基于遥感数据监测农作物复种指数的研究演示课件

.,.,1,答辩人： XXX 指导老师：XX教授 专业方向：XXX学20XX.X.XX,XXXXXXXXXXXX研究 基于XXXXXXXXXXXXX数据,硕士论文答辩,.,.,2,报告提纲：,之一：研究综述之二：研究目的与研究内容之三：数据介绍及平滑预处理之四：基于交叉拟合度检验法的 中国农作物复种指数提取之五：结论与探讨,.,.,3,研究综述：,遥感技术在农作物监测中的应用农作物的分类农作物的长势监测农作物估产农作物的种植面积监测基于遥感数据监测农作物复种指数的研究进展国内研究进展国外研究进展存在的主要问题复种指数的定义与理解遥感估算方法基本空白,.,.,4,研究目的与研究内容：,研究目的： 依托遥感技术在农作物监测中广泛应用的研究成果，利用多时相卫星遥感数据对中国农作物的复种指数进行估算，从而客观的了解、评价我国农作物的生产情况以及生长潜力等。 研究内容： 在重新理解和界定复种指数的基础上，对SPOT/VGT多时相NDVI数据进行去噪平滑处理，并依托前人的研究成果提取出中国农作物区，根据中国耕作制度区划挑选出具有代表性的NDVI变化曲线，初步建立熟制标准曲线库，利用交叉拟和度检验法对逐个像元进行判断，提取其复种指数，并对结果进行了验证分析。,.,.,5,对复种指数的理解和重新界定,复种，作为中国多熟种植中最主要的一种形式，可以反映耕地实际的利用强度以及可利用潜力，大多数农业生产模型及气候模型中复种指数或复种潜力指的都是复种这种耕作方式。计算纯粹的复种指数要比计算综合或统计指标更简单可行，并具有同等重要的意义。因此，这里重新界定复种指数为一年内同一块地上连续种植农作物的次数，即复种的次数，不考虑其他间套等耕作形式。并根据刘巽浩等的建议以及数据处理工作中的经验，限定农作物的独立生长期至少在两个月以上。,.,.,6,数据介绍：,Vegetation计划及VGT传感器Vegetation计划的提出及应用方面VGT传感器的设计特点SPOT/VGT与NOAA/AVHRR数据比较技术比较光谱波段比较数据质量比较其他SPOT/VGT-S10-NDVI数据产品NDV波段SM波段,.,.,7,数据平滑预处理：,NDVI数据去噪处理的三种方法阈值去除法 如：最佳坡度系数截取法BISE（Viovy,1992）基于滤波的平滑方法 如：傅立叶滤波变换法（Olsson,1994）曲线拟合的方法 如：非对称高斯函数拟合方法（Jonsson,2002） 综合评价以上方法的优缺点，我们提出了一种新的基于Savitzky-Golay滤波的平滑方法来去除NDVI时序数据中存在的噪音。,.,.,8,方法原理：,基本假设NDVI的时序变化对应于植被的生长与衰落NDVI与植被缓慢变化过程不一致的突降作为噪音Savitzky-Golay滤波公式 通过Savitzky-Golay滤波模拟整个NDVI时序数据的长期变化趋势，将NDVI值分做两类：“真”点和“假”点，再通过局部循环Savitzky-Golay滤波的方法使“假”点逐步被滤波值取代，以更接近于NDVI时序数列的上包络线值。,.,.,9,Savitzky-Golay滤波平滑方法流程图：,.,.,10,Savitzky-Golay滤波平滑过程示意图：,.,.,11,选取试验点：,.,.,12,参数确定：,长期变化趋势的最优滤波参数判定(7,2)拟合循环中的最优滤波参数判定(3,4),.,.,13,threshold =0.2,threshold =0.4,threshold =0.6,m=3, d=2,m=3, d=4,本方法与BISE方法的比较结果：,.,.,14,本方法的评价：,优点充分利用云状态数据对参数的敏感性较低理论简单并且易于实现运行速度较快不受数据时间尺度空间尺度及传感器限制缺点对在植被生长季高峰可能被云影响点无法判断对NDVI正常低值可能被提高,.,.,15,复种指数提取的可行性：,多时相NDVI数据的去噪平滑保证了植被生长变化特征；中国多熟种植的历史悠久，在农作物的选择和种植方式上形成一定模式；相同熟制下不同农作物组合的生长曲线具有相似性；多时相NDVI数据与高光谱数据的相似性，并且具有连续性和更明显的曲线变化特征。