基于多时相航空高光谱遥感影像的冬小麦长势空间变异研究

《基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报》篇一一、引言随着科技的进步和全球气候变化的影响，农作物产量的预测变得越来越重要。

作为重要的粮食作物之一，冬小麦的产量和品质预测对于农业生产、市场供应以及政策制定都具有重要意义。

近年来，随着遥感技术和气象预报技术的不断发展，基于遥感数据和气象预报数据的DSSAT模型在冬小麦产量和品质预测中得到了广泛应用。

本文旨在探讨基于遥感数据和气象预报数据的DSSAT模型在冬小麦产量和品质预测中的应用。

二、方法1. 数据来源本研究使用的数据包括遥感数据、气象预报数据以及农田管理数据。

其中，遥感数据主要用于获取冬小麦的生长信息和空间分布情况；气象预报数据包括温度、降水、光照等关键气象因子；农田管理数据包括种植品种、施肥量、灌溉情况等。

2. DSSAT模型简介DSSAT（Decision Support System for Agrotechnology Transfer）模型是一种基于作物生长过程的农业决策支持系统，可对农作物的生长、发育和产量进行模拟和预测。

该模型包括多个子模型，可针对不同的农作物和地域条件进行定制化。

3. 模型构建与实现基于遥感数据和气象预报数据，本研究构建了DSSAT模型用于冬小麦产量和品质的预测。

首先，通过遥感数据获取冬小麦的空间分布和生长信息；其次，结合气象预报数据，将关键气象因子输入DSSAT模型中；最后，结合农田管理数据，对冬小麦的生长过程进行模拟和预测。

三、结果与分析1. 产量预测通过DSSAT模型对冬小麦的产量进行预测，结果表明该模型可以较为准确地预测冬小麦的产量。

通过对历史数据的拟合和分析，发现模型对不同地区、不同年份的冬小麦产量都有较好的预测效果。

此外，通过对比实际产量与预测产量，可以发现模型的预测精度较高，为农业生产提供了重要的参考依据。

2. 品质预测除了产量预测外，DSSAT模型还可以对冬小麦的品质进行预测。

基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报随着农业生产的不断发展，粮食安全问题日益突出，冬小麦作为我国的主要粮食作物之一，其产量和品质的预测具有重要意义。

传统的冬小麦产量和品质预测主要依靠农业人员的经验和个人观察，存在主观性强、时效性差等问题。

因此，如何运用先进的遥感数据和气象预报数据进行冬小麦产量和品质预测，成为当前的研究热点。

本文将介绍一种基于DSSAT模型的冬小麦产量和品质预测方法，该方法结合遥感数据和气象预报数据，具备较高的准确性和实用性。

首先，我们需要了解DSSAT模型的原理。

DSSAT（Decision Support System for Agrotechnology Transfer）是一套用于农作物生长和种植管理决策支持的模型系统。

该模型可以使用真实地理环境、气象、土壤种类和农艺管理措施等参数，通过模拟农业生产的不同阶段，从而对作物的产量和品质进行预测。

接下来，我们需要获得用于模型输入的遥感数据和气象预报数据。

遥感数据可以通过卫星遥感技术获取，包括植被指数、地表温度、降雨量等信息，这些数据可以提供冬小麦生长环境的监测指标。

气象预报数据可以从气象局等机构获取，包括气温、相对湿度、降雨概率等信息，这些数据可以提供冬小麦生长过程中的气候条件。

将遥感数据和气象预报数据输入DSSAT模型中，通过模拟冬小麦生长的各个阶段，包括播种、萌芽、抽穗等，并考虑到不同的农艺管理措施，如施肥、灌溉、杂草防治等，模型可以得出一个关于冬小麦产量和品质的预测结果。

