Knowledge Resource Center for Ecological Environment in Arid Area
| 基于多时相GF-1 WFV影像的绿洲主要粮食作物识别及估产 | |
| 刘原峰 | |
| 出版年 | 2016 |
| 学位类型 | 硕士 |
| 导师 | 赵军 |
| 学位授予单位 | 西北师范大学 |
| 中文摘要 | 传统获取农作物种植面积的方法主要是通过大面积实地测量或通过统计部门逐级上报,这种方法不仅消耗人力、物力、财力,而且缺乏农作物空间分布信息。遥感技术的发展为农作物种植面积的监测提供了一个全新的统计手段,能够快速高效地大范围监测农作物种植信息。目前,遥感技术已广泛应用于农业研究领域,例如,农业资源调查,作物播种面积、产量的估算,农业灾害的监测以及数字农业等,这不仅有助于提高相关部门的农业科学决策水平,而且为农业生产提供更优质的服务,因此精准实时地获取大区域尺度农作物空间分布信息是农情遥感监测中的基础性工作。本文选取干旱内陆河流域绿洲作为研究区,基于国产GF-1WFV影像,经过S-G滤波处理后建立GF-1 WFV-NDVI时序数据,运用分层决策树方法提取了研究区内主要粮食作物玉米和小麦种植分布,利用“2015年甘肃省主要农作物本底调查专项”中粮食作物空间分布数据集对玉米和小麦提取精度进行验证。结合产量数据和玉米种植区GF-1 WFV-NDVI值进行相关性分析,选取最佳估产期,并运用回归分析方法构建春玉米遥感估产模型,利用产量统计数据对产量估测模型结果进行检验。通过研究,论文得出以下结论:(1)基于作物关键生长发育期GF-1/WFV卫星影像,经过Savitzky-Golay滤波构建时相序列GF-1 WFV-NDVI数据集,并结合同期作物的物候特征,可用于识别提取干旱区粮食作物种植的空间分布信息及估测产量。(2)针对研究区作物不同生育期GF-1 WFV-NDVI影像,运用分层决策树方法进行分类,提取的春玉米和春小麦种植面积与常用的SVM(支持向量机)和ANN(人工神经网络)人机交互式计算机自动解译结果相比,精度有很大提升,平均提取精度达到93.59%,平均相对误差为6.84%,制图精度为95.3%,用户精度为89.2%,达到了遥感估产的实际应用需求。(3)以研究区春玉米为例,根据产量数据和玉米种植区GF-1 WFV-NDVI值相关性分析,选取相关系数最高(0.7981)的抽穗期作为最佳估产期,并运用回归分析方法构建春玉米遥感估产模型,使用研究区内10个乡镇2015年产量统计数据验证产量估测模型计算结果。产量相对误差范围在1.69%—12.25%之间,平均误差为6.44%。结果表明遥感估产模型能够较好的进行春玉米遥感估产。本文基于16米空间分辨率高分一号卫星数据以像元为基本单位进行农作物类型识别和产量估算研究。研究结果表明,对于大面积作物种植区域,种植面积提取方法和估产模型可达较高精度,但对于部分非纯净作物像元覆盖区域则难以达到预期效果,需选用空间分辨率更高的遥感数据进行更细致的研究。本文研究总结出了一套基于国产高分数据的干旱区内陆河流域多作物分布和产量信息的大尺度快速高效获取方法,可在类似区域推广使用,具有一定的现实意义。 |
| 中文关键词 | 农业遥感 ; 粮食作物遥感识别 ; 遥感估产 ; GF-1 WFV影像 ; 分层决策树 ; 民勤绿洲 |
| 语种 | 中文 |
| 国家 | 中国 |
| URL | http://kns.cnki.net/kns/detail/detail.aspx?FileName=1016242015.nh&DbName=CMFD2017 |
| 来源机构 | 西北师范大学 |
| 资源类型 | 学位论文 |
| 条目标识符 | http://119.78.100.177/qdio/handle/2XILL650/256925 |
| 推荐引用方式 GB/T 7714 | 刘原峰. 基于多时相GF-1 WFV影像的绿洲主要粮食作物识别及估产[D]. 西北师范大学,2016. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [刘原峰]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [刘原峰]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [刘原峰]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
