县域夏玉米生长遥感监测与产量估算研究
发布时间：2021-08-14 20:52
夏玉米作为我国三大粮食作物之一,其安全生产关系到我国的粮食安全和民生安全,运用卫星遥感技术对县域范围的夏玉米生长情况和产量情况进行精确监测,能够让当地农业部门快速的收集农作物生长状况信息,并针对农作物生长发育情况快速的制定、调整、实施和推广相对应的栽培管理措施。本研究以江苏省徐州市丰县夏玉米作为研究对象,基于地面夏玉米实地考察数据和环境（HJ）卫星遥感数据,利用支持向量机（SVM）监督分类法对当地夏玉米种植面积进行县域范围的提取;同时使用神经网络算法分别对当地夏玉米拔节期和抽丝期的叶片叶绿素含量进行县域范围估算,并对其长势情况进行监测与分析;最后运用粒子群优化算法结合HJ卫星遥感数据对夏玉米产量模拟模型进行模型的参数优化,结合卫星遥感影像实现了丰县县域的夏玉米产量遥感估算。主要研究结果如下:（1）本研究利用夏玉米抽丝期的HJ卫星遥感影像,通过计算影像的最佳波段指数（OIF）,确定包含影像信息量最大的影像组合波段为2-3-4波段,并基于实地考察建立的地物样方,完成夏玉米、水稻、其他植被、建筑、水体这五类地物样本的选取,利用选定的地物样本,使用不同核函数支持下SVM法对影像像元进行分类,其...
【文章来源】：南京信息工程大学江苏省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
技术路线图
南京信息工程大学硕士学位论文12玉米成熟期，数据采集时间控制在每天的上午8点至下午6点之间。由区农业部门技术人员协助进行试验。（3）地物样方的建立地物样方主要用于地物样本的选龋使用JunoSB（美国）GPS接收机进行地物样方的建立及其内部不同地物信息的采集，在丰县共建立15个大小近似300m×300m的试验样方，样方与样方之间相距保持约2km，样方内包含夏玉米、水稻、其他植被（树木、大豆、蔬菜等）、建筑、水体等地物信息。图2-1B为建立的一个样方信息。图2-1试验样点分布（A）和地物样方信息（B）气象数据的获取夏玉米产量模拟模型运行所需要夏玉米生长期内每日的气象数据，包括平均温度、日最高温度、日最低温度、太阳辐射总量，由当地气象部门提供。2.3遥感数据的获取与预处理2.3.1遥感数据的获取本研究使用卫星遥感数据为环境（HJ）减灾卫星遥感影像数据，数据下载于中国资源卫星应用中心[45]。HJ卫星是由我国自主进行研发专门用于生态环境、灾害的对地监测卫星。HJ卫星包含A，B两颗卫星，重访天数为4天（经咨询中国资源卫星应用中心工作人员得知：同一地区的HJ卫星影像的时间分辨率有时并非能够达到4天，这是由于HJ卫星在拍摄的过程中，卫星拍摄角度的不同会对同一地区的影像拍摄间隔造成影响；另外卫星也会根据当地的云量情况对是否进行拍摄进行决定，当该地云量过多时，AB2.2.2
第三章基于SVM的县域夏玉米种植面积遥感提取21A:SVMB:最大似然法C:最小距离法：夏玉米：非夏玉米图3-1丰县夏玉米种植面积分布从夏玉米提取结果来看，SVM分类法和最大似然法（图3-1A和图3-1B）均对丰县的夏玉米进行了充分的提取，两种方法的提取结果基本相差不大，而最小距离法（图3-1C）则存在一定程度的夏玉米错分漏分情况。由图3-1可见对于的丰县中西部地区，SVM和最大似然法、最小距离法的均对该地区的夏玉米进行了较好的提取，这是由于该地区丰作物类型较单一，多为夏玉米，因此三种方法都能够将夏玉米进行较好的提龋而对于
【参考文献】：
期刊论文
[1]基于主成分分析和粒子群优化神经网络的粮食产量预测[J]. 郭亚菲,樊超,闫洪涛. 江苏农业科学. 2019(19)
[2]基于NDVI与EVI的作物长势监测研究[J]. 白燕英,高聚林,张宝林. 农业机械学报. 2019(09)
[3]作物遥感识别方法研究现状及展望[J]. 赵子娟,刘东,杭中桥. 江苏农业科学. 2019(16)
[4]土地覆盖更新中训练样本的动态选取方法[J]. 裴晓丹,孙建国. 测绘科学. 2020(02)
