目錄
第1章 緒論 1
1.1 研究背景及意義 1
1.2 水稻農(nóng)情遙感監(jiān)測研究進展 2
1.2.1 水稻種植區(qū)提取 2
1.2.2 水稻葉綠素含量反演 7
1.2.3 水稻產(chǎn)量遙感估算 8
1.3 水稻病蟲害監(jiān)測預報研究進展 9
1.3.1 水稻病蟲害遙感監(jiān)測 9
1.3.2 稻飛虱種群動態(tài)監(jiān)測預報 9
1.4 大數(shù)據(jù)技術及其在精準農(nóng)業(yè)中的應用 16
1.4.1 大數(shù)據(jù)采集技術 17
1.4.2 大數(shù)據(jù)存儲技術 17
1.4.3 大數(shù)據(jù)分析處理技術 18
1.4.4 大數(shù)據(jù)技術在精準農(nóng)業(yè)中的應用 18
主要參考文獻 20
第2章 數(shù)據(jù)采集與預處理 32
2.1 研究區(qū) 32
2.2 試驗儀器設備 34
2.2.1 無人機高光譜遙感數(shù)據(jù)采集系統(tǒng) 34
2.2.2 葉綠素測定儀與谷物水分測定儀 35
2.3 數(shù)據(jù)采集 37
2.3.1 無人機高光譜遙感數(shù)據(jù)采集 37
2.3.2 地面輔助數(shù)據(jù)采集 38
2.3.3 2013～2017年全國地表類型遙感影像樣本數(shù)據(jù)集 41
2.3.4 構建南方部分地區(qū)水稻數(shù)據(jù)集 41
2.4 多源數(shù)據(jù)及預處理 42
2.4.1 遙感數(shù)據(jù)及預處理 42
2.4.2 蟲情監(jiān)測數(shù)據(jù)及預處理 48
2.4.3 氣象數(shù)據(jù)及預處理 49
2.4.4 其他數(shù)據(jù) 50主要參考文獻 51
第3章 中低空間分辨率水稻種植區(qū)提取 54
3.1 基于植被指數(shù)閾值模型的水稻種植區(qū)提取 54
3.1.1 遙感植被指數(shù)閾值識別水稻方法 55
3.1.2 光譜指數(shù)及時空濾波處理 55
3.1.3 水稻潛在移栽區(qū)與移栽期識別 56
3.1.4 水稻種植區(qū)劃 57
3.1.5 植被指數(shù)閾值模型 58
3.1.6 實驗結果及分析 59
3.2 基于深度學習的水稻種植區(qū)提取 61
3.2.1 MLSTM-FCN時間序列分類算法 61
3.2.2 基于時空張量補全的光譜指數(shù)時間序列重建 63
3.2.3 樣本集構建 64
3.2.4 華南、西南水稻種植區(qū)提取結果與分析 65
主要參考文獻 69
第4章 中高空間分辨率水稻種植區(qū)提取 71
4.1 基于 Landsat數(shù)據(jù)的水稻種植區(qū)提取 71
4.1.1 研究區(qū)與數(shù)據(jù) 71
4.1.2 時間序列光譜指數(shù)構建 72
4.1.3 基于植被指數(shù)閾值模型的水稻種植區(qū)提取 74
4.1.4 基于 SMLSTM-FCN的岑鞏縣水稻種植區(qū)提取 76
4.2 基于 Sentinel-1A數(shù)據(jù)的水稻種植區(qū)提取 86
4.2.1 極化方式選擇 86
4.2.2 閾值設置 87
4.2.3 實驗結果與分析 88
主要參考文獻 89
第5章 基于 RCRWa-b的水稻 SPAD估算 91
5.1 引言 91
5.2 RCRWa-b定義 91
5.3 敏感RCRWa-b特征選擇 92
5.4 水稻 SPAD估算模型構建 96
5.4.1 數(shù)據(jù)分割 96
5.4.2 基于隨機森林的水稻 SPAD估算模型 96
5.4.3 基于梯度提升樹的水稻 SPAD估算模型 97
5.5 水稻 SPAD估算結果評價 98
5.5.1 水稻 SPAD估算模型精度評價 98
5.5.2 水稻 SPAD生長期內(nèi)變化 100
5.5.3 基于多時相無人機高光譜數(shù)據(jù)的水稻SPAD制圖100主要參考文獻 102
第6章 稻曲病發(fā)生信息監(jiān)測 104
6.1 引言 104
6.2 稻曲病光譜特性分析 105
6.3 基于光譜相似性分析的稻曲病發(fā)生信息監(jiān)測 107
6.3.1 模型構建與評價 107
6.3.2 稻曲病發(fā)生信息制圖與分析 110
6.4 結合光譜特征和時間特征的稻曲病發(fā)生信息監(jiān)測 111
6.4.1 模型構建與評價 113
6.4.2 稻曲病發(fā)生信息制圖與分析 113
6.5 不同稻曲病發(fā)生信息監(jiān)測模型對比 114
6.6稻曲病與葉綠素含量關系分析 115
主要參考文獻 116
