排序方式: 共有28条查询结果,搜索用时 109 毫秒
1.
NDVI时序相似性对冬小麦种植面积总量控制的制图精度影响 总被引:1,自引:1,他引:0
遥感技术获取的区域作物面积与作物面积统计数据间常常存在不一致的问题,这在一定程度上影响了作物分布遥感制图信息的应用。为获得与作物面积统计数据一致的高精度作物分布遥感制图信息,该研究以河北省衡水市武邑县为研究区,以时序Sentinel-2遥感影像生成的归一化差值植被指数(Normalized Difference Vegetation Index, NDVI)为研究数据,将冬小麦面积目视解译数据作为遥感提取的区域冬小麦面积总量参考,提出基于复合型混合演化算法(Shuffled Complex Evolution-University of Arizona, SCE-UA)和区域作物种植面积总量控制的NDVI时序相似性阈值优化冬小麦分布制图方法,并进行精度验证。在此基础上,进一步开展不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取精度对比研究。结果表明,利用全生育期NDVI时序相似性获得的冬小麦分布制图结果总量精度达99.99%以上,总体精度达98.08%,Kappa系数为0.96,可以保证遥感提取的区域冬小麦面积与冬小麦种植面积总量控制参考间的高度一致性且能获得较高的作物遥感识别精度。从不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取结果可知,利用出苗期-分蘖期、返青期-拔节期的NDVI时序可获得高精度冬小麦分布提取结果,而利用抽穗期-成熟期的NDVI时序数据提取冬小麦结果则精度较低,且综合不同生育阶段NDVI时序数据有利于冬小麦制图精度的提高。该研究可为高精度冬小麦分布提取和制图技术及其方案优化提供一定参考依据,也可为遥感数据和作物面积统计数据融合的大范围农作物分布遥感制图及统计数据空间化提供一定技术方法参考和思路借鉴。 相似文献
2.
<正>一、基本情况嵩县辖16个乡镇,310个村,11个社区,3 736个村民组,134 743户,农业人口522 089人,耕地3.133万hm2,人均耕地600.3m2。1998年2轮土地延包签订承包合同127 328份,颁发土地经营权证书92 833份。截至2013年7月底,全县共实现土地流转约1.11万hm2,其中2013年新增土地流转约0.115万hm2。 相似文献
3.
矮化密植苹果示范园采用三优矮化栽培技术,即优质苗木、优质品种、优质技术。简约设施栽培,以拉枝为主,立杆拉线,两年见花,第三年结果,每亩产量可达500kg,四年以后亩产量将达到2000~3000kg。矮化密植苹果示范园栽植技术有以下几个方面:1授粉树的选择与配置。 相似文献
4.
杜梨花挥发油化学成分的研究 总被引:2,自引:0,他引:2
采用水蒸气蒸馏法从杜梨花中提取挥发油,用气相色谱-质谱法对化学成分进行鉴定。共分离出46个峰,确定了其中的45种,所鉴定化合物的含量占全油的87.84%,主要化学成分为:二十一烷(60.05%);二十八烷(4.48%);(E,E)-3,7,11-三甲基-2,6,10-三烯十二-1-醇(4.43%);6,10,14-三甲基-2-十五酮(2.27%);2-甲氧基[1]苯噻吩-[2,3-c]喹啉-6(5H)-酮(1.98%);Iron,monocarbonyl-(1,3-butad iene-1,4-d icarbon ic ac id,d iethyl ester)a,a'-d ipyridyl(1.61%);[(2-氟苯)甲基]-1H-嘌呤-6-胺(1.07%);1,2-苯二羧酸-二异辛酯(1.02%)。以上八种化合物占总挥发油的76.91%,所得挥发油为淡黄色油状物,具有浓郁的芳香气味。 相似文献
5.
6.
8.
文章以‘全明星’为试材,研究了草莓品种‘按照不同的组培因子设计处理,通过不同分化方式,草莓叶片再生植株,不同继代次数,不同生根方式来说明草莓微繁殖苗的植株学性状对草莓植株生长发育的影响,主要结果如下:茎尖直接分化形成的植株在株高、叶柄长、叶面积、植株冠径等性状上略高于茎尖分生组织诱导的不定芽分化形成的植株,而试管苗叶片再生植株的叶面积和植株冠径明显小于一直通过腋芽萌发途径增殖继代的植株。继代次数对‘全明星’草莓植株的叶面积和植株冠径没有明显影响,试管苗适宜的生根方式与草莓品种有关,采用1/2MS+IBA0.02mg/L生根培养基,‘全明星’草莓移栽前在MS+6-BA0.2mg/L+GA0.1mg/L+IBA0.02mg/L的继代培养基中培养,移栽后微繁殖苗的长势好。本研究结果揭示了草莓微繁殖苗表观遗传变异与组培条件的复杂关系。 相似文献
9.
基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别 总被引:4,自引:3,他引:1
作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。 相似文献
10.