凤翔县冬小麦遥感估产文档格式.docx

凤翔县冬小麦遥感估产文档格式.docx

《凤翔县冬小麦遥感估产文档格式.docx》由会员分享，可在线阅读，更多相关《凤翔县冬小麦遥感估产文档格式.docx（59页珍藏版）》请在冰点文库上搜索。

由此验证了线性模型具有良好的估产精度，具有一定的可行性，所以将其作为最优估产模型进行估产。

关键词：

几何校正，相对辐射校正，监督分类，多时相，估产模型，NDVI

ABSTRACT

Alongwithourcountrycityandagriculturalmodernizationprocessaccelerated,modernagricultureforlargeareainthefuture,intensive,timely,accuratelygraspthequantitativedataofcropsisveryimportant,inordertobeabletoscientificallyguidetheproductionandmanagement,decidedtoadopttheremotesensingtechnology.Duetothecharacteristicsoflargerange,real-timedynamicmonitoringofremotesensing,remotesensingwillbeasanewagriculturaltechnologyofreal-timedynamicprovidesagriculturalinformation,timelyscientificguidanceofmodernagriculturalproduction,provideascientificbasisfortheplanningmanagementanddecision.Thispaperisbasedonthe"

spectralinformation-vegetationindex（NDVI）-growthinformation-Model-estimatemodeofyieldestimationbyremotesensingyield"

FengxiangCountyinGuanzhongregionastheresearchareabyusingremotesensing.

Selectmulti-temporalremotesensingimageofwinterwheat"

headingtofloweringtofilling-mature"

criticalgrowthstage,investigationandstatisticsofwinterwheatplantingarea,meteorologicaldatastatisticalpopulationstructureofwinterwheatyielddata,statisticaldata.Geometriccorrection,radiometriccalibrationofremotesensingimage.AccordingtotheFengxiangcountyisactual,extractingwinterwheatplantingareaandtheverification,therevisionofplantingareaextractionaccuracyusingsupervisedclassificationmethod.ProductionofwinterwheatNDVIimage,andextract,statisticsandmodifiedNDVIofwinterwheat.Bycorrelationanalysisofmeteorologicaldataandyield,correlationanalysis,theresultsshowthatthevegetationindexandyield,averagevegetationindex（NDVI）andthecorrelationbetweentheaverageyieldbetterthanthevegetationindex（NDVI）andthecorrelationwiththetotalyield,sobasedonthe5kindsoflinearNDVIandwinterwheatyieldandnonlinearestimationmodel.Comparisonofvariousestimationmodel,selectthecoefficientofdeterminationR2closeto1ofthecropyieldestimationmodel,andtoverifyitsaccuracy.Themainachievementsofthestudy:

inthe2005TMremotesensingimageNDVIvaluesforreference,fromthelinearmodelY=9.96X+282.92estimatedyieldof286.8kg,andstatisticalyield245kgcomparedtotheabsoluteerroris41.8kg,theprecisionis82.94%,thehighestprecision.Inaddition,therelativeerrorofthecomparisonofthethreekindsofyieldestimationmodel,linearmodeltwolowestdifferentiation.Itprovesthatthelinearmodelhasgoodestimationprecision,hascertainfeasibility,soastheoptimalestimationmodelforyieldestimation.

KEYWORDS:

geometriccorrection,radiometriccorrection,supervisedclassification,multi-temporal,estimationmodel,NDVI

