水稻种植面积估计的运行化遥感方法

该文提出了用高分子辨率遥感数据提取水稻种值面积本底数据和用可靠低廉的ＮＯＡＡＡＶＨＲＲ数据估计水稻种植面积变化趋方法。该方法具有运行化的特点，成功地应用于１９９４年度湖北省早稻种植面积估算。     

欧盟船舶遥感探测技术与系统研究的进展

船舶探测与监视有着广泛的军事和民用意义,遥感技术是船舶探测的有效手段。近年来,在渔业活动监测的推动下,欧盟开展了一系列的船舶遥感探测研究,特别是IMPAST和DECLIMS项目,集中了欧盟内外多家相关领域的研究力量,发展和完善了一系列船舶遥感探测、分类及识别的方法和技术,评估了现阶段船舶遥感探测技术的发展现状和水平,指出了现阶段普遍存在的问题,并对未来SAR系统的研制提出了需求。此外,目前在欧盟范围内已经建立了多个船舶遥感探测和监视系统,包括在IMPAST和DECLIMS项目执行过程中发展起来的英国Q inetiQ的M aST、挪威FFI的E ldhuset、挪威Kongsberg的M eosV iew、欧盟JRC的VDS、法国Kerguelen的CLS和法国BOOST船舶遥感探测系统等;此外,还有非项目合作单位所发展的系统,如英国DERA、罗马大学和意大利A len iaAerospazio公司的船舶探测系统等,文章对这些系统的构成和运行情况进行了详细介绍。最后,文章分析了欧盟船舶遥感探测技术和系统发展现状对我国的借鉴意义。     

农作物长势综合监测——以印度为例

提出农作物长势综合监测方法,利用卫星遥感得到的NDVI时间序列数据,综合采用实时监测、过程监测和时间序列聚类监测方法,明确不同方法适用的监测尺度及监测目的,对不同范围农作物长势进行监测。改进了Crop Watch全球农情遥感速报系统运行化作物长势监测方法,克服了原有作物长势监测中实时监测方法无法反映相同区域苗情在整个生长过程中的连续变化情况的缺点。实现对相同区域作物长势连续变化的定量描述,可对作物长势进行更准确的判断。利用官方发布的作物单产变幅数据,对单产变幅较大的12个作物主产省区作物长势监测结果的准确性进行判断,结果表明:6个邦的实时监测和聚类监测方法所得结果一致,都符合作物单产变化的实际状况;4个邦的聚类监测方法所得结果对作物长势监测更为准确,更符合该区域作物单产的实际变化;1个邦实时监测结果对作物长势监测比聚类监测方法更为准确;只有1个邦采用两种方法对作物长势的监测存在误差,聚类监测方法在对农作物生长过程的连续监测及空间分布的定量化表述方面,比实时监测更为准确。3种方法可以综合使用,实现业务化运行的农作物长势监测。     

基于遥感的区域蒸散量监测方法——ETWatch

ETWatch是用于区域蒸散遥感监测的业务化运行系统,集成了具有不同应用优势的遥感蒸散模型,并以Pen-man-Monteith公式为基础建立下垫面表面阻抗估算方法,利用逐日气象数据与遥感反演参数,获得逐日连续的蒸散分布图。所生成的从流域级到地块级的数据产品能动态反映区域蒸散发的时空变化规律。基于ETWatch方法,对2002-2005年海河流域和河北省馆陶县的蒸散状况进行了连续监测。利用地面观测资料对蒸散遥感监测产品的验证表明,涡度相关观测数据能量闭合率在0.9以上时,1 km级的日蒸散结果的平均偏差约10%;对于地块级(30 m)的ET,受混合像元的影响,相对于土壤水分消耗法测量的作物蒸散发,遥感监测作物蒸散发的平均误差在12.7%左右。     

