遥感上的估产题
发布网友
发布时间：2022-04-22 09:05
共2个回答
热心网友
时间：2022-05-13 03:47
题目：给出冬小麦估产的技术流程：
1。遥感数据的选择
2。所需要的背景数据（不宜过略，不宜过细）
3。对遥感数据的预处理（大气，集合校正）
4。遥感数据所能提供的参数描述（LAI，NDVI）
5。产量估计模型（不宜过详细，应有输入输出）
6。整体框架（A4<=2页）
解法很多，相关论文也很多，我给你粘一点
冬小麦估产的技术流程
一、冬小麦估产应用的遥感资料
冬小麦估产中应用的遥感资料主要为三类。一是气象卫星资料, 主要为美第三代业务极轨气( TIROS-N/NOAA 系列) 装载的甚高分辨率辐射仪(AVHRR) 资料; 二是陆地卫星(Landsat) 资料, 应用较多的是专题制图仪(TM) 资料; 其三是航空遥感和地面遥感资料。从资料应用形式上, 卫星遥感数据有磁带数据和卫星像片两种,AVHRR 数据应用以磁带数据为主, TM 数据则二种兼用。航空遥感资料为航空像片, 地面遥感资料多为实测的冬小麦光谱物征离散数据。不同的遥感资料具有不同的特点。气象卫星资料探测周期短、覆盖面积大、资料易获取、实时性强、价格低廉, 时间分辨率高但空间分辨率较低; 陆地卫星资料重复周期较长、价格高, 但空间分辨率高。
信息源与估产精度：冬小麦遥感估产的精度与采用的信息源有很大关系, 其中单产估产模型的建立受信息源光谱分辨率和时间分辨率的影响, 特别是精确的冬小麦播种面积的估测, 与采用信息源的几何分辨率密切相关。因此, 高的遥感估产精度需要有高的几何分辨率、时间分辨率和光谱分辨率的信息源的保障。但由于受估产成本的*, 为节省估产费用, 一般省级以上的大范围冬小麦遥感估产多采用廉价的气象卫星资料, 由于时间分辨率高, 进行冬小麦长势监测及单产模型建立较为适宜, 但难以准确提取冬小麦面积信息。省级以下的冬小麦遥感估产则可采用陆地卫星资料, 以提高估产的精度。因此,综合考虑估产的信息源、精度及成本, 应根据情况综合应用各种遥感资料以及非遥感辅助资料, 冬小麦长势监测及单产估测应以气象卫星资料为主, 而冬小麦面积估测则可以陆地卫星资料为主, 或应用航空遥感资料。
二、所需要的背景数据
冬小麦产量是其光合作用的产物, 叶绿素对其产量形成起至关重要的作用, 因此, 准确提取冬小麦叶绿素信息是小麦遥感估产的关键。根据研究, 叶绿素a、b 在可见光内有两个吸收峰, 一个是0145μm (兰光) , 另一个是01675μm (红光) , 而在0155μm (绿光) 附近反射率较大。在017μm 附近反射率急剧增加, 形成突出的峰值。因此, 红光和近红外波段是冬小麦信息提取、产量估测的最佳波段。另一方面, 冬小麦的叶绿素含量随小麦出苗至收获各不同的生育阶段是不断变化的, 因此其不同生育期的反射光谱特性亦有差异。具体表现为随小麦生育进程的推进, 在可见光区的反射率逐步增加, 而在近红外光区的反射率则逐步下降。尤其是抽穗以后至成熟, 小麦叶色变黄, 叶绿素含量大大下降, 其反射率表现为随波长的增加而逐渐增加的趋势, 原吸收谷、反射峰渐不明显。除此, 长势较差的麦苗其反射率亦表现为与此相似的增加趋势。
三、对遥感数据的预处理
遥感图像解译法
