应用NOAA/AVHRR数据测算局地水稻种植面积方法研究

本文采用在模糊监督分类中增加迭代过程的方法－－模糊监督分类一迭代法,在分解混合像元的基础上,利用ＡＶＨＲＲ数据求算水稻种植面积。根据稻田与旱地存在温度差异的特点,在分析ＡＶＨＲＲ数据统计特征的基础上,增加了第３和４两通道参加模糊监督分类,从而增加了分类橡元值矢量维数,增强了对水稻的鉴别能力。反采用的迭代法是收敛具有效的,经本方法输出的水稻种植面积百分含量图与实际水稻分布十分吻合,测算出的面积值与Ｔ     

应用神经网络模型分解AVHRR混合像元

在大面积农作物遥感估产中,应用气象卫星数据估算种植面积一直是一个难点。已有的混合像元分解法要么实际操作困难,要么不适用于ＡＶＨＲＲ数据。该文在前人研究的基础上提出了一种新的方法──应用ＡＶＨＲＲ混合像元神经网络分解模型估算种植面积。这种方法综合利用了ＴＭ数据与ＮＯＡＡ数据各自的优势,具有较好的科学性和经济可行性。     

用NOAA气象卫星AVHRR的定量资料计算冬小麦种植面积的两种方法

本文提出了用NOAA气象卫星AVHRR的定量资料计算冬小麦种植面积的方法,即绿度指数法和单通道法。绿度指数法是根据冬小麦在特定生育期内绿度值基本上保持为常数的特点,用几块巳知样地的种植面积,推算整体种植面积;单通道法是只使用AVHRR第二通道的反照率来计算冬小麦种植面积。这两种方法的优点在于不需考虑大气削弱的订正处理问题,从而使计算得以简化。     

基于3S技术的水稻播种面积变化遥感监测

以早稻种植面积调查为例,探讨并实践了快速提取农作物种植面积相对变化率的方法。选取湖北省东部黄梅县的一个区域,以分辨率为10 m的SPOT5影像为遥感解译数据源,结合GPS实测地面样方建立解译标志数据集,进行人机交互式分类,分别得出2010年和2011年解译区的早稻种植面积,再对比分析得出这2年湖北省早稻种植面积的相对变化率。结合解译区的实际情况,分析了黄梅县早稻播种面积变化的原因。     

基于MODIS时序影像的湖南省油菜种植面积遥感监测分析

基于时间序列影像数据的提取方法可实现快速监测大面积农作物的种植分布和面积估算.以湖南省为研究区,利用2017年500 m空间分辨率的MODIS NDVI时序数据,结合湖南省耕地分布数据和实地样点数据得到油菜物候标准曲线,采用最小二乘法与阈值法提取得到湖南省油菜种植分布.结果显示,遥感提取得到的湖南省油菜种植面积主要分布在湘北洞庭湖平原、湘中衡阳市、湘南岳阳市,油菜种植面积3.87×106 hm2,通过与2016年湖南省县域统计油菜种植面积数据进行比较,油菜空间格局分布大体一致,相关性系数为0.81,R2为0.66.采用油菜关键物候期的MODIS时序遥感影像,能有效地监测油菜空间分布和估算种植面积,这为油菜种植管理提供基础数据支撑.     

基于 3S 技术的水稻播种面积变化遥感监测简

以早稻种植面积调查为例,探讨并实践了快速提取农作物种植面积相对变化率的方法.选取湖北省东部黄梅县的-个区域,以分辨率为10 m 的SPOT5 影像为遥感解译数据源,结合GPS 实测地面样方建立解译标志数据集,进行人机交互式分类,分别得出2010 年和2011 年解译区的早稻种植面积,再对比分析得出这2 年湖北省早稻种植面积的相对变化率.结合解译区的实际情况,分析了黄梅县早稻播种面积变化的原因.     

利用无人机遥感监测农作物种植面积

南方平原耕地具有地块破碎、农作物种植品种多且空间分布混杂程度高等特点，运用传统的遥感技术方法精确监测农作物面积较为困难。无人机航拍具有拍摄时间灵活、空间分辨率高、成本低等优势，为解决这一难题提供了有利途径。本文通过地面样地调查，获取杭州市余杭区瓶窑镇农作物样地的位置及种植品种数据，利用面向对象的多尺度分割方法与随机森林的分类方法对无人机航拍数据进行分割、分类，深入挖掘高分辨率遥感数据信息，用于提取农作物种植品种及其空间分布信息，实现高精度的农作物种植面积遥感监测，推进无人机遥感在农业中的深入应用，提高农业遥感应用效益。     

