东北地区主要作物种植结构遥感提取及长势监测
第26卷 第9期 农 业 工 程 学 报 Vol.26 No.9 218 2010年 9月 Transactions of the CSAE Sep. 2010
东北地区主要作物种植结构遥感提取及长势监测
黄 青1,2，唐华俊1,2※，周清波1，吴文斌1，王利民1，张 莉1
（1．农业部资源遥感与数字农业重点开放实验室/中国农业科学院农业资源与农业区划研究所，北京 100081；
2．呼伦贝尔草原生态系统国家野外科学观测研究站，北京 100081） 摘 要：以中国东北地区为研究区域，探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征，确定不同作物种植结构遥感提取的阈值，建立基于MODIS NDVI数据的上述4种作物种植结构提取模型，获取2009年东北地区主要作物空间种植结构格局特征。其次，基于MODISNDVI数据，利用差值模型，通过与近5 a作物长势的平均状况进行对比，分析研究东北地区2009年4种作物的长势状况。结果显示，与多年平均统计数据比较，基于遥感提取的作物种植结构信息，总体精度达到了87%以上；不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明，通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的，研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。 关键词：遥感，监测，作物，MODIS，NDVI，种植结构，精度评价，东北地区 doi：10.3969/j.issn.1002-6819.2010.09.037 中图分类号：S127 文献标志码：A 文章编号：1002-6819(2010)-09-0218-06
黄 青，唐华俊，周清波，等.东北地区主要作物种植结构遥感提取及长势监测[J].农业工程学报，2010，26(9)：218－223. Huang Qing, Tang Huajun, Zhou Qingbo, et al. Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China[J]. Transactions of the CSAE, 2010, 26(9): 218－223. (in Chinese with English abstract)
0 引 言
在农情遥感监测中，能够及时、清楚的了解每种作
物在各个生育期的长势状况、并对每种作物的产量进行
预测，对大尺度不同作物种植面积空间分布的快速、准
确提取有很大的要求。虽然自20世纪70～80年代遥感
技术发展以来，遥感就被用来进行大面积农作物长势监
测、种植面积监测及产量预测等[1-5]。如美国自20世纪
70年代中期开始进行LACIE计划，到1986年建立了全
球级的农情监测运行系统；欧盟遥感应用研究所通过实
施MARS计划，建成了欧盟区的农作物估产系统。在农
作物长势、面积等的监测中，国外科学家主要利用适合
大面积监测的NOAA-AVHRR卫星。在农作物播种面积
遥感估测方面，LACIE实验中利用空间分辨率为80 m的
Landsat MSS数据成功地预报美国小麦的面积和产量，并
且这种方法被推广到其他地区和对其他农作物进行面积
的获取。之后随着传感器空间分辨率的提高，用MODIS、
SPOT、TM等数据提取作物播种面积的研究也逐渐成为
