農(nóng)業(yè)信息化課程論文(DOC)_第1頁(yè)
農(nóng)業(yè)信息化課程論文(DOC)_第2頁(yè)
農(nóng)業(yè)信息化課程論文(DOC)_第3頁(yè)
農(nóng)業(yè)信息化課程論文(DOC)_第4頁(yè)
農(nóng)業(yè)信息化課程論文(DOC)_第5頁(yè)
已閱讀5頁(yè),還剩8頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

農(nóng)業(yè)信息化課程論文-計(jì)科1201班-劉怡然-10遙感技術(shù)在農(nóng)作物估產(chǎn)中的應(yīng)用摘要:遙感估產(chǎn)是基于作物特有的波譜反射特征,利用遙感手段對(duì)作物產(chǎn)量進(jìn)行監(jiān)測(cè)預(yù)報(bào)的一種技術(shù),在農(nóng)業(yè)發(fā)展中具有傳統(tǒng)的統(tǒng)計(jì)方法不可比擬的優(yōu)勢(shì),能客觀、動(dòng)態(tài)、快速、精準(zhǔn)地獲得農(nóng)作物長(zhǎng)勢(shì)、產(chǎn)量等信息。遙感技術(shù)必須與其它工具相結(jié)合,才能更好地估產(chǎn)。本文主要研究了遙感技術(shù)在農(nóng)作物估產(chǎn)中的應(yīng)用,先介紹了遙感估產(chǎn)的基本原理和方法,分析了幾種與遙感技術(shù)結(jié)合的估產(chǎn)模型的優(yōu)劣;然后以冬小麥和玉米為例,介紹了兩種遙感估產(chǎn)模型;最后,分析了現(xiàn)有遙感估產(chǎn)存在的問(wèn)題和遙感估產(chǎn)的發(fā)展方向,為遙感估產(chǎn)的進(jìn)一步研究提供了方向和思路。關(guān)鍵字:遙感技術(shù),農(nóng)業(yè),估產(chǎn)TheApplicationofRemoteSensingTechnologyinEstimatingCropYieldAbstractEstimatingcropyieldbyremotesensingisatechnologymonitoringandforecastingcropyieldbyremotesensingbasedonspecificspectrumcharacteristicsofcrop.Ithasincomparableadvantagescomparedwithtraditionalstatisticalmethodsinthedevelopmentofagricultureanditcanacquiregrowingandyieldinformationofcropsinaobject,dynamic,fastandaccurateway.Toestimatingcropyieldbetter,remotesensingtechnologymustbecombinedwithothertechnologies.Inthispaper,theapplicationofremotesensingtechnologyinestimatingcropyieldisintroduced.Tobeginwith,thebasictheoryandmethodofestimatingcropyieldbyremotesensingarementioned,thenthemeritsanddemeritsoftheestimatingmodelsintegratedintoremotesensingareanalyzed.Finally,theexistingproblemsandprospectarestatemented,whichproposeddirectionandthoughtsfornextresearches.KeywordsRemoteSensingTechnology,Agriculture,YieldEstimation目錄1引言32遙感估產(chǎn)的原理和方法32.1基本原理和方法32.2遙感估產(chǎn)方法評(píng)價(jià)32.3作物估產(chǎn)模型比較43主要糧食作物估產(chǎn)模型53.1冬小麥產(chǎn)量分階段預(yù)測(cè)模型53.1.1技術(shù)流程53.1.2合理取