,.,.,16,交叉拟合度检验法：,基本原理交叉拟合度检验法：交叉相关检验法：光谱角度匹配法：,.,.,17,交叉拟合度检验法：,敏感度检验 结果表明交叉拟合度检验法对曲线间的差异及波动更为明显，适用于农作物的熟制判断甚至是类型判断。,.,.,18,应用流程：,否,平滑后的中国农作物NDVI时序数列,不同种植制度的典型点选取,典型点的比较与选定,精度检验,标准曲线的非对称高斯函数拟和,中国农作物种植指数的提取及成图,计算交叉拟和度及判别,是,.,.,19,典型点的选取：,中国种植制度区划图（刘巽浩，1993）,.,.,20,各区名称及作物种类与复种类型：,.,.,21,典型点的选择：,选点原则具有比较明显的生长曲线和熟制；独立生长期大于或等于60天；包括有完整的生长季曲线，即生长期加衰落（收割）期。综合原则内部交叉拟合度贡献最大类间混合度最小,.,.,22,曲线标准化：,利用非对称高斯函数拟合方法对标准点曲线进一步平滑。,.,.,23,复种指数提取结果：,.,.,24,精度评价：,随机抽样目视解译精度评价,.,.,25,误判及未判别原因：,农作物区域的错误及变化导致的未判定和误判；云和大气过于频繁对判定产生的影响；典型点的漏选，所选取的典型点不能概括所有的多熟种植中农作物生长季的特征变化，造成一定程度的误判；由于交叉拟和度对较短时间的波动敏感性比较低，生长季过短也会造成误分。,.,.,26,方法评价：,优点原理简单，运算方便；可适用于大多数具有连续波段或时段的遥感数据；可以有效的提取中国农作物区的复种指数，并同时反映不同地区生长季的大致偏移；应用潜力大，可在植被分类、土地覆盖变化监测以及高光谱数据分析等方面发挥作用。缺点对典型点的选取要求比较高，要求有地面实验数据支持或者是大量的样点分析；不宜于时间段过长起伏变化过多的数据组。,.,.,27,主要结论：,传统的复种指数定义过于混乱和综合，重新界定复种指数的含义为一年内同一块耕地上耕作农作物的次数，并界定作物生长期在两个月以上，计算纯粹的复种指数，不仅简单易行，意义明确，并且可以利用多时相遥感数据对每个像素进行提取，避免了传统统计方法的费时费力，以及行政单元的局限。,.,.,28,主要结论：,基于Savitzky-golay滤波原理的平滑方法，可以有效的去除多时相NDVI遥感数据中由于云、气溶胶等大气影响造成的噪音，充分利用对应的云状态数据，理论简单并易于实现。可应用于不同时间尺度、空间尺度和传感器的NDVI数据，以获取较高质量的NDVI时序数据。,.,.,29,主要结论：,基于高光谱数据分析技术光谱匹配法提出的交叉拟和度检验法，以前人对中国多熟种植的研究成果，选取了基本可以反映我国不同熟制的农作物生长曲线作为参考，计算了以遥感影像像素为单位的全国农作物复种指数。其结果表明此方法对NDVI生长季曲线之间相关性表现出了比较高的精度，给农作物复种指数的提取开辟了一条新的道路。同时还具有广泛的应用前景，如土地利用覆盖变化监测、植被特征分类以及高光谱数据分析研究等等。,.,.,30,讨论：,复种指数的重新界定虽然采用了刘巽浩等的建议，定义生长期至少大于2个月，但缺乏有效的资料论证，有待考察；本工作直接采用的是前人关于农作物区域的划分，其错误与变化也影响了本方法的准确性，有望在进一步工作中避免；构建农作物熟制曲线库（即挑选标准样点）是本方法应用的关键。人工经验挑选存在着主观上的错误和不足。如能进一步根据不同农作物的生长特点构建熟制标准曲线，应该可以使本方法得到更好的应用；NDV