排序方式: 共有19条查询结果,搜索用时 15 毫秒
1.
季节性干旱是影响关中平原农业生产最主要的灾害,研究气候变化背景下的关中平原旱情空间分布特征和变化规律具有重要的科学意义与应用价值。基于关中平原2003—2014年每年3月上旬—5月下旬的旬时间尺度条件植被温度指数(VTCI)的干旱监测结果,采用结构相似度(SSIM)研究关中平原VTCI的空间变化特征及其影响因子。结果表明:关中平原VTCI的空间变化特征具有明显的区域差异性和空间异质性,结构性因素是VTCI空间变化的主要影响因子,总体上受水热、地形分布格局等因素的结构性影响,但微地貌、下垫面覆盖的不同及变化和人为因素导致其主体产生变化。当微地貌、下垫面覆盖类型和人为因素成为主导因子时,结构相似度与其高度相关,对其变化的响应非常敏感。与利用某些指数直接作为干旱的指示因子或构建统计模型分析干旱特征相比,引入研究图像的结构信息的参量SSIM实现了定量、准确、形象地描述干旱的空间分布特征和变化规律。 相似文献
2.
条件植被温度指数(VTCI)综合了地表主要参数——归一化植被指数(NDVI)和地表温度(LST),能够较为准确地对干旱进行监测,可为抗旱救灾、作物估产等提供科学依据。为了提高VTCI的区域估产精度,以陕西省关中平原为研究区域,将遥感反演的VTCI与CERES-Wheat小麦生长模型模拟的土壤浅层含水率相结合,通过四维变分(4D-VAR)同化算法实现2008—2014年冬小麦主要生育期旬尺度VTCI的同化。将同化和未同化的VTCI分别运用改进的层次分析法、熵值法及两者组合赋权法建立冬小麦单产估测模型,选择最优估测模型对2011年关中平原各县(区)进行单产估测和精度评价,并分析2008—2014年关中平原冬小麦单产的时空分布特征,结果表明:无论是在单点尺度还是区域尺度,同化的VTCI均能更好地响应外部观测数据,区域VTCI纹理性更好,更符合VTCI的先验知识。与未同化VTCI构建的估测模型相比,应用同化的VTCI所建的估测模型的估测精度明显提高,相关系数达到0.784(P0.001)。应用最优估测模型对2011年关中平原29个县(区)估产结果中,有16个县(区)的估测单产相对误差小于10%,28个县(区)的估测单产相对误差小于15%,总体平均相对误差为8.68%,均方根误差为421.9 kg/hm~2。近年来关中平原的冬小麦单产呈现个别年份波动、总体增长的年际变化规律,且呈现出中部单产最高、西部次之、东部最低的空间分布特征,与实际情况符合。 相似文献
3.
4.
基于四维变分和集合卡尔曼滤波同化方法的冬小麦单产估测 总被引:1,自引:5,他引:1
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
5.
基于LAI和VTCI及粒子滤波同化算法的冬小麦单产估测 总被引:1,自引:0,他引:1
为进一步提高冬小麦单产的估测精度和验证粒子滤波算法在同化研究中的适用性,以陕西省关中平原为研究区域,以叶面积指数(LAI)和条件植被温度指数(VTCI)为同化系统的状态变量,采用重采样粒子滤波算法同化CERES-Wheat模型模拟的与遥感数据反演的LAI和VTCI,并依据在不同类型样点应用最优同化LAI和VTCI构建的单产组合估测模型对2008—2014年冬小麦单产进行估测。结果表明,同化LAI具有良好的时间和空间连续性,可减缓CERES-Wheat模型模拟LAI的剧烈变化,其峰值出现时间与遥感LAI变化趋势基本同步,更加符合关中平原冬小麦实际变化情况;同化VTCI能同时表达模型模拟值和遥感观测值的变化趋势,且更能反映冬小麦对水分胁迫的敏感性。比较不同类型样点基于不同同化变量建立的估产模型,发现在旱作样点,同时同化VTCI和LAI的单产估测结果(R2=0.531)优于单独同化VTCI(R2=0.475)或LAI(R2=0.428)的估测结果,且同时同化VTCI和LAI与实测产量间相关性达极显著水平(P0.001);而在灌溉样点单独同化LAI的估测结果精度最高(R2=0.539),同时同化VTCI和LAI的估测结果次之(R2=0.457),单独同化VTCI的估测结果较差(R2=0.243)。表明在旱作样点,冬小麦叶面积指数和水分胁迫是影响其产量形成的主要因子,而在灌溉样点,叶面积指数是影响冬小麦产量形成的主要因子。 相似文献
6.
