基于多源遙感數(shù)據(jù)融合與數(shù)據(jù)同化的水稻信息提取研究.pdf

1、水稻是中國種植面積最大、總產最多的糧食作物，水稻生產在中國糧食生產中占有極其重要的地位。準確的獲取水稻生產信息，正確及時地掌握農作物生產狀況，對糧食安全，社會穩(wěn)定，農村就業(yè)，農民增收具有十分重要的現(xiàn)實意義。
　　水稻遙感信息提取是遙感、地理信息系統(tǒng)和全球定位系統(tǒng)結合水稻農學知識的一個綜合應用。本研究基于中等空間分辨率多源多時相遙感衛(wèi)星數(shù)據(jù)，以詳盡的地面觀測數(shù)據(jù)為基礎，利用遙感數(shù)據(jù)融合及數(shù)據(jù)同化等方法，解決我國地塊較破碎地區(qū)水稻遙感

2、信息提取過程中的具體問題，并對影響水稻信息提取精度的原因進行一定的定性分析和定量的研究，旨在提高對水稻遙感中各種數(shù)據(jù)處理步驟的認識理解。主要研究內容和結論如下:
　　(1)結合大田冠層光譜數(shù)據(jù)及地面實測數(shù)據(jù)，探究水稻生長規(guī)律，通過Wilks's lambda系數(shù)進行判別分析確定植被指數(shù)EVI2能夠較好的反應出水稻與其他地類的差異性。分析研究區(qū)五種主要地類（水稻、樹木、水體、旱地作物和其他非植被）的HJ-1 A/B CCD EVI2

3、時間序列曲線，水稻移栽期和快速生長的營養(yǎng)生長時期具有區(qū)別于其他地物類別的獨特的光譜特征，確定這兩個時期為水稻的關鍵生育期，實現(xiàn)了分步耦合最佳生育期閩值法估算研究區(qū)單季稻種植面積。單季稻估算面積與當?shù)剞r業(yè)部門的統(tǒng)計數(shù)據(jù)對比，相對分類精度為91.2％。與地塊調查結果的空間精度驗證顯示，水稻的總精度達到91.68％，Kappa系數(shù)為0.79。提取結果與典型的參數(shù)分類法（最大似然法）和非參數(shù)分類法（支持向量機）相比，總精度分別提高了6.80％和

4、10.89％。基于五個地塊調查樣地的空間分布信息，定量分析了由地塊景觀格局、混合像元純度及邊界效應給水稻分類帶來的影響。結果表明，選擇合適的多時相遙感影像，結合水稻關鍵生育期及有代表性的光譜特征，可以提高水稻分類精度;引入景觀指數(shù)分析地塊緊湊程度，結果表明遙感影像像元混合程度越嚴重，則分類精度越低，錯分漏分的水稻像元集中在水稻田塊的邊緣。
　　(2)通過最小二乘法融合HJ-1 CCD和Landsat-8 OLI植被指數(shù)數(shù)據(jù)，較單一

5、數(shù)據(jù)源能夠更準確地估計研究區(qū)單季稻的關鍵物候參數(shù)（移栽期、抽穗期、成熟期）。不同植被指數(shù)對目標地物的變化反應能力不同，和NDVI相比，EVI2在兩個傳感器之間表現(xiàn)更穩(wěn)定。與地面觀測生育期數(shù)據(jù)進行比較，融合后的植被指數(shù)時間序列提取的水稻生育期結果具有相對低的RMSE，其中EVI2優(yōu)于NDVI。在不同傳感器融合獲取更高時間分辨率植被指數(shù)時間序列的過程中，利用一致性分析定量計算傳感器間系統(tǒng)差異與非系統(tǒng)差異，結果表明，通過選擇合適的濾波窗口可以

6、減小傳感器間非系統(tǒng)差異，使用大于5×5濾波窗口以后，傳感器間非系統(tǒng)差異趨于穩(wěn)定，選擇合適的模型如最小二乘法建立植被指數(shù)的回歸函數(shù)減小傳感器間系統(tǒng)差異，從而減少數(shù)據(jù)融合過程中的不確定性的產生。
　　(3)利用多時相遙感影像，以2012-2013年地面實驗數(shù)據(jù)為建模和驗證數(shù)據(jù)，制作出可應用于地區(qū)尺度的單季稻全生育期內近實時動態(tài)長勢監(jiān)測圖。通過去云處理及最大值合成的植被指數(shù)代表每個像元在一甸內的最大值，以此估測研究區(qū)每旬單季稻長勢狀況，

7、估測模型選用傳統(tǒng)的回歸模型及機器學習模型。驗證了機器學習模型（神經網(wǎng)絡和支持向量機）在作物長勢監(jiān)測參數(shù)提取中具有優(yōu)勢。將生育期劃分為營養(yǎng)生長和生殖生長后，可以明顯提高葉面積指數(shù)的反演精度，抽穗前時期LAI最佳估測模型為EVI2-BPNN模型，抽穗后LAI最佳估測模型為NDVI-SVM模型，結果同時表明，EVI2通常在水稻快速生長階段（營養(yǎng)生長）效果更好，而NDVI在生長速率減緩后（生殖生長）的反演效果更佳。累積植被指數(shù)可以適用于水稻地上

8、干生物量的估算，全生育期內模型決定系數(shù)達到0.93。通過選擇合適的植被指數(shù)及反演模型，結合水稻獨特的生育期特征，可以提高水稻長勢參數(shù)的估測精度，為當?shù)氐姆N植管理提供有價值的空間化可視化信息服務。
　　(4)結合地面觀測數(shù)據(jù)與FSEOPT對研究區(qū)水稻主栽品種進行WOFOST作物模型參數(shù)本地化，參數(shù)本地化結果表明在單點尺度上作物模型可以較好地表征水稻生長變化趨勢，估測水稻產量。通過集合卡爾曼濾波法同化時間序列LAI與WOFOST作物模

9、型，同化狀態(tài)參量間隔越短同化效果越好，最終在平衡同化效率與精度的考量下，選用10天LAI資料進行區(qū)域水稻估產。以研究區(qū)水稻面積分布圖、水稻生育期提取結果為輸入?yún)?shù)，10天的遙感反演LAI為同化狀態(tài)參量，估測研究區(qū)水稻產量分布信息。模型模擬結果與實測結果有較好的一致性，與實測樣點的觀測值相比，R2為0.66，RMSE為1.61 ton·ha-1。研究結果表明，提高水稻信息提取過程中各步驟精度的前提下，WOFOST模型可以用于區(qū)域尺度水稻產