基于遥感的灌区灌溉需水反演及预测技术研究与系统实现
发布时间：2024-12-03 21:58
灌溉水资源的合理优化配置对提高水资源利用率,促进农业水资源的可持续发展起着至关重要的作用。目前灌区多采用传统灌溉管理方式进行灌溉,灌溉用水粗放,高分辨率遥感影像能准确监测各地块变化,深度语义分割网络能进行像素级地物分类,本文基于遥感和深度学习技术,以山东省小开河灌区为例开展灌溉需水反演及预测相关技术研究,主要取得以下研究成果。使用遥感影像进行灌溉需水反演的基础是作物种植情况精确分类,本文基于深度语义分割网络展开种植结构分类模型研究,提出合成多种指数参与影像融合进行遥感影像预处理,丰富光谱复杂度,提高空间分辨率,增强特征信息;使用深度可分离卷积替换普通卷积,Mish激活函数替换Relu激活函数,改进U-Net语义分割网络,提升了训练速率和测试集准确率。结果表明,加入NDVI(归一化差异植被指数)、AWEI(自动水体提取指数)两种指数的融合影像结合改进的U-Net模型算法,kappa系数由为改进前的0.658提高至0.886,种植结构分类准确率提高至93.7%。结合遥感和站点实测土壤含水量数据,建立基于TVDI的不同深度土壤含水量反演模型,实现了灌区土壤墒情精确反演,各层反演准确率均在94....
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1.绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 种植结构分类研究现状
1.2.2 遥感影像语义分割研究现状
1.2.3 土壤墒情反演
1.2.4 土壤墒情预测
1.3 研究目的及内容
1.4 研究技术路线
1.5 论文组织结构
2.研究区与数据
2.1 研究区介绍
2.2 遥感数据及预处理
2.2.1 Landsat8 遥感数据
2.2.2 数据预处理方法
2.3 深度学习标签数据
2.4 土壤含水量及气象数据
2.4.1 土壤含水量数据
2.4.2 气象数据
2.5 本章小结
3.基于深度学习的种植结构分类模型研究
3.1 遥感影像融合算法研究
3.1.1 HIS融合算法
3.1.2 NND融合算法
3.1.3 G-S融合算法
3.1.4 比较与分析
3.2 基于语义分割的卷积神经网络算法研究
3.2.1 数据集预处理
3.2.2 全卷积语义分割网络模型
3.2.3 SegNet语义分割模型
3.2.4 U-Net语义分割模型
3.2.5 改进的U-Net语义分割网络模型
3.2.6 网络训练流程
3.2.7 对比与分析
3.3 模型评估方法
3.4 研究结果与分析
3.4.1 不同影像融合方法分类结果对比
3.4.2 不同网络模型分类结果对比
3.5 基于指数和改进U-Net模型的种植结构分类模型研究
3.5.1 归一化差异植被指数
3.5.2 自动提取水体指数
3.5.3 土壤调节植被指数
3.5.4 结果分析
3.6 本章小结
4.土壤需水量反演与预测算法研究
4.1 土壤墒情反演算法研究
4.1.1 基于TVDI的土壤表层含水量反演
4.1.2 不同深度土壤含水量反演
4.1.3 结果与分析
4.2 土壤含水量动态预测算法研究
4.2.1 传统土壤水分预测模型
4.2.2 基于神经网络的土壤水分动态预测模型研究
4.2.3 研究结果与分析
4.3 土壤需水量反演与预测
4.4 本章小结
5.灌区灌溉需水预测系统
5.1 系统总体框架
5.2 系统设计工具
5.3 系统运行环境
5.4 技术平台
5.5 系统展示
5.5.1 基本功能
5.5.2 种植结构分类模块
5.5.3 土壤含水量反演模块
5.5.4 土壤含水量预测模块
5.5.5 需水量预测模块
5.5.6 灌溉面积模块
5.6 本章小结
6.结论与展望
6.1 结论
6.2 创新点及特色
6.3 展望
参考文献
致谢
个人简历
攻读学位期间取得的成果
本文编号：4014207
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1.绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 种植结构分类研究现状
1.2.2 遥感影像语义分割研究现状
1.2.3 土壤墒情反演
1.2.4 土壤墒情预测
1.3 研究目的及内容
1.4 研究技术路线
1.5 论文组织结构
2.研究区与数据
2.1 研究区介绍
2.2 遥感数据及预处理
2.2.1 Landsat8 遥感数据
2.2.2 数据预处理方法
2.3 深度学习标签数据
2.4 土壤含水量及气象数据
2.4.1 土壤含水量数据
2.4.2 气象数据
2.5 本章小结
3.基于深度学习的种植结构分类模型研究
3.1 遥感影像融合算法研究
3.1.1 HIS融合算法
3.1.2 NND融合算法
3.1.3 G-S融合算法
3.1.4 比较与分析
3.2 基于语义分割的卷积神经网络算法研究
3.2.1 数据集预处理
3.2.2 全卷积语义分割网络模型
3.2.3 SegNet语义分割模型
3.2.4 U-Net语义分割模型
3.2.5 改进的U-Net语义分割网络模型
3.2.6 网络训练流程
3.2.7 对比与分析
3.3 模型评估方法
3.4 研究结果与分析
3.4.1 不同影像融合方法分类结果对比
3.4.2 不同网络模型分类结果对比
3.5 基于指数和改进U-Net模型的种植结构分类模型研究
3.5.1 归一化差异植被指数
3.5.2 自动提取水体指数
3.5.3 土壤调节植被指数
3.5.4 结果分析
3.6 本章小结
4.土壤需水量反演与预测算法研究
4.1 土壤墒情反演算法研究
4.1.1 基于TVDI的土壤表层含水量反演
4.1.2 不同深度土壤含水量反演
4.1.3 结果与分析
4.2 土壤含水量动态预测算法研究
4.2.1 传统土壤水分预测模型
4.2.2 基于神经网络的土壤水分动态预测模型研究
4.2.3 研究结果与分析
4.3 土壤需水量反演与预测
4.4 本章小结
5.灌区灌溉需水预测系统
5.1 系统总体框架
5.2 系统设计工具
5.3 系统运行环境
5.4 技术平台
5.5 系统展示
5.5.1 基本功能
5.5.2 种植结构分类模块
5.5.3 土壤含水量反演模块
5.5.4 土壤含水量预测模块
5.5.5 需水量预测模块
5.5.6 灌溉面积模块
5.6 本章小结
6.结论与展望
6.1 结论
6.2 创新点及特色
6.3 展望
参考文献
致谢
个人简历
攻读学位期间取得的成果
本文编号：4014207
本文链接：https://www.wllwen.com/nykjlw/nygclw/4014207.html