根据冬小麦光谱特征, 区分其与其它地物的不同, 建立解译标志, 在遥感图像中划分出冬小麦分布范围, 并量算其面积。此方法要求遥感图像应有较高的几何分辨率, 一般采用陆地卫星资料, 提取精度相对较高, 成本也相对较高。具体的提取方法有目视解译和计算机自动分类两种。目视解译依靠人工智能, 应用卫星像片, 精度较高但费时费力; 计算机提取速度快、效率高, 但精度稍差, 又分为监督分类和非监督分类两种。监督分类需首先确定分类类别、训练场地(样本) , 提取分类特征, 计算机依此自动分类; 非监督分类事先不设定训练类别和样本, 计算机根据光谱特性的相似性自动划分类别。非监督分类虽不需要训练样本, 但需要实地对照确定具体的类别, 监督分类中训练样本的正确选择十分关健, 有时难以确定。因此, 不少学者对监督与非监督分类相结合, 像元光谱特性与空间特性相结合的分类方法作了大量探索〔20 ,21 ,22〕。除此, 适宜的遥感图像时相的选择是冬小麦面积信息提取的重要环节, 应充分考虑冬小麦及其相关地物的生长历及季相特征, 选用冬小麦与其环境具有较大光谱差异的时相, 一般小麦返青、起身、拔节期图像具有较好的面积提取效果。
遥感抽样调查方法
遥感抽样调查是根据一般抽样调查的基本方法, 以遥感的手段获取地物面积的方法, 适用于调查范围大, 进行全面调查比较困难或必要性不大的情况。可根据需要采用航卫片等各种遥感资料。常用的有遥感影像分层抽样和成数抽样方法, 前者首先将整个调查区域按与调查内容相关的某一属性或特征划分为不同的"层", 在每层内随机或机械抽取样本单元组成样本, 进行总体估计。如美国LACIE 计划中小麦面积的估测; 后者是根据某类别单元数占总体单元数的比例即成数, 通过抽样估测其成数进而计算其面积。采用遥感抽样调查方法可以估测冬小麦面积数据。
四、遥感数据所能提供的参数描述
五、产量估计模型
作物单产模型的建立在遥感估产之前已有研究, 并应用于估产, 如加拿大的Beier1W , 先后研制了"经验统计模型"、"作物-天气产量预测模型"、"作物-生长模拟模型"等。常规的单产预报模式有统计估产、气象估产和农学估产等方法, 但各有其局限性。遥感估产技术的出现使农作物单产估产模型研究有了显著发展。冬小麦面积估测是冬小麦遥感估产的重要内容, 只有准确地估算出冬小麦播种面积, 才能得出准确的冬小麦总产估产数据。冬小麦面积应包括其数量和实际的地理分布两个方面, 根据其范围大小、精度可有不同的遥感面积提取方法。
遥感统计模型方法
研究遥感光谱指标与冬小麦面积的关系, 选择一定的绿度模式, 建立绿度-面积、绿度-麦土比等统计模型, 估测冬小麦面积。适宜于以气象卫星资料进行的大区域小麦估产研究, 成本较为低廉。在国家气象局进行的冬小麦遥感估产中, 先研究了各种绿度模式在小麦各生育期的变化, 其中归一化植被指数( G3) 变化平稳, 较好地反映了冬小麦面积信息。采用拔节期气象卫星资料, 以TM 图像解译、成数抽样方法测算小麦面积、麦土比, 建立了平均绿度值与小麦面积、麦土比的回归方程, 估测冬小麦面积。王茂新等进行了NOAA 图像冬小麦面积监测研究, 结果为以单一时相提取冬小麦面积困难, 但通过绿度-时相的对比分析, 冬小麦有两个生育阶段其绿度-时相曲线与其它大宗作物、植被有明显差异, 一是10～11 月, 为冬小麦秋播至分蘖阶段, 生物量大, 绿度(NDVI) 曲线上升, 而其它作物、植被生长活性降低, 绿度曲线下降; 另一为5～6 月份, 为冬小麦孕穗至收获期, 由生长最旺期急剧降至最低点, 绿度曲线呈下降趋势。通过分析, 冬小麦面积与11 月中旬减去10 月上旬植被指数之差图像中的大于零的像元个数及面积有很好的相关关系, 从而建立了小麦统计面积S 与大于零的像元个数P0 之间的回归方程, 即: S = a0p0 + b0 a0 、b0 -回归系数及常
