导读:本文包含了光谱植被指数论文开题报告文献综述及选题提纲参考文献，主要关键词:叶绿素诊断,光谱迁移,生育期响应,光谱覆盖面积
光谱植被指数论文文献综述
刘豪杰,李民赞,张俊逸,高德华,孙红[1]（2019）在《一种针对作物生育期光谱迁移的修正植被指数》一文中研究指出针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC)。以信噪比(SNR)和平滑度指标(S)进行综合评价,小波去噪函数的最佳参数为("sqtwolog","mln","3","db5")。相关性分析结果表明,生育期特征波段的迁移范围为(700 nm, 723 nm)。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L~(-1)的分辨率建立一元线性回归模型的结果为:拔节期R■=0.840 1,R■=0.823 7;孕穗期R■=0.865 5,R■=0.817 4;扬花期R■=0.833 8,R■=0.807 6。与ratio vegetation index(RVI)等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。(本文来源于《光谱学与光谱分析》期刊2019年10期）
郭建茂,王星宇,李淑婷,谢晓燕,刘荣花[2]（2019）在《基于冠层光谱红边参数和植被指数的冬小麦水分胁迫监测》一文中研究指出基于冬小麦不同水分胁迫试验,采用便携式光谱仪测定冬小麦抽穗期、开花期和灌浆期受不同水分胁迫处理的冠层光谱反射率,分析不同水分处理下冬小麦冠层光谱特性,并对植被指数、红边参数与冠层叶片含水率和土壤含水率进行相关性分析,构建各生育期叶片含水率和土壤含水率的最佳监测模型,实现对冠层叶片含水率以及土壤含水率的监测评估。结果显示,在整个生育期,冬小麦的冠层光谱反射率在可见光范围呈现绿峰红谷,尤其在旺盛生长时期,随着水分胁迫程度加深,绿峰红谷逐渐变得不明显,红谷抬升幅度增大;相反,在近红外波段范围内水分胁迫主要使得反射率表现为明显下降;冬小麦红边参数随生长进程呈蓝移现象,灌浆期受胁迫程度越重的红边参数越低;植被指数(EVI、NDVI、SAVI、WI)在开花期之后具有不同程度的下降趋势,至灌浆期有大幅度减小,且随受胁迫程度加深植被指数下降幅度增大;植被指数和红边位置、红边面积在灌浆期与叶片含水率和土壤含水率有显着相关,其中植被水分指数WI、归一化植被指数NDVI和红边位置λ_(red)相关性较佳,其建立的叶片含水率和土壤含水率估算模型效果较好,决定系数r~2均大于0.84,平均相对误差(MRE)≤0.207。综合分析认为,冠层反射光谱特征和植被指数与冬小麦冠层叶片含水率和土壤含水率相关性良好,可利用高光谱遥感参数对冬小麦的水分状况进行快速、准确监测。(本文来源于《江苏农业科学》期刊2019年10期）
彭瑶[3]（2019）在《基于高光谱遥感的叁峡库区典型消落带植被指数构建研究》一文中研究指出叁峡库区的植被群落是其生态系统的基础组成部分,叁峡水利工程引起水位的涨落对库区植被群落组成、生物多样性等方面造成直接影响,以往研究多是基于野外调查手段对库区植被群落进行研究,尚未见基于高光谱技术对叁峡库区植被群落进行相关研究。本研究将突破利用传统方式,基于高光谱遥感手段对库区植被群落进行监测,研究库区植被群落分类方法,为库区植被群落研究提供重要参考。本文以叁峡库区澎溪河流域典型消落带为研究区域,基于无人机飞行获取的PIKA-L高光谱遥感数据以及相关野外实测数据与调查数据,从高光谱遥感影像分别获取典型植被群落苍耳、狗牙根、水稻、玉米、花生的光谱特征,利用光谱微分法,对澎溪河流域植被群落的光谱特征进行分析;通过描述性统计法筛选出植被群落分离性最大的波段,基于描述性统计频率方法对各植被群落的21个植被指数进行分析,筛选出植被群落分离性较大植被指数,同时,结合光谱特征分析结果,构建植被指数,实现叁峡库区植被群落决策树分类应用。研究结论如下:(1)各植被群落在近红外波段处的实测光谱特征平均值高于高光谱遥感影像光谱特征平均值,但各植被群落实测光谱特征的类间差异性与高光谱遥感影像光谱特征的类间差异性相对一致,基于植被群落的高光谱特征进行植被群落判别研究具有一定科学性。