基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究

[目的]水稻在我国粮食生产中占有重要的地位,针对南方低山丘陵区地形复杂多样,地块破碎的环境特点,利用遥感数据时空融合方法对水稻分布进行提取研究对作物精准估产和政府决策具有重要意义。[方法]以衡阳县为研究区,基于增强型时空数据融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)将MODIS数据分别和GF-1WFV、Landsat 8影像进行数据融合,构建高时空分辨率的NDVI时间序列集,对NDVI序列进行滤波并获取各地物物候参数,采用决策树分类方法提取水稻种植面积。[结果](1)ESTARFM能有效融合MODIS和GF-1WFV、Landsat 8影像,其中Landsat 8数据的单波段融合效果(R_(NIR)=0.92,R_R=0.82)优于GF-1WFV融合结果(R_(NIR)=0.82,R_R=0.75),但NDVI结果相关性差异不大(Landsat:R_(NDVI)=0.93,GF-1WFV:R_(NDVI)=0.89);(2)利用决策树分类法进行地物分类,基于GF-1WFV融合数据的分类结果优于Landsat融合数据分类结果,其中GF-1WFV数据得到的分类结果总精度达到86.37%,单、双季稻的精度分别为62.26%与86.70%,Kappa系数达到0.80;而Landsat数据的分类总体精度为80.96%,单、双季稻精度分别为56.87%和70.74%,Kappa系数为0.72。[结论]GF-1WFV融合数据可用于获取精细的水稻种植分布;针对南方低山丘陵区,特别是地形复杂度较高的区域,GF-1 WFV数据比Landsat数据在水稻提取方面更具有优势。     

高分1号冬小麦解译面积核算方法研究

[目的]以高分1号(GF-1)融合2m卫星遥感影像为基础数据源,结合土地利用现状数据、高分多源遥感影像和地面样方等数据,对冬小麦分类提取中存在的面积误差问题进行研究和分析。[方法]文章以河南省永城市为研究区,在冬小麦提取结果聚类处理基础上,基于线性地物缓冲区数据,采用GIS空间运算实现线性地物面积扣除,接着分析了样方数据和土地利用现状数据再扣除零星地物面积比例上的差异,并采用样方零星地物平均扣除系数对全市各乡镇耕地与非耕地中冬小麦提取面积进行了相关统计和误差分析。[结果]永城市冬小麦最终解译面积11. 29万hm~2,其中线性地物和零星地物扣除面积分别为6 613. 08hm~2和3 875. 22hm~2,占研究区冬小麦解译面积的5. 86%和3. 32%,与统计上报数据相比,其处理前后误差由14. 12%降低至4. 41%,有效地提高冬小麦提取面积精度。[结论]误差来源分析与修正对冬小麦解译面积核算精度具有重要影响,该研究为县级区域尺度下冬小麦面积提取核算提供了思路和借鉴。     

结合Landsat 8和GF 1数据的冬小麦种植空间分布提取

[目的]为探讨多源中等分辨率数据在冬小麦种植时空分布上的应用。[方法]利用2017年冬小麦关键生育期的Landsat8 OLI(抽穗期)和时间序列的GF-1 WFV(2016—2017生育期)数据,在分析各个行政分区的地表覆盖状况、作物结构和地块破碎度差别的基础上,将行政区划分为3种类型不同的提取单元并建立了适合于各自分区的提取模型:(1)利用关键生育期的OLI数据,采用监督分类—神经网络方法提取结构单一、地块齐整的怀远县种植区;(2)基于WFV数据构建五河县及城区种植区的冬小麦全生育期NDVI时间序列曲线,根据NDVI的时间特征构建冬小麦提取的决策树分类模型提取结构较复杂、混合像元明显的五河县及城区种植区;(3)在对关键生育期OLI-NDVI数据合理分割的基础上,采用最大似然的面向对象分类法获取种植密集、地块破碎的固镇县种植区。[结果]提取结果采用混淆矩阵和当年度统计数据相结合的方法进行精度评价,结果表明:(1)怀远县提取出的冬小麦提取总体精度为97.91%,五河县及城区提取出的精度为97.62%,固镇县的精度为97.42%;(2)全区域冬小麦提取的总体精度为86.82%,Kappa系数为0.84。与当年度统计数据对比的结果表明:2017年蚌埠市的准确提取面积精度可达97.91%,提取面积数据小于蚌埠市统计年鉴提供的统计数据,与调查的实际种植地块基本一致。[结论]采用不同方法提取不同空间分布特征的冬小麦种植面积具有较好的精度,该方法可以为市域冬小麦面积提取提供技术参考。     

