导读:本文包含了含水量估计论文开题报告文献综述及选题提纲参考文献，主要关键词:主被动传感器,贝叶斯融合,SAR,土壤含水量
含水量估计论文文献综述
谭龙飞,童玲,陈彦[1]（2018）在《基于贝叶斯融合的土壤含水量估计》一文中研究指出提出了一种基于贝叶斯融合的土壤含水量估计方法。该方法首先利用散射计与辐射计协同试验数据分别测量后向散射系数和亮温,并利用主被动模型提取农作物下垫面土壤含水量;然后利用贝叶斯融合算法将主被动反演结果进行融合,在农作物完整生长期,融合后土壤含水量与真实值相比,平均平方误差(MSE)小于3.56、平均绝对差值(MAD)小于1.36、平均相对误差(MRE)小于13.92%,同时分级贝叶斯与经典贝叶斯同真实土壤含水量的决定系数为0.77和0.60,证明基于贝叶斯理论的融合算法能够在整个生长期土壤含水量估计优于单一传感器。(本文来源于《电子科技大学学报》期刊2018年04期）
徐庆[2]（2018）在《基于高光谱的水稻含水量估计研究》一文中研究指出水稻是我国重要的农业作物,种植面积居世界首位,水稻的生产安全是保障我国粮食稳定的重中之重。水分是水稻的重要组成部分,同时也是水稻光合作用和呼吸作用的主要参与者,对水稻含水量进行实时监测,及时、有效、合理地对水稻进行灌溉是保障水稻健康成长和缓解水资源匮乏问题最有效的方法。随着高光谱技术和无人机技术的发展和运用,快速、无损、大面积地获取水稻含水量成为可能。本文以水稻为研究对象,利用水稻叶片和冠层高光谱数据以及无人机多光谱数据建立了水稻叶片含水量和植株含水量估计模型。主要研究内容包括:(1)分析水稻叶片高光谱与叶片含水量的关系,发现水稻叶片含水量敏感波段主要位于近红外波段,1450 nm、1833 nm、1930 nm、2220 nm和2500 nm为水稻叶片含水量的敏感波段。分析水稻冠层高光谱与植株含水量的关系,发现水稻植株含水量敏感波段与叶片含水量一致,主要位于近红外波段,1200 nm及其附近波段的光谱反射率对植株含水量的变化也比较敏感。(2)利用传统植被指数、构造植被指数、主成分估计、随机森林和梯度提升决策树对水稻四个时期(拔节孕穗期、抽穗开花期、灌浆结实期Ⅰ和灌浆结实期Ⅱ)的叶片含水量进行估计建模。结果表明:在拔节孕穗期,利用一阶导构造归一化植被指数ND_FD(1062,1784)建立的线性回归模型估计效果最优,模型验证决定系数为0.58,均方根误差为3.50,相对分析误差为1.61;在抽穗开花期,利用主成分分析法提取的10个叶片光谱主成分构建的多元线性回归模型估计效果最好,模型验证决定系数为0.61,均方根误差为1.66,相对分析误差达1.73;在灌浆结实期Ⅰ,随机森林估计效果最好,模型验证决定系数为0.86,均方根误差为1.16,相对分析误差为2.33;在灌浆结实期Ⅱ,利用归一化光谱构造差值植被指数DV_NR(2196,2255)估计该时期叶片含水量精度最高,模型验证决定系数为0.62,均方根误差为2.56,相对分析误差为1.70。水稻四个时期最优构造植被指数分别为 NDVI_FD(1062,1784)、DV_RC(1883,2300)、SR_FD(2087,2250)和DV_NR(2196,2255),均由近红外波段构成,近红外波段反射率与叶片含水量关系紧密,是叶片含水量的敏感波段。(3)利用传统植被指数、构造植被指数、主成分估计、随机森林和梯度提升决策树对水稻四个时期(拔节孕穗期、抽穗开花期、灌浆结实期Ⅰ和灌浆结实期Ⅱ)的植株含水量进行估计建模。