遥感上的估产题 (遥感估产的基本原理)

本文目录导航：

• 遥感上的估产题
• 什么是智慧农业
• 农业治理可视化剖析图表
• 卫星数据观测
• 各地块监控概略
• 畜牧牛只治理
• 农机设备查问
• 灌溉/施肥/撒药可视化
• 如何应用遥感启动农作物估产

遥感上的估产题

咱们学遥感运行模型这门课做过冬小麦估产模型的标题：给出冬小麦估产的技术流程：1。

遥感数据的决定2。

所须要的背景数据（不宜过略，不宜过细）3。

对遥感数据的预处置（大气，汇合校对）4。

遥感数据所能提供的参数形容（LAI，NDVI）5。

产量预计模型（不宜过详细，应有输入输入）6。

全体框架（A4<=2页） 解法很多，相关论文也很多，我给你粘一点冬小麦估产的技术流程一、冬小麦估产运行的遥感资料冬小麦估产中运行的遥感资料关键为三类。

一是气候卫星资料, 关键为美第三代业务极轨气( TIROS-N/NOAA 系列) 装载的甚高分辨率辐射仪(AVHRR) 资料; 二是陆地卫星(Landsat) 资料, 运行较多的是专题制图仪(TM) 资料; 其三是航空遥感和低空遥感资料。

从资料运行方式上, 卫星遥感数据有磁带数据和卫星像片两种,AVHRR 数据运行以磁带数据为主, TM 数据则二种兼用。

航空遥感资料为航空像片, 低空遥感资料多为实测的冬小麦光谱物征团圆数据。

不同的遥感资料具备不同的特点。

气候卫星资料探测周期短、笼罩面积大、资料易失掉、实时性强、多少钱昂贵, 期间分辨率高但空间分辨率较低; 陆地卫星资料重复周期较长、多少钱高, 但空间分辨率高。

消息源与估产精度：冬小麦遥感估产的精度与驳回的消息源有很大相关, 其中单产估产模型的建设受消息源光谱分辨率和期间分辨率的影响, 特意是准确的冬小麦收获面积的估测, 与驳回消息源的几何分辨率亲密相关。

因此, 高的遥感估产精度须要有高的几何分辨率、期间分辨率和光谱分辨率的消息源的保证。

但因为受估产老本的限度, 为节俭估产费用, 普通省级以上的大范畴冬小麦遥感估产多驳回便宜的气候卫星资料, 因为期间分辨率高, 启动冬小麦长势监测及单产模型建设较为适宜, 但难以准确提取冬小麦面积消息。

省级以下的冬小麦遥感估产则可驳回陆地卫星资料, 以提高估产的精度。

因此,综合思考估产的消息源、精度及老本, 应依据状况综合运行各种遥感资料以及非遥感辅佐资料, 冬小麦长势监测及单产估测应以气候卫星资料为主, 而冬小麦面积估测则可以陆地卫星资料为主, 或运行航空遥感资料。

二、所须要的背景数据冬小麦产量是其光协作用的产物, 叶绿素对其产量构成起至关关键的作用, 因此, 准确提取冬小麦叶绿素消息是小麦遥感估产的关键。

依据钻研, 叶绿素a、b 在可见光内有两个排汇峰, 一个是0145μm (兰光) , 另一个是μm (红光) , 而在0155μm (绿光) 左近反射率较大。

在017μm 左近反射率急剧参与, 构成突出的峰值。

因此, 红光和近红外波段是冬小麦消息提取、产量估测的最佳波段。

另一方面, 冬小麦的叶绿素含量随小麦出苗至收获各不同的生养阶段是始终变动的, 因此其不同生养期的反射光谱个性亦有差异。

详细表现为随小麦生养进程的推进, 在可见光区的反射率逐渐参与, 而在近红外光区的反射率则逐渐降低。

尤其是抽穗以后至成熟, 小麦叶色变黄, 叶绿素含量大大降低, 其反射率表现为随波长的参与而逐渐参与的趋向, 原排汇谷、反射峰渐不清楚。

除此, 长势较差的麦苗其反射率亦表现为与此相似的参与趋向。

三、对遥感数据的预处置遥感图像解译法依据冬小麦光谱特色, 区分其与其它地物的不同, 建设解译标记, 在遥感图像中划分出冬小麦散布范畴, 并量算其面积。

此方法要求遥感图像应有较高的几何分辨率, 普通驳回陆地卫星资料, 提取精度相对较高, 老本也相对较高。

详细的提取方法有目视解译和计算机智能分类两种。

目视解译依托人工智能, 运行卫星像片, 精度较高但费时费劲; 计算机提取速度快、效率高, 但精度稍差, 又分为监视分类和非监视分类两种。

监视分类需首先确定分类类别、训练场地(样本) , 提取分类特色, 计算机依此智能分类; 非监视分类事前不设定训练类别和样本, 计算机依据光谱个性的相似性智能划分类别。