基于时间序列叶面积指数傅里叶变换的作物种植区域提取 总被引:4,自引:3,他引:1
为了获取不同农作物的空间分布信息,以华北平原黄河以北地区为研究区域,利用Savitzky-Golay滤波对2014—2016年的时间序列叶面积指数(leaf area index,LAI)进行重构,进而应用一阶差分法和重构LAI的傅里叶变换的谐波特征对研究区域主要农作物冬小麦、玉米和棉花种植区域进行识别和提取,并对不同作物的识别精度进行验证。结果表明,基于Savitzky-Golay滤波重构的LAI能够去除由云、大气等因素造成的LAI骤降的影响,重构LAI曲线平滑且符合作物的生长规律特征。研究区域2014—2016年作物识别的总体精度均大于80.00%,2015年达到87.08%,冬小麦-夏玉米、春玉米、棉花和单季夏玉米的识别精度分别为92.50%、80.00%、85.00%和82.50%,表明利用一阶差分法能够准确提取研究区域一年一季和一年两季作物种植区域。结合傅里叶变换方法和作物物候信息能够有效地识别不同作物的种植区域,进而获取研究区域主要农作物的分布信息。该研究可为研究区域主要作物的长势监测及产量估测预测提供参考。 相似文献
7.
[目的]建立利用差速离心法制备油菜种子微粒体的方法及微粒体蛋白浓度测定的紫外分光光度检测法。[方法]分别取授粉后47 d的高油酸与低油酸材料新鲜角果,将种子剥出,应用差速离心法提取油菜种子微粒体,采用Bradford法测定种子微粒体蛋白浓度。[结果]离心管底可见沉淀,牛血清白蛋白标准曲线范围为0~500μg/ml,回归方程为:Y=0.001 34X+0.064(r=0.996 3),日内和日间精密度分别为3.52%、1.55%、0.54%以及7.51%、1.99%、0.68%。油菜种子微粒体总蛋白质含量为高油酸材料406μg/g,低油酸材料335μg/g。[结论]利用差速离心法制备得到高质量油菜种子微粒体蛋白,可为进一步研究油菜种子油酸脱氢酶活性提供依据。 相似文献
8.
以关中平原为研究区域,以冬小麦为研究对象,基于2007—2008年TM遥感数据反演的和CERES-Wheat模型模拟的生物量和叶面积指数,将由离散积分思想计算的日均分摊系数和由冬小麦各生育阶段生长特点划分的分段蒸腾系数引入土壤水分平衡方程,建立土壤水分供给量反演模型。利用该模型进行研究区域2007—2008年冬小麦全生育期的蒸散量和土壤水分供给量的单点和区域尺度的定量反演。选取拥有多时相遥感数据的2000—2001年进行模型验证,结果表明,在充分获取降水、灌溉信息和多时相遥感数据的条件下,土壤水分供给量的反演结果准确度较高。区域尺度的土壤水分供给量呈现出西高东低和北高南低的分布特征,自西北部向东南部逐渐递减,与关中平原冬小麦受水分胁迫程度的区域性变化趋势基本一致,表明应用模型反演冬小麦全生育期的土壤水分供给量是可行的。 相似文献
9.
基于作物及遥感同化模型的小麦产量估测 总被引:5,自引:3,他引:2
为提高陕西省关中平原冬小麦的估产精度,该文通过粒子滤波算法同化Landsat遥感数据反演的状态量叶面积指数(leaf area index,LAI)、土壤含水量(0~20 cm)、地上干生物量数据和CERES-Wheat模型模拟的状态量数据,分析小麦不同生育期的LAI、土壤含水量及生物量同化值和实测单产的线性相关性,以构建同化估产模型。结果表明,在返青期土壤含水量同化值和实测单产的相关性高于LAI、生物量同化值和实测单产的相关性,选择土壤含水量作为最优变量;在拔节期和抽穗-灌浆期同时选择LAI、土壤含水量及生物量作为最优变量;在乳熟期选择生物量作为最优变量。在小麦各生育时期同化最优变量的估产精度(R2=0.85)高于同时同化LAI、土壤含水量及生物量的估产精度,同时同化LAI、土壤含水量及生物量的估产精度高于同时同化LAI和土壤含水量(或LAI和地上干生物量、或土壤含水量和地上干生物量)的估产精度,表明在作物不同生育时期同化与产量相关性较大的变量对提高估产精度有重要作用。 相似文献
10.
基于多源遥感数据融合和LSTM算法的作物分类研究 总被引:7,自引:6,他引:1
准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。 相似文献