论文部分内容阅读
播期(播种日期)是影响小麦产量与品质的一个重要因素,在冬小麦生长早期实现播期监测对于遥感估产和农业生产分类管理具有重要意义。针对已有的遥感监测播期方法主要存在的不足,即利用全生育期遥感数据基于冬小麦物候监测方法的时间滞后性,以及仅利用冬小麦生长前期植被信号弱光谱信息难以保证监测精度。本文以河北省冬小麦种植区域为试验区,依据冬小麦生长前期时间序列曲线变化规律,研究利用冬小麦生长前期多时相时序信息构建播期遥感监测模型,提前监测时间和提高监测精度,为播期监测提供新的研究思路。论文主要研究内容及结论如下:(1)利用时空数据融合方法(FSDAF)将MODIS(高时间分辨率)数据和Landsat8 OLI(中高空间分辨率)数据进行融合处理,得到冬小麦生长前期的8d时间分辨率和30m空间分辨率的高时空分辨率时间序列影像,解决了冬小麦生长前期植被信号弱、遥感数据高时间分辨率与高空间分辨率不可兼得而导致的冬小麦播期监测时效性受限问题。(2)结合全国土地利用图提取耕地与非耕地两类地物,在对MIR、NIR和RED波段HSV色彩空间变换的基础上,分析影像中冬小麦种植区和非冬小麦种植区在“H-NDVI”上的空间分布差异,利用S-slope进行掩膜处理得到研究区冬小麦种植区域。(3)基于研究区冬小麦时间序列影像平滑滤波处理结果,利用逐步回归方法优选出最佳时相特征数据并建立播期遥感监测模型,模型预测播期与冬小麦实际播期之间的决定系数R2=0.70,达到了极显著相关,因此利用冬小麦生长前期多时相时序数据能够实现播期遥感监测。(4)对冬小麦生长前期植被指数时间序列曲线进行去包络线处理,以去包络线面积和深度特征为自变量分别建立播期遥感监测模型,其中以去包络线深度为自变量建立的播期监测模型精度优于以去包络线面积为自变量建立的播期监测模型,其预测播期与实际播期之间的决定系数达到R2=0.60,而结合去包络线面积和深度特征建立的播期遥感监测模型的精度更高(R2=0.67),比基于单一去包络线特征建立的播期遥感监测模型决定系数提高了 11.67%。(5)将冬小麦生长前期多时相数据与去包络线特征参数结合建立播期遥感监测模型,模型预测播期与实际播期之间的决定系数R2=0.74,比基于多时相数据建立的播期遥感监测模型的精度提高了 5.71%,比基于包络线特征建立的播期遥感监测模型精度提高了10.45%,结合冬小麦生长前期多时相数据与去包络线特征参数建立的播期遥感监测模型最优。