樣數(shù)估計(jì)和樣方布設(shè)方法63.1.3估產(chǎn)方法63.1.4模型分析73.2玉米產(chǎn)量估算模型83.2.1模型中應(yīng)用的技術(shù)介紹83.2.2處理方法83.2.3信息提取93.2.4模型與優(yōu)化算法94現(xiàn)有遙感估產(chǎn)方法存在的問(wèn)題和發(fā)展方向114.1遙感估產(chǎn)方法存在的問(wèn)題114.2遙感估產(chǎn)的發(fā)展方向115結(jié)束語(yǔ)12參考文獻(xiàn)13productivitysimulator)模型模擬得到了全國(guó)陸地生態(tài)系統(tǒng)的NPP,并分析了不同土地覆被類型之間NNP的差異,但是模擬得到的農(nóng)田生態(tài)系統(tǒng)的NPP還是建立在森林生態(tài)系統(tǒng)的基礎(chǔ)之上,而且也沒(méi)有把NNP進(jìn)一步推算到農(nóng)作物的產(chǎn)量上;于強(qiáng)等將作物冠層按LAI劃分為若干層次,該模型對(duì)冠層光合作用的理論研究、作物生長(zhǎng)的數(shù)學(xué)模擬等有一定的意義,但是該方法僅是停留在理論模擬階段,還沒(méi)有將其付諸于大范圍的應(yīng)用。并且,該方法也沒(méi)有進(jìn)一步發(fā)展,以最終得到作物的產(chǎn)量。因此,從理論上尋求一種基于作物光合作用機(jī)理的農(nóng)作物產(chǎn)量估算模型,走出各式各樣統(tǒng)計(jì)模型的框架[4],成為農(nóng)業(yè)估產(chǎn)領(lǐng)域的研究焦點(diǎn)。隨著人們對(duì)作物產(chǎn)量形成機(jī)理探討的深入,將農(nóng)作物光合和呼吸作用的過(guò)程模型和衛(wèi)星遙感相結(jié)合,通過(guò)計(jì)算農(nóng)作物的凈第一性生產(chǎn)力,實(shí)現(xiàn)大范圍農(nóng)作物產(chǎn)量估算和預(yù)報(bào),已經(jīng)成為一種可能。3主要糧食作物估產(chǎn)模型3.1冬小麥產(chǎn)量分階段預(yù)測(cè)模型關(guān)于作物產(chǎn)量遙感監(jiān)測(cè)預(yù)報(bào),早期的研究大多是在分析光譜信息與作物長(zhǎng)勢(shì)或產(chǎn)量形成關(guān)系的基礎(chǔ)上通過(guò)統(tǒng)計(jì)預(yù)報(bào)等途徑建立回歸模型而進(jìn)行的。但由于作物每一生長(zhǎng)時(shí)段內(nèi)周?chē)h(huán)境的可變性,只通過(guò)作物某一生長(zhǎng)階段的瞬時(shí)信息預(yù)測(cè)成熟期產(chǎn)量會(huì)出現(xiàn)很大偏差,因此綜合作物生長(zhǎng)過(guò)程的估產(chǎn)算法應(yīng)運(yùn)而生。農(nóng)業(yè)部遙感應(yīng)用中心建立的全國(guó)農(nóng)作物遙感監(jiān)測(cè)業(yè)務(wù)化運(yùn)行系統(tǒng)中,作物產(chǎn)量預(yù)測(cè)采用的農(nóng)業(yè)遙感估產(chǎn)法主要是以作物面積提取和單產(chǎn)模型預(yù)測(cè)為基礎(chǔ),結(jié)合土壤水分狀況評(píng)價(jià)和作物長(zhǎng)勢(shì)分析,進(jìn)而對(duì)作物產(chǎn)量進(jìn)行綜合預(yù)測(cè)和預(yù)報(bào)。其對(duì)農(nóng)作物單產(chǎn)預(yù)測(cè)的時(shí)效性和精確度要求較高,需要在作物生長(zhǎng)的不同階段及時(shí)獲得作物生長(zhǎng)動(dòng)態(tài)及產(chǎn)量信息,從而實(shí)時(shí)調(diào)整作物生產(chǎn)預(yù)報(bào)情報(bào),以便更好地為上級(jí)管理部門(mén)提供決策支持信息,進(jìn)而為我國(guó)農(nóng)業(yè)遙感監(jiān)測(cè)產(chǎn)量提供預(yù)警服務(wù)。3.1.1技術(shù)流程農(nóng)作物產(chǎn)量由農(nóng)作物生長(zhǎng)狀況決定,農(nóng)作物生長(zhǎng)狀況主要受到其內(nèi)在遺傳因子和外在環(huán)境條件的雙重影響。