共查询到19条相似文献,搜索用时 296 毫秒
1.
[目的]利用《农用地分等规程》中所给出的因素法进行农用地分等,研究其不同指标区间分等结果的可比性,从而为今后的农用地分等工作提供修正依据。[方法]对陕西省内分别属于不同指标区的户县和合阳县的分等结果中共同分等因素对应的分区间进行对比分析。[结果]属于关中渭河平原区的户县和属于渭北黄土旱塬的合阳县3个相同等别的农用地,其土地自然条件是不一致的。[结论]在农用地分等中,由于不同指标区的分等因素以及所占权重不同,各指标区间分等结果不可比。 相似文献
2.
3.
农用地定级中样地法和修正法的比较研究——以上高县为例 总被引:2,自引:0,他引:2
目前我国基本上采用因素法和修正法进行农用地定级,而样地法却应用得很少。以江西省上高县为例,对样地法农用地定级单元划分、因素选取、定级指数计算、级别划分的方法进行探讨,并与修正法比较,从不同方面论证了样地法定级方法的可行性。 相似文献
4.
[目的]利用农用地分等成果汇总平衡农用地基准地价,实现农用地"等"与"级"的衔接。[方法]采用比较研究与系统分析法。[结果]对江苏省农用地基准地价水平进行了分析,认为汇总平衡对于江苏省农用地基准地价评估开展实施至关重要,且利用分等结果汇总平衡农用地基准地价切实可行;提出了江苏省农用地基准地价内涵修正的思路;通过分等结果测定了江苏省县域农用地质量价格指数;提出了控制法和模型法汇总江苏省农用地基准地价平衡的具体步骤,并进行了实证研究;对汇总平衡的技术思路提出相关措施和建议。[结论]利用农用地分等结果测算农用地县域质量价格指数并采用控制法和模型法汇总平衡农用地基准地价是现实可行的。 相似文献
5.
以清丰县为例,运用GIS和多元统计分析方法,采用施肥试验中的最高单产为统一衡量标准,研究了农用地自然质量分等成果与耕地地力评价成果一致性问题并对2种评价结果进行衔接。研究结果:清丰县农用地自然质量分等成果与耕地地力评价分等结果空间一致性达到66.43%;引起农用地自然分等成果和耕地地力评价结果不一致的关键因素指标主要有耕地地力评价因素中的地下水矿化度,以及农用地自然得分评价因素中的盐渍化程度;建立了同一地区农用地自然质量指数与耕地地力评价指数之间的衔接模型。研究结论:通过衔接模型,可以实现农用地自然分等成果与耕地地力评价成果之间的相互转换。 相似文献
6.
7.
8.
以陕西省合阳县为研究对象,以定量划分农用地分等因素指标区为目的,首先应用灰色关联理论对影响农用地等别的各个因子进行灰色关联分析,在此基础上采用"星座"聚类分析法对农用地分等因素指标区进行定量划分。运用该种方法对农用地分等因素指标区的划分与当地实际情况相符合,为进行农用地分等工作提供了科学依据。 相似文献
9.
10.
11.
基于向前选择变量法的我国粮食总产量多元线性回归预测模型 总被引:1,自引:0,他引:1
结合1983~2006年我国粮食总产量及与之密切相关的粮食单产、粮食播种面积、化肥施用量、有效灌溉面积、农机总动力、农田成灾面积等6个影响因子序列资料,采用向前选择变量法,构建了我国中长期粮食总产量多元线性回归预测模型。结果表明,粮食单产、粮食播种面积、化肥施用量及农田成灾面积是我国粮食总产量的关键制约因子,措施得当,未来我国完全可以在耕地资源不可逆转减少的前提下实现粮食总产量的持续增长。研究成果可为我国粮食安全保障体系的构建提供决策依据。 相似文献
12.
13.
基于无人机可见光遥感的棉花面积信息提取 总被引:2,自引:0,他引:2
【目的】针对传统大区域棉花种植信息提取方法相对落后的问题,运用面向对象的影像分析方法,对无人机遥感试验获取的可见光影像进行棉花种植信息的提取。【方法】选用双子星MyFlyDream MTD固定翼无人机搭载佳能EF-M 18-55相机,获取新疆建设兵团第八师135团的可见光影像,借助eCognition软件平台,运用面向对象的方法对研究区内棉花种植信息进行提取试验。【结果】目视解译提取的棉花种植面积为0.35 km2,面向对象提取的棉花种植面积为0.33 km2,分类结果精度为94.29%,误差系数为5.71%,可以有效地提取研究区域棉花种植信息。【结论】面向对象的分类方法相比于传统的基于像素的分类方法提取精度更高,更加接近于目视解译的提取结果。 相似文献
14.
