【评估水田休耕对中国东北三江平原水资源安全的影响】
水稻生长需要消耗大量的水资源，水稻种植的扩张会增加水资源的供需矛盾。水田休耕对农业可持续发展具有重要意义，但准确、快速地监测水田休耕的位置与面积仍是一个巨大的挑战。
水田在水稻移栽期具有独特的物候特性，本研究通过对比水田休耕前后物候的差异，提出了一种基于物候的水田休耕制图算法。利用Google Earth Engine（GEE）和时间序列Landsat 8影像，结合基于物候的水田休耕制图算法提取了2018年中国三江平原的水田休耕地范围。
结果表明：基于Landsat 8影像、GEE和基于物候的水田休耕制图算法对三江平原水田休耕地制图是有效的；根据遥感监测，2018年三江平原水田休耕总面积为91543公顷；使用地面样点进行精度验证，本研究提取的水田休耕地生产者精度为83%，使用者精度为81%；本研究提取的水田休耕地面积与农业统计数据也有良好的相关性；由水田休耕面积估计，2018年三江平原由于水田休耕减少的灌溉用水量为3.84–5.21亿立方米。
研究结果可为今后的水田休耕补助发放、水田休耕效果评价及后续水田休耕政策的完善提供依据。
论文链接：https://t.cn/A6xNyW0t
Cite this article: LUO Chong, LIU Huan-jun, FU Qiang, GUAN Hai-xiang, YE Qiang, ZHANG Xin-le, KONG Fan-chang. 2020. Mapping the fallowed area of paddy fields on Sanjiang Plain of Northeast China to assist water security assessments. Journal of Integrative Agriculture, 19(7): 1885–1896.
#遥感##农业生态环境##东北三江平原#
水稻生长需要消耗大量的水资源，水稻种植的扩张会增加水资源的供需矛盾。水田休耕对农业可持续发展具有重要意义，但准确、快速地监测水田休耕的位置与面积仍是一个巨大的挑战。
水田在水稻移栽期具有独特的物候特性，本研究通过对比水田休耕前后物候的差异，提出了一种基于物候的水田休耕制图算法。利用Google Earth Engine（GEE）和时间序列Landsat 8影像，结合基于物候的水田休耕制图算法提取了2018年中国三江平原的水田休耕地范围。
结果表明：基于Landsat 8影像、GEE和基于物候的水田休耕制图算法对三江平原水田休耕地制图是有效的；根据遥感监测，2018年三江平原水田休耕总面积为91543公顷；使用地面样点进行精度验证，本研究提取的水田休耕地生产者精度为83%，使用者精度为81%；本研究提取的水田休耕地面积与农业统计数据也有良好的相关性；由水田休耕面积估计，2018年三江平原由于水田休耕减少的灌溉用水量为3.84–5.21亿立方米。
研究结果可为今后的水田休耕补助发放、水田休耕效果评价及后续水田休耕政策的完善提供依据。
论文链接：https://t.cn/A6xNyW0t
Cite this article: LUO Chong, LIU Huan-jun, FU Qiang, GUAN Hai-xiang, YE Qiang, ZHANG Xin-le, KONG Fan-chang. 2020. Mapping the fallowed area of paddy fields on Sanjiang Plain of Northeast China to assist water security assessments. Journal of Integrative Agriculture, 19(7): 1885–1896.
#遥感##农业生态环境##东北三江平原#
【基于30米参考时间序列的作物早期识别】
农作物早期识别是农作物生长监测和产量预估的基础，但缺乏地面调查样本的问题制约了作物遥感识别，而现有缺乏地面训练样本条件下的作物识别方法在地块破碎区域并不适用。
因此，本文提出30米参考时间序列方法（30m-RBM），通过融合Landsat-8和Sentinel-2数据，提高30米分辨率归一化植被指数（NDVI）和增强植被指数（EVI）时间序列的时间分辨率，构建作物30米分辨率的参考NDVI和EVI时间序列曲线，并使用该参考时间序列代替地面调查样本，进行30米分辨率作物识别。
本文在衡水地区对该方法的实验结果表明，在使用完整生长季的数据识别作物时，30m-RBM的总体分类精度高于95%，这与使用地面训练样本识别作物获得的分类精度类似。另外，本文将分类的制图精度和用户精度均高于85%作为作物识别结果“准确”的标准，则30m-RBM准确识别棉花、春播玉米和夏播玉米的时间比其收获时间分别提前8周、6周和8周。最后，由于NDVI在作物生长初期对作物生长的进程更敏感，所以使用NDVI进行作物早期识别精度更高。
相比已有方法，30m-RBM直接使用30m分辨率的遥感数据构建参考NDVI和EVI时间序列，在缺乏地面样本的情况下，更适用于地块相对破碎地区的作物识别，该方法也为农作物遥感识别提供了新的思路。
文章链接：https://t.cn/A6xNLSaz
Cite this article: HAO Peng-yu, TANG Hua-jun, CHEN Zhong-xin, MENG Qing-yan, KANG Yu-peng. 2020. Early-season crop type mapping using 30-m reference time series. Journal of Integrative Agriculture, 19(7): 1897–1911.
