一、“3S”技术在河南省冬小麦遥感估产中的应用研究(论文文献综述)
王远征[1](2020)在《基于物候调整的华北平原冬小麦产量遥感估测》文中指出及时准确对粮食产量进行估测,对保证我国粮食安全以及粮食政策的实时具有重要意义,随着遥感技术的发展,提高了农作物估产的时效性,并且能够对大范围内农作物进行估产。在大范围内进行粮食估产时,由于热量,地理位置等因素的影响,农作物物候期具有一定的差异性,因此本文在对粮食产量进行估测时,将物候差异性考虑其中。采用MODIS EVI时间序列数据,首先根据冬小麦曲线特征提取冬小麦种植区,接着识别冬小麦返青期,最后根据冬小麦返青期对时间序列数据进行物候调整,根据调整后的数据进行产量估测。研究主要内容及成果包括:(1)华北平原冬小麦种植区提取。由于MODIS EVI数据容易受到云、传感器等因素影响导致异常值的出现,为了反映更加真实的冬小麦生长曲线,将原始数据进行Savitzky-Golay滤波处理,剔除异常值。重构之后的EVI时间序列曲线能够保持了冬小麦原始曲线的两峰一谷的趋势特征,为后续研究奠定基础。随后根据重构之后的EVI时间序列数据进行二次差分计算,判断波峰和波谷的位置,并制定判定规则提取冬小麦种植区。结果表明华北平原冬小麦空间分布较为集中,其中河北省冬小麦集中分布于河北平原中南部,山东省主要分布于鲁西北、鲁西南平原,河南省主要分布于中东部平原以及西南部南阳盆地地区。在精度验证中,河南省提取面积与统计年鉴结果相比,提取精度均大于80%,京津冀和山东仅有一年提取精度小于80%,分别为2009年和2012年,其余年份提取精度都大于80%。2013年京津冀各市面积与统计年鉴面积进行对比,得出相关系数为(R2)为0.87,均方根误差为85.1585×103hm2,具有较好的相关性。冬小麦种植区的提取为后文进行物候期监测和估产奠定基础。(2)冬小麦返青期监测。首先采用三次样条插值法将8天分辨率数据插值为1天,接着运用Logistic模型,根据曲率变化率特征提取冬小麦返青期,得到华北平原冬小麦返青期分布图。分析发现:华北平原南部地区返青期开始时间早于北部,从南到北逐渐推迟,整体分布特征与地理位置和热量变化规律保持一致。在提取精度分析中,华北平原冬小麦返青期提取值与观测值最大误差20 d,最小误差为0 d,平均误差为11.91 d,均方根误差为12.05 d。返青期开始时间的提取为后文进行物候调做准备。(3)华北平原冬小麦产量估测。在冬小麦大范围种植区内,物候期不同,则在同一时间段内时间序列曲线具有差异性。本文将冬小麦返青期作为经历越冬期后物候开始的时间,逐像元对时间序列数据进行物候调整,以返青期作为起始时间,每隔5天取一个值,得到物候调整之后的冬小麦时间序列数据。根据单一时相EVI累积值和返青期、返青-拔节期、拔节-抽穗期、以及抽穗-乳熟期四个时间段EVI累积值与冬小麦产量建立线性回归,并且分别选择最佳估产模型。在单一时相估产模型中,在京津冀、山东、河南分别选择返青期之后55天,65天以及45天的数据进行产量估测,最终三个地区产量估测结果与统计年鉴数据先对误差分别为-2.60、-0.80、和-8.80,所有地区相对误差为-4.80,决定系数均在0.91以上;在物候期累积值与产量线性回归模型中,三个地区最佳模型时期分别为拔节-抽穗期、抽穗-乳熟期和拔节-抽穗期,最终京津冀、山东、河南产量估测的相对误差为-2.52、-3.64、-9.60,整个地区相对误差为-6.40,决定系数(R2)都在0.91以上。
宋利红[2](2019)在《基于物联网和遥感的河南省冬小麦晚霜冻害监测及产量预测》文中进行了进一步梳理冬小麦是我国的主要粮食作物,其生产对我国粮食安全至关重要。河南省是我国粮食生产核心区,冬小麦产量占全国小麦总产量的25%以上,近年来晚霜冻害频繁发生,对冬小麦产量品质影响较大,严重可致冬小麦绝收,对河南省的冬小麦晚霜冻害进行监测和产量预测有重要意义。本文以物联网技术和遥感技术为依托,选择合适的空间插值方法构建河南省温度曲面,基于构建的温度曲面对河南省冬小麦是否发生晚霜冻害进行监测,结合极端低温(FDD)对冬小麦晚霜冻害程度进行量化,构建冬小麦晚霜冻害指数(F)。基于极端度日(EDD extreme degree-day)、生长度日(GDD growth degree-day)、冬小麦晚霜冻害指数(F)以及归一化植被指数(NDVI normalized difference vegetation index)构建回归模型对冬小麦产量进行预测,实现冬小麦晚霜冻害监测和产量预测,为冬小麦生产的智能决策支持提供新的手段。本文的主要研究和结果如下:(1)利用部署在河南省内的物联网站点以及气象的温度数据,结合克里金插值、泛克里金插值、样条插值和反距离权重插值四种插值方法对整个河南省的温度进行空间插值,比较河南省各个地区空间插值方法结果发现,样条函数插值方法在任何地形上的插值结果均不是最优的;克里金插值方法在丘陵地形上取得的结果要优于其它三种方法;泛克里金插值方法在盆地地形上取得了较好的插值结果,反距离权重方法在平原、山区以及盆地向平原过渡地带插值精度都高于其它三种方法。依据各个地区的主要地形地貌选取合适的空间插值方法,建立河南省温度曲面,最终实现对整个河南省温度的实时监测。