非监视分类虽不须要训练样本, 但须要实地对照确定详细的类别, 监视分类中训练样本的正确决定十分关健, 有时难以确定。

因此, 不少学者对监视与非监视分类相联合, 像元光谱个性与空间个性相联合的分类方法作了少量探求〔20 ,21 ,22〕。

除此, 适宜的遥感图像时相的决定是冬小麦面积消息提取的关键环节, 应充沛思考冬小麦及其相关地物的成长历及季相特色, 决定冬小麦与其环境具备较大光谱差异的时相, 普通小麦返青、起身、拔节期图像具备较好的面积提取效果。

遥感抽样考查方法遥感抽样考查是依据普通抽样考查的基本方法, 以遥感的手腕失掉地物面积的方法, 适用于考查范畴大, 启动片面考查比拟艰巨或必要性不大的状况。

可依据须要驳回航卫片等各种遥感资料。

罕用的有遥感影像分层抽样和成数抽样方法, 前者首先将整个考查区域按与考查内容相关的某一属性或特色划分为不同的层, 在每层内随机或机械抽取样本单元组成样本, 启动总体预计。

如美国LACIE 方案中小麦面积的估测; 后者是依据某类别单元数占总体单元数的比例即成数, 经过抽样估测其成数进而计算其面积。

驳回遥感抽样考查方法可以估测冬小麦面积数据。

四、遥感数据所能提供的参数形容五、产量预计模型作物单产模型的建设在遥感估产之前已有钻研, 并运行于估产, 如加拿大的Beier1W , 先后研制了阅历统计模型、作物-天气产量预测模型、作物-成长模拟模型等。

惯例的单产预告形式有统计估产、气候估产和农学估产等方法, 但各有其局限性。

遥感估产技术的发生使农作物单产估产模型钻研有了清楚开展。

冬小麦面积估测是冬小麦遥感估产的关键内容, 只要准确地预算出冬小麦收获面积, 才干得出准确的冬小麦总产估产数据。

冬小麦面积应包括其数量和实践的天文散布两个方面, 依据其范畴大小、精度可有不同的遥感面积提取方法。

遥感统计模型方法钻研遥感光谱目的与冬小麦面积的相关, 决定必定的绿度形式, 建设绿度-面积、绿度-麦土比等统计模型, 估测冬小麦面积。

适宜于以气候卫星资料启动的大区域小麦估产钻研, 老本较为昂贵。

在国度气候局启动的冬小麦遥感估产中, 先钻研了各种绿度形式在小麦各生养期的变动, 其中归一化植被指数( G3) 变动颠簸, 较好地反映了冬小麦面积消息。

驳回拔节期气候卫星资料, 以TM 图像解译、成数抽样方法测算小麦面积、麦土比, 建设了平均绿度值与小麦面积、麦土比的回归方程, 估测冬小麦面积。

王茂新等启动了NOAA 图像冬小麦面积监测钻研, 结果为以繁多时相提取冬小麦面积艰巨, 但经过绿度-时相的对比剖析, 冬小麦有两个生养阶段其绿度-时相曲线与其它大宗作物、植被有清楚差异, 一是10～11 月, 为冬小麦秋播至分蘖阶段, 动物量大, 绿度(NDVI) 曲线回升, 而其它作物、植被成长活性降低, 绿度曲线降低; 另一为5～6 月份, 为冬小麦孕穗至收获期, 由成长最旺期急剧降至最低点, 绿度曲线呈降低趋向。

经过剖析, 冬小麦面积与11 月中旬减去10 月上旬植被指数之差图像中的大于零的像元个数及面积有很好的相关相关, 从而建设了小麦统计面积S 与大于零的像元个数P0 之间的回归方程, 即: S = a0p0 + b0a0 、b0 -回归系数及常数。

