亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于NDVI的水稻產(chǎn)量遙感估測(cè)

        2019-08-10 04:20:00劉珊珊牛超杰邊琳刀劍王建雄張輔霞
        江蘇農(nóng)業(yè)科學(xué) 2019年3期
        關(guān)鍵詞:精度分析水稻

        劉珊珊 牛超杰 邊琳 刀劍 王建雄 張輔霞

        摘要:以云南省尋甸回族彝族自治縣水稻為研究對(duì)象,提出一種基于時(shí)間序列歸一化植被指數(shù)(NDVI)的水稻估產(chǎn)模型。利用2000—2013年各月NDVI影像數(shù)據(jù)和尋甸回族彝族自治縣水田分布區(qū)域,分析研究區(qū)NDVI年月變化特征;然后,通過對(duì)比不同月份NDVI組合均值與水稻平均產(chǎn)量的皮爾遜積矩相關(guān)系數(shù)(Pearson)顯著性,確定進(jìn)行估產(chǎn)所使用的NDVI影像數(shù)據(jù);最后,根據(jù)水稻年平均產(chǎn)量與NDVI均值建立不同估產(chǎn)模型,通過對(duì)比決定系數(shù)(R2)、絕對(duì)及相對(duì)誤差、平均偏差(ME)、均方根誤差(RMSE)、納什(Nash-Sutcliffe)效率系數(shù)(NSE)和符合指數(shù)(IA),分析各模型估產(chǎn)精度,最終確定最佳估產(chǎn)模型。結(jié)果表明,研究區(qū)水田NDVI大致從6—8月處于增長(zhǎng)階段,之后到次年5月處于下降階段。每年6、7、8月的NDVI均值與水稻產(chǎn)量的相關(guān)系數(shù)為0.690,顯著性最高,為0.006。多項(xiàng)式估產(chǎn)模型的絕對(duì)誤差、相對(duì)誤差平均值僅為210.431 kg/hm2、3.602%;平均偏差、均方根誤差計(jì)算結(jié)果中,多項(xiàng)式的值最小,Nash-Sutcliffe效率系數(shù)、符合指數(shù)最接近1的模型為多項(xiàng)式函數(shù)模型,其中符合指數(shù)高達(dá)0.921,預(yù)測(cè)結(jié)果較準(zhǔn)確?;跁r(shí)間序列NDVI的多項(xiàng)式估產(chǎn)模型預(yù)測(cè)產(chǎn)量精度最高,能夠?qū)崿F(xiàn)對(duì)水稻產(chǎn)量的遙感估測(cè)。

        關(guān)鍵詞:歸一化植被指數(shù);尋甸回族彝族自治縣;水稻;估產(chǎn)模型;精度分析

        中圖分類號(hào): S511.01;S127? 文獻(xiàn)標(biāo)志碼: A? 文章編號(hào):1002-1302(2019)03-0193-05

        精準(zhǔn)農(nóng)業(yè)是利用不同技術(shù)手段獲取農(nóng)作物的生長(zhǎng)環(huán)境信息,實(shí)現(xiàn)在作物整個(gè)生產(chǎn)過程中,對(duì)其進(jìn)行精細(xì)化、準(zhǔn)確化的農(nóng)業(yè)微觀經(jīng)營(yíng)管理,它是現(xiàn)代農(nóng)業(yè)的重要組成部分[1]。近20年來,隨著遙感技術(shù)的發(fā)展,利用遙感技術(shù)進(jìn)行作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)在精準(zhǔn)農(nóng)業(yè)領(lǐng)域逐漸占有重要的地位[2-4],鑒于我國(guó)面臨人口多、耕地少的尖銳矛盾,發(fā)展精準(zhǔn)農(nóng)業(yè)在國(guó)家糧食安全和糧食宏觀調(diào)控等方面均有積極的作用和意義[5-7]。

