农作物生长的季节周期对环境变化敏感，研究农作物生长季长度的时空变化规律对于农业应对气候变化、保障国家粮食安全有重要意义。在区域尺度上卫星遥感是揭示作物生长季长度时空特征的有效手段，但遥感数据须经地面观测校正才能更准确反映作物的真实生长状况。该研究以黑龙江省水稻生长的开始和结束日期为研究对象，通过在气象参数、遥感数据和地面站记录数据之间建立转换函数的方法，将站点观测的水稻生长季数据在空间上外推到站点以外区域，实现地面观测数据由点到面的扩展。结果表明：（１）仅包含积温因子的模型优于同时考虑积温和降水的模型；（２）利用模型校正后的黑龙江省水稻生长季长度，在空间上存在自西南向东北逐渐延长的趋势。该研究．．．

论述了四川省水稻遥感监测地面样方布设的方法,通过分析四川省特殊的地理位置,结合遥感影像,科学合理地探讨了可运行化的地面抽样方法,即采用分层抽样统计与地面典型抽样统计相结合的方法,利用差分GPS(精度为亚米级)建立四川省水稻监测地面样方,提高监测精度,在95%的置信区间里,可以达到90%的准确率,服务于全省水稻播种面积大尺度遥感监测。

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。

草地生产力的准确评估对于合理利用草地资源,提高草地产量以及增加陆地碳汇、适应气候变化和保障生态安全都具有重要指导意义。本研究基于FLUXNET和ChinaFlux数据,开展了中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)总初级生产力(GPP)、植物光合模型(vegetation photosynthesis model,VPM)GPP和地球系统呼吸模拟器(Breathing earth system simulator,BESS)GPP遥感产品在中国草原区的验证,并分析了产品输入参数及干旱条件对GPP产品精度的影响来解释产品误差来源。结果表明,3个产品的总体精度表现为BESS GPP>MODIS GPP>VPM GPP,作为产品模型输入的吸收光合有效辐射比例(fraction of absorbed photosynthetically active radiation,FPAR)和饱和水汽压差(vapor pressure deficit,VPD)较剧烈的季节变化导致了MODIS GPP产品相对于另两个产品表现出较剧烈的季节波动;MODIS EVI产品误差引起了VPM GPP产品在部分站点监测到生长季中期GPP发展与涡度GPP不一致现象。3个产品都高估了位于半干旱区的典型草原GPP,在干旱年份高估更加严重,主要是由于干旱条件下模型输入参数对干旱的敏感性不如GPP所导致。该研究对遥感产品在中国草原区的深度应用及GPP精准估算有重要指导意义。

物候期和识别模型的选择直接影响植物识别的精度。本研究以蒿类荒漠草地主要植物伊犁绢蒿(Seriphidium transiliense)、角果藜(Ceratocarpus arenarius)以及裸地为识别对象，选择4月、6月、9月3个时期，通过SOC 710 VP高光谱成像仪采集草地群落高光谱数据，在分析地物光谱反射率差异的基础上，利用最佳指数因子(OIF)筛选特征波段，通过卷积神经网络(CNN)和支持向量机(SVM)建立识别模型。结果表明：1)不同物候期的伊犁绢蒿与角果藜在可见光波段均表现为“低-高-低”的光谱反射率趋势，并随月份增加峰谷现象逐渐不明显；红边波段这两种植物表现出快速上升；在NIR平台区4月各识别对象间反射率大小差异最明显。2)利用OIF筛选的识别波段组合在月份间表现一致，为638.64、789.49和923.79 nm。3)在识别精度上，SVM> CNN;4月> 9月> 6月；裸地>伊犁绢蒿>角果藜。综合来看，采用SVM在4月对蒿类荒漠草地主要植物进行识别的精度最高，为92.12%。

随着全球气候变暖,水稻高温热害的发生愈加频繁。为此,本文在前人研究成果的基础上,开展了水稻高温热害监测和评估模型研究。首先利用卫星遥感数据反演逐日最高气温和平均气温,云覆盖区域则以相应站点气温数据插值后补充,生成"卫星—插值"气温时间序列数据。同时提取水稻种植区域并判别其是否在高温热害的关键期——抽穗开花期。然后基于以上数据,依据水稻高温热害指标展开水稻高温热害监测和评估,对热害进行等级划分与统计。模型可实现任意时间点之前水稻高温热害的快速监测与评估,也可以给出全研究区域水稻全生育期总体的高温热害监测与评估结果。以江苏、安徽两省为例进行2013年夏季水稻高温热害监测和评估模型的应用,该模型达到了较好的使用效果,将有很好的应用前景。

随着全球气候变暖,水稻高温热害的发生愈加频繁。为此,本文在前人研究成果的基础上,开展了水稻高温热害监测和评估模型研究。首先利用卫星遥感数据反演逐日最高气温和平均气温,云覆盖区域则以相应站点气温数据插值后补充,生成"卫星—插值"气温时间序列数据。同时提取水稻种植区域并判别其是否在高温热害的关键期——抽穗开花期。然后基于以上数据,依据水稻高温热害指标展开水稻高温热害监测和评估,对热害进行等级划分与统计。模型可实现任意时间点之前水稻高温热害的快速监测与评估,也可以给出全研究区域水稻全生育期总体的高温热害监测与评

利用作物冠气温差可以计算作物生长水分胁迫系数。用遥感信息估算作物冠层温度并且利用气象站的气温资料 ,通过冠气温差计算作物水分胁迫系数 ,并引入作物生长模拟模型 ,就实现动态和连续的作物监测及预报作物产量。本文对建立遥感 -作物模拟复合模型的基本原理进行了探讨 ,并提出建立遥感 -作物模拟复合模型所涉及的计算方法 ,但整体研究方法还有待进一步的验证。

