MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究

针对大范围冬小麦种植面积遥感测量业务化运行中所存在的不同空间分辨率遥感影像的获取能力、空间分辨率与测量精度之间相互制约的现实问题,选择典型实验区,采取全覆盖的多时相低分辨率MODIS数据与中高分辨率TM样区数据相结合的方法,以支持向量机（SVM）为主要技术手段,通过选取不同比例的TM样本量,对MODIS进行混合像元分解,并对MODIS冬小麦测量结果与TM测量结果进行一致性分析,进而提出了一套可用于大范围冬小麦种植面积遥感测量业务化推广的识别和精度检验方法。研究结果表明：当TM样本量大于5%时,相对于TM识别结果而言,MODIS像元精度可以稳定在82%以上;当TM样本量大于40%时,区域精度可以稳定在97%。因此,从理论上讲,在实际业务化运行中,只要能够获得监测区40%的中高分辨率的影像,采用本研究提出的多尺度冬小麦种植面积测量方法,基本上可以满足业务化运行的精度要求。     

基于MODIS EVI时序数据的江汉平原油菜种植分布信息提取

油菜是我国主要的食用油料作物。及时、准确地获取油菜种植分布信息对油菜长势监测、估产以及灾情评估具有十分重要的意义。以江汉平原为研究区,利用250 m空间分辨率的MODIS EVI时序数据,以TM数据作为野外采样数据与MODIS EVI数据之间的过渡数据,间接提取MODIS EVI数据农作物的训练样本;通过分析江汉平原油菜和冬小麦的EVI光谱特征及物候信息,建立油菜种植面积提取模型;采用多次阈值比较法提取2014—2015年间江汉平原油菜种植分布信息。研究结果表明,2014年和2015年油菜面积遥感提取结果与农业局统计数据相比,总体提取精度分别达到95.22%和91.29%;2014年MODIS数据与TM数据提取的油菜面积一致性为88.61%;基于时间序列MODIS EVI数据,结合EVI光谱特征和物候信息,利用该方法可以有效提取江汉平原油菜种植分布信息。     

基于MODIS数据的湖北省油菜种植分布信息提取

MODIS归一化差值植被指数(MODIS-normalized difference vegetation index,MODIS-NDVI)时间序列产品能够连续反映植被的覆盖情况,是农作物遥感测量的重要数据源。为研究基于MODIS数据的油菜种植分布信息提取技术,选取湖北省为研究区,利用2008—2013年75个时相的MODIS-NDVI时序数据,结合农作物物候和地面调查样本等辅助资料,通过建立油菜种植面积提取模型,采用多次阈值比较方法提取了2009—2013年湖北省油菜种植分布信息,与统计数据比较,总体提取精度为85%左右。最后利用环境小卫星HJ-1A CCD数据进行精度验证,证明了MODIS-NDVI时序数据及本文方法在油菜种植面积提取中的可靠性,对掌握油菜种植面积和产量信息、加强农业生产管理、调整农业结构及辅助政府有关部门制定科学合理的农业政策具有重要意义。     

基于GF1-NDVI时序影像对春小麦进行提取研究

利用传统方法对农作物种类、分布和种植面积等调查,需要耗费大量的人力、物力和财力。该研究以西宁市为研究区域,采用高分一号影像,对西宁市春小麦进行分类和提取模型设计。在全生育期波谱特征曲线分析基础上,提取春小麦的NDVI(归一化植被指数)曲线特征。采用基于NDVI阈值的决策分类技术,进行作物识别与提取。最后设计精度自检方案,通过混淆矩阵得出其总体精度达到93.8%,kappa系数为0.875。其用户精度和制图精度分别为93.7%和94.9%。从分类精度可以看出,利用中高分辨率遥感卫星影像,在作物NDVI时间序列变换规律分析的基础上,可以准确的进行大面积农作物的分类与提取。在全国农作物面积与农作物种类等资源调查中具有非常大的应用潜能。     

基于融合时间特征Landsat影像的水稻面积提取

以洞庭湖区典型的产量大县——南县为研究区,针对Landsat回访周期较长及长江中下游阴雨天气较多的特点,利用STARFM模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat TM数据,获取融合时间特征的Landsat TM时序数据,基于作物物候特征提取水稻的种植面积,并与单时相Landsat TM影像分类结果进行对比分析。结果表明,基于时序Landsat NDVI数据的水稻作物分类精度较之单时相Landsat TM影像分类结果有较大的提高。     

