导读:本文包含了不同遥感水平论文开题报告文献综述及选题提纲参考文献，主要关键词:冬小麦,高光谱遥感,SPAD值,叶面积指数
不同遥感水平论文文献综述
刘淼[1]（2016）在《不同营养水平冬小麦长势高光谱遥感监测》一文中研究指出冬小麦作为重要的粮食作物,其供求矛盾影响着国家安全与稳定,因此,对冬小麦进行长势监测及估产研究具有重要意义。高光谱遥感作为一种非破坏性、快速、实时的监测手段,在冬小麦长势监测中具有重要应用价值。本文比较分析了不同营养水平冬小麦生长过程中冠层光谱及其叶绿素、叶面积指数、植株含水率和生物量干重等生理生化参数的变化特征,并尝试寻找最佳光谱参数实现利用高光谱数据对这些生理生化参数的反演,为区域农田环境和作物生长状况的实时动态监测提供科学的参考依据。研究取得的结果有:(1)相同的氮磷施肥水平下,前五期反射光谱曲线呈总体特征一致,只是存在数值上的差别,而灌浆期反射光谱曲线与前五期略有不同,成熟期冠层光谱曲线明显异于其他各生育期。在可见光波段范围内,灌浆期和成熟期光谱反射率大于之前各生育期,在约700-1200 nm波段范围内,成熟期光谱反射率最小,灌浆期高于成熟期但总体低于其他各生育期。而在约1200 nm之后,成熟期反射率值再次居于最高。(2)未施加氮肥和磷肥的情况下,在可见光波段和大于约1300 nm的波段范围内,反射光谱曲线高于其他养分施肥水平,而在绿色植被的近红外强反射波段范围内,未作施肥处理的小麦冠层反射光谱曲线低于其他处理水平。同一生育期不同氮磷施肥水平下,小麦冠层反射光谱曲线具有部分相似特征,在N3,P3水平下,在约760-1100 nm波段范围内反射率最高。(3)相同的氮磷施肥水平下,在冬小麦整个生育期SPAD值、叶面积指数、植株含水率和生物量干重总体均呈先升高后降低的趋势。而在同一生育期,不同的氮磷施肥水平下,SPAD值、叶面积指数、植株含水率和生物量干重随氮磷施肥量的增加而升高。(4)归一化植被指数与SPAD值具有相对较高的相关性,利用归一化植被指数进行SPAD值反演,建模决定系数及检验决定系数分别为0.4976、0.443。781 nm处的一阶微分值和比值植被指数与叶面积指数具有相对较高的相关性,利用781 nm处的一阶微分值进行叶面积指数反演,建模决定系数及检验决定系数分别为0.8067、0.8208,比利用比值植被指数反演进行叶面积指数反演效果更好。归一化水指数与植株含水率之间具有相对较高的相关性,利用归一化水指数进行植株含水率反演,建模决定系数及检验决定系数分别为0.5080、0.6424。1065 nm处的一阶微分值与生物量干重具有相对较高的相关性,利用1065 nm处的一阶微分值进行生物量干重反演,建模决定系数及检验决定系数分别为0.9387、0.8009。(本文来源于《西北农林科技大学》期刊2016-05-01）
张玉萍,马占鸿[2]（2016）在《基于遥感技术的不同施氮水平下小麦条锈病病情反演研究》一文中研究指出为构建不同施氮条件下,小麦条锈病病情光谱反演模型,设置了在不同氮素水平条件下接种小麦条锈病,将菌情指数与植被指数、一阶微分参数进行回归分析,构建抽穗期、开花期、灌浆期、乳熟期共5个模型。为了评估施氮量对病情反演模型的影响,在模型中加入氮素因子,模型病情反演预测效果表明,抽穗期模型加入氮素因子后预测效果有所提高,抽穗期的模型1-1(R2=0.392 8,P=0.005 4)、1-2(R2=0.449 8,P=0.011 3)、2-2(R2=0.573 3,P=0.001 7)预测效果较好且较稳定,开花期、灌浆期、乳熟期模型预测效果不理想。本研究结果表明,可以利用植被指数、一阶微分参数较好反演抽穗期小麦条锈病病情,加入氮素因子后预测效果有所提高,说明氮素因子对病情反演有影响。(本文来源于《中国农业大学学报》期刊2016年04期）
顾祝军,曾志远,史学正,于东升,郑伟[3]（2008）在《基于遥感图像不同辐射校正水平的植被覆盖度估算模型》一文中研究指出选用南京市SPOT 5 HRG图像的地物反射率(PAC)、表观反射率(TOA)和灰度值(DN)影像,提取了4种植被指数(VI),即归一化植被指数(NDVI)、转换植被指数(TVI)、土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI),与地面实测的植被覆盖度进行了回归分析,并建立了36个VI-VFC关系模型.结果表明:在所有模型中,基于PAC级影像提取的NDVI和TVI的3次多项式模型最优;其次为基于DN级影像提取的SAVI和MSAVI的3次多项式模型,在VFC>0.8时其精度略高于前两种模型.这4个模型在植被中等密集区域(VFC=0.4~0.8)的精度高于植被稀疏区域(VFC=0~0.4).所建模型可通过中间模型的联结,进行推广使用.在基于VI-VFC关系建模过程中,基于遥感影像不同辐射校正水平提取植被指数,有利于充分挖掘遥感影像信息,进而提高VFC估算的精度.(本文来源于《应用生态学报》期刊2008年06期）