水稻是我国三大粮食作物之一,其空间分布受自然条件和农业发展状况的影响,变化显著。研究水稻空间分布遥感提取是当前农业土地变化科学的热点和难点。通过对国内外研究的回顾,该文系统归纳了近年来水稻空间分布遥感提取的数据源、特征量及分类算法最新研究进展,并对其未来研究方向进行初步探讨。首先从遥感数据源方面,水稻面积监测主要采用多光谱光学影像,同时高光谱数据和雷达数据也正逐步推广应用。其次从遥感分类方法及其对应的特征量方面,包括监督和非监督分类、智能化分类算法(神经网络、支持向量机、决策树及随机森林算法)、面向对象分类、多时相植被指数法及综合提取算法等分类方法,其主要对应的特征量各有差异。最后,结合我国水...

以成都平原为研究区，应用感遥技术，在区划分层研究的基础上，对样方大小、抽样率、抽样数、样方位置和样方布点方式等抽样技术要素以及样方调查方法、调查成果处理方法等进行了研究。建立了一套适合我国南方稻区水稻播种面积抽样调查的技术体系和地面面积取样框图，其应用结果调查精度完全能满足水稻面积宏观调查监测和水稻估产中面积调查的精度要求。本文着重介绍本次分层抽样调查研究的技术方法。

不透水面的迅速增长是城市化的显著特征之一,针对大范围的城市监测,运用遥感技术迅速提取城市不透水面是当前国内外研究的热点。论文选用Landsat 7的ETM+影像,基于光谱混合分解模型,结合热红外遥感数据反演生成的地表温度,研究杭州市的不透水面分布信息的提取。通过高、低反照率、植被及土壤4类光谱端元的线性组合来表征不同城市土地类型,并利用地表温度和土壤分量分别剔除高、低反照率分量中的"噪声",综合修正后的高反照率分量和低反照率分量估算杭州市不透水面分布。结果显示,研究区中均方根误差的平均值为0.003 6,不透水面分布结果与同期Google earth上的高分辨率影像和SPOT 4影像的解译结果...

【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年(2016—2018年)包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度(R~2=0.64—0.69)优于光谱数据的估算精度(R~2=0.20—0.58);基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强(不同生态点:RRMSE 16.69%—17.85%;同一生态点:RRMSE 11.37%—12.41%)。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。

针对传统水稻倒伏监测方法以人工进行现场测量耗时耗力且受主观影响较大的问题,利用无人机成本低廉、操作简单以及分辨率高的优势,以黑龙江省佳木斯市七星农场水稻种植基地的水稻倒伏区域为研究对象,对无人机遥感图像结合改进DeepLabV3+模型的水稻倒伏识别方法进行研究。结果表明:1)与其他方法相比,改进DeepLabV3+网络模型取得了更高的准确率和更快的识别速度;2)改进DeepLabV3+网络模型对水稻倒伏图像测试集的准确率为0.99,Kappa系数为0.98,像素准确率0.99;召回率0.99;平衡F分数为0.99;水稻完全倒伏状态识别的交并比为0.96,3种水稻不同倒伏状态识别的平均交并比为0.97。无人机搭载RGB相机载荷平台拍摄遥感图像结合改进DeepLabV3+深度学习模型可以精确地对水稻倒伏进行识别,为大面积、高效率、低成本水稻倒伏监测识别研究提供了一种方法。

目前,水稻生产中氮肥施用过量,肥料利用率和产量相对较低等问题日益突出。无人机遥感能够实现无损、及时、快速大面积地获取作物田间信息,已被广泛应用于精准农业管理中。以黄华占水稻为研究对象,设计了不同施氮梯度的小区试验,利用无人机搭载rededge-M多光谱相机获取水稻生育期冠层多光谱图像,提取NDVI植被指数,分析了不同氮素条件下水稻冠层NDVI值的变化规律,研究了NDVI和标准种植比值指数(RISP)与水稻植株氮含量之间的相关关系;依据有效积温数据,建立了基于标准种植比值法的水稻关键施肥节点的施肥量决策模型。研究结果表明:随施肥量增加,水稻冠层NDVI值也随之变大,整个生育期呈现出"快速增加-缓慢增加-缓慢降低"趋势;NDVI和RISP值均与水稻植株氮含量显著相关,且RISP的相关系数达0.9以上,可更好地用于诊断水稻生育期氮素养分状况;基于标准种植比值法的水稻施肥决策模型拟合决定系数为0.991。模型验证试验发现,模型种植区平均施氮用量为99.64kg·hm-2,而传统种植区平均用量为135.60kg·hm-2,施肥量减少26.52%。且模型种植和传统种植的产量差异不足1%,说明该施肥模型在保证产量的同时提高了氮肥利用率,为实现作物养分管理决策支持系统提供了一种新的模型方法。

【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的３套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN），构建LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~(2)）和均方根误差（RMSE），开展估算精度验证。【结果】①基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~(2)分别为0.638和0.681，RMSE分别为0.554和0.519；而NDVI和MSR得到的R~(2)分别为0.567和0.560，RMSE分别为0.606和0.611。②基于各VI优选波段组合的LAI估算精度（平均R~(2)为0.574，平均RMSE为0.598）优于默认波段组合（平均R~(2)为0.424，平均RMSE为0.694）。③ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~(2)比ER模型分别提高了40.27%和14.03%；平均RMSE分别降低了11.32%和8.11%。④就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~(2)=0.660， RMSE=0.537），仍然优于ER模型（R~(2)=0.597， RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI，遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。