研究热点[6-9]，但需要指出的是，更多的研究重点主要集 收稿日期：2010-01-14 修订日期：2010-08-30 基金项目：国家自然科学基金重点项目（40930101）；国家“863”项目（2006AA120101、2007AA10Z230、2006AA15Z121）；中央级公益性科研院所专项资金（002-2)和农业部资源遥感与数字农业重点开放实验室开放课题(RDA1004)共同资助 作者简介：黄 青（1978－），女，新疆昌吉人，助理研究员，博士，主要从事农业资源遥感方面的研究。北京 农业部资源遥感与数字农业重点开放实验室，100081。Email：queengold@sina.com ※通信作者：唐华俊（1960－），男，四川阆中市人，研究员，博士，主要从事农业资源遥感方面的研究。北京 农业部资源遥感与数字农业重点开放实验室，100081。 中在用遥感手段监测不同土地利用类型面积及其相互变
化方面[10-14]，对涉及到耕地内部不同作物空间分布及其
变化的研究并不多，且这方面的研究多只集中于对某种
作物空间分布的遥感识别[14-17]，或在某一小区域范围内
的试验研究[18-20]，大区域尺度下分作物空间分布信息的
及时提取及业务化运行的研究较少。
欧美的农情遥感监测系统多已实现了本国农作物种
植面积变化的快速调查，但欧美国家作物种植结构的特
点是面积大、结构相对单一。中国科学院和中国气象局
等部门也建立了一些农情遥感监测系统[20]，但主要是对
耕地上的作物长势、产量等进行监测，针对耕地内部不
同作物的长势、产量等的监测还没有实现业务运行。由
于分作物空间种植结构的缺乏，无论是用植被指数方法
建立的遥感模型，还是考虑了作物生长机理和过程的生
长模型、气象模型等，都不能对分作物类型的作物长势
进行较为准确的监测[19,21]。这一方面制约着目前作物长势
遥感监测的精度，另一方面导致了长势遥感监测在分区、
分作物建立模型时遇到很大困难，同样的问题也存在于
作物估产及农情灾害预报中。因此，及时获取大区域尺
度农作物空间分布信息不仅是分作物长势监测、同时也
是农情遥感监测中的核心问题，同时，作物种植结构作
为一种基础数据，对研究作物种植结构空间变化规律、
研究作物结构与全球环境变化的响应及农业政策的制
定、调整和国家粮食安全的保障等方面都具有非常重要
的现实意义。
本研究以作物种植面积和空间分布的快速提取及实
时的作物长势监测为主要目的，根据不同作物、不同生
育期的波谱特性和生物学特性，选取MODIS数据合适时 第9期 黄 青等：东北地区主要作物种植结构遥感提取及长势监测 219
相、合适波段及特征参量，建立了基于遥感影像全覆盖
的大尺度农作物种植结构遥感综合自动识别模型，实现
了农作物遥感自动识别。其次，基于作物空间分布的结
果，以及植被指数对作物生长状况的敏感特征，利用目
前长势监测中应用最广泛的归一化植被指数NDVI
（normalized difference vegetation index）[22-23]，对中国东
北地区2009年4种作物的长势进行监测，为能更直观反
映长势与常年的比较情况，研究用差值模型，与近5 a作
物长势的平均状况进行了对比研究。作物种植结构空间
分布及宏观的长势监测结果为相关管理及决策部门提供
了重要的决策依据。
1 研究区概况
东北地区（包括辽宁省、吉林省和黑龙江省）是中
国高纬度的一个区域，地处118°53'～135°05'E，38°43'～
53°33'N之间。总面积79万km2，2008总人口约10874
万人，其中农业人口4 709万人，约占43%。东北地区属
大陆性季风型气候。受纬度、海陆位置、地势等因素的
影响，自南而北跨暖温带、中温带与寒温带，热量显著
不同，≥10℃的积温，南部约3 600℃，北部仅有1 000℃。
自东而西，降水量自1 000 mm降至300 mm以下，气候
上从湿润区、半湿润区过渡到半干旱区，农业上从农林
区、农耕区、半农半牧区过渡到纯牧区。东北地区三面
被大、小兴安岭和长白山环绕，中部是辽阔的东北平原。
这里森林资源、矿产资源、水资源等都比较丰富。主要
农作物有春玉米、春小麦、大豆、水稻、高粱、谷子、
甜菜、向日葵、亚麻等，是中国最重要的商品粮基地，
也是种植结构相对复杂的一个地区。
2 数据与方法
2.1 数据源与数据预处理
MODIS数据全部来自农业部遥感应用中心卫星接收
站。利用2005－2009年每年5月中旬到9月中旬每日覆