易秋香[4]（2008）在《不同遥感水平水稻氮素信息提取研究》一文中研究指出随着环境问题日益受到重视,如何在保证作物高产优质的同时防止或尽量减少作物生产带来的环境污染也是各国政府、农学家、环境工作者及生产者所必须解决的问题。因此,采取有效的氮素管理措施,合理施用氮肥,准确、迅速、经济地判断植物的氮素状况、确定作物的氮肥需要量以及提高氮肥的利用效率具有重大的经济和生态意义。遥感技术为获得不同尺度生化组分含量提供了一个便捷的多元化工具。定量化提取植被生化组分信息的研究随着高光谱技术的发展而飞快的发展起来,同时现代计算机技术提供了强大的计算和数据处理能力,极大程度地丰富了遥感提取生化组分信息的数据处理方法。数据挖掘技术因此应运而生,成为定量化提取植被生化组分信息研究中的热点问题。本研究围绕遥感信息数据挖掘技术这一前沿课题,以不同遥感水平数据定量提取作物氮素信息为研究重点,在研究ANN和SVM数据挖掘技术理论以及PCA技术的基础上,从统计回归方法到ANN和SVM算法,从方法分析到模型建立,进行了一个较为系统的研究,构建了基于数据挖掘技术的不同遥感水平作物氮素信息提取模型,并系统地对比了传统统计方法与ANN算法以及SVM方法用于遥感提取作物氮素信息的精度,以及不同遥感水平作物氮素信息提取的精度。研究的主要内容与成果如下:(1)叶片水平氮含量遥感诊断模型研究研究中,采用线性建模法(Linear Regression,简称LR)、反向传播神经网络法(Back Propagation Neural Network,简称ANN)、径向基函数网络法(RadialBasis Function,简称RBF)以及支持向量机法(Support Vector Machine,简称SVM)构建了基于原始光谱反射率(Reflectance,简称R)和主成份得分值(Scoresof Principal Components,简称PC)的水稻不同发育期以及不同氮素水平的氮含量遥感诊断模型,并采用非建模数据集的大田水稻数据以及非水稻的油菜数据对模型的普适性进行了验证。结果表明:对比不同发育期氮含量诊断模型发现,通常灌浆期和乳熟期模型的各类精度指标表现较好,其中,基于灌浆期光谱主成份得分值构建的PC-RBF模型的精度较高,模型的RMSE值和REP值分别为0.151和6.816%,由其得到的估算氮和实测氮之间的相关系数r=0.977,两者之间极显着相关;对比不同氮素水平氮含量遥感诊断模型发现,基于N1适氮水平的氮含量诊断模型精度通常要优于N0和N2水平模型的精度,其中N1水平的R-LR模型的精度最优,其RMSE和REP值分别为0.720和25.647%,由其得到的估算氮和实测氮之间的相关系数r=0.747,两者极显着相关;采用大田水稻数据对各类模型的普适性进行验证的结果表明,将基于水稻小区试验数据构建的各类氮含量诊断模型应用于大田水稻数据不但可行并且总体结果令人满意;采用油菜数据对各类模型的普适性进行验证,结果发现各类模型虽然也能实现油菜氮含量的估算,但总体精度不如在大田水稻数据中的应用精度,此外还发现,由于参与模型验证的油菜氮含量的取值范围(1.07至2.84 mg/g)要远远小于建模水稻氮含量的取值范围(0.91至4.82 mg/g),从而导致各模型对油菜氮含量的拟合结果普遍高于油菜实测氮含量。(2)冠层水平氮含量遥感诊断模型研究采用与叶片水平氮含量遥感诊断研究相同的方法对冠层水平氮含量诊断模型进行讨论。结果表明:对比不同发育期氮含量诊断模型发现,乳熟期和成熟期模型各类精度指标表现较好,其中成熟期的R-ANN模型表现相对最优,模型RMSE和REP值分别为0.746,48.147%,估算氮值和实测值之间显着相关,相关系数r=0.912;对比不同氮素水平氮含量诊断模型发现,叁个氮素水平的各类模型都能较好的实现氮含量诊断,精度令人满意,由各类模型得到的估算氮和实测氮之间的最大相关系数r=0.962,最小相关系数r=-0.799,估算氮与实测氮之间极显着相关;采用大田水稻数据对各类模型的普适性进行验证的结果与叶片水平模型的验证结果类似,由R-LR模型和R-SVM模型得到的大田水稻估算氮值与实测值之间的相关关系极显着,r分别等于0.865和0.854;采用油菜数据对各类模型的普适性进行验证,与叶片水平结果类似,估算总体精度不如对大田水稻氮含量的估算精度,并且同样会过高估算油菜氮含量。