        目前,國(guó)內(nèi)外學(xué)者在農(nóng)作物遙感估產(chǎn)方面已取得了大量的研究成果,尤其是基于植被指數(shù)的遙感估產(chǎn)模型,其主要利用遙感光譜信息反演植被指數(shù),并建立植被指數(shù)與產(chǎn)量的關(guān)系模型,得到預(yù)測(cè)的糧食產(chǎn)量[8]。植被指數(shù)是將遙感的物光譜資料經(jīng)數(shù)學(xué)方法處理后所得,用以反映植被狀況的特征量[9-10]。在眾多植被指數(shù)中最為常用的是歸一化植被指數(shù)(NDVI)[11],NDVI 的變化與作物生長(zhǎng)狀況、發(fā)育時(shí)期關(guān)系緊密[12],它能夠精確地反映植被綠度、光合作用強(qiáng)度、植被代謝強(qiáng)度及其季節(jié)和年際變化[13-15],可用于反演作物生物量、產(chǎn)量等[16-18],因此,在大尺度的植被動(dòng)態(tài)監(jiān)測(cè)、作物長(zhǎng)勢(shì)監(jiān)測(cè)和作物產(chǎn)量預(yù)測(cè)等方面應(yīng)用廣泛。趙文亮等利用冬小麥不同生育期的NDVI建立產(chǎn)量估產(chǎn)模型[8,19-20]。高中靈等通過NDVI進(jìn)行了棉花產(chǎn)量估算[21-23]。高學(xué)慧等利用 MODIS 植被指數(shù)產(chǎn)品,對(duì)江西省雙季早稻總產(chǎn)進(jìn)行了估算[24]。范莉等同樣利用NDVI對(duì)重慶市三峽庫(kù)區(qū)的水稻產(chǎn)量進(jìn)行預(yù)測(cè),其預(yù)測(cè)結(jié)果精度較高[25]。

        上述研究成果中,大多是在識(shí)別、提取作物分布的基礎(chǔ)上,利用NDVI進(jìn)行的估產(chǎn)研究。由于不同區(qū)域存在地理環(huán)境特點(diǎn)差異,尤其在南方地區(qū),水稻種植相對(duì)分散,地塊形狀多樣,水田斑塊破碎度大,不利于水稻的識(shí)別與提取。針對(duì)研究區(qū)水田種植區(qū)特點(diǎn),本研究利用全國(guó)第2次土地利用調(diào)查中尋甸回族彝族自治縣水田圖斑成果,選取與之相對(duì)應(yīng)的時(shí)間序列NDVI。通過對(duì)影像數(shù)據(jù)的處理、統(tǒng)計(jì)、分析,描述2000—2013年水田NDVI月變化特征。利用SPSS19.0中Pearson相關(guān)系數(shù),確定進(jìn)行估產(chǎn)的NDVI影像數(shù)據(jù),建立5種估產(chǎn)模型,分別對(duì)不同模型預(yù)測(cè)產(chǎn)量結(jié)果進(jìn)行精度分析,最終確定最佳估產(chǎn)模型。

        1 材料與方法

        1.1 研究區(qū)概況

        尋甸回族彝族自治縣位于云南省昆明市東北部,地理位置為25°20′~26°01′N、102°41′~103°33′E,橫跨金沙江、南盤江2個(gè)流域,由于地形高差大,氣候?qū)俚途暩咴撅L(fēng)氣候。該縣山地面積占總面積70%以上,有大小不等的壩子80多個(gè),分布在群山與河谷之間,壩子和河谷槽區(qū)是水稻、玉米的主要產(chǎn)區(qū)。截至2014年12月底,全縣耕地面積為 102 586.89 hm2,其中灌溉水田15 862.84 hm2,占總耕地面積的15.46%;旱地84 981.18 hm2,占總耕地的82.84%;水澆地1 742.87 hm2,占總耕地的1.70%。灌溉水田中的種植模式為水稻與小麥輪作,水稻的播種時(shí)間一般為3—9月。

        1.2 數(shù)據(jù)來源

        1.2.1 矢量數(shù)據(jù) 本研究使用的矢量數(shù)據(jù)包括云南省省界、縣界、尋甸回族彝族自治縣水田邊界等(圖1),均由云南農(nóng)業(yè)大學(xué)國(guó)土資源科學(xué)技術(shù)工程研究中心提供,其中研究區(qū)域水田分布來源于2009年進(jìn)行的全國(guó)第2次土地調(diào)查成果。為驗(yàn)證矢量數(shù)據(jù)中水田分布的準(zhǔn)確性,于研究區(qū)隨機(jī)選取15個(gè)水田檢測(cè)點(diǎn),利用全球定位系統(tǒng)(GPS)進(jìn)行坐標(biāo)記錄,其中14個(gè)隨機(jī)點(diǎn)驗(yàn)證成功。