同时，DSSAT模型可以根据实际情况进行调整和优化，以提高预测结果的准确性。

基于DSSAT模型的冬小麦产量和品质预测方法具有很高的应用前景。

首先，该方法可以实现对冬小麦产量和品质的快速预测，大大提高了农业决策的精度和决策效率。

其次，该方法可以帮助农民和相关部门预测冬小麦产量和品质的变化趋势，及时采取相应的措施，以保障粮食安全。

此外，该方法还可以对气候变化等因素进行分析，为冬小麦的种植和管理提供科学依据。

基于时间序列MODIS-NDVI的冬小麦遥感识别刘剑锋;贾玉秋;张喜旺【摘要】In this paper, TM image covering the study area is used to update land use data, from which we can identify where winter wheat may be planted. Then a mask is created, which can reduce interference of other vegetation. Based on the selected samples of winter wheat, NDVI time series of the pure winter wheat pixels are extracted from NDVI products. Then an winter wheat identification model is constructed according to the NDVI curve features. Within the limited range, winter wheat will be identified based on the recognition model, and then the two-scale data are processed in a comprehensive way. Statistical yearbook data and random sampling are used to analyze the accuracy. The results show that the winter wheat acreage is 268.65×103 hm2 in the study area, Acreage accuracy is 91.56% and location accuracy is 87.46%. Compared with field surveys and artificial interpretation, it greatly improves the work efficiency and reduces the workload. Due to the low spatial resolution of MODIS, this method is suitable for crop type identification at regional scale in a large area.%利用TM影像更新研究区的土地利用数据,提取冬小麦可能出现的区域作为掩膜限定识别范围,从而可以减少其他植被类型信息的干扰;通过选取冬小麦样点,在时间序列NDVI数据中提取纯冬小麦的时序曲线,根据曲线特征构建时相识别模型;在限定的范围内根据识别模型提取冬小麦,进而将两个尺度数据进行综合处理和面积统计,冬小麦面积为268.65×103 hm2;利用统计年鉴数据和随机抽样两种方法进行精度分析,结果显示面积精度为91.56%,位置精度为87.46%.与实地调查和人工解译相比,大大提供了工作效率,减少了工作量,适用于大面积区域尺度的冬小麦监测.【期刊名称】《湖北农业科学》【年(卷),期】2017(056)008【总页数】4页(P1560-1563)【关键词】多时相;NDVI;土地利用类型;冬小麦识别【作者】刘剑锋;贾玉秋;张喜旺【作者单位】黄河水利职业技术学院,河南开封 475004;黄河中下游数字地理技术教育部重点实验室,河南开封 475004;黄河中下游数字地理技术教育部重点实验室,河南开封 475004【正文语种】中文【中图分类】TP79遥感技术在实现大面积作物长势监测、遥感估产、病虫害防治等农业生产过程中发挥了很大作用，是促进农业信息化发展的手段之一。

基于多时相遥感影像识别与分析高原主要农作物
赵小娟;王霞;李琳;井梅秀;苏妍;刘晓玲;马建军
【期刊名称】《青海农技推广》
【年(卷),期】2022()2
【摘要】本文基于归一化植被指数和决策树分类方法,借助多时相高分辨率遥感影像,利用青海省高原地区主要农作物的物候信息,结合地面调查和无人机测绘手段分析省内具有代表性意义的研究区的主要农作物。

结果表明归一化植被指数和决策树分类方法对高原主要农作物的面积识别具有较好的可靠性。

因此,基于多时相遥感影像数据分区域识别高原主要农作物,将有效解决高原地区因客观因素所造成的农作物面积提取的误差,为高原高海拔农作物面积识别与提取提供理论基础与技术指导。

【总页数】6页(P31-36)
【作者】赵小娟;王霞;李琳;井梅秀;苏妍;刘晓玲;马建军
【作者单位】青海省农牧业区划遥感中心;青海地理信息产业发展有限公司
【正文语种】中文
【中图分类】S127
【相关文献】
1.基于多时相遥感影像采煤塌陷湿地扰动识别与格局分析
——以江苏省徐州市潘安湖湿地为例2.基于多时相遥感影像的采煤塌陷区典型扰动轨迹识别——以山东省济宁市典型高潜水位矿区为例3.多源DEM和多时相遥
感影像监测冰川体积变化——以青藏高原那木纳尼峰地区为例4.基于多源、多时相遥感影像的高原湖泊提取及其不确定性——以西藏羊卓雍错流域为例
因版权原因，仅展示原文概要，查看原文内容请购买。