目录

第一章绪论1

1.1研究背景与意义1

1.2国内外研究概况2

1.2.1国外小麦遥感估产的研究概况2

1.2.2国内小麦遥感估产的研究概况2

1.3本文主要研究内容3

1.4本文研究方法流程3

第二章研究区概况与数据5

2.1研究区概况5

2.2数据资料及其来源6

2.3数据的处理6

2.3.1影像时相选择7

2.3.2遥感影像校正8

2.3.3研究县域的提取与裁切10

第三章冬小麦种植面积的提取13

3.1TM遥感影像简介13

3.2TM遥感影像常用波段组合14

3.3冬小麦种植面积提取16

3.3.1监督分类提取冬小麦种植面积16

3.3.2决策树分类提取冬小麦种植面积18

3.3.3实验与分析19

3.4冬小麦种植面积提取精度验证21

第四章冬小麦估产模型建立23

4.1遥感估产原理23

4.2植被指数的提取及修正23

4.2.1比值植被指数23

4.2.2归一化植被指数24

4.2.3差值植被指数25

4.2.4实验与分析25

4.3气象数据与产量的统计分析29

4.3.1气象数据统计分析29

4.3.2产量数据统计分析30

4.3.3气象数据与产量的相关性分析32

4.4植被指数与产量的相关性分析34

4.5估产模型建立35

4.6模型精度分析及验证38

第五章结论与展望40

5.1结论40

5.2展望41

致谢42

参考文献43

第一章绪论

1.1研究背景与意义

我国幅员辽阔，粮食生产受多种因素影响，经常出现不稳定的波动现象；

其次，我国城市化进程加快，农村人口大量向城市迁移，农村人口越来越少，小片耕地大量趋向整合；

此外，我国农业现代化进程不断加快，机械化普及率逐年提高，必然使得以前的小面积、粗放型的落后农业向大面积、集约型的现代化农业发展。

如何及时准确地掌握粮食作物的定量数据，对国民经济计划的制定有很重要的意义。

然而传统的农业估产方法主要有农学预报方法、统计预报方法、气象统计方法等。

由于这些估产方法需要大量数据资料的整理统计、人工区域调查等，存在速度慢、时滞长，成本高，工作量大，调查尺度小，数据时效短等问题，并且不可避免的带有人为的干扰因素，大都只适合小范围内的作物估产[1]。

因此发展我国独立于传统的农业估产方法，并且能客观准确地预估我国主要粮食作物产量的方法凸显重要。

随着遥感技术在世界范围内迅速的发展和广泛的应用，它为粮食作物长势的监测预报和产量预估提供了一种新的科学手段。

冬小麦遥感估产是基于作物特有的光谱特性，在作物未成熟或者成熟期之前，利用遥感传感器获得的作物光谱信息可以反演作物长势信息，通过分析长势信息（常用植被指数作为标准）与产量间的相关性建立作物估产模型，就可以客观准确预估作物产量信息。

由于遥感技术具有宏观观测，大范围获取数据资料；

动态监测，快速更新监控范围数据；

技术手段多样，可获取海量信息；

应用领域广泛，经济效益高的特点[2]，势必为中国今后的大面积、集约型的现代化农业发展所需要。

在当前国情之下，遥感技术对粮食作物的监测预报和估产将大有用武之地，遥感估产数据必将作为农业生产的实时动态资料，及时科学地指导农业现代化生产。

综上决定选取关中地区--凤翔县作为研究区域，研究分析遥感影像的植被指数与冬小麦产量的相关性，试图构建一整套具有较高精度和可操作性的县域冬小麦遥感估产模型，以便及时准确地监测冬小麦长势、预报估产信息，从而更好地指导其生产和管理，为国家计划管理和宏观决策提供科学依据，立志为关中地区现代化农业的科学发展做出有限的贡献。

1.2国内外研究概况

1.2.1国外小麦遥感估产的研究概况

美国是最早开展作物面积遥感估产的国家。

1974年，美国宇航局（NASA）、国家海洋大气管理局（NOAA）、农业部和商业部联合起来，应用Landsat-MSS遥感影像开展了“大面积作物估产试验（LACIE）"