盖全国的MODIS数据，经过辐射定标、几何校正等过程，
计算每天的NDVI值，并进行每旬及每14 d的最大值合
成，得到2005－2009年各年每旬及同一监测期每14 d的
最大值。每旬的NDVI通过不同模型来提取不同作物分
布面积，每14 d合成的NDVI用来监测不同作物长势情况。
精度验证主要包括以SPOT为主要信息源的高分辨
率遥感图像数据和样点数据。统计数据来源于2004－
2007年中国农业统计资料。
2.2 作物种植结构提取及长势监测技术方法
2.2.1 多种作物种植结构提取模型
根据对主要农作物的物候历及植被指数与物候期的
对应关系的分析，利用MODIS数据获取不同农作物种植
面积空间信息需要几个关键时相的遥感数据。为了模型
的可读性好，用NDVIxy表示不同时相的NDVI值[15]，其
中x取值范围为1～12表示月份，y取值范围为1～3，分
别表示上、中、下旬，如NDVI82表示8月中旬的NDVI
值。表1是东北地区春玉米、春小麦、大豆及一季稻主
要提取模型。 表1 不同作物面积空间分布提取模型 Table 1 Spatial distribution extraction models of different crops
序号作物空间分布提取模型 作物类型
1 NDVI51＜T1，NDVI63＞T2，NDVI81＞NDVI73， NDVI81＞NDVI82，NDVI81＞T3 春玉米
2 NDVI43＜T4，NDVI61＞T5，NDVI71＞NDVI63， NDVI71＞NDVI72，NDVI71＞T6 春小麦
3 NDVI63＜T7，NDVI81＞NDVI73，NDVI81＞NDVI82，T8＜NDVI82＜T9 大豆
4 NDVI61＜T10，NDVI81＞NDVI82，NDVI81＞NDVI73，NDVI92＞T11 一季稻
注：T1～T11——不同生育期的阈值。 以春玉米为例进行说明。东北地区春玉米大约5月上
旬播种，5月中下旬出苗，6月下旬开始拔节，7月中下
旬抽雄，至8月底9月初乳熟、成熟。随着春玉米的出苗、
拔节到抽雄、成熟，反映在遥感图像上的NDVI值先逐步
增大，达到一个峰值后再逐步变小，根据这一特性，春玉
米面积信息的识别要同时满足上述表1序号为1的所有条
件。模型中，T1、T2、T3是不同生育期的阈值，根据作物
的光谱特征，其数值大小来源于不同区域植被指数与物候
期的一一对应关系，如2009年5月上旬，T1的值在各地
区一般都小于0.2；6月下旬，NDVI值一般辽宁地区在0.43
左右，吉林地区在0.42左右，黑龙江地区在0.40左右，
但各地区受播种时间和物候差异影响，NDVI值可在
0.38～0.50之间波动；8月上旬的NDVI最大，一般大于
0.62，可以达到0.7以上，甚至更高，同时也大于8月中
旬和7月下旬的NDVI。限定了这些阈值参数后，将参数
带入上述模型1，就可以提出春玉米的面积空间分布。
需要说明的是，由于受播种时间、物候差异、作物
长势差异等的影响，NDVI值在同一时相不同地区差异较
大，模型中关键点位的NDVI值、Tx值需要根据每年的
基于深度学习的遥感影像耕地地块边界提取应用
第44卷第12期2023年12月中南农业科技South-CentralAgriculturalScienceandTechnologyVol.44No.12
Dec.，2023
马海荣.基于深度学习的遥感影像耕地地块边界提取应用［J］.中南农业科技，2023，44（12）：129-133．
农业信息实时、精准地获取是实现农业现代化
发展的基础和关键，耕地信息是最重要的基础农业
信息，地块又是组成耕地和农户生产经营的最小单
位，对地块边界提取是精准农业实践的基础和前
提，是实现耕地监测、作物种植监测、产量预测、农
业风险评估等应用的重要基础数据［1-3］。中国土地
资源总量多，但人均耕地数量少，高质量的耕地少，
可开发的后备资源少，耕地的数量和质量与中国粮
食安全息息相关［4-6］。随着社会经济的发展和城镇