其中遺傳因子的影響作用主要通過(guò)其產(chǎn)量構(gòu)成因子即穗數(shù)、粒數(shù)和粒質(zhì)量進(jìn)行外部表達(dá),同時(shí)受到外在環(huán)境條件如土壤狀況、氣象條件和管理措施的綜合作用。很早就有研究人員提出可以利用產(chǎn)量構(gòu)成因子來(lái)解釋遺傳和環(huán)境因子如何在作物發(fā)育的不同階段影響作物收獲產(chǎn)量,隨著對(duì)生殖生長(zhǎng)量化理解的深入,發(fā)現(xiàn)利用三因子模型來(lái)模擬和預(yù)測(cè)籽粒產(chǎn)量及其構(gòu)成方面是有用的。因此,在對(duì)傳統(tǒng)農(nóng)學(xué)產(chǎn)量測(cè)定方法改進(jìn)的基礎(chǔ)上,根據(jù)農(nóng)業(yè)部冬小麥遙感監(jiān)測(cè)時(shí)間表,分別在冬小麥生長(zhǎng)的抽穗期(前期)、灌漿期(中期)、收獲期(后期)進(jìn)行數(shù)據(jù)的取樣和測(cè)定,以滿足農(nóng)作物遙感監(jiān)測(cè)不同時(shí)效的預(yù)警需求,流程如下圖所示:3.1.2合理取樣數(shù)估計(jì)和樣方布設(shè)方法采用常用的Cochran針對(duì)區(qū)域純隨機(jī)取樣而構(gòu)造的合理取樣數(shù)量計(jì)算公式:式中n:最佳取樣數(shù)量t:與顯著性水平相對(duì)應(yīng)的標(biāo)準(zhǔn)正態(tài)偏差Rstd:樣本標(biāo)準(zhǔn)差d:樣本平均值與相對(duì)誤差的乘積,%由于隨機(jī)變量總體標(biāo)準(zhǔn)差未知,只能用樣本方差來(lái)代替。根據(jù)產(chǎn)量調(diào)查資料,計(jì)算得到該縣冬小麥產(chǎn)量估測(cè)的合理取樣數(shù)量。由于產(chǎn)量的區(qū)域平均變化率常小于田塊尺度的變化率,所以為了減小誤差,要求所有樣方點(diǎn)盡量均勻分布,并且在同一田塊內(nèi)采用3點(diǎn)斜線取樣法進(jìn)行重復(fù)取樣,每個(gè)樣方點(diǎn)都用GPS逐一定位。在冬小麥生長(zhǎng)的3個(gè)主要階段即抽穗期、灌漿期和收獲期,對(duì)冬小麥的平均行距及1m2樣方內(nèi)的有效穗數(shù)、穗粒數(shù)和千粒質(zhì)量進(jìn)行實(shí)地調(diào)查,同時(shí)記錄農(nóng)戶聯(lián)系信息和相關(guān)管理信息。根據(jù)實(shí)際抽測(cè)產(chǎn)量值劃分產(chǎn)量水平等級(jí),確定權(quán)重,求得估測(cè)產(chǎn)量;待完全收獲后,調(diào)查農(nóng)戶收獲產(chǎn)量,以便驗(yàn)證。3.1.3估產(chǎn)方法以玉冬小麥為試驗(yàn)材料,以冬小麥產(chǎn)量構(gòu)成三因子即單位面積有效穗數(shù)(以下簡(jiǎn)稱穗數(shù))、穗粒數(shù)、千粒質(zhì)量為研究對(duì)象,采用隨機(jī)抽樣和重復(fù)抽樣的方法進(jìn)行樣點(diǎn)布設(shè)。傳統(tǒng)農(nóng)學(xué)產(chǎn)量預(yù)測(cè)模型為:式中Y:理論單產(chǎn)值,ks/hm2x1:穗數(shù)x2:穗粒數(shù)x3千粒質(zhì)量,gf:去除收獲和晾曬損耗的實(shí)收產(chǎn)量系數(shù),一般取0.85由于產(chǎn)量構(gòu)成因子之一的畝穗數(shù)在作物生育中期就可獲得,那么在假設(shè)后期作物不會(huì)受到明顯的氣象災(zāi)害或病蟲(chóng)害的影響下,利用單因子預(yù)產(chǎn)模型可以提前預(yù)測(cè)冬小麥產(chǎn)量。給出單因子預(yù)產(chǎn)模型的定義:利用實(shí)測(cè)作物的單位面積(666.7m2)莖數(shù)結(jié)合作物管理水平、葉面積系數(shù)和當(dāng)年的氣象條件,按莖數(shù)的80%一95%成穗(根據(jù)經(jīng)驗(yàn)和當(dāng)?shù)厣a(chǎn)條件,若作物種植密度過(guò)大,單位面積穗數(shù)超過(guò)60萬(wàn)以上,需要考慮穗粒數(shù)和千粒質(zhì)量的遞減因素,結(jié)合品種特性做系數(shù)調(diào)整),進(jìn)行量綱換算后,得到估測(cè)產(chǎn)量值的一種方法。