数。但小麦统计面积与实际面积之间仍有一定的差异。
植被指数(绿度) 模式的选择
单一波段的冬小麦光谱特性难以全面准确地反映冬小麦生长状况, 因此, 需要将冬小麦反应敏感的多波段信息组合, 植被指数即是由不同波段的反射信息组合而成的特征量, 反映绿色植被的覆盖程度和作物的生长状况。一般由叶绿素反应敏感的红光波段(RR) 和近红外波段(RNIR) 信息组合而成, 亦称绿度。目前冬小麦遥感估产中采用的植被指数(绿度) 模式有: G1 = RNIR/ RR , G2 = (RNIR/ RR) 1/ 2 , G3 = RNIR - RR/ RNIR +
RR , G4 = (RNIR - RR/ RNIR + RR) 1/ 2 , G5 = [ (RNIR - RR/ RNIR + RR) + 015 ]1/ 2 , G6 = (RNIR/ RR) 2 、G7 = log (RNIR/ RR) ,G8 = RNIR - RR 。其中常用的是比值植被指数( G1 ) 、归一化植被指数( G3 ) 和差值植被指数( G8 ) 等。由于冬小麦覆盖度的*, 各植被指数中实际包含着土壤的光谱信息, 因此应消除土壤的影响。土壤纠正植被指数(SAVI) : SAVI = (RNIR - RR/ RNIR + RR + L) (1 + L) , 其中L 为土壤调整因素, 取值0～1。研究发现, 与植被覆盖关系密切而受土壤影响最小的近红外波段是大于1000nm 的部分。通过分析植被、土壤在红光、近红外二维空间中的光谱反射情况, 其植被量表现为植被点离土壤线的垂直距离, 其绿度值称为垂直植被指数PVI (Perpendicular Vegetation Index) : PVI = ɑRNIR -βRR 。与其它植被指数相比, PVI具有较好的消除土壤背景干扰和对大气效应反应不灵敏等优点。
冬小麦遥感单产模型建立
冬小麦植被指数与其群体密度、叶面积系数、亩穗数等农学参数及单产均有密切关系。小麦群体密度Ma 与归一化植被指数G3 的相关方程为: G3 = a + blnMa〔14〕。提出了绿度指数-温度-绿度变化率估产模型: 估测产量Y= a ∑G·bTo/ Ti (Do - Di) ·[Q/ ( △G/ △T) + C] + W , 其中G为返青至抽穗绿度累加; To 为拔节后期至灌浆始期小麦品种需要的积温或多年平均地温累加( ℃) ; Ti 为当年拔节后期至灌浆始期积温或当年地温累加( ℃) ; Do 为小麦灌浆起始日期(天) ; Di 为拔节后期日期(天) ; Q 为小麦品种标准千粒重(g) ; △G 为灌浆始期至终止的绿度差;△T 为灌浆始期至终止的日期差; abc 试验常数; W为自由项(专家意见)〔18〕。考虑小麦从播种到收割是一连续的过程,任一时期生长不好都会影响其最终产量, 而遥感信息只能观测到抽穗前小麦生长的综合反映, 对后期的气象条件及外界影响因子难以反映, 因此李付琴、田国良在北京顺义县的小麦估产中, 选择小麦抽穗期的PVI 和5 月下旬的平均气温分别作为两阶段的预报因子, 研究建立了用逐段订正的阶乘模型:yt = y (t - 1) ∏pi = 1Xiyt 为产量; yt - 1为前段预测产量; Xi 为预测因子。
热心网友
