关于数字农业的基本构想

在对现代农业基本特点分析的基础上，提出了“数字农业”的概念，并给出了数字农业的基本架构，分析了数字农业与精细农业、数字地球、信息农业、虚拟农业之间的关系。提出精细农业应该是以数字农业为基础，以高投入产出比为目的的农业，数字农业是精细农业发展的必由之路。数字农业是在数字地球的大背景下产生的，是数字地球的重要组成部分，依赖并受益于数字地球建设。数字农业概念的提出，有利于理顺目前数字地球、精细农业、信息农业等概念之间的关系，明确当前我国农业发展的具体目标，从而合理安排我国农业发展规划，避免资源浪费。数字农业的实施将使农业生产精细化、远程化、虚拟化、自动化成为可能，从而极大地解放生产力，实现我国农业生产质的飞跃。     

基于高分辨率遥感影像的农作物灾损评估研究

【目的】2016年湖北省部分地区遭受洪涝灾害,导致该省农作物产量下降。利用遥感手段进行灾损评估研究可快速、准确获取灾后农作物的受灾程度与减产量,给农民提供实时、准确的参考数据,以减少农民的经济损失。【方法】基于2015年7月与2016年7月的灾前灾后Landsat-8影像,利用面向对象分类方法和分层抽样方法对湖北省荆州市与荆门市部分地区的农作物进行受灾面积提取,统计农作物受灾面积总量;对灾前灾后农作物的NDVI值进行对比,根据灾前灾后的NDVI差值进行受灾等级划分,以此得到农作物的受灾等级。【结果】(1)由连续暴雨引起的洪涝灾害导致研究区农作物都有不同程度的受损,采用了面向对象分类方法精度指标的Kappa系数为0.849 5,以此分类统计出的受灾农作物总面积为635.838 km~2;(2)受灾严重的区域主要是依傍河岸和地势低洼处。荆州市的弥市镇虎渡河附近的农作物受灾等级最高,受灾最为严重,几乎完全被洪水淹没;而荆州市马良镇的杨家湾因为地势低以及对农作物的灾害预防措施做得不够,也造成大量的农作物被淹没,甚至出现了绝收现象。【结论】对于农作物灾后监测,有关部门要借助遥感手段及时向农民提供数据支持,将农民的经济损失降到最低,最大程度地保障农民的生活。     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

夏玉米结构参数计算及大田玉米冠层的可视化研究

本文在几何图形法、参数法和直接测量法的基础上, 利用实测数据和数字图像数据建立了计算LAI, LAD的数字图像方法, 并对此方法进行了验证. 这种方法与传统计算LAI、 LAD的方法相比, 可以对植株进行无破坏的连续观测, 一次完成LAI、 LAD的计算, 提高了计算效率, 减少了野外观测的工作量. 同时根据所获取的结构参数, 开展了夏玉