(2)利用每日24小时各个时刻的温度,推算出冬小麦的返青期和拔节期,和实际时间对比发现利用24小时温度计算的返青期和拔节期比以往方法误差都小。结合最低温度、最高温度等数据计算出冬小麦的生长度日(GDD)、极端度日(EDD),通过EDD概念优化出冬小麦遭受极端低温(FDD)的概念,进而确定冬小麦晚霜冻害指标F。确定了冬小麦晚霜冻害指标以及空间插值方法,在对冬小麦晚霜冻害进行监测时融合冬小麦生育期推算结果,结合温度对冬小麦是否发生晚霜冻害进行判断。(3)建立回归模型对冬小麦产量进行预测,分别用生长度日总和(SGDD)、极端度日总和(SEDD)、归一化植被指数(NDVI)以及晚霜冻害指标(F)对冬小麦产量进行建立三种回归模型,结果证明利用SGDD、SEDD、NDVI三个影响因子构建回归模型的拟合度高于用SGDD、SEDD两个影响因子所构建的模型,表明了 NDVI是产量预测的敏感因子;以商丘市为例,利用SGDD、SEDD、NDVI以及F四个因变量对冬小麦产量进行预测,结果表明在商丘市三种产量预测模型中加入了晚霜冻害指标F的模型拟合优度最高。
周彤[3](2019)在《基于WOFOST模型与无人机图像同化的小麦产量估测》文中研究说明目前,在“互联网+”农业的背景下,将信息技术与现代农业融合,以达到农业生产、栽培、管理的智能化、高效化,是我国现代农业发展的必然趋势。小麦是我国分布最广、产量最高的粮食作物之一,江苏省因其地形条件和气候条件的优势,成为我国南方冬小麦的主要种植区域。因此,提高江苏省冬小麦生长监测的准确性,对冬小麦有效估产有着十分重要的意义。本研究通过WOFOST作物模型模拟了冬小麦的生长发育,并利用最小二乘优化算法,展开基于无人机图像数据与作物模型的同化研究。最后结合冬小麦LAI和产量实际测量值进行同化结果的分析与评价,为农业估产提供依据,主要研究内容与结果如下:(1)为了使模型模拟符合研究区域内冬小麦生长规律,本研究采用2015-2017年本研究区域气象站点气象数据、土壤数据、作物数据等,利用OAT方法进行模型参数敏感性分析,结合最小二乘、“试错法”并借鉴前人研究结果,基于不同密度和氮肥处理水平,针对冬小麦发育参数TSUM1(出苗到开花的积温)、TSUM2(开花到成熟的积温)以及生长参数SLATB(比叶面积)、AMAXTB(最大CO2同化速率)进行冬小麦参数调整,实现WOFOST模型本地化。结果表明,WOFOST模型能够较好的模拟研究区域冬小麦的生长发育状况,模拟冬小麦LAI的R2、RMSE、NRMSE(%)分别为0.8178、0.58、27.9,模拟生物量的 R2、RMSE(kg·hm-2)、NRMSE(%)分别为 0.7832~0.9531、315.55~986.15、10.1~29.8,模拟产量的 R2、RMSE(kg·hm-2)、NRMSE(%)分别为 0.5852、799.96、15.9。(2)为了构建最佳的无人机反演LAI模型,本研究选取利用R、G、B构建的11种颜色特征指数,从整个生育期、种植密度、施氮量、各生育期四个角度,进行颜色指数与冬小麦LAI的相关性分析,选出显着相关颜色指数构建反演模型。结果表明,通过拔节期前、拔节期、开花期、灌浆期进行模型构建效果最佳,模型构建R2分别为0.795、0.784、0.746、0.625,模型验证 R2 分别为 0.781、0.807、0.718、0.697,RMSE 分别为0.325、0.470、0.364、0.256。(3)在WOFOST模型本地化的基础上,应用最小二乘优化算法,基于无人机反演LAI数据进行模型同化研究,通过调整、修正敏感参数比叶面积(SLATBO、SLATB0.5、SLATB2)和最大CO2同化速率(AMAXTBI、AMAXTB1.3),使得模型模拟LAI与无人机数据反演LAI误差最小。结果表明,同化后的模型能够更好地评价研究区域冬小麦的生长发育状况,同化后WOFOST模型模拟冬小麦LAI的R2、RMSE、NRMSE(%)分别为 0.8812、0.49、23.5,模拟产量的 R2、RMSE(kg.hm-2)、NRMSE(%)分别为 0.9489、327.06、6.5,模型模拟冬小麦的精度有所提高,证明了作物模型与无人机数据同化的可行性。
王尔美[4](2018)在《玉米长势与生物量遥感监测研究》文中提出玉米生长状况的实时监测一直是农业遥感领域的研究热点。遥感监测具有客观、时效、监测范围广等优势,有利于对玉米生长过程实施动态监测。本研究以江苏省盐城市大丰区、沭阳县为研究区域,选用Landsat-8卫星和多时相环境(HJ)卫星对夏玉米进行了相关研究。主要研究内容和结论如下:1)基于光谱特征的夏玉米光谱识别研究分析。首先,在分析Landst-8卫星大丰区遥感影像不同波段反射率的基础上,利用B5近红外波段反射率值可以将农作物与其它地物区分开来,然后选取具有代表性的四种植被指数NDVI、DVI、RVI、GVI,通过构建不同作物的多植被指数阈值及其分类规则,提取到大丰区夏玉米的种植面积数据及空间分布信息。结果表明,大丰区玉米种植面积为27720.65 hm2,总体精度达到94.92%。说明该方法可以有效提取夏玉米种植面积,为江淮玉米种植区县域玉米面积提取提供了参考。2)基于卫星遥感数据的夏玉米生物量估测研究。