但小麦统计面积与实践面积之间仍有必定的差异。

植被指数(绿度) 形式的决定繁多波段的冬小麦光谱个性难以片面准确地反映冬小麦成长状况, 因此, 须要将冬小麦反响敏感的多波段消息组合, 植被指数即是由不同波段的反射消息组合而成的特色量, 反映绿色植被的笼罩水平和作物的成长状况。

普通由叶绿素反响敏感的红光波段(RR) 和近红外波段(RNIR) 消息组合而成, 亦称绿度。

目前冬小麦遥感估产中驳回的植被指数(绿度) 形式有: G1 = RNIR/ RR , G2 = (RNIR/ RR) 1/ 2 , G3 = RNIR - RR/ RNIR +RR , G4 = (RNIR - RR/ RNIR + RR) 1/ 2 , G5 = [ (RNIR - RR/ RNIR + RR) + 015 ]1/ 2 , G6 = (RNIR/ RR) 2 、G7 = log (RNIR/ RR) ,G8 = RNIR - RR 。

其中罕用的是比值植被指数( G1 ) 、归一化植被指数( G3 ) 和差值植被指数( G8 ) 等。

因为冬小麦笼罩度的限度, 各植被指数中实践蕴含着土壤的光谱消息, 因此应消弭土壤的影响。

土壤纠正植被指数(SAVI) : SAVI = (RNIR - RR/ RNIR + RR + L) (1 + L) , 其中L 为土壤调整起因, 取值0～1。

钻研发现, 与植被笼罩相关亲密而受土壤影响最小的近红外波段是大于1000nm 的局部。

经过剖析植被、土壤在红光、近红外二维空间中的光谱反射状况, 其植被量表现为植被点离土壤线的垂直距离, 其绿度值称为垂直植被指数PVI (Perpendicular Vegetation Index) : PVI = ɑRNIR -βRR 。

与其它植被指数相比, PVI具备较好的消弭土壤背景搅扰和对大气效应反响不灵便等好处。

冬小麦遥感单产模型建设冬小麦植被指数与其群体密度、叶面积系数、亩穗数等农学参数及单产均有亲密相关。

小麦群体密度Ma 与归一化植被指数G3 的相关方程为: G3 = a + blnMa〔14〕。

提出了绿度指数-温度-绿度变动率估产模型: 估测产量Y= a ∑G·bTo/ Ti (Do - Di) ·[Q/ ( △G/ △T) + C] + W , 其中G为返青至抽穗绿度累加; To 为拔节前期至灌浆始期小麦种类须要的积温或多年平均地温累加( ℃) ; Ti 为当年拔节前期至灌浆始期积温或当年地温累加( ℃) ; Do 为小麦灌浆起始日期(天) ; Di 为拔节前期日期(天) ; Q 为小麦种类规范千粒重(g) ; △G 为灌浆始期至中断的绿度差;△T 为灌浆始期至中断的日期差; abc 实验常数; W为自在项(专家意见)〔18〕。

思考小麦从收获到收割是一延续的环节,任一期间成长不好都会影响其最终产量, 而遥感消息只能观测到抽穗前小麦成长的综合反映, 对前期的气候条件及外界影响因子难以反映, 因此李付琴、田国良在北京顺义县的小麦估产中, 决定小麦抽穗期的PVI 和5 月下旬的平均气温区分作为两阶段的预告因子, 钻研建设了用逐段勘误的阶乘模型:yt = y (t - 1) ∏pi = 1Xiyt 为产量; yt - 1为前段预测产量; Xi 为预测因子。

什么是智慧农业

随着新一代消息技术飞速融入传统产业，农业数字化、网络化、智能化逐渐成为农业现代化开展的基石。

依托云计算、5G、物联网等技术，部署于农业消费现场的各种传感节点和通讯网络，成功农业消费环境的智能感知、智能预警、智能决策、智能剖析等配置。

联合以后乡村复兴策略、大规模乡村土地流转等契机，为农业消费提供精准化保证、高品质运营水平、智能化决策撑持。

农业 4.0 是以大数据、物联网、AI 等技术为撑持的高度粗放、高度智能、高度协同、高度精准、高度生态的现代农业外形，智慧农场可视化处置方案，允许涵盖农场布局、消费、流通等多环节业务，推进农业无人机和智能化妆备运行全环节的高效、感知、可控，优化农场精细化治理水平、农机作业品质和效率，构建智能化、无人化、网格化的农业生态系统，减速催生智慧农场的降生。

