排序方式: 共有55条查询结果,搜索用时 30 毫秒
1.
基于时间序列MODIS的农作物类型空间制图方法 总被引:2,自引:0,他引:2
为快速获取大范围种植结构复杂区域的作物种植面积,以MODIS数据为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、宽动态植被指数(Wide dynamic range vegetation index,WDRVI)、地表水分指数(Land surface water index,LSWI)、归一化雪被指数(Normalized difference snow index,NDSI)5种特征,结合同步的实地调查样本点,采用支持向量机算法(Support vector machines,SVM)提取黑龙江省主要农作物的种植面积。研究表明,在待选特征中NDVI、EVI与LSWI指数组合取得了最高的分类精度,总体分类精度为74.18%,Kappa系数为0.60;支持向量机算法与最大似然算法、随机森林算法相比,分类精度更优。该方法为在大区域中提取农作物种植面积提供了参考价值。 相似文献
2.
在Oracle 10g的GeoRaster模块支持下,提出对影像的物理存贮和影像数据库组织管理的可行方案,并针对在Oracle中建立影像的金字塔、实现影像的压缩、影像索引等方面说明了具体的实现办法.在影像数据库组织方面,提出2种组织模式:无缝影像层模式和分幅影像层模式;在数据访问效率方面,通过建立影像数据金字塔和基于影像块建立R树空间索引来提高数据访问效率;在数据压缩方面,在遵循Oracle GeoRaster架构的基础上,通过扩充GeoRaster的影像元数据来支持数据压缩存贮能力.基于该设计方案,成功实现了一个原型系统. 相似文献
3.
4.
利用一维多层水热耦合SHAW(The simultaneous heat and water)模型,在田间实验的基础上,模拟河南省商丘地区2015年冬小麦拔节后近地面层0~40 cm垂直方向上的每小时气温变化特征。结果表明,冬小麦近地面层气温模拟整体效果较好,其中48%模拟的绝对误差低于1℃,75%模拟的绝对误差低于2℃,不同高度上模型效率ME均大于0.94;夜晚气温的模拟效果优于白天的模拟效果,白天11:00—14:00气温被过低估计,并随着近地面层高度的增加,模拟值误差越大;近地面层内3种气温特征值模拟效果的优劣依次为:日平均气温、日最低气温、日最高气温,其中,日平均气温模拟值与实测值基本吻合,日最低气温被略微高估,日最高气温被过低估计。此外,SHAW模型在冬小麦拔节后6个生育期的模拟效果均存在差异,拔节期、灌浆期和乳熟期模拟效果较好,孕穗期和开花期次之,抽穗期模拟效果相对较差。 相似文献
5.
以陕西省关中平原为研究区域,应用点扩散函数、混合像素面积权重法和中值像素变异权重法将基于Landsat卫星遥感数据反演的分辨率为30 m的条件植被温度指数(VTCI)干旱监测结果上推至930 m的干旱监测结果,并与Aqua MODIS数据反演的分辨率为930 m的VTCI干旱监测结果进行对比分析,以期为两种空间尺度的干旱监测结果的综合应用提供技术支持。以MODIS数据反演的VTCI为参考,应用相关系数、均方根误差、半变异函数的估计值和图像纹理特征等对尺度上推的VTCI进行评价。结果表明,点扩散函数和混合像素面积权重法的尺度上推效果均较好,而中值像素变异权重法的尺度上推效果较差,说明点扩散函数和混合像素面积权重法均适用于研究区域VTCI干旱监测结果的尺度转换,且点扩散函数的数据处理过程更为简单。典型样点VTCI的尺度上推结果表明,空间异质性越小,尺度上推的结果越好。 相似文献
6.