第7章 基于植被指數(shù)的水稻產(chǎn)量估算 117
7.1 引言 117
7.2 光譜指數(shù)與水稻產(chǎn)量相關性分析 117
7.3 水稻產(chǎn)量估算模型構建與評價 119
7.4 葉綠素含量與水稻產(chǎn)量關系分析 121
主要參考文獻 121
第8章 華南、西南地區(qū)稻飛虱種群時空動態(tài) 122
8.1 引言 122
8.2 稻飛虱種群時空動態(tài)分析方法 122
8.2.1 空間權重矩陣生成 122
8.2.2 稻飛虱種群空間分布模式識別 123
8.2.3 稻飛虱種群時空分布特征 124
8.3 華南、西南地區(qū)稻飛虱種群時空動態(tài) 125
8.3.1 分析數(shù)據(jù) 125
8.3.2 稻飛虱種群數(shù)量動態(tài) 125
8.3.3 稻飛虱種群空間分布格局 127
8.3.4 稻飛虱種群分布熱點 128
8.4 討論 132
主要參考文獻 133
第9章 基于因果推斷的稻飛虱種群動態(tài)主控因子探測 137
9.1 引言 137
9.2 稻飛虱種群動態(tài)控制因子數(shù)據(jù)集 137
9.2.1 蟲情數(shù)據(jù) 138
9.2.2 氣象資料 138
9.2.3 寄主狀態(tài)遙感監(jiān)測數(shù)據(jù) 139
9.3 基于因果推斷的稻飛虱種群動態(tài)主控因子探測方法 139
9.4 實驗結果與分析 141
9.4.1 不同稻飛虱種群動態(tài)主控因子分析 141
9.4.2 不同時滯下田間種群依賴關系強弱 143
主要參考文獻 145
第10章 顧及時空依賴的稻飛虱種群動態(tài)預報 147
10.1 引言 147
10.2 顧及時空依賴的稻飛虱種群動態(tài)預報模型 148
10.2.1 稻飛虱種群動態(tài)預報模型框架 148
10.2.2 動態(tài)圖卷積網(wǎng)絡 149
10.2.3 基于注意力機制的 LSTM編解碼網(wǎng)絡 153
10.3 實驗結果 154
10.3.1 實驗設置 154
10.3.2 不同模型預報精度對比 157
10.3.3 不同監(jiān)測站 DGCN-ALSMT模型預報精度對比 159
10.3.4 稻飛虱種群動態(tài)預報結果對比 160
10.3.5 模型參數(shù)對預報精度的影響 161
10.4 討論 163主要參考文獻 165
第11章 水稻藥肥精準施用大數(shù)據(jù)原型平臺需求分析 168
11.1 功能性需求 168
11.2 非功能性需求 169
11.3 設計約束 170
主要參考文獻 171
第12章 水稻藥肥精準施用大數(shù)據(jù)原型平臺設計 172
12.1 功能組成設計 172
12.1.1 功能簡述 172
12.1.2 用戶角色 173
12.2 體系結構設計 174
12.2.1 核心技術遴選 174
12.2.2 體系結構簡述 179
12.3 數(shù)據(jù)庫設計 180
12.3.1 數(shù)據(jù)整合 180
12.3.2 用戶管理 181
12.3.3 示范區(qū) 184
12.3.4 商業(yè)服務 186
12.3.5 上報 187
12.4 非功能性需求保障設計 188
12.4.1 代碼托管 188
12.4.2 服務器管理 188
12.4.3 服務器資源保護 189
主要參考文獻 189
第13章 水稻藥肥精準施用大數(shù)據(jù)平臺實現(xiàn) 190
13.1 平臺環(huán)境搭建 190
13.2 數(shù)據(jù)整合 191
13.2.1 遙感數(shù)據(jù) 191
13.2.2 水稻病蟲害測報數(shù)據(jù) 191
13.2.3 水稻農(nóng)藥抗性與殘留數(shù)據(jù) 192
13.2.4 水稻藥肥銷售數(shù)據(jù) 192
13.2.5 病蟲害圖片 192
13.2.6 示范區(qū) 192
13.2.7 物聯(lián)網(wǎng)數(shù)據(jù) 192
13.3 大數(shù)據(jù)分析處理 193
13.3.1 遙感大數(shù)據(jù)處理分析 193
13.3.2 水稻長勢分析 194
13.3.3 病蟲害預報 196
13.4 核心功能實現(xiàn) 197
13.4.1 用戶管理 198
13.4.2 農(nóng)情監(jiān)測 200
13.4.3 示范區(qū) 201
13.4.4 預報 202
13.4.5 商業(yè)服務 203
13.4.6 上報 205
13.4.7 數(shù)據(jù)可視化 206
13.4.8 后臺管理 218
13.5 測試 219
附圖 221