王勇[1]（2021）在《松嫩平原北部农作物土壤水分有效性模拟及干旱评估研究》文中提出干旱是我国农业生产所面临的最主要气象灾害,准确地评估农作物干旱发生的时空分布和严重程度,对农作物生长和粮食产量的改善具有重要意义。目前国内外学者针对农业干旱的评估,提出了多种干旱指数,可以归纳为根据站点气象数据和遥感监测数据的两大类干旱指数。但是,现阶段的农业干旱指数仍局限于通过站点降水、植被指数或单一的土壤水分等数据来评估。鉴于此,本研究以全球三大黑土区和中国的主要粮食产地松嫩平原北部作为研究区,系统分析了不同农作物类型、不同生长发育期,以及不同土壤质地、降水和气候条件下土壤水分有效性的阈值范围,在此基础上,结合表层和深层土壤湿度数据,提出了农作物水分盈亏量（Crop Loss and Surplus Water,CLSW）干旱指数,对研究区农作物干旱的时空分布和严重程度进行了定量分析,构建了区域范围农作物干旱情况的定量评估模式。本文的主要研究内容和结论如下:（1）表层土壤湿度数据的尺度转换方法研究,基于随机森林（Random Forest,RF）回归算法,利用MODIS光学遥感数据对SMAP微波遥感数据进行尺度转换,构建了针对微波遥感表层土壤湿度数据的尺度转换流程和方法,获得了高空间和时间分辨率的表层土壤湿度数据。研究结果表明,该转换方法不仅能获得高时空分辨率的表层土壤湿度数据,同时还能对表层土壤湿度数据的精度进行提升。（2）基于多特征参数集合的农作物分类方法研究,在传统的时序植被指数和农作物物候特征的参数集合的基础上,增加了时序的表层土壤湿度数据,构建了新的农作物分类特征参数集合。基于随机森林（RF）分类算法,分别将传统的和新构建的两个特征参数集合作为模型输入参数,分别提取了农作物种植区域。研究结果表明,新构建的农作物分类特征参数集合,提高农作物的分类精度,特别是水稻种植区域的提取精度。（3）基于数据同化的深层土壤湿度反演方法研究,根据陆面数据同化框架,构建了基于集合卡尔曼滤波算法（Ensemble Kalman Filter,En KF）和通用陆面过程模型（Community Land Model,CLM）的数据同化系统,对表层土壤湿度数据和实测站点不同深度的土壤湿度数据进行了同化,获得了0～200cm的土壤湿度数据。研究结果表明,同化高精度的表层土壤湿度数据和实则站点数据,可以进一步提高不同深度的土壤湿度数据精度。（4）基于土壤水分运移的农作物干旱评估方法研究,基于Hydrus-1D模型对玉米和大豆整个生长发育周期的根系吸收速率和土壤水分运移情况进行了模拟,获得了玉米和大豆不同生长阶段的土壤水分有效性阈值,再结合0～200cm深度土壤湿度数据,提出了新的农业干旱指数——农作物水分盈亏量（CLSW）,并对研究区的玉米和大豆的干旱时空分布和干旱程度进行了分析。研究结果表明,提出的农作物水分盈亏量（CLSW）具有较好的相关性和较高的精度,能够满足于区域农作物干旱评估。综上所述,本文在表层土壤湿度数据尺度转换、农作物种植区域提取、不同深度土壤湿度同化和土壤水分运移等模型和方法研究的基础上,提出了与农作物生长周期、土壤质地、降水等气候条件相结合的农业干旱指数——农作物水分盈亏量（CLSW）,构建了区域农作物生长阶段的干旱评估模式。对区域农作物生长和农业用水具有一定的指导作用,保障了粮食生产和粮食安全。同时,也推动了地理学研究理论和方法与水文和气象等多学科领域的交叉应用。
汤建栋[2]（2021）在《基于无人机遥感的玉米水分利用效率与生物量估算方法》文中指出水分利用效率和生物量是反映作物长势、预测产量及收益和评价农业生态状况的重要指标。为准确实时地获取青贮玉米水分利用效率和地上部干生物量,实现农业精准管理,本研究以2018和2019两年不同灌溉梯度处理的青贮玉米为研究对象,探讨无人机多光谱遥感平台结合作物水分利用效率模型估测青贮玉米水分利用效率和生物量的可行性。通过采集大田玉米生理、土壤、气象等数据,利用FAO-56指南提供的方法获取不同生育期玉米的基础作物系数kcb。玉米不同生育阶段的冠层植被指数则通过自主开发的无人机多光谱遥感平台获取,分析玉米基础作物kcb与不同植被指数的相关性,最终选取反演效果最好的归一化差值植被指数NDVI进行kcb反演模型的构建,并将基于无人机遥感变量kcb与实测的水分胁迫系数（ksw）、温度胁迫系数（kst）和参考蒸发蒸腾量（ET0）整合到水分利用效率参数模型中,从而获取WUE和WP*的当地校正值。最后,采用校正的WUE和WP*在不同水分处理下进行生物量估算并验证,从而获取不同处理区田块尺度上的生物量分布图。本文主要工作及结论如下:（1）利用实测田间实验数据,通过使用回归分析的方法研究了充分灌溉条件下的基础作物系数（kcb）与11种无人机植被指数（Vegetation Indices,VIs）的相关性,并建立kcb反演模型然后进行验证。结果表明:kcb与VIs的Person相关系数分布在0.5-0.96范围内,其中植被指数NDVI、SAVI、RDVI、OSAVI与基础作物系数kcb的Person相关系数都在0.9以上。通过对比分析,选取NDVI构建kcb反演模型,其建模数据集的R2和RMSE分别为0.90和0.08,模型外部验证结果为:R2和RMSE分别为0.96和0.06。结合反演模型和无人机影像获取的大田玉米kcb和实际蒸腾量时空分布对水分胁迫响应特征明显,存在较大程度水分胁迫的TRT4和TRT5处理区相应kcb和累积蒸腾量要明显低于其他水分状况较好的处理区。（2）采用线性拟合的方法,对基于无人机遥感计算的累积基础作物系数（kcb）和累积蒸腾量（kcb ET0）与地面实测玉米生物量进行分析获取不同的水分利用参数。结果表明:不同处理区的生物量与累积kcb和累积kcb ET0均有良好的线性相关性（p<0.001）。TRT1、TRT2和TRT4中生物量与累积蒸腾量（kcb ET0）拟合的决定系数R2分别为0.85、0.75和0.70。TRT1、TRT2和TRT4中生物量与累积作物系数（kcb）拟合的决定系数R2分别为0.84、0.80和0.59。在考虑两个胁迫因子ksw和kst时,TRT1、TRT2和TRT4中生物量与累积蒸腾量（kcb ET0）拟合的决定系数R2分别为0.84、0.92和0.89,对应的拟合水分利用效率WUE分别为7.6、6.8和7.6 Kg/m3;TRT1、TRT2和TRT4中生物量与累积作物系数（kcb）拟合的决定系数R2分别为0.86、0.92和0.89,对应的标准化水分利用效率WP*分别为35.9、31.9和35.3 g/m2。对于充分灌溉区TRT1是否加入胁迫因子,WUE和WP*决定系数R2基本没有变化,而对于水分胁迫处理区TRT2和TRT4,随着胁迫因子的加入,R2呈现增长的趋势。（3）采用基于无人机遥感获取的水分利用效率WUE和标准化水分利用效率WP*对相同灌溉处理下的玉米生物量进行估算验证。结果表明:基于2018-2019 WUE校正值计算的TRT1、TRT2和TR4处理区青贮玉米生物量估算值与实测值在整个生育期都有较高的相关性,三个处理区R2分别为0.83、0.95和0.82。其中,TRT1和TRT2处理区验证结果的均方根误差RMSE分别为330 g/m2和268.9 g/m2,NRMSE分别为17.7%和17.5%,表明基于水分利用效率模型估算的玉米生物量值具有很好的适用性。但是,随着水分胁迫的增加,验证精度存在降低的趋势,TRT4的RMSE和NRMSE为415.5g/m2和28.6%,误差较大。而基于2018-2019 WP*校正值计算的生物量值同样是在TRT1、TRT2处理区比在TR4处理区精度更高,但是整体生物量估算精度要比WUE表现要好。（4）使用TRT1、TRT2和TRT4处理区总体的拟合WUE和WP*校正值估算不同水分处理区生物量,以验证不同水分状况下WUE与WP*估测玉米生物量的适用性。结果表明:在TRT3处理区基于WUE估算生物量的RMSE和NRMSE分别为381.6g/m2和24.0%。在TRT5处理区基于WUE估算生物量的RMSE和NRMSE分别为349.2g/m2和为21.9%。而基于WP*校正值不论是在相同还是不同水分处理下的估算生物量都要比WUE的精度高。