基于HJ-1卫星的冬小麦叶片SPAD遥感监测研究

SPAD能够反映植株叶绿素含量,而植株叶绿素的含量及动态变化,对评价作物生产能力、预测产量和品质均有重要意义。该研究以湖北省潜江市后湖管理区冬小麦为研究对象,通过田间观测不同生育期冬小麦叶片SPAD变化情况,结合我国自主研发的HJ-1卫星对研究区域进行同步监测,选取并计算RVI、DVI、NDVI、GRVI四种植被指数,通过对4种植被指数与冬小麦叶片SPAD进行相关性分析,并构建植被指数与冬小麦叶片SPAD回归反演模型,结果显示相关性均较高。通过对比四种植被指数模型反演精度,NDVI-SPAD对数模型预测精度较高,精度检验表明平均相对误差为-2.34,均方根误差(RMSE)为5.65,能够较好的反演研究区域内的冬小麦SPAD。利用HJ-1卫星结合NDVI-SPAD对数模型能够有效对研究区域冬小麦叶片SPAD进行遥感监测。     

结合植被指数与作物高度反演冬小麦叶面积指数

[目的]叶面积指数LAI(Leaf Area Index)是反映作物长势的关键参数之一。目前,基于无人机影像进行LAI反演多注重影像光谱信息的应用,但是由于高分影像存在强烈的光谱异质性以及无法区分高密闭度植被垂直方向枝叶的光谱特征等不足,在反演作物LAI时,需要探讨作物高度等结构参数对LAI反演的影响。[方法]文章以冬小麦为例,将无人机影像的光谱信息与点云数据相结合,共同构建LAI反演模型,并与单利用光谱信息的一元线性LAI回归模型进行对比,探讨作物高度信息对LAI反演精度的影响。[结果](1)无人机影像获取的点云数据能有效反演作物高度,其决定系数R~2=0.61,均方根误差RMSE=0.02;(2)基于作物高度和植被指数Ⅵ(Vegetation Index)反演LAI的二元模型(Adjust R~2=0.38,Adjust RMSE=0.55)优于单用植被指数反演LAI的一元模型(Adjust R~2=0.29,Adjust RMSE=0.59),[结论]研究表明作物高度和光谱信息结合的反演模型能够提高作物LAI的反演精度,同时表明作物高度因子在LAI反演中具有重要的应用价值。     

无人机高光谱遥感数据在冬小麦叶面积指数反演中的应用

[目的]无人机高光谱遥感是获取田间尺度作物生长参数的新型手段,如叶面积指数(leaf area index,LAI)的无人机快速观测对作物生长监测具有重要意义。[方法]研究以河北省衡水市冬小麦为研究对象,利用以多旋翼无人机为平台搭载Cubert UHD185成像高光谱传感器获取了冬小麦乳熟期的无人机高光谱影像数据;在无人机飞行的冬小麦试验田,利用LAI 2200进行了同步观测试验。该研究利用植被辐射传输模型PROSAIL模拟小麦冠层反射率数据,进而模拟9种植被指数(RVI,NDVI,EVI2,OSAVI,MSAVI2,TCARI/OSAVI,RENDVI(red edge NDVI),MSI,S2REP)。将模拟的植被指数与LAI进行相关性分析,分别构建LAI反演模型并通过拟合效果选择最优的反演模型。然后基于LAI最优反演模型利用无人机高光谱遥感数据反演冬小麦乳熟期的LAI。最后利用地面实测LAI数据对反演结果进行了验证。[结果]9种植被指数中包含红边波段的RENDVI和S2REP与LAI具有高度相关性,而且消除了在小麦LAI高值区时其他植被指数对LAI饱和的问题。基于RENDVI指数模型模拟的LAI与模型模拟的LAI之间RMSE为0.51,无人机高光谱数据LAI反演结果与地面实测值高度拟合(R2=0.83,RMSE=0.16,NRMSE=10%,n=25,P0.001),因此RENDVI是用于估算LAI的较理想的植被指数。[结论]无人机高光谱是获取小麦LAI的有效手段,该研究为利用无人机高光谱数据监测作物生理生态参数提供了参考。     