        1.2.2 遙感影像數(shù)據(jù) 2000—2013年NDVI數(shù)據(jù)集是由地理空間數(shù)據(jù)云(http://www.gscloud.cn)提供的MODIS中國(guó)植被指數(shù)合成產(chǎn)品,坐標(biāo)系為WGS84,空間分辨率為250 m,時(shí)間分辨率為月。

        1.2.3 其他數(shù)據(jù) 本研究使用的研究區(qū)域水稻產(chǎn)量來源于2000—2013年《昆明市統(tǒng)計(jì)年鑒》。

        1.3 處理方法

        1.3.1 遙感影像分區(qū)統(tǒng)計(jì) 由于最初獲取的數(shù)據(jù)為全國(guó)范圍的NDVI影像,須進(jìn)一步在ArcGIS 10.4軟件中利用最近鄰分配法進(jìn)行重采樣,輸出分辨率為0.001 m。在此基礎(chǔ)上,基于研究區(qū)水田分布矢量數(shù)據(jù)對(duì)NDVI進(jìn)行分區(qū)統(tǒng)計(jì),得到水田每年每月的NDVI數(shù)值,以此進(jìn)行后期的統(tǒng)計(jì)分析。

        1.3.2 Pearson相關(guān)系數(shù)

        (1)相關(guān)系數(shù)的計(jì)算。皮爾遜積矩相關(guān)系數(shù)(Pearson product-moment correlation coefficient)被廣泛應(yīng)用于度量2個(gè)變量線性相關(guān)性的強(qiáng)弱,它是由Karl Pearson在19世紀(jì)80年代從Francis Galton介紹的想法的基礎(chǔ)發(fā)展而來,在統(tǒng)計(jì)學(xué)中有時(shí)也簡(jiǎn)稱為PMCC,通常用r或是ρ表示。這里采用皮爾遜積矩相關(guān)系數(shù)r來分析水稻種植區(qū)NDVI值與產(chǎn)量之間的相關(guān)性。相關(guān)系數(shù)r∈[-1,1],當(dāng)r=0時(shí),表明X和Y沒有線性相關(guān)關(guān)系;當(dāng)0<|r|<1時(shí),表明X和Y存在一定的線性相關(guān)關(guān)系,當(dāng)r>0時(shí),表明X和Y為正相關(guān)關(guān)系,當(dāng)r<0時(shí),表明X和Y為負(fù)相關(guān)關(guān)系;當(dāng)|r|=1時(shí),表明X和Y完全線性相關(guān)。

        (2)相關(guān)系數(shù)的檢驗(yàn)。樣本相關(guān)系數(shù)r是根據(jù)從整體中抽取的隨機(jī)樣本值X和Y計(jì)算出來的,它只是對(duì)總體相關(guān)系數(shù)ρ的估計(jì),為此,要對(duì)樣本相關(guān)系數(shù)進(jìn)行顯著性檢驗(yàn)。

        1.4 誤差分析方法

        本研究采用決定系數(shù)(R2)、平均偏差(ME)、均方根誤差(RMSE)、Nash-Sutcliffe效率系數(shù)(NSE)和符合指數(shù)(IA)評(píng)價(jià)各模型預(yù)估產(chǎn)量與實(shí)際產(chǎn)量之間的誤差以及一致性,計(jì)算公式如下:

        平均偏差是代表一組測(cè)量值中任意數(shù)值的偏差,不計(jì)正負(fù);均方根誤差也稱為標(biāo)準(zhǔn)誤差,這種誤差分析對(duì)一組預(yù)測(cè)數(shù)據(jù)中極大或極小誤差的反映特別敏感,所以,標(biāo)準(zhǔn)誤差能夠很好地反映出預(yù)測(cè)結(jié)果的精度;Nash-Sutcliffe效率系數(shù)變化范圍從-∞到1,越接近1,表明實(shí)際值和預(yù)測(cè)值越接近,值為0表明預(yù)測(cè)結(jié)果與實(shí)際值的均值基本相同;符合指數(shù)(IA)用于評(píng)估模型性能的附加方法,結(jié)果在0和1之間,IA越接近1,預(yù)測(cè)效果越好,類似于確定系數(shù)(R2)。