(3)基于TM数据的水稻氮含量遥感诊断模型研究研究中,以TM数据和相应的氮含量数据为数据源,采用LR线性建模法、RBF建模法以及SVM建模法,在相关性分析的基础上,构建了基于TM2、TM3波段光谱变量以及NDⅥ和RⅥ植被指数的氮含量遥感诊断模型并对模型精度进行检验;此外,还将叶片和冠层水平光谱变量模拟TM波段光谱范围,采用相同的建模方法,对模型的精度采用TM数据进行验证,从而探讨基于叶片和冠层水平光谱变量的氮含量诊断模型扩展应用在TM数据中的精度。结果表明,采用TM数据对水稻氮含量进行估算不但可行并且总体精度令人满意;对比不同建模方法,发现LR线性模型总体表现不如RBF模型和SVM模型,进一步对比发现,除了RⅥ-RBF模型的精度高于RⅥ-SVM模型之外,由其它叁个输入变量构建的RBF模型的精度均低于对应的SVM模型,总体上SVM模型的表现最佳;由四个输入变量构建的SVM模型均能很好的实现氮含量估算,其中TM2-SVM模型的表现最佳,由其得到的估算氮和实测氮之间的相关系数r=0.751,两者之间极显着相关。(本文来源于《浙江大学》期刊2008-06-01）
王渊[5]（2008）在《不同水平油菜氮素含量遥感信息提取方法研究》一文中研究指出本论文通过获取地面和卫星平台的油菜氮素含量遥感信息,采用统计回归方法和叁种人工智能技术(artificial intelligence,简称AI)——后向传播神经网络(Back-Propagation Neural network,简称BP)、径向基函数神经网络(RadialBasis Function Neural network,简称RBF)、支持向量机(Support Vector MachineNetwork,简称SVM),分别在叶片、冠层、卫星遥感等叁个平台下,建立油菜氮素含量估算模型,对油菜氮素含量进行遥感估算和反演,并通过卫星影像提取油菜种植面积,反演油菜氮素含量反演,以得到更为方便、有效准确的油菜氮素诊断方法,对油菜作物大面积产量监测有重要的现实意义。具体研究内容和结果如下:(1)油菜叶片和冠层光谱基本特征为,在550nm处,即形成一个小的反射峰,在700nm左右形成高反射平台。不同供氮水平下的油菜叶片和冠层光谱在近红外波段差异明显,反射率随供氮水平提高而降低,透射率随供氮水平提高而上升。油菜冠层光谱反射率随着生长发育的推进,出现先上升后下降的变化。油菜叶片红边位置随着氮素水平的提高,出现“红移”现象;冠层光谱的红边位置λ_(red)具有“双峰”和“红边平台”现象,红边幅值Dλ_(red)和红边面积S_(red)随发育期推进,出现“红移”和“蓝移”现象,这与水稻、玉米等其它农作物不同。(2)油菜叶片水平氮素含量估算方法研究表明,以光谱反射率倒数对数的一阶微分形式(log(1/R))′建立的估算模型验证结果最佳。叁种人工智能方法中以RBF方法得到的估算模型验证结果最佳。(3)油菜冠层水平氮素含量估算方法研究表明以光谱反射率倒数对数的一阶微分形式(log(1/R))′建立的估算模型验证结果最佳。叁种人工智能方法中以BP方法得到的估算模型验证结果最佳。(4)基于卫星遥感影像的油菜氮素含量遥感反演方法研究表明,5种硬分类法对混合像元的分类能力从SVM、ARTMAP、KNN、BPN、MXL依次降低;高纯度像元比重越大的类别其分类的总精度越高;采用投票法的多分类器结合的分类法可以显着提高分类的总精度;用全模糊分类法能提高分类精度;采用卫星影像的光谱反射率建立油菜氮素含量的估算模型,能保证模型用于大范围油菜氮素含量填图的有效性。总之,本研究在以下几方面取得了新进展或有所创新:系统地研究了不同平台下油菜氮素含量遥感估算方法;将人工智能技术引入到油菜氮素含量遥感估算的全过程;在油菜种植面积提取方法研究上应用了全模糊分类和混合像元对分类结果的影响分析技术,进行了新的有效探索。(本文来源于《浙江大学》期刊2008-06-01）