化进程的加剧，耕地面积在逐渐减少，从地块级别
进行耕地监测有利于加强耕地保护和保证中国粮
食安全。因此，准确、快速地进行大范围内耕地地
块信息提取具有重要意义。
遥感技术具有覆盖范围广、空间分辨率高、获
取手段方便等特点，已成为获取耕地面积、作物分
布、作物生长状况等农业信息的有效途径［7］。但是
耕地地块作为农业生产的基本单元，特别是在中国
以小农为生产主体的生产方式下，大多面积小、分
布零散、情况复杂、作物种植类型多样，使得在遥感
影像上不同地块的光谱、纹理等遥感特征类内差异
大，类间差别不明显，难以实现耕地地块边界准确
高效地提取。
最开始基于遥感技术的耕地信息提取采用人
机交互目视解译的方法实现，该方法也是应用最为
广泛的方法，这种作业方式的耕地提取结果精准度依赖于解译者专业水平，并且人力物力成本高，可
重复性差。后来出现的基于像素纹理分析［8］、面向
对象［9］、浅层机器学习［10，11］（如随机森林、支持向量
机、神经网络等）等方法采用浅层特征提取结构，需
要人工进行参数选择和特征选取，无法自主提取分
类特征，不能准确提取各种类型耕地，影响了提取
遥感技术让农业生产更“智慧”
2021年2月26日 星期五 编辑:炼 晨 电话:010-63702118
中国农资 CHINA AGRI-PRODUCTION NEWS科技前沿I〔5版
新技术»
遥感技术让农业生产更“智慧”
《申厚冬学》iBf
科技是第一生产力。随着科
学技术的发展，遥感技术在农业
生产中的应用越来越普遍，是农
业生产中获得田间数据的重要
来源，能够提供大量的农田信
息，是精准农业、数字农业发展
的潮流，同时，日益成熟的遥感
监测和植保飞防技术为农药、化
肥的合理使用提供了新的思路。
农业遥感的四大应用
东北农业大学资源与环境
学院教授刘焕军介绍说,遥感技
术可以客观、准确、及时地提供
作物的生态环境和作物生长的
各种信息，它是精确获得田间数 据的重要来源，主要应用于作物
的长势监测、灾害监测、精准管
理。虽然它高深莫测，但它让现
代农业变得更加“智慧”。现阶段
我国遥感科学技术在农业方面
主要有四大应用。第一，监测作物的面积和长
势。极飞科技智慧农场总监蒋勇
韬告诉记者："以大田为例，人工
给200亩地测绘，需要1个多小 时，遇到水田甚至要泥腿赤足地
'过河'打点，效率很低。遥感无 人机的应用让飞手不仅告别了
人工测地，平原作业时，还能利
用全新'快速拼接模式’，节省大
量测绘时间。”此外，遥感影像还
可以实时记录作物不同阶段的 生长状况，获得同一地点时间序
列的图像了解不同生育阶段的
作物长势。作物长势监测的目的 是为了实时掌握作物长势好坏，
及时发布苗情监测通报，指导农
业生产，为预测作物单产和总产
提供重要的依据和参考。
第二，对作物进行分类。利
用遥感识别不同农作物类型，主
要依据是农作物在近红外波段
的反射受叶子内部构造的控制，
不同类型农作物的叶子内部构 造有一定的差别，根据实地调查
关键时段特征和遥感影像，釆集
提取各种作物、种植地、大田作
物在不同时间阶段的光谱特征
进行作物分类。通过遥感快速、 准确识别各种农作物类型，对于'
基于MODIS NDVI数据的辽宁省春玉米物候期提取研究
基于MODIS NDVI数据的辽宁省春玉米物候期提取研究
宫诏健;刘利民;陈杰;张钊;贺鑫;黄荟羽;贾萍;王莹;宋文锦
【摘 要】遥感提取玉米物候信息可以提高田间精细化管理水平,对监测玉米季节性变化、确保粮食安全等具有重要意义.以辽宁省为研究区,基于2007,2008,2009年的MODIS植被指数(NDVI)数据,利用非对称高斯(AG)、Savitzky-Golay滤波(S-G)和双逻辑斯蒂克调合函数(DL)三种拟合方法重构春玉米NDVI时序曲线,并使用4次拟合平滑方法处理重构后的时序曲线.在此基础上,提出以动态振幅阈值法取代动态阈值法,并采用动态振幅阈值法、拐点法和最大值法提取春玉米关键物候期(出苗期、拔节期、抽雄期、成熟期),最后使用辽宁省12个农业气象站的地面物候观测数据对提取结果加以检验.