首先,将高分辨率HJ-1A遥感数据与夏玉米生物量模型相结合,以LAI作为耦合作物模型的关键参数,估测夏玉米全生育期生物量,然后与实测值进行对比,模拟值与实测值在拔节初期、中期、抽雄期差幅依次分别为10.36%、18.87%和15.10%,模拟值与实测值差异较明显,在拔节期对夏玉米生物量模型进行模型参数的相关调整,并通过实测数据进行模型验证,最后,抽雄到乳熟期夏玉米生物量模拟值与实测值的差幅分别为0.67%和0.65%,说明参数调整有效提高了夏玉米生物量模型的估测精度。3)县域玉米生长监测信息系统的设计与实现。将GIS、RS、GPS、组件技术以及数据库综合集成,采用传统的C/S模式,利用Delphi编程语言开发了县域玉米生长监测信息系统(MISMGC)。选用2016年夏玉米生长期的田间基础数据和环境星遥感影像对系统进行测试。结果表明,系统在方便提供地理空间信息数据的浏览、查询与分析管理性能的同时,较好实现对夏玉米长势进行有效监测,还可依据监测数据进行空域显示和统计比对分析。本系统对于江淮区域县域夏玉米信息化生产管理与决策具有较好技术支撑作用。
陈磊[5](2017)在《基于卫星遥感的冬小麦估产模型研究》文中研究说明由于淮河流域地处我国南北气候过渡地带,冬小麦整个生产期频频受到各种气象灾害(低温冷冻害、干旱、倒春寒、干热风等)的影响导致大面积减产甚至出现绝收,粮食产量的波动必然会引起国民经济的不稳定,因此需要精确可靠地得到冬小麦等农作物的播种面积、产量等信息,遥感则是在一定区域内获得这种信息的低代价的可靠工具。在淮河流域,主要农作物的生长周期内多为云、雨和雪天气,若使用常规遥感技术有一定困难。而雷达工作在微波波段的波长为1mm~1m,较长的波长使得雷达波受到云层的影响相对较小,能够穿云透雾,可以获取作物从冠层到茎干不同高度的信息等。正是由于这些特点,合成孔径雷达(SAR)被广泛应用于进行农作物分类、监测和估产等方面。国外学者应用雷达数据针对冬小麦进行识别、长势监测和估产,已经进行了相关研究。国内应用雷达数据对农作物识别估产也有相关研究,但对冬小麦进行估产研究才刚刚起步。冬小麦不同的生长期在雷达影像上反应的物理特性均有区别,其对应在雷达后向散射系数有明显区别。有针对性的应用不同生长期对应的雷达影像,选择小麦敏感性较强的生长期对应的雷达影像进行分析,得到估产模型。为了得到普遍适应本地化的冬小麦估产模型,本论文通过研究选择不同时相(冬小麦不同生长期)星载SAR不同极化影像,结合地面人工测产结果,建立冬小麦产量和多个时相后向散射系数关系的估产模型,优选出最佳的估产模型,实现冬小麦大面积估产。首先在安徽省涡阳县进行基于星载SAR的冬小麦估产模型预研究。在冬小麦收割前夕约一周左右进行试验田产量人工取样,并结合同期的SAR影像,提取后向散射系数,建立一元线性估产模型,估产精度超过80%。在之前预研究基础上,2013年和2014年连续选择安徽省淮河流域4、5月份的星载合成孔径雷达(SAR)影像——RADARSAT-2,同时收集该区域5月底冬小麦收割前的试验田产量资料。对卫星影像数据和试验田产量资料进行预处理和统计,应用RADARSAT-2不同极化(HH,HV)的后向散射系数,结合试验田人工估测产量,建立估产模型;优选出最佳的估产模型,实现冬小麦大面积估产,2013年计算的冬小麦种植面积和估产精度均接近90%。而2014年由于冬小麦出现大面积倒伏,人工取样样本完备性和取样估算比例经验不足,导致估产精度相比2013年下降。本论文选择冬小麦两个重要生长期——冬小麦返青分蘖期孕穗期成像的雷达影像图各1张,这些时期的影像图能够反映该区域冬小麦的生长趋势。而且,乳熟期,是冬小麦重要的生长时期,乳熟期冬小麦的灌浆已经基本完成,即将成熟,此时的穗鲜质量能直接反映产量,该时期冬小麦的几何形态受到麦穗的变化影响较大,雷达遥感对结构变化比较敏感,SAR对麦穗变化的敏感性可以用于直接估算冬小麦的产量。选择极化比VV/VH建立估产模型,实现了接近80%的估产精度。此外,我们也应用光学遥感卫星——环境与灾害监测预报小卫星(HJ)进行产量的估测,对雷达卫星估产结果进行相互验证。我们通过从HJ星提取的NDVI(归一化植被指数)和冬小麦乳熟期试验田产量的估产模型,达到了接近70%估产精度,并与2014年得到的雷达估产模型进行分析比较。星载SAR在冬小麦产量评估、长势等方面,以及其它农作物产量等方面监测,作为一个新的研究方向,正扮演着越来越重要的角色。
宋富强,王令超,杨建波[6](2017)在《耕地质量数据在冬小麦遥感估产中的应用研究》文中指出耕地质量作为非遥感信息的一种,对农作物产量的影响至关重要.随着耕地质量等级调查与评定工作的完成,全国可比的耕地质量数据库的构建,为耕地质量在农作物遥感估产的应用提供基础.本研究利用耕地质量等级调查成果,建立冬小麦估产的耕地质量背景数据库,并基于MODIS/EVI和野外实地调查数据,将耕地质量因素作为一种背景因素引入到河南省冬小麦遥感估产工作中.结果表明:反映耕地质量的自然等指数与冬小麦单产呈显着相关,但单一利用自然等指数来进行冬小麦估产,精度明显不够;通过将自然等指数引入到冬小麦的遥感估产模型中,模型的相关系数提升到0.715,方程的标准误差也降低到621.80 kg·hm-2,估产模型精度有所提高;另外通过不同类型区样点调查产量和各地市统计单产数据的验证,引入耕地质量的遥感估产模型不仅精度高于原模型,在全省范围的适宜性也更优.