基于光能利用率模型的河南省冬小麦单产估算研究

[目的]快速、准确估算空间尺度上作物产量,对于评价农田生态系统对气候变化的响应、制定科学合理的粮食政策、对外粮食贸易等具有重要意义。河南省冬小麦产量占全国1/4,准确估算河南省冬小麦产量对维护国家粮食安全具有重要作用。单产估算作为农作物估产中的关键技术,也是作物估产的难点之一。[方法]文章首先利用VPM(Vegetation Photosynthesis Model)估算冬小麦NPP(Net Primary Product),结合收获指数、冬小麦收获部分的含水量、含碳量、NPP分配到地上或地下部分比例等一系列符合该研究区的经验指数,进行河南省冬小麦单产估算研究,并分析了引起模拟误差的原因。[结果]模拟单产较实测单产低估4.4%(实测单产为6 810kg/hm~2,模拟单产为6 519kg/hm~2),但两者之间存在显著相关关系,两者相关系数的平方R2=0.70(n=50,p0.01)。通过与MODIS-GPP产品获得的冬小麦单产数据比较,基于VPM模型的模拟结果优于MODIS-GPP产品。[结论]基于VPM可快速、准确估算河南省空间尺度冬小麦单产,该方法具有较好的适用性。     

“高分一号”卫星数据在冬小麦种植结构调整实施效果评估中的应用——以河北省冀州市为例

[目的]在农业部"控制农业用水总量"的明确要求下,河北省试点实施了冬小麦种植结构调整,减少冬小麦种植面积。为快速监测与评估结构调整政策的实施效果,解决大尺度冬小麦种植结构变化监测中精度与成本相互制约的问题。[方法]该研究以河北省冀州市为例,利用国产高分一号卫星(以下简称"GF-1")2m全色、8m和16m多光谱卫星数据,对全市冬小麦种植面积及种植结构变化情况进行监测,并结合高分辨率卫星数据(0.5m分辨率Pleiades数据)计算关于GF-1数据监测结果的修正系数,从而提高监测精度。[结果]研究认为,与2m/8m分辨率的GF-1融合数据相比,系数修正后的16m分辨率GF-1数据在冬小麦种植结构监测与评价业务化运行工作中更具优势。基于16m GF-1数据的监测结果显示,2015年冀州市冬小麦种植结构与2014年相比变化明显,种植面积总体呈增长趋势。[结论]种植结构空间变化具有异质性,其中,冀州市北部冬小麦种植面积保持基本稳定,中部地区呈集中减少趋势,南部地区呈集中增加趋势。冬小麦种植结构变化的主要原因是受到棉花种植面积减少,以及种植习惯、种植模式变化等因素的影响。     

多时相GF-1卫星PMS影像提取农作物种植结构

[目的]及时准确获取农作物种植结构信息,对农作物种植结构调整具有重要意义。[方法]文章以多期GF-1卫星PMS影像为主要数据源,通过分层分类方法成功提取了朱仙镇一个种植年内秋播蔬菜、冬小麦、春花生、早熟西瓜、夏玉米、夏花生等农作物,并通过叠加分析得到朱仙镇的农作物种植模式。[结果]朱仙镇有10种种植模式,以一年两熟的冬小麦-夏玉米为主要倒茬模式,占比49.7%,其他9种种植模式所占比例之和接近50%;从整体景观的角度对朱仙镇的主要作物种植模式进行衡量,斑块丰富度PR达到9.0,香农多样性指数SHDI达到1.483 6,说明朱仙镇种植模式多样,有利于多元农业种植结构发展;分层分类的方法能够延续最优提取结果的精度,各类作物提取精度均达到了80%以上。[结论]PMS影像的高分辨率能够清晰的表达地块边界,一定程度上呈现了非大宗作物的空间分布,GF-1卫星PMS为多尺度的农业监测提供了更多的选择。     

基于多时相遥感数据提取水稻种植面积的研究

该文以江苏省为例,探讨MODIS时间序列数据在水稻种植信息获取中的应用,并进行精度评价.首先利用MODIS数据构建了归一化差值植被指数(NDVI)、增强型植被指数(EVI)和陆表水指数(LSWI).根据植被指数的时间序列变化特征,结合水稻的生长发育规律,确定江苏省水稻种植面积.对比统计数据,该方法提取水稻种植面积的误差为16％.同时,对环境卫星遥感影像进行监督分类,提取水稻种植区域.对比二者提取结果,面积相对误差为5％,空间一致性达到60％以上.研究表明,在平原区域利用MODIS数据监测大尺度水稻种植面积是可行的.     