基于决策树系统的遥感植被分类技术

为了将宏观模糊的农业种植结构定量、准确、直观地反映出来,本文运用MODIS植被指数对作物生长规律分析,并与决策树分类系统相结合,成功提取了河北省黑龙港区域的冬小麦、棉花、夏玉米、花生、果树和蔬菜的分布信息。研究结果表明:当采用基于决策树系统的TM影像与MODIS_EVI影像相结合的分类方法精度较高,总体精度可达91.3%,蔬菜、小麦、棉花、玉米等4种作物较传统影像监督分类的结果分别提高了13.8%、2.0%、1.3%、20.5%。     

鲁西北平原冬小麦种植格局时空变化:2000―2014

鲁西北地区是我国主要粮食生产基地之一,冬小麦是该区最主要的夏粮作物。鲁西北地区冬小麦种植信息和时空变化特征,是该地区粮食安全研究的现实基础。根据鲁西北平原冬小麦的物候历,选取合适时间窗口下的Landsat TM/ETM~+/OLI中、高空间分辨率卫星影像,获取其归一化植被指数;设置合理阈值,识别了2000年和2014年鲁西北地区冬小麦的空间格局;采取野外考察和Google Earth选取样本点相结合的方法进行了精度验证。研究结果表明:鲁西北地区德州市辖区、夏津县、东营市利津县、沾化县、无棣县和聊城市辖区等6个区县的冬小麦分布较少,其余地区分布都比较广;2000―2014年间鲁西北地区冬小麦种植面积由171.19万hm~2减少到149.39万hm~2,减少21.8万hm~2,减幅为12.73%,集中分布在该区东北部、西部地区和区县中心的城市周边地区;2014年鲁西北平原冬小麦提取总体精度为96.8%。     

以地块分类为核心的冬小麦种植面积遥感估算

以提高冬小麦种植面积估算精度为目标,选取种植结构复杂的都市农业区,采用QuickBird影像数字化农田地块边界,以多时相TM影像为核心数据源,以地块为基本分类单元,进行不同特征向量组合、不同分类器的冬小麦地块分类方法研究,并对比分析了基于地块分类和基于像元分类的冬小麦种植面积估算精度。研究结果表明,基于地块分类的冬小麦种植面积估算方法的总量精度和位置精度均高于像元分类;植被指数和纹理信息的引入有助于进一步提高地块分类精度;支持向量机与最大似然均能得到高达97%的总量精度和90%的位置精度,支持向量机地块分类所需的训练样本量远低于最大似然,因此支持向量机更加适合于冬小麦地块分类;冬小麦错分与漏分情况大多发生在细碎地块,其面积总量较小,而大地块错分和漏分较少,因此相对于像元分类,地块分类能在整个区域能得到较高的冬小麦位置精度和总量精度。     

基于GF-1卫星数据的冬小麦种植面积估算模型

目前遥感技术越来越广泛地应用于农作物面积的估算,本文研究了基于高分辨率卫星影像的农作物面积测量技术,提出一种冬小麦种植面积估算模型。该模型采用最大似然法对遥感影像进行监督分类,利用耕地矢量数据优化分类结果,结合高分辨率样本村数据拟合估算冬小麦种植面积。以泗洪县为研究区,采用GF-1卫星数据完成了泗洪县冬小麦面积提取实验,验证了该模型的有效性。     

基于时间序列叶面积指数稀疏表示的作物种植区域提取

以华北平原黄河以北地区为研究区域,以时间序列叶面积指数LAI(Leaf Area Index)傅里叶变换的谐波特征作为不同作物识别的数据源,利用稀疏表示的分类方法识别2007年—2016年冬小麦、春玉米、夏玉米等主要农作物种植区域。首先利用上包络线Savitzky-Golay滤波分别对2007年—2016年的时间序列MODIS LAI曲线进行重构,进而对重构的年时间序列LAI进行傅里叶变换,以0—5级谐波振幅、1—5级谐波相位作为作物识别的依据,基于各类地物的训练样本,通过在线字典学习算法构建稀疏表示方法的判别字典,对每个待测样本利用正交匹配追踪算法求解稀疏系数,从而计算对应于各类地物的重构误差,根据最小重构误差判定待测样本的作物类型,并对作物识别结果的位置精度进行验证。结果表明,2007年—2016年作物识别的总体精度为77.97%,Kappa系数为0.74,表明本文提出的方法可以用于研究区域主要作物种植区域的提取。     

