导读:本文包含了冠层光谱模型论文开题报告文献综述及选题提纲参考文献，主要关键词:高光谱遥感,估算模型,随机森林算法,水稻冠层
冠层光谱模型论文文献综述
武旭梅,常庆瑞,落莉莉,由明明[1]（2019）在《水稻冠层叶绿素含量高光谱估算模型》一文中研究指出为了寻求西北引黄灌区水稻冠层叶绿素含量的高精度估算模型,通过田间试验测定了水稻冠层SPAD和高光谱数据,运用任意波段组合的方式构建了一系列基于原始光谱、一阶导数光谱的比值、差值、归一化和土壤调节植被指数,筛选出反映水稻冠层SPAD的最佳植被指数作为自变量,应用普通回归分析方法和随机森林算法建立了该区域水稻冠层SPAD估算模型并进行了对比分析。结果表明:(1)应用普通回归分析方法,以RVI(D_(1316),D_(736))为自变量建立的指数模型是估算西北引黄灌区水稻冠层SPAD的最佳单变量模型;(2)采用随机森林算法,以4个植被指数RVI(R_(696),R_(540))、DVI(R_(700),R_(536))、SAVI(R_(700),R_(536))、RVI(D_(1316),D_(736))建立的估算模型比普通回归模型精度更高,验证结果的决定系数R~2为0.873,均方根误差RMSE为3.221,平均相对误差RE为13.25%。说明通过随机森林算法建立的模型可以实现水稻冠层SPAD的精准估测,可以用于西北引黄灌区水稻冠层叶绿素含量的快速、无损获取。(本文来源于《干旱地区农业研究》期刊2019年03期）
孙小香,王芳东,赵小敏,谢文,郭熙[2]（2019）在《基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型》一文中研究指出[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"叁边"参数以及由350～1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"叁边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。(本文来源于《中国农业资源与区划》期刊2019年03期）
洪帅,张泽,张立福,马露露,海兴岩[3]（2019）在《滴灌棉花不同生育时期冠层叶片叶绿素含量的高光谱估测模型》一文中研究指出【目的】利用高光谱数据对新疆北方地区不同生育时期滴灌棉花冠层叶片叶绿素含量进行估测,建立生长时序的叶绿素含量估算模型。【方法】以新陆早45号为试验材料,测定不同施氮水平和生育时期棉花冠层叶片叶绿素含量及对应的光谱反射率,分析了12种指数与叶绿素含量的关系,构建了滴灌棉花冠层叶片叶绿素含量的估测模型。【结果】棉花的4个生育时期(现蕾期、盛蕾期、花铃期和吐絮期)中冠层叶片叶绿素含量与Vogelmann红边指数1的相关系数都高,分别是0.944、0.907、0.895、0.930;采用多元回归方法建立的模型精度高于单指数线性模型,其决定系数都大于0.8,且均方根误差(RMSE)都较小。现蕾期模型(y=82.509x_1+89.937x_2-94.438)精度最好。【结论】针对不同生育时期建立的模型均可对棉花冠层叶片叶绿素含量进行估测,其中现蕾期模型监测效果最好。(本文来源于《棉花学报》期刊2019年02期）
向佳琳,李达仁,刘倩,黄丹枫,常丽英[4]（2019）在《基于冠层光谱与表型信息融合的温室网纹甜瓜水分预测模型》一文中研究指出为连续、快速地预测甜瓜植株含水率,提高预测精度,本研究在对不同水分处理下,冠层叶片反射光谱和植株表型特征进行分析的基础上,采用多信息融合技术,对温室网纹甜瓜植株进行了水分预测研究。结果表明,多信息融合技术对水分的预测精度优于单一的光谱和表型预测方法。预测结果在幼苗期、伸蔓期和果实生长期实测值与预测值拟合优度(r~2)分别为0.710、0.857和0.939;平均相对误差(MRE)分别为1.27%、0.74%和0.07%;相对均方根差(RRMSE)分别为1.45%、0.97%和1.58%。研究结果为网纹甜瓜生产中水分精准管理提供了理论基础。(本文来源于《上海交通大学学报(农业科学版)》期刊2019年01期）