结果表明:在拔节孕穗期,随机森林估计该时期植株含水量效果最好,模型验证决定系数为0.56,均方根误差为0.68,相对分析误差为1.58;在抽穗开花期,利用一阶导构造差值植被指数DV_FD(590,1720)建立的线性回归模型估计效果最好,验证决定系数为0.55,均方根误差为1.54,相对分析误差为1.57;在灌浆结实期Ⅰ,由梯度提升决策树估计该时期植株含水量效果最佳,模型验证决定系数为0.53,均方根误差为2.05,相对分析误差为1.48;在灌浆结实期Ⅱ,随机森林估计效果最好,模型验证决定系数为0.50,均方根误差为2.32,相对分析误差为1.41。由于田间水分的影响,水稻四个时期植株含水量估计模型的精度随叶面积指数的降低而降低。植株含水量四个时期最优构造指数分别为 DV_FD(790,1250)、DV_FD(590,1720)、SR_RC(745,1114)和DV_FD(775,2040),大多采用近红外波段,由于冠层光谱采集时受空气水分的干扰,1450 nm、1930 nm和2500 nm及其附近的水分吸收波段被剔除,而冠层光谱可见光波段属于水分的次级影响波段,与植株含水量具有一定的相关性,因此最优构造指数出现少数可见光波段。(4)利用无人机多光谱数据估计水稻拔节孕穗期植株含水量,结果表明利用band2和band6建立的多元线性回归模型估计效果最优,模型验证决定系数为0.51,均方根误差为1.04,相对分析误差为1.52。在水稻含水量估计建模中,由于植株含水量建模集和验证集的水稻品种不同以及田间水分的影响,植株含水量的建模效果较叶片含水量差。(本文来源于《武汉大学》期刊2018-05-01）
罗时雨,童玲,陈彦[3]（2017）在《全极化SAR图像的山地低矮植被区域土壤含水量估计》一文中研究指出山区土壤含水量对山区植被生长监测、滑坡预测等工作具有重要意义,因此针对山地低矮植被区域,提出了全极化SAR图像的土壤含水量估计方法。为解决山地区域SAR图像几何形变和极化旋转问题,根据入射角、坡度、坡向信息定义了可测区域与不可测区域,并对可测区域后向散射系数进行校正。其次以密西根模型为基础,发展了低矮植被的散射模型。在假定植被和土壤特征不变的情况下,基于此散射模型并结合校正数据建立了山区土壤含水量反演方法。结果表明,模型反演的土壤含水量和实验点实测值基本一致,两个实验点反演值分别为14%和15%,实测值为11.45%和15.80%,能够满足一般应用的需求。(本文来源于《遥感学报》期刊2017年06期）
许云[4]（2010）在《基于星—地遥感反演作物含水量的误差估计和模型应用》一文中研究指出作物水分含量的定量遥感研究,对于作物干旱的估测具有重要的研究价值。论文利用野外遥感结合相关农学参数测定,研究了不同水分处理下华北典型冬小麦生长区冠层光谱特征;基于水分特征波段反射率、红边参数、光谱指数和复比指数等特征参数,建立了不同的植被含水量统计反演模型,并利用相关系数、标准误差和相对误差对所建立的模型做了误差评价;然后,使用冬小麦各生育期的数据对建立的统计模型进行验证,并计算了实测值和估算值的相关系数及相对误差;最后,根据建立的统计模型,使用MODIS09A1数据反演得到冬小麦孕穗期华北地区作物含水量空间分布图。论文的主要研究成果和结论如下:(1)在水分特征波段反射率中,FMC(相对含水量,%)与R1450相关性最强(R= - 0.698),与R1940的相关性略弱(R= - 0.695);R970反演EWT(等价水厚度,g/cm2或cm)最好(R= 0.531)。红边参数与FMC具有稳定、显着的相关关系,相对误差均小于2%;红边参数与EWT的相关关系相对不稳定,相对误差也相对较大,但总体上,相关也系数比较高(达到0.01水平显着性水平)。表明利用红边参数反演植被含水量具有可行性。