基于多时相MODIS监测冬小麦的种植面积

论文基于时相和波谱信息，利用MODIS数据监测了北京冬小麦的种植面积。首先，基于地形高度对地物光谱反射值的影响，借助DEM数据对研究区域进行划分。其次，在分析并提取北京地区主要农作物时间谱曲线特征的基础上，设计决策函数，成功提取了北京地区冬小麦的种植面积。最后，比较并分析了非遥感数据对监测精度的影响。研究结果表明，（1）时相信息可以极大的提高农作物种植面积的监测精度。（2）辅助数据的利用，使决策函数的设计更具有针对性，监测结果更可靠。（3）多源多时相遥感数据在农作物种植面积的提取中具有明显的技术优势和重要的应用潜力。     

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。     

基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究

玉米是黑河中游种植面积最大的农作物,生长期需水量大、蒸散量高.准确获取玉米种植面积对该区域农作物种植结构调整、水资源合理规划有重要参考意义.基于2019年4月至9月Sentinel-2多时相影像,采用随机森林算法开展了黑河中游玉米种植面积提取研究.研究方法分为两类—直接提取法和两步提取法.进一步探讨了多时间信息量对玉米...     

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。     

在GIS支持下利用MODIS数据监测多种作物和果树种植面积

MODIS数据以其时间分辨率高、监测范围大、可免费接收、获取方便及时等优势,已经成为土地利用研究的重要信息源。以河北省38°N带为研究区,选取不同时相的MODIS数据,分别计算出NDVI,根据植被的生长过程中叶面积的变化规律,观察其NDVI的变化,建立分类规则,确定出主要植被的种植区域。在GIS软件的支持下,利用分类精度为91%的TM数据分类结果从提取区域的面积和形状两个方面对MODIS数据的分类结果进行像元尺度上的精度分析。     

利用MODIS数据监测河北省冬小麦种植信息

利用多时相MODIS遥感数据和冬小麦地面GPS定位调查信息，参考河北省土地利用现状资料和生态功能区划成果，对河北省冬小麦种植环境进行了分区，充分考虑冬小麦的生长发育特征和下垫面的植被生长特征来选择遥感监测时段，改进了“麦土比”的概念，提出了“象元麦土比”的新方法，将遥感知识、农学知识和地学知识有机结合，形成一套计算机自动提取冬小麦种植信息系统，利用该系统提取了河北省2004-2005年度冬小麦播种信息，遥感测算的全省总面积误差为3．2％，综合考虑各个地市的偏差情况，9个地市面积平均绝对误差为9．6％。本文就此介绍其主要方法及其工作步骤。     

基于线性光谱混合模型的油菜种植面积遥感监测方法研究

利用中低分辨率卫星影像进行油菜面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。本文以2009年湖北省潜江市油菜种植面积为例,利用中巴地球资源卫星(CBERS-02B)遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,将结果与基于GVG(GPS、VIDEO、GIS)农情采样系统得到的结果进行对比分析,面积提取精度为97.43%。表明线性光谱混合模型能够高精度地提取油菜的种植面积,不失为一种很好的监测油菜种植面积方法。     

基于MODIS的洞庭湖芦苇湿地范围研究

以洞庭湖芦苇湿地为例,利用2003年美国Terra／MODIS卫星数据,对洞庭湖芦苇湿地范围进行监测。具体测算方法包括以下几个步骤：1）根据洞庭湿地种类及洞庭湖水涨落变化规律,利用芦苇生长最茂盛期NDVI值对芦苇湿地和其他湿地种类进行大致区分。2）根据植物生长特性,利用植物生长期多时序NDVI值进一步确定洞庭芦苇湿地范围。最后,将上述测算方法的结果和实测资料进行比较,结果表明两者具有很好的一致性。     

基于多时相TM影像的冬小麦面积变化监测

利用北京1992年、2000年、2004年、2009年的多时相Landsat TM5影像数据,结合实际调查数据,分析了近20年来北京冬小麦种植面积的变化趋势及演变特征。采用决策树、PCA、缨帽变换等手段对地物进行分类,利用多时相影像,NDVI组合阈值提取小麦种植区面积。研究结果表明:北京地区1992年、2000年、2004年、2009年冬小麦种植面积分别为:113671ha,84322ha,40410ha,61529ha。北京冬小麦种植面积呈现为明显的先减少后增加的趋势。从1992年到2009年共减少52143ha。其中,从1992年到2000年冬小麦种植面积减少了29349ha,减少的面积中城区扩张占用和转变为裸地的最多,分别为39.7%和42.8%,另外有13.3%变为设施用地,3%成为水体(鱼塘和水田);从2000年到2004年冬小麦种植面积共减少43921ha,减少的面积中转变为裸地和城区扩张占用的最多,分别为39.8%和33.1%;从2004年到2009年冬小麦种植面积共增加了21119ha,其中裸地转变为小麦种植区面积最大。     

利用MODIS 数据监测河北省冬小麦种植信息

根据冬小麦发育期的同步性、土壤类型、灌溉条件等多项因子, 参考河北省土地利用现状资料和生态功能区划成果, 将河北省冬小麦种植区域划分为五大区。利用多时相MODIS 遥感数据和冬小麦地面GPS 定位调查信息, 充分考虑冬小麦的生长发育特征和下垫面的植被生长特征来剔除小麦生长季节的非麦区信息。在测算冬小麦种植面积、解决混合像元问题时, 改进了“麦土比”的概念,提出了“像元麦土比”的新方法, 将遥感知识、农学知识和地学知识进行有机结合, 形成一套计算机自动提取冬小麦种植信息系统。利用该系统提取了河北省2004～2005 年度冬小麦播种信息, 遥感测算的全省总面积误差为3. 2% , 综合考虑各个地市的偏差情况, 9 个地市面积平均绝对误差为9. 6%。     