，首先对美国大平原9个小麦生产州的种植面积、单产和产量做出估算；

1986年，美国又开始了“农业和资源的空间遥感调查计划（AGRISTARS）”项目，进行多种粮食作物的面积估算和产量预报。

1995年，欧共体15个国家用180景SPOT影像，结合NOAA影像在60个试验点进行了作物估产，可精确到地块和作物种类。

2002年美国航空航天局与美国农业部合作在贝兹维尔、马里兰用MODIS数据代替NOAAIAVI-IRR进行遥感估产，在遥感估产数据源上取得了很大的突破和进步。

Moran等对遥感估产研究进行了系统概括和阐述，指出尽管遥感估产能够取得较好结果，但有些模型缺乏农学机理，预测精度稍差，而有些模型涉及参数过多，重演性不稳定。

因此建立融农学机理和物理学基础于一体，估测精确性和普适性有效统一的光谱法产量预测模型尚有待深入探索和研究[1]。

1.2.2国内小麦遥感估产的研究概况

从上世纪70年代起，遥感技术开始应用于我国农业，经过30多年的发展，我国的遥感技术进行农作物长势监测和产量预报方法已趋成熟，将向着高精度、短周期、低成本方向深入，为国民经济和农业的可持续发展做出更大贡献。

中国科学院在完成“八五"

攻关任务的基础上，于1997年将“中国资源环境遥感信息系统及农情速报”作为“九五”重大和特别支持的项目。

1993-1998年间，我国农作物遥感估产研究取得了很大发展，从小区域发展到大区域，从单一作物的冬小麦发展到玉米、水稻等多种作物，从单一信息源发展到多种遥感信息源的综合应用，监测精度不断提高。

由于遥感估产新技术本身的优点和潜力，再加上政府的大力支持，极大地激发了众多的科学工作者在这一领域的深入研究，产生了多种估产模式，归纳起来，主要有以下几个类型：

类型一，基于“光谱信息—植被指数—长势信息—产量”的遥感估产模式；

类型二，融入了农学机理和物理学基础于一体“光谱—水分（等气象要素）与氮素（等土肥要素）—产量"

遥感估产模式；

类型三，基于“光谱信息—植被指数—长势信息—生长模型—产量”的遥感估产模式。

此外，还有一些新兴技术、方法和新数据源（如雷达遥感、微波遥感、高光谱遥感等）被引入到遥感估产中来，有效地丰富了遥感估产的手段，极大地提高了遥感估产的精度，同时也促进了遥感估产技术的推广应用[1]。

1.3本文主要研究内容

（1）数据的获取：

凤翔县域TM遥感影像、凤翔县行政界线矢量图（*.shp格式）、凤翔县行政区划图（*.jpg格式）、凤翔县土地利用现状图、冬小麦种植面积和产量数据、冬小麦群体结构统计数据、气象资料等。

（2）遥感影像处理：

影像时相选择、几何校正、相对辐射校正、研究县域的提取与裁切。

（3）冬小麦种植面积的提取：

TM遥感影像波段组合、监督分类、决策树分类、种植面积提取精度验证。

（4）冬小麦估产模型建立：

遥感估产原理、植被指数提取及修正、气象数据与产量的相关性分析、植被指数与产量的相关性分析、估产模型建立、模型精度分析与验证。

1.4本文研究方法流程

图1-1研究方法流程图

第二章研究区概况与数据

2.1研究区概况

凤翔县古称雍州，地处关中西部，宝鸡市东北，县城距宝鸡市区44公里，经纬度范围：

34°

20′43～34°

45′20″N，107°

10′34″～107°

38′47″E。

全县辖5镇12乡，233个行政村，东西长约47公里，南北长约44公里，总面积为1231.49平方公里，总人口52万，其中农业人口46万人，占总人口的88.46%。

