导读:本文包含了植被生化组分论文开题报告文献综述及选题提纲参考文献，主要关键词:核函数,支持向量机,可见-近红外光谱,生化组分
植被生化组分论文文献综述
陈方圆,周鑫,陈奕云,王奕涵,刘会增[1]（2019）在《不同核函数支持向量机和可见-近红外光谱的多种植被叶片生化组分估算》一文中研究指出氮、磷、钾元素是植物有机质的重要生化组分,准确估算其含量对监测管理植被的新陈代谢和健康状况具有重要意义。可见-近红外光谱结合多种建模方法已被用于植被生化参数的监测,其中支持向量机回归方法被证明能够较好拟合反射光谱和植被生化参数之间的非线性关系,而选取适当的核函数是其成功的关键。以宜兴地区水稻、玉米、芝麻、大豆、茶叶、草地、乔木和灌木等八种植被叶片样本为研究对象,分析比较基于径向基核函数、多项式核函数和S形核函数的支持向量回归模型估算叶片氮、磷、钾元素含量的能力。利用一阶微分变换、标准正态变量变换和反对数变换对叶片可见-近红外光谱进行预处理,运用bootstrapping法生成1 000组校正集和验证集,分别建立基于叁种核函数的支持向量回归估算模型,以决定系数(R2)和相对分析误差(RPD)的均值作为评价指标。结果显示,结合一阶微分和反对数变换光谱,采用径向基核函数模型对氮、钾元素估算精度最高(氮:平均R2=0.64,平均RPD=1.67;钾:平均R2=0.56,平均RPD=1.48),结合一阶微分变换光谱,采用径向基核函数模型对磷元素估算精度最高(磷:平均R2=0.68,平均RPD=1.73)。研究表明,结合不同预处理的可见-近红外光谱,基于径向基核函数的支持向量回归模型具有较好的估算多种植被叶片生化组分含量的潜力。(本文来源于《光谱学与光谱分析》期刊2019年02期）
高帅,牛铮,孙刚,覃驭楚,李旺[2]（2018）在《高光谱激光雷达提取植被生化组分垂直分布》一文中研究指出对地高光谱激光雷达可以获得观测对象含有高光谱属性的全波形激光雷达回波,为探测植被生化特征的立体分布提供了新的遥感探测手段。基于此仪器开展室内试验,提出了植被生化组分垂直分布提取方法。首先,针对仪器的特点,提出了高光谱激光雷达全波形数据处理的方法;其次,以火炬花为例开展了室内扫描,并对获取的高光谱激光雷达数据进行了处理,获得带有高光谱属性的激光雷达点云数据;最后,根据植被指数与生化组分的关系,提取了叶绿素和胡萝卜素的生化组分垂直分布结果。研究结果表明,在植被顶部生化组分含量较低,叶绿素a普遍低于0.5 mg/g,胡萝卜素低于0.2 mg/g,而在中部叶片处,生化组分含量明显较高,与红色(顶部)和绿色叶片(中部)在植被垂直方向的分布一致,这表明基于仪器开展植被生理生化参数垂直分布遥感反演具有极大的应用潜力。(本文来源于《遥感学报》期刊2018年05期）
程丽娟,孙林,姚延娟,沈艳[3]（2011）在《植被生化组分定量遥感反演研究进展》一文中研究指出植物生化组分的定量遥感研究不仅在生态系统、全球变化、碳、氮循环等科学研究方面具有重要意义,而且在指导农业生产、监测农作物长势和估产、分析农田水肥状况以及植被精细分类和森林火灾预警等诸多方面也具有重要意义。在对国内外相关工作对比分析的基础上,总结了植物生化组分定量遥感研究的发展过程.从经验分析方法、半经验分析方法、物理模型方法叁个方面,综述了现阶段植被生化组分的反演方法及进展,重点阐述了各方法的优势与局限,并根据当前卫星遥感的发展趋势指出了植被生化组分反演的发展前景。(本文来源于《大气与环境光学学报》期刊2011年03期）
