遥感应用,农作物估产实验报告.docx

本科学生实验报告姓名 李旭东 学号 114130160 专业 地理信息系统 班级 11地信 实验课名称 遥感应用 实验名称 农作物估产 指导教师 洪亮 开课学期 2014 至 2015 学年 一 学期 云南师范大学旅游与地理科学学院编印1.实验数据LANDSATETM昆明幅数据（2002年10月7日，分辨率30M），昆明地区DEM；SPOT5昆明幅数据（2004年1月1日全色波段数据，分辨率5M）；研究区矢量边界。2.数据预处理2.1辐射校正主要用于消除或降低大气吸收散射的影响。具体校正方法有直方图最小值去除法、回归分析法等。直方图最小值去除法中直方图以统计图的形式表示图像亮度值与像元数之间的关系。在二维坐标系中，横坐标代表图像中像元的亮度值，纵坐标代表每一亮度或亮度间隔的像元数占总像元的百分比。首先确定该图像上有辐射亮度或反射亮度应为零的地区，则亮度最小值必定是这一地区大气影像的程度增值。校正时，将每一波段中每个像元的亮度值都减去该波段的最小值。2.2几何校正建立原始影像与校正后影像的坐标系。对于校正后的影像要确立坐标原点（起始行列）像元的大小以及影像的大小（行数和列数）。确立GCP，即在原始畸变影像空间与标准空间寻找控制点对。选择畸变数学模型并利用GCP数据求出畸变模型的未知参数，然后利用该畸变模型对原始畸变影像进行几何校正。GCP选择不精确、GCP数目过少、GCP分布不合理以及畸变数学模型不能很好的反映几何畸变过程，会造成几何精校正的精度下降。因此，必须通过精度分析，找出精度下降的原因并进行改进，然后再重新进行几何精校正直到满足精度要求为止。2.2.1地面控制点选取地面控制点在影像上又明显的可识别标志，如桥梁与河岸的交点，田块边角点，大的烟囱，道路的交叉点等；地面控制点的地物不随时间而变化，以保证两幅不同时相得影像都可以识别出来；在没有进行过地形校正得影像上选取控制点时，应尽量选取同一高程上的控制点。地面控制点应尽量均匀分布在校正区域内，并有一定的数量保证。地面控制点的精度，数量和分布直接影响着影像几何校正的精度。本论文中用的几何校正方法是图像到地图的校正方法，GCP点是根据矢量文件选取的。由于shp不是ENVI的，evf矢量格式文件，ENVI自动会对它进行格式转换。选择输出到内存（Memory），投影参数按照默认设置。图1.ETM-GCP点图2.SPOT-GCP点2.2.2几何校正结果图3.几何纠正结果2.3遥感影像分类2.3.1研究区概况 寻甸县农业的发展方向是充分利用云南省得天独厚的地理气候条件和丰富的自然资源，主要种植农作物稻、大麦、小麦、玉米、大豆、蚕豆、豌豆、油菜、马铃薯（从会-2到合作88、威芋3号，后来滇薯6号、宣薯2号、昆薯2号、青薯9号等）、烟草（主要种植K326、云烟85、云烟87等品种）等，其中以马铃薯、水稻、玉米为主导，以烟草产业为支撑。寻甸县发展马铃薯产业具有气候、土壤、地理区位和品种资源等诸多优势，是我市最适宜种植马铃薯的地区之一。主要种植模式有：净种、马铃薯套种玉米、马铃薯套种萝卜等，近年来马铃薯成为助农增收的“金蛋蛋”。 水稻种植模式有：冬季作物水稻，主要有麦类（大麦、小麦）稻，豆类（蚕豆、豌豆）稻，绿肥稻；春夏旱作水稻，主要有：大豆稻，玉米稻，马铃薯稻，烟草稻等。图4.寻甸县遥感影像2.3.2影像分类遥感影像分类的理论依据遥感影像中同类作物在相同条件下应具有相同或相似的光谱信息特征和空间信息特征从而表现出同类地物某种内在的相似性，即同类地物像元的特征，向量将集群在同一特征空间区域；而不同地物的光谱信息特征或空间信息特征不同，因而将集群在不同的特征空间区域。 由于影像分辨率的原因，在实验中只做一级分类，然后提取出耕地面积，进行农作物估产。图5.土地利用现状3 预测模型建立3.1植被指数模型建立植被指数是将遥感地物光谱资料经数学方法处理，以反映植被状况的特征量。利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。差值植被指数又称农业植被指数，为二通道反射率之差，它对土壤背景变化敏感，能较好地识别植被和水体。遥感图像上的植被信息主要来自于植被冠层对太阳光谱的反射强度，植物叶子的叶绿素含量的多少是量度光合作用能力以及干物质积累程度的重要指标。植被在近红外波段反射率的大小，正反映了植被叶绿素的含量以及将来千物质的结果。即植被遥感信息直接指示植物活生物量以及干物质的积累。通常利用植物光谱中的红光与近红外这两个最典型的波段值。近红外波段是叶子健康状况最灵敏的标志，它对植被差异及植物长势反应敏感。指示着植物光合作用能否正常进行，可见光红波段被植物叶绿素强吸收，进行光合作用，制造干物质，是光合作用的代表性波段，近红外通道对植被特别敏感。现采用的植被指数(NDVI)定义为近红外光波段与红光波段的差值与两者之和的比值。图6.ndvi指数3.2预测模型建立 (1)累积植被指数的测定：69月16 d最大合成值植被指数定积分和；(2)累积植被指数的平均值的测定：作物生长季内的累积植被指数与获取月份的比值；(3)产量转换系数的计算：当年农作物产量与作物生长季内的累积植被指数的平均值的比值；(4)产量的预测(假设第二年耕作制度不变)：预测年作物生长季内的累积植被指数的平均值乘以产量转换系数。 M=NDVI耕地*X 其中NDVI耕地为寻甸县所有耕地的季内累计植被指数的平均值，X为产量转换系数。4 实验结果 分别计算2012-2013年粮食作物生长期内(69月)最大归一化植被指数，并求出平均值，分别与当年的粮食实际产量建立比例关系，按照最大植被指数遥感估产模式，求出2012年的累积植被指数平均值分别为0.589。就得到了2012年农作物产量预测结果22516