时间：2022-05-13 05:05
热心网友
时间：2022-05-13 03:47
题目：给出冬小麦估产的技术流程：
1。遥感数据的选择
2。所需要的背景数据（不宜过略，不宜过细）
3。对遥感数据的预处理（大气，集合校正）
4。遥感数据所能提供的参数描述（LAI，NDVI）
5。产量估计模型（不宜过详细，应有输入输出）
6。整体框架（A4<=2页）
解法很多，相关论文也很多，我给你粘一点
冬小麦估产的技术流程
一、冬小麦估产应用的遥感资料
冬小麦估产中应用的遥感资料主要为三类。一是气象卫星资料, 主要为美第三代业务极轨气( TIROS-N/NOAA 系列) 装载的甚高分辨率辐射仪(AVHRR) 资料; 二是陆地卫星(Landsat) 资料, 应用较多的是专题制图仪(TM) 资料; 其三是航空遥感和地面遥感资料。从资料应用形式上, 卫星遥感数据有磁带数据和卫星像片两种,AVHRR 数据应用以磁带数据为主, TM 数据则二种兼用。航空遥感资料为航空像片, 地面遥感资料多为实测的冬小麦光谱物征离散数据。不同的遥感资料具有不同的特点。气象卫星资料探测周期短、覆盖面积大、资料易获取、实时性强、价格低廉, 时间分辨率高但空间分辨率较低; 陆地卫星资料重复周期较长、价格高, 但空间分辨率高。
信息源与估产精度：冬小麦遥感估产的精度与采用的信息源有很大关系, 其中单产估产模型的建立受信息源光谱分辨率和时间分辨率的影响, 特别是精确的冬小麦播种面积的估测, 与采用信息源的几何分辨率密切相关。因此, 高的遥感估产精度需要有高的几何分辨率、时间分辨率和光谱分辨率的信息源的保障。但由于受估产成本的*, 为节省估产费用, 一般省级以上的大范围冬小麦遥感估产多采用廉价的气象卫星资料, 由于时间分辨率高, 进行冬小麦长势监测及单产模型建立较为适宜, 但难以准确提取冬小麦面积信息。省级以下的冬小麦遥感估产则可采用陆地卫星资料, 以提高估产的精度。因此,综合考虑估产的信息源、精度及成本, 应根据情况综合应用各种遥感资料以及非遥感辅助资料, 冬小麦长势监测及单产估测应以气象卫星资料为主, 而冬小麦面积估测则可以陆地卫星资料为主, 或应用航空遥感资料。
二、所需要的背景数据
冬小麦产量是其光合作用的产物, 叶绿素对其产量形成起至关重要的作用, 因此, 准确提取冬小麦叶绿素信息是小麦遥感估产的关键。根据研究, 叶绿素a、b 在可见光内有两个吸收峰, 一个是0145μm (兰光) , 另一个是01675μm (红光) , 而在0155μm (绿光) 附近反射率较大。在017μm 附近反射率急剧增加, 形成突出的峰值。因此, 红光和近红外波段是冬小麦信息提取、产量估测的最佳波段。另一方面, 冬小麦的叶绿素含量随小麦出苗至收获各不同的生育阶段是不断变化的, 因此其不同生育期的反射光谱特性亦有差异。具体表现为随小麦生育进程的推进, 在可见光区的反射率逐步增加, 而在近红外光区的反射率则逐步下降。尤其是抽穗以后至成熟, 小麦叶色变黄, 叶绿素含量大大下降, 其反射率表现为随波长的增加而逐渐增加的趋势, 原吸收谷、反射峰渐不明显。除此, 长势较差的麦苗其反射率亦表现为与此相似的增加趋势。
三、对遥感数据的预处理
遥感图像解译法