结果表明:基于AG模型的重构NDVI时序曲线保真能力最强,其重构曲线与原曲线各年平均的均方根误差(RMSE)分别为0.035,0.050和0.041;基于S-G滤波方法的重构NDVI时序曲线平滑能力最强,其各年平均的拟合值(R2)分别为0.99,0.993和0.993;就春玉米拔节期、抽雄期、成熟期的提取而言,基于AG时序曲线的提取结果优于其他2种方法的提取结果,其3年提取结果与实际观测值的平均绝对误差(MAE)均小于5d,均方根误差(RMSE)均小于4d;而对春玉米出苗期而言,基于S-G时序曲线的提取结果明显优于其他两种方法的提取结果,其各年出苗期RMSE分别为4.1d、4.0d和2.9d;动态振幅阈值法优于前人所用的动态阈值法,能够有效地纠正异常低值点,使提取结果更接近真实日期.研究结果可为利用遥感资料提取春玉米物候期提供参考.%Having maize phenophases by
remote sensing can improve its fine management level in field, which is
遥感影像中种植作物结构分类方法综述
遥感影像中种植作物结构分类方法综述
目录
1. 内容综述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．2
1.1 研究背景与意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．3
1.2 国内外研究现状与发展趋势．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．3
2. 遥感影像技术基础．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．5
2.1 遥感技术概述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．6
2.2 遥感影像数据类型与特点．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．7
2.3 遥感影像处理流程．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．8
3. 种植作物结构特征分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．9
3.1 种植作物分类体系．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．10
3.2 种植作物生长过程与结构变化．．．．．．．．．．．．．．．．．．．．．．．．．．．．12
3.3 种植作物结构特征提取方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．13
4. 遥感影像中种植作物结构分类方法．．．．．．．．．．．．．．．．．．．．．．．．．14
4.1 基于监督学习的分类方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．15
4.1.1 支持向量机．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．17
4.1.2 决策树与随机森林．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．18
4.1.3 梯度提升树．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．19
基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取