地势总的是西北高，东南低。

北部为山地丘陵，地形起伏。

沟谷发育，水土流失强烈。

南部为黄土台塬，西北高、东南低。

除西北部的平缓丘陵和西南部的千河谷地外，塬面完整开阔，地势起伏不大。

西有灵山、维山，北有绵延起伏的千山支脉老爷岭。

全县海拔高度在595—1678米之间，最低点为长青小道，最高点为老爷岭主峰。

县城所在地海拔800米。

县内土壤类型丰富多样，分别为土娄土、黄绵土、褐土、淤土、潮土、沼泽土、雍土、紫色土等8个土类，20个亚类，46个土属，129个土种。

其中土娄土为本县主要农业土壤。

境内有雍水河、横水河、千河等25条河流，属黄河流域的渭河水系，均源于北山分水岭，呈南北走向或西北-东南走向注入渭河。

地表水资源量约6900万立方米，地下水储量约1.07亿立方米。

气候属典型的半干旱、半湿润的大陆性暖温带季风气候，光照充足，土壤肥沃，农业资源比较丰富。

年平均气温11.5℃，极端最高气温40.2℃，极端最低气温－19.2℃。

年均降水量610毫米，日照时数为1998.2小时，年平均无霜期207天。

灾害性天气有干旱、霜冻和冰雹。

全县农业格局是“北果中菜南牧”，粮食作物以冬小麦、夏玉米为主，一年两熟轮作制度，经济作物以辣椒、苹果、蔬菜为主。

全县按照“稳定面积、依靠科技、提高单产、增加总量、重视质量”的要求，积极发展粮油生产，粮食种植面积稳定在95万亩，其中夏粮面积55万亩，秋粮面积40万亩，粮食连续九年丰收。

凤翔县冬小麦播种、出苗期为上一年的10月上旬，拔节、抽穗期为下一年4月上旬到下旬，扬花、灌浆期为5月上旬到中旬，成熟、收获期为5月下旬到6月上旬，总之开花结籽一个月。

图2-1凤翔县地理位置

2.2数据资料及其来源

（1）中国各县行政界线矢量图（*.shp格式），凤翔县行政区划图（*.jpg格式），凤翔县土地利用现状图，资料来源于测绘局和凤翔县政府相关网站等。

（2）2005～2012年凤翔县冬小麦种植面积和产量统计数据、冬小麦群体结构统计数据、气象资料（气温，降水量），资料来源于凤翔县政府相关网站统计公报、凤翔县气象局等。

（3）在过境的多光谱遥感影像如Landsat-5／TM影像、Landsat-7／ETM影像中（要求过境时天气晴朗，无云或少云，影像质量佳），选取2002～2010年期间7个年度冬小麦的“抽穗-扬花-灌浆-成熟”关键生长期的多时相遥感影像，资料来源于中国科学院遥感与数字地球研究所网站、中国科学院数据应用环境网站、美国地质勘探局（UnitedStatesGeologicalSurvey，简称USGS）网站等。

2.3数据的处理

2.3.1影像时相选择

若要确定与冬小麦产量关系最密切的生长期，首先，参考冬小麦在不同生长期的光谱特性曲线，如图2-2所示，可知冬小麦光谱反射率较高的生长期；

其次，参考冬小麦关键生长期旬NDVI时序曲线图[3]，如图2-3所示，可知冬小麦光谱反射率较高的生长期的NDVI的变化；

再次，参考凤翔县冬小麦物候历，如表2-1所示，可知所选冬小麦生长期的时间范围。

本文决定选取抽穗-灌浆期（4月下旬到5月中旬）质量最佳的TM/ETM遥感影像用来提取植被指数，从而确保估产的准确性。

由于获取的TM/ETM遥感影像的极其有限，所以在符合基本要求的前提下，本文提取冬小麦种植面积也可用越冬期影像（12月-2月），如图2-4-20070224所示，以及成熟收获期影像（5月下旬到6月上旬），如图2-4-20060528，2-4-20080602所示。

图2-2冬小麦在不同生长期的光谱特性曲线[2]

表2-1关中-凤翔县冬小麦物候历[4,5]

播种、出苗期

拔节、抽穗期

扬花、灌浆期

成熟、收获期

上一年的10月上旬

4月上旬到下旬

5月上旬到中旬

5月下旬到6月上旬

图2-3冬小麦关键生长期旬NDVI时序曲线图[6]