[5]面向地块的农作物遥感分类研究进展[J]. 韩衍欣,蒙继华. 国土资源遥感. 2019(02)
[6]同化遥感信息与WheatSM模型的冬小麦估产[J]. 李颖,陈怀亮,田宏伟,余卫东. 生态学杂志. 2019(07)
[7]基于光能利用率模型的玉米遥感估产研究[J]. 安秦,陈圣波. 地理空间信息. 2019(04)
[8]基于SVM的县域冬小麦种植面积遥感提取[J]. 罗桓,李卫国,景元书,徐向华,陈华. 麦类作物学报. 2019(04)
[9]基于时序LAI的地块尺度玉米长势监测方法[J]. 苏伟,朱德海,苏鸣宇,黄健熙,刘哲,郭浩. 资源科学. 2019(03)
[10]水稻高光谱遥感监测研究综述[J]. 赵小敏,孙小香,王芳东,谢文,郭熙. 江西农业大学学报. 2019(01)
博士论文
[1]小麦氮素营养的高光谱监测及施氮模型构建[D]. 郭彬彬.河南农业大学 2019
[2]色素含量比值进行作物氮素营养状况诊断方法研究[D]. 周贤锋.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[3]耦合遥感信息与作物生长模型的区域低温影响监测、预警与估产[D]. 潘灼坤.浙江大学 2016
[4]基于机器学习的遥感图像分类研究[D]. 张雁.北京林业大学 2014
[5]基于光能利用率模型和定量遥感的玉米生长监测方法研究[D]. 李宗南.中国农业科学院 2014
[6]部分监督分类问题的研究[D]. 可婷.中国农业大学 2014
[7]粒子群优化算法的改进及应用[D]. 王俊伟.东北大学 2006
硕士论文
[1]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
[2]遥感数据与作物模型同化的冬小麦估产研究[D]. 王丽媛.浙江大学 2018
[3]基于支持向量机的林业遥感影像分类器开发[D]. 纪显琛.北京林业大学 2018
[4]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[5]基于国产GF-1的高寒山区土地利用/覆盖分类研究[D]. 刘丽雅.浙江大学 2016
[6]基于辐射传输模型的遥感反射率计算及叶绿素反演算法分析[D]. 陈瑜丽.华东师范大学 2015
[7]基于遥感信息与作物模型同化的冬小麦产量预测研究[D]. 武思杰.中南大学 2012
[8]基于定量遥感产品和作物生长模型同化的农作物长势监测与估产方法研究[D]. 闫岩.中国科学院研究生院（遥感应用研究所） 2006
本文编号：3343167
【文章来源】：南京信息工程大学江苏省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
技术路线图
南京信息工程大学硕士学位论文12玉米成熟期，数据采集时间控制在每天的上午8点至下午6点之间。由区农业部门技术人员协助进行试验。（3）地物样方的建立地物样方主要用于地物样本的选龋使用JunoSB（美国）GPS接收机进行地物样方的建立及其内部不同地物信息的采集，在丰县共建立15个大小近似300m×300m的试验样方，样方与样方之间相距保持约2km，样方内包含夏玉米、水稻、其他植被（树木、大豆、蔬菜等）、建筑、水体等地物信息。图2-1B为建立的一个样方信息。图2-1试验样点分布（A）和地物样方信息（B）气象数据的获取夏玉米产量模拟模型运行所需要夏玉米生长期内每日的气象数据，包括平均温度、日最高温度、日最低温度、太阳辐射总量，由当地气象部门提供。2.3遥感数据的获取与预处理2.3.1遥感数据的获取本研究使用卫星遥感数据为环境（HJ）减灾卫星遥感影像数据，数据下载于中国资源卫星应用中心[45]。HJ卫星是由我国自主进行研发专门用于生态环境、灾害的对地监测卫星。HJ卫星包含A，B两颗卫星，重访天数为4天（经咨询中国资源卫星应用中心工作人员得知：同一地区的HJ卫星影像的时间分辨率有时并非能够达到4天，这是由于HJ卫星在拍摄的过程中，卫星拍摄角度的不同会对同一地区的影像拍摄间隔造成影响；另外卫星也会根据当地的云量情况对是否进行拍摄进行决定，当该地云量过多时，AB2.2.2