作物种植成数的遥感监测精度评价

以河南开封和山西太谷地区作为研究区域 ,选用LandsatTM作为农作物种植面积遥感监测的数据源。利用LandsatTM提取河南开封实验区 2 0 0 1年的夏季作物和山西太谷地区 2 0 0 3年秋季作物的作物种植成数。同时 ,利用IKONOS ,QuickBird高分辨率遥感影像 ,通过地面调查进行了地面作物填图和分类 ,同样得到实验区的农作物种植成数。最后通过两种结果对比 ,表明开封实验区夏季作物的监测精度达到 99%以上 ,太谷实验区秋季作物的监测精度达到 97%以上 ,由此推断 ,表明利用LandsatTM监测农作物种植成数的精度能够满足中国农情遥感监测的运行化要求     

Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops

Leaf area index (LAI) and biomass are important indicators of crop development and the availability of this information during the growing season can support farmer decision making processes. This study demonstrates the applicability of RapidEye multi-spectral data for estimation of LAI and biomass of two crop types (corn and soybean) with different canopy structure, leaf structure and photosynthetic pathways. The advantages of Rapid Eye in terms of increased temporal resolution (∼daily), high spatial resolution (∼5 m) and enhanced spectral information (includes red-edge band) are explored as an individual sensor and as part of a multi-sensor constellation. Seven vegetation indices based on combinations of reflectance in green, red, red-edge and near infrared bands were derived from RapidEye imagery between 2011 and 2013. LAI and biomass data were collected during the same period for calibration and validation of the relationships between vegetation indices and LAI and dry above-ground biomass. Most indices showed sensitivity to LAI from emergence to 8 m²/m². The normalized difference vegetation index (NDVI), the red-edge NDVI and the green NDVI were insensitive to crop type and had coefficients of variations (CV) ranging between 19 and 27%; and coefficients of determination ranging between 86 and 88%. The NDVI performed best for the estimation of dry leaf biomass (CV = 27% and r² = 090) and was also insensitive to crop type. The red-edge indices did not show any significant improvement in LAI and biomass estimation over traditional multispectral indices. Cumulative vegetation indices showed strong performance for estimation of total dry above-ground biomass, especially for corn (CV ≤ 20%). This study demonstrated that continuous crop LAI monitoring over time and space at the field level can be achieved using a combination of RapidEye, Landsat and SPOT data and sensor-dependant best-fit functions. This approach eliminates/reduces the need for reflectance resampling, VIs inter-calibration and spatial resampling.     

自动化样本生成策略用于冬季作物制图——以兰陵县为例

准确地获取作物空间分布是作物生长监测和产量预测的前提。目前,遥感图像处理需要足够的人工采集的训练样本,因此,大规模作物分布的自动获取仍然是一个挑战。以高效、经济的方式获得足够的训练样本成为作物制图的关键因素之一。因此,本文结合冬季作物物候特征与Sentinel-2时间序列影像,提出了一种自动化样本生成策略用于冬季作物制图。首先,利用归一化植被指数（NDVI）时间序列曲线进行冬季作物的判别;然后,通过时间序列曲线相似性度量的方法,判断样本点与标准的绿色叶绿素植被指数（GCVI）时间序列曲线的差距,从而为未知样本赋予正确的标签;最后,利用获取的样本训练随机森林模型,实现研究区域的冬季作物提取。最终精度评定结果：总体精度（OA）为98.46%,Kappa为0.973,表明该方法对于快速实现冬季作物自动制图的有效性。     