2.3.2遥感影像校正

2.3.2.1几何校正

遥感影像在获取过程中，因传感器、遥感平台以及地球本身等方面的原因导致原始影像上的几何位置、形状、尺寸、方位等特征与参照系统中的表达要求不一致时，就产生了影像几何变形，这种变形称为几何畸变（GeometricDistortion）。

遥感图形的几何校正（GeometricCorrection）就是为了解决遥感图像的几何变形问题，即是从具有几何畸变的图形中消除畸变的过程，其任务是定量地确定图像上的像元坐标（图像坐标）与目标物的地理坐标（地图坐标等）的对应关系（坐标变换式）[2]。

2.3.2.2相对辐射校正

利用卫星传感器观测目标物辐射或反射的电磁能量时，从传感器得到的测量值与目标物的光谱反射率或光谱辐射亮度等物理量是不一致的，这是因为传感器获得的地物光谱数据受到多种因素的影响而失真，如传感器的灵敏度特性、大气吸收与散射、太阳位置及高度角、方位角、薄雾等天气条件、数据处理过程等因素。

这些因素会随着时间的变化而变化，在多时相的遥感影像上，即使是未发生变化的地物，其反射光谱也会发生变化，这对数字图像的自动分类与动态监测十分不利。

同一地区所成的影像具有较大的辐射差异,这给多时相遥感影像处理和分析带来了极大的困难。

为了探测真正的地物变化，就必须对遥感数据进行大气辐射校正，消除由于这些因素影响造成的多时相遥感影像之间的差异。

消除影像数据中依附在辐射亮度中的各种失真的过程称为辐射校正。

目前，大气辐射校正的方法主要有两类，即绝对辐射校正和相对辐射校正。

绝对辐射校正方法需要利用一系列参数，如卫星过境时的地物反射率、大气能见度、太阳天顶角和卫星传感器的标定参数等。

获得这些参数的代价昂贵，而且又不易实现，特别是对于历史存档数据，获取这些参数更不可能。

在无法很好获取以上数据的时候或者说校正精度不需要那么高的时候就可以采用相对辐射校正的方法。

相对辐射校正的方法也称相对辐射归一化法，它不需要遥感数据获取时的大气状况等参数，而是利用图像像元灰度值，建立多时相遥感影像各个波段之间的校正方程，对遥感影像进行辐射归一化处理。

相对辐射校正不仅能够减小多时相遥感影像之间由大气、照度、物候和传感器标度等差异造成的影响，提高动态监测精度，而且能够削弱传感器等其它原因产生的噪音。

相对辐射校正时一般以一个时相遥感影像作为参考图像，即主图像，对另一时相遥感影像进行辐射校正，即从图像，把这两个时相的遥感影像称为主-从像对。

不但其操作简便而且校正效果甚至比很多复杂的绝对辐射校正效果还要好，但是在使用相对辐射方法时，参考影像与被校正影像必须在相似的大气和照度下由相同的传感器获取。

对于相对辐射校正而言有两类常用方法，一类为非线性校正法，使用最广泛的的为直方图匹配法；

另一类为线性回归法，其中应用效果较好的方法有未变化集辐射归一法（NC,No-ChangeSetRadiometricNormalization）、伪不变特征法（PIF，Pseudo-invariantFeature）、暗集-亮集法（DB,DarkSet-BrightSetNormalization）、图像回归法（IR,ImageRegression）.由于受到区域自然景观与遥感影像特征的影响，同一种方法应用于不同的遥感影像时，会产生不同的效果[7,8]。

其中直方图匹配（HistogramMatching）又称直方图规定化，是指有效地把原影像的直方图变换为某种指定形态的直方图或某一参考影像的直方图，然后按照已知直方图调整原影像各像元的灰度值，最后得到一幅直方图匹配的影像。

直方图匹配通常用在几何配准