刘真真[7](2016)在《基于改进CASA模型的小区域冬小麦遥感估产研究》文中研究指明利用遥感技术进行估产,已经成为了目前农作物估产的主流手段。它可以对作物长势进行实时、全天候、动态监测,还可以通过提取遥感参数进行作物生长发育过程模拟等。求取植被净初级生产力NPP是进行估产的第一步,本文选用CASA模型进行研究区冬小麦NPP估算,以实现研究区冬小麦单产估算。本文从区域尺度、参数的求取方法、最大光能利用率取值、实际光能利用率计算模型这四个方面来分析原始CASA模型的不足,对原始CASA模型中部分参数求取方法加以改进,以得到适合本研究区的估算模型。即首先以空间分辨率为30m的HJ-1A/B星遥感数据产品为数据基础来提取研究区冬小麦像元NDVI;其次,对CASA模型中NDVI最值、FPAR参数求取方法进行改进,计算得到冬小麦NPP;然后,选取冬小麦产量形成关键物候期3月至5月NPP累积值进行冬小麦干物重的预测;最后,通过结合MODIS NDVI数据和HJ-1A/B两种遥感数据优势,建立冬小麦收获指数回归模型,得到冬小麦收获指数HI,进而实现估产。本文主要研究内容及成果如下:1.在原始CASA模型基础上修订部分参数实现研究区冬小麦净初级生产力NPP估算。即本文通过提取冬小麦NDVI最大值概率分布图95%下侧分位数和5%下侧分位数来确定NDVImax和NDVImin,并结合前人改进的FPAR算法,通过引入修正系数,采用参数率定法来确定本文中FPAR算法;通过自然邻域法对研究区周围辐射站点数据进行空间插值得到太阳总辐射量SOL;根据研究区温度、降水等气象数据计算实际光能利用率ε;最后将以上参数代入NPP估算模型得到研究区冬小麦净初级生产力NPP。结果表明,研究区3月、4月、5月平均NPP分别为78gC·m-2、297gC·m-2和320gC·m-2,这种差异是由小麦在不同时期生长特点引起的。3月份,小麦处于返青起身期,小麦叶片面积逐渐增大。进入4月份,冬小麦进入生长旺盛期,叶片面积继续增大,NPP也随之增大。到5月份小麦逐渐进入开花期、灌浆期、乳熟期等,此期间大部分地区NPP都在250gC·m-2以上。这与小麦不同时期生长发育的生理状态是一致的,小麦长势良好。此外本文选用产量形成关键期3月、4月、5月的NPP累积值来估算研究区冬小麦单位面积产量,3月、4月、5月NPP在冬小麦累积NPP中所占比例分别为11.23%、42.71%、46.06%,可见2014年研究区冬小麦在产量形成过程中生长状况良好。2.通过MODIS NDVI时间序列建立冬小麦生长曲线,进而提取冬小麦关键物候期。为了使得曲线更加真实反映小麦物候期,通过Savitzky-Golay(S-G)滤波方法对原始曲线进行平滑,获得平滑后小麦生长曲线。通过分段拟合小麦生长曲线,确定分段函数。依据关键物候期小麦生长特点,求取曲线拐点、曲线极值点等特征点,作为关键物候期。研究结果表明,研究区冬小麦关键物候期(返青期、抽穗期、开花期、乳熟期)时间分别为2月28号、4月15号、4月28号、5月23号,为下一步冬小麦收获指数模型的建立奠定基础。3.利用实测数据以及旬HJ-1A/B NDVI建立冬小麦收获指数模型来求取小麦收获指数空间分布。本文参考任建强等求取参数HINDVISUM方法,提取基于馆陶县2014年冬小麦时序NDVI生成的作物生殖生长关键阶段(开花期至乳熟期)与营养生长关键阶段(返青期至开花期)所对应的NDVI累积比值参数HINDVISUM,建立馆陶县实测收获指数HI与HINDVISUM的关系,得到了二者回归方程,作为收获指数模型,然后求取研究区HINDVISUM,根据上述回归方程得到研究区冬小麦收获指数空间分布。结果表明,研究区HI整体空间分布差异不大,研究区HI预测结果在0.3-0.56之间,均值为0.44。4.根据冬小麦产量形成机理,先将上述求得的冬小麦净初级生产力转化为冬小麦干物重,再引入所反演出的冬小麦收获指数得到研究区冬小麦单产分布。结果表明,研究区平均单产达7127.4kg·hm-2,曲周、邱县和馆陶县平均单产分别为6886.65kg·hm-2、7094.83kg·hm-2、7519.92kg·hm-2。馆陶县预测单产明显高于曲周和邱县单产,这可能与馆陶县近年来耕作制度的规范化、以及当地近年来种植优良品种越来越多,尤其是黑小麦的种植越来越多有一定关系。从空间上看,馆陶县北部,邱县东北部和曲周南部地块儿单产值主要在8000-9000kg·hm-2之间,优于研究区其他地块。5.利用实测数据和统计年鉴数据这两种验证方式对单产估算结果进行精度验证。实测数据验证结果表明,2014年馆陶县冬小麦预测单产稍高于冬小麦实测单产,平均相对误差为1.54%,绝对误差为105.18kg·hm-2;统计年鉴数据验证结果表明,2014年研究区冬小麦平均预测单产值稍低于统计年鉴所计算的冬小麦单产值,二者相对误差为-1.03%,绝对误差为-74.07kg·hm-2,但馆陶县预测单产值高于统计年鉴所统计馆陶县的单产值,相对误差为3.73%。这与实测数据验证结果基本一致。