白静远，宁纪锋，郭 交，等．基于改进ＵＰｅｒＮｅｔ和国产高分遥感数据的冬小麦种植区提取［Ｊ］．江苏农业科学，２０２３，５１（１３）：２０３－２１２．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１３．０３１
基于改进ＵＰｅｒＮｅｔ和国产高分遥感数据
的冬小麦种植区提取
白静远１，宁纪锋１，２，郭 交２，杨蜀秦２，张智韬３
（１．西北农林科技大学信息工程学院，陕西杨凌７１２１００；２．陕西省农业信息感知与智能服务重点实验室，陕西杨凌７１２１００；３．西北农林科技大学水利与建筑工程学院，陕西杨凌７１２１００）
摘要：遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。基于２０２０年５月４日的高分２号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进ＵＰｅｒＮｅｔ模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区２块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上，改进的ＵＰｅｒＮｅｔ模型分类精度最高，冬小麦提取精度为９７．７８％，总体分类精度相比于改进前的ＵＰｅｒＮｅｔ提升了２．４９％，对比ＤｅｅｐＬａｂＶ３＋提升了３．４８％。基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的ＵＰｅｒＮｅｔ模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。 关键词：冬小麦；种植区提取；语义分割；高分卫星；ＵＰｅｒＮｅｔ 中图分类号：Ｓ１２７ 文献标志码：Ａ 文章编号：１００２－１３０２（２０２３）１３－０２０３－０９
东北玉米水稻遥感监测系统可行性研究
东北玉米水稻遥感监测系统可行性研究
摘 要：本文介绍了遥感技术在农业生产中所发挥的重要作用。遥感监测玉米、水稻的生产经过几年的努力，取得了阶段性进展，利用甚高分辨率气象卫星数据估测玉米和水稻种植面积取得了试验性成功。东北玉米、水稻遥感监测系统的成功建立及广泛应用必将为农业生产提供详实的数据和科学决策的依据。
关键词：遥感；监测；信息
中图分类号：tp79 文献标识码：a
1 监测系统的意义
应用资源卫星数据，许多国家开展了农业资源调查、农作物长势监测、面积监测和产量预报等。农情信息是指导农业生产、制定粮食政策与对外贸易政策的重要信息。早在20世纪70年代西方多国就合作开展了大面积农作物长势监测、遥感估产计，充分利用了农业、气象、数学、计算机、gps地面调查及遥感技术。近20a来，一些西方国家利用资源卫星进行小麦、大豆、水稻、玉米和马铃薯等农作物的估产，以增加或减少某种农作物的种植或确定粮食政策。
遥感技术在我国农业上的应用，从20世纪70年代末起步，经过20a的艰苦努力，目前已发展到实用化水平。我国农作物遥感估产研究取得了很大发展，从冬小麦单一作物发展到小麦、水稻、玉米等多种作物，从小区域发展到大区域，从单一信息源发展到多种遥感信息源的综合应用，监测精度不断提高。 农作物遥感估产包括长势与趋势监测和产量早期预报等两个方面。在充分利用多年来遥感估产成果的基础上，建成了noaa avhrr数据实时预处理系统，并利用avhrr最大ndvi图像与上年同期数据对比实现农作物长势遥感监测；在高精度耕地数据库的支持下，解决和研发了作物长势遥感监测综合方法、区域作物生长过程遥感提取方法。从实时作物长势监测、作物生长过程监测、农业气象分析、物候和土地利用等辅助信息的运用等角度，构建了综合分析作物长势的技术。利用遥感技术对农作物进行监测具有效率高、费用低、灵活性强、简单易用和多用途的特点，精度基本可达95%以上。
农作物长势综合遥感监测方法
农作物长势综合遥感监测方法
随着科技的不断进步，遥感技术已经成为现代农业中不可或缺的一部分。农作物长势综合遥感监测方法能够快速、准确地获取农作物的生长状况，为农业生产的管理和决策提供了强有力的支持。本文将详细介绍农作物长势综合遥感监测的原理、方法、优缺点及未来发展趋势。