根据冬小麦光谱特征, 区分其与其它地物的不同, 建立解译标志, 在遥感图像中划分出冬小麦分布范围, 并量算其面积。此方法要求遥感图像应有较高的几何分辨率, 一般采用陆地卫星资料, 提取精度相对较高, 成本也相对较高。具体的提取方法有目视解译和计算机自动分类两种。目视解译依靠人工智能, 应用卫星像片, 精度较高但费时费力; 计算机提取速度快、效率高, 但精度稍差, 又分为监督分类和非监督分类两种。监督分类需首先确定分类类别、训练场地(样本) , 提取分类特征, 计算机依此自动分类; 非监督分类事先不设定训练类别和样本, 计算机根据光谱特性的相似性自动划分类别。非监督分类虽不需要训练样本, 但需要实地对照确定具体的类别, 监督分类中训练样本的正确选择十分关健, 有时难以确定。因此, 不少学者对监督与非监督分类相结合, 像元光谱特性与空间特性相结合的分类方法作了大量探索〔20 ,21 ,22〕。除此, 适宜的遥感图像时相的选择是冬小麦面积信息提取的重要环节, 应充分考虑冬小麦及其相关地物的生长历及季相特征, 选用冬小麦与其环境具有较大光谱差异的时相, 一般小麦返青、起身、拔节期图像具有较好的面积提取效果。
遥感抽样调查方法
遥感抽样调查是根据一般抽样调查的基本方法, 以遥感的手段获取地物面积的方法, 适用于调查范围大, 进行全面调查比较困难或必要性不大的情况。可根据需要采用航卫片等各种遥感资料。常用的有遥感影像分层抽样和成数抽样方法, 前者首先将整个调查区域按与调查内容相关的某一属性或特征划分为不同的"层", 在每层内随机或机械抽取样本单元组成样本, 进行总体估计。如美国LACIE 计划中小麦面积的估测; 后者是根据某类别单元数占总体单元数的比例即成数, 通过抽样估测其成数进而计算其面积。采用遥感抽样调查方法可以估测冬小麦面积数据。
四、遥感数据所能提供的参数描述
五、产量估计模型
作物单产模型的建立在遥感估产之前已有研究, 并应用于估产, 如加拿大的Beier1W , 先后研制了"经验统计模型"、"作物-天气产量预测模型"、"作物-生长模拟模型"等。常规的单产预报模式有统计估产、气象估产和农学估产等方法, 但各有其局限性。遥感估产技术的出现使农作物单产估产模型研究有了显著发展。冬小麦面积估测是冬小麦遥感估产的重要内容, 只有准确地估算出冬小麦播种面积, 才能得出准确的冬小麦总产估产数据。冬小麦面积应包括其数量和实际的地理分布两个方面, 根据其范围大小、精度可有不同的遥感面积提取方法。
遥感统计模型方法
研究遥感光谱指标与冬小麦面积的关系, 选择一定的绿度模式, 建立绿度-面积、绿度-麦土比等统计模型, 估测冬小麦面积。适宜于以气象卫星资料进行的大区域小麦估产研究, 成本较为低廉。在国家气象局进行的冬小麦遥感估产中, 先研究了各种绿度模式在小麦各生育期的变化, 其中归一化植被指数( G3) 变化平稳, 较好地反映了冬小麦面积信息。采用拔节期气象卫星资料, 以TM 图像解译、成数抽样方法测算小麦面积、麦土比, 建立了平均绿度值与小麦面积、麦土比的回归方程, 估测冬小麦面积。王茂新等进行了NOAA 图像冬小麦面积监测研究, 结果为以单一时相提取冬小麦面积困难, 但通过绿度-时相的对比分析, 冬小麦有两个生育阶段其绿度-时相曲线与其它大宗作物、植被有明显差异, 一是10～11 月, 为冬小麦秋播至分蘖阶段, 生物量大, 绿度(NDVI) 曲线上升, 而其它作物、植被生长活性降低, 绿度曲线下降; 另一为5～6 月份, 为冬小麦孕穗至收获期, 由生长最旺期急剧降至最低点, 绿度曲线呈下降趋势。通过分析, 冬小麦面积与11 月中旬减去10 月上旬植被指数之差图像中的大于零的像元个数及面积有很好的相关关系, 从而建立了小麦统计面积S 与大于零的像元个数P0 之间的回归方程, 即: S = a0p0 + b0 a0 、b0 -回归系数及常
