农作物长势综合遥感监测方法

作物收获之前进行大范围作物生长状况评价 ,可以尽早的获得有关作物产量信息。介绍了中国农情遥感监测系统的综合作物长势监测方法。以遥感数据标准化处理、云标识、云污染去除和非耕地去除为基础 ,生成质量一致的遥感数据产品集 ,提取区域作物生长过程。作物长势监测分为实时作物长势监测和作物生长趋势分析。实时的作物长势监测可以定性和定量地在空间上分析作物生长状况 ,分级显示作物生长状况 ,分区域统计水田和旱地中不同长势占的比重。作物生长趋势分析可以进行年际间的生长过程对比 ,从时间轴上反映作物持续生长的差异性 ,统计全国、主产区、省和区划单元 4个尺度的耕地、水田、旱地作物生长过程曲线年际间差异 ,从而为早期的产量预测提供信息。通过处理流程的系统化 ,建设了运行化的作物长势遥感监测分析系统 ,为用户构建了综合的作物实时生长状况 ,苗情的生长趋势分析环境。同时可以依据野外地面实测信息对遥感监测结果进行标定和检验。 1998年以来 ,系统在满足日常运行的前提下 ,技术方法逐渐改进和完善 ,监测结果的精度和可靠性不断得到提高。     

中国农情遥感速报系统

介绍了中国农情遥感速报系统的建设情况 ,系统内容包括农作物长势监测、农作物种植面积监测、农作物单产预测与粮食产量估算、作物时空结构监测和粮食供需平衡预警等。简要介绍了 1998年以来中国农情遥感速报系统在监测内容与监测范围、监测频率、技术发展以及质量控制与过程检验体系建立等方面的进展 ,并就中国农情遥感速报系统的发展方向提出了展望。     

封面说明 全球主要农业生产国最佳植被状况指数与耕地种植状况

<正>封面图片为全球农情遥感速报系统CropWatch生成的全球主要农业生产国2014年7月至10月最佳植被状况指数图(a)与耕地种植状况图(b),反映出作物长势与耕地利用状况的空间分布特征。CropWatch系统由中国科学院遥感与数字地球所创建,该系统以遥感数据为主要数据源,结合有限的地面观测数据,构建了不同时空尺度的农情遥感监测多层次技术体系,可实现全球尺度,洲际主产区、31个主要农业生产国以及9个大国的省/州的农情监测与产量预测。依托地面实测数据,CropWatch系统可对其指标和方法进行系统验证,以保障全球大范围的作物生产形势监测结果与分析结     

农业遥感研究应用进展与展望

得益于中国自主遥感卫星、无人机遥感和物联网等技术的发展,中国农业遥感研究与应用在过去20年取得了显著进步,中国农业遥感信息获取呈现出天地网一体化的趋势;农业定量遥感在关键参数遥感反演技术方法与应用方面取得进展;作物面积、长势、产量、灾害遥感监测的理论与技术方法取得突破,农业遥感技术应用领域不断拓展。本文从农业遥感信息获取、农业定量遥感、农业灾害遥感、作物遥感识别与制图、作物长势遥感监测与产量预测、农业土地资源遥感等方面对中国农业遥感科研与应用进行了总结综述。     

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。     

农情遥感信息与其他农情信息的对比分析

农情信息多种多样 ,来源不同 ,分散于各个部门或单位 ,缺乏相互交换与验证 ,综合分析与集成不够 ,特别是遥感信息为经济领域决策服务的渠道不通畅。为更好地应用各种信息 ,必须加强信息综合分析。对耕地面积、作物面积、作物单产、作物长势、粮食产量等几种农情信息中不同来源的信息进行了初步对比分析 ,肯定了遥感监测农情信息在客观性、时空连续性、可对比与可预测、低成本等几个方面的优势 ,同时也分析了遥感信息的不足和局限。认为遥感信息与其他信息不是互相替代的关系 ,而是互相补充、互相验证的关系。只有通过多源农情信息的综合分析和集成 ,才能更全面准确地反映农情。     

全球农情遥感速报系统20年

面向国家粮食安全的重大战略需求,1998年中国科学院建立了"中国农情遥感速报系统"(CropWatch),持续运行20年后,现已发展成为"全球农情遥感速报系统"(CropWatch)。本文重点论述了2013年建立参与式全球农情遥感监测云平台(CropWatch-Cloud)以来,所采用的农情监测体系、可定制的农情监测云平台理念以及CropWatch-Cloud在国内外的应用推广情况,介绍了技术方法与农情信息服务方式的创新与进步带来的国际影响力的提升。系统总结了全球农情遥感速报系统发展的农情监测指标、农情预警能力、作物长势综合监测方法以及众源数据支持的作物面积监测方法,论文进一步阐述了CropWatch未来的发展方向,借助众源地理信息、大数据技术等的发展,打通从地块—村—镇—县—市—省—国家—全球的体系化全链条监测,满足从农户到政府决策部门对农情信息的差异化需求。     

植被物候参数遥感提取与验证方法研究进展

在气候变化背景下,植被物候作为生态系统对环境变化响应的直接体现方式,日益受到学界关注.获取长期、连续、多尺度的植被物候数据是物候研究的基础,而利用卫星遥感手段获取的物候参数已经成为陆地生态系统变化研究的重要指标.遥感物候参数在农业生产管理、生态系统监测、土地利用类型制图、人类健康和生态系统气候变化响应等领域发挥着重要的...     