關(guān)于土、氣、肥、水的配合說(shuō)明如下:一般的地力要求,土壤有機(jī)質(zhì)含量在1%以上,全氮01%,有效磷2.5-4.9g/m2,酌施鉀肥和微肥。葉面積系數(shù)要求苗期為0.8~1.2,拔節(jié)期為3.0左右,抽穗期5.0~6.0;土壤含水率保持在田間持水率的60%左右為宜。將傳統(tǒng)的作物單產(chǎn)預(yù)測(cè)模型改造為單因子預(yù)產(chǎn)模型:式中a:經(jīng)驗(yàn)系數(shù)同理,雙因子預(yù)產(chǎn)模型是指在冬小麥生長(zhǎng)中期(灌漿期~乳熟期),假設(shè)當(dāng)年冬小麥千粒質(zhì)量為常年千粒質(zhì)量,只需實(shí)地測(cè)定冬小麥的穗數(shù)和穗粒數(shù),再與常年千粒質(zhì)量相乘。經(jīng)過(guò)系數(shù)訂正后即可得到冬小麥的雙因子預(yù)產(chǎn)值。雙因子預(yù)測(cè)模型為:式中b——常年千粒質(zhì)量,g雙因子預(yù)產(chǎn)模型是在假設(shè)冬小麥千粒質(zhì)量與常年千粒質(zhì)量相同的條件下進(jìn)行的。千粒質(zhì)量作為常數(shù)值出現(xiàn),考慮到多種因素會(huì)對(duì)常年千粒質(zhì)量產(chǎn)生影響,此處建議采用近5年調(diào)查千粒質(zhì)量的平均值作為常年千粒質(zhì)量。3.1.4模型分析單因子預(yù)產(chǎn)模型的應(yīng)用最好選擇在作物單位面積穗數(shù)基本穩(wěn)定不變的時(shí)期進(jìn)行。所以利用單因子預(yù)產(chǎn)模型,適宜在農(nóng)戶對(duì)冬小麥進(jìn)行水肥管理措施實(shí)施后進(jìn)行,根據(jù)試驗(yàn)經(jīng)驗(yàn),一般選擇在抽穗中后期為宜,從而可以將產(chǎn)量預(yù)報(bào)的時(shí)間提前。雙因子預(yù)產(chǎn)模型適合在作物穗粒數(shù)基本穩(wěn)定的階段進(jìn)行,穗粒數(shù)主要由小穗(碼)數(shù)和小穗粒數(shù)決定。因此,最佳應(yīng)用雙因子預(yù)產(chǎn)模型的時(shí)間應(yīng)該在灌漿期后期,此時(shí)籽粒退化數(shù)基本穩(wěn)定,有利于穗粒數(shù)的測(cè)量。應(yīng)用上述方法時(shí),要結(jié)合當(dāng)?shù)刈魑锏膶?shí)際農(nóng)時(shí)歷進(jìn)行,同時(shí)需要提前對(duì)作物的生長(zhǎng)特性、作物管理水平、常年產(chǎn)量狀況以及當(dāng)年的氣象狀況有適度的了解,在作物生長(zhǎng)不同階段的氣象災(zāi)害或病蟲(chóng)害均可能對(duì)產(chǎn)量產(chǎn)生影響,應(yīng)密切關(guān)注。3.2玉米產(chǎn)量估算模型3.2.1模型中應(yīng)用的技術(shù)介紹目前,作物生長(zhǎng)模型,如CERES-Maize(cropenvironmentresourcesynthesis-Maize)模型,已經(jīng)在農(nóng)作物生長(zhǎng)評(píng)估、精準(zhǔn)農(nóng)業(yè)、農(nóng)田管理決策、氣候變化影響等領(lǐng)域得到了廣泛地應(yīng)用。遙感信息與作物生長(zhǎng)模型集成的方法分為驅(qū)動(dòng)法和同化法。其中,同化法受到了更多的關(guān)注。在同化過(guò)程中可以同化遙感反演值,也可以直接同化光譜反射率,而在同化后者時(shí),植被冠層反射率模型,如SAIL模型(scatteringbyarbitrarilyinclinedleaves),需要與作物生長(zhǎng)模型相耦合。