(2)在单一植被指数中,反演FMC(R=0.837)和EWT(R=0.683)最好的是NDVI,SR(RFMC=0.834,REWT=0.672)略次于NDVI;在水分指数中,NDII反演FMC(R=0.725)和EWT(R=0.378)最好的。研究发现:植被指数反演的好与坏,与植被指数所使用的水分敏感波段有一定的关系;同一植被指数与FMC的相关性比与EWT的相关性强。(3)与对应的水分指数相比,复比指数与FWC和EWT的相关系数有不同程度的提高,其中对EWT的相关系数提高明显。同一水分指数(CwVI),CwVI/SR与FMC和EWT的相关性明显强于CwVI/NDVI与FMC和EWT的相关性。虽然CwVI/SR反演FMC的结果好于EWT,但是CwVI/NDVI在反演FMC和EWT时却没有表现出明显的优劣差异。(本文来源于《中国气象科学研究院》期刊2010-05-01）
[5]（2004）在《怎么估计苜蓿的含水量》一文中研究指出吉林市昌邑区读者孔祥光来信询问：苜蓿脱水过程中如何估计含水量？主持人就此查阅了有关资料后解答如下：（1）含水量在50%以下的苜蓿。叶片卷缩，由鲜绿色变成深绿色，叶柄易折断，茎秆下半部叶片开始脱落，茎秆颜色基本未变。压迫茎时，能挤出水分，茎的表皮可用指甲刮(本文来源于《农业知识》期刊2004年27期）
冉兴龙[6]（1999）在《放射性同位素法测定路基土压实度时体积含水量偏值的估计分析》一文中研究指出着重讨论了放射性同位素法在测定路基土压实度时经常遇到的含水量偏值估计问题。分析了偏值存在的原因及进行偏值校正的前提条件，并且给出了偏值估计的计算方法。(本文来源于《内蒙古公路与运输》期刊1999年02期）
Robert,J,Greavcs[7]（1997）在《根据多偏移距地面穿透雷达估计速度变化和含水量》一文中研究指出已经证实,利用共中心点(CMP)处理技术可有效地改进地面穿透雷达(GPR)剖面的质量。当我们以CMP多偏移距排列方式采集雷达数据时,利用迭加技术就能提高地下雷达反射数据的信噪比,从而改进(本文来源于《石油物探译丛》期刊1997年03期）
含水量估计论文开题报告
（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：
水稻是我国重要的农业作物,种植面积居世界首位,水稻的生产安全是保障我国粮食稳定的重中之重。水分是水稻的重要组成部分,同时也是水稻光合作用和呼吸作用的主要参与者,对水稻含水量进行实时监测,及时、有效、合理地对水稻进行灌溉是保障水稻健康成长和缓解水资源匮乏问题最有效的方法。随着高光谱技术和无人机技术的发展和运用,快速、无损、大面积地获取水稻含水量成为可能。本文以水稻为研究对象,利用水稻叶片和冠层高光谱数据以及无人机多光谱数据建立了水稻叶片含水量和植株含水量估计模型。主要研究内容包括:(1)分析水稻叶片高光谱与叶片含水量的关系,发现水稻叶片含水量敏感波段主要位于近红外波段,1450 nm、1833 nm、1930 nm、2220 nm和2500 nm为水稻叶片含水量的敏感波段。分析水稻冠层高光谱与植株含水量的关系,发现水稻植株含水量敏感波段与叶片含水量一致,主要位于近红外波段,1200 nm及其附近波段的光谱反射率对植株含水量的变化也比较敏感。(2)利用传统植被指数、构造植被指数、主成分估计、随机森林和梯度提升决策树对水稻四个时期(拔节孕穗期、抽穗开花期、灌浆结实期Ⅰ和灌浆结实期Ⅱ)的叶片含水量进行估计建模。