基于SAR卫星影像的农作物生长监测研究近年来，随着遥感技术的迅速发展，基于SAR卫星影像的农作物生长监测逐渐成为研究热点。

SAR卫星影像具有不受云层和大气影响的优势，且具有高分辨率和高灵敏度的特点，被广泛应用于农业生产、自然资源管理和环境监测等领域。

一、SAR卫星影像在农作物生长监测中的应用在农作物生长监测方面，SAR卫星影像主要用于土壤水分监测和农田覆盖度计算。

土壤水分是影响农作物生长的重要因素之一，通过SAR卫星影像可以获取农田土壤水分信息，从而指导灌溉和农田管理。

同时，利用SAR卫星影像可以计算农田覆盖度，该指标反映出农作物的生长状况，对于农业生产的调控和管理具有重要意义。

二、SAR卫星影像在农作物生长监测中的研究进展目前，相关学者已经开始对SAR卫星影像在农作物监测中的应用进行了一系列的研究。

在SAR卫星影像的处理方面，研究人员主要探讨了相干性或幅度数据的时间序列分析、极化数据的应用以及多源数据的融合等技术手段，以提高监测精度和效果。

在具体应用方面，学者们关注了农田覆盖度和土壤水分等指标的计算方法和误差分析，同时也考虑了不同农作物种植区域之间的差异性。

三、未来发展方向随着遥感技术的不断改进和SAR卫星影像的不断丰富，相信SAR卫星影像在农作物生长监测中的应用将会越来越广泛。

未来的研究方向主要包括：1. 基于机器学习算法的数据解释和提取；2. 农作物生长监测数据和气象、土地等数据的融合应用；3. 多源数据的集成和数据决策支持系统的建立。

四、结语基于SAR卫星影像的农作物生长监测是农业生产中的一个重要研究领域，该技术的应用将会为现代化农业的发展提供有力支持。

加强SAR卫星影像的应用研究，将会为提高农业生产效率、保护自然资源和环境，推动可持续发展等方面发挥积极的作用。

遥感影像空谱特征提取与分类方法研究一、概述随着遥感技术的飞速发展，遥感影像在地理信息获取、环境监测、城市规划等领域发挥着越来越重要的作用。

遥感影像通常具有丰富的空间信息和光谱信息，如何从这些海量的数据中有效地提取出有用的信息并进行准确的分类，是当前遥感领域研究的热点和难点问题之一。

研究遥感影像的空谱特征提取与分类方法，对于提高遥感影像的解译精度和效率，推动遥感技术的应用和发展，具有重要的理论价值和现实意义。

空谱特征提取是遥感影像处理中的关键步骤，其目的是从遥感影像中提取出反映地物本质属性的特征信息。

空间特征主要描述了地物在影像中的空间分布和几何形态，如纹理、形状、大小等而光谱特征则反映了地物在不同波段上的反射或辐射特性，是遥感影像分类的重要依据。

如何有效地融合空间特征和光谱特征，提高遥感影像的分类精度，一直是遥感领域的研究重点。

目前，遥感影像的分类方法主要包括基于像素的分类和面向对象的分类。

基于像素的分类方法主要依赖于像素的光谱信息，通过设定阈值或构建分类器来实现影像的分类。

这种方法简单易行，但忽略了像素间的空间关系，容易导致“同物异谱”和“异物同谱”现象的产生，从而影响分类精度。

面向对象的分类方法则是以影像中的对象为基本处理单元，充分利用对象的空间信息和光谱信息进行分类。

这种方法能够更好地描述地物的实际特征，提高分类的准确性和效率。

本文旨在研究遥感影像的空谱特征提取与分类方法，通过融合空间特征和光谱特征，提高遥感影像的分类精度和效率。

本文首先将对遥感影像的空谱特征提取方法进行深入研究，探讨不同特征提取方法的优缺点和适用范围本文将研究面向对象的分类方法，包括对象分割、特征提取和分类器构建等关键步骤本文将通过实验验证所提方法的有效性和优越性，为遥感影像的分类提供新的思路和方法。

1. 遥感影像的重要性及其在地球观测中的应用遥感影像，作为现代地球观测技术的重要组成部分，以其独特的视角和强大的信息提取能力，对地球科学的深入研究和人类社会的持续发展具有重大意义。

遥感影像信息处理技术的研究进展一、本文概述遥感影像信息处理技术是遥感科学领域的核心技术之一，随着遥感技术的快速发展，其在地理信息系统、环境监测、城市规划、灾害预警等多个领域的应用越来越广泛。