运用零代码搭建 3D 轻量化智慧农场，围绕地块总览、收获剖析、牛只治理、设备查问四个维度，对地域的全貌、农场、村群体散布以及相应的环境启动多样化的可视化展现和启动数据允许，还可对收获和治理提供适用的参考消息。

化“数”为“物”，经过整合农业名目和业务系统数据，成功了正当应用农业资源、降低消费老本、改善生态环境以及提高农作物产品和品质的目的。

农业治理可视化剖析图表

数据剖析页面则详细的展现了各个农场的农田统计消息、季度收获占比、农机及名目数量。

以明晰且详细的数据展现方式，表现各农场的农业状况，为农场治理和决策提供更准确的依据。

智慧农业处置方案以各地块为监控单元，基于自主研发的 HT for Web 可视化图形引擎，依托耕地地力空间地域散布特色与法令，搭建地块界面管控场景。

在地图场景中展现 10 个农场的所属用地类型，分为农田、林地、草地、修建用地、工业用地、商业用地、住宅用地、公共设备用地、水域、园区，不同用地类型以不同的色彩启动展现。

例如，点击页面左侧【各类地块】按钮中的农田按钮后，场景中只展现一切农场的农田状况。

可以让用户更直观念选检查，了如指掌地看到一切农田的散布位置。

在 2D 数据剖析界面实时灵活展现 10 个农场的农林草地统计、运营权土低空积、商业用地占比排行、各区域土地证书及面积统计等。

用户基于此对各农场启动对比，了解各个农场的运营状况和开展后劲。

丰盛的图表组件，让数据变得精简，能节俭用户少量的搜查期间，成功“一张图”式精准指挥。

卫星数据观测

各类地块和种植的各类型作物在 3D 场景中能叠加展现，用户经过观察地块的色彩和图标，即可清楚看到这块耕地上种植了哪种作物。

或滚动鼠标滑轮加大后可以看清种植地块的地块编码。

经过卫星数据观测后对地块图层启动色彩叠加分类：

■地温形态：对低空温度阈值开展可视化监测，3D 场景中启动土壤温度的遥感图层叠加，不同温度阶段决定不同色彩标注，地温意外区域了如指掌。

再配合系统监控预正告警配置，协助用户及时发现或者存在的疑问微危险，并采取相应的措施启动预防和处置。

■微动物活性：经过不同色块明晰区分各地块微动物活性值变动。

微动物活性作为一个关键的目的，其变动反映了土壤的肥壮状况以及其中微动物的生命力和生动水平。

可视化监控能为其更好地评价土壤的品质和生态系统的肥壮状况。

■作物发育预估：经过可视化预测农作物的未来发育形态或成长环节中或者发生的变动。

无利于用户对农作物针对行的收获，为农业消费品质监控提供迷信依据。

■作物散布与收量预测：展现各地块称号与未来产值的预测，协助用户更直观的通晓垂直农场的产量预测。

卫星数据观测技术的经常使用正在彻底扭转植物迷信钻研。

经过提供基于植物的表型数据，让各类剖析被运行于数字孪生场景中，以厘米级的精度测量作物在整个种植季的特色。

协助用户对农作物、土壤从微观到微观的实时监测，从而更准确地失掉植物的成熟速度及周期变动。

各地块监控概略

点击相关地块即可检查种植概略消息，包括农作物的消息期间表、各农场土地营养元素、作物估产消息等目的消息。

协助农牧民增强了解在特定环境下作物行为才干。

畜牧牛只治理

地图场景中展现了特斯牛场、伊拉牛舍、波尔牛栏牧场的三维模型。

经过 HT for Web GIS 准确定位各个牧场，点击 3D 面板内对应牧场称号切换至相应位置。

双击相应的牧场，可跳转到该牧场的剖析界面，展现的数据消息包括：牛只资料、饲养量排行消息、母牛配对次数、牛只繁衍记载图。

灵活图表配合 2.5D 组态图对牛群的养殖资料启动汇总和剖析。

经过数据上云和移动办公，成功对牧场远程可视化、消费透明化、迷信治理的需求，有效提高牧场消费效率和消费效果。

农机设备查问

经过搭载北斗导航定位系统、5G 通讯系统、机具形态监测传感技术与农机设备深度融合，实如今地图场景中以经纬度坐标联合 GIS 实时展现各种农机设备（如收获机、拖延机、喷药机、割晒机、运输车、铲车等）的实时位置。