王宗明,张柏,宋开山,段洪涛[6]（2004）在《不同氮素水平下大豆地上生物量的高光谱遥感估算模型》一文中研究指出高光谱遥感在精准农业研究中具有广阔的应用前景。应用高光谱遥感数据可以实时、动态监测作物生理生态参数。本研究在中国科学院海伦农业生态系统试验站,通过田间小区试验,测定了3个供氮水平(0,15,30kg/hm~2)下大豆不同生育期的地上干生物量,同期选择晴朗无风天气应用ASD FieldSpec野外光谱测试仪测定对应的大豆冠层高光谱反射率,以上测试的时间间隔为每15天测定1次。分析了大豆冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量的相关关系,建立大豆地上生物量的光谱估算模型。结果表明:(1)大豆LAI与地上鲜生物量关系密切,用来估算大豆LAI的有效波段及RVI都可以用来估算大豆地上鲜生物量。(2)大豆冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量的变化趋势基本相同,但是与LAI的相关系数略高于同大豆地上鲜生物量的相关系数。大豆冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量的线性回归分析表明其变化趋势与相关系数变化大致相同,但是在近红外波段,大豆光谱反射率与地上鲜生物量的线性回归的确定性系数却较之于LAI高。(3)不同生育期大豆地上各部分(茎、叶)生物量与相应的光谱反射率之间的相关系数有相似的变化趋势。大豆不同部分干生物量与光谱植被指数RVI、NDVI之间均存在很好的相关关系。(4)近红外波段与可见光波段构建的RVI与大豆LAI、地上鲜生物量之间存在较为理想的幂函数或指数函数关系;从多个波段构建的RVI与大豆LAI、地上鲜生物量之间关系表明RVI与大豆LAI回归效果较之与地上鲜生物量更为理想,估算精度更高。(本文来源于《中国地理学会2004年学术年会暨海峡两岸地理学术研讨会论文摘要集》期刊2004-12-01）
王人潮,陈铭臻,蒋亨显[7]（1993）在《水稻遥感估产的农学机理研究——Ⅰ.不同氮素水平的水稻光谱特征及其敏感波段的选择》一文中研究指出介绍了大田与盆栽条件下不同氮素水平的水稻冠层、叶片和稻株的光谱反射特征曲线。经过光谱差异性检验,找出了诊断水稻氮素营养水平的敏感波段范围,结合考虑实用性确定冠层敏感波段为760～900nm、630～690nm和520～550nm;叶片敏感波段为760～900nm、630～660nm和530～560nm。(本文来源于《浙江农业大学学报》期刊1993年S1期）
不同遥感水平论文开题报告
（1）论文研究背景及目的
此处内容要求：
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。
写法范例：
为构建不同施氮条件下,小麦条锈病病情光谱反演模型,设置了在不同氮素水平条件下接种小麦条锈病,将菌情指数与植被指数、一阶微分参数进行回归分析,构建抽穗期、开花期、灌浆期、乳熟期共5个模型。为了评估施氮量对病情反演模型的影响,在模型中加入氮素因子,模型病情反演预测效果表明,抽穗期模型加入氮素因子后预测效果有所提高,抽穗期的模型1-1(R2=0.392 8,P=0.005 4)、1-2(R2=0.449 8,P=0.011 3)、2-2(R2=0.573 3,P=0.001 7)预测效果较好且较稳定,开花期、灌浆期、乳熟期模型预测效果不理想。本研究结果表明,可以利用植被指数、一阶微分参数较好反演抽穗期小麦条锈病病情,加入氮素因子后预测效果有所提高,说明氮素因子对病情反演有影响。
（2）本文研究方法
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。
不同遥感水平论文参考文献
[1].刘淼.不同营养水平冬小麦长势高光谱遥感监测[D].西北农林科技大学.2016
[2].张玉萍,马占鸿.基于遥感技术的不同施氮水平下小麦条锈病病情反演研究[J].中国农业大学学报.2016
[3].顾祝军,曾志远,史学正,于东升,郑伟.基于遥感图像不同辐射校正水平的植被覆盖度估算模型[J].应用生态学报.2008
[4].易秋香.不同遥感水平水稻氮素信息提取研究[D].浙江大学.2008
[5].王渊.不同水平油菜氮素含量遥感信息提取方法研究[D].浙江大学.2008
[6].王宗明,张柏,宋开山,段洪涛.不同氮素水平下大豆地上生物量的高光谱遥感估算模型[C].中国地理学会2004年学术年会暨海峡两岸地理学术研讨会论文摘要集.2004
[7].王人潮,陈铭臻,蒋亨显.水稻遥感估产的农学机理研究——Ⅰ.不同氮素水平的水稻光谱特征及其敏感波段的选择[J].浙江农业大学学报.1993