遥感助力农业信息精准监测专题

Select

1. 农田洪涝灾害信息遥感自动提取方法研究

王来刚, 徐少博, 黎世民, 郭燕, 程永政, 贺佳

河南农业科学 2022, 51 (11): 163-170. DOI: 10.15933/j.cnki.1004-3268.2022.11.019

摘要（798）

PDF （11315KB）（41）

为提高农田洪涝灾害信息提取效率，探索了有效的遥感影像水体自动提取方法，以2021年7月下旬河南省浚县农田洪涝灾害为研究对象，在灾前、灾中和灾后以Sentinel-2遥感数据归一化水体指数（NDWI）、改进的归一化水体指数（MNDWI）、多波段水体指数（MBWI）和B12波段作为多维特征，采用多维非监督水体自动提取方法提取水体面积。同时利用Canny-Edge-Otsu 水体自动提取方法分别对MBWI、MNDWI、NDWI 3种水体指数和GF-3数据的HV极化波段进行阈值分割，提取农田洪涝灾害信息，并对不同数据源和不同方法提取农田洪涝灾害信息的精度进行对比分析。结果表明，多维非监督水体自动提取方法集成了多种水体指数和波段作为多维特征，灾前和灾后水体提取误差分别为6.99%和7.45%，低于Canny-Edge-Otsu水体自动提取方法；MBWI、MNDWI与NDWI 3种水体指数相比，MBWI水体提取误差最小，NDWI提取误差最大，但均易将建筑物和云阴影地区误判为水体；灾后基于GF-3的洪水提取误差为15.57%，高于Sentinel-2影像，但GF-3遥感影像不受云雨天气影响，能够在洪涝灾害应急监测中提供有力的数据支撑。

参考文献 | 相关文章 | 多维度评价

Select

2. 无人机飞行高度对冬小麦植株氮积累量预测模型的影响

井宇航, 郭燕, 张会芳, 戎亚思, 张少华, 冯伟, 王来刚, 贺佳, 刘海礁, 郑国清

河南农业科学 2022, 51 (2): 147-158. DOI: 10.15933/j.cnki.1004-3268.2022.02.018

摘要（882）

PDF （10477KB）（298）

无人机具有快速、高效、无损获取作物信息的优势，但是飞行高度直接影响作物信息获取效率。通过设置30、60、90 m飞行高度获取冬小麦拔节期、开花期、灌浆期不同分辨率的无人机遥感影像，探索无人机飞行高度对冬小麦植株氮积累量预测模型的影响。首先将不同高度植被指数和纹理特征与冬小麦植株氮积累量进行相关性和共线性分析，筛选出6个植被指数（NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG）和4个纹理特征（Green-mean、Green-sm、Red-mean、Red-var）。基于筛选出的植被指数和纹理特征，采用偏最小二乘回归（PLSR）和BP神经网络（BPNN）法建立了植被指数、纹理特征与植被指数+纹理特征的冬小麦植株氮积累量预测模型，并将模型在不同高度进行交叉验证，采用决定系数（ R ²）、均方根误差（RMSE）和相对分析误差（RPD）指标对模型的稳定性进行分析。结果表明，2种方法均是30 m飞行高度遥感影像提取的植被指数、纹理特征、植被指数、纹理特征建立的预测模型稳定性最好，3种建模信息构建的模型验证时的 R ²、 RMSE、 RPD 分别为0.57~0.89、1.27~4.16 g/m ²、1.67~3.65。BPNN在3种建模信息下构建的模型稳定性整体优于PLSR，验证模型的 R²、RPD分别提高0.01~0.39、0.05~1.44， RMSE下降0.08~8.53 g/m ²。3个高度植被指数、纹理特征、植被指数+纹理特征的植株氮积累量预测模型稳定性顺序：植被指数+纹理特征>植被指数>纹理特征。融合3个飞行高度遥感影像的植被指数、纹理特征、植被指数+纹理特征进行植株氮积累量预测可以提高估算精度， R²、RMSE、RPD分别为0.89~0.93、1.80~2.03 g/m ²、3.54~4.03。因此，在兼顾效率与精度的情况下，适当提高无人机飞行高度，综合利用植被指数和纹理特征可以对植株氮积累量达到较好的预测效果。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

3. 基于面向对象GF-2 遥感数据的元谋热区番茄识别

陈越豪, 何光熊, 李婕, 史亮涛, 方海东, 史正涛

河南农业科学 2021, 50 (12): 170-180. DOI: 10.15933/j.cnki.1004-3268.2021.12.020

摘要（885）

PDF （8588KB）（75）

为了准确掌握元谋热区番茄种植的空间分布信息，实现合理调整农业结构以及区域特色农作物经济规模化发展的目标，以GF-2为数据源，基于面向对象的分类思想，以ESP尺度参数评价工具对遥感影像进行分割尺度评价。设置最优分割尺度参数后获得影像对象，随后利用光谱、纹理及植被指数构建多种识别方案，使用最大似然法和支持向量机不同分类器，对元谋热区番茄进行了遥感识别，并着重探讨了基于GF-2数据对于番茄信息提取的最佳辅助识别特征组合方法。结果表明：基于GF-2遥感影像数据构建的归一化植被指数、比值植被指数、灰度共生矩阵与局部二值模式纹理多特征组合方案在最大似然法中对番茄的识别精度最高，总体分类精度为97.20%，Kappa系数为0.91；在支持向量机中，番茄识别精度最高的组合是构建的归一化植被指数、比值植被指数以及灰度共生矩阵纹理的多特征组合方案，总体分类精度为96.44%，Kappa系数为0.87；最大似然法总体识别效果优于支持向量机。综上，基于GF-2影像数据对象所构建的多种辅助识别特征组合能够实现元谋番茄的精细识别。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

