire remote sensing detection algorithm,and make full use of the theoretical knowledge of quantitative remote sensing and Geospatial Data Abstraction Library (GDAL)and other technical means,to achieve the crop straw fire recognition in Central China Region.Using Ministry of Environmental Protection of the People’s Republic of China release the daily newspaper of crop straw fire in China and the standard fire products (MYD14)of MODIS for the comparative analysis of the quantitative and spatial.The results indicate that the algorithmof this paper can achieve crop straw fire remote sensing monitoring of this study region effectively,and the parameters can be adjusted in real time based on the characteristic of the study region,and improve the automation and working efficiency of crop straw fire monitoring.