排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
同化叶面积指数和蒸散发双变量的冬小麦产量估测方法 总被引:1,自引:0,他引:1
同化遥感信息到作物生长过程模拟模型,是估测区域作物产量的重要方法之一。同化变量的选取对同化结果精度至关重要。本文在标定WOFOST作物模型参数的基础上,优化了WOFOST模型的默认灌溉参数。利用ET和LAI作为同化变量,分别构建了时间序列趋势信息的代价函数和四维变分代价函数;采用SCE-UA算法最小化代价函数, 重新初始化WOFOST模型初始参数——作物初始干物质重、作物35 ℃生命期和灌溉量。最后利用MODIS LAI产品(MCD15A3)、MODIS ET产品(MOD16A2),同化到作物模型估测产量,并对比分析了水分胁迫模式下同化单变量(ET或LAI)和同化双变量(ET和LAI)的估产精度。结果表明:同化双变量ET和LAI的策略,优于同化单变量LAI或ET,双变量策略的冬小麦产量估测精度为R2=0.432,RMSE=721 kg/hm2;单独同化高精度LAI对提高估产精度具有重要作用,其冬小麦产量估测精度为R2=0.408,RMSE=925 kg/hm2;单独同化ET的趋势信息改善了WOFOST模型模拟水分平衡的参数,但是,产量估测精度(R2=0.013,RMSE=1134 kg/hm2)与模型模拟估测产量精度(R2=0.006,RMSE=1210 kg/hm2)相比改善效果有限。本研究为其他区域的遥感数据与作物模型的双变量数据同化的作物产量估测研究提供了参考价值。 相似文献
2.
3.
在遥感影像计算机自动识别与分类中,选取最佳的波段子集对地物进行分类对提高分类精度至关重要。根据统计学原理,遥感影像中属于某类别地物的特征向量服从正态分布,训练样本的正态性检验是关键,基于此理论,本文利用TM影像数据,通过检验所选取的训练区的正态性与否,让计算机自动的选取最优的波段组合,并对分类的精度进行评估。研究表明,计算机自动选取最佳波段组合后对分类精度的预先评估,较常规分类后再进行数据检验精度评估方法方便,快捷,省时,省力。 相似文献
1