本文關(guān)鍵詞：基于遙感影像融合技術(shù)的水稻種植面積提取及稻曲病估測研究

  更多相關(guān)文章： 水稻 遙感監(jiān)測 HPF融合 稻曲病 病害模型

【摘要】：江蘇省是我國水稻主產(chǎn)地區(qū)之一,水稻種植面積和產(chǎn)量位居國內(nèi)前列,近年來,伴隨著水稻的高產(chǎn)豐收,水稻稻曲病的發(fā)生愈加普遍和嚴重。因此,需要對水稻種植面積和稻曲病病情做出有效估測,而作物病蟲害遙感監(jiān)測通常面臨兩個問題,“同譜異物”、“異譜同物”和模型適用性不足,本文針對上述兩個問題分別做出了以下研究闡述：1.為提高江蘇省水稻種植面積觀測精度,針對“同譜異物”“異物同譜”問題,本研究利用ENVI和ERDAS軟件,選用中國自主研發(fā)的遙感衛(wèi)星GF-1/PMS全色影像和HJ-1B/CCD多光譜影像,選擇PCA、Brovey、HPF、Wavelet四種融合方法進行融合,并通過目視效果、融合效果評價指標對融合影像的光譜信息豐富程度、紋理特征、保真度等進行評價,再利用RVI和NDVI比較融合影像和實測數(shù)據(jù)的光譜特征,選出最佳融合影像,利用非監(jiān)督分類制作水稻分布圖,最后利用3個實驗樣方對融合影像進行精度驗證。結(jié)果表明,HPF融合影像光譜信息豐富、空間紋理特征清晰、保真度最佳,且具有與實測值最接近的RVI和NDVI值,近似率分別為87.71%和98.63%,對HPF融合影像做樣方驗證,平均驗證精度為94.55%。2.為提高模型的適用性,本研究從稻曲病發(fā)病機理、發(fā)生規(guī)律等角度出發(fā),結(jié)合氣象、農(nóng)學(xué)、遙感要素,綜合考慮了影響稻曲病病菌侵染和傳播的氣象因子、田間管理、水稻品種、氮肥的施用等情況,針對江蘇省主要水稻品種淮稻5號和連粳7號,選擇溫度、降水、葉面積指數(shù)、生物量、葉片氮素含量等5個指標,根據(jù)2012-2013年江蘇省興化、沭陽、建湖、漣水、灌南等5個縣60個樣點的稻曲病相關(guān)數(shù)據(jù),模擬建立了水稻稻曲病病情指數(shù)估測模型,并通過2014年興化市稻曲病相關(guān)數(shù)據(jù)進行驗證。結(jié)果表明,該模型符合實際情況,模型驗證精度為83.32%。此外,利用遙感影像反演農(nóng)情參數(shù),結(jié)合氣象數(shù)據(jù),制作出了研究區(qū)域的水稻稻曲病病情分布專題圖。
【關(guān)鍵詞】：水稻 遙感監(jiān)測 HPF融合 稻曲病 病害模型
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：S511;S435.111.4;S127
【目錄】：

• 摘要6-8
• Abstract8-10
• 第一章 緒論10-20
• 1.1 研究背景和意義10
• 1.2 國內(nèi)外研究進展10-16
• 1.2.1 作物病蟲害遙感監(jiān)測研究進展10-14
• 1.2.2 遙感影像融合技術(shù)研究進展14-15
• 1.2.3 水稻稻曲病研究進展15-16
• 1.3 研究內(nèi)容16-17
• 1.4 存在的問題17-19
• 1.5 研究技術(shù)路線19-20
• 第二章 研究資料與研究方法20-38
• 2.1 研究區(qū)域介紹20-22
• 2.2 遙感衛(wèi)星介紹22-25
• 2.2.1 高分一號衛(wèi)星(GF-1)22-23
• 2.2.2 環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星(HJ-1A/B/C)23-25
• 2.3 數(shù)據(jù)來源25-26
• 2.3.1 遙感影像獲取25
• 2.3.2 地面大田實測數(shù)據(jù)獲取25-26
• 2.4 遙感影像融合方法26-35
• 2.4.1 遙感影像預(yù)處理26-27
• 2.4.2 遙感影像融合計算方法27-31
• 2.4.2.1 PCA(主成分變換)27-29
• 2.4.2.2 Brovey(比值變換)29-30
• 2.4.2.3 HPF(高通濾波融合)30
• 2.4.2.4 Wavelet(小波變換)30-31
• 2.4.3 遙感影像融合效果評價指標31-33
• 2.4.3.1 均值32
• 2.4.3.2 標準差和信息熵32
• 2.4.3.3 交叉熵和相關(guān)系數(shù)32-33
• 2.4.4 植被指數(shù)比較33-35
• 2.4.4.1 RVI34
• 2.4.4.2 NDVI34-35
• 2.5 水稻種植面積提取方法35
• 2.6 水稻稻曲病估測方法35-38
• 第三章 水稻種植面積提取38-50
• 3.1 融合效果評價38-43
• 3.1.1 目視效果評價38-40
• 3.1.2 客觀指標評價40-43
• 3.2 植被指數(shù)分析43-45
• 3.3 結(jié)果驗證45-47
• 3.3.1 基于非監(jiān)督分類的水稻種植面積提取45-46
• 3.3.2 樣方精度驗證46-47
• 3.4 小結(jié)47-50
• 第四章 水稻稻曲病估測模型50-60
• 4.1 稻曲病病理及影響50-53
• 4.1.1 稻曲病病理及危害50-51
• 4.1.2 稻曲病分級標準51-52
• 4.1.3 稻曲病發(fā)生規(guī)律52-53
• 4.2 氣象條件和農(nóng)學(xué)參數(shù)對水稻稻曲病發(fā)生的影響53-55
• 4.3 水稻稻曲病氣象-遙感估測模型55-57
• 4.3.1 水稻稻曲病氣象-遙感估測模型描述55-56
• 4.3.2 水稻稻曲病氣象-遙感估測模型精度驗證56-57
• 4.4 基于融合影像的水稻稻曲病氣象-遙感估測57-59
• 4.5 小結(jié)59-60
• 第五章 討論與結(jié)論60-64
• 5.1 主要結(jié)論60-61
• 5.1.1 遙感影像融合技術(shù)對水稻種植面積提取精度的影響60
• 5.1.2 水稻稻曲病病情指數(shù)估測模型60-61
• 5.2 主要創(chuàng)新之處61-62
• 5.3 討論62-63
• 5.4 展望63-64
• 參考文獻64-78
• 作者簡介78-80
• 致謝80

，

本文編號：578679