✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 具体问题可以私信或扫描文章底部二维码。
(1) 在东北地区水稻冷害风险区划与监测研究中，地理信息系统（GIS）和遥感技术被用来对冷害进行全面的分析和评估。首先，依据自然灾害风险评估的理论，本文采用日平均温度、水稻生长发育期、产量和面积等基础数据，通过GIS进行空间分析。冷害风险评估过程综合考虑了灾害因子的危险性、承灾体脆弱性以及灾后损失程度等要素，通过统计和空间分析，建立起冷害综合风险评估模型。此模型使用了熵值法和层次分析法，以构建冷害综合风险评估体系。根据评估结果，研究将东北地区划分为较低、低、中等、较高和高风险五个等级，并通过定量和定性分析验证了其合理性。评估结果显示，冷害综合风险与水稻实际减产率高度相关，所提出的方法具备良好的应用价值，能够有效地反映不同地区水稻遭受冷害的风险差异，从而为冷害的防治和农业生产决策提供有力依据。
(2) 在气温遥感估算方面，本文提出了一种基于MODIS地表温度（LST）数据的全天候平均气温遥感估算方法。该方法通过对多平台LST数据源晴空像元对应的平均气温进行高级统计估算，并结合多平台MODIS数据的时间互补优势，提出了基于时间融合和局部窗口空间插补的气温估算方案。通过误差分析得出，LST反演误差对气温估算精度的影响远小于空间插补算法引入的误差。因此，本文确定了基于全幅LST的时间融合-空间插补方案为最优的气温估算方法。在对2000-2012年间的遥感气温估算结果进行验证时，结果显示晴空、非晴空以及全天候8天平均气温的均方根误差（RMSE）分别为1.4-1.8℃、1.6-2.3℃和1.4-2.0℃，其中90%以上的样本误差绝对值小于3℃。同时，进一步分析发现，遥感估算气温在夏季的表现相对理想，而在初春和秋末阶段则存在高估的现象。此外，本文还比较了全天候日气温与8天气温合成的月平均气温，结果表明8天LST数据源估算的月平均气温与台站观测气温相比具有更高的相关性和更小的误差，为冷害监测中的温度指标计算提供了可靠支持。
(3) 在冷害遥感监测方面，本文基于全天候8天平均气温时间序列和植被指数时间序列，针对像元和县级两个空间尺度，分别构建了冷害遥感监测指标。具体而言，本文使用T5.9距平和相对累积生长温度日（AGDD）距平作为冷害遥感监测的温度指标。这些指标被用于评估冷害的年际变化，验证结果显示，遥感监测的冷害温度指标与台站观测结果在年际变化趋势上高度一致，尤其在延迟型冷害的大范围发生年，遥感监测结果与实际灾情的空间一致性达到较高水平。像元尺度的一般延迟型冷害监测准确率超过70%，而严重冷害的监测准确率则超过80%。此外，本文还使用相对AGDD距平指标对不同生育阶段的冷害进行了动态遥感监测，从而为县级尺度水稻冷害的实时监测提供了有效的方法支持。
(4) 最后，本文研究了基于遥感技术的水稻冷害灾损预测方法。以水稻生育期内的降雨总量、不同生育阶段的有效积温（AGDD）、月平均气温以及关键生育期的植被指数（EVI）为驱动因子，本文构建了水稻单产预测模型，分别对气象产量和随机产量进行了预测，并结合上一年的实际趋势产量，得出了预测年水稻单产的估算值。结果表明，基于水稻产量水平分区的遥感估产精度显著高于不分区估产精度，其中县级及地市级单产遥感估产的决定系数（R2）均大于0.7，且地市级的估产精度好于县级。在此前的水稻面积识别、关键生育期遥感分析、以及冷害受灾区监测等基础研究成果的支持下，本文进一步利用水稻冷害灾损模型对2009年和2011年的水稻冷害灾损进行了预测，结果显示这两年水稻的冷害灾损量分别达到了26.61万吨和2.17万吨，这为东北地区水稻冷害的减产评估和生产规划提供了数据支持和科学参考。
import geopandas as gpd
import rasterio
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 读取遥感影像数据
raster_path = 'temperature_data.tif'
with rasterio.open(raster_path) as src:
temperature_data = src.read(1)
profile = src.profile
# 使用掩膜去除无效数据（如海洋或无数据区域）
valid_mask = temperature_data > -9999
temperature_data = np.where(valid_mask, temperature_data, np.nan)
# 计算温度的空间平均值
mean_temperature = np.nanmean(temperature_data)
print(f"平均气温: {mean_temperature:.2f} ℃")
# 简单线性回归预测冷害发生概率
def cold_damage_prediction(temp_data):
# 构造特征和目标变量
X = temp_data.reshape(-1, 1)
y = (temp_data < 15).astype(int) # 低于15度作为冷害发生的判定标准
model = LinearRegression().fit(X, y)
return model
model = cold_damage_prediction(temperature_data)
# 绘制冷害监测结果
def plot_temperature(data, title):
plt.figure(figsize=(10, 6))
plt.imshow(data, cmap='coolwarm')
plt.colorbar(label='Temperature (℃)')
plt.title(title)
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()
plot_temperature(temperature_data, 'Temperature Distribution - Cold Damage Analysis')