遥感影像信息处理技术的主要任务是对获取的遥感影像进行预处理、增强、解译和分类等处理，以提取出有用的信息。

近年来，随着深度学习、人工智能等技术的兴起，遥感影像信息处理技术也取得了显著的进展。

本文旨在全面综述遥感影像信息处理技术的研究进展，包括预处理技术、特征提取技术、分类技术、目标检测技术以及应用领域的最新发展，以期为相关领域的研究者和实践者提供有益的参考和启示。

二、遥感影像信息处理技术概述遥感影像信息处理技术是一种集成了多种学科知识的综合性技术，主要包括计算机科学、数学、物理学、地理学以及环境科学等。

其核心在于从各种遥感平台（如卫星、无人机、高空气球等）获取的遥感影像中提取有用的信息，以满足对地表、大气、海洋等自然环境的监测、评估和管理需求。

遥感影像信息处理技术主要包括预处理、图像增强、特征提取和识别、信息提取和应用等步骤。

预处理阶段主要对原始遥感影像进行辐射校正、几何校正等，以提高影像的质量。

图像增强则通过一系列算法，如直方图均衡化、滤波等，改善图像的视觉效果，提高后续处理的准确性。

特征提取和识别则是通过特定的算法，如边缘检测、纹理分析等，从图像中提取出关键信息，如地物类型、形状、大小等。

信息提取和应用阶段则是将前面步骤得到的信息进行整合和分析，以满足各种实际应用需求。

随着遥感技术的快速发展，遥感影像信息处理技术也在不断进步。

一方面，随着遥感平台的多样化和遥感数据的丰富化，遥感影像信息处理技术需要处理的数据类型和复杂度也在不断增加。

另一方面，随着计算机科学和人工智能技术的快速发展，遥感影像信息处理技术也在不断引入新的理论和方法，如深度学习、神经网络等，以提高处理的准确性和效率。

遥感影像信息处理技术是遥感技术的重要组成部分，其在环境监测、城市规划、灾害预警、资源调查等领域有着广泛的应用前景。

融合物候知识和多时相遥感的冬小麦种植面积提取作者：刘伟诚马静来源：《现代信息科技》2022年第06期摘要：选用播种期和灌浆期两景Landsat8卫星影像进行冬小麦种植面积提取研究。

结合研究区冬小麦生长物候知识，提取两期遥感影像的归一化差值植被指数（NDVI），并进行运算处理，提取出研究区冬小麦种植面积。

同时基于灌浆期遥感影像，采用最大似然法进行监督分类处理，进而提取研究区冬小麦种植面积。

将两种方法提取的冬小麦种植面积与官方统计数据进行精度对比，结果表明，物候知识法提取精度较最大似然法提取精度高。

关键词：冬小麦;种植面积提取;物候知识法;最大似然法中图分类号：TP391 文献标识码：A文章编号：2096-4706（2022）06-0141-04Extraction of Winter Wheat Planting Area of Fusion on Phenological Knowledge and Multi Temporal Remote SensingLIU Weicheng1， MA Jing2（1. Guangdong Tianxin Electric Power Engineering Testing Co.， Ltd.， Guangzhou 510663， China ; 2.Scientific Institute of Pearl River Protection，Guangzhou， Guangzhou 510611， China）Abstract： This paper selects two satellite images of Landsat8 during sowing and filling to study the winter wheat planting area extraction. It combines with the winter wheat growth and phenological knowledge of the study area， extracts two periods remote sensing images of the Normalized Difference Vegetation Index （NDVI）， and it does the operation and processing to extract winter wheat planting area of the study area. Meanwhile， based on the remote sensing images in the filling stage， the maximum likelihood method is used for supervised classification and processing， and then extracts the planting area of winter wheat in the study area. The accuracy of winter wheat planting area extracted by the two methods is compared with the official statistical data， and the results show that the extraction accuracy of phenological knowledge method is higher than that of maximum likelihood method.Keywords： winter wheat; planting area extraction; phenological knowledge method; maximum likelihood method0 引言冬小麦是世界主要粮食作物之一，及时了解冬小麦种植面积，对开展冬小麦长势监测和估产、区域粮食安全评估等工作具有重要的社会意义[1]。