多时相MODIS指数提取东北三省水稻种植面积

为准确提取水稻面积,以东北为研究区域,采用多时相16d合成MODIS增强型植被指数数据和8d合成MODIS地表反射率数据提取水稻种植分布。选取水稻代表样点利用IDL编程提取物候曲线,利用归一化植被指数(NDVI)将水稻与其他明显地类区分,然后建立水稻增强型植被指数(EVI)、地表水体指数(LSWI)之间的相关关系,结合最新2015年土地利用数据提取东北三省2015年水稻种植面积。同时运用运筹学理论建立省级尺度水稻判别条件最优化模型,分析其在空间分布上的差异性和相关性,并将结果与统计年鉴进行对比分析,分析表明MODIS数据适合大区域省级范围水稻面积的提取,精度可达90%以上。由此得出,MODIS数据在省级尺度提取水稻种植面积上有着较大的优势。     

训练样本对TM尺度小麦种植面积测量精度影响研究（Ⅰ）——训练样本与分类方法间分类精度响应关系研究

准确的遥感农作物类型识别和种植面积统计,不仅仅取决于不同分类方法的选择,同时还要看输入分类器用以学习的训练样本数据,训练样本对分类精度的影响比分类技术本身对测量精度的影响还要大。训练样本对测量精度的影响包含样本的质量和数量两个方面。为了探讨训练样本对农作物种植面积测量精度的影响,本文以小麦为例,选择典型试验区,利用较常用的TM遥感影像,结合高分辨率SPOT数据和野外GPS数据,在构建标准训练样本和检验样本数据集的基础上,在不同训练样本量下,分别对光谱角制图、平行六面体、马氏距离、最小距离、最大似然和支持向量机6种方法进行了多次试验,并对测量结果进行了对比分析。研究结果表明:①不同样本量下6种方法10次测量的结果存在不同程度的波动,而且地块越破碎的地区波动越大,但这种波动随样本量的增加会减少,说明目前在小麦面积测量中,用单次分类的结果作为最终的提取结果的做法存在一定的随机误差,在实际的工作中,应尽可能多的获取训练样本,以提高小麦面积测量的稳定性,同时利用多次测量结果求均值的方式,来消减或者抵消测量的随机误差;②相同样本量下,各种方法测量出的全区和破碎区的小麦像元个数(总量)不一致,种植结构复杂且破碎的地区,各种方法测量出的小麦面积总量差异会更大,说明不同方法对同一地区小麦的识别能力是不同的,同种方法对于不同地区小麦的识别能力也是不一样的,但是通过分析小麦识别的产品精度和用户精度,可以判断出哪个结果最接近于真实总量。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

利用神经网络方法提取水稻种植面积—以湖北省双季早稻为例

在利用NOAA数据提取水稻种植面积的过程中，由于其地面分辨率较低，存在大量混合像元问题，使得提取精度不够理想，该文基于神经网络方法即可以提供多源数据的输入，又不受数据分布假设限制的特点，从NOAA图像演算最能反应朋稻分布信息的绿度指数（NDVI）和日夜温差值，将其重采样，然后加入对水稻生产区域有重要影响的土壤类型，土地利用类型及高程分布等信息，以TM图像作为准直值进行分类，获得较为理想的湖北省双季早稻种植面积。     

Cloud classification in NOAA AVHRR imageries using spectral and textural features

Clouds contribute significantly to the formation of many of the natural hazards. Hence cloud mapping and its classification becomes a major component of the various physical models which are used for forecasting natural hazards. The problem of cloud data classification from NOAA AVHRR (advance very high resolution radiometer) satellite imagery using image transformation techniques is considered in this paper. The singular value decomposition (SVD) scheme is used to extract the salient spectral and textural features attributed to satellite snow and cloud data in visible and IR channels. The goals of this paper are to discriminate between clear sky and clouds in an 8 × 8 pixel array of 1.1 km AVHRR data. If clouds are present then classify them as low, medium or high range. This scheme can effectively segregate clouds and non-cloud features in the visible and IR bands of the imagery. It can also classify clouds as low, medium or high range with a success rate of 70–90%. Computer-based snow and cloud discrimination and automatic cloud classification system will help the forecaster in various climatological applications, viz., energy balance estimation, precipitation forecasting, landslide forecasting, weather forecasting and avalanche forecasting etc.     