        2 結(jié)果與分析

        2.1 水田 NDVI月變化特征

        取研究時(shí)間段2000—2013年相同月份的均值作為該月均值,計(jì)算結(jié)果見圖2。同時(shí),隨機(jī)選取其中1年的NDVI影像數(shù)據(jù),得到研究區(qū)5—9月水稻長(zhǎng)勢(shì)變化特征(圖3)。

        根據(jù)對(duì)影像數(shù)據(jù)進(jìn)行分區(qū)統(tǒng)計(jì)的結(jié)果,分別得到2000—2013年尋甸回族彝族自治縣水田NDVI的年均值和月均值,其變化趨勢(shì)特征見圖2。由圖2可知,研究區(qū)水田NDVI大致從6—8月處于增長(zhǎng)階段,之后至次年5月處于下降階段。

        研究區(qū)大春作物水稻4月為秧苗期, 5月開始進(jìn)入分蘗

        期,9月為成熟期,圖3為一年中水田5—9月NDVI的變化特征,水稻長(zhǎng)勢(shì)越好,其對(duì)應(yīng)的NDVI值越高。水稻不同生育期NDVI變化特征與圖2水田NDVI月變化趨勢(shì)相符。

        2.2 相關(guān)性分析

        將每年5—9月不同月份進(jìn)行排列組合,并計(jì)算不同組合中水田NDVI均值,利用SPSS 19.0中Pearson相關(guān)系數(shù),計(jì)算研究區(qū)2000—2013年水稻平均產(chǎn)量與不同月份組合水田NDVI均值之間的相關(guān)性。根據(jù)計(jì)算結(jié)果,每年6、7、8月NDVI均值與水稻平均產(chǎn)量的相關(guān)系數(shù)為0.690,顯著性最高,為0.006,表明在0.01 水平(雙側(cè))上二者顯著相關(guān),其相關(guān)分析結(jié)果見表1。

        利用每年6、7、8月NDVI均值代替該年的NDVI值,分析其與水稻年平均產(chǎn)量變化趨勢(shì)特征的關(guān)系(圖4)。2002、2009、2010年3年的年NDVI值與水稻年平均產(chǎn)量變化不一致,其中,2002年水稻年平均產(chǎn)量下降,而NDVI值處于上升階段,2009—2010年水稻年平均產(chǎn)量有所增加,但其NDVI值

        下降,可能是由于其他影響水稻產(chǎn)量的因素所致。除此之外,其他年份二者變化趨勢(shì)基本一致。

        2.3 模型建立與驗(yàn)證

        2.3.1 水稻估產(chǎn)模型的建立 基于6、7、8月水稻關(guān)鍵生育期NDVI均值與其年平均產(chǎn)量的相關(guān)性,使用2000—2013年年際間的數(shù)據(jù)建立不同函數(shù)估產(chǎn)模型(表2),試圖利用NDVI值估測(cè)水稻產(chǎn)量。比較不同估產(chǎn)模型,多項(xiàng)式的決定系數(shù)(R2=0.744)最大,而冪函數(shù)的決定系數(shù)最小。說明利用多項(xiàng)式模型進(jìn)行水稻產(chǎn)量估測(cè)的可靠性最高。

        2.3.2 水稻估產(chǎn)模型的驗(yàn)證 為探明關(guān)鍵生育期水稻NDVI估產(chǎn)模型的準(zhǔn)確性,利用研究區(qū)2000—2013年平均糧食產(chǎn)量對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證(樣本量為14個(gè)),選取預(yù)測(cè)產(chǎn)量與實(shí)際產(chǎn)量的線性關(guān)系、預(yù)測(cè)產(chǎn)量的絕對(duì)誤差與相對(duì)誤差進(jìn)行精度分析,并利用平均偏差(ME)、均方根誤差(RMSE)、Nash-Sutcliffe效率系數(shù)(NSE)和符合指數(shù)(IA)作為檢驗(yàn)指標(biāo)。為驗(yàn)證預(yù)測(cè)產(chǎn)量結(jié)果的準(zhǔn)確性,進(jìn)行預(yù)測(cè)產(chǎn)量與實(shí)際產(chǎn)量之間的線性相關(guān)分析(圖5)。其中多項(xiàng)式函數(shù)R2最大(R2=0.656),預(yù)測(cè)結(jié)果較為理想,而對(duì)數(shù)函數(shù)R2為0.581,相比較而言,預(yù)測(cè)結(jié)果的準(zhǔn)確性最差。