目前,中分辨率成像光譜儀(moderateresolutionimagingspectroradiometer,MODIS)數(shù)據(jù)作為主要的遙感數(shù)據(jù)源被廣泛應(yīng)用于區(qū)域農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估算研究。不過(guò)在農(nóng)田地塊較小、分布較為零散、破碎化程度較高的區(qū)域,很難保證MODIS像元是純像元,此時(shí)需要結(jié)合更高空間分辨率的遙感影像進(jìn)行數(shù)據(jù)同化研究。以往的同化估產(chǎn)研究往往只針對(duì)某一年的遙感數(shù)據(jù)估算農(nóng)作物的單位產(chǎn)量,缺乏分析遙感數(shù)據(jù)和同化算法在年內(nèi)作物產(chǎn)量及年際間產(chǎn)量差估測(cè)中的作用。3.2.2處理方法以2013、2014和2015年3個(gè)玉米生長(zhǎng)季為研究時(shí)段,提出了基于多時(shí)相MODIS和TM觀測(cè)數(shù)據(jù)的區(qū)域玉米產(chǎn)量同化估算方案。將TM、MODIS和土地利用圖進(jìn)行空間配準(zhǔn),對(duì)土地利用圖與MODIS數(shù)據(jù)進(jìn)行疊加,判斷MODIS像元中旱地作物所占的比例。利用MODIS數(shù)據(jù)分別在像元和亞像元尺度提取玉米作物種植面積和空間分布,結(jié)合可用的TM遙感觀測(cè),提取MODIS像元和亞像元尺度的玉米冠層反射率信息,構(gòu)成時(shí)間序列遙感觀測(cè)數(shù)據(jù)集。將氣象數(shù)據(jù)、土壤數(shù)據(jù)、田間觀測(cè)和玉米品種遺傳參數(shù)作為模型輸入?yún)?shù),驅(qū)動(dòng)CERES-Maize模型,模擬玉米的生長(zhǎng)發(fā)育進(jìn)程。為了將遙感觀測(cè)到的玉米生長(zhǎng)期間作物冠層方向反射波譜的時(shí)間序列變化信息用于區(qū)域玉米產(chǎn)量估算,采用遙感數(shù)據(jù)和作物生長(zhǎng)模型同化的方法,通過(guò)葉面積指數(shù)(leafareaindex,LAI)將作物生長(zhǎng)模型CERES-Maize與冠層反射率模型SAIL相耦合,利用耦合模型模擬得到遙感觀測(cè)時(shí)的冠層反射率。通過(guò)對(duì)CERES-Maize和SAIL模型參數(shù)的敏感性分析確定待優(yōu)化參數(shù)。針對(duì)玉米作物所在的MODIS像元和亞像元,利用時(shí)間序列遙感觀測(cè)反射率和SCE-UA算法(shuffledcomplexevolutionmethoddevelopedattheUniversityofArizona)優(yōu)化模型的待優(yōu)化參數(shù),得到參數(shù)的最優(yōu)估計(jì)值,進(jìn)而估算2013、2014和2015年玉米產(chǎn)量,結(jié)合玉米產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)對(duì)同化估產(chǎn)結(jié)果進(jìn)行驗(yàn)證。在此基礎(chǔ)上,通過(guò)比較年際間及年內(nèi)產(chǎn)量的時(shí)空變化,進(jìn)一步探討利用時(shí)間序列遙感信息與同化方法估算作物產(chǎn)量的能力,分析時(shí)間序列遙感數(shù)據(jù)在年內(nèi)產(chǎn)量及年際間產(chǎn)量差估測(cè)過(guò)程中的作用。3.2.3信息提取隨著玉米作物的生長(zhǎng),LAI逐漸增大,且在玉米吐絲期達(dá)到最大,隨后LAI呈逐漸減小的趨勢(shì)。提取2013、2014和2015年DOY169、177、185、193、201、209、217、225、233、241共10次旱地作物覆蓋的NBAR(nadirBRDF-adjustedreflectance)像元及亞像元的紅光和近紅外波段反射率,計(jì)算比值植被指數(shù)(ratiovegetationindex,RVI)。RVI的計(jì)算公式為:式中:NIR代表遙感近紅外波段反射率,R代表紅光波段反射率??