王庆林[8](2015)在《基于多时相的冬小麦产量估测研究》文中研究指明卫星遥感技术能够快速、准确、大面积对农作物生长进行监测,多时相遥感监测可克服单时相遥感监测的不足,利于实现对农作物生长变化的动态监测。本研究以江苏省大丰市为研究区域,选用多时期环境(HJ)卫星遥感影像进行了不同地物光谱信息识别与种植面积提取研究和结合作物生物量模型对冬小麦产量遥感估测研究分析。1不同地物光谱信息识别与种植面积提取研究分析。首先,在分析两景HJ星影像植被光谱信息的基础上,提取出各自影像的归一化差值植被指数(NDVI)影像,并对两景NDVI影像分别进行加运算和减运算,得到另外两景NDVI合成影像。其次,通过对提取到的四景NDVI影像光谱信息进行比较分析,最终选用植被光谱信息特征较为明显的加运算合成影像进行冬小麦种植面积提取。最后,基于影像不同地物的NDVI阈值划分,并叠加GPS样点信息校正,提取到大丰市冬小麦种植面积数据及其空间分布信息。结果显示,大丰市冬小麦遥感提取种植面积为78712.13 ha,精度为92.51%。说明,利用多时相遥感合成运算方法得到的合成影像,能明显增强冬小麦光谱信息与其它植被信息特征区别,有利于实现高精度提取冬小麦种植面积的目的。基于种植面积提取方法的可行性,用于绘制冬小麦遥感产量估测图。2结合作物生物量模型对冬小麦产量遥感估测研究分析。首先,在分析HJ星影像植被光谱信息的基础上,提取出各自影像的归一化差值植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)影像,分别与实测冬小麦LAI建立线性关系,选取敏感植被指数NDVI用于冬小麦生育期LAI的反演,并且扬花期NDVI与LAI的线性关系效果最好。其次,运用冬小麦生育期LAI和作物消光系数K、试验系数M、N等参数对生物量模型参数调整并运算,运算结果通过收获指数转换为冬小麦遥感预测产量。最后,基于冬小麦生物量模型预测产量与实测产量做经验线性拟合,拟合精度达到85.38%。结果显示,基于不同时相的植被指数选取与生物量模型参数的优化得出的冬小麦遥感预测产量方法具有较好的应用性质,能够更好地为农业部门进行点面结合的作物估产。
李辉,李建龙,王钊齐,干晓宇,孙政国,金国平[9](2014)在《利用3S技术定量估测张家港市水稻生产力》文中认为为了对江苏省张家港市水稻生产力进行大面积高效估测,建立一个科学准确的方法平台,利用TM和IRS-P6遥感影像,采用NDVI值比较区分法,应用"3S"技术对张家港市2005—2008年水稻的生产力变化进行了动态估测。结果表明:利用"3S"技术定量估测张家港市2005—2008年水稻平均种植面积的精度结果为96.41%;水稻平均单产精度结果为91.73%;水稻总产量遥感估测值与地面统计值差异结果为-11.69%;遥感估测张家港市水稻总产量呈逐年上升的趋势,而耕地面积相对稳定。总之,基于"3S"技术定量估测张家港市近4年水稻生产力精度达到95%以上,实现了利用遥感技术估测张家港市大面积农业生产力的目的。
李辉,李建龙,王钊齐,干晓宇,孙政国,金国平[10](2014)在《利用3S技术定量估测张家港市2005—2008年小麦生产力》文中提出为了科学准确地、动态地大面积估测江苏省张家港市小麦的生产力,利用TM和IRS-P6遥感影像,采用NDVI值比较区分法,应用3S技术对张家港市2005—2008年小麦的生产力变化进行了动态估测。结果表明,遥感估测张家港市2005—2008年小麦平均种植面积的精度结果为97%以上;小麦平均产量精度结果为93.55%;利用3S技术进行张家港市小麦总产遥感估测值与地面统计值差异低于8%;遥感估测张家港市小麦总产量呈逐年上升的趋势,而耕作面积相对稳定。总之,基于近4年遥感数据所获取的张家港市小麦总产量的变化情况建立模型,可以估测出张家港市城市化发展对当地小麦供需平衡的影响不大。
二、“3S”技术在河南省冬小麦遥感估产中的应用研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、“3S”技术在河南省冬小麦遥感估产中的应用研究(论文提纲范文)
(1)基于物候调整的华北平原冬小麦产量遥感估测(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 农作物种植面积提取 |
1.2.2 农作物物候期识别 |
1.2.3 农作物估产 |
1.3 研究内容和本文结构安排 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.3.3 本文结构安排 |
2 研究区与数据 |
2.1 研究区概况 |
2.1.1 自然地理条件 |
2.1.2 社会经济概况 |
2.2 数据准备与预处理 |
2.2.1 MODIS植被指数数据 |
2.2.2 土地利用数据 |
2.2.3 社会经济数据 |
2.2.4 气象数据 |
3 冬小麦种植面积提取 |
3.1 植被指数时间序列数据处理 |
3.1.1 Savitzky-Golay滤波 |
3.1.2 时间序列数据平滑结果 |
3.2 冬小麦种植面积提取 |
3.2.1 华北平原冬小麦时间序列曲线特征 |
3.2.2 二次差分法 |
3.3 结果与分析 |
3.3.1 2008-2013年华北平原冬小麦空间分布特征 |
3.3.2 精度分析 |
3.4 本章小结 |
4 冬小麦关键物候期监测 |
4.1 三次样条插值 |
4.2 Logistic拟合法提取返青期 |
4.2.1 Logistic拟合法 |
4.2.2 返青期监测结果 |
4.2.3 返青期监测结果验证与分析 |
4.3 本章小结 |
5 基于物候调整的冬小麦产量估测 |
5.1 估产模型构建方法 |
5.1.1 计算物候调整数据集 |
5.1.2 建立最佳时相估产模型 |
5.1.3 建立物候期累积值估产模型 |
5.2 结果与分析 |