束美艳,顾晓鹤,孙林,朱金山,杨贵军[5]（2019）在《表征冬小麦倒伏强度敏感冠层结构参数筛选及光谱诊断模型》一文中研究指出针对倒伏胁迫下冬小麦冠层结构变化规律不清、冠层光谱响应机理不明的问题,以灌浆期倒伏冬小麦为研究对象,分析不同倒伏强度下冬小麦冠层结构参数变化规律,通过光谱探测视场内的茎、叶、穗面积比率与倒伏角度的相关性分析,筛选出表征倒伏强度的敏感冠层结构参数,采用传统光谱变换方法与连续小波变换方法对倒伏冬小麦冠层高光谱数据进行处理分析,筛选冠层结构参数的敏感波段和小波系数,采用偏最小二乘法构建冠层结构参数与高光谱特征参量的响应模型,并利用野外实测样本验证模型精度(建模集样本28个,验证集样本13个)。研究结果表明:倒伏后的冬小麦茎叶比与倒伏角度的相关性最高(-0.687,P<0.01),能较好地表征冬小麦倒伏强度,且茎叶比随着倒伏角度的减小而增加;基于连续小波变换的冬小麦倒伏灾情诊断模型优于常规光谱变换方法,检验样本的决定系数为0.632(P<0.01);以冠层茎叶比预测结果进行倒伏灾情等级划分的精度可达84.6%。因此,不同倒伏强度的冠层茎叶比与冬小麦冠层光谱之间的响应规律可以有效区分倒伏灾情等级,有助于为区域尺度的冬小麦倒伏灾情遥感监测提供先验知识。(本文来源于《农业工程学报》期刊2019年04期）
董淼,王振锡[6]（2018）在《苹果冠层叶绿素含量高光谱估算模型》一文中研究指出【目的】研究一种快速、简便、无损的苹果冠层叶绿素含量估测模型。探索苹果品种岩富10号冠层的高光谱特征和叶绿素含量的估测方法,为该地区岩富10号苹果营养的快速诊断奠定基础,为红富士苹果精准化管理和-7光谱尺度研究提供参考依据。【方法】以红富士苹果(Malus domestica Borkh.cv.Red Fuji)主栽品种岩富10号叶绿素含量以及冠层高光谱反射率为数据源,分析叶绿素含量与冠层原始光谱(R)、微分光谱(R')之间的相关关系,利用敏感波段建立新的对应关系,构建岩富10号叶绿素含量的多种回归估测模型,并对不同模型进行了精度评价。【结果】微分光谱用于岩富10号叶绿素含量的估测精度要显着高于原始光谱反射率;利用敏感波段组合新定义的衍生变量拟合程度更优;在多种回归方式中,叁次多项式模型的拟合程度最好,最优模型为357 nm等7个波段组合定义的新植被指数所建立的叁次多项式模型,其精度为0.839。【结论】应用光谱技术对南疆塔里木盆地阿克苏地区岩富10号叶绿素含量进行定量反演是可行的。(本文来源于《新疆农业科学》期刊2018年06期）
陈晓娜,赵庚星,周雪,张颖,宿宝巍[7]（2018）在《基于高光谱的小麦冠层叶绿素(SPAD值)估测模型》一文中研究指出选择山东省泰安市山东农业大学试验田为研究区,分别采用ASD FieldSpec 3光谱仪和SPAD-502叶绿素仪测量小麦冠层的近地高光谱反射率和SPAD值,通过分析小麦冠层光谱特征,进行光谱反射率及其一阶导数与SPAD值的相关分析,筛选敏感波段,进而分别构建基于敏感波段和植被指数的小麦冠层SPAD值估测模型,并优选确定最佳模型。结果表明,光谱反射率经一阶导数变换能更好突出光谱特征,用来筛选敏感波段,将6个敏感波段分别建立单波段及多波段组合估测模型,进而优选出最佳估测模型为R′_(871),R_(1 349),R_(725),R′_(1 995)多元线性回归模型,决定系数R~2=0.668;基于4种植被指数构建的小麦叶绿素最佳估测模型为NDVI的二次模型,方程为y=61.978 x~2-34.426 x+54.089,决定系数R~2为0.845。基于植被指数的估测模型可较好实现小麦冠层叶绿素信息的无损和快速获取,为小麦生产的实时监测提供了有效手段。(本文来源于《天津农业科学》期刊2018年02期）