马宗瀚[3]（2021）在《地块尺度蒸散模型研究》文中指出地表蒸散是农田生态系统中水资源耗散的重要形式。研究农田作物蒸散模型,是掌握作物耗水规律,提升灌溉效率与区域农业水资源管理效率的重要途径。现有的主流蒸散模型在地块尺度的应用受到可用数据限制、像元尺度效应等影响,数据表征能力和精度还有较大提升空间。针对地块尺度的地表参量特征,需要突破现有能量平衡蒸散模型对热红外遥感数据的需求,从蒸散机理出发开展高分辨率地块尺度蒸散模型研究,建立完整高精度的地块蒸散估算系统理论,增强农田水资源管理能力。本研究针对地块蒸散特性,从蒸散的影响机制出发,考察不同尺度下的蒸散变化驱动因子差异,结合地块尺度下的地表参量空间变异性,构建了两种地块蒸散监测模型。进行以下几项研究:（1）研究分析了地块尺度的气象要素及地表参量的空间异质性。结果显示气象因子在农田区域1公里像元尺度和亚像元尺度的空间分布差异性较低。在构建地块尺度蒸散模型时,可以忽略在公里尺度气象条件的差异性在代表地块蒸散差异性的分配因子中的影响。高分辨率遥感地表参数的空间变异性分析结果显示,不同遥感参数的空间变异性存在差异,归一化植被指数NDVI在植被、裸地混合像元区域的空间变异性较高,在植被覆盖度较高,非植被占比低的区域较低,地表反照率albedo的变异系数较低。地表含水量LSWI的变异系数高于NDVI与albedo,且在植被覆盖度较高,NDVI空间变异性较弱的区域依旧存在高变异系数,表明LSWI的空间分布更为复杂,其表征的地表含水状态在构建地块尺度蒸散模型,尤其是对地表含水量敏感的模型不能忽略。地表温度LST的变异系数较高,在没有直接获取高分辨率LST数据的前提下,基于LST的蒸散计算会引入较大的不确定性。（2）构建了不依赖于热红外地表温度的农田地块尺度蒸散估算模型。基于植被生理活动机制,利用导度模型耦合了植被光合作用固碳与蒸腾过程,采用哨兵2号卫星获取的高分辨率光学遥感数据与气象数据构建了不依赖于热红外地表温度的农田地块尺度蒸散估算模型。通过植被生理过程与环境变量的交互关系进行了蒸散机理揭示与模拟,能够用于研究气候变化背景下生态系统功能与植被碳水消耗策略等。基于植被生理特征和地表辐射条件,采用对日尺度的时间变化不敏感的NDVI与albedo作为模型的遥感输入数据,避免了多数模型的多尺度数据融合过程带来的不确定性。（3）地块蒸散分配算法。研究明确了在下垫面平坦的农田区域,导致地块尺度蒸散空间异质性的主要因素是不同地块的植被状况和土壤含水量,分别采用植被覆盖度与地表水分指数描述。基于对作物生理过程与地表含水量的数值模拟,采用哨兵2卫星波段10米分辨率数据发展了高分辨率的蒸散空间分配因子。模型在海河流域和黑河流域的验证结果较好。综合结果表明地块蒸散分配模型的精度能够与作为输入数据的蒸散产品保持一致并有所提升,在输入数据的精度有保证的前提下可以获取准确的地块蒸散结果。（4）地块尺度蒸散模型敏感性分析。针对耦合碳水过程的蒸散模型敏感性分析显示,蒸散对温度的变化最敏感,其次是二氧化碳浓度变化和植被可利用短波辐射变化。基于不同尺度的遥感源输入数据评价碳水耦合模型的计算结果精度差异进行了模型尺度效应评价,综合验证结果表明研究区的尺寸影响蒸散计算的尺度效应。模型机理对比证明碳水耦合模型适用于对单一植被区与裸地较差分布区域的蒸散估算,在应用到复杂地表时需要考虑不同植被类型的生理生态过程进行模型标定。地块蒸散分配模型能够满足对平坦区域复杂下垫面的蒸散空间尺度扩展需求,在应用到地表崎岖,海拔变化明显的区域需要对蒸散分配因子进行调整,增添对空间分布异质性的蒸散影响因子部分。
袁丽娜[4]（2021）在《基于ATI和TVDI模型改进的黄土高原土壤湿度反演阈值优化与模拟研究》文中研究说明土壤湿度是陆地表面水循环过程的关键参数,准确及时地获取区域时空连续的土壤湿度信息能更好地理解地表与大气之间能量与水分的交换过程,高时空分辨率的土壤湿度遥感反演为干旱洪涝灾害预警、气候预测、精准农业生产与灌溉管理提供数据基础,特别是位于干旱半干旱地区的黄土高原。目前应用光学热红外遥感数据在小区域尺度土壤湿度监测研究中建立了众多反演模型,但单独使用某一种模型进行土壤湿度的反演忽略了反演模型的适用范围且精度较低,也不适用于大尺度研究区土壤湿度遥感监测。本文针对获取大尺度区域较高时空分辨率土壤湿度数据的实际需要,首先在对温度植被干旱指数（TVDI）模型改进的基础上,提出了基于表观热惯量（ATI）和改进TVDI模型阈值优化的土壤湿度反演方法。然后,利用MODIS数据和土壤湿度站点观测数据为数据源,应用该方法反演了黄土高原2017年每8天500m×500m的土壤湿度,在此基础上,按照逐像元平均法合成黄土高原2017年月、季和年度土壤湿度。为了进一步提高土壤湿度覆盖度,并探究研究区土壤湿度时空变化特征及影响土壤湿度变化的要素特征,以模型反演得到的2017年月、季和年度土壤湿度为目标变量,建立了黄土高原土壤湿度多要素模拟模型。最后,对比研究了模型反演和多要素模拟的土壤湿度。取得的主要成果与结论如下:（1）改进的TVDI模型提高了土壤湿度反演精度。改进的TVDI即舍弃传统NDVI-LST特征空间中干扰干湿边计算的散点,通过引入并优化参与干湿边拟合的最小NDVI值（阈值NDVI0）使NDVI-LST特征空间更接近理论边界。黄土高原2017年每8天的干湿边拟合结果显示,与每期最高的干湿边拟合决定系数相对应的NDVI0都大于0。在迭代循环NDVI0计算TVDI反演土壤湿度的基础上,各期最终选择的最优NDVI0不固定且呈无规律波动变化,只有极少期（3/43期）的最优NDVI0为0。与传统TVDI值的计算相较,应用最优NDVI0使TVDI更好地表征土壤湿度变化机理,进而提高了TVDI模型反演土壤湿度的精度。（2）基于ATI和改进TVDI模型阈值优化方法反演了黄土高原土壤湿度。考虑到ATI和TVDI模型的适用范围,本文提出并应用了基于ATI和改进TVDI模型阈值优化的方法反演了黄土高原土壤湿度。研究结果表明,与对整个研究区应用单一模型反演土壤湿度相比,应用ATI和改进TVDI模型反演的土壤湿度值和站点土壤湿度观测值相关性最高且差值最小。通过对比分析三个子区参与合成各期土壤湿度的频率和相关系数均值大小发现,联合ATI和改进TVDI模型即ATI/TVDI子区使用频率（40/45期）和准确率（（?）高达0.82±0.007）高于其他两个单独应用ATI模型或TVDI模型的子区,说明联合模型反演土壤湿度优势明显,比单一模型适用性更强精度更高。在优化选择NDVI阈值方面,十次十折交叉建模验证的结果为NDVI阈值优化提供参考,确保了最优NDVI阈值的有效性和可靠性,从而提高了土壤湿度反演的准确性。（3）基于模型反演的土壤湿度,建立了黄土高原土壤湿度反演的多要素模拟模型。通过整理MODIS、地形、土壤和气象等多源数据并提取了34个候选变量,经过逐步多元回归变量筛选后模拟并验证了黄土高原2017年土壤湿度结果显示,多要素回归模拟的土壤湿度能达到较高的准确率且覆盖率明显提升（除了1月和2月）。其中,黄土高原2017年12月多要素模拟的土壤湿度精度验证的相关系数高达0.969（均方根误差RMSE=0.761%）。根据各期建立的多要素模拟土壤湿度模型可知,在34个候选变量中,数值变量降水、夜间温度,类别变量壤土、海拔高度为0-500m和2000-2500m的区域是显着且持续影响土壤湿度变化的变量。（4）基于多要素模拟模型揭示了黄土高原土壤湿度时空变化特征。在时间尺度上,黄土高原2017年平均土壤湿度月际变化呈现两个由升到降的变化周期。第一个周期为1-7月,其中,1-4月不断上升,4月达到峰值（13.98%）,4-7月波动下降;第二个周期为7-12月,其中,土壤湿度均值于7和8月迅速上升,8月达到全年的峰值（高达18.61%）,8-12月波动下降。与降水在季节内分布的规律一致,黄土高原土壤湿度季节特征明显,夏季和秋季的平均土壤湿度全年最高约为13.81%。在空间尺度上,黄土高原2017年土壤湿度变化自东南向西北呈明显递减趋势,与年总降水量、年均空气湿度、年均蒸散发量、昼夜温差和土壤质地的空间分布规律一致。整体来看,黄土高原西部、南部和东南部区域4至8月（春季和秋季）较其他区域更为湿润,黄土高原西北部的毛乌素沙漠地区全年较干旱,而研究区南部区域土壤湿度值全年较高。该论文有图52幅,表28个,参考文献229篇。
