基于ASAR数据的水稻制图与水稻估产研究

论文摘要

水稻是世界上最主要的粮食作物之一。随着世界人口的增长和经济的发展,各水稻生产大国迫切需要一个长期、有效和可靠的水稻监测体系为本国的水稻生产和国家决策机构服务,包括水稻种植面积、水稻长势、水稻产量及病虫害监测等。随着遥感技术的发展和遥感数据的普及,通过卫星监测水稻的生产成为可能,并具有宏观、动态、及时、准确的优点。由于水稻是喜温好湿作物,在世界上多种植在温暖湿润的东南亚季风区域,分布在中国南部、越南、泰国、印度、马来西亚、菲律宾等国。由于这些地区在水稻生长季长期受到云雾的覆盖,给基于光学遥感的水稻监测带来困难,经常很难获取一景有效的地面光学遥感数据。而雷达遥感具有不受云雨影响,全天候、全天时监测的优点,逐渐成为水稻监测的重要数据来源。然而,雷达遥感探测地物目标的原理和方(?)与光学遥感差别较大。雷达图像所记录的地物后向散射信息主要反映了目标的介电特性、表面粗糙度、几何形态和方向特性,同时还和雷达系统参数有密切关系,如波长、极化、入射角、分辨率等。另外,SAR作为一种相干测量系统,图像还受到斑点噪声的影响,因此增加了利用雷达图像对地物进行定性分析与定量研究的难度。目前,雷达数据在水稻监测方面的研究和应用还处在初步阶段,大量的研究主要集中在水稻制图、水稻生物学参数反演和水稻后向散射模型研制几个方面,而在水稻估产方面的研究尚缺乏足够的报道。因此本文围绕当前功能最强大的ASAR雷达数据,结合2006年在兴化研究区进行的地面水稻同步试验,对水稻制图原理和方法进行了深入的分析和研究,提出了水稻制图的最佳时相参数,并比较了不同水稻制图方法。论文还对水稻后向散射系数与水稻生物学参数的关系进行了分析,并分别探讨了基于水稻水云模型和HH/VV的水稻生物学参数反演。最后提出了基于ASAR数据与水稻作物模型同化的水稻估产方案,并结合地面试验数据和获取的多时相ASAR APP数据,介绍了估产方案的具体实现,同时对提出的估产方案进行了分析和验证。就此,论文的主要研究成果和结论如下:1.在水稻制图的最佳时相参数选择方面,对于多时相水稻制图情形,获取在水稻生长早期,如移栽期或分蘖初期,和水稻生长中期,从幼穗分化期到抽穗期中的任意两景影像,选用监督分类或决策树分类算法可以获得85%以上的水稻制图精度。而对于单时相情形,则需要充分分析各地物的极化散射特性差异,选用在水稻生长中期,即从幼穗分化期到抽穗期间的任意一景进行水稻制图,同样可以获得较高的水稻制图精度。2.水稻制图方法的研究结果表明,监督分类算法和决策树分类算法都能够从雷达影像中以相近的精度提取水稻分布信息。但SAR影像受到相干斑噪声影响,在滤波后,图像像元分布朝正态分布逼近,因此相比决策树分类算法而言,基于图像统计判别的监督分类方法更适合SAR影像的水稻制图。3.从水稻水云模型模拟的结果发现,HH极化对水稻生长参数和含水量变化较VV极化敏感,因此HH极化的水稻水云模型可用于水稻生物学参数的反演。HH/VV的时相变化与水稻生物量、叶面积指数的变化具有较好的一致性。HH/VV与水稻叶面积指数和单位面积冠层含水量呈乘幂函数的变化关系,其反演精度与HH极化水稻水云模型的反演精度相近。但HH/VV与水稻抽穗前的株高和相对含水量变化具有更好的反演结果,反演值与实测值的相关系数都在0.92以上。4.本文提出的基于ASAR数据与水稻作物模型同化的水稻估产方案,结合了本文水稻制图的研究成果,实现了区域水稻的产量预测。其结果表明,由估产方案获得的水稻产量分布图能够描绘研究区水稻实际产量的分布趋势,但由于采用潜在生长条件模拟,模拟的水稻平均产量比实测平均值高约13%,验证点的水稻产量模拟值与实测值相对误差为11.2%。另外,由于半经验水稻后向散射模型存在对LAI变化不够敏感和对水层的简化处理,增加了水稻估产的误差。但从总体上看,利用该方法进行区域水稻估产是实际可行的,也是有效的,并为多云多雨地区的水稻遥感监测和产量预测提供了重要的数据参考和技术方案。