刘泽飞[8]（2017）在《基于植被冠层光谱BRDF模型的LAI反演研究》一文中研究指出叶面积指数(Leaf Area Index,LAI)是指单位水平地表上方所有叶片面积的总和,是衡量生物圈与大气圈能量中物质循环和能量流通、植被生长态势和监控全球气候变化的一个重要指标。传统直接测量方法虽然在精度上能够满足实际应用的需要,但该方法具有很大的破坏性且人力物力的投入过大,因而对于大面积LAI数据获取还存在很大难度;遥感监测属于非接触间接测量,以其能够大面积、高效、全天候、非破坏性测量等优势被广泛应用。在遥感影像数据获取的过程中,地表反射率往往作为反演地物理化及生物特性的重要参量而被广泛使用,但高精度地表反射率产品通常与传感器成像几何姿态以及大气环境密切相关。本文研究和讨论了太阳天顶角和传感器成像姿态对植被光谱的影响,提出一种基于植被冠层BRDF效应的LAI反演方法,该方法应用PROSAIL模型获取模拟数据,并将此作为样本集输入到BP神经网络(Back Propagation Artificial Neural Network,BP-ANN)进行训练构建反演模型。文章主要工作和相应结论如下:(1)、根据实测数据、参考资料及先验知识,构建植被辐射传输模型多角度参数数据库,在参数数据库基础之上模拟植被冠层光谱数据,根据模拟数据角度信息,计算半经验Ross-Li(Ross thick-Li transit)模型核参数。(2)、设计RVI、DVI、NDVI、MSR、EVI1、EVI2、RDVI、ARVI、SAVI、OSAVI、MSAVI、NLI 12个植被指数,分别与LAI建立经验统计模型。利用模拟验证样本和实测小麦数据对各指数模型进行精度验证,发现基于NDVI的统计模型在LAI反演过程中具有最高精度,实测小麦数据验证结果为:R2=0.78,MAE=0.380505,RMSE=0.486441。(3)、根据神经网络的超强容错、非线性映射能力,提出基于BP神经网络的LAI反演方法,即依据健康植被对电磁波的反射特性,以植被冠层多光谱数据为输入、LAI为输出构建神经网络反演模型。文章构建两个4层BP神经网络模型针对是否考虑植被冠层方向性特征的情况进行建模分析,其中神经网络1忽略冠层的几何光学特性,而神经网络2考虑了植被冠层BRDF特性,即将Ross–Li核参数作为几何光学特性的表征参数应用于神经网络的训练。利用模拟数据和实测小麦数据对两种网络进行精度验证,忽略植被冠层几何光学特性的神经网络1对实测数据的验证精度为:R2=0.80859,MAE=0.45998,RMSE=0.34936;顾及植被冠层BRDF效应的神经网络2精度为:R2=0.82973,MAE=0.44297,RMSE=0.33886。文章得出结论:(1)、在基于经验统计模型反演LAI时,NDVI在12种植被指数中具有更高的反演精度,更好的鲁棒性,反演结果更可靠;(2)、基于植被冠层反射率光谱建立的神经网络反演模型,以其特有的非线性拟合能力使得其反演结果明显优于NDVI统计模型;(3)、考虑植被冠层BRDF效应的神经网络反演精度优于不考虑该效应的神经网络。故文章提出一种基于植被冠层光谱BRDF模型的神经网络LAI反演方法,该方法在一定程度上可以提高LAI的反演精度。(本文来源于《西安科技大学》期刊2017-06-01）
罗丹,常庆瑞,齐雁冰,李媛媛,李松[9]（2016）在《基于光谱指数的冬小麦冠层叶绿素含量估算模型研究》一文中研究指出为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。(本文来源于《麦类作物学报》期刊2016年09期）