        根據(jù)不同模型產(chǎn)量預(yù)測(cè)結(jié)果,計(jì)算絕對(duì)誤差與相對(duì)誤差(表3),其中多項(xiàng)式函數(shù)絕對(duì)誤差的最大值、均值較其他函數(shù)均為最低,分別為569.631、210.431 kg/hm2,對(duì)數(shù)函數(shù)絕對(duì)誤差最小值最低為25.400 kg/hm2;相對(duì)誤差結(jié)果中,最大值和均值最低的仍為多項(xiàng)式函數(shù),分別為11.732%、3.602%,對(duì)數(shù)函數(shù)相對(duì)誤差最小值最低,為0.455%。綜上所述,5種估產(chǎn)模型中,預(yù)測(cè)產(chǎn)量精度最高的為多項(xiàng)式函數(shù)。

        將預(yù)測(cè)產(chǎn)量與實(shí)際產(chǎn)量分別代入公式(1)~(5),計(jì)算不同估產(chǎn)模型的平均偏差(ME)、 均方根誤差(RMSE)、 Nash-Sutcliffe效率系數(shù)(NSE)和符合指數(shù)(IA), 結(jié)果見表4。其中,多項(xiàng)式的平均偏差(ME)絕對(duì)值最小(ME=0),線性函數(shù)ME為0.000 14,表4為保留3位后的數(shù)據(jù),絕對(duì)值最大的是冪函數(shù)(ME=7.040);多項(xiàng)式估產(chǎn)模型的均方根誤差(RMSE)誤差(RMSE為252.323 kg/hm2)最小,說明預(yù)測(cè)最準(zhǔn)確,對(duì)數(shù)函數(shù)的RMSE值(RMSE為271.081 kg/hm2)最大;多項(xiàng)式估產(chǎn)模型的NSE值最接近1(NSE=0.656);5種估產(chǎn)模型的IA值中,最接近1的模型為多項(xiàng)式函數(shù)(IA=0.921),說明其預(yù)測(cè)效果最好。綜上分析,利用多項(xiàng)式估產(chǎn)模型預(yù)測(cè)水稻產(chǎn)量結(jié)果最為準(zhǔn)確。

        3 討論

        云南省水稻種植相對(duì)分散、地塊較小、形狀多樣,水田斑塊破碎度大,不利于水稻識(shí)別與提取[26]。本研究利用第2次全國(guó)土地調(diào)查的水田圖斑與分辨率為250 m的MODIS 時(shí)間序列數(shù)據(jù)進(jìn)行分區(qū)統(tǒng)計(jì),研究過程更加快速,預(yù)測(cè)結(jié)果更加合理準(zhǔn)確。但由于研究區(qū)水稻種植分布的靈活性及干旱、內(nèi)澇等自然災(zāi)害原因,會(huì)對(duì)水稻產(chǎn)量預(yù)測(cè)結(jié)果的準(zhǔn)確性產(chǎn)生一定程度的影響。因此,在條件允許的范圍內(nèi)應(yīng)選擇更高分辨率的遙感數(shù)據(jù),并進(jìn)一步完善估產(chǎn)模型,以期提高作物產(chǎn)量的估測(cè)精度。

        4 結(jié)論

        在開展尋甸回族彝族自治縣耕地利用現(xiàn)狀調(diào)查結(jié)果的基礎(chǔ)上,選取與水田相對(duì)應(yīng)的NDVI時(shí)間序列,利用Pearson相關(guān)系數(shù)確定進(jìn)行估產(chǎn)的NDVI影像數(shù)據(jù)。通過對(duì)影像數(shù)據(jù)的處理、統(tǒng)計(jì)、分析,描述2000—2013年水田NDVI月變化特征,并建立5種估產(chǎn)模型,分別對(duì)不同模型預(yù)測(cè)產(chǎn)量結(jié)果進(jìn)行精度分析,最終得到研究區(qū)水稻估產(chǎn)模型。

        根據(jù)不同地域的氣候條件,在昆明市范圍內(nèi),6、7、8月分別對(duì)應(yīng)水稻的抽穗期、揚(yáng)花期、灌漿成熟期,這3個(gè)生育期是與水稻高產(chǎn)最為密切的關(guān)鍵時(shí)期。通過Pearson相關(guān)系數(shù)對(duì)比發(fā)現(xiàn),6、7、8這3個(gè)月NDVI均值與水稻年平均產(chǎn)量相關(guān)性的顯著性最高。