冬小麦种植面积遥感提取方法研究权文婷;王钊【摘要】提取冬小麦种植面积是开展冬小麦长势监测和估产工作的重要环节,如何提高其提取精度是国内外研究的热点.针对不同空间分辨率的遥感图像,采取不同的遥感解译模型,得到更高的信息提取精度,是利用遥感方法提取冬小麦种植面积的关键.在对国内、外调研的基础上,将冬小麦种植面积遥感提取研究方法归纳为目视解译与计算机自动分类、面向像元分类、基于地块分类、遥感解译模型分类和基于纹理特征分类等5类.综述评价了主要的冬小麦种植面积遥感提取研究方法,讨论了目前冬小麦种植面积遥感提取存在的问题及未来发展方向.关注地形复杂、耕地破碎度较高及种植结构复杂地区的冬小麦种植面积提取,遥感数据、GIS和气象数据等相结合、多源多时相遥感数据相结合、地面光谱测量数据与高光谱图像数据相结合,以及验证数据的改变等,是提高冬小麦种植面积遥感提取精度的研究方向.【期刊名称】《国土资源遥感》【年(卷),期】2013(025)004【总页数】8页(P8-15)【关键词】遥感;冬小麦种植面积;信息提取;综述【作者】权文婷;王钊【作者单位】陕西省农业遥感信息中心,西安710014;陕西省农业遥感信息中心,西安710014【正文语种】中文【中图分类】TP790 引言冬小麦是世界主要粮食作物之一。

区域冬小麦种植面积是影响冬小麦总产量的主要因子。

近年来，随着气候变暖、耕地占用和种植结构调整等自然条件和人文影响，冬小麦种植范围出现了变化。

及时了解冬小麦种植面积，对开展冬小麦长势监测和估产、区域粮食安全评估等工作具有重要的社会意义。

同时，农业管理部门及时掌握冬小麦种植分布情况，也有助于提高生产管理效率。

遥感技术具有探测面积大、数据更新周期短、真实客观等特点，是快速、准确提取冬小麦种植面积的有效手段之一[1]，长期以来也是众多学者研究的热点[2－4]。

近年来，随着空间技术的日益发展，高空间分辨率、高光谱分辨率、高时间分辨率以及微波等探测技术不断应用到农业遥感领域;而新的解译模型的开发，将会进一步提高冬小麦种植面积遥感提取的精度。