(2)植被群落光谱特征差异性主要体现在红边位置、绿峰位置、近红外波段位置,提取得到有利于植被群落分类的特征波段为549nm,700.6nm,713.5nm,722nm,799.9nm。(3)构建植被指数所使用的波段的正确选择、植被指数构建方式对各植被群落的指数差异性产生重要影响,简单差值植被指数与比值植被指数对区分植被群落的分离性较差,而复杂比值植被指数对于区分植被群落的分离性更好。(4)从各植被指数描述性统计数据上直观分析,苍耳在CI1指数上约81.5%、玉米在CI2指数上约85.6%、狗牙根在CI3指数上约93.6%与其余类别存在分离性,CI1、CI2、CI3指数均从一定程度上增大了植被群落的差异性。(5)运用新构建植被指数进行决策树分类的Kappa系数为0.60,运用波段进行分类的Kappa系数为0.55,总体而言,指数分类比波段分类精度更高。因此,也可以说明本研究所构建指数的进行植被分类时具有一定鲁棒性。(6)植被群落的光谱特征的变化与植被覆盖度在绝大多数波段上表现出的相关性高于0.7,植被覆盖度的高低对分类精度造成影响,在植被覆盖度较低区域容易混分,应用新构建植被指数对植被覆盖度较高区域分类效果较好。(本文来源于《重庆师范大学》期刊2019-03-01）
裴信彪,吴和龙,马萍,严永峰,彭程[4]（2018）在《基于无人机遥感的不同施氮水稻光谱与植被指数分析》一文中研究指出卫星遥感空间分辨率低且易受大气、云层、雨雪等因素的影响。本文使用共轴十二旋翼无人机搭载光谱仪构成农情遥感系统。首先,给出自主设计的无人机结构和飞行控制系统,围绕飞行平台、控制系统、遥感载荷构建了多环节数据备份的无人机遥感数据采集系统;然后,试验测试4种施氮水平水稻的光谱指数变化规律;最后,通过试验数据分析可得:在可见光区水稻冠层光谱反射率随氮素水平增加而减小,在近红外区,光谱反射率一开始随氮素水平增加而增大,但氮素水平增大到一定程度后再增加氮素导致反射率降低。在4种氮素水平下,水稻植被指数RVI和NDVI由分蘖期到拔节期先增大,然后至抽穗期又逐渐减小,且抽穗期RVI和NDVI值小于其分蘖期RVI和NDVI值。试验表明以多旋翼无人机为平台搭载光谱仪器构成农情遥感监测系统用于反演作物植被指数方面是可行的。本文设计的无人机遥感数据采集系统能够有效、实时获取遥感信息,其获取的高空间分辨率和光谱分辨率的农田实时信息能够为作物长势的分析、健康状况的监测提供必要的数据支持。(本文来源于《中国光学》期刊2018年05期）
束美艳,顾晓鹤,孙林,朱金山,杨贵军[5]（2018）在《基于新型植被指数的冬小麦LAI高光谱反演》一文中研究指出【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显着下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显着相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。(本文来源于《中国农业科学》期刊2018年18期）
皮伟强[6]（2018）在《基于地面高光谱植被指数地表微斑块阈值分类》一文中研究指出草原地表微斑块特指鼠洞、裸土与植被,是评价草原退化的重要指标。高光谱微斑块的识别与分类对于遥感的草原退化监测与评价研究起到基础性的工作,对草原区域性规划、系统恢复与重建理起到至关重要的作用。本研究以地面高光谱数据为研究对象,在内蒙古四子王旗境内典型荒漠化草原进行数据采集,利用植被指数阈值法找寻地表微斑块的阈值区间及最佳可分性像元,力求找到一种适合区域特点的阈值分类方法,对地表微斑块进行高精度分类,以实现无人机高光谱遥感对荒漠化草原的定量反演提供理论基础。本研究在试验区对地物样方、鼠洞样方进行地面高光谱影像采集,以地面实测高光谱数据为基础,基于叁种植被指数(比值植被指数、归一化植被指数、土壤调整植被指数)对地面高光谱数据进行处理,采用植被指数阈值法、目视解译法对试验区叁种典型荒漠化草原地表微斑块(植被、裸土与鼠洞)阈值进行统计及分析,并利用Spss进行Kappa系数验证。研究结果表明:基于植被指数阈值法对荒漠化草原地表微斑块进行识别、分类的方法可行;归一化植被指数阈值法对植物群落与非植被群落(裸地、鼠洞)分类效果最佳,最佳可分性像元阈值为0.4,Kappa系数下验证精度达达96.2%;土壤调整植被指数对鼠洞与非鼠洞(植物群落、裸地)分类效果最佳,最佳像元可分性阈值为0.185,Kappa系数下验证精度达达96.7%。本文初步实现了对荒漠化草原地表微斑块的分类与识别,为无人机高光谱遥感对内蒙古典型草原植被指数反演、裸土面积及鼠洞数量统计有一定借鉴意义。(本文来源于《内蒙古农业大学》期刊2018-06-01）