紤]到某些日期受天氣等因素影響,難免存在質(zhì)量不好的像元,導(dǎo)致時(shí)間序列RVI存在波動(dòng)現(xiàn)象,利用S-G濾波(Savitzky-Golay)[9]對(duì)RVI進(jìn)行平滑,得到RVI時(shí)間序列變化廓線。對(duì)玉米作物覆蓋的像元(或亞像元)而言,時(shí)間序列RVI應(yīng)該遵循玉米LAI的變化規(guī)律。旱地作物中玉米占相當(dāng)大的比例,其吐絲期一般在7月下旬左右,因此,玉米作物覆蓋的像元(或亞像元)RVI應(yīng)該也在7月下旬左右達(dá)到最大。如果旱地純像元(或亞像元)RVI遵從這一規(guī)律,則視為玉米覆蓋的像元(或亞像元)。統(tǒng)計(jì)三年玉米覆蓋的MODIS像元數(shù)、含有玉米信息的MODIS混合像元。利用MODIS數(shù)據(jù)估算的三年玉米種植面積和統(tǒng)計(jì)面積之間的相對(duì)誤差,若其誤差在10%以內(nèi),說(shuō)明了利用本文建議的方法估算玉米種植面積是可行的。3.2.4模型與優(yōu)化算法CERES-Maize模型源自農(nóng)業(yè)技術(shù)推廣決策支持系統(tǒng),是經(jīng)過(guò)大量試驗(yàn)資料驗(yàn)證過(guò)的、動(dòng)態(tài)的、機(jī)理性強(qiáng)的玉米作物生長(zhǎng)模型,可以模擬土壤水分平衡、氮素平衡、物候發(fā)育和作物生長(zhǎng)過(guò)程等。驅(qū)動(dòng)CERES-Maize模型需要?dú)庀髷?shù)據(jù)、土壤數(shù)據(jù)、作物管理數(shù)據(jù)和品種遺傳參數(shù)。模型中氣象數(shù)據(jù)包括日太陽(yáng)輻射、日最高氣溫、日最低氣溫和日降水量,其中溫度和降水?dāng)?shù)據(jù)來(lái)自于氣象站點(diǎn),太陽(yáng)輻射由日照時(shí)數(shù)通過(guò)埃斯屈朗公式轉(zhuǎn)換得到;土壤性質(zhì)數(shù)據(jù)包括田間持水量、土壤容重、有機(jī)碳含量、土壤粒徑百分比等描述土壤水文和化學(xué)的參數(shù),將CERES-Maize模型應(yīng)用到區(qū)域尺度,需要對(duì)其進(jìn)行區(qū)域校準(zhǔn),即對(duì)特定地區(qū)確定代表性品種的過(guò)程。目前大多數(shù)研究主要基于大量的地面觀測(cè)數(shù)據(jù),利用試錯(cuò)法校準(zhǔn)作物生長(zhǎng)模型。在區(qū)域尺度且地面觀測(cè)數(shù)據(jù)較少的情況下,不適于應(yīng)用試錯(cuò)法。考慮到一定地理范圍內(nèi),受溫度和日照條件影響,同種作物的種植習(xí)慣及生長(zhǎng)發(fā)育過(guò)程均固定在一定時(shí)間段內(nèi)。在CERES-Maize模型中,品種遺傳參數(shù)幼苗期生長(zhǎng)特性參數(shù)、光周期敏感參數(shù)、灌漿期特性參數(shù)和出葉間隔特性參數(shù)決定了玉米的生育時(shí)期,單株最大籽粒數(shù)和潛在灌漿速率參數(shù)僅影響作物產(chǎn)量。選擇某年為基準(zhǔn)年,將種植日期、幼苗期生長(zhǎng)特性參數(shù)、光周期敏感參數(shù)、灌漿期特性參數(shù)和出葉間隔特性參數(shù)分別在各自取值區(qū)間內(nèi)均勻采樣10000次,然后將不同的參數(shù)采樣組合代入CERES-Maize模型進(jìn)行模擬,判斷落入到玉米合理生育時(shí)期的采樣組合,經(jīng)過(guò)反復(fù)試驗(yàn),確定出滿足榆樹(shù)市玉米生育時(shí)期的遺傳參數(shù)取值范圍。將主推玉米品種最大籽粒數(shù)的平均值作為CERES-Maize模型中單株最大籽粒數(shù)的取值,結(jié)合該年地面實(shí)測(cè)產(chǎn)量數(shù)據(jù),在幼苗期生長(zhǎng)特性參數(shù)、光周期敏感參數(shù)、灌漿期特性參數(shù)和PHINT取區(qū)間中值、單株最大籽粒數(shù)固定的情況下,模擬玉米產(chǎn)量,然后和地面實(shí)測(cè)產(chǎn)量相比較,當(dāng)模擬和實(shí)測(cè)產(chǎn)量基本吻合時(shí),潛在灌漿速率參數(shù)的取值作為該參數(shù)的校準(zhǔn)值[8]。