祝丹凤[5]（2021）在《基于无人机光谱遥感的棉花干旱胁迫状况监测》文中研究说明【目的】本试验以膜下滴灌棉花为研究对象,通过无人机搭载多光谱、热红外及可见光相机对干旱处理棉花叶片及土壤水分进行监测,构建基于无人机光谱遥感的棉花叶片及土壤水分反演模型。为快速获取大田尺度棉花旱情信息,及时掌握棉花水分状况提供技术方法,为农业遥感干旱监测提供理论依据。【方法】试验于2020年在新疆石河子乌兰乌苏农业气象试验站农田水分精准控制试验场进行。在棉花花铃期设置干旱胁迫处理,按照当地花铃期平均灌溉量的90%（T90）、70%（T70）、50%（T50）、30%（T30）和对照100%（CK）设5个水分梯度处理。通过对干旱处理棉花干物质积累、株高、光合参数、SPAD、叶面积指数、叶片及根域土壤水分等进行连续采样,同步获取无人机光谱遥感影像,探究干旱胁迫对棉花生长发育的影响,并通过无人机光谱数据和棉花叶片及土壤水分的相关性关系,筛选出对水分最敏感的遥感参数,构建基于无人机光谱遥感的棉花叶片及根域土壤水分无损估测模型,并对各模型进行精度验证。【结果】1)花铃期水分供应不足会导致棉花茎、叶、铃生长减缓,株高增长受抑,叶片光合能力下降,SPAD降低,使叶片萎蔫,造成叶面积指数（LAI）下降,且各处理间呈现CK>T90>T70>T50>T30的规律。出苗后72-105d,T30、T50、T70、T90和CK处理蕾铃干物质增长量分别为10.04g、15.41g、21.33g、24.64g和28.81g,净光合速率Pn分别降低了80%、59%、45%、25%和7%;出苗后77-113d,T30、T50、T70、T90和CK处理LAI变化幅度分别为-1.60、-1.22、-0.85、-0.56和0.61。干旱胁迫处理显着降低植株叶片含水量（LWC）和土壤相对含水量（RSWC）,随着干旱胁迫时间的延长,棉花叶片水分含量与土壤水分状况的表现规律越一致。2)利用无人机获取干旱胁迫棉花冠层光谱特征,并与叶片和土壤水分进行相关性分析。多光谱450nm、550nm和685nm的光谱反射率、冠层温度（Tc）与LWC和0-50cm根域各土层RSWC均呈负相关,而725nm、850nm、905nm的光谱反射率与LWC及不同土层RSWC呈正相关。冠层温度与LWC具有极强相关性,皮尔森相关系数达-0.752,且冠层温度与各土层RSWC呈显着或极显着负相关,相关系数在-0.535～-0.743之间。各波段和冠层温度对0-50cm根域RSWC的相关系数由浅到深表现为先升高后降低的趋势,且与20-30cm、30-40cm的RSWC相关系数最高,分别达到-0.743和-0.725。结果表明,冠层温度对20-30cm、30-40cm土层RSWC预测能力最强。3)将筛选的植被指数（VIs）、植被供水指数（VSWI）分别与LWC和RSWC进行相关性分析,结果表明,植被指数和VSWI与LWC和RSWC均呈正相关关系,与LWC相关系数达0.79以上的植被指数有DVI1、DVI2、NDVI1、NDVI2和MTCI1,其中DVI1与LWC相关系数最高为0.863。与LWC相关系数在0.8以上的植被供水指数有VSWI＿DVI1、VSWI＿DVI2、VSWI＿NDVI1、VSWI＿NDVI2和VSWI＿MTCI1,其中VSWI＿DVI1与LWC相关系数最高为0.887。结果表明,与植被指数相比,植被供水指数与LWC的相关性明显增强,相关系数提升了1%-16%。4)与各土层RSWC均呈显着或极显着相关的植被指数有MTCI1、MTCI2、DVI1、DVI2,其中MTCI2与20-30cm、30-40cm土壤水分含量相关系数最高,分别达0.837和0.890。与各土层RSWC均呈显着或极显着相关的植被供水指数有VSWI＿MTCI1、VSWI＿MTCI2、VSWI＿DVI1、VSWI＿DVI2、VSWI＿NDVI1和VSWI＿NDVI2,其中VSWI＿MTCI2与20-30cm、30-40cm土壤水分含量相关系数最高,分别达0.886和0.894。随着土壤深度的增加,植被指数和植被供水指数与根域RSWC的相关系数呈先升高后降低的趋势,且与20-30cm和30-40cm土层相关系数最高。除VSWI＿DVI1比DVI1略有降低外,其他植被供水指数与RSWC的皮尔森相关系数与植被指数相比均得到提高。结果表明,植被供水指数对棉田RSWC的预测能力优于植被指数。5)基于多光谱和热红外光谱数据构建的植被供水指数模型,能更好的估测棉花叶片及土壤水分。植被供水指数模型的估测精度和稳定性显着优于多光谱单波段、植被指数以及冠层温度模型,对棉花LWC、20-30cm和30-40cm根域RSWC具有更高的反演能力,基于无人机光谱水分敏感参数的棉花叶片及土壤水分反演模型中,拟合效果最优的均为植被供水指数的多项式模型,其R2均大于0.794。
王雨晴[6]（2021）在《气候与地形因子对浑善达克沙地ANPP的影响 ——以多伦县为例》文中提出气候变化已成为当今世界重要的环境问题之一,它对生态环境和社会经济具有一定的影响。温度、降水和风速等气候要素对不同地形植被生产力的影响不同。本文以多伦县为研究对象,使用深度学习方法模拟了研究区地形要素对生态环境因子（水和热）状况空间分布的影响,并通过数学模型分析了不同气候变化情景对地上净初级生产力（ANPP）的影响。详细研究方法为:（i）通过Mann-Kendall统计检验和小波分析等方法分析了研究区1980-2019年生长季气温、降水和干旱程度（基于标准化降水指数,SPI）的变化趋势和周期性特征。（ii）通过回归分析、趋势分析和稳定性分析等方法,分析了研究区2001-2019年通过MODIS遥感数据获取的地表温度（LST）和土壤湿度（使用温度-植被干旱指数（TVDI）进行反演获得）的空间变化趋势和稳定性,并利用自然间断点分级划分方法分析了LST和TVDI在区域的空间变化规律。（iii）通过深度学习方法分别模拟了研究区LST和TVDI的空间分布与气象站点的空气温度和土壤湿度及研究区地形因子的关系。（iv）基于前述深度学习建立的模型,通过CASA模型分析了不同气候（气温和降水）变化情景模式下研究区生长季的ANPP的变化情况。主要研究结论如下:（1）研究区多年生长季温度、降水和干旱气候变化特征。气温以0.042℃/a的速率显着上升（r=0.685）,其中1980-2000年线性倾向率是2001-2019年的2倍,这表明该区域温度升高有减缓的趋势。降水量在1980-2019年总体呈下降趋势（-0.2884mm/a）。但这一趋势呈波动变化,降水量在1980-2000年呈上升趋势（4.783mm/a）,在2000和2001年急剧下降,而后从2001-2019年起又呈上升趋势（2.284mm/a）。相应地,研究区总体呈干旱化趋势（SPI指数倾向率-0.0038/a）。1980-2000年干旱减轻（SPI指数倾向率0.074/a）,2001发生极严重干旱,此后湿润度又呈增加趋势（SPI指数倾向率0.037/a）。温度、降水和SPI随年份变化并不是呈简单的线性变化,在不同时段其变化趋势具有一定差异,尤其降水和SPI时段差异性较大。在对气温、降水和干旱程度分析时,应考虑时间尺度问题,时间尺度的不同会产生不同结果。（2）LST和TVDI空间变化特征。基于2001-2019年MODIS遥感卫星数据,LST在29.05℃≤LST<30.60℃时面积占比最大,占总面积的66.66%。在2001-2019年,低温（23.05℃≤LST<27.65℃）区和次低温（27.65℃≤LST<29.05℃）区面积有扩大趋势;中温（29.05℃≤LST<29.89℃）区、次高温（29.89℃≤LST<30.60℃）区及高温（30.60℃≤LST<31.24℃）区面积有缩小趋势。TVDI指数对土壤湿度有很好的反演效果。研究区土壤湿度主要以正常状态为主（占总面积的50.48%）。区域土壤湿度状态有向湿润方向变化的趋势,土壤湿度为正常和湿润状态的面积有扩大的趋势,而干旱状态的面积有缩小的趋势。（3）深度学习方法模拟研究区生长季LST空间变化时模拟值和实测值决定系数（R2）达0.8125,平均绝对误差（MAE）为0.53℃,均方误差（MSE）为0.46℃。