程丽娟[4]（2011）在《矿区植被生化组分高光谱遥感定量反演》一文中研究指出煤矿开采区,瓦斯抽放、矸石山自燃等排放的大量有毒元素及生产过程产生的扬尘,通过植被滞尘作用,直接或间接胁迫植被生长,进而改变植被生化组分的含量。精确监测煤矿区的植被胁迫效应,对煤矿资源的可持续利用具有重要的意义。本文使用高光谱卫星遥感数据,开展矿区植被生化组分反演的研究工作,为精确评价矿业扰动对植被的影响提供技术支持。监测的植被生化组分是与植被健康状况密切相关的植被叶绿素含量和水分含量；使用的卫星数据为波段数量较多、覆盖范围相对较宽、光谱分辨率和空间分辨率均较高的HYPERION数据,选用的研究区为矿业扰动较为显着的兖州矿区。植被生化组分反演模型构建是本论文的核心,文中使用地面光谱数据与地基测量的植被生化组分数据开展了植被叶绿素含量和水分含量模型构建方法研究。针对矿区地表类型复杂,植被覆盖较为稀疏,背景影响较为显着的特点,本文在对矿区植被生化组分反演时,开展了植被生化组分响应光谱的抗土壤背景影响能力分析。使用LOPEX’93数据集,基于混合像元分解的理论,模拟了在不同的土壤背景比重条件下,各波段、波段组合以及多种光谱指数数据与植被生化组分含量的相关性。模拟结果表明：在叶绿素和水分的统计分析中,以反射率及反射率倒数的对数的方法抗土壤背景的能力稳定。光谱位置变量以红边—绿峰—红谷的组合进行叶绿素反演的精度较高,且相关系数和入选变量个数及类型基本稳定。在植被指数的分析中,发现与纯植被叶片叶绿素含量相关性较高的植被指数,抗土壤背景的能力都不强。只有指数ND和LCI在土壤背景小于10%时精度较高,且在土壤小于20%时,相关系数基本稳定。对水分指数,基本都能达到较高的相关系数,但以Ratio975和Ratio1200随着土壤背景的增加,相关系数基本保持不变,抗土壤背景的能力最强。针对矿区大气颗粒物含量较多,空气成分较为复杂,对不同波段电磁波信号影响差异明显的特点,模拟了不同的气溶胶光学厚度,O3、H2O、CO2等大气成分含量对反演波段透过率的敏感性,进而实现高光谱卫星数据的大气精纠正。结果表明：AOT, H2O, O3等均不同程度的影响反演波段透过率,CO2对反演所用波段没有影响。高光谱遥感影像大气校正的大气参数AOT、H2O参数通过实际反演得到,O3由于测量比较困难且对透过率影响较小,采用中纬度夏季6S模型自带的O3含量。结果表明：校正结果精度较高,可以用于植被生化组分反演。在植被生化组分反演模型构建及卫星数据大气精纠正的基础上,使用HYPERION卫星数据,开展了兖州矿区植被生化组分的遥感反演实验,使用地基采样结果对反演结果进行了验证,验证结果表明：植被水分的反演结果好于植被叶绿素的反演结果,叶绿素反演相对误差基本小于30%,水分反演误差小于15%,反演精度较高。(本文来源于《山东科技大学》期刊2011-05-01）
孙林,程丽娟[5]（2011）在《植被生化组分光谱模型抗土壤背景的能力》一文中研究指出应用LOPEX'93(Leaf Optical Properties Experiment)数据,分析了统计回归模型在进行植被叶绿素和水分反演中抗土壤背景影响的能力,模型参数分别使用了:反射率及其变化形式、光谱位置变量、植被指数。在LOPEX'93数据库的植被波谱中分别加入10%—90%的实测土壤光谱信息,得到植被与土壤的混合光谱,并分析混合光谱对植被生化组分的响应。