SCE-UA算法是在控制隨機(jī)搜索方法和遺傳算法基礎(chǔ)上發(fā)展起來(lái)的,此外還引入了復(fù)雜形分割與混合的思想,通過(guò)采用競(jìng)爭(zhēng)演化和復(fù)合型混合的概念,繼承了全局搜索和復(fù)合型演化的特性。SCE-UA算法靈活、應(yīng)用面廣泛,不拘泥于具體問(wèn)題,對(duì)非線性優(yōu)化問(wèn)題能夠獲得準(zhǔn)確的優(yōu)化結(jié)果。代價(jià)函數(shù)的表達(dá)式如下:式中,J(x)為要求解的代價(jià)函數(shù),向量x代表待優(yōu)化參數(shù)的取值;向量xb代表待優(yōu)化參數(shù)的數(shù)學(xué)期望值;B為向量x的誤差協(xié)方差矩陣;i為遙感觀測(cè)的次數(shù);n為經(jīng)質(zhì)量控制后的總遙感觀測(cè)次數(shù);向量yi為第i次遙感觀測(cè)紅光和近紅外反射率數(shù)據(jù),無(wú)量綱;Ri為向量yi的誤差協(xié)方差矩陣;LAIi為CERES-Maize模型模擬的第i次遙感觀測(cè)時(shí)刻的LAI,m2/m2;H(·)為SAIL模型;上標(biāo)T表示矩陣的轉(zhuǎn)置。待優(yōu)化參數(shù)包括種植日期、種植密度、光周期敏感參數(shù)、葉片紅光和近紅外波段反射率。其中,種植日期和種植密度的標(biāo)準(zhǔn)差根據(jù)當(dāng)?shù)赜衩追N植情況及實(shí)地調(diào)查情況確定;光周期敏感參數(shù)的標(biāo)準(zhǔn)差根據(jù)CERES-Maize模型區(qū)域校準(zhǔn)及模擬情況給定;葉片紅光和近紅外波段反射率的標(biāo)準(zhǔn)差主要參考實(shí)地測(cè)量及中國(guó)典型地物波譜數(shù)據(jù)庫(kù)中玉米組分波譜設(shè)定;遙感觀測(cè)反射率的誤差主要根據(jù)文獻(xiàn)[9-10]設(shè)定;B和Ri均設(shè)為對(duì)角陣。選用SCE-UA優(yōu)化算法求解式,優(yōu)化成功后與最小代價(jià)函數(shù)值對(duì)應(yīng)的種植日期、種植密度、光周期敏感參數(shù)、葉片紅光和近紅外波段反射率等5個(gè)參數(shù)取值稱為“最優(yōu)值”。將種植日期、種植密度和光周期敏感參數(shù)的“最優(yōu)值”,連同其他輸入?yún)?shù)一起輸入到CERES-Maize模型,模擬得到數(shù)據(jù)同化后的產(chǎn)量結(jié)果。4現(xiàn)有遙感估產(chǎn)方法存在的問(wèn)題和發(fā)展方向4.1遙感估產(chǎn)方法存在的問(wèn)題在政府部門(mén)的大力支持和眾多學(xué)者的努力下,我國(guó)的作物遙感估產(chǎn)方法雖然建立了較好的理論與技術(shù)體系,取得了一定的研究與應(yīng)用成果,但與發(fā)達(dá)國(guó)家相比,在應(yīng)用的深度與廣度上仍存在很大差距。首先是遙感數(shù)據(jù)源的選取和精度的控制方面?,F(xiàn)在用來(lái)進(jìn)行估產(chǎn)的遙感影像主要有:NOAA/AVHRR、EOS/MODIS以及Landsat/TM影像等。高的遙感估產(chǎn)精度需要有高的空間分辨率,時(shí)間分辨率和光譜分辨率信息源的保障。由于受估產(chǎn)成本的限制,一般大范圍農(nóng)作物遙感估產(chǎn)多采用廉價(jià)的衛(wèi)星數(shù)據(jù),如NOAA/AVHRR、EOS/MODIS等資料。時(shí)間分辨率雖然很高,但相對(duì)的空間分辨率比較差,很難準(zhǔn)確提取農(nóng)作物的分布和面積信息。小范圍的農(nóng)作物遙感估產(chǎn)若采用價(jià)格較昂貴的衛(wèi)星資料,如SPOT影像,空間上精度提高了,時(shí)間分辨率卻降低了,不能對(duì)小麥等作物進(jìn)行連續(xù)的觀測(cè)監(jiān)測(cè),最終還是會(huì)影響估產(chǎn)精度。