研究发现,影响LST空间分布的主要因子有气象站点温度、NDVI、海拔、太阳辐射、地表反射率、坡度和坡向,其特征重要度分别为0.58、0.238、0.134、0.014、0.013、0.01和0.008。在其它因子一定时,生长季LST是气温的1.7倍。随着NDVI增加,LST下降,这表明植被覆盖度对LST具有一定的调节作用。LST随海拔和坡度的增加呈先增加后减小的变化趋势,其变化幅度较小;在东、东南和南坡向的LST较高,北、西北和西坡向的LST较低,随着温度的升高,海拔、坡度和坡向的LST呈增加的趋势。（4）深度学习方法模拟TVDI时,MAE为0.06,MSE为0.01和R2为0.7765。通过定量海拔、NDVI,地表反射率等因素,进而分析LST与TVDI的变化关系。研究结果表明:在生长季,随LST的增加,土壤湿度呈减小趋势,这可能会导致区域缺水或干旱的发生。TVDI随降水的增加呈减小趋势,即降水量越大,土壤含水量越高。TVDI随海拔的升高呈先增加后减小的变化趋势,即土壤湿度呈先减小后增加的变化趋势。（5）深度学习方法模拟GDD时,MAE为23.8℃、MSE为883.22℃和R2为0.9217,GDD随温度的升高呈增加趋势,随着海拔和坡度的增加GDD呈先增加后减小的变化趋势,变化幅度较小;在东、东南和南坡向的GDD较高,北、西北和西坡向的GDD较低。随着温度的升高,海拔、坡度和坡向的GDD也呈增加的趋势。（6）地上生产力受水热共同因素的影响,本文发现温度和降水的增加对ANPP有积极作用。不同水热情景下,随海拔的升高,ANPP均呈增加趋势随坡度增加呈先减小后增加的变化趋势;北和西北坡向的ANPP较高,在西和东南坡向上ANPP较低。本文系统分析了研究区时间尺度和空间尺度下水热变化特征,并分析了气候变化对不同地形地上净初级生产力的影响,克服了遥感方法只能监测当前生态环境因子的局限,使研究不同地形条件下生态环境因子对气候变化的响应成为可能。研究结果可为气候变化下研究区生态环境保护提供理论参考、对区域可持续发展具有重要意义。
程江涛[7]（2021）在《湖南林地旱灾风险预警研究》文中研究说明气候变化背景下,极端气候事件频发,林地旱灾是制约区域林业发展的影响因素之一。林地旱灾风险预警是在旱灾来临之前,事先预测旱情信息,对提前采取预防措施、合理配置应急资源提供技术支撑,减少因林地旱灾带来的森林资源损失。目前,对林地旱灾的监测研究很多,而林地旱灾预警方面的研究甚少。对过去和现在的监测结果进行分析,可得到影响旱灾风险的关键因子,但无法对未来的旱情进行预警,导致错失了防范旱灾的关键时间点。研究基于温度植被干旱指数（TVDI）干旱监测模型,从2009-2019年11年间湖南省的干旱发生情况中分析了影响旱灾风险的关键因子,并将这些因子作为自变量,以反演的TVDI作为目标变量,利用PSO-BP算法构建林地旱灾风险预警模型,并以湖南省为研究区进行了评价和分析。本文的主要研究结果如下:（1）基于TVDI干旱监测模型监测了 2009-2019年湖南省的旱灾风险情况,通过分析TVDI值的大小,可清晰地反映出研究区域内的干旱分布情况。整体的干旱情况分析结果表明,湖南省旱情较为严重的区域多分布在湘南地区（永州、衡阳、邵阳和郴州）和湘中的局部地区。湘西（怀化、湘西土家苗族自治区、张家界）和湘北（湘潭、娄底、益阳和岳阳）地区发生旱灾的程度较低。旱灾发生时的季节性因素分析结果暗示,旱灾主要发生在春季和秋季,表明湖南省的春旱和秋旱发生较多。（2）结合数据挖掘技术随机提取了 10394个旱灾发生时所有旱灾风险因子的值,并统计分析出各因子（地形地貌、降雨量、植被类型分布、连续无雨日）与林地旱灾频次的相关性。结果表明,在地形地貌方面,林地旱灾主要分布在海拔0～300m、坡度低于25°的区域,且西和东南向地区易发生旱灾;在气候方面,旱灾集中在日降雨量低于50mm且连续无雨日大于10的区域;在植被类型方面,旱灾集中在针叶林、栽培植物林以及灌丛区域。（3）基于PSO-BP机器学习方法,构建了林地旱灾风险预警模型,实现了林地旱灾风险的实时预警。林地旱灾主要与地表温度、植被指数、地形地貌、降雨量等因素有密切的关系。NDVI可以反映旱灾对植被生长状态的影响,LST可以反映地温对旱灾风险的响应,降雨量（JYL）与旱灾风险存在直接关系,连续无雨日可以反映无雨日长短与旱灾风险的关系,旱灾的发生与高程、坡度、坡向之间也存在不同程度的关系。利用遥感技术对林地旱灾进行风险预警具有高时效性,旱灾是多因子耦合的结果,考虑到遥感数据提取旱灾风险因子的可获得性,选择NDVI、LST、高程、坡度、坡向、植被类型空间分布、降雨量、连续无雨日等因子作为林地旱灾风险预警模型的自变量,用TVDI的值来反映旱灾风险程度。研究基于PSO-BP机器学习方法,构建了林地旱灾风险预警模型,实现了林地旱灾风险的实时预警。（4）模型以2009-2019年10月2日之前的数据作为训练集,2019年10月2日到4日的数据作为测试集,预测10月2日到4日的林地旱灾风险情况,为了验证模型的精度与旱灾风险预警能力,将模型的结果与真实的TVDI数据做精度检验,相关系数R基本都达到了 0.9以上,均方误差MSE都在0.1以内,平均相对误差MRE平均为4.49%,可见模型的结果与真实值基本都在一个等级区间内,模型精度较高。（5）利用该模型对湖南省林地旱灾风险进行实证研究,根据实测结果发现,旱灾发生的地点集中在永州市、郴州市以及株洲市的南部区域,湘西小部分区域也有些许旱情,其余区域都较为适宜,尤其是张家界市与常德市经历了连续的降雨,整体偏湿润;10月4日是旱情最为严重的时期,但在10月2日已经有了干旱的苗头,且由于连续无雨日过长,干旱情况将持续加重;到了 10月3日,干旱情况已经非常严峻,湘南等地区出现大面积干旱,直到10月4日,干旱情况再次加重,与预测结果吻合。如果前期能及早预警到该旱灾,将会把森林资源损失降到最小。目前大部分研究主要集中在林地旱灾监测方向,而对林地旱灾预警方向的研究甚少,林地旱灾监测可以反映过去和现在的干旱空间分布情况,但无法对未来的旱情进行预警,从而错失防范旱灾的关键时间点。对林地旱灾风险预警,,可明显有效地减少林地旱灾带来的森林资源损失,对于我国森林可持续发展具有重要意义。
梁顺林,白瑞,陈晓娜,程洁,范闻捷,何涛,贾坤,江波,蒋玲梅,焦子锑,刘元波,倪文俭,邱凤,宋柳霖,孙林,唐伯惠,闻建光,吴桂平,谢东辉,姚云军,袁文平,张永光,张玉珍,张云腾,张晓通,赵天杰,赵祥[8]（2020）在《2019年中国陆表定量遥感发展综述》文中指出为了更好地了解中国定量遥感的发展态势和加强同行之间的信息交流,根据中国学者2019年发表的SCI检索论文和部分中文论文,对陆表定量遥感的核心进展进行了总结,涉及数据预处理（云及其阴影识别,大气与地形校正）、陆表辐射传输建模、不同变量的反演方法、产品生产评价与精度验证,以及相关应用等内容。陆表变量产品较多,本文概要介绍了反射率、下行太阳辐射、反照率、地表温度、长波辐射、总净辐射、荧光遥感、植被生化参数、叶面积指数、光合有效辐射比、植被覆盖度、森林高度、森林生物量、植被生产力、土壤水分、雪水当量、雪盖、蒸散发、地表与地下水量等最新进展,也一并介绍了2019年与定量遥感相关的科研项目、学术交流会与暑假培训班等内容。