基于GIS的中国东北植被综合分类研究

ＮＯＡＡ／ＡＶＨＲＲ由于运行周期短、覆盖范围大、成本低、波段宽等特点,目前正越来越广泛地受到人们的普遍关注。在大尺度、中尺度植被遥感上,ＮＯＡＡ／ＡＶＨＲＲ具有陆地卫星无法比拟的优势,但在另一方面,ＮＯＡＡＡＶＨＲＲ也存在分辨率低、数据变形较大和几何畸变较严重等问题。这样,在应用ＮＯＡＡＡＶＨＲＲ数据进行大区域植被制图时,植被分类的精度仍待提高。本文从理论上探讨了将地理信息系统提供的地理数据与遥感数据复合的可行性;尝试在ＧＩＳ环境下,将气温、降水、高程３个影响区域植被覆盖的主要指标,按一定的地面网格系统和数学模式进行量化,生成数字地学影像,并使之与经过优化、压缩处理的ＮＯＡＡＡＶＨＲＲ数据进行复合,对复合后的综合影像进行监督分类。分类结果显示,与传统的应用最大似然分类方法对单一遥感图像分类相比,该综合分类方法分类精度提高了１８．３％,该研究方法改变了遥感影像的单一信息结构;丰富了图像的信息含量;完成了地理数据的数字传输、处理、存储及影像化显示。     

NOAA/AVHRR的分裂窗算法在地表温度反演中的应用

以吉林西部为研究区域,建立以NOAA／AVHRR卫星资料进行地表温度反演的参数化模型。利用2000年7月5日的AVHRR资料,在4种常见地表温度反演分裂窗算法的对比分析基础上,选用Coil和Caselles提出的分裂窗算法,获得研究区地表温度,为地表蒸发量遥感计算提供必要的地球物理参数。     

Land-use classification using ASTER data and self-organized neutral networks

Operationally AVHRR and TM/TM+ data were used and a supervised maximum likelihood classification (MLH) was applied to depict land use changes in Beijing, providing basic maps for planning and development. With rapid growth of the city these are helpful to deal with higher resolution data, whereas new classification algorithms produce land use maps more accurate. In the paper, new sensor ASTER data and the Kohonen self-organized neural network feature map (KSOM) were tested.The TSOM classified 7% more accurately than the maximum likelihood algorithm in general, and 50% more accurately for the classes ‘residential area’ and ‘roads’. The results suggest that ASTER data and the Kohonen self-organized neural network classification can be used as an alternative data and method in a land use update operational system.     

格尔木土地荒漠化遥感动态监测研究

探讨以TM/ETM为主要信息源,在沙漠地区提取专题信息的方法。对TM5/TM7波段进行密度分割,结合DEM数据生成的模板提取水体及盐漠信息;利用NDVI提取植被信息;通过光谱角分类法(SAM)提取沙化土地和盐渍化土地信息。将综合分类结果输入地理信息系统中,利用空间分析功能提取变化信息。结果表明,1996~2000年间,研究区内荒漠化土地明显增加;2000~2002年间荒漠化土地面积变化较小。考虑到研究区地处沙漠环境,人类活动影响较弱,因此地表景观变化的主要影响因素是气候和水文地质条件,而这些自然因素短期内变化不大,所以监测周期至少定为5 a比较合适。     

气象卫星NOAA/AVHRR数据在旱涝灾情动态监测研究中的应用

本文主要叙述了气象卫星NOAA/AVHRR数据在旱涝灾情动态监测研究中的应用。作者采用第4、2、1通道(CH4、2、1)彩色合成图像作为定位判读覆盖云量和农作物长势、旱涝灾情的依据,用CH₁、CH₂通道反射率数据构成的归一化植被指数(NDVI)作为农作物长势、旱涝灾情的定量判读标准,对河南省1987年夏涝、1988年夏旱及1989年小麦生长期旱情进行了动态监测。研究结果表明,应用NOAA/AVHRR数据,可以准确地确定旱涝范围,划分旱涝等级,量算旱涝面积,定量地监测灾情变化趋势,取得明显的效果。     

Wheat growth profile: satellite monitoring and crop yield modelling

The most important advantage of the low resolution National Oceanic and Atmospheric Administration’s Advanced Very High Resolution Radiometer (NOAA AVHRR) data is its high temporal frequency and high radiometric sensitivity which helps in vegetation detection in the visible and near-infrared spectral regions. In areas where most of the crop cultivation is in large contiguous areas, and if the AVHRR data are selected for time period such that the crop of interest is well discriminated from other crops, these data can be used for monitoring vegetative growth and condition very effectively. The present study deals with the application of AVHRR data for the monitoring of the wheat crop in its seventeen main growing districts of the Rajasthan state. The fourteen date AVHRR data covering the entire growth period have been used to generate the normalized difference vegetation index (NDV1) growth profile for the crop by masking the non-crop pixels following the two-date NDVI change method. The growth profile parameters and other derived parameters, such as post-anthesis senescence rate and areas under the entire growth profile or under selected growth periods have been related to the district average wheat yield through statistical regression models. Various methods adopted for wheat pixels masking have been critically evaluated. It is found that the wheat yield can be predicted well by the area under the profile in different growth periods.