学位论文 > 优秀研究生学位论文题录展示

基于遥感信息与模型耦合的小麦生长监测预测技术研究

作　者: 黄彦
导　师: 曹卫星
学　校: 南京农业大学
专　业: 地图学与地理信息系统
关键词: 遥感小麦生长模型耦合技术生长监测生产力预测系统开发
分类号: S512.1
类　型: 硕士论文
年　份: 2010年
下　载: 26次
引　用: 0次
阅　读: 论文下载

内容摘要

作物长势实时无损监测及生产力准确预测,有利于提高传统作物栽培和因苗管理的技术水平,对于我国粮食安全与农业可持续发展具有重要意义。遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,两者有效耦合成为提高作物生长监测预测能力的重要手段之一。本文基于初始化/参数化策略和过程更新策略,研究了基于地空遥感信息与小麦生长模型耦合的冬小麦预测方法。结果表明,基于初始化/参数化策略,以抽穗期的小麦叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1A/BCCD. Landsat-5TM数据与冬小麦生长模型WheatGrow耦合,能反演得到生长模型区域尺度运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测。基于过程更新策略,在遥感信息(ASD光谱数据、HJ-1A/BCCD、Landsat-5TM数据)与小麦生长模型WheatGrow的耦合过程中,引入了改进集合卡尔曼滤波(EnKF)的确定性算法——集合平方根滤波(EnSRF),在不对观测加入扰动的情况下拟合得到了各观测时刻的模型状态变量叶面积指数(LAI)和叶片氮积累量(LNA)的分析值。结果表明,基于EnSRF拟合的LAI、LNA值优于模型模拟值和遥感监测值,更接近真实值。进一步以之更新WheatGrow相应值之后的模拟预测,结果很好地描述了冬小麦长势和生产力指标的时空分布状况。因此,基于EnSRF的遥感信息与小麦生长模型耦合技术提高了模型预测精度,可为冬小麦生长的监测预测提供重要技术依据。以县域冬小麦种植区域为研究对象,将基于小麦不同生育时期30米分辨率的HJ-1A/B CCD影像提取的归一化植被指数(NDVI)与土壤养分指标(全氮、有机质、有效磷、速效钾)分布状况有机结合,在空间变异性分析和主成分提取的基础上进行了聚类分区研究。结果表明,基于抽穗期NDVI与土壤养分指标耦合的分区方法效果最佳,分区后各子区域内部的NDVI值和土壤养分指标(全氮、有机质、有效磷、速效钾)变异系数分别在4.49-6.06%和3.25～87.89%之间,低于单纯基于土壤养分指标或NDVI进行分区的子区域内部变异系数5.76～7.52%,3.44～170.00%和2.65～12.06%,8.90～148.00%,同时低于整个区域内的变异程度6.66%,10.66～147.87%,大大缩小了区域管理单元内部的变异性,分区结果可提高按区管理作业的精度,为区域性小麦生长管理和过程模拟奠定了基础。基于遥感信息与小麦生长模型耦合技术,根据面向对象程序设计原理,以Microsoft.NET Framework 2.0为开发环境,C#为编程语言实现系统整体架构和界面定制,将生长模型组件(DLL)、GIS组件ESRI ArcGIS Engine 9.2与IDL开发的遥感影像处理模块等进行有机集成,构建了基于遥感信息与生长模型耦合的小麦生长监测预测系统,实现了影像预处理与光谱信息提取、遥感监测、模拟预测、专题制图等功能。以江苏省弱筋小麦主产区试验数据对系统进行实例分析,结果表明系统能有效进行冬小麦长势和生产力指标的监测预测。