潘海珠[9]（2020）在《基于作物多模型遥感数据同化的区域冬小麦生长模拟研究》文中研究说明利用数据同化的方法融合作物模型和遥感数据,为解决区域作物生长模拟提供了可行和有效手段。目前作物模型与遥感数据同化系统大多基于单一作物模型,模型结构的误差存在被低估的问题,导致同化结果的不确定及在不同区域的适用性较差。因此,本研究结合数据同化方法和多模型集合预报方法发展多模型数据同化方法,并将其用于构建作物多模型与遥感数据同化系统,以提高区域作物生长模拟和估产的精度及稳健性。本研究从同化变量LAI遥感反演、不同作物模型的比较、多模型数据同化算法开发、作物多模型与遥感数据同化方案的构建及其在区域冬小麦生长模拟和估产的应用等方面展开深入研究和讨论。主要的研究结论包括:（1）研究利用Landsat-7 ETM+、Landsat-8 OLI和Sentinel-2 MSI数据,结合EVI时序数据变化特征,使用循环神经网络方法LSTM实现了冬小麦的自动识别,识别总体精度为93.67%,Kappa系数为0.82。利用PROSAIL辐射传输模型和人工神经网络方法,建立了冬小麦LAI反演模型,实现了区域冬小麦LAI反演,经过地面实测数据的验证,LAI反演结果的RMSE为0.45和RRMSE分别10.54%,表明反演结果满足区域冬小麦同化研究的需求。（2）研究选取3种作物模型:SAFY-WB、WOFOST和CERES-Wheat模型,进行冬小麦生长模拟,利用EFAST和GLUE分别对各模型参数进行敏感性分析和不确定性分析。然后输入模型“本地化”参数,比较不同作物模型对冬小麦LAI和产量模拟结果的不确定性。结果表明,CERES-Wheat模型在开花期至成熟期LAI模拟的不确定性较大,3种作物模型在捕捉LAI的峰值存在明显的差异;CERES-Wheat和WOFOST对产量模拟的不确定性低于SAFY-WB。经参数标定后,都获取了较准确的LAI和产量模拟结果,证明这3种作物模型在冬小麦生长模拟和估产中的可行性。（3）发展2种多模型数据同化方法4DVar+BMA和EnKF+BMA。在单点尺度上,以地面观测冬小麦LAI和产量为验证,讨论和分析多模型数据方法在冬小麦生长模拟和估产的可行性及参数设置。研究结果表明,基于多模型数据同化方法的冬小麦LAI和单产同化结果优于单一模型的同化结果,4DVar+BMA和EnKF+BMA方法获取的冬小麦LAI的RMSE分别为0.35和0.33,RRMSE分别为9.94%和9.36%;冬小麦单产模拟结果的RMSE分别为332 kg/ha和301 kg/ha,RRMSE分别为4.22%和3.93%。单点尺度试验表明,基于4DVar+BMA和EnKF+BMA方法的作物多模型数据同化方案在冬小麦生长模拟和估产中具有可行性和有效性。（4）研究基于EnKF+BMA多模型同化方案进行了区域冬小麦生长模拟和估产,利用地面观测LAI和官方统计产量数据进行验证,冬小麦LAI模拟值的RMSE为0.22,RRMSE为4.88%,各县市产量模拟值的RE均小于12%,全市RE为5%。研究还发现,同化冬小麦关键生育期（如抽穗期和开花期）的遥感观测即可明显提高模型模拟精度;同化空间分辨率越低的遥感观测数据,模拟精度也降低,但计算效率大幅提高。因此,在实际应用时,需选择合理时空分辨率的遥感观测,以满足区域作物生长监测和估产的需求。
王伟[10]（2020）在《基于多源遥感数据的海河流域植被生态用水时空变化规律研究及生态脆弱性评价》文中指出水资源利用与生态环境相协调是实现海河流域可持续发展的核心问题。本文针对水资源过度利用和生态系统脆弱性的问题,分析了海河流域的气象、水文、土壤以及水资源利用和长时间序列上土地利用变化的格局变化特征;基于遥感-生态水文耦合的模型方法,优化了生态系统用水模型和生态脆弱性评估模型;并在现有多源遥感数据产品和相关辅助数据的基础上,获得了生态用水模型和生态脆弱性评估模型输入参量,分析了不同类型的土地利用模式对生态耗水量的影响;研究了海河流域水资源约束下的生态脆弱性评估方法,并分析了时间序列的脆弱区域变化特征,探讨了植被生态用水与生态脆弱性的关系。论文取得的主要成果如下:（1）研究了海河流域土地利用的变化规律。海河流域土地利用类型中变化最为明显的是耕地,其次为草地、湿地和其他类型生态系统。2005、2010和2015年的耕地面积分别占比46%,42%和35%。减少的耕地面积主要转化为林地和人工表面。草地、湿地和其他生态系统类型也呈现较明显的变化。（2）基于多源遥感数据产品和相关辅助数据构建和优化了流域植被生态用水模型和生态脆弱性评估模型,实现了长时间序列的海河流域植被生态用水模拟和生态脆弱性评估。（3）优化遥感和非遥感数据,满足生态用水和生态脆弱性评估模型输入要求。针对生态用水模型和生态脆弱性评估模型的需要,选择和优化了MODIS、TRMM等遥感数据和其他辅助数据,得到了时间序列的空间数据集。（4）模拟了时间序列的海河流域植被用水状况,揭示了海河流域植被生态用水时空变化规律。研究结果表明,海河流域植被生态用水量整体上呈持续增大趋势,城市区域表现尤为明显;气温和降水的变化会对海河流域植被生态用水持续增大产生影响,但并不是最主要的原因;土地利用类型的差异是引起海河流域植被生态用水量时空差异的主要原因,耕地的耗水量最为明显;在月尺度上,降水量和植被覆盖度与植被生态用水量之间都表现为正相关关系,但是他们与植被生态用水的相关趋势有所不同,具体为:植被覆盖度的变化与植被生态用水的变化之间表现为高度线性正相关（实验数据拟合公式为y=0.3115x+0.919,R2=0.9677）,而降水量与植被生态用水之间的变化趋势更接近指数（y=2.0141e0.0193x,R2=0.6949）。（5）建立了海河流域生态脆弱性评估模型,并开展了海河流域生态脆弱性评价。结果显示,海河流域的生态脆弱性整体呈现出从东南向西北逐渐增强的趋势,西北部山区地带生态脆弱性等级高于东南部的平原及沿海地区。2005年微度和轻度脆弱性占比约为52%,中度、重度以及极重度脆弱性占比约为48%,2010年生态脆弱性等级全流域小幅升高,中度、重度以及极重度脆弱性占比上升了3%,约为51%,2015年生态环境改善明显,脆弱性等级整体明显下降,中度、重度以及极重度脆弱性占比约为40%。（6）探讨了植被生态用水对海河流域的生态脆弱性的影响。植被生态用水在海河流域的生态脆弱性评价中具有重要意义,二者之间呈现负相关关系的区域占海河流域总面积的86%,整体表现为负相关。加入植被生态用水后,生态脆弱性评价结果整体等级小幅度升高,主要集中在中度等级增多,2005年中度脆弱增加2%,极度脆弱增加约1%,2010年中度脆弱增加4%,重度脆弱增加约1%,2015年中度脆弱增加2%。该论文有图71幅,表25个,参考文献160篇。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 表层土壤湿度尺度转换研究现状 |
| 1.2.2 农作物种植区域提取研究现状 |
| 1.2.3 深层土壤湿度数据反演研究现状 |
| 1.2.4 农作物对土壤水分响应机制研究现状 |
| 1.2.5 农作物干旱评估研究现状 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 1.5 论文组织结构 |
| 第2章 研究区域与数据准备 |
| 2.1 引言 |
| 2.2 研究区概况 |
| 2.3 数据收集 |
| 2.4 数据预处理 |
| 2.4.1 MODIS数据预处理 |
| 2.4.2 SMAP数据预处理 |
| 2.4.3 MODIS植被指数计算 |
| 2.5 小结 |
| 第3章 表层土壤湿度数据尺度转换 |
| 3.1 引言 |
| 3.2 表层土壤湿度数据尺度转换理论与方法 |
| 3.2.1 随机森林算法 |
| 3.2.2 基于全局回归的土壤湿度关系模型 |
| 3.2.3 表层土壤湿度数据尺度转换最优特征参数提取方法 |
| 3.2.4 SMAP表层土壤湿度数据尺度转换方法 |
| 3.3 实验结果精度对比分析 |
| 3.3.1 表层土壤湿度尺度转换结果 |
| 3.3.2 表层土壤湿度尺度转换前后精度对比 |
| 3.4 讨论 |
| 3.5 小结 |
| 第4章 基于多特征参数集合的农作物分类 |
| 4.1 引言 |
| 4.2 基于多特征参数集合的农作物分类理论与方法 |
| 4.2.1 非对称高斯函数拟合方法 |
| 4.2.2 农作物物候特征参数提取 |
| 4.2.3 农作物特征参数差异性分析 |
| 4.2.4 基于多特征参数集合的农作物分类与调优方法 |
| 4.3 实验结果精度对比分析 |
| 4.4 讨论 |
| 4.5 小结 |
| 第5章 基于数据同化的深层土壤湿度反演 |
| 5.1 引言 |
| 5.2 基于数据同化的深层土壤湿度反演理论与方法 |
| 5.2.1 CLM陆面过程模型 |
| 5.2.2 集合卡尔曼滤波(En KF)算法 |
| 5.2.3 基于En KF和 CLM的数据同化系统 |
| 5.2.4 制备地表参数输入 |
| 5.2.5 CLDAS大气驱动数据输入 |
| 5.3 实验结果精度与对比分析 |
| 5.4 讨论 |
| 5.5 小结 |