数。但小麦统计面积与实际面积之间仍有一定的差异。
植被指数(绿度) 模式的选择
单一波段的冬小麦光谱特性难以全面准确地反映冬小麦生长状况, 因此, 需要将冬小麦反应敏感的多波段信息组合, 植被指数即是由不同波段的反射信息组合而成的特征量, 反映绿色植被的覆盖程度和作物的生长状况。一般由叶绿素反应敏感的红光波段(RR) 和近红外波段(RNIR) 信息组合而成, 亦称绿度。目前冬小麦遥感估产中采用的植被指数(绿度) 模式有: G1 = RNIR/ RR , G2 = (RNIR/ RR) 1/ 2 , G3 = RNIR - RR/ RNIR +
RR , G4 = (RNIR - RR/ RNIR + RR) 1/ 2 , G5 = [ (RNIR - RR/ RNIR + RR) + 015 ]1/ 2 , G6 = (RNIR/ RR) 2 、G7 = log (RNIR/ RR) ,G8 = RNIR - RR 。其中常用的是比值植被指数( G1 ) 、归一化植被指数( G3 ) 和差值植被指数( G8 ) 等。由于冬小麦覆盖度的*, 各植被指数中实际包含着土壤的光谱信息, 因此应消除土壤的影响。土壤纠正植被指数(SAVI) : SAVI = (RNIR - RR/ RNIR + RR + L) (1 + L) , 其中L 为土壤调整因素, 取值0～1。研究发现, 与植被覆盖关系密切而受土壤影响最小的近红外波段是大于1000nm 的部分。通过分析植被、土壤在红光、近红外二维空间中的光谱反射情况, 其植被量表现为植被点离土壤线的垂直距离, 其绿度值称为垂直植被指数PVI (Perpendicular Vegetation Index) : PVI = ɑRNIR -βRR 。与其它植被指数相比, PVI具有较好的消除土壤背景干扰和对大气效应反应不灵敏等优点。
冬小麦遥感单产模型建立
冬小麦植被指数与其群体密度、叶面积系数、亩穗数等农学参数及单产均有密切关系。小麦群体密度Ma 与归一化植被指数G3 的相关方程为: G3 = a + blnMa〔14〕。提出了绿度指数-温度-绿度变化率估产模型: 估测产量Y= a ∑G·bTo/ Ti (Do - Di) ·[Q/ ( △G/ △T) + C] + W , 其中G为返青至抽穗绿度累加; To 为拔节后期至灌浆始期小麦品种需要的积温或多年平均地温累加( ℃) ; Ti 为当年拔节后期至灌浆始期积温或当年地温累加( ℃) ; Do 为小麦灌浆起始日期(天) ; Di 为拔节后期日期(天) ; Q 为小麦品种标准千粒重(g) ; △G 为灌浆始期至终止的绿度差;△T 为灌浆始期至终止的日期差; abc 试验常数; W为自由项(专家意见)〔18〕。考虑小麦从播种到收割是一连续的过程,任一时期生长不好都会影响其最终产量, 而遥感信息只能观测到抽穗前小麦生长的综合反映, 对后期的气象条件及外界影响因子难以反映, 因此李付琴、田国良在北京顺义县的小麦估产中, 选择小麦抽穗期的PVI 和5 月下旬的平均气温分别作为两阶段的预报因子, 研究建立了用逐段订正的阶乘模型:yt = y (t - 1) ∏pi = 1Xiyt 为产量; yt - 1为前段预测产量; Xi 为预测因子。
热心网友
时间：2022-05-13 05:05
