排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
大区域农田墒情遥感定量监测对当代精准农业应用意义重大,但如何提高监测精度一直是该领域的关键问题.融合多源遥感的方法可以充分发挥各种遥感的优势,是提高监测精度的重要技术手段.以河南省中东部为研究区域,利用MODIS、Sentinel数据,结合实测土壤含水量,根据植被覆盖、地表粗糙度和不同湿度的土壤对后向散射的贡献,利用BP神经网络模型构建上述参数的关系,分别对研究区2016年3-6月冬小麦高植被覆盖时期0~10 cm、0~20 cm深度土壤墒情反演.根据地表粗糙度参数的性质,提出了地表粗糙度不变假设,并结合遗传算法优化BP神经网络方法(GA-BP),进行对比实验.结果显示:①植被茂盛期,后向散射系数(σ)及其差值(?σ)与土壤墒情均具有一定的相关性,VV极化优于VH极化,差值优于原值;②在反演0~10 cm与0~20 cm深度土壤墒情时,BPσ、BP?σ、GA-BP?σ模型得到的结果精度均依次提高,其中GA-BP?σ模型的均方根误差0~10 cm为4.07%,0~20cm为3.42%;③3种BP神经网络模型皆与0~20 cm深度土壤墒情相关性较好,预测精度较高.研究表明:中原地区冬小麦全生育期地表粗糙度不变假设是成立的,后向散射系数差值(?σ)与土壤墒情的相关性更好,0~20 cm的根部墒情的遥测敏感度更高, 相似文献
2.
土壤墒情是农业生产的重要参数,高效、精确地监测土壤墒情是保证农业生产安全的重要环节。在基于植被指数的土壤墒情监测方法中,如何根据地域和植物生育期的差异,选定最优的植被指数是问题的关键。利用2015年2-6月河南省中东部黄淮海平原冬小麦主产区的实测农田墒情数据和MODIS遥感数据,对归一化植被指数(NDVI)、增强型植被指数(EVI)、植被供水指数(VSWI)、温度植被干旱指数(TVDI)与土壤含水量进行相关性分析,对比不同植被指数对不同深度土壤含水量的响应,并分别建立四种植被指数与土壤墒情的回归模型,进行预测精度分析。结果表明:本研究中,TVDI与土壤墒情的相关性最好,预测精度最高;每一种指数皆与10~20 cm深度土壤墒情相关性最好,预测精度最高。因此,TVDI为最优响应指数,10~20 cm深度土壤为最优响应深度。 相似文献
1