| 第6章 基于土壤水分运移的农作物干旱评估 |
| 6.1 引言 |
| 6.2 基于土壤水分运移模型的农作物干旱评估理论与方法 |
| 6.2.1 土壤水分运移理论 |
| 6.2.2 农作物亏盈水量(CLSW)干旱指数计算方法 |
| 6.2.3 基于Hydrus-1D的农作物土壤水分有效性阈值计算方法 |
| 6.2.4 Hydrus-1D土壤水分运移模型验证与模拟过程 |
| 6.3 实验结果精度与对比分析 |
| 6.3.1 农作物土壤水分有效性阈值计算结果 |
| 6.3.2 农作物水分盈亏量(CLSW)精度验证与对比 |
| 6.3.3 干旱发生频率分析 |
| 6.3.4 生长周期农作物水分盈亏量变化情况分析 |
| 6.3.5 农作物站点干旱情况分析 |
| 6.4 讨论 |
| 6.5 小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研项目 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 基于遥感技术的作物水分利用效率和生物量估算研究进展 |
| 1.2.1 基于遥感技术的作物水分利用效率估算方法 |
| 1.2.2 基于无人机遥感的作物生物量估算方法 |
| 1.3 存在的问题 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文组织结构 |
| 第二章 实验方案设计与数据采集分析 |
| 2.1 研究区概况 |
| 2.1.1 实验地概况 |
| 2.1.2 实验设计 |
| 2.2 农学参数测定 |
| 2.3 无人机遥感数据采集 |
| 2.3.1 无人机多光谱影像遥感系统 |
| 2.3.2 无人机遥感影像获取方法 |
| 2.3.3 植被指数选取及计算 |
| 2.4 基于水分利用效率的作物生物量估算模型 |
| 2.4.1 水分利用效率与玉米生物量算法的构建 |
| 2.4.2 水分利用效率模型参数获取方法 |
| 2.5 精度评价及方法验证 |
| 2.6 本章小结 |
| 第三章 水分利用效率模型关键参数估算研究 |
| 3.1 青贮玉米kcb反演模型构建 |
| 3.1.1 植被指数与kcb相关性分析及精度验证 |
| 3.1.2 基础作物系数kcb时空分布特征 |
| 3.2 水分利用效率模型胁迫因子变化特征 |
| 3.3 大田玉米蒸腾量空间分布特征 |
| 3.4 本章小结 |
| 第四章 基于无人机遥感的青贮玉米水分利用效率估算研究 |
| 4.1 基于无人机遥感的水分利用效率(WUE)估测 |
| 4.1.1 不同水分处理下的WUE本地校正 |
| 4.1.2 基于无人机遥感的WUE空间分布特征 |
| 4.2 基于无人机遥感的标准化水分生产力(WP*)估测 |
| 4.2.1 不同水分处理下的WP*本地校正 |
| 4.3 本章小结 |
| 第五章 基于不同水分利用效率参数的青贮玉米生物量估测研究 |
| 5.1 基于水分利用效率(WUE)的玉米生物量估测 |
| 5.2 基于标准化水分利用效率(WP*)的玉米生物量估测 |
| 5.3 不同水分处理下的玉米生物量空间分布特征 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 地块尺度蒸散研究意义 |
| 1.2 研究目标与内容 |
| 1.3 论文结构 |
| 第2章 地块尺度蒸散模型研究理论背景与面临问题 |
| 2.1 蒸散基本原理与概念 |
| 2.2 蒸散遥感模型研究进展 |
| 2.2.1 基于气象数据与植被指数的经验关系模型 |
| 2.2.2 基于热红外遥感的地表能量平衡余项法模型 |
| 2.2.3 基于导度的PM公式模型 |
| 2.3 地块尺度蒸散模型研究进展 |
| 2.4 当前研究面临的问题 |
| 第3章 研究区及数据介绍 |
| 3.1 研究区与观测站点介绍 |
| 3.1.1 海河流域馆陶与怀来研究区 |
| 3.1.2 黑河流域大满站研究区 |
| 3.2 地面观测数据获取与处理 |
| 3.2.1 站点气象数据处理 |
| 3.2.2 涡动相关观测数据处理 |
| 3.3 遥感数据获取与处理 |
| 3.3.1 ETWatch数据 |
| 3.3.2 遥感数据处理方法 |
| 3.3.3 中低分辨率产品数据 |
| 3.4 其他辅助数据 |
| 第4章 地块尺度参量空间异质性研究 |
| 4.1 引言 |
| 4.2 气象因子空间异质性 |
| 4.3 遥感数据空间异质性 |
| 4.4 本章小结 |
| 第5章 耦合植被碳水过程的地块尺度蒸散模型研究 |
| 5.1 引言 |
| 5.2 耦合植被碳水过程的蒸散方法 |
| 5.2.1 地表辐射计算方法 |
| 5.2.2 总初级生产力估算方法 |
| 5.2.3 冠层导度估算方法 |
| 5.2.4 蒸散计算方法 |
| 5.3 模型计算结果 |
| 5.3.1 遥感数据时间重建结果 |
| 5.3.2 总初级生产力估算结果 |
| 5.3.3 蒸散估算结果 |
| 5.4 本章小结 |
| 第6章 地块蒸散空间分配模型研究 |
| 6.1 引言 |
| 6.2 地块尺度蒸散分配方法 |
| 6.3 模型结果分析 |
| 6.3.1 地块分配因子 |
| 6.3.2 蒸散分配结果 |
| 6.3.3 基于不同输入数据的地块蒸散分配结果评价 |
| 6.3.4 地块分配算法与像元降尺度算法结果对比 |
| 6.4 本章小结 |
| 第7章 地块尺度蒸散模型评价 |
| 7.1 引言 |
| 7.2 耦合植被碳水过程的蒸散模型评价 |
| 7.2.1 敏感性分析 |
| 7.2.2 模型尺度效应评价 |
| 7.3 模型机理对比 |
| 7.4 模型展望 |
| 7.5 本章小结 |
| 第8章 总结展望 |
| 8.1 结论 |
| 8.2 创新性讨论 |
| 8.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状分析 |
| 1.4 研究方案 |
| 1.5 本章小结 |
| 2 研究区概况与数据 |
| 2.1 研究区概况 |
| 2.2 研究数据来源与处理 |
| 2.3 本章小结 |
| 3 ATI和 TVDI反演土壤湿度的原理与模型改进 |
| 3.1 ATI反演土壤湿度的原理 |
| 3.2 TVDI反演土壤湿度的原理 |
| 3.3 TVDI反演土壤湿度的模型改进 |
| 3.4 本章小结 |
| 4 ATI和改进TVDI反演土壤湿度的NDVI阈值优化 |
| 4.1 基于NDVI阈值分区反演土壤湿度 |
| 4.2 基于交叉验证结果优化NDVI阈值 |
| 4.3 基于最优NDVI阈值反演土壤湿度 |
| 4.4 本章小结 |
| 5 基于ATI和改进TVDI的黄土高原土壤湿度反演 |
| 5.1 黄土高原土壤湿度反演最优NDVI阈值 |
| 5.2 黄土高原土壤湿度反演结果 |
| 5.3 黄土高原土壤湿度反演精度验证 |
| 5.4 本章小结 |
| 6 黄土高原土壤湿度反演的多要素模拟 |
| 6.1 黄土高原土壤湿度多要素模拟模型的建立 |
| 6.2 黄土高原土壤湿度多要素模拟结果 |
| 6.3 黄土高原土壤湿度多要素模拟与模型反演结果对比 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 叶片水分遥感监测研究进展 |
| 1.2.2 基于无人机遥感的土壤水分监测研究进展 |
| 1.3 研究目标、内容及技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 材料与方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 测定项目及方法 |
| 2.3.1 无人机多光谱及热成像数据的获取 |
| 2.3.2 棉花干物质量及株高 |
| 2.3.3 棉花叶片光合指标 |
| 2.3.4 棉花叶面积指数 |
| 2.3.5 棉花功能叶SPAD值 |
| 2.3.6 棉花叶片含水量 |
| 2.3.7 土壤相对含水量 |
| 2.4 数据处理与分析 |