第三章基于SVM的县域夏玉米种植面积遥感提取21A:SVMB:最大似然法C:最小距离法：夏玉米：非夏玉米图3-1丰县夏玉米种植面积分布从夏玉米提取结果来看，SVM分类法和最大似然法（图3-1A和图3-1B）均对丰县的夏玉米进行了充分的提取，两种方法的提取结果基本相差不大，而最小距离法（图3-1C）则存在一定程度的夏玉米错分漏分情况。由图3-1可见对于的丰县中西部地区，SVM和最大似然法、最小距离法的均对该地区的夏玉米进行了较好的提取，这是由于该地区丰作物类型较单一，多为夏玉米，因此三种方法都能够将夏玉米进行较好的提龋而对于
【参考文献】：
期刊论文
[1]基于主成分分析和粒子群优化神经网络的粮食产量预测[J]. 郭亚菲,樊超,闫洪涛. 江苏农业科学. 2019(19)
[2]基于NDVI与EVI的作物长势监测研究[J]. 白燕英,高聚林,张宝林. 农业机械学报. 2019(09)
[3]作物遥感识别方法研究现状及展望[J]. 赵子娟,刘东,杭中桥. 江苏农业科学. 2019(16)
[4]土地覆盖更新中训练样本的动态选取方法[J]. 裴晓丹,孙建国. 测绘科学. 2020(02)
[5]面向地块的农作物遥感分类研究进展[J]. 韩衍欣,蒙继华. 国土资源遥感. 2019(02)
[6]同化遥感信息与WheatSM模型的冬小麦估产[J]. 李颖,陈怀亮,田宏伟,余卫东. 生态学杂志. 2019(07)
[7]基于光能利用率模型的玉米遥感估产研究[J]. 安秦,陈圣波. 地理空间信息. 2019(04)
[8]基于SVM的县域冬小麦种植面积遥感提取[J]. 罗桓,李卫国,景元书,徐向华,陈华. 麦类作物学报. 2019(04)
[9]基于时序LAI的地块尺度玉米长势监测方法[J]. 苏伟,朱德海,苏鸣宇,黄健熙,刘哲,郭浩. 资源科学. 2019(03)
[10]水稻高光谱遥感监测研究综述[J]. 赵小敏,孙小香,王芳东,谢文,郭熙. 江西农业大学学报. 2019(01)
博士论文
[1]小麦氮素营养的高光谱监测及施氮模型构建[D]. 郭彬彬.河南农业大学 2019
[2]色素含量比值进行作物氮素营养状况诊断方法研究[D]. 周贤锋.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[3]耦合遥感信息与作物生长模型的区域低温影响监测、预警与估产[D]. 潘灼坤.浙江大学 2016
[4]基于机器学习的遥感图像分类研究[D]. 张雁.北京林业大学 2014
[5]基于光能利用率模型和定量遥感的玉米生长监测方法研究[D]. 李宗南.中国农业科学院 2014
[6]部分监督分类问题的研究[D]. 可婷.中国农业大学 2014
[7]粒子群优化算法的改进及应用[D]. 王俊伟.东北大学 2006
硕士论文
[1]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
[2]遥感数据与作物模型同化的冬小麦估产研究[D]. 王丽媛.浙江大学 2018
[3]基于支持向量机的林业遥感影像分类器开发[D]. 纪显琛.北京林业大学 2018
[4]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[5]基于国产GF-1的高寒山区土地利用/覆盖分类研究[D]. 刘丽雅.浙江大学 2016
[6]基于辐射传输模型的遥感反射率计算及叶绿素反演算法分析[D]. 陈瑜丽.华东师范大学 2015
[7]基于遥感信息与作物模型同化的冬小麦产量预测研究[D]. 武思杰.中南大学 2012
[8]基于定量遥感产品和作物生长模型同化的农作物长势监测与估产方法研究[D]. 闫岩.中国科学院研究生院（遥感应用研究所） 2006
本文编号：3343167
本文链接：https://www.wllwen.com/nykjlw/nzwlw/3343167.html
最近更新
教材专著