遥感技术是一种利用卫星、飞机、无人机等遥感平台，通过传感器获取地球表面物体反射或辐射的电磁波信息，从而实现对物体进行远距离感知和识别的一种技术。在农业领域中，遥感技术主要应用于土地资源调查、作物生长监测、农业灾害预警等方面。其中，遥感图像处理技术是实现农作物长势综合遥感监测的关键手段。
农作物长势综合遥感监测需要采集多种来源的数据，包括卫星遥感数据、传统遥感数据、气象数据、土壤数据等。其中，卫星遥感数据包括Landsat、Sentinel等卫星数据的接收和处理，传统遥感数据则包括高光谱、多光谱和近红外等数据。这些数据经过采集、预处理和标准化等步骤后，将为后续的数据分析和处理提供重要的数据支持。
对于采集到的遥感数据，需要进行一系列的处理和分析，以提取出与农作物长势相关的信息。这些处理和分析方法包括： 图像处理：对原始遥感图像进行辐射定标、大气校正、地形校正等处理，以消除图像中的噪声和误差。
归一化：将不同来源、不同波段的遥感数据进行归一化处理，以减小数据之间的差异，提高数据的质量和精度。
降噪：采用滤波算法对遥感图像进行降噪处理，以消除图像中的噪声和干扰，提高图像的清晰度和质量。
特征提取：从经过处理的遥感图像中提取出与农作物长势相关的特征信息，如叶面积指数、生物量等参数。
模式识别：利用提取的特征信息，结合机器学习和深度学习等技术，实现对农作物长势的分类和识别。
实际案例中，可以通过对农作物长势的综合遥感监测，预测作物的产量和生长状况，从而为农业管理和决策提供科学依据。例如，美国农业部利用卫星遥感数据成功预测了玉米、大豆等作物的产量，为农业生产提供了重要的参考。
利用遥感技术进行垦区水稻长势监测研究
・ ５８ ・ 现代化农业 ２０１２年第９期（总第３９８期）
利用遥感技术进行垦区水稻长势监测研究
杜桂莲，刘义 （黑龙江省农垦科学院科技情报研究所，哈尔滨１５００３８）
摘要：以黑龙江省衣垦建三江管理局为研究对象，利用ＧＰＳ 、ＥＲＤＡＳ和ＡＲＣＭＡＰ等软件，以中国环境资源卫 星为遥感信息源，在深入了解农作物长势估产国内外相关研究进展，以及对建三江地质地貌、气候、土壤、植被等进 行综合分析的基础上，利用遥感技术，结合２０１０年建三江管理局水稻面积提取数据，进行２０１０年建三江管理局水 ‘
稻长势监测研究。 ’ 关键词：遥感技术；水稻；长势监测；建三江垦区 ‘
０ 引言
当前世界面临人口、资源、环境、发展等一系列问题，保护与合理利用土地、充分发挥土地功能、合理提高 粮食产量已受到世界各国政府和科学家的高度重视。我国是一个人口众多的农业大国，对粮食安全问题任
何时候都不能放松。粮食安全生产的一项重要措施就是及时、准确地了解农作物长势和预测产量。水稻是 我国的主要粮食作物，产量位居全国三大粮食作物之首。获取大范围的水稻种植面积、长势和产量信息对指
导水稻生产、合理灌溉、合理利用土地资源、提高粮食产量以及监测环境变化等都具有重要意义。
１研究区概况
黑龙江省农垦建三江管理局是我国“最早迎接太阳的垦区”，位于祖国北部边陲的三江平原腹地，与同
江、富锦、抚远、饶河两市两县相邻，系黑龙江、松花江、乌苏里江汇流的河间地带。总面积１．２４万ｋｍ。，占整
个黑龙江垦区面积的２２ 。气候属于寒温带大陆性季风气候，夏季短促、湿润、温热；冬季长而寒冷、少雪； 春季多大风；夏、秋多阵雨。年平均气温１～２℃，极低温达零下４１℃，极高温达３８℃。年降雨量５００～
６００ｍｍ，６～８月降水量占全年的６０ ～７Ｏ％。全年日照时数２３００～２６００ｈ，年蒸发量１０００～１２００ｍｍ，无霜 期ｌ２０～１３５ｄ。主要土壤类型为草甸土、白浆土和沼泽土，占耕地和宜耕荒地总面积的８Ｏ ，另外还有黑土、
水稻生长影像采集及长势监测的研究
袄林科技 民营科技２０１４年第３期
水稻生长影像采集及长势监测的研究
穆彦辰’李爱传’王少农。王熙２
（１．黑龙江八一农垦大学，黑龙江大庆１６３０００；２．信息技术学院工程学院，黑龙江大庆１６３３１９）