基于多尺度分割的面向对象分类方法提取冬小麦种植面积

应用面向对象方法,对遥感图像进行多尺度分割,即首先进行大尺度分割,结合NDVI提取植被信息,将图像分为植被和非植被;然后在植被信息类内再进行小尺度分割,利用NDVI并融入几何特征进一步提取冬小麦种植面积及空间分布。在遥感分类的基础上,将线性数据按宽度缓冲,从分类结果中扣除。将扣除结果与地面样方实测数据对比分析。结果表明,监测结果减轻了传统分类方法的椒盐效应,监测结果与验证样方数据比较精度为94.06%。     

基于高分与多时相中分影像的苹果园地提取

目的 卫星影像已经被广泛用于小麦、玉米、水稻等种植范围较广的粮食农作物空间分布信息提取和面积估算。但是,利用遥感影像研究苹果园光谱与纹理特征,获取苹果园地面积与分布的应用研究较少。以往的研究已经指出高分纹理特征有利于苹果园地分类,但是中分影像的数据保障性会更强,可提供时序的光谱特征,因此,文章提出了一种综合利用非最佳观测期获得的高分辨率影像纹理信息和多时相中分辨率影像光谱信息提取苹果园地的方法。方法 该方法以GF-2号卫星及哨兵卫星数据为数据源,首先利用灰度共生矩阵（GLCM）提取GF-2的纹理特征,然后将提取的GF-2的纹理特征和光谱特征与5期不同时期的哨兵影像相结合,形成5组GF-2纹理和光谱特征与某一期哨兵影像的组合特征（记录为GF-2+单时相哨兵）,1组GF-2纹理和光谱特征与所有哨兵影像的组合特征（记录为GF-2+多时相哨兵）,以7组不同的组合特征（GF-2纹理和光谱特征、5组GF-2+单相哨兵和1组GF-2+多时相哨兵）为输入,使用3种不同的分类方法（C4.5、CART和Random Forest）提取苹果园地的分布,比较分析不同特征组合对苹果园分类精度的影响以及3种不同决策树学习方法的优劣。结果 苹果园提取时,GF-2+单时相哨兵特征组合与GF-2+多时相哨兵特征组合明显优于GF-2纹理和光谱特征组合,GF-2+4月（花期）哨兵是最佳特征组合,其苹果园的分类精度和整个研究区域的总体精度分别比GF-2单独分类提高至少8.14%和8.29%,比GF-2+多时相哨兵分类提高至少1.14%和0.95%。当采用相同组合特征时,随机森林分类方法提取苹果园地效果最好,苹果园提取精度均在90%以上。结论 利用非最优时相高分影像与花期中分影像提取苹果园能够得到最优的精度;如果没有花期中分影像,其他时相中分影像与非最优时相高分影像组合也能够得到比较优的精度。     

基于无人机影像的冬小麦深度学习分类

[目的]传统分类方法存在人为主观选择特征、模型无法在大范围泛化的问题,文章利用非监督特征学习的深度学习方法进行冬小麦识别,以解决传统分类方法无法在大范围进行自动化作物识别的不足。[方法]该文集成残差网络(Residual Nets,ResNets)和金字塔场景解析网络(Pyramid Scene Parsing Network,PspNets)构建Res.PspNet,进行冬小麦深度学习自动化分类。在山东全省获取80个村的无人机航拍影像,利用米级遥感影像和对应的标记样本作为"海量标记样本"训练土地覆盖识别模型,以此为基础模型迁移训练冬小麦分类模型,自动提取出冬小麦分布。[结果]实验结果表明,以训练出的土地覆盖数据作为基础模型训练冬小麦模型,收敛速度快,具有很好的泛化性,在不同农业景观调查村中均得到比较准确的结果。从整体验证区域来看,冬小麦总体精度达到了90%以上,区域冬小麦总面积精度达到99%。平原区冬小麦识别精度更高,总体精度达到了90%以上,区域面积精度达到99%,表明模型对冬小麦种植地块规整、生长状态均质的区域,识别精度较高,而山区由于地块破碎、冬小麦长势差异较大,空间卷积会弱化小麦特征且出现"同物异谱"现象,这影响了在该区域内冬小麦的识别精度。[结论]Res.PspNet卷积神经网络能够有效地学习出无人机影像的特征,实现了基于航片影像进行非监督自动化冬小麦"端—端"分类,这也将一定程度上降低冬小麦提取的工作量。     