基于遥感的农作物生长监测方法在当今农业领域，精准高效地监测农作物生长状况对于保障粮食安全、优化农业生产管理以及实现可持续农业发展具有至关重要的意义。

遥感技术的出现为农作物生长监测带来了全新的视角和强大的工具，使得我们能够从宏观角度全面、实时地了解农作物的生长态势。

遥感，简单来说，就是不直接接触目标物体，而是通过传感器接收来自目标物体反射或发射的电磁波信息，进而对其进行分析和处理的技术。

在农作物生长监测中，常用的遥感平台包括卫星、飞机和无人机等。

卫星遥感具有覆盖范围广、周期性强等优点。

通过不同波段的卫星影像，我们可以获取大面积农作物的生长信息。

例如，可见光波段能够反映农作物的颜色和形态特征，近红外波段则对农作物的叶绿素含量和叶面积指数较为敏感。

利用这些波段的组合和分析，可以初步判断农作物的生长阶段、健康状况以及种植面积等。

飞机遥感在精度和灵活性方面具有一定优势。

它可以根据需要在特定区域进行飞行监测，获取高分辨率的影像数据。

对于一些大型农场或者农业示范区，飞机遥感能够提供更为详细的农作物生长信息，帮助管理者精准制定施肥、灌溉和病虫害防治等措施。

近年来，无人机遥感在农业中的应用日益广泛。

无人机可以在低空飞行，获取厘米级甚至毫米级分辨率的影像。

这使得我们能够清晰地观察到农作物的个体特征，如叶片的形态、颜色变化，甚至是病虫害的早期迹象。

同时，无人机操作灵活，可以根据农作物的生长阶段和监测需求进行多次飞行，及时跟踪农作物的生长动态。

在遥感数据的处理和分析方面，有多种方法和技术可供选择。

首先是光谱分析，通过比较不同波段的反射率值，计算植被指数，如归一化植被指数（NDVI）、增强型植被指数（EVI）等。

这些植被指数与农作物的生长参数，如生物量、叶面积指数等存在着密切的关系，可以作为评估农作物生长状况的重要指标。

除了光谱信息，纹理特征分析也在农作物生长监测中发挥着重要作用。

纹理反映了影像中像素灰度值的空间分布规律，不同生长状况的农作物在纹理上会表现出差异。

Sentinel2数据的冬小麦地上干生物量估算及评价一、本文概述本文旨在探讨利用Sentinel-2卫星数据进行冬小麦地上干生物量的估算及其评价。

Sentinel-2是欧洲空间局（ESA）发射的一系列高分辨率多光谱成像卫星，为地球观测提供了丰富的光谱信息。

本研究利用Sentinel-2数据，结合地面实测的生物量数据，建立冬小麦地上干生物量的估算模型，并对模型的精度和可靠性进行评价。

通过这一研究，我们期望为冬小麦的产量预测、生长监测以及农业管理提供有效的遥感手段，同时也为类似地区的农作物生物量估算提供参考和借鉴。

本文首先介绍了Sentinel-2卫星数据的特点及其在农业遥感领域的应用现状。

随后，详细阐述了数据预处理、特征提取、模型构建及验证等关键步骤，并采用了多种统计方法和评价指标对模型性能进行全面评估。

在结果分析部分，我们对比了不同模型的估算精度，并探讨了影响估算精度的主要因素。

对本研究的意义、局限性和未来研究方向进行了讨论和展望。

通过本研究，我们期望能够为冬小麦地上干生物量的遥感估算提供更为准确、可靠的方法，为农业生产管理和决策提供有力支持。

也为其他作物生物量的遥感估算提供有益的参考。

二、研究区域与数据来源本研究选取了中国北方的主要冬小麦种植区作为研究区域。

这一区域地理位置独特，气候条件适宜，是我国冬小麦的主要产区，对于保障国家粮食安全具有重要意义。

具体研究区域包括河北、河南、山东等省份的多个县市，覆盖了多种土壤类型和气候条件，以保证研究的普遍性和代表性。

在数据来源方面，本研究主要采用了Sentinel-2卫星遥感数据。

Sentinel-2是欧洲空间局（ESA）发射的一系列高分辨率多光谱成像卫星，具有重访周期短、覆盖范围广、光谱分辨率高等优点，非常适合用于农作物生长监测和生物量估算。

我们获取了研究区域内冬小麦生长季的多时相Sentinel-2影像，涵盖了从播种到收割的整个过程。

除了遥感数据外，本研究还结合了地面实测数据，包括冬小麦的地上干生物量、株高、叶面积指数等农学参数。

基于高光谱反射率的冬小麦生长后期氮素丰度监测研究唐强;李少昆;王克如;谢瑞芝;陈兵;王方永;刁万英;肖春华【摘要】生物量、氮素含量和LAI(leaf area index)是生态系统中表征作物长势最重要的参数,叶干重、叶片氮素含量和LAI实时动态监测对小麦氮素营养诊断和管理调控具有重要意义.选用了五个小麦品种和四个氮素水平的比较实验,研究不同处理冬小麦抽穗到黄熟期氮素丰度(NR)与光谱反射率差值(△R)的关系,建立冬小麦后期氮素丰度监测模型.结果表明,不同品种的冬小麦冠层叶片氮素丰度随生育进程推进而增加.不同氮素处理氮素丰度大小为NO>N3>N1>N2,光谱参量TCARI和VD672与氮素丰度的相关性最好,相关系数(r)分别为0.870和0.855,其建立氮素丰度估测模型的决定系数分别为0.757和0.731,预测准确率达84.56%和80.13%.光谱参数TCARI和VD672可以有效地评价小麦后期冠层叶片氮素状况,可以对氮素丰度进行准确可靠的监测.【期刊名称】《光谱学与光谱分析》【年(卷),期】2010(030)011【总页数】6页(P3061-3066)【关键词】氮素丰度(NR);反射率差值(△R);冬小麦;模型;监测【作者】唐强;李少昆;王克如;谢瑞芝;陈兵;王方永;刁万英;肖春华【作者单位】石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;石河子大学新疆兵团绿洲生态农业重点开放实验室,新疆,石河子832003;中国农业科学院作物科学研究所,农业部作物生理生态与栽培重点开放实验室,北京100081【正文语种】中文【中图分类】O657.3;S127冬小麦生长后期氮素缺乏会造成早衰，导致结实率低、空秕率高，不仅影响了作物增产，而且降低作物品质。

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收稿日期：２０２２－１０－０４基金项目：陕西省自然科学基础研究计划（编号：２０２２ＪＭ－１２８）。