结果表明:应用反射率及其变化形式进行植被叶绿素反演时,以730nm和400nm组合的反射率和反射率倒数的对数为参数的模型具有最高的抗土壤背景能力,在土壤背景所占比例从低到高的变化过程中,以二者反射率组合为参数的模型与叶绿素的相关系数,始终保持在0.645附近,以二者反射率倒数的对数为参数的模型与植被叶绿素的相关系数保持在0.650附近;应用反射率及其变化形式进行植被含水量反演时,以1100,1170,1000,1040,1080nm组合的反射率为参数的模型以及以1170,960,1210,1090,1080,950,1220,1210nm反射率倒数的对数组合为参数的模型具有较高的稳定性,在土壤组分变化的过程中,以上模型与植被含水量的相关系数均稳定的高于0.99;对于光谱位置变量的分析中,以红边-绿峰-红谷组合的模型与植被叶绿素含量具有较高、而且稳定的相关系数,在土壤背景所占比例变化的情况下,相关系数稳定在0.53附近;在应用植被指数进行叶绿素的反演过程中,植被指数与叶绿素的相关系数在土壤背景所占比例变化的情况下变化较大,抗土壤背景的能力均较差;在应用植被指数进行植被水分含量的反演时,以水分指数Ratio975和Ratio1200相关系数最高,且在不同比例土壤背景变化下稳定,相关系数分别分布在0.980附近和0.960附近。该结果可用于指导不同植被覆盖条件下植被冠层参数的反演,提高反演的稳定性和准确性。(本文来源于《生态学报》期刊2011年06期）
孙林,程丽娟[6]（2010）在《植被叶片生化组分的光谱响应特征分析》一文中研究指出依据LOPEX’93数据,分别使用地表反射率光谱及其变化量以及光谱指数分析了鲜叶片叶绿素和水分含量的光谱响应。结果表明,在反射率光谱及其变化量的分析中,反射率的二阶导数对叶绿素具有较高的响应,对叶绿素响应较高的波段依次为600,700,670,410,490,500和440nm,这些波段区间能够较好地反映植被叶绿素的含量;反射率光谱经连续统去除后对叶片含水量具有较高的响应,对水分含量响应较高的波段依次为:1870,2130,2180,1820,2350和2120nm,分别对应着水分在短波红外波段的吸收波段。在光谱指数的分析方法中,光谱指数ND(normalized difference)对叶绿素含量较其他指数具有更高的响应,其相关系数为0.618;光谱指数Ratio975对叶片水分含量具有较高的响应,相关系数可达0.996。根据以上的响应分析,构建相关模型,对叶片中叶绿素和含水量开展地基反演实验,结果表明,基于地面光谱数据反演叶片中叶绿素和含水量可达到较高的精度。(本文来源于《光谱学与光谱分析》期刊2010年11期）
梁守真,施平,马万栋,邢前国,于良巨[7]（2010）在《植被叶片光谱及红边特征与叶片生化组分关系的分析》一文中研究指出以LOPEX’93数据集为基础,利用最新的叶片光学模型——PROSPECT5模型模拟了不同生化组分(叶肉结构参数、等效水厚、叶绿素、类胡萝卜素和干物质)含量叶片的反射率、透射率和吸收率光谱,并在此基础上提取植被红边特征,系统分析光谱和叶片生化组分的关系,建立光谱特征与叶片生化组分的关系模型,为生化组分反演提供一定的理论基础。结果表明,在可见光部分,叶片的光谱主要取决于叶肉结构参数和色素(叶绿素和类胡萝卜素);在红外波段,叶片的光谱主要受水分、叶肉结构参数和干物质含量的影响。不同的波段范围内,光谱对生化组分的敏感度不同。叶片的红边特征不受水分和类胡萝卜素的影响,但红边位置随叶绿素的增加向长波方向移动(红移)。红边斜率随内部结构参数的增加而增加,两者之间的关系可用二次方程描述,这为叶肉结构参数的求解提供了一个方向。(本文来源于《中国生态农业学报》期刊2010年04期）