5.2.1 基于最佳时相估产模型选择 |
5.2.2 基于物候期累积值估产模型选择 |
5.2.3 模型验证与应用 |
5.3 讨论 |
5.4 本章小结 |
6 结论与展望 |
6.1 研究结论 |
6.2 创新点 |
6.3 讨论与展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
攻读学位期间参与项目 |
(2)基于物联网和遥感的河南省冬小麦晚霜冻害监测及产量预测(论文提纲范文)
致谢 |
摘要 |
1 文献综述 |
1.1 国外研究现状 |
1.2 国内研究现状 |
1.2.1 国内物联网技术在农业应用的发展 |
1.2.2 空间插值方法的研究现状 |
1.2.3 冬小麦晚霜冻害的监测冬小麦产量预测的研究进展 |
1.3 研究目的及意义 |
2. 技术路线与研究方法 |
2.1 技术路线 |
2.2 材料与方法 |
2.2.1 研究区域概况 |
2.2.2 研究方法 |
2.3 数据处理方法 |
2.3.1 数据收集 |
2.3.2 数据处理 |
3. 结果与分析 |
3.1 插值结果分析 |
3.1.1 克里金插值方法结果分析 |
3.1.2 反距离权重插值方法结果分析 |
3.1.3 泛克里金插值方法结果分析 |
3.1.4 样条函数插值方法结果分析 |
3.1.5 插值结果误差分析 |
3.1.6 各种空间插值方法的适用地形 |
3.1.7 基于插值方法的河南省温度曲面的构建 |
3.2 冬小麦返青期和拔节期的推算结果 |
3.2.1 冬小麦返青期的推算结果 |
3.2.2 冬小麦拔节期的推算结果 |
3.3 冬小麦晚霜冻害的监测 |
3.4 冬小麦产量预测 |
3.4.1 基于生长度日总和(SGDD)与极端度日总和(SEDD)的模型构建 |
3.4.2 基于多变量的模型构建 |
3.4.3 晚霜冻对冬小麦产量影响的模型构建——以商丘市为例 |
4. 结论 |
参考文献 |
ABSTRACT |
(3)基于WOFOST模型与无人机图像同化的小麦产量估测(论文提纲范文)
摘要 |
ABSTRACT |
第一章 文献综述 |
1 研究背景 |
2 研究进展 |
2.1 WOFOST模型研究进展 |
2.1.1 WOFOST模型的发展 |
2.1.2 WOFOST模型的应用 |
2.2 遥感在农业上的发展与应用 |
2.2.1 遥感在精准农业中的应用 |
2.2.2 无人机遥感的优势 |
2.2.3 无人机在农业上的应用 |
2.3 作物模型与遥感技术结合的研究进展 |
3 研究目的与意义 |
参考文献 |
第二章 材料与方法 |
1 研究区概况 |
2 田间试验设计 |
2.1 实验1 |
2.2 实验2 |
2.3 农学参数测定 |
3 WOFOST模型数据获取 |
4 无人机数据处理 |
4.1 无人机设备 |
4.2 无人机图像获取过程 |
4.3 无人机图像预处理 |
4.4 冬小麦数字图像颜色特征指数计算 |
4.5 LAI反演模型的构建与验证 |
5 WOFOST模型参数敏感性分析方法 |
6 WOFOST模型参数的验证方法 |
7 技术路线 |
参考文献 |
第三章 WOFOST模型本地化 |
1 引言 |
2 WOFOST模型敏感性分析 |
3 WOFOST模型的校准 |
3.1 作物参数 |
3.1.1 冬小麦发育参数的调整 |
3.1.2 冬小麦生长参数的调整 |
3.2 土壤参数 |
4 WOFOST模型的验证 |
4.1 WOFOST模型模拟LAI的验证 |
4.2 WOFOST模型模拟生物量的验证 |
4.3 WOFOST模型模拟产量的验证 |
5 本章小结 |
参考文献 |
第四章 基于无人机图像的冬小麦LAI反演 |
1 引言 |
2 LAI与无人机图像特征参数的相关性分析 |
3 冬小麦LAI反演模型的构建与评价 |
3.1 整个生育期和密度水平反演模型 |
3.2 各生育期反演模型 |
4 本章小结 |
参考文献 |
第五章 基于无人机图像数据的WOFOST模型同化 |
1 引言 |
2 无人机图像数据与模型同化方法 |
2.1 最小二乘法法 |
2.2 同化流程 |
2.3 无人机数据与模型同化结果 |
3 同化后WOFOST模型验证 |
3.1 同化后模型模拟LAI的验证 |
3.2 同化后模型模拟产量的验证 |
4 本章小结 |
参考文献 |
第六章 结论、讨论、创新点与展望 |
1 结论 |
2 讨论 |
3 本研究创新点 |
4 存在的问题 |
5 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文及科研成果目录 |
(4)玉米长势与生物量遥感监测研究(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 文献综述 |
1.1 相关概念 |
1.1.1 遥感 |
1.1.2 作物遥感监测 |
1.2 研究进展 |
1.2.1 国外研究进展 |
1.2.2 国内研究进展 |
第二章 引言 |
2.1 研究背景 |
2.2 研究目的和意义 |
2.3 研究内容与技术路线 |
第三章 材料与方法 |
3.1 研究地点 |
3.2 遥感数据与预处理 |
3.2.1 遥感影像获取 |
3.2.2 遥感数据预处理 |
3.3 地面试验与数据获取 |
第四章 基于光谱特征的夏玉米识别与种植面积提取 |
4.1 数据与方法 |
4.1.1 数据预处理 |