摘要：本研究以八五九农场为载体，目标是建立一个寒地水稻生长影像采集及长势监测系统，更直观地为农场水稻的生产提供
决策支持信息。以下提出利用数字图像处理技术对实时拍摄的寒地水稻图像进行对比计算，并依此获取寒地水稻的生长状态，进而实
现对水稻长势进行监测，对于最大限度地节约能源并使水稻高产具有重要意义。
关键词：水稻长势；影像采集；图像处理；数码相机
目前国内外对水稻、小麦、玉米、牧草等长势的监测大多实行基
于遥感技术的大面积监测和地面人工局部监测观察ｌ】１。美国曾成功
利用遥感资料，分析小麦长势，得出了小麦的产量分布隋况Ｉ２］。通过
作物长势的监测可及时了解作物的生长状况、肥力、病虫害及作
物营养状况，便于采取各种管理措施，从而保证作物的正常生长。
田间定点照相并结合无线数传，可大大减少了人力劳动，提高了
工作效率。
针对传统的人工观察法效率低下，无法满足对试验田各个试
验组合进行数据采集的要求，且观察结果主观性强，不仅消耗大
量人力，另外，需要观察者有丰富的经验和农作知识，而且重复性
的采集测量还会扰动作物生长生态环境，产生人为误差［３１。遥感监
测、远程监测等方法受观测范围所限且不适合单个农场实时快
速、小面积监测等不足，以下提出利用图像处理技术对所拍摄到
的水稻图像进行分析处理，并据此获取水稻的生长状态，进而实
现对水稻长势进行监测。
１研究目标和内容 研究目标：对水稻生长过程全程监控，获取水稻各期生长状
况、病虫草害等动态信息，为作物生产管理者或管理决策者提供
及时、准确的图像数据信息，便于农户采取各种管理措施。由于全
程监控系统的建立，可以对水稻从出生到其成熟的最后转化进行
全程监督，一旦出现问题，即可追溯到任何可能环节。也可区分出
使用卫星遥感进行农作物遥感监测的步骤
使用卫星遥感进行农作物遥感监测的步骤
导语：随着科技的不断发展，卫星遥感技术在农业领域的应用愈发广泛。利用卫星遥感技术进行农作物遥感监测，能够帮助农业管理者获取大范围、高分辨率的农作物信息，为农田管理和农业生产决策提供科学依据。本文将探讨使用卫星遥感进行农作物遥感监测的步骤。
一、数据获取
卫星遥感监测需要获取卫星影像数据。首先，选择合适的卫星，如Landsat卫星、Sentinel卫星等，根据监测需求选择相应的传感器波段组合，例如红外波段、热红外波段等。然后，利用卫星传输或数据购买的方式获取卫星影像数据。数据获取后需进行图像校正，以消除大气扰动和地形效应。
二、数据预处理
卫星影像数据获取后，需要进行一系列的预处理工作。首先是辐射定标，将原始数据转换为辐射亮度值。然后进行大气校正，通过模型算法去除大气干扰，以提高农作物信息的准确性。接下来是几何校正，通过与地面控制点的对应关系将卫星影像的地理坐标与实际地理坐标对齐。最后是影像融合，将多个波段的影像数据融合成多光谱影像，以提高农作物监测的精度。
三、农作物分类
农作物分类是卫星遥感监测的核心步骤之一。通过对农田卫星影像进行图像处理和数字化处理，将不同农作物在影像中进行区分和分类。常用的分类算法有最大似然法、支持向量机等。利用这些算法，可以将农田遥感影像中的农作物进行自动分类，并得到农作物的空间分布图。
四、指标提取 农作物遥感监测除了进行分类外，还需要从卫星影像中提取相关的农作物指标。通过遥感影像和植物生长特性之间的关系，可以提取出农田地块的农作物生长状况、叶绿素含量、湿度等指标。常用的指标有归一化植被指数（NDVI）、地形湿度指数（TPI）等。这些指标可以为农业生产管理者提供决策支持，信实于对农作物健康和生产潜力的判断。
五、数据分析与应用
获取农作物监测和指标提取的数据后，需要进行数据分析和应用。通过对大范围农作物遥感监测数据进行分析，可以了解不同地区农作物的种植状况、分布情况等。根据提取出的农作物指标，可评估农田的生态状况和土壤质量，并辅助决策者合理安排农业耕作、防灾减灾等工作。同时，可以将农作物监测数据与农业地理信息系统（GIS）相结合，实现农田资源的管理和决策的空间分析。