| 2.4.1 多光谱图像的预处理 |
| 2.4.2 热红外影像的温度提取 |
| 2.4.3 植被指数的选取 |
| 2.4.4 植被供水指数的构建 |
| 2.5 模型的构建与检验 |
| 第三章 干旱胁迫对棉花生长及土壤水分的影响 |
| 3.1 棉花干物质积累和株高变化 |
| 3.2 光合参数 |
| 3.3 SPAD与叶面积指数 |
| 3.4 叶片含水量(LWC) |
| 3.5 土壤相对含水量(RSWC) |
| 3.6 小结与讨论 |
| 第四章 无人机光谱数据与棉花叶片及土壤水分的相关性分析 |
| 4.1 多光谱及热红外光谱数据与棉花水分的相关性分析 |
| 4.1.1 波段反射率及冠层温度(Tc)与棉花水分的相关性关系 |
| 4.1.2 植被指数(VIs)与棉花水分的相关性关系 |
| 4.2 植被供水指数与水分的相关性分析 |
| 4.3 小结与讨论 |
| 第五章 基于光谱数据的棉花叶片及土壤水分反演模型构建 |
| 5.1 基于多光谱波段及热红外冠层温度的棉花水分监测 |
| 5.1.1 基于多光谱波段及热红外冠层温度的叶片含水量监测 |
| 5.1.2 基于热红外冠层温度的土壤相对含水量监测 |
| 5.2 基于植被指数及植被供水指数的棉花水分监测 |
| 5.2.1 基于植被指数及植被供水指数的棉花叶片含水量监测 |
| 5.2.2 基于植被指数及植被供水指数的根域土壤含水量监测 |
| 5.3 小结与讨论 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 导师评阅表 |
| 摘要 |
| abstract |
| 缩略语表 |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 气候变化对区域环境的研究进展 |
| 1.2.2 植被生长对气候变化的响应研究 |
| 1.2.3 不同地形下气候变化对植被生长的影响研究 |
| 1.2.4 土壤湿度遥感研究 |
| 1.2.5 深度学习模型的常见网络结构和应用 |
| 1.2.6 环境因子对地上净初级生产力估算的研究 |
| 1.3 科学问题和研究目标 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 1.6 创新点 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候特征 |
| 2.1.3 地形地貌 |
| 2.1.4 土壤类型 |
| 2.1.5 植被类型 |
| 2.2 数据源 |
| 2.3 研究方法 |
| 2.3.1 研究区温度、降水和干旱特征 |
| 2.3.2 地表温度和土壤湿度空间变化统计 |
| 2.3.3 基于深度学习方法对地表温度和土壤湿度空间模拟 |
| 2.3.4 气候变化对不同地形植被地上生产力的模拟 |
| 3 研究区温度、降水和干旱特征 |
| 3.1 气温在多伦区域时间尺度研究 |
| 3.1.1 多年生长季气温变化规律 |
| 3.1.2 多年生长季气温变化周期特征 |
| 3.2 降水在多伦区域时间尺度研究 |
| 3.2.1 多年生长季降水变化规律 |
| 3.2.2 多年降水量变化周期特征 |
| 3.3 传统干旱监测方法在多伦区域时间尺度研究 |
| 3.3.1 多年生长季气象干旱指数变化规律 |
| 3.3.2 多年标准化降水指数变化周期特征 |
| 3.4 讨论 |
| 3.5 小结 |
| 4 地表温度和土壤湿度空间变化统计 |
| 4.1 地表温度基本变化特征 |
| 4.1.1 基于地表温度空间面积特征 |
| 4.1.2 地表温度空间变化趋势与稳定性 |
| 4.2 土壤湿度变化特征 |
| 4.2.1 温度-植被干旱指数(TVDI)特征空间的构建 |
| 4.2.2 基于温度-植被干旱指数(TVDI)的土壤湿度评估 |
| 4.2.3 基于温度-植被干旱指数(TVDI)对区域干-湿面积分析 |
| 4.2.4 温度-植被干旱指数(TVDI)空间变化趋势与稳定性 |
| 4.3 讨论 |
| 4.4 小结 |
| 5 基于深度学习方法对地表温度空间分布模拟 |
| 5.1 地表温度模拟变量参数选取和模型评估 |
| 5.1.1 参数选取 |
| 5.1.2 模型评估 |
| 5.2 基于生长季空间地表温度的模拟 |
| 5.3 特定环境条件下气象站温度对地表温度的影响 |
| 5.4 特定环境不同覆盖度条件下气温与地表温度的关系 |
| 5.5 气温变化条件下地表温度空间变化特征 |
| 5.5.1 生长季气温变化对地表温度空间分布的影响 |
| 5.5.2 地表温度随海拔、坡度和坡向的变化特征 |
| 5.5.3 地表温度随NDVI的变化特征 |
| 5.6 讨论 |
| 5.7 小结 |
| 6 基于深度学习方法对土壤湿度空间分布模拟 |
| 6.1 温度-植被干旱指数(TVDI)模拟变量选取和模型评估 |
| 6.1.1 参数选取 |
| 6.1.2 模型评估 |
| 6.2 基于生长季空间温度-植被干旱指数(TVDI)的模拟 |
| 6.3 特定环境温度-植被干旱指数(TVDI)随温度变化特征 |
| 6.4 干湿气候变化条件下土壤湿度变化特征 |
| 6.4.1 降水、SPI指数与TVDI相关性 |
| 6.4.2 生长季降水量变化对土壤湿度空间分布的影响 |
| 6.4.3 土壤湿度随海拔的变化特征 |
| 6.4.4 土壤湿度随NDVI的变化特征 |
| 6.5 讨论 |
| 6.6 小结 |
| 7 气候变化对不同地形地上净初级生产力的模拟 |
| 7.1 气温变化下,有效积温空间变化特征 |
| 7.1.1 气温和地表温度相关性分析 |
| 7.1.2 有效积温模拟评估 |
| 7.1.3 基于深度学习方法对有效积温的模拟评估 |
| 7.1.4 气温变化条件下有效积温变化特征 |
| 7.1.5 有效积温随海拔、坡度和坡向变化特征 |
| 7.1.6 有效积温随NDVI变化特征 |
| 7.2 水热变化对地上净初级生产力空间变化影响 |
| 7.2.1 气温不变地上净初级生产力随降水量变化特征 |
| 7.2.2 气温升高2℃地上净初级生产力随降水量变化特征 |
| 7.2.3 气温升高4℃地上净初级生产力随降水量变化特征 |
| 7.2.4 地上净初级生产力随海拔、坡度和坡向的变化特征 |
| 7.3 讨论 |
| 7.4 小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运用遥感数据的干旱研究现状 |
| 1.2.2 运用气象数据的干旱研究现状 |
| 1.2.3 对旱情的预警研究现状 |
| 1.3 研究目标与内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 2 研究区概况与数据来源 |
| 2.1 研究区概况 |
| 2.1.1 地理位置特征 |
| 2.1.2 自然环境特征 |
| 2.1.3 森林资源 |
| 2.1.4 林地旱灾特征 |
| 2.2 数据来源 |
| 2.2.1 MODIS数据 |
| 2.2.2 DEM数据 |
| 2.2.3 TRMM数据 |
| 2.2.4 植被类型空间分布数据 |
| 2.2.5 土地利用数据 |
| 2.2.6 土壤重量含水率 |
| 2.3 本章小结 |
| 3 林地干旱监测模型分析 |
| 3.1 干旱指标分析 |
| 3.1.1 气象干旱指标分析 |
| 3.1.2 遥感干旱指标分析 |
| 3.2 林地干旱监测模型 |
| 3.2.1 基于植被指数的干旱监测方法 |
| 3.2.2 基于地表温度的干旱监测方法 |
| 3.3 基于TVDI的干旱监测模型分析 |
| 3.3.1 温度植被干旱指数参数选择 |
| 3.3.2 温度植被干旱指数干湿边提取 |
| 3.3.3 基于TVDI模型的干旱监测 |
| 3.4 本章小结 |
| 4 林地旱灾风险预警指标分析 |
| 4.1 林地旱灾风险影响因子的选取与处理 |
| 4.1.1 地形因子 |
| 4.1.2 气候因子 |
| 4.1.3 植被类型空间分布因子 |