全国农情监测与估产的运行化遥感方法

农作物遥感估产包括农作物的长势与产量趋势监测及产量的早期预报。在总结１５年来国内遥感估产成果的基础上,提出了以充分利用已有成果为基础的全国范围农作物估产运行化遥感方法。建成了ＮＯＡＡ ＡＶＨＲＲ数据实时预处理系统,并利用每旬的ＡＶＨＲＲ最大ＮＤＶＩ图像与上年同期数据对比实现全国范围的家作物遥感长势监测。在高精度耕地数据库的支持下,通过提取不同作物种植成数估算作物种植面积。种植成数可以用ＴＭ和多时相     

农业与生态遥感现状与展望

介绍了中国科学院遥感应用研究所农业与生态遥感研究室10 年发展历程和研究室的组织结构, 阐述了研究室的农业遥感、区域综合生态遥感、毒品原植物遥感、水资源遥感、城市生态遥感5 个主要学科研究方向, 论述了各研究方向的数据、技术体系、产品、研究成果, 以及研究室现有的数据、技术基础和科学管理方法, 提出了未来发展目标和方向。     

利用物候差异与面向对象决策树提取油菜种植面积

及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。     

基于多层神经网络与Sentinel-2数据的大豆种植区识别方法

大豆作为全球最重要的油料作物,是中国进口的大宗农产品,对其种植区的精准识别是决策制定、种植结构调整基础,对国家粮食安全有重要意义。本文利用Sentinel-2作为数据源,利用多层神经网络方法与对大豆进行提取,并与随机森林、决策树、支持向量机等机器学习进行对比,发现F1-Socre指标显示多层神经网络的分类精度最高,为93.53%,其次为随机森林、支持向量机、决策树。将神经网络分类结果与SLIC面向对象分割聚合之后,结果既忽略了同一地块的微小差别,又区分出了不同地块的作物差异,很好的体现了大豆的分布。Sentinel-2数据是进行大尺度大豆种植监测的绝佳数据源,大豆与玉米等其他作物在第二个红边波段的反射率有较为明显的差异。多层神经网络方法在图像分类任务中表现出色,结合图像分割算法精度可达到95.51%,可以满足大豆种植面积监测的需求。     

Google Earth Engine支持下的江苏省夏收作物遥感提取

江苏省是农作物种植大省,国家统计局统计数据显示,江苏省近10年冬小麦、冬油菜的总播种面积分列全国第五、第七,快速准确地获取冬小麦和冬油菜的空间分布对于该省的农业发展具有重意义。基于单机的传统遥感分类能够准确获取农作物的空间分布信息,但是耗时较长。随着地理大数据与云平台、云计算的发展,Google Earth Engine（GEE）作为一个基于云平台的全球尺度地理空间分析平台,为快速遥感分类带来了新的机遇。本文基于GEE,使用Sentinel-2数据快速提取了江苏省2017年冬小麦与冬油菜的空间分布。首先,利用GEE获得覆盖江苏省119景无云质优的Sentinel-2影像;其次,在此基础上分别计算了遥感指数、纹理特征、地形特征,并完成原始特征的构建与优化;最后,分别试验了朴素贝叶斯、支持向量机、分类回归树和随机森林4种分类器,比较了各分类器的分类精度,并提取了冬小麦与冬油菜的空间分布信息。得出以下结论：①GEE能够快速完成覆盖江苏省影像数据的去云、镶嵌、裁剪及特征构建等预处理,较本地处理具有明显优势;②J-M距离值位于前两位且大于1将特征数量从28个压缩到11个,有效压缩了原始特征空间;③光谱+纹理+地形特征组合训练,朴素贝叶斯、支持向量机、分类回归树、随机森林的平均验证精度分别为61%、87%、89%、92%。     

近30年来密云水库上游水土流失动态监测

使用修正的通用土壤流失方程RUSLE,综合考虑降雨、土壤可蚀性、地形、土地覆盖和水土保持措施等因素,计算得密云水库上游地区1990年、2000年和2008年3期的土壤侵蚀数据,并对土壤侵蚀变化结果及其原因进行分析,发现：①研究区近20年水土流失状况经历由加剧到减轻的过程,但总体来说是减轻的,1990～2008年减轻区面积和加剧区面积分别为3083．11km。和2287．71km2;②研究区水土流失变化的原因主要为以土地利用类型变化为特征的人为因素,降雨也有影响,而与坡度没有关系。