4.1.2 植被指数提取 |
4.2 结果与分析 |
4.2.1 主要地物光谱特征分析 |
4.2.2 主要作物植被指数分析 |
4.2.3 玉米识别与种植面积提取 |
4.2.4 玉米面积提取精度验证 |
4.3 讨论 |
第五章 夏玉米全生育期生物量遥感估测 |
5.1 材料与研究方法 |
5.1.1 试验区域与数据调查 |
5.1.2 遥感数据处理 |
5.1.3 模型构建 |
5.1.4 植被指数计算 |
5.1.5 模型精度检验 |
5.2 结果与分析 |
5.2.1 玉米萌发到拔节期生物量动态变化估测 |
5.2.2 玉米拔节期到抽雄期生物量动态变化估测 |
5.2.3 玉米抽雄到乳熟生物量动态变化估测 |
5.3 讨论 |
第六章 县域玉米生长监测信息系统的设计与实现 |
6.1 系统的相关技术 |
6.1.1 组件式GIS的概述 |
6.1.2 面向对象的可视化编程语言Delphi |
6.2 系统分析与设计 |
6.2.1 系统目标分析 |
6.2.2 系统功能说明 |
6.3 系统实现与运行 |
6.4 讨论 |
第七章 结论与展望 |
7.1 结论 |
7.2 创新性 |
7.3 存在的问题与展望 |
参考文献 |
附录 A 缩写和符号清单 |
作者简介 |
(5)基于卫星遥感的冬小麦估产模型研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 引言 |
1.1 立项意义 |
1.2 星载合成孔径雷达简介 |
1.3 星载SAR在农作物估产领域的应用 |
1.3.1 国外应用星载SAR在冬小麦估产方面的进展 |
1.3.2 国内应用星载SAR在冬小麦估产方面的进展 |
1.3.3 星载SAR在冬小麦估产方面存在的问题和发展方向 |
1.3.3.1 存在问题 |
1.3.3.2 发展方向 |
1.4 技术路线 |
1.5 论文结构 |
1.6 本章小结 |
2 研究内容与相关理论概述 |
2.1 研究内容 |
2.1.1 数据源——Radarsat-2简介 |
2.1.2 研究区概况 |
2.1.3 主要研究内容 |
2.2 相关理论基础 |
2.2.1 极化方式 |
2.2.2 极化SAR图像处理 |
2.2.3 极化SAR分类 |
2.3 本章小结 |
3 冬小麦产量卫星遥感估产模型 |
3.1 单时相、单极化估产模型预研究 |
3.1.1 RADARSAT-2数据预处理 |
3.1.2 下垫面分类 |
3.1.3 试验田产量 |
3.1.4 冬小麦估产模型研究 |
3.1.5 估产研究及验证 |
3.2 基于双极化双时相估产模型研究 |
3.2.1 卫星影像的选择及相关预处理 |
3.2.2 遥感影像下垫面分类及冬小麦种植区提取 |
3.2.3 建立冬小麦生物量回归估产模型 |
3.2.4 基于HJ星的冬小麦估产模型建立及估产 |
3.3 模型比较 |
3.3.1 2013年和2014年雷达估产模型比较分析 |
3.3.2 SAR估产方程和HJ估产方程比较 |
3.4 讨论 |
3.5 基于极化比冬小麦乳熟期雷达估产模型研究 |
3.5.1 试验区和数据源 |
3.5.2 方法和结果 |
3.5.3 结果与讨论 |
3.6 本章小结 |
4 结论和展望 |
4.1 主要结论 |
4.2 展望 |
参考文献 |
附录 |
(6)耕地质量数据在冬小麦遥感估产中的应用研究(论文提纲范文)
1 数据来源与方法 |
1.1 数据来源 |
1.2 研究方法 |
2 结果与分析 |
2.1 冬小麦传统估产模型 |
2.1.1 冬小麦生育期EVI变化 |
2.1.2 冬小麦单产遥感估产模型 |
2.2 基于耕地质量和遥感的冬小麦估产模型 |
2.3 估产精度对比分析 |
2.3.1 基于样点数据的模型精度分析 |
2.3.2 基于统计数据的估产精度分析 |
3 讨论及结论 |
3.1 讨论 |
3.2 结论 |
(7)基于改进CASA模型的小区域冬小麦遥感估产研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究内容及技术路线 |
1.2.1 研究内容 |
1.2.2 技术路线 |
2 研究方法综述 |
2.1 国内外遥感估产研究进展 |
2.2 作物单产估算方法综述 |
2.3 NPP模型研究进展 |
2.4 物候期识别方法 |
2.4.1 作物物候期及生理特点 |
2.4.2 时间序列物候监测方法 |
3 研究区概况及数据预处理 |
3.1 研究区概况 |
3.1.1 自然地理条件 |
3.1.2 农业概况 |
3.2 数据准备与预处理 |
3.2.1 遥感影像数据准备 |
3.2.2 矢量数据准备 |
3.2.3 气象数据准备及整理 |
3.2.4 外业采样数据整理 |
3.2.5 辐射定标及大气校正 |
4 CASA估算模型 |
4.1 CASA模型概述 |
4.1.1 CASA模型介绍 |
4.1.2 CASA模型优点 |
4.1.3 CASA模型不足及改进 |
4.2 CASA估算模型算法 |
4.2.1 APAR的确定 |
4.2.2 估算实际光能利用率 ε |
4.3 CASA模型的改进 |
4.3.1 NDVI最值的确定 |
4.3.2 FPAR参数的率定 |
4.4 结果分析 |
4.4.1 关键生育期NDVI变化趋势 |
4.4.2 光合有效辐射吸收比FPAR |
4.4.3 实际光能利用率 ε |
