近些年來,氣候條件的變化以及極端天氣事件的頻發(fā)給農業(yè)的穩(wěn)定發(fā)展帶來了極大的挑戰(zhàn)。在這種情況下,及時、有效、準確地監(jiān)測農作物的生長狀況尤為重要。眾多研究表明,遙感日光誘導葉綠素熒光(sun-induced chlorophyll fluorescence,SIF)可以有效監(jiān)測農作物生長狀況和生產力。隨著技術的發(fā)展,SIF遙感數(shù)據(jù)的空間分辨率不斷提高,OCO-2(Orbiting Carbon Observatory-2)SIF足跡的空間分辨率達到了1.3km×2.25 km,有助于更好地監(jiān)測作物生長狀況。但是該數(shù)據(jù)存在著空間不連續(xù)的問題,在區(qū)域尺度估算農作物產量的能力尚不完全清楚。論文以美國玉米帶為研究區(qū),采用深度神經網絡(Deep Neural Networks,DNN)方法,研究了OCO-2 SIF估算區(qū)域農作物(玉米和大豆)產量的能力,并與MODIS增強型植被指數(shù)(Enhanced Vegetation Index,EVI)和氣象因子估算產量的能力進行了對比,并分析了利用OCO-2 SIF和MODIS EVI進行作物估產的不確定性。主要研究結論如下:(1)OCO-2 SIF數(shù)據(jù)估算...

【文章頁數(shù)】：88 頁

【學位級別】：碩士

圖1.1研究所采用的技術路線

圖1.2論文框架

圖2.1玉米和大豆在美國玉米帶收獲面積占總收獲面積比例（左）與產量占總產量比例（右）

圖2.2OCO-2SIF足跡從2015-2017年的空間分布，2017年USDACDL的大豆與玉米生產區(qū)域分布圖（https://nassgeodata.gmu.edu/CropScape/）

本文編號：3884432