结果表明:在拔节孕穗期,利用一阶导构造归一化植被指数ND_FD(1062,1784)建立的线性回归模型估计效果最优,模型验证决定系数为0.58,均方根误差为3.50,相对分析误差为1.61;在抽穗开花期,利用主成分分析法提取的10个叶片光谱主成分构建的多元线性回归模型估计效果最好,模型验证决定系数为0.61,均方根误差为1.66,相对分析误差达1.73;在灌浆结实期Ⅰ,随机森林估计效果最好,模型验证决定系数为0.86,均方根误差为1.16,相对分析误差为2.33;在灌浆结实期Ⅱ,利用归一化光谱构造差值植被指数DV_NR(2196,2255)估计该时期叶片含水量精度最高,模型验证决定系数为0.62,均方根误差为2.56,相对分析误差为1.70。水稻四个时期最优构造植被指数分别为 NDVI_FD(1062,1784)、DV_RC(1883,2300)、SR_FD(2087,2250)和DV_NR(2196,2255),均由近红外波段构成,近红外波段反射率与叶片含水量关系紧密,是叶片含水量的敏感波段。(3)利用传统植被指数、构造植被指数、主成分估计、随机森林和梯度提升决策树对水稻四个时期(拔节孕穗期、抽穗开花期、灌浆结实期Ⅰ和灌浆结实期Ⅱ)的植株含水量进行估计建模。结果表明:在拔节孕穗期,随机森林估计该时期植株含水量效果最好,模型验证决定系数为0.56,均方根误差为0.68,相对分析误差为1.58;在抽穗开花期,利用一阶导构造差值植被指数DV_FD(590,1720)建立的线性回归模型估计效果最好,验证决定系数为0.55,均方根误差为1.54,相对分析误差为1.57;在灌浆结实期Ⅰ,由梯度提升决策树估计该时期植株含水量效果最佳,模型验证决定系数为0.53,均方根误差为2.05,相对分析误差为1.48;在灌浆结实期Ⅱ,随机森林估计效果最好,模型验证决定系数为0.50,均方根误差为2.32,相对分析误差为1.41。由于田间水分的影响,水稻四个时期植株含水量估计模型的精度随叶面积指数的降低而降低。植株含水量四个时期最优构造指数分别为 DV_FD(790,1250)、DV_FD(590,1720)、SR_RC(745,1114)和DV_FD(775,2040),大多采用近红外波段,由于冠层光谱采集时受空气水分的干扰,1450 nm、1930 nm和2500 nm及其附近的水分吸收波段被剔除,而冠层光谱可见光波段属于水分的次级影响波段,与植株含水量具有一定的相关性,因此最优构造指数出现少数可见光波段。(4)利用无人机多光谱数据估计水稻拔节孕穗期植株含水量,结果表明利用band2和band6建立的多元线性回归模型估计效果最优,模型验证决定系数为0.51,均方根误差为1.04,相对分析误差为1.52。在水稻含水量估计建模中,由于植株含水量建模集和验证集的水稻品种不同以及田间水分的影响,植株含水量的建模效果较叶片含水量差。
（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。
含水量估计论文参考文献
[1].谭龙飞,童玲,陈彦.基于贝叶斯融合的土壤含水量估计[J].电子科技大学学报.2018
[2].徐庆.基于高光谱的水稻含水量估计研究[D].武汉大学.2018
[3].罗时雨,童玲,陈彦.全极化SAR图像的山地低矮植被区域土壤含水量估计[J].遥感学报.2017
[4].许云.基于星—地遥感反演作物含水量的误差估计和模型应用[D].中国气象科学研究院.2010
[5]..怎么估计苜蓿的含水量[J].农业知识.2004
[6].冉兴龙.放射性同位素法测定路基土压实度时体积含水量偏值的估计分析[J].内蒙古公路与运输.1999
[7].Robert,J,Greavcs.根据多偏移距地面穿透雷达估计速度变化和含水量[J].石油物探译丛.1997