| 4.1.4 植被指数因子 |
| 4.1.5 地表温度因子 |
| 4.2 林地旱灾频次与各因子相关性分析 |
| 4.2.1 林地旱灾频次与地形因子的关系 |
| 4.2.2 林地旱灾频次与降雨量因子的关系 |
| 4.2.3 林地旱灾频次与植被类型因子的关系 |
| 4.2.4 林地旱灾频次与连续无雨日的关系 |
| 4.3 本章小结 |
| 5 林地旱灾风险预警模型的构建和实证研究 |
| 5.1 林地旱灾风险预警模型方法介绍 |
| 5.1.1 BP神经网络 |
| 5.1.2 PSO-BP神经网络 |
| 5.2 林地旱灾风险预警模型构建过程 |
| 5.2.1 林地旱灾风险因子多重共线性检验 |
| 5.2.2 林地旱灾风险预警模型的构建 |
| 5.3 林地旱灾风险预警模型结果与验证 |
| 5.4 林地旱灾风险预警模型预测结果分析 |
| 5.5 林地旱灾风险预警模型在湖南省的应用研究 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 不足与展望 |
| 参考文献 |
| 附录 (攻读学位期间的主要学术成果) |
| 致谢 |
| 1 引言 |
| 2 定量遥感相关的数据处理方法 |
| 2.1 云与阴影识别 |
| 2.2 大气校正 |
| 2.3 地形校正 |
| 3 辐射传输建模 |
| 4 陆表特征变量：估算，验证与应用 |
| 4.1 地表反射率/BRDF |
| 4.2 下行太阳辐射 |
| 4.2.1 地表下行短波辐射遥感估算算法的发展与改进 |
| 4.2.2 地表下行短波辐射数据产品评价与分析 |
| 4.2.3 全球变亮和变暗分析 |
| 4.3 地表反照率 |
| 4.3.1 反照率反演与验证方法 |
| 4.3.2 地表反照率在气候环境变化中的应用 |
| 4.4 地表温度 |
| 4.5 地表长波辐射 |
| 4.5.1 地表长波下行辐射 |
| 4.5.2 地表长波上行辐射 |
| 4.5.3 地表长波净辐射产品 |
| 4.6 总净辐射 |
| 4.7 日光诱导叶绿素荧光（SIF) |
| 4.7.1 SIF遥感信号机理解释 |
| 4.7.2 基于SIF遥感的生态系统关键参数监测 |
| 4.8 植被生化参数 |
| 4.9 叶面积指数 |
| 4.1 0 光合有效辐射吸收比 |
| 4.1 1 植被覆盖度 |
| 4.1 1. 1 植被覆盖度算法发展 |
| 4.1 1. 2 植被覆盖度产品及算法验证 |
| 4.1 1. 3 植被覆盖度的应用 |
| 4.1 2 森林高度 |
| 4.1 3 森林生物量 |
| 4.1 4 植被生产力 |
| 4.1 5 土壤水分 |
| 4.16雪水当量 |
| 4.17积雪面积 |
| 4.18蒸散发 |
| 4.19地表与地下水量 |
| 4.19.1地表水量 |
| 4.19.2地下水量 |
| 4.19.3研究展望 |
| 5 科研项目 |
| 6 学术研讨会与培训班 |
| 7 结语 |
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 作物生长模型研究现状 |
| 1.2.2 作物生长模型与遥感数据同化研究现状 |
| 1.2.3 作物多模型比较及集合预报研究现状 |
| 1.3 存在的科学问题 |
| 1.4 研究目标、内容和技术路线 |
| 1.5 论文结构 |
| 第二章 研究区、数据及作物模型 |
| 2.1 研究区概况 |
| 2.2 田间观测试验 |
| 2.3 模型驱动数据 |
| 2.3.1 气象数据 |
| 2.3.2 土壤数据 |
| 2.3.3 田间管理数据 |
| 2.4 遥感数据及预处理 |
| 2.4.1 遥感数据获取 |
| 2.4.2 遥感数据预处理 |
| 2.5 作物生长模型 |
| 2.5.1 SAFY-WB模型 |
| 2.5.2 WOFOST模型 |
| 2.5.3 CERES-Wheat模型 |
| 2.6 本章小结 |
| 第三章 区域冬小麦遥感信息提取及分析 |
| 3.1 基于遥感时序数据的区域冬小麦种植区提取 |
| 3.1.1 EVI时序数据SG滤波 |
| 3.1.2 冬小麦种植区提取方法循环神经网络RNN |
| 3.1.3 冬小麦种植区提取结果 |
| 3.2 基于人工神经网络的冬小麦叶面积指数反演 |
| 3.2.1 PROSAIL模型 |
| 3.2.2 人工神经网络LAI反演方法 |
| 3.2.3 冬小麦LAI反演结果验证与分析 |
| 3.3 本章小结 |
| 第四章 不同作物模型的冬小麦生长模拟结果比较分析 |
| 4.1 研究方法 |
| 4.1.1 模型参数敏感性分析方法EFAST |
| 4.1.2 模型参数不确定性研究方法GLUE |
| 4.2 结果与分析 |
| 4.2.1 作物模型参数敏感性和不确定性 |
| 4.2.2 冬小麦LAI模拟结果比较 |
| 4.2.3 冬小麦产量模拟结果比较 |
| 4.3 本章小结 |
| 第五章 基于贝叶斯模型平均的作物多模型数据同化研究 |
| 5.1 研究方法 |
| 5.1.1 四维变分算法4DVar |
| 5.1.2 集合卡尔曼滤波EnKF |
| 5.1.3 贝叶斯模型平均BMA |
| 5.1.4 多模型数据同化算法的构建 |
| 5.2 单点尺度冬小麦多模型数据同化试验 |
| 5.2.1 基于传统数据同化算法的单一作物模型同化模拟 |
| 5.2.2 基于BMA方法的作物多模型集合模拟 |
| 5.2.3 基于多模型数据同化算法的冬小麦多模型同化模拟 |
| 5.3 结果与分析 |
| 5.3.1 基于单一作物模型的冬小麦同化模拟结果评价 |
| 5.3.2 基于作物多模型的冬小麦集合预报结果评价 |
| 5.3.3 基于作物多模型的冬小麦同化模拟结果评价 |
| 5.4 本章小结 |
| 第六章 作物多模型数据同化在区域冬小麦生长模拟中的应用 |
| 6.1 数据与方法 |
| 6.1.1 区域冬小麦多模型遥感同化数据 |
| 6.1.2 作物模型 |
| 6.1.3 区域冬小麦多模型遥感同化方法 |
| 6.2 结果与分析 |
| 6.2.1 不同作物模型同化的区域冬小麦模拟结果对比 |
| 6.2.2 作物多模型集合同化的区域冬小麦模拟结果分析 |
| 6.2.3 不同生育期观测同化的区域冬小麦估产结果对比 |
| 6.2.4 不同空间尺度观测同化的区域冬小麦估产结果对比 |
| 6.3 本章小结 |
| 第七章 讨论与展望 |
| 7.1 主要研究结论 |
| 7.2 研究创新点 |
| 7.3 存在的问题与展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 研究内容与技术路线 |
| 2 海河流域主要生态因子数据获取与处理 |
| 2.1 研究区概况 |
| 2.2 数据源选择及预处理 |
| 2.3 流域地形数据处理及分析 |
| 2.4 流域下垫面数据处理及分析 |
| 2.5 本章小结 |
| 3 海河流域土地利用及植被覆盖度变化规律 |
| 3.1 海河流域土地利用提取及变化特征 |
| 3.2 海河流域植被覆盖度提取及变化特征 |
| 3.3 海河流域景观格局变化 |
| 3.4 本章小结 |
| 4 海河流域典型水文气象要素有效性分析及其变化规律 |
| 4.1 降水数据产品有效性分析 |
| 4.2 降水变化规律分析 |
| 4.3 GLDAS气温产品有效性分析 |
| 4.4 气温变化规律分析 |
| 4.5 本章小结 |
| 5 海河流域植被生态用水模拟 |
| 5.1 植被生态用水模型构建 |
| 5.2 模型参数获取 |
| 5.3 植被生态用水模型验证及模拟 |
| 5.4 模型影响因子模拟分析 |
| 5.5 植被生态用水消耗效用 |
| 5.6 本章小结 |
| 6 基于植被生态用水的海河流域生态脆弱性评价 |
| 6.1 海河流域生态脆弱性评价 |
| 6.2 植被生态用水对海河流域生态脆弱性评价的影响 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