其次,絕大部分作物遙感估產(chǎn)模型在小區(qū)試驗(yàn)中都能取得較高的精度,但其大面積估產(chǎn)時(shí)不能滿足專業(yè)化要求。究其原因,這些遙感估產(chǎn)模型多是依據(jù)植被指數(shù)與農(nóng)學(xué)參數(shù)間的相關(guān)性而建立的回歸模型,具有很強(qiáng)的經(jīng)驗(yàn)性,普適性較差。今后在作物遙感估產(chǎn)模型構(gòu)建中,應(yīng)考慮模型的機(jī)理性與普適性,以增強(qiáng)估產(chǎn)模型在區(qū)域間或年份間的通用性。另外,缺乏可面向?qū)嶋H應(yīng)用的遙感估產(chǎn)信息系統(tǒng)。遙感估產(chǎn)信息系統(tǒng)是對(duì)作物的整個(gè)生長(zhǎng)過(guò)程進(jìn)行系統(tǒng)監(jiān)測(cè)和管理,利用程序語(yǔ)言工具,將遙感數(shù)據(jù)、地形數(shù)據(jù)、氣象數(shù)據(jù)、品種資源數(shù)據(jù)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)進(jìn)行綜合集成,可以實(shí)現(xiàn)數(shù)據(jù)管理、信息查詢、長(zhǎng)勢(shì)分析、產(chǎn)量估測(cè)以及決策服務(wù)等功能的計(jì)算機(jī)信息管理系統(tǒng)。近年來(lái),在作物遙感監(jiān)測(cè)信息系統(tǒng)研制與開(kāi)發(fā)方面取得一些進(jìn)展,但不太成熟。4.2遙感估產(chǎn)的發(fā)展方向準(zhǔn)確、迅速、全面的信息交流將是數(shù)字農(nóng)業(yè)發(fā)展的必然趨勢(shì)。將遙感技術(shù)和其他信息技術(shù)集成,建立面向農(nóng)業(yè)生產(chǎn)的農(nóng)作物估產(chǎn)信息系統(tǒng),可以為糧食部門(mén)或農(nóng)業(yè)生產(chǎn)管理者提供信息化、智能化的農(nóng)情決策服務(wù)。針對(duì)農(nóng)作物遙感估產(chǎn)的研究現(xiàn)狀和存在的一些問(wèn)題,在遙感技術(shù)和相關(guān)信息技術(shù)的發(fā)展基礎(chǔ)上,應(yīng)加快農(nóng)作物感估產(chǎn)的信息化集成應(yīng)用的步伐,在以下幾個(gè)方面開(kāi)展研究:第一,利用現(xiàn)有的數(shù)據(jù)源提高估產(chǎn)精度;第二,利用數(shù)據(jù)反演綜合氣候環(huán)境因子進(jìn)行農(nóng)作物遙感估產(chǎn);第三,極端氣候條件下的產(chǎn)量評(píng)估;第四,開(kāi)展遙感估產(chǎn)技術(shù)的信息化集成研究,提供專業(yè)化服務(wù)。5結(jié)束語(yǔ)遙感估產(chǎn)模型的構(gòu)建是農(nóng)作物遙感估產(chǎn)的核心問(wèn)題。構(gòu)建農(nóng)作物遙感估產(chǎn)模型時(shí),獲取遙感信息作為輸入變量,直接或者間接表達(dá)作物生長(zhǎng)發(fā)育形成過(guò)程的影響因素或者參數(shù),單獨(dú)或者與其他非遙感信息結(jié)合,依據(jù)一定的原理和方法建立模型。通過(guò)此次課程論文研究過(guò)程,我更加深刻地理解了這一過(guò)程。首先我理解了作物遙感估產(chǎn)的基本原理和方法,知道了遙感技術(shù)必須與其他技術(shù)結(jié)合才能更好地進(jìn)行農(nóng)業(yè)估產(chǎn),我還了解到一些傳統(tǒng)的遙感估產(chǎn)模型的優(yōu)劣。在研究過(guò)程中,有很多參數(shù)和指標(biāo)是我這個(gè)非專業(yè)學(xué)生所不知道的,導(dǎo)致模型看著非常復(fù)雜,無(wú)法理解,后期涉及到的優(yōu)化算法更加令人費(fèi)解,我已經(jīng)盡力去理解了。通過(guò)此次結(jié)課論文的寫(xiě)作,我經(jīng)歷了了解一項(xiàng)技術(shù)的一般過(guò)程,能夠比較清晰地理解和講述這

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論