GF-2支持下的干旱区稀疏植被区植被覆盖度估算

现有像元二分模型MODIS植被覆盖度模型因其形式简单、适用性较强的特点被广泛应用于区域植被覆盖度（FVC）的估算。然而，研究表明在沙漠和低植被覆盖的西部干旱区，从250 m的影像上很难精准地获取NDVI_veg（全植被覆盖植被指数）和NDVI_soil（全裸土区植被指数）参数。利用常用的直方图累计法获取模型所需参数NDVI_veg和NDVI_soil，估算结果存在普遍高估现象。为此，本文首先引入同期获取的GF-2号卫星数据，从GF-2号影像上提取植被覆盖像元；然后，利用Pixel Aggregate方法重采样至250 m分辨率，获取250 m空间分辨率下纯植被和纯裸土像元；最后，将纯植被和纯裸土像元各自空间位置相对应的MODIS NDVI数据最大值作为模型所需NDVI_veg和NDVI_soil参数，实现研究区内植被覆盖度的估算。试验通过与线性回归法、多项式回归法和直方图累计像元二分模型法估算结果进行精度对比，结果表明：利用GF-2影像辅助的像元二分模型，精准地获取了低植被覆盖区NDVI_veg和NDVI_soil模型参数，提高了干旱区植被覆盖度的估算精度，并有效地抑制了受稀疏植被影响NDVI在干旱区普遍偏高问题导致的FVC高估的现象。     

Corn Area Extraction by the Integration of MODIS-EVI Time Series Data and China’s Environment Satellite (HJ-1) Data

In this paper, we intent to use the remotely sensed MODerate resolution Imaging Spectroradiometer (MODIS) data and China’s Environment Satellite (HJ-1) data for extracting the corn cultivated area over a regional scale. The high resolution HJ-1 data was to extract corn distribution at a small scale class with Support Vector Machine (SVM). The mean Enhanced Vegetation Index (EVI) time series curve of corn from MODIS was derived for the reference area and validated in a larger area. The MODIS-EVI time series curve derived from the reference area instead of the MODIS-EVI time series curve derived from the study area after validation, which was taken as the standard MODIS-EVI time series curve in for generating a standard MODIS-EVI image of corn. The mean absolute distance (MAD) between the standard MODIS-EVI image of corn and the MODIS-EVI time series image was used to detect the maximum possible extent of corn distribution in the study area. The results showed that the overall accuracy of the method was 82.17 %, with commission and omission errors of 16.85 and 15.40 %, respectively; at the county level, the satellite-estimated corn area and statistical data were well correlated (R ²?=?0.85, N?=?50) for the whole Jilin Province. It indicated that the MODIS data integrated with higher spatial resolution of HJ-1 satellite data could be utilized to enhance the extraction accuracy of corn cultivated area at a larger scale.     

基于土地覆盖分类的植被覆盖率估算亚像元模型与应用

如何利用遥感资料估算植被覆盖率已成为建立全球及区域气候、生态模型的基础工作之一。重点探讨了利用TM资料从植被指数（NDVI）中提取植被覆盖率的方法。根据TM像元为非均一混合像元的特点,提出了基于土地覆盖分类的综合运用“等密度模型”和“非密度模型”计算植被覆盖率的方法,通过对北京市海淀市区的植被覆盖率计算表明,该方法的估算精度可达75.4%,比单纯使用等密度亚像元模型在估算精度上可提高5.8%。可以认为,该方法为大面积植被覆盖率估算提供了一种有效的途径。     

基于对地抽样总量控制下的玉米种植面积提取

提出了一种基于统计抽样总量控制下的中高分辨率遥感影像玉米种植面积信息提取方法, 该方法首先利用分层抽样技术对调查目标总体(玉米)进行分层抽样；然后对抽样小区进行目视解译, 反推区域总量真值；最后在总量控制下进行区域目标作物的空间分布提取。以河北省三河市中部地区的部分影像为研究区, 以该区2006-08-21的10m分辨率的SPOT 5多光谱影像为基础数据进行了试验研究。结果表明该方法基于群样本检验的总体精度达到93.8%, Kappa系数达到0.88, 均高于最大似然监督分类结果的精度。另外, 所提出的方     

冬小麦叶面积指数的高光谱估算模型研究

本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。     

阜新地区植被覆盖度变化提取及分析

植被覆盖度是反应地区生态环境的重要指标,利用1995,2007年的两期TM遥感数据,以归一化植被指数(NDVI)像元二分法为植被覆盖度估算模型,计算阜新地区不同时期的植被覆盖度并得出阜新地区植被覆盖度等级图以及阜新地区植被覆盖度变化等级图。得出如下结论:1995年到2007年阜新地区植被覆盖度退化面积为64.817%,好转面积为6.547%,基本无变化区域为28.636%,阜新地区植被覆盖度退化严重。