        對(duì)不同估產(chǎn)模型進(jìn)行精度分析,多項(xiàng)式函數(shù)整體預(yù)測(cè)精度最高。其中多項(xiàng)式估產(chǎn)模型的絕對(duì)誤差、相對(duì)誤差平均值僅為210.431 kg/hm2、3.602%;平均偏差、均方根誤差計(jì)算結(jié)果中,多項(xiàng)式的值最小;Nash-Sutcliffe效率系數(shù)、符合指數(shù)最接近1的模型為多項(xiàng)式函數(shù)模型,其中符合指數(shù)高達(dá)0.921,預(yù)測(cè)結(jié)果較準(zhǔn)確。

        參考文獻(xiàn):

        [1]蒙繼華,吳炳方,杜 鑫,等. 遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用進(jìn)展及展望[J]. 國(guó)土資源遙感,2011(3):1-7.

        [2]解 毅,王鵬新,王蕾,等. 基于作物及遙感同化模型的小麥產(chǎn)量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(20):179-186.

        [3]彭代亮,周煉清,黃敬峰,等. 基于抽樣調(diào)查地塊實(shí)測(cè)數(shù)據(jù)的省級(jí)水稻單產(chǎn)遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào),2011,27(9):106-114.

        [4]王 娟,張 杰,張 優(yōu),等. 基于SPOT-5衛(wèi)星影像的水稻信息提取方法研究——以德陽市旌陽區(qū)為例[J]. 西南農(nóng)業(yè)學(xué)報(bào),2017,30(4):861-868.

        [5]靳華安,王錦地,柏延臣,等. 基于作物生長(zhǎng)模型和遙感數(shù)據(jù)同化的區(qū)域玉米產(chǎn)量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(6):162-173.

        [6]黃健熙,武思杰,劉興權(quán),等. 基于遙感信息與作物模型集合卡爾曼濾波同化的區(qū)域冬小麥產(chǎn)量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(4):142-148.

        [7]陳勁松,黃健熙,林琿,等. 基于遙感信息和作物生長(zhǎng)模型同化的水稻估產(chǎn)方法研究[J]. 中國(guó)科學(xué)(信息科學(xué)),2010(增刊1):173-183.

        [8]趙文亮,賀 振,賀俊平,等. 基于MODIS-NDVI的河南省冬小麥產(chǎn)量遙感估測(cè)[J]. 地理研究,2012,31(12):2310-2320.

        [9]劉珊珊,王建雄,牛超杰,等. 基于NDVI的云南省植被覆被變化趨勢(shì)分析[J]. 湖北農(nóng)業(yè)科學(xué),2017,56(11):2037-2040.

        [10]衛(wèi) 煒,吳文斌,李正國(guó),等. 時(shí)間序列植被指數(shù)重構(gòu)方法比對(duì)研究[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃,2014,35(1):34-43.

        [11]李正國(guó),唐華俊,楊鵬,等. 植被物候特征的遙感提取與農(nóng)業(yè)應(yīng)用綜述[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃,2012,33(5):20-28.

        [12]Mkhabela M S,Bullock P,Raj S,et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J]. Agricultural and Forest Meteorology,2011,151(3):385-393.

        [13]許青云,楊貴軍,龍慧靈,等. 基于MODIS NDVI多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(11):134-144.

        [14]張戈麗,歐陽華,張憲洲,等. 基于生態(tài)地理分區(qū)的青藏高原植被覆被變化及其對(duì)氣候變化的響應(yīng)[J]. 地理研究,2010,29(11):2004-2016.

        [15]劉珊珊,牛超杰,王建雄,等. NDVI在祿勸縣植被變化特征分析中的應(yīng)用[J]. 山東農(nóng)業(yè)科學(xué),2017,49(2):117-119,131.

        [16]劉真真,張喜旺,陳云生,等. 基于CASA模型的區(qū)域冬小麥生物量遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào),2017,33(4):225-233,315-316.

        [17]Soenen S A,Peddle D R,Hall R J,et al. Estimating aboveground forest biomass from canopy reflectance model inversion in mountainous terrain[J]. Remote Sensing of Environment,2010,114(7):1325-1337.

        [18]Gianquinto G,Orsini F,F(xiàn)econdini M,et al. A methodological approach for defining spectral indices for assessing tomato nitrogen status and yield[J]. European Journal of Agronomy,2011,35(3):135-143.