15.
基于农用地分等成果耕地产能分析——以陕西省富平县为例 总被引:1,自引:0,他引:1
【目的】对陕西富平县农用地分等成果的耕地产能进行分析,并探讨计算方法的合理性,为进行耕地产能测算提供新思路。【方法】在农用地分等中的自然质量等级指数与利用等级指数基础上,利用农用地分等的中间成果和数据,结合生态学中的Logistic模型,计算陕西省富平县耕地粮食的自然生产潜力、利用生产潜力和现实生产能力。【结果】富平县耕地自然生产潜力和利用生产潜力分别为298.170×104和179.460×104 t,单位面积自然生产潜力和利用生产潜力分别为38.100和22.930 t/ha,现实生产能力为79.997×104 t,单位面积现实生产能力为10.228 t/ha。该县耕地自然生产潜力、利用生产潜力和现实生产能力有从西北向东南递增的趋势。粮食单产在空间上差异明显,单产最高和最低分别是张桥镇和底店乡,分别为12.084和5.634 t/ha,差异为6.450 t/ha。【结论】富平县耕地的生产能力和生产潜力较大;相比其他方法,利用农用地分等的中间成果和数据来计算耕地生产潜力更加方便;利用生态学中的Logistic模型,可合理模拟现实生产能力。 相似文献
16.
一年一季农作物遥感分类的时效性分析 总被引:4,自引:1,他引:3
【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。 相似文献
17.
应用ERDAS遥感软件对SPOT5进行图像预处理、图像解释、图像监督分类,通过SPOT5图像获取林地面积,得出分类精度,找到一种监测退耕还林的新方法.这种方法在辽宁省康平县小城子乡进行实地应用,分类精度的kappa系数分别为76%和85%,表明应用SPOT5图像监测退耕还林是可行的. 相似文献
18.
耕地的数量和质量是粮食生产能力的核心要素,保护耕地已成为保障粮食安全的关键。辽宁省鞍山市作为研究区域,在耕地保护方面具有其特殊性。在人口预测的基础上,结合耕地面积、粮食单产等有关数据分析,预测规划目标年(2010和2020年)的耕地需求量,为基于粮食安全模式下的耕地保护提供有益探索。结果表明,2010年鞍山市耕地最大可供给量为239 000 hm2,2020年耕地最大可供给量为238 000 hm2,2010年鞍山市耕地需求量为204 186.02 hm2;到2020年鞍山市耕地需求量为226 409.61 hm2。因此,鞍山市耕地可供给量可以满足粮食生产目标。 相似文献
19.
基于粮食安全的云南省2020年耕地需求量预测 总被引:1,自引:1,他引:0
依据1996~2008年耕地面积与粮食产量数据,采用基于粮食安全的耕地需求量预测方法,选取耕地面积、粮播比例、耕地年粮食单产、总人口和人均粮食产量5个指标,分析预测了2020年云南省耕地需求量。各指标预测结果表明,2020年云南省总人口达5146.40万人,显著高于控制数(5000万人);2020年云南省人均粮食需求量为400kg,处于小康型下限;粮食自给率按100%、95%和90%3个方案进行;耕地年粮食单产的年均增长率按2.5%和3.0%2个方案进行预测;将2020年粮播比例确定为66%。耕地需求量预测结果表明,通过分析得到云南省耕地需求量共计6个方案,方案Ⅰ是很难达到的目标,方案Ⅳ、方案Ⅴ和方案Ⅵ的预测结果偏低,不符合国家保护耕地的政策规定,也不利于保障粮食安全目标;方案Ⅱ和方案Ⅲ较为接近,但方案Ⅲ预测结果最佳,并将基于粮食安全的云南省2020年耕地需求量确定为590万hm2,以保障云南省粮食安全、实现省域粮食基本自给的耕地"红线"。 相似文献