4. 基于无人机多光谱的棉花育种材料FPAR 估测

唐中杰, 王来刚, 郭燕, 张彦, 张红利, 杨秀忠, 贺佳

河南农业科学 2021, 50 (11): 162-171. DOI: 10.15933/j.cnki.1004-3268.2021.11.019

摘要（981）

PDF （3784KB）（112）

快速、无损、高通量地获取棉花育种材料的光合有效辐射信息，对棉花高光效品种选育及栽培管理具有重要意义。于2020年8—9月在河南现代农业研究开发基地，采用大疆Matrice 600 Pro无人机搭载Micasense RedEdge-M多光谱成像仪获取棉花育种材料的多光谱影像，提取光合有效辐射吸收比率（Fraction of photosynthetically active radiation，FPAR）测量点蓝、绿、红、红边、近红外等5个通道反射率值构建多光谱变量；然后分析多光谱变量与FPAR的定量关系，建立FPAR的一元与多元回归模型；最后，基于实测FPAR对估测模型进行精度验证。结果表明：棉花育种材料的多光谱遥感影像可以快速、直观表征植株冠层叶片颜色、长势等表型性状信息；基于多光谱影像构建的变换土壤调节植被指数（Transformed soil adjusted vegetation index，TSAVI）、土壤调节植被指数（Soil adjusted vegetation index，SAVI）、垂直植被指数（Perpendicular vegetation index，PVI）、比值植被指数（Ratio vegetation index，RVI）、差值植被指数（Difference vegetation index，DVI）、增强型的植被指数（Enhanced vegetation index，EVI）、归一化差值植被指数（Normalized difference vegetation index，NDVI）、大气阻抗植被指数（Atmospherically resistant vegetation index，ARVI）等8 种多光谱变量均与棉花FPAR 具有较好的相关性，|r|为0.542~0.932；基于TSAVI构建的FPAR一元线性回归模型，对棉花FPAR具有较好的估测效果，估测模型的R2为0.867， SE为0.115，验证模型的R ²为0.932， RPD为2.468， RMSE为0.119。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

5. 近地遥感监测冬小麦关键发育时期的方法研究

魏庆伟, 朱黎明, 王福州

河南农业科学 2021, 50 (10): 163-171. DOI: 10.15933/j.cnki.1004-3268.2021.10.021

摘要（821）

PDF （2022KB）（196）

为探寻准确高效的冬小麦关键发育时期监测方法，首先利用归一化植被指数测量仪（SRS-NDVI）监测了河南省鹤壁市农业气象试验站2017—2018、2018—2019年度冬小麦生长季的时序归一化植被指数（Normalized difference vegetation index，NDVI）；然后，采用邻域差值分析法重构时序NDVI，并运用S-G滤波法（Savitzky‑golay，S-G）平滑处理时序NDVI中异常值；最后，根据冬小麦生长季NDVI变化特点，综合运用广义动态阈值法、曲线速率法和极值法，提取冬小麦关键发育时期特征点。结果表明，邻域差值分析法可有效去除观测数据的明显异常值，经S-G滤波法处理后的NDVI时序数据，更加符合冬小麦生长过程NDVI变化规律。此外，NDVI时序数据监测发育时期平均误差为2.5 d，精度较卫星遥感监测冬小麦发育时期明显提高。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

6. 基于Sentinel-2与GF-6 WFV数据的花生种植面积提取差异分析

张彦, 刘婷, 包卓雅, 王来刚, 贺佳, 郭燕, 张红利, 杨秀忠

河南农业科学 2021, 50 (6): 163-170. DOI: 10.15933/j.cnki.1004-3268.2021.06.020

摘要（788）

PDF （4336KB）（249）

为比较基于Sentinel-2与GF-6 WFV数据对花生种植面积提取的差异，以许昌市榆林乡为研究区域，选取Sentinel-2和GF-6 WFV遥感数据相同波段，采用K邻近法和最大似然法提取花生种植面积，基于样本点构建混淆矩阵进行精度验证，并结合地面样方实测数据，比较对花生种植面积提取的相对误差。结果表明，2种分类方法对2种数据源的花生种植面积提取效果均可满足实际需要，制图精度均大于85%，用户精度均大于80%，相对误差均小于10%。提取结果显示,花生种植面积空间分布主要集中于西北部和东南部，东北部和西南部面积较少且分布零星。通过对比发现，采用面向对象的K邻近法能更好地避免复杂地物类型区像元错分及漏分问题，其总体精度、Kappa系数以及花生种植面积的制图精度、用户精度和面积相对误差等参数均优于传统基于像元的最大似然法。在同数据源不同分类方法时，2种数据源利用K邻近法的分类精度均高于最大似然法。说明面向对象的K邻近法可充分利用地物光谱特征及纹理特征，比基于像元的最大似然法取得更高精度的提取结果。在同方法不同数据源时，利用最大似然法对Sentinel-2花生种植面积的提取精度低于GF-6 WFV，利用K邻近法对Sentinel-2花生种植面积的提取精度高于GF-6 WFV。综上，由于Sentinel-2 10 m融合数据的空间分辨率高于16 m的GF-6 WFV，对细节的表达效果更佳，更适合用于提取种植结构复杂的小尺度区域。