皮伟强,杜健民,陈程,朱相兵,刘浩[7]（2018）在《基于归一化植被指数对荒漠化草原地面高光谱影像中植被的识别》一文中研究指出草原植被的分布与面积是草原退化评定的重要指标。以荒漠化草原植被为研究对象,在内蒙古四子王旗试验区域自然光下采植被的高光谱数据,通过构建植被光谱特征指标阈值对植被覆盖地区与非植被覆盖地区进行识别和分类,为低空高光谱遥感进行大面积的识别及数量统计提供依据,为高效,适时的草原监测和退化评价提供理论和技术手段。选择具有代表性归一化植被指数NDVI分析数据规律。结果表明:荒漠化草原阈值区间为0.01~0.9,其中植被阈值区间为0.4~0.9,非植被阈值区间为0.01~0.4,当NDVI阈值取0.4时对有无植被覆盖分类明显,经Kappa系数验证精度达96.2%。高精度的植被识别为后续无人机高光谱遥感提供数据数据支持及理论基础。(本文来源于《内蒙古农业大学学报(自然科学版)》期刊2018年04期）
张海威,张飞,张贤龙,李哲,Abduwasit,Ghulam[8]（2018）在《光谱指数的植被叶片含水量反演》一文中研究指出利用光谱技术监测植被水分状况是了解植被生理状况及生长趋势的重要手段之一。选择艾比湖湿地自然保护区作为靶区。采用聚类分析、变量投影重要性分析(VIP)以及敏感性分析等方法,对植被不同含水量进行分级,并针对不同等级的植被含水量进行估算及验证。结果表明:(1)基于聚类分析中的欧氏距离的方法将植被叶片相对含水量划分为高等、中等、低等叁个等级,其范围分别为70.76%~80.69%,53.27%~70.76%,31.00%~53.27%。在中红外与远红外(1 350~2 500nm)之间,反射率越低植被含水量越高;波长380~1 350nm范围,无此现象。(2)应用VIP方法可知,所选的8种植被水分指数VIP值均超过了0.8,说明植被水分指数预测能力均较强且差别不显着。其中MSI,GVMI与植被叶片相对含水量的非线性叁次拟合函数效果最佳,MSI决定系数R2为0.6575和GVMI决定系数R2为0.674 2。植被叶片相对含水量在30%~45%范围,MSI指数的NE值最低,在45%~90%范围时,GVMI指数的NE值最低。NDWI1240指数的NE值在70%左右起伏较大,说明NDWI1240指数在植被含水量为70%左右,预测能力较差。(3)通过误差分析可知GVMI指数反演的结果误差最小,不同的植被指数对不同含水量的植被估算结果相差较为明显,因此分段估算植被含水量是有必要的。综上所述,利用高光谱遥感技术对监测艾比湖保护区植被生长及干旱环境提供基础研究。(本文来源于《光谱学与光谱分析》期刊2018年05期）
张松,冯美臣,杨武德,王超,孙慧[9]（2018）在《基于高光谱植被指数的冬小麦产量监测》一文中研究指出为了研究利用不同生育时期的植被指数监测冬小麦产量,以2 a不同肥料处理的冬小麦为研究对象,分析不同生育时期植被指数与冬小麦产量的关系,构建冬小麦产量的光谱植被指数监测模型。结果表明,植被指数能有效监测冬小麦产量,其中,孕穗期和抽穗期植被指数的监测效果较好,孕穗期的校正均方根误差(RMSEC)和决定系数(R_C~2)分别为1 131.42和0.78,抽穗期的RMSEC和R_C~2分别为1 015.59和0.77,拔节期的监测效果次之,灌浆期和成熟期的监测效果较差;但从作物生产角度考虑,拔节期监测冬小麦产量具有更重要的现实意义。研究表明,利用拔节期植被指数能够实现冬小麦产量的早期估测。(本文来源于《山西农业科学》期刊2018年04期）