为了通过数据同化方法提高冬小麦的估产精度,以陕西省关中平原为研究区域,采用标定的CERES-Wheat模型模拟8个典型样点冬小麦整个生育期的叶面积指数(LAI),通过四维变分(4DVAR)和集合卡尔曼滤波(En KF)2种同化算法同化CERES-Wheat模型模拟的LAI和遥感数据反演的LAI,获得单点尺度的LAI同化数据,将单点尺度的LAI同化值扩展到区域尺度,对两种同化方法的单点尺度和区域尺度的同化结果进行对比与分析。结果表明,两种同化方法均能综合遥感反演LAI和模型模拟LAI的优势,使LAI同化值更符合冬小麦LAI的实际变化规律;在单点尺度和区域尺度上,En KF-LAI均更能反映关中平原冬小麦的实际生长状况。采用En KF-LAI构建关中平原冬小麦估产模型估测2008年和2014年的冬小麦单产,通过实测单产对估产模型进行验证,结果表明,2008年样点估测单产与实测单产的相对误差均小于15%,部分县估测单产与实测单产的相对误差均小于10%;与2014年模拟单产与实测单产间的相对误差相比,估测单产与实测单产间的相对误差降低0.57%~9.30%,RMSE降低217 kg/hm2,其中,8个样点的估产精度达到94%以上,表明组合估产模型的估产精度较高。 相似文献
7.
基于LAI时间序列重构数据的冬小麦物候监测 总被引:5,自引:2,他引:3
农作物物候信息对农作物长势监测和估产具有重要意义。该文以河北省中南部冬小麦为研究对象,以叶面积指数(LAI,leaf area index)为同化量,采用重采样粒子滤波算法同化WOFOST(world food studies)作物生长模型和遥感观测LAI,重构LAI时间序列数据,基于重构数据提取冬小麦返青期、抽穗期和成熟期等关键物候期。重构结果表明,重构的LAI具有良好的时间连续性和空间连续性,可减缓WOFOST作物模型LAI变化剧烈程度,峰值出现时间与遥感LAI曲线基本同步,且可一定程度上解决遥感观测LAI数值整体偏低和数据缺失的问题。物候期监测结果表明,在空间分布上与冬小麦实际生长状况基本相符,时间上也较为合理,但因在返青期存在LAI高初始值、成熟期存在LAI下限不确定性等问题致使在具体日期存在偏差。 相似文献
8.
遥感观测的叶面积指数(LAI)时间序列数据广泛应用于作物长势监测,但数据受大气条件等影响,存在数值偏低和时间序列数据缺失等问题。为此,本文设计了一种基于重采样粒子滤波的LAI时间序列重构算法,以LAI为同化变量,在WOFOST模型本地化的基础上,实现了遥感LAI数据和WOFOST模型模拟的LAI数据的同化,以重构LAI时间序列。算法将WOFOST作物模型简化为LAI状态随时间演变的非线性计算方程,作为重采样粒子滤波的状态转移方程;将地面实测LAI数据和遥感LAI数据建立的线性方程,作为重采样粒子滤波的观测方程,建立LAI时间序列数据同化模型。以带权重粒子表示LAI时间序列状态后验分布,并在循环迭代中对粒子重采样,以此实现单点和区域LAI时间序列重构。应用该算法,对河北省冬麦区2010年LAI时间序列进行重构,结果表明,基于重采样粒子滤波的LAI时间序列重构算法在单点和区域上得到的LAI值明显更接近冬小麦实际生长状况,且算法能够弥补遥感LAI时序数据的缺失,为进一步的作物长势监测提供基础支撑。 相似文献
9.
基于GPS和GIS的土地整理现场调查技术开发与应用 总被引:6,自引:3,他引:3
该文研究针对土地整理传统现场调查方法存在定位难、测量难、记录难等种种问题,围绕土地整理项目科学管理目标,将GPS技术、移动GIS技术进行集成,整合开发了一套支持土地整理现场调查的低成本、高效率、便携式、便利用的先进技术工具,为土地整理现场调查工作中存在的问题提供了一个系统的解决方案。研究成果先后在青海、北京、云南、广东、甘肃等地的土地开发整理项目实施检查和占补平衡项目考核工作中得到了应用,大大提高了现场调查工作的质量和效率,使复杂的现场调查工作变得更高效、更主动。研究及实践表明,对GPS、移动GIS技术进行整合开发是解决土地整理现场调查工作中所存在问题的有效手段,可大大提高现场调查工作的质量和效率。 相似文献
10.
针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段(705、740、783nm),其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率(Super-resolution for multispectral multiresoltion estimation, SupReMe)算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数(LAI),并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。 相似文献