宁艳玲[8]（2010）在《高光谱植被生化组分反演研究》一文中研究指出植被是陆地生态系统的主要成份,它们能够固定来自太阳的能量,为人类及其他生物的生存提供食物,是生态系统的基础。同时,植被能够净化空气改善环境,为人类的生存发展提供保障。因此各地研究者从叶绿素、水含量、氮素等方面对植被进行研究,以了解植被的生长状况、健康状况等,试图预测植被的产量,为国民建设服务。传统的植被监测方法是利用地面实测数据,对植被的各种生理参数进行直接或间接测量。传统监测方法,在测量过程中会易造成测量样本的破坏,费时费力,且大面积的测量监测较困难。随着人类社会的发展,遥感技术是近几年来新兴的一门科学,遥感的出现直接去除了植被遥感的屏颈,遥感影像可以方便的进行短周期大范围动态地监测地表植被,且对观测样本不造成任何伤害。根据植被理化参量相应的光谱特征,研究人员利用遥感技术在生物量、叶面积指数、叶绿素、光合有效辐射APAR、水分含量等植被参量提取方面取得了一些研究成果。但传统遥感其光谱分辨率低,对于精确定量地反演植被生化参数有一定困难,高光谱遥感的发展改善了这一状况。随着遥感卫星影像光谱分辨率的不断提高,现在能够获得上百个连续波段的图形,光谱分辨率可以达到10个纳米,使得每个象元都可以获取一条完整的光谱曲线,这为获取植被生化组分的光谱特征,进行生化组分的定量提取提供了可能。因此,遥感的出现尤其是高光谱遥感的出现为植被生化组分反演提供大范围快速方便的资料来源,且大大降低了研究成本。本文,在对国内外遥感植被生化组分反演研究的基础上,总结了以往研究的状况,及使用过的方法,并利用辐射传输模型与传统的反演方法结合反演植被生化组分,并将反演方法应用于环境星和OMIS高光谱数据,以其反演影像中植被参数。本论文试图比较各种反演算法的研究,得出最精确的反演算法,并提供HJ星高光谱数据的处理流程,且将反演算法应用于高光谱影像,反演植被生化组分。(本文来源于《东北师范大学》期刊2010-06-01）
吴朝阳,牛铮[9]（2008）在《植物光化学植被指数对叶片生化组分参数的敏感性》一文中研究指出光化学植被指数PRI定义为531nm和570nm处反射率的归一化植被指数,这一指数能够成功的估算叶片尺度、冠层尺度和景观尺度的光能利用率LUE,进而可以提高净初级生产力NPP的估算精度,因而PRI有着广阔的应用前景.但是,很多干扰因素会对建立PRI和LUE的关系产生影响,并且随着尺度的变化,干扰因素也在变化.因此,研究不同尺度下各种干扰因素对PRI的影响就显得更加必要和紧迫.基于这一点,利用PROSPECT和SAIL模型分别对叶片尺度和冠层尺度影响PRI的干扰因素进行了敏感性分析.结果表明,在叶片尺度上,叶片的PRI对叶肉结构参数N和叶绿素浓度(Cab)变化有着较高的敏感性,对于叶片的干物质浓度(Cm)和等效水厚(Cw)的变化敏感性弱;在冠层尺度上,叶面积指数、叶倾角分布、太阳高度角以及观测天顶角都会引起冠层PRI的变化.土壤类型对冠层的PRI不起决定作用,冠层自身的性质才是冠层尺度PRI的决定因素.(本文来源于《中国科学院研究生院学报》期刊2008年03期）
沈艳[10]（2006）在《植被生化组分高光谱遥感定量反演研究》一文中研究指出陆地表面的70%为植被所覆盖,植被是陆地生态系统的基本组成成分。植物体内所含的叶绿素、水分、蛋白质、木质素和纤维素等组分以及碳、氮、氢等微量元素统称为植被生化组分。这些组分的含量和构成,能直接或间接影响并制约着生态系统中与人类生存息息相关的许多重要生态、生理过程。高光谱遥感作为目前研究的前沿和热点,除具备常规遥感大面积、适时监测和非破坏性等优点外,还具有常规遥感所不具备的优势:具有10~(-2)λ数量级范围内的光谱分辨率。因此通过其精细光谱特征在提取植被生化组分的研究中表现出明显优势并越来越受到关注。利用高光谱遥感数据实现对植被生化组分的快速实时监测,是生态学、农学、全球变化研究以及粮食估产、精细农业等应用行业的迫切需求。 本论文围绕高光谱遥感定量提取植被生化组分这一前沿课题,以基于星载高光谱遥感图像提取冠层生化组分为研究重点。在阐明高光谱遥感估算植被生化组分意义的基础上,第一章对该研究的原理、研究层次、方法和试验基础等现状进行了综述,并由此引出了本论文的研究重点。