孙桂芬,覃先林,尹凌宇,刘树超,李增元[10]（2018）在《基于时序高分一号宽幅影像火后植被光谱及指数变化分析》一文中研究指出为了探究国产高分卫星遥感技术监测火干扰对植被生长影响的能力及其表征植被指数,选取2014年发生在四川省雅江县和冕宁县的两场森林火灾形成的火烧迹地作为研究区,利用火灾前后时序的高分一号宽幅(GF-1 WFV)数据,对不同受灾程度火烧迹地火灾前后的光谱特征变化进行分析,并以月为单位分析了不同受害程度植被火后两年内由GF-1 WFV数据生成的归一化植被指数(NDVI)、增强型植被指数(EVI)和全球环境监测植被指数(GEMI)等叁种表征植被生长状态的植被指数的变化,结合研究区纬度、海拔和气候条件分析火后植被的年内恢复规律。结果表明:火烧造成植被色素和细胞结构破坏,使其不再表现出正常植被特有的光谱特征,在可见光区受害植被的反射率相比于正常植被偏高,且其值随受灾程度加重而升高;在近红外波段火干扰后的植被反射率降低,其值远低于正常植被的反射率值。NDVI,EVI和GEMI在表征植被恢复生长过程中存在高度相关性且对植被季节变化敏感,均能反映植被恢复的生长过程,具有描述火烧区植被恢复动态过程的能力;受灾植被恢复生长过程中的植被指数变化与正常植被年生长过程的植被指数变化趋势基本一致,同样存在生长季和非生长季;火烧区植被的NDVI,EVI和GEMI值相比正常植被对应植被指数值始终偏低,且植被受灾越严重,其植被指数值在同期中对应越低。(本文来源于《光谱学与光谱分析》期刊2018年02期）
光谱植被指数论文开题报告
（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：
基于冬小麦不同水分胁迫试验,采用便携式光谱仪测定冬小麦抽穗期、开花期和灌浆期受不同水分胁迫处理的冠层光谱反射率,分析不同水分处理下冬小麦冠层光谱特性,并对植被指数、红边参数与冠层叶片含水率和土壤含水率进行相关性分析,构建各生育期叶片含水率和土壤含水率的最佳监测模型,实现对冠层叶片含水率以及土壤含水率的监测评估。结果显示,在整个生育期,冬小麦的冠层光谱反射率在可见光范围呈现绿峰红谷,尤其在旺盛生长时期,随着水分胁迫程度加深,绿峰红谷逐渐变得不明显,红谷抬升幅度增大;相反,在近红外波段范围内水分胁迫主要使得反射率表现为明显下降;冬小麦红边参数随生长进程呈蓝移现象,灌浆期受胁迫程度越重的红边参数越低;植被指数(EVI、NDVI、SAVI、WI)在开花期之后具有不同程度的下降趋势,至灌浆期有大幅度减小,且随受胁迫程度加深植被指数下降幅度增大;植被指数和红边位置、红边面积在灌浆期与叶片含水率和土壤含水率有显着相关,其中植被水分指数WI、归一化植被指数NDVI和红边位置λ_(red)相关性较佳,其建立的叶片含水率和土壤含水率估算模型效果较好,决定系数r~2均大于0.84,平均相对误差(MRE)≤0.207。综合分析认为,冠层反射光谱特征和植被指数与冬小麦冠层叶片含水率和土壤含水率相关性良好,可利用高光谱遥感参数对冬小麦的水分状况进行快速、准确监测。
（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。
光谱植被指数论文参考文献
[1].刘豪杰,李民赞,张俊逸,高德华,孙红.一种针对作物生育期光谱迁移的修正植被指数[J].光谱学与光谱分析.2019
[2].郭建茂,王星宇,李淑婷,谢晓燕,刘荣花.基于冠层光谱红边参数和植被指数的冬小麦水分胁迫监测[J].江苏农业科学.2019
[3].彭瑶.基于高光谱遥感的叁峡库区典型消落带植被指数构建研究[D].重庆师范大学.2019
[4].裴信彪,吴和龙,马萍,严永峰,彭程.基于无人机遥感的不同施氮水稻光谱与植被指数分析[J].中国光学.2018
[5].束美艳,顾晓鹤,孙林,朱金山,杨贵军.基于新型植被指数的冬小麦LAI高光谱反演[J].中国农业科学.2018
[6].皮伟强.基于地面高光谱植被指数地表微斑块阈值分类[D].内蒙古农业大学.2018
[7].皮伟强,杜健民,陈程,朱相兵,刘浩.基于归一化植被指数对荒漠化草原地面高光谱影像中植被的识别[J].内蒙古农业大学学报(自然科学版).2018
[8].张海威,张飞,张贤龙,李哲,Abduwasit,Ghulam.光谱指数的植被叶片含水量反演[J].光谱学与光谱分析.2018
[9].张松,冯美臣,杨武德,王超,孙慧.基于高光谱植被指数的冬小麦产量监测[J].山西农业科学.2018
[10].孙桂芬,覃先林,尹凌宇,刘树超,李增元.基于时序高分一号宽幅影像火后植被光谱及指数变化分析[J].光谱学与光谱分析.2018