全文目录

摘要 8-10ABSTRACT 10-12第一章绪论 12-26 1 研究概述 12-18 1.1 基于遥感的作物监测预测研究进展 12-14 1.1.1 作物生长动态监测 12-13 1.1.2 作物生产力预测 13-14 1.2 作物生长模型研究进展 14-16 1.3 遥感信息与作物生长模型耦合的研究进展 16-18 1.4 作物生长管理分区研究进展 18 2 研究的目的与意义 18-20 参考文献 20-26第二章技术路线与研究方法 26-38 1 研究思路与技术路线 26-28 1.1 研究思路 26 1.2 核心技术路线 26-28 1.2.1 遥感信息与生长模型耦合的技术路线 26-28 1.2.2 小麦生长管理分区的技术路线 28 2 材料与方法 28-33 2.1 试验与研究区 28-29 2.2 数据获取 29-30 2.2.1 遥感影像获取 29 2.2.2 高光谱测试 29 2.2.3 农学参数测定 29 2.2.4 模型输入资料等获取 29-30 2.3 数据分析与利用 30-32 2.3.1 遥感影像预处理与小麦冠层NDVI提取 30-31 2.3.2 农学参数遥感监测模型 31 2.3.3 数据统计与利用 31-32 2.4 小麦生长模型(WheatGrow) 32 2.5 数据分析方法 32-33 3 系统结构设计 33-36 3.1 系统结构与组成 33-34 3.1.1 数据库 34 3.1.2 遥感监测模型库 34 3.1.3 小麦生长模型库 34 3.1.4 人机界而 34 3.2 系统开发流程 34-36 参考文献 36-38第三章基于遥感与地统计学方法的小麦生长管理分区研究 38-50 1 材料与方法 39 1.1 研究区域 39 1.2 数据获取与利用 39 1.2.1 遥感影像获取与处理 39 1.2.2 土壤数据获取 39 1.3 数据分析方法 39 2 结果与分析 39-45 2.1 小麦冠层NDVI与土壤养分指标的空间变异性分析 39-43 2.2 小麦冠层NDVI与土壤养分指标的相关性及主成分分析 43-44 2.3 基于聚类分析的小麦生长管理分区 44-45 3 讨论与小结 45-47 参考文献 47-50第四章基于初始化/参数化策略的遥感信息与小麦生长模型耦合技术研究 50-64 1 材料与方法 51-52 1.1 试验与研究区 51 1.2 数据获取 51-52 1.2.1 遥感影像获取 51 1.2.2 高光谱测试 51 1.2.3 农学参数测定 51-52 1.2.4 模型输入资料等获取 52 1.3 数据分析与利用 52 1.3.1 数据预处理与小麦信息提取 52 1.3.2 农学参数遥感监测模型 52 1.3.3 数据利用与分析 52 1.4 小麦生长模型(WheatGrow) 52 2 结果与分析 52-60 2.1 敏感性分析与反演参数选择 52-53 2.2 基于SCE-UA算法的小麦生长模型初始化/参数化方法研究 53-60 2.2.1 基于SCE-UA的小麦生长模型初始化/参数化方法 53-54 2.2.2 小麦生长模型参数的反演 54-58 2.2.3 基于耦合模型的小麦生长预测研究 58-60 3 讨论与小结 60-61 参考文献 61-64第五章基于集合平方根滤波的遥感信息与小麦生长模型耦合技术研究 64-72 1 材料与方法 65-67 1.1 试验与研究区 65 1.2 数据获取 65 1.2.1 遥感影像获取 65 1.2.2 高光谱测试 65 1.2.3 农学参数测定 65 1.2.4 模型输入资料等获取 65 1.3 数据分析与利用 65-66 1.3.1 数据预处理与小麦信息提取 65 1.3.2 农学参数遥感监测模型 65-66 1.3.3 数据利用与分析 66 1.4 小麦生长模型(WheatGrow) 66 1.5 集合平方根滤波(EnSRF) 66-67 2 结果与分析 67-70 2.1 基于过程更新策略的遥感信息与小麦生长模型(WheatGrow)耦合 67-68 2.2 基于遥感信息的WheatGrow过程更新方法的实例分析 68-70 2.2.1 基于地面光谱数据的实例分析 68-69 2.2.2 基于空间影像数据的实例分析 69-70 3 讨论与小结 70-71 参考文献 71-72第六章小麦生长监测预测系统的构建与实现 72-80 1 系统设计与实现 73-76 1.1 系统开发环境与工具 73-74 1.2 系统功能设计 74-75 1.2.1 影像预处理与光谱信息提取 75 1.2.2 小麦长势动态监测 75 1.2.3 小麦生产力预测 75 1.3 系统实例分析 75-76 2 讨论与小结 76-78 参考文献 78-80第七章讨论与结论 80-86 1 讨论 80-82 1.1 小麦生长管理分区的关键技术 80 1.2 遥感信息与小麦生长模型耦合技术 80-81 1.3 小麦生长监测预测系统 81 1.4 今后的研究设想 81-82 2 结论 82-83 参考文献 83-86附录Ⅰ 硕士期间发表或投稿的论文 86附录Ⅱ 硕士期间参与科研项目 86-88致谢 88

基于遥感信息与模型耦合的小麦生长监测预测技术研究

内容摘要

全文目录

相似论文