王树文,赵珊,张长利,苏中滨,王丽凤[10]（2016）在《基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型》一文中研究指出为了探索寒地玉米冠层氮素含量,以不同氮素水平下玉米大田试验为基础,利用高光谱成像技术探讨苗期玉米冠层光谱,通过相关矩阵法选择植被指数的变量,并依据叶片氮素含量与植被指数的相关性,建立玉米冠层氮素含量预测模型。结果表明:根据玉米冠层高光谱图像,选择与各波段相关性较强的525、566、700、715、895 nm作为植被指数的变量,构建与氮素含量相关性强的植被指数归一化植被指数NDVI(normalized difference vegetation index)、归一化光谱植被指数NDSI(normalized difference spectral index)、比值光谱指数RSI(ratio spectral index)、差值光谱指数DSI(difference spectral index)。以与叶片氮素含量相关性较高的植被指数为自变量,建立单变量、多变量回归预测模型。采用单变量NDVI二次函数回归模型作为0、50 kg/hm~2施氮量下玉米冠层氮素含量预测模型,其R~2分别为0.719、0.803。在100 kg/hm~2施氮量下玉米冠层氮素含量的预测模型为3变量回归模型,其R~2达到0.657。用置信椭圆F检验法检验预测模型,其F值均小于F0.05,估测值与实测值间R2分别是0.724、0.798、0.655,标准误差RMSE分别为0.156、0.140、0.156 mg/g,表明实测值和估测值间的差异不明显,预测模型可用。(本文来源于《农业工程学报》期刊2016年13期）
冠层光谱模型论文开题报告
（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：
[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"叁边"参数以及由350～1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"叁边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。
（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。
冠层光谱模型论文参考文献
[1].武旭梅,常庆瑞,落莉莉,由明明.水稻冠层叶绿素含量高光谱估算模型[J].干旱地区农业研究.2019
[2].孙小香,王芳东,赵小敏,谢文,郭熙.基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型[J].中国农业资源与区划.2019
[3].洪帅,张泽,张立福,马露露,海兴岩.滴灌棉花不同生育时期冠层叶片叶绿素含量的高光谱估测模型[J].棉花学报.2019
[4].向佳琳,李达仁,刘倩,黄丹枫,常丽英.基于冠层光谱与表型信息融合的温室网纹甜瓜水分预测模型[J].上海交通大学学报(农业科学版).2019
[5].束美艳,顾晓鹤,孙林,朱金山,杨贵军.表征冬小麦倒伏强度敏感冠层结构参数筛选及光谱诊断模型[J].农业工程学报.2019
[6].董淼,王振锡.苹果冠层叶绿素含量高光谱估算模型[J].新疆农业科学.2018
[7].陈晓娜,赵庚星,周雪,张颖,宿宝巍.基于高光谱的小麦冠层叶绿素(SPAD值)估测模型[J].天津农业科学.2018
[8].刘泽飞.基于植被冠层光谱BRDF模型的LAI反演研究[D].西安科技大学.2017
[9].罗丹,常庆瑞,齐雁冰,李媛媛,李松.基于光谱指数的冬小麦冠层叶绿素含量估算模型研究[J].麦类作物学报.2016
[10].王树文,赵珊,张长利,苏中滨,王丽凤.基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型[J].农业工程学报.2016