农情遥感监测云服务平台建设框架

准确及时的农情信息是国家与地方政府保障粮食安全与社会稳定的必要条件。云计算的出现为这一需求的实现提供了契机。本文阐述了农情遥感监测云服务平台建设的重要意义、设计思想、总体架构、组成部分以及建设内容。在此基础上,以农情遥感监测产品信息服务为例,开发了一个农情遥感监测信息在线原型系统。该系统是农情遥感监测云服务平台的重要组成部分,负责多尺度时间序列农情遥感监测结果与信息的管理、存储和维护,并且向用户提供查询与下载服务。农情遥感监测云服务平台建设框架的设计为全面整合专家智慧、IT技术、数据资源、服务方式以及平台的实现提供理论指导与建设依据。该平台的建立,将深刻改变农情遥感应用的模式,推动农情遥感的广泛应用与产业化发展。     

基于遥感的大宗农产品优势产区监测研究

以HJ1卫星数据为实验数据,通过运用遥感处理技术、地理信息技术,完成实验区遥感反演作物长势指标体系研究,并将农情监测数据进行web发布。为高分数据迅速投入使用和生产提供理论基础与实现途径,同时为农作物估产的运行化遥感提供了标准、快速的农情监测方法。     

多时相遥感影像农作物识别方法的分析

作物识别是农情监测的基础,能为农业和灌溉用水管理部门提供重要参考数据。利用单景影像进行作物识别容易出现异物同谱及同物异谱现象,基于多时相影像的作物识别则可结合作物物候特征进行分类,避免该问题。介绍多时相作物识别的两种基本方法,并且对国内外多时相遥感农作物识别研究现状和新进展进行论述。     

中国农情遥感速报系统的发展与未来

结合中国农情遥感监测技术的发展, 重点介绍了“中国农情遥感速报系统”的建设背景、监测范围、监测内容、技术革新及其在农情遥感监测领域内的技术引领作用, 说明了系统运行监测结果在中国粮食决策关键期所发挥的作用, 并对粮食生产能力、精准农业及农情信息在线服务等3 个“中国农情遥感速报系统”的重点发展方向进行了展望。     

作物病虫害高光谱遥感进展与展望

作物病虫害作为影响农作物品质、产量及威胁粮食安全的主要因素,仅依靠人工田间调查对其进行监测已不能满足当下农业生产精准高效的需求。高光谱遥感作为能够获取地表物体连续波谱信息的遥感技术,已经成为当下作物病虫害监测识别的重要手段。本文对作物病虫害高光谱遥感监测识别的研究进展进行综述,通过对该领域发表文献的统计以及对主要机构、团队、数据源的分析,明确了病虫害高光谱遥感监测的研究热点和趋势;在此基础上,分析高光谱技术及其作物病虫害的监测识别机理,从病虫害胁迫探测、分类识别、危害严重度定量分析及早期检测四个方面综述相关技术及研究现状;通过探讨当下高光谱遥感病虫害监测识别面临的挑战,提出作物病虫害标准图谱库的建立、星载高光谱传感器的完善以及星空地一体化监测平台的搭建是当前作物病虫害高光谱遥感监测识别技 术落到实处的关键,也是未来发展的重点方向。     

作物遥感分类研究进展

农作物精细分类是农业资源与环境监测的重要环节,提取不同作物种植信息能够为我国农业生产提供基础数据支撑.本文旨在梳理作物遥感分类关键技术的发展脉络,重点评述了分类特征、尺度问题以及分类方法3个方面的情况,最后讨论和展望了今后作物遥感分类研究的发展方向,希望提供现阶段作物遥感分类研究进展,为作物遥感研究方法的创新和改善提供理论支撑,为后续农业遥感应用提供参考.     

MODIS植被指数的美国玉米单产遥感估测

针对中国开展的国外农作物产量遥感估测大多依靠中低分辨率耕地信息、省级(州级)或国家级作物产量统计数据的现状,本文以美国玉米为例,探讨利用多年中高分辨率作物分布信息、时序遥感植被指数和县级作物产量统计数据开展国外重点地区作物单产遥感估测技术研究,以期进一步提高中国对国外农作物产量监测精度和精细化水平。首先,利用美国农业部国家农业统计局(NASS/USDA)生产的作物分布数据(CDL)获得多个年份玉米空间分布图,并对相应年份250 m分辨率16天合成的MODIS-NDVI时序数据进行掩膜处理,统计获得每年各县域内玉米主要生育期NDVI均值;其次,以各州为估产区,以多年县级玉米统计单产和县域内玉米主要生育期NDVI均值为基础,建立各州玉米主要生育期NDVI与玉米单产间关系模型;然后,通过主要生育期玉米单产和玉米植被指数间拟合程度,筛选确定各州玉米最佳估产期和最佳估产模型。最终,利用最佳估产模型实现美国各州玉米单产估测和全国玉米单产推算。其中,建模数据覆盖时间为2007年—2010年,验证数据为2011年。结果表明,应用最佳估产模型的2011年美国各州玉米单产估测相对误差在-4.16%—4.92%,均方根误差在148.75—820.93 kg/ha,各州估测结果计算获得全国玉米单产的相对误差仅为2.12%,均方根误差为285.57 kg/ha。可见,本研究的作物单产遥感估测技术方法具有一定可行性,可准确估测全球重点地区作物单产信息。     