        [19]王 磊,白由路,盧艷麗,等. 基于GreenSeeker的冬小麥NDVI分析與產(chǎn)量估算[J]. 作物學(xué)報(bào),2012,38(4):747-753.

        [20]馮美臣,楊武德. 不同株型品種冬小麥NDVI變化特征及產(chǎn)量分析[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2011,19(1):87-92.

        [21]高中靈,徐新剛,王紀(jì)華,等. 基于時(shí)間序列NDVI相似性分析的棉花估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(2):148-153.

        [22]李新偉,余炳鳳,呂新,等. 不同氮水平下棉花冠層NDVI分析與產(chǎn)量估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(7):231-236.

        [23]溫鵬飛,朱 鵬,張 強(qiáng),等. 不同水氮耦合條件下棉花冠層NDVI分析與產(chǎn)量估算[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2016,21(1):33-38.

        [24]高學(xué)慧,黃淑娥,顏流水,等. 基于MODIS遙感資料的江西省雙季早稻估產(chǎn)研究[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,35(2):290-295.

        [25]范 莉,羅孳孳. 基于MODIS-NDVI的水稻遙感估產(chǎn)——以重慶三峽庫(kù)區(qū)為例[J]. 西南農(nóng)業(yè)學(xué)報(bào),2009,22(5):1416-1419.

        [26]李志鵬,劉珍環(huán),李正國(guó),等. 水稻空間分布遙感提取研究進(jìn)展與展望[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃,2014,35(6):9-18.翁連娟,蔡 沖,陳錫愛,等. 基于ZigBee技術(shù)的桑園環(huán)境監(jiān)控系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué),2019,47(3):198-202.

        猜你喜歡
        精度分析水稻
        什么是海水稻
        有了這種合成酶 水稻可以耐鹽了
        水稻種植60天就能收獲啦
        軍事文摘(2021年22期)2021-11-26 00:43:51
        油菜可以像水稻一樣實(shí)現(xiàn)機(jī)插
        一季水稻
        文苑(2020年6期)2020-06-22 08:41:52
        水稻花
        文苑(2019年22期)2019-12-07 05:29:00
        機(jī)載 LIDAR 系統(tǒng)在公路斷面測(cè)量中的應(yīng)用與精度分析2
        科技資訊(2015年32期)2016-05-25 21:55:48
        機(jī)載 LIDAR 系統(tǒng)在公路斷面測(cè)量中的應(yīng)用與精度分析
        科技資訊(2015年32期)2016-05-25 21:54:22
        淺談建(構(gòu))筑物的變形觀測(cè)
        科技視界(2016年11期)2016-05-23 20:13:06
        關(guān)于RTK作業(yè)高程精度的探討
        日本丰满熟妇bbxbbxhd| 日韩精品中文字幕一区二区| www国产亚洲精品| 蜜臀av 国内精品久久久| 亚洲日韩图片专区小说专区 | 三上悠亚av影院在线看| 精精国产xxxx视频在线播放器| 色婷婷精品大在线视频| 国产成人亚洲精品无码青| 亚洲美女又黄又爽在线观看| 欧美精品aaa久久久影院| 丰满人妻被公侵犯的视频| 无码人妻一区二区三区免费看| 国产成人vr精品a视频| 亚洲欧洲国无码| 蜜乳一区二区三区亚洲国产| 中文字幕乱码高清完整版| 免费无码肉片在线观看| 亚洲精品国产熟女久久| 亚洲国产色婷婷久久精品| 欧美日韩国产码高清综合人成 | 国产三a级三级日产三级野外| 超清精品丝袜国产自在线拍| 久久久久久久98亚洲精品| 97久久久一区二区少妇| 欧美男生射精高潮视频网站| 久久久精品人妻一区二区三区四 | 加勒比婷婷色综合久久| 三年片免费观看大全有| 久久国产精品不只是精品 | 久久久国产不卡一区二区| 综合亚洲二区三区四区在线| 欧美综合天天夜夜久久| 自拍偷自拍亚洲精品播放| 午夜精品一区二区三区av免费| 国产精品亚洲av三区亚洲| 国产成人精品日本亚洲11 | av免费在线观看网站大全| 麻豆国产精品久久人妻| 久久av无码精品人妻出轨| 厕所极品偷拍一区二区三区视频|