基于时差特征与随机森林的水稻种植面积提取

准确提取水稻种植面积是探讨气候变化背景下水稻生产与粮食安全的重要前提。我国南方的水稻种植区域,地块破碎且受云雨天气影响严重,如何充分利用有限时相的数据获得较高精度的水稻面积提取是亟需解决的关键问题。提出了一种利用两个时相的数据,通过构建差值特征突出水稻物候变化的特点,并与随机森林算法结合高精度提取水稻种植面积的方法。将之应用于湖南省常德市鼎城区的水稻种植面积提取,结果表明:采用本方法进行水稻提取的最终总体精度达到93.01%,Kappa系数0.91,与单时相提取结果相比,总体精度提高了近3%。为了进一步分析差值特征对其他分类器的改进效果,分别将差值特征与决策树和随机森林组合,并分析了两种组合提取水稻的精度。研究发现构建的差值特征能够有效反映植物的生长状况,增加地物的可区分性,可为对象的分割及分类提供更多有用的信息,能够有效改善水稻种植面积的提取精度。
     

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。     

利用多时相HJ卫星CCD遥感影像提取嘉祥县秋收作物

作物种植面积对调整农业结构、制定区域粮食安全政策有着十分重要的意义。本文以山东省嘉祥县为研究区,利用3景不同时相的HJ卫星CCD遥感数据,结合野外调查样本,通过分析研究区主要秋收作物(玉米、棉花和水稻)在不同生育期的光谱特征和归一化植被指数(NDVI)的特点,对分类影像进行系列阈值分割、掩膜处理,最后利用决策树算法成功提取了山东省嘉祥县的玉米、棉花和水稻的种植面积,总体精度分别达到93.31%、89.41%、95.82%。     

Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data

A semi-physical fusion approach that uses the MODIS BRDF/Albedo land surface characterization product and Landsat ETM+ data to predict ETM+ reflectance on the same, an antecedent, or subsequent date is presented. The method may be used for ETM+ cloud/cloud shadow and SLC-off gap filling and for relative radiometric normalization. It is demonstrated over three study sites, one in Africa and two in the U.S. (Oregon and Idaho) that were selected to encompass a range of land cover land use types and temporal variations in solar illumination, land cover, land use, and phenology. Specifically, the 30 m ETM+ spectral reflectance is predicted for a desired date as the product of observed ETM+ reflectance and the ratio of the 500 m surface reflectance modeled using the MODIS BRDF spectral model parameters and the sun-sensor geometry on the predicted and observed Landsat dates. The difference between the predicted and observed ETM+ reflectance (prediction residual) is compared with the difference between the ETM+ reflectance observed on the two dates (temporal residual) and with respect to the MODIS BRDF model parameter quality. For all three scenes, and all but the shortest wavelength band, the mean prediction residual is smaller than the mean temporal residual, by up to a factor of three. The accuracy is typically higher at ETM+ pixel locations where the MODIS BRDF model parameters are derived using the best quality inversions. The method is most accurate for the ETM+ near-infrared (NIR) band; mean NIR prediction residuals are 9%, 12% and 14% of the mean NIR scene reflectance of the African, Oregon and Idaho sites respectively. The developed fusion approach may be applied to any high spatial resolution satellite data, does not require any tuning parameters and so may be automated, is applied on a per-pixel basis and is unaffected by the presence of missing or contaminated neighboring Landsat pixels, accommodates for temporal variations due to surface changes (e.g., phenological, land cover/land use variations) observable at the 500 m MODIS BRDF/Albedo product resolution, and allows for future improvements through BRDF model refinement and error assessment.     

基于NDVI数据的江苏省植被物候变化及其影响因子分析

以气候变暖为主要特征的全球气候变化与生态系统的相互作用成为影响可持续发展的重要因素。植被作为陆地生态系统的主要组成部分,在生态环境评价及碳水循环等方面具有重要作用。以江苏省为研究区,利用长时间序列的GIMMS NDVI3g数据集和气象数据,采用Logistic函数法提取该区域过去34 a(1982~2015年)植被生长期物候(Start Of Season SOS,End Of Season EOS)变化的时空分布特征,并用相关性分析法定量确定主要气象因子(温度、降水)对物候变化的贡献。结果表明：①空间上,从江苏省南部到北部,SOS呈递增趋势,EOS呈递减趋势;②时间上,大部分(83.1%)像元的SOS提前,主要分布在江苏省中部及北部地区,大多提前1~2 d/a,69.2%像元的EOS延后,大多延后0~1 d/a;③植被生长期开始SOS/EOS对温度、降水有明显响应,70.5%像元的SOS与温度呈负相关,主要位于江苏省北部及少部分南部地区,55.5%像元的SOS与降水呈负相关,55.2%像元的EOS与温度呈正相关,71.2%像元的EOS与降水呈负相关。整体上,温度的升高导致生长期提前,降水对SOS具有双向作用,秋季物候的影响因子更为复杂,温度和降水的变化并不能导致EOS的提前或者推迟。本研究加深对气候变化与植被生态系统相互作用过程的认识,为未来植被及气候变化分析提供参考。