#遥感##农业生态环境##作物识别#
农作物早期识别是农作物生长监测和产量预估的基础，但缺乏地面调查样本的问题制约了作物遥感识别，而现有缺乏地面训练样本条件下的作物识别方法在地块破碎区域并不适用。
因此，本文提出30米参考时间序列方法（30m-RBM），通过融合Landsat-8和Sentinel-2数据，提高30米分辨率归一化植被指数（NDVI）和增强植被指数（EVI）时间序列的时间分辨率，构建作物30米分辨率的参考NDVI和EVI时间序列曲线，并使用该参考时间序列代替地面调查样本，进行30米分辨率作物识别。
本文在衡水地区对该方法的实验结果表明，在使用完整生长季的数据识别作物时，30m-RBM的总体分类精度高于95%，这与使用地面训练样本识别作物获得的分类精度类似。另外，本文将分类的制图精度和用户精度均高于85%作为作物识别结果“准确”的标准，则30m-RBM准确识别棉花、春播玉米和夏播玉米的时间比其收获时间分别提前8周、6周和8周。最后，由于NDVI在作物生长初期对作物生长的进程更敏感，所以使用NDVI进行作物早期识别精度更高。
相比已有方法，30m-RBM直接使用30m分辨率的遥感数据构建参考NDVI和EVI时间序列，在缺乏地面样本的情况下，更适用于地块相对破碎地区的作物识别，该方法也为农作物遥感识别提供了新的思路。
文章链接：https://t.cn/A6xNLSaz
Cite this article: HAO Peng-yu, TANG Hua-jun, CHEN Zhong-xin, MENG Qing-yan, KANG Yu-peng. 2020. Early-season crop type mapping using 30-m reference time series. Journal of Integrative Agriculture, 19(7): 1897–1911.
#遥感##农业生态环境##作物识别#
【基于遥感数据的冬小麦氮素营养指数构建】
氮素营养指数（NNI）是作物氮素诊断的可靠指标。然而，目前还没有适用于多生育时期NNI反演的光谱指数。
为克服传统NNI直接反演方法（NNIT1）和通过反演生物量（AGB）和植株氮浓度（PNC）进行NNI间接反演方法（NNIT2）在多生育期应用的局限性，本文构建了一个新的NNI遥感指数（NNIRS）。本文基于连续四年（2012–2013（Exp.1），2013–2014（Exp.2），2014–2015（Exp.3）和2015–2016（Exp.4））的冬小麦田间试验，采用交叉验证方法利用氮素相关植被指数和生物量相关植被指数构建了遥感关键氮浓度稀释曲线（Nc_RS）和根据NNI构建原理得到的NNIRS进行综合评价。
结果表明：（1）由标准叶面积指数决定指数（sLAIDI）和红边叶绿素指数（CIred edge）构建的NNIRS模型表达式为NNIRS=CIred edge/（a×sLAIDIb），在Exp.1/2/4，Exp.1/2/3，Exp.1/3/4和Exp.2/3/4中参数“a”分别等于2.06，2.10，2.08和2.02，参数“b”分别等于0.66，0.73，0.67和0.62；（2）与NNIT1和NNIT2模型相比，NNIRS模型的精度最高（R2的范围为0.50–0.82，RMSE的范围为0.12–0.14）；（3）NNIRS在验证数据集中也达到了较好的精度，RMSE分别为0.09，0.18，0.13和0.10。
因此，本文认为NNIRS模型在氮素遥感诊断中具有较大的潜力。
文章链接：https://t.cn/A6xN28mm
Cite this article:ZHAO Yu, WANG Jian-wen, CHEN Li-ping, FU Yuan-yuan, ZHU Hong-chun, FENG Hai-kuan, XU Xin-gang, LI Zhen-hai. 2021. An entirely new approach based on remote sensing data to calculate the nitrogen nutrition index of winter wheat. Journal of Integrative Agriculture, 20(9): 2535–2551.
#遥感##农业生态环境##NNI遥感指数#
氮素营养指数（NNI）是作物氮素诊断的可靠指标。然而，目前还没有适用于多生育时期NNI反演的光谱指数。
为克服传统NNI直接反演方法（NNIT1）和通过反演生物量（AGB）和植株氮浓度（PNC）进行NNI间接反演方法（NNIT2）在多生育期应用的局限性，本文构建了一个新的NNI遥感指数（NNIRS）。本文基于连续四年（2012–2013（Exp.1），2013–2014（Exp.2），2014–2015（Exp.3）和2015–2016（Exp.4））的冬小麦田间试验，采用交叉验证方法利用氮素相关植被指数和生物量相关植被指数构建了遥感关键氮浓度稀释曲线（Nc_RS）和根据NNI构建原理得到的NNIRS进行综合评价。
结果表明：（1）由标准叶面积指数决定指数（sLAIDI）和红边叶绿素指数（CIred edge）构建的NNIRS模型表达式为NNIRS=CIred edge/（a×sLAIDIb），在Exp.1/2/4，Exp.1/2/3，Exp.1/3/4和Exp.2/3/4中参数“a”分别等于2.06，2.10，2.08和2.02，参数“b”分别等于0.66，0.73，0.67和0.62；（2）与NNIT1和NNIT2模型相比，NNIRS模型的精度最高（R2的范围为0.50–0.82，RMSE的范围为0.12–0.14）；（3）NNIRS在验证数据集中也达到了较好的精度，RMSE分别为0.09，0.18，0.13和0.10。
因此，本文认为NNIRS模型在氮素遥感诊断中具有较大的潜力。
文章链接：https://t.cn/A6xN28mm
Cite this article:ZHAO Yu, WANG Jian-wen, CHEN Li-ping, FU Yuan-yuan, ZHU Hong-chun, FENG Hai-kuan, XU Xin-gang, LI Zhen-hai. 2021. An entirely new approach based on remote sensing data to calculate the nitrogen nutrition index of winter wheat. Journal of Integrative Agriculture, 20(9): 2535–2551.
#遥感##农业生态环境##NNI遥感指数#
✋热门推荐