收藏本站
《中国科学院大学(中国科学院遥感与数字地球研究所)》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

基于NDVI时间序列的黄河中下游典型史前都邑性遗址的作物物候观察

潘玉青  
【摘要】:一些浅埋藏在地下的考古遗迹在高空间分辨率遥感影像上可以表现为可见的作物标记。但是由于高空间分辨率数据具有价格昂贵,其可获取的数据的空间和时间具有非常高的限制。而另一方面,Landsat影像作为可以自由获取的中分辨率图像,其生成的时间序列可以用来检测作物生长变化,进一步可以在大面积中显示微小的表面作物标记。同时,MODIS数据由于其粗糙的空间分辨率使其无法用于检测微妙细小的地表特征,因此很少被用于考古勘探,但是MODIS的高时间分辨率的优势使其可以提供大量的作物物候生长信息。为弥补这个缺陷,选择具有大面积特征的典型的史前都邑性遗址陶寺和二里头作为研究对象,采用MODIS NDVI时间序列数据观察遗址区作物的物候生长规律并检测作物在各个物候期的长势差异。计算230期覆盖10年范围的MODIS NDVI变化率并通过皮尔逊相关系数进行分析,并采用最大最小距离来测量考古遗址内作物生长的相似性。另一方面,在遗址内部选择埋藏遗迹集中区(如宫殿区和祭祀区)作为研究区,而以其周围的遗迹分布密度较低的空白区域作为参考区。对小麦和玉米两年生长期的Landsat影像进行皮尔逊相关系数和欧几里德距离计算并分析。使用单向Hausdorff距离计算对照遗迹集中区及其对应空白区之间的作物生长相似性或差异性以获取监测和检测作物生长异常的最佳时间窗口。根据作物生长的物候学,生成冬小麦和夏玉米的时间序列NDVI图像,分析考古遗址中的作物异常现象。结果表明,两种作物对水分需求的关键阶段,最大最小值和单向Hausdorff距离都比较高,而这些阶段的Landsat NDVI图像显示出了由埋藏的考古遗迹引起的作物异常。这表明对NDVI时间序列图像进行Hausdorff距离计算可用于检测作物异常。同时也表明了作物关键需水期的Landsat NDVI图像可以提供一定的地下埋藏信息,而MODIS也可以提供有用的作物生长信息在进行田野发掘之前。
【学位授予单位】:中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】:博士
【学位授予年份】:2017
【分类号】:S-09

手机知网App
【相似文献】
中国期刊全文数据库 前10条
1 白亚恒,吴胜军,黄进良,薛怀平;基于时间序列的灰色预测技术在估产模型中的应用[J];华中师范大学学报(自然科学版);2001年02期
2 张艳君;梁运香;唐磊;;天气和气候的时间序列特征分析[J];农业与技术;2012年06期
3 向杰;程昌明;张轶;;小波分析在时间序列中的分析应用[J];节水灌溉;2013年12期
4 杨蕊;王龙;余航;沈立群;田琳;;昆明历史洪涝灾害时间序列分形特征研究[J];安徽农业科学;2012年07期
5 廖文辉;夏成锋;;关联时间序列异常数据的预警模型研究[J];仲恺农业工程学院学报;2012年02期
6 李绍石;胡正军;王洪全;;稻田飞虱、狼蛛种群密度动态数据时间序列预报模型[J];植物保护学报;1989年01期
7 胡致强,耿鸿江,李肥芬;小样本时间序列的灰色组合模型研究及应用[J];农业系统科学与综合研究;1993年01期
8 孙春薇;王旭磊;辛永训;吴春妹;;几种关于时间序列季节调整方法的研究[J];青岛农业大学学报(自然科学版);2007年02期
9 周文;曹琳;;时间序列在干旱区棉花需水量预测中的应用[J];安徽农业科学;2008年23期
10 李鑫川;徐新刚;王纪华;武洪峰;金秀良;李存军;鲍艳松;;基于时间序列环境卫星影像的作物分类识别[J];农业工程学报;2013年02期
中国重要会议论文全文数据库 前10条
1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年
2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年
3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策(上册)[C];2002年
5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年
6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年
7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集(下)[C];2013年
8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集(文摘部分)[C];2012年
9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学(第8卷)[C];2007年
10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年
中国重要报纸全文数据库 前6条
1 ;《时间序列与金融数据分析》[N];中国信息报;2004年
2 何德旭 王朝阳;时间序列计量经济学:协整与有条件的异方差自回归[N];中国社会科学院院报;2003年
3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年
4 西南证券高级研究员 董先安德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年
5 东证期货 王爱华 杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年
6 任勇郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年
中国博士学位论文全文数据库 前10条
1 张墨谦;遥感时间序列数据的特征挖掘:在生态学中的应用[D];复旦大学;2014年
2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年
3 苗圣法;时间序列的模式检测[D];兰州大学;2015年
4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年
5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年
6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年
7 原继东;时间序列分类算法研究[D];北京交通大学;2016年
8 卢伟;基于粒计算的时间序列分析与建模方法研究[D];大连理工大学;2015年
9 胡建明;基于正则化核学习模型的时间序列多步预测的研究与应用[D];兰州大学;2016年
10 黄标兵;回声状态网络时间序列预测方法及应用研究[D];吉林大学;2017年
中国硕士学位论文全文数据库 前10条
1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年
2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年
3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年
4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年
5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年
6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年
7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年
8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年
9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年
10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026