基于多源遥感数据融合的运城盆地夏玉米估产研究

[目的]准确估算区域尺度作物产量是确保粮食安全,发展生态、安全农业的关键。[方法]文章以山西省重要的粮食产区——运城盆地为例,利用2020年空间分辨率为10m的Sentinel-2A数据和时间分辨率为1d的MODIS数据,采用STNLFFM (Spatial and Temporal Nonlocal Filter based Fusion Model)算法并结合光能利用率模型进行夏玉米NPP (Net Primary Production)模拟和产量估测。[结果]（1）融合后的NDVI数据能较好地继承Sentinel-2A NDVI数据的空间细节,同时能够较好地表达较小地物之间空间差异;（2）STNLFFM NDVI时序曲线能准确地反映夏玉米种植时期的NDVI变化趋势和局部突变信息,比MODIS NDVI时序曲线更符合夏玉米实际生长状况。（3）运城盆地夏玉米种植区累积NPP均值为667.42 gC/m2,其中西北部的涑水河冲湖积平原,受人类活动影响显著,灌溉条件较好,NPP累积量较高,为700～900 gC/m2。（4）东北部山区和北部台塬区受地形破碎程度较高影响,NPP累积量小于5...     

基于高分二号卫星融合数据的城镇黑臭水体遥感监测研究

为研究通过卫星遥感手段监测城镇黑臭水体位置分布的可行性,利用高分二号卫星融合影像数据对北京市城镇水体进行水体岸线提取和水质参数反演。水质参数包括叶绿素a、悬浮物浓度、透明度和营养化指数。基于水体岸线提取结果和反演的各类水质参数的指数分布图,结合预先设定的水体黑臭程度遥感判别指标,对北京市9处水体河段水质进行综合遥感判读,辅以实地调查验证。研究结果表明,利用高分二号卫星融合影像能够很好的识别城镇区域内宽度较窄的河道岸线,并判定水面浮萍的存在,定量反演出的水体单位面积内悬浮物浓度、透明度和营养状态指数能够反映水体的黑臭程度,各河段水体黑臭程度的遥感判别结果与官方公布的结果基本一致。     

时间序列植被指数重构方法比对研究

时间序列植被指数在植被遥感监测中发挥着重要的作用,但其往往存在大量噪声影响,在应用之前需要进行时序植被指数重构。耕地植被指数是进行农作物长势监测与估产以及农业生态系统对气候变化响应等研究的重要工具,本研究借助MODIS植被指数产品,以东北三省耕地为研究区域,针对非对称高斯函数拟合（AG）、双Logistic函数拟合（DL）和Savitzky-Golay滤波（SG）三种常见的时序植被指数重构方法,从原始数据质量对时间序列植被指数重构的影响、不同重构方法对原始数据的保真性和基于不同重构方法的耕地生长季长度空间格局等方面进行了对比分析。首先对NDVI及其质量控制数据进行分析,探讨原始数据质量对时序植被指数重构的影响;然后选择若干随机抽样点,从定性和定量两个角度来评价不同方法对时序植被指数的重构效果;最后借助研究区的耕地物候特征,间接对不同的时序植被指数重构方法进行对比。结果表明,在东北三省利用这三种方法进行耕地时序植被指数重构时需要引入质量控制数据,AG拟合和DL拟合在该地区耕地时序植被指数重构时表现相似且比SG滤波更加适宜。     

基于GF-1 PMS影像的柠檬种植面积估算

为应用国产高空间分辨率影像快速、准确估算丘陵区柠檬种植面积,文章基于GF-1 PMS影像使用不同数据预处理及分类法估算柠檬种植面积。通过对影像进行大气校正、数据融合、滤波等处理,分别得到光谱反射率数据、融合影像和纹理特征数据(分辨率分别为8m、2m、2m)。通过可分离性分析,发现荒草地和未成林柠檬的可分性最差,二者在光谱反射率数据、融合影像和纹理图像中的可分性数值均小于1.8,是影响柠檬分类精度的主要因素。基于最大似然法的分类精度评价结果显示,纹理图像数据估算精度好于8m分辨率的多光谱反射率数据和2m分辨率的融合图像,适当的影像预处理有助于提高监督分类精度。对比基于最大似然法的精度,基于面向对象法的柠檬面积估算精度达95.09%,高于监督分类法的,使用GF-1 PMS影像估算柠檬面积最优方法为面向对象法。该研究为应用国产高分辨率遥感数据快速、准确估算丘陵地区果树种植面积提供了相关参考。