在实时失掉作业数据并将其启动模拟剖析的同时，还为智慧调度、作业方案制订、班序调整等业务提供智能化决策。

灌溉/施肥/撒药可视化

依据农田中水稻、玉米、南瓜、西红柿等多种农作物的不同成长方式，可决定智能喷洒器灌溉或无人机灌溉方式，针对特定农作物或旱地作物，启动时长和灌溉量的智能设定。

无人机灌溉可为治理者提供少量田间时空变动消息，全程自主航行，任何地形都能对农田灌溉、施肥、撒药提供精准作业门路。

可依据侦测到的土壤墒情、成长阶段、植被指数，自主预测其种植面积、作物长势、产值预估，同时输入化肥与农药的用量数值预设倡导，联合水肥一体化技术提高肥料应用率，到达变量施肥精量播撒，提高农作物成长速度及成长品质。

成功期间方案型、模型驱动型、环境驱动型等多种智能治理形式。

构建农业资源治理一张图，协助农牧民更好天文解农场环境和农作物状况。

有效处置手工统计数据耗时耗力、不迭时不精准等疑问，提高上班效率和收获品质。

经过此种治理方式，可以预期其将对农业消费方式的转变发生深远影响，推进农业向着更高效、环保和可继续的方向开展。

如何应用遥感启动农作物估产

农作物遥感估产，即经过运行遥感消息和遥感方法预算作物产量的环节。

遥感消息指的是在各种遥感平台上，经常使用各种传感器失掉作物及其环境背景的反射、辐射消息的刹时记载。

经过计算机处置、识别、分类、消息提取等遥感方法，并联合数理统计剖析和地学剖析，最终估测出农作物的最终产量。

依据遥感资料起源的不同，农作物遥感估产可分为空间遥感作物估产和低空遥感作物估产。

空间遥感作物估产包括以运行卫星资料为主的航天遥感作物估产和以运行飞机航测资料为主的航空遥感作物估产，其估产范畴广、微观性强。

低空遥感作物估产是依据低空遥感平台失掉的农作物光谱消息启动估产，其估产范畴较小。

农作物遥感估产包括对农作物成长环节的灵活监测、种植面积测算、单位面积产量估测和总产量估测。

在空间遥感估产中，农作物成长环节的灵活监测是遥感估产的关键依据之一。

极轨气候卫星因为重复扫描周期短、经济，是农作物长势监测的关键工具。

长势监测是经过剖析遥感光谱植被指数随期间变动来成功的。

测算农作物种植面积用得最早、最宽泛的遥感消息是美国陆地卫星的多光谱扫描仪资料，如今多运行较高几何分辨率的专题成像扫描仪资料以及斯波特的资料。

依据不同成常年作物的光谱特色和农事历解译作物，建设解译标记，再对多光谱资料驳回目测与计算机联合的方法启动识别和分类，经低空实测资料补充批改，最后成功种植面积测算。

单产预测是基于剖析农作物产量与各种影响起因之间相关，组建回归模型来成功。

早期较多应用气候卫星的天气资料作为农作物单产估测模型的关键输入量。

20世纪80年代初期以后，逐渐驳回从遥感数据中间接提取作物消息，在剖析遥感光谱植被指数与农作物产量或农学参数相关的基础上建设遥感估产模型或遥感参数模型来成功。

为了提高单产预告准确率，也驳回多种估产模型预测结果集成最终单产的方法。

总产可由单产与种植面积相乘求得，也可在剖析总产与总光谱指数值之间相关的基础上建设遥感估产(总产)模型来成功。

低空遥感农作物估产是经过不同成常年作物的野外光谱测定，建设光谱资料与农作物产量间的回归模型来成功。

农作物遥感估产具备极速、微观、经济、主观等特点，并可对农作物成长环节进执行态监测，扫除人为搅扰的局限性，具备十分好的开展前景。

在中国，它可为国度和各级政府启动食粮消费、方案等微观决策，为制勘误确的食粮调配、供应、储运与国际外贸易政策等方面提供迷信依据。