基于MODIS-NDVI的河北省主要农作物空间分布研究

论文摘要

农作物是地理环境重要组成部分的一种特殊的植被类型,与一定的气候、地貌、土壤条件相适应,受多种因素控制,对地理环境的依赖性较大,对其他因素的变化反应也很敏感。农作物主要类型识别是估算面积、及时监测农作物长势以及提早做出作物产量预测的基本首要工作,是农情遥感的基础,可以为粮食生产和农业发展布局提供相关信息,对政策制订和保持可持续发展十分重要。归一化植被指数（NDVI）是利用绿色植物叶片在红色和近红外波段的光谱反差组合来设计的用于描述植被数量和质量的参数,没有量纲。NDVI可以监测植被生长活动的季节与年季变化,是植被生长状态的最佳指示因子,其时间序列变化曲线可反映季节和人为活动的变化。因此NDVI被认为是监测地区或全球植被和生态环境变化的有效指标。本论文以河北省为研究区,以2008年10月1日-2009年9月30日12个月248幅MODIS遥感影像为主要信息源,经过数据几何校正、大气辐射校正、云检测等预处理过程,计算并合成了旬NDVI,并对NDVI时间序列进行了去噪处理,结合目视解译的2005年Landsat TM影像的土地利用类型数据,参考河北省统计数据,运用RS、GIS技术,以农作物的季相节律和生物学特性机理为基础,采用逐级分区分层的方法,进行了主要农作物种类识别的研究。利用土地利用数据确定耕地范围后,通过监测NDVI时序曲线的波峰频数区分一年一季和一年两季种植模式作物区。在此基础上根据区域内所要识别的农作物生长环境差异及产量特点,进一步分区,并结合农作物物候特征,与NDVI曲线变化相对应,利用ISODATA非监督分类方法,最终提取出了冬小麦、夏玉米、棉花、春玉米以及莜麦。对全省来说,棉花和莜麦误差仅为3.55%和0.18%,分类精度较高,春玉米的误差是17.80%,冬小麦-夏玉米的误差相对较大,但最后的分类精度达到87%,这对于大尺度的遥感监测调查来说是可以接受的,并绘制了以上主要农作物空间分布图。研究表明,MODIS数据较NOAA/AVHRR数据有多波段,高时间、空间分辨率等优势,且数据获取相对容易,成本较低,随着遥感技术的发展,MODIS在陆地生态系统各领域的广泛应用,为农情遥感提供了新的监测手段,具有很大的潜力。NDVI时间序列数据可以生动形象准确地描述农作物的生长动态轨迹,表现其季相节律变化的过程。农作物的类型不同,农事历不同,物候期不同,其NDVI曲线规律也不相同,因此,根据农作物的种植结构、生长规律以及物候历特征,分析其NDVI曲线变化特征及趋势,可以确定农作物类型。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究进展综述
• 1.1.1 基于不同遥感平台的进展
• 1.1.2 基于NDVI 的进展
• 1.1.3 主要进展和存在问题
• 1.2 研究目的与意义
• 1.2.1 研究目的意义
• 1.2.2 研究内容
• 2 遥感数据来源与处理
• 2.1 数据源
• 2.1.1 MODIS 数据
• 2.1.2 TM 数据
• 2.2 MODIS 1B 数据预处理
• 2.2.1 几何校正和去除条带噪声
• 2.2.2 大气辐射校正
• 2.2.3 云检测
• 2.2.4 MOD03 辅助数据处理
• 2.3 TM 数据处理
• 3 研究技术与方法
• 3.1 技术路线
• 3.2 MODIS-NDVI 计算与去噪处理
• 3.2.1 单日MODIS-NDVI 的计算
• 3.2.2 MODIS-NDVI 旬合成
• 3.2.3 MODIS-NDVI 时间序列去噪处理
• 3.3 优势农作物识别方法
• 3.3.1 计算波峰频数
• 3.3.2 判断取舍波峰
• 3.3.3 识别一年两季种植模式作物
• 3.3.4 识别一年一季主要农作物
• 4 研究结果分析
• 4.1 研究区概况
• 4.1.1 自然条件
• 4.1.2 种植制度
• 4.2 耕地的空间分布
• 4.3 NDVI 的结果分析
• 4.3.1 NDVI 时间序列曲线滤波结果
• 4.3.2 NDVI 旬合成结果
• 4.4 优势农作物识别结果分析
• 4.4.1 种植模式空间分布
• 4.4.2 优势农作物的空间分布
• 4.4.3 未识别农作物
• 4.5 精度评价
• 4.5.1 全省精度分析
• 4.5.2 训练区精度分析
• 4.6 误差分析
• 4.6.1 NDVI 具有局限性
• 4.6.2 遥感数据
• 4.6.3 土地利用数据
• 4.6.4 数据处理过程
• 5 结论与讨论
• 5.1 结论
• 5.2 创新点
• 5.3 讨论
• 参考文献
• 致谢