4.4.4 净初级生产力NPP |
5 产量估算 |
5.1 单产估算模型 |
5.2 收获指数HI的确定 |
5.2.1 Savitzky-Golay平滑滤波 |
5.2.2 小麦生长曲线 |
5.2.3 小麦关键物候期识别 |
5.2.4 HI模型建立 |
5.3 结果与分析 |
5.3.1 干物重估算结果 |
5.3.2 收获指数估算结果 |
5.3.3 单产估算结果 |
5.3.4 单产精度验证 |
6 结论与展望 |
6.1 研究结论 |
6.2 创新点 |
6.3 讨论与展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
攻读学位期间参与项目及奖励 |
(8)基于多时相的冬小麦产量估测研究(论文提纲范文)
摘要 |
Abstract |
第一章 文献综述 |
1.1 目的及意义 |
1.2 国内外研究进展 |
1.2.1 作物种植面积估算和产量估测 |
1.2.2 农作物长势遥感监测 |
1.2.3 农作物农学参数遥感反演 |
1.3 目前存在的主要问题及未来发展思考 |
1.3.1 补充和完善农业光谱数据库 |
1.3.2 探索新的植被冠层光谱遥感监测方法 |
1.3.3 进一步建立和完善农田植被信息监测模型 |
1.3.4 利用高分辨率遥感数据和多源数据结合 |
第二章 农业遥感技术 |
2.1 遥感及其监测原理 |
2.2 遥感的分类 |
2.2.1 遥感平台分类 |
2.2.2 研究对象分类 |
2.2.3 应用空间尺度分类 |
2.3 遥感数据源 |
2.3.1 遥感数据 |
2.3.2 农业遥感数据源 |
2.4 植被指数 |
2.5 遥感监测方法 |
2.5.1 单景遥感数据监测 |
2.5.2 多源遥感数据监测 |
2.5.3 多时相遥感数据监测 |
2.5.4 基于机理模型的遥感监测 |
2.5.5 基于集成多元化信息技术的遥感监测方法 |
第三章 研究内容及方法 |
3.1 研究区域概况 |
3.2 研究方法 |
第四章 基于多时相的冬小麦产量估测研究 |
4.1 基于多时相冬小麦种植面积提取研究 |
4.1.1 材料与方法 |
4.1.2 结果与分析 |
4.2 基于多时相与生物量模型结合的产量估测 |
4.2.1 研究材料和方法 |
4.2.2 结果与分析 |
第五章 结论与讨论 |
5.1 结论 |
5.2 讨论 |
参考文献 |
致谢 |
作者简介 |
读研期间科研情况 |
(9)利用3S技术定量估测张家港市水稻生产力(论文提纲范文)
1 材料和方法 |
1.1 研究地概况 |
1.2 主要技术路线 |
1.3 遥感资料数据处理 |
1.4 利用3S技术估测水稻种植面积 |
1.4.1 水稻种植面积提取 |
1.4.2 精度验证 |
1.5 利用3S技术建立水稻单产估测模型 |
1.5.1 水稻单产估产样点布置 |
1.5.2 水稻单产模型建立 |
1.5.3 精度分析与校正 |
1.6 数据处理与分析 |
2 结果与分析 |
2.1 利用3S技术估测水稻实际种植面积的结果分析 |
2.2 利用3S技术估测水稻单产的结果分析 |
2.3 水稻总产量遥感估测的结果分析 |
2.4 水稻总产量多年变化的趋势分析 |
3 结论 |
(10)利用3S技术定量估测张家港市2005—2008年小麦生产力(论文提纲范文)
1 材料和方法 |
1.1 研究地概况 |
1.2 主要技术路线 |
1.3 遥感资料数据处理 |
1.4 利用3S技术估测小麦种植面积 |
1.4.1 小麦种植面积提取 |
1.4.2 精度验证 |
1.5 利用3S技术建立小麦单产估测模型 |
1.5.1 小麦单产监测样区布置 |
1.5.2 小麦单产估测模型建立 |
1.5.3 精度分析与校正 |
1.6 数据处理与分析 |
2 结果与分析 |
2.1 利用3S技术估测小麦实际种植面积的结果与分析 |
2.2 利用3S技术估测小麦单产的结果与分析 |
2.3 小麦总产量遥感估测的结果与分析 |
2.4 小麦总产量多年变化的趋势分析 |
3 结论 |
四、“3S”技术在河南省冬小麦遥感估产中的应用研究(论文参考文献)
- [1]基于物候调整的华北平原冬小麦产量遥感估测[D]. 王远征. 河南大学, 2020(02)
- [2]基于物联网和遥感的河南省冬小麦晚霜冻害监测及产量预测[D]. 宋利红. 河南农业大学, 2019(04)
- [3]基于WOFOST模型与无人机图像同化的小麦产量估测[D]. 周彤. 扬州大学, 2019(02)
- [4]玉米长势与生物量遥感监测研究[D]. 王尔美. 安徽农业大学, 2018(02)
- [5]基于卫星遥感的冬小麦估产模型研究[D]. 陈磊. 安徽农业大学, 2017(04)
- [6]耕地质量数据在冬小麦遥感估产中的应用研究[J]. 宋富强,王令超,杨建波. 河南科学, 2017(05)
- [7]基于改进CASA模型的小区域冬小麦遥感估产研究[D]. 刘真真. 河南大学, 2016(03)
- [8]基于多时相的冬小麦产量估测研究[D]. 王庆林. 安徽农业大学, 2015(05)
- [9]利用3S技术定量估测张家港市水稻生产力[J]. 李辉,李建龙,王钊齐,干晓宇,孙政国,金国平. 天津农业科学, 2014(12)
- [10]利用3S技术定量估测张家港市2005—2008年小麦生产力[J]. 李辉,李建龙,王钊齐,干晓宇,孙政国,金国平. 天津农业科学, 2014(11)