论文目录

• 中文摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 研究背景与意义
• 1.1.1 水稻监测迫切需要遥感技术
• 1.1.2 雷达遥感在水稻监测中的必要性
• 1.1.3 雷达遥感数据和技术为建立长期、稳定的水稻监测体系提供保障
• 1.2 立题依据与研究内容
• 1.2.1 立题依据
• 1.2.2 研究内容和论文结构
• 1.3 研究思路与技术路线
• 第二章 基本原理和国内外研究进展
• 2.1 星载雷达遥感的基本原理
• 2.1.1 电磁波、微波
• 2.1.2 雷达方程
• 2.1.3 雷达后向散射系数
• 2.1.4 雷达系统参数
• 2.1.4.1 波长/频率
• 2.1.4.2 极化
• 2.1.4.3 入射角
• 2.1.4.4 雷达视向/地物走向
• 2.1.4.5 斑点和视数
• 2.1.5 地物目标参数
• 2.1.5.1 表面粗糙度
• 2.1.5.2 复介电常数
• 2.2 星载SAR的发展历程
• 2.3 水稻雷达遥感监测的研究现状和进展
• 2.3.1 水稻制图的国内外研究进展
• 2.3.2 水稻后向散射模型研究
• 2.4 本章小结
• 第三章 研究区和数据
• 3.1 研究区概况
• 3.2 地面试验与数据
• 3.2.1 水稻数据
• 3.2.1.1 水稻作物数据
• 3.2.1.2 水稻形态结构数据
• 3.2.1.3 田间管理数据
• 3.2.2 地物样方数据
• 3.2.3 土壤数据和气象数据
• 3.3 ASAR数据
• 3.3.1 ASAR传感器特性和产品
• 3.3.2 研究区ASAR数据获取
• 3.3.3 ASAR数据预处理
• 3.3.3.1 辐射定标
• 3.3.3.2 SAR图像滤波
• 3.3.3.3 地理参考
• 3.3.3.4 BEST软件应用
• 3.4 本章小结
• 第四章 水稻制图理论和方法比较
• 4.1 SAR图像统计特性
• 4.1.1 斑点噪声数学模型
• 4.1.2 SAR图像强度分布特性
• 4.2 基于SAR图像的变化检测技术
• 4.2.1 比值检测法
• 4.2.1.1 SAR强度图像的比值分布
• 4.2.1.2 比值检测方法及分类误差分析
• 4.3 水稻制图最佳时相参数选择
• 4.3.1 水稻后向散射特征分析
• 4.3.2 单时相水稻制图的最佳时相选择
• 4.3.3 多时相水稻制图的最佳时相组合选择
• 4.4 水稻制图方法比较与验证
• 4.4.1 最大似然判别法
• 4.4.2 决策树分类法
• 4.4.3 对比试验方案
• 4.4.4 结果与评价
• 4.5 本章小结
• 第五章 水稻水云模型与水稻生物学参数反演
• 5.1 水云模型
• 5.1.1 水云模型的一般形式
• 5.1.2 水稻水云模型
• 5.1.2.1 作为特殊土壤处理的水稻水云模型
• 5.1.2.2 依据散射机理的水稻水云模型
• 5.1.2.3 两种水稻水云模型的比较
• 5.2 水稻生物学参数与水稻后向散射系数的关系
• 5.2.1 基于水稻水云模型的水稻生物学参数反演
• 5.2.2 基于HH/VV的水稻生物学参数反演
• 5.3 本章小结
• 第六章 ASAR数据与水稻作物模型结合的水稻估产研究
• 6.1 遥感信息与作物模拟模型结合的方法研究
• 6.1.1 强迫型
• 6.1.2 调控型Ⅰ
• 6.1.3 调控型Ⅱ
• 6.2 水稻作物模拟模型研究
• 6.2.1 水稻作物模型研究概述
• 6.2.2 ORYZA2000模型简介
• 6.3 ASAR数据与ORYZA2000模型同化的水稻估产方案
• 6.3.1 估产方案与流程
• 6.3.2 水稻制图模块
• 6.3.3 同化估产模块
• 6.4 ASAR数据与ORYZA2000模型同化的水稻估产实现
• 6.4.1 水稻制图及水稻后向散射系数提取
• 6.4.2 ORYZA2000模型的适应性调整与敏感性分析
• 6.4.2.1 模型的适应性调整
• 6.4.2.2 模型参数的敏感性分析
• 6.4.3 半经验水稻水云模型的变量替换与参数调整
• 6.4.4 全局优化算法SCE-UA及算法系统参数设定
• 6.4.5 产量分布图与估产精度分析
• 6.5 估产方案的不足与改进
• 6.6 本章小结
• 第七章 结论与展望
• 7.1 主要工作与结论
• 7.1.1 水稻制图
• 7.1.2 水稻生物学参数反演
• 7.1.3 水稻雷达估产
• 7.2 问题与展望
• 7.3 论文创新点
• 参考文献
• 参加的项目
• 发表的论文
• 正在投稿的论文
• 致谢