论文的第二章主要介绍了数据资料的获取。详细介绍了在西双版纳地区开展的Hyperion星地同步试验,包括试验设计、样品采集、光谱测量及图像数据获取等。第叁章主要介绍了利用高光谱响应特征提取叶片生化组分的研究,其中将含水量的定量提取作为重点内容之一,这章是冠层生化组分反演研究的基础和铺垫。论文第四章重点讨论了高光谱遥感图像处理,包括几何精纠正和大气校正。其中大气校正是遥感定量化研究中必需的。第五章是本论文的重点,主要探讨了利用Hyperion星载高光谱图像数据提取冠层生化组分并依此获得了该地区生化组分分布图。论文的第六章,主要是对全文进行概括总结,归纳了作者的主要研究成果并指出了今后的研究方向。 论文的主要研究成果和结论如下: 1、课题组在西双版纳地区成功开展了Hyperion星地同步试验,获得了生化组分数据、实测光谱数据以及高光谱遥感图像数据。论文中总结了试验过程的注意点并为今后相关试验的顺利开展提出了合理化建议。试验过程中“两个同步”的提出以及叶片保鲜和试验流程的规范化是至关重要的,这体现了论文的试验特色。 2、利用LOPEX数据集中叶片生化数据和光谱数据,研究了叶片层次生化组分的估算。用一阶导数极值和面积归一化的一阶导数极值两个参数估算植被(本文来源于《南京信息工程大学》期刊2006-05-01）
植被生化组分论文开题报告
（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：
对地高光谱激光雷达可以获得观测对象含有高光谱属性的全波形激光雷达回波,为探测植被生化特征的立体分布提供了新的遥感探测手段。基于此仪器开展室内试验,提出了植被生化组分垂直分布提取方法。首先,针对仪器的特点,提出了高光谱激光雷达全波形数据处理的方法;其次,以火炬花为例开展了室内扫描,并对获取的高光谱激光雷达数据进行了处理,获得带有高光谱属性的激光雷达点云数据;最后,根据植被指数与生化组分的关系,提取了叶绿素和胡萝卜素的生化组分垂直分布结果。研究结果表明,在植被顶部生化组分含量较低,叶绿素a普遍低于0.5 mg/g,胡萝卜素低于0.2 mg/g,而在中部叶片处,生化组分含量明显较高,与红色(顶部)和绿色叶片(中部)在植被垂直方向的分布一致,这表明基于仪器开展植被生理生化参数垂直分布遥感反演具有极大的应用潜力。
（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。
植被生化组分论文参考文献
[1].陈方圆,周鑫,陈奕云,王奕涵,刘会增.不同核函数支持向量机和可见-近红外光谱的多种植被叶片生化组分估算[J].光谱学与光谱分析.2019
[2].高帅,牛铮,孙刚,覃驭楚,李旺.高光谱激光雷达提取植被生化组分垂直分布[J].遥感学报.2018
[3].程丽娟,孙林,姚延娟,沈艳.植被生化组分定量遥感反演研究进展[J].大气与环境光学学报.2011
[4].程丽娟.矿区植被生化组分高光谱遥感定量反演[D].山东科技大学.2011
[5].孙林,程丽娟.植被生化组分光谱模型抗土壤背景的能力[J].生态学报.2011
[6].孙林,程丽娟.植被叶片生化组分的光谱响应特征分析[J].光谱学与光谱分析.2010
[7].梁守真,施平,马万栋,邢前国,于良巨.植被叶片光谱及红边特征与叶片生化组分关系的分析[J].中国生态农业学报.2010
[8].宁艳玲.高光谱植被生化组分反演研究[D].东北师范大学.2010
[9].吴朝阳,牛铮.植物光化学植被指数对叶片生化组分参数的敏感性[J].中国科学院研究生院学报.2008
[10].沈艳.植被生化组分高光谱遥感定量反演研究[D].南京信息工程大学.2006