遥感和生长模型相结合的小麦长势监测研究现状与展望

 遥感影像的信息波段及其组合可以反映农作物生长的空间信息，可对小麦进行长势监测和产量估算，具有及时性和广域性。生长模型是集气候、土壤、品种和栽培措施等因素为一体的，对作物的物候发育、光合生产、器官建成、同化物积累与分配以及产量与品质形成等生理过程及其与环境和技术因子关系综合量化的动态数学模型，具有机理性和预测性。将二者结合用于长势监测不但具有理论研究价值，还具有广泛的应用前景。本文在简要概述小麦生长模型和长势遥感监测研究进展的基础上，总结了生长模型和遥感相结合的小麦长势监测应用的研究进展，并提出一些今后研究设想。     

高光谱遥感在农业中的应用

首先概括作物分类与识别、作物生态物理参数估算、作物长势监测、作物估产4个主要研究内容。分析高光谱遥感技术在农业中的应用现状,提出高光谱技术当前存在的问题。最后展望高光谱技术在农业遥感中的应用前景。     

基于Landsat的小麦估产模型及其应用

针对华北地区旱情导致小麦减产的问题,提出了利用Landsat遥感影像信息,结合小麦生长关键时期的降雨量以及种植区距离灌溉水源的位置关系,建立小麦估产模型,通过降雨预报信息估算小麦单产产量,并将其应用在作物种植选择方面,以提高农田的产值与农民的经济效益。     

关键时相长势—环境和景观特征对河北省县级尺度冬小麦单产估算精度影响分析

区域尺度上精准、快速的作物单产估算可以有效地为国家粮食安全相关政策的制定提供数据支撑。本文针对县级估产时相和特征类型选择问题,基于遥感、气象和统计等多源数据,通过不同时相和特征要素之间的组合分析来探索其对于县级尺度冬小麦单产估算的影响。特征要素主要考虑作物长势、环境（水分和光温条件）和农田景观3个类型;时相主要考虑由冬小麦生长过程NDVI（Normalized Difference Vegetation Index）曲线特征提取的5个关键时段（P1—P5）。利用不同时相与类型特征的组合与统计单产构建随机森林回归模型,根据精度评价结果分析各组合的优劣。2014年—2017年的数据用来建模,2018年数据用来验证。对于单时相,P2、P3、P4的表现明显好于P1和P5;多时相的准确度明显优于单时相,其中P2、P4的组合效果最佳。对于不同类型的特征要素,作物长势特征参量对估产精度的影响最大,而水分影响和光温条件等环境因子的加入对估产准确性并没有明显提升,农田景观参数的加入能够有效提升估产的准确性。在最优组合的基础上,剔除冗余变量优选出5个重要的指标因子（PROP、NDVI_P2、B2_P2、ED、B1_P4）,并建立单产估算模型获取2018年河北省冬小麦县级尺度单产。结果表明,平均相对误差（MRE）仅为2.85%,决定系数（R ²）为0.83,均方根误差（RMSE）为253.25 kg/ha,归一化均方根误差（NRMSE）为4.09%。研究结果为全国县级冬小麦单产估算提供了新的思路和方法参考。     

大数据时代的农情监测与预警

农情信息是世界粮农组织、各国政府、粮食贸易企业以及农场管理迫切需要掌握的信息。大数据时代的农情监测与预警正在由模型驱动向数据驱动转变,大数据正逐渐成为监测与预警的核心驱动力。伴随着农情监测与预警大数据的爆炸式增长,大数据与云计算技术的发展为农情监测与预警提供了全新的技术手段。2013年以来,全球农情遥感速报系统(CropWatch)已逐步引入聚类分析、时间序列分析、关联分析、时空变化异常诊断等大数据分析方法,并应用于业务化运行的农情监测与预警中。大数据技术提升了CropWatch的数据挖掘能力,对CropWatch农情监测与预警时空尺度的拓展以及农情监测内容的精细化起到推动作用,促进了面向需求的CropWatch农情信息与预警精准云服务的发展,促成了大数据时代CropWatch农情监测与预警技术体系的升级。未来,大数据时代的农情监测与预警将逐渐向全自动化监测、实时化精准农业管理与智能化信息服务方向发展;通过众源采集技术高效低廉的获取农情观测大数据将成为未来的发展趋势;大数据技术跨领域数据挖掘的能力,使得丰富多元化的跨界信息服务将成为大数据时代农情监测与预警的主流发展方向。大数据时代的CropWatch正在向基于大数据的农情监测与预警系统全速迈进。