导读:本文包含了作物植被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
作物植被论文文献综述
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）
崔婷[2]（2019）在《作物归一化植被指数（NDVI）变化规律试验研究》一文中研究指出归一化植被指数NDVI(Normalized Difference Vegetation Index)是目前应用最多最广泛的植被指数之一。它与作物的生长状态密切相关,且对作物长势变化、气象和水分等信息比较敏感。利用NDVI对作物生长过程进行监测,可以为作物的精确管理提供依据,同时也为农作物的田间管理提供技术支持。本文以冬小麦为研究对象,在西北农林科技大学节水灌溉试验站展开试验,试验设置4个不同灌水水平,分别在返青期,拔节期和抽穗期利用Greenseeker手持式光谱仪采集冬小麦NDVI日变化数据,分析冬小麦NDVI的日变化规律,利用二次多项式,Gauss函数和Sine函数对处理后NDVI日变化曲线进行拟合;研究NDVI与气象因子之间的关系,利用逐步回归、主成分回归、偏最小二乘回归和岭回归4种方法建立各气象因子对冬小麦NDVI的预测模型;研究NDVI与土壤含水率之间的定量关系,并采用线性回归模型构建NDVI与土壤含水率之间的关系模型,得到以下结论:(1)构建了冬小麦归一化植被指数NDVI的日变化模型。冬小麦归一化植被指数NDVI在不同生育期有相同的日变化规律,即一天内的变化曲线均近似一条反向抛物线,早上8:00NDVI值最大,随后逐渐减小,中午13:00或14:00达到最小值,接着又逐渐增大,并且在拔节期这种日变化规律最为明显;对冬小麦NDVI作归一化处理后,利用二次多项式,Gauss函数和Sine函数对处理后NDVI日变化曲线进行拟合,并比较3种模型拟合效果及预测精度发现,二次多项式可较好地对冬小麦NDVI日变化曲线进行拟合且预测精度较高,可为今后建立NDVI日变化模型提供参考。(2)构建了冬小麦归一化植被指数NDVI与气温、相对湿度、地温、太阳辐射和风速等气象因子之间的关系模型。计算冬小麦NDVI与各气象因子的相关系数发现,这5个气象因子均与冬小麦NDVI有一定相关性,但风速与NDVI相关性最小;相对湿度与NDVI呈正相关关系,其他4种气象因子则与NDVI呈负相关关系;利用逐步回归、主成分回归、偏最小二乘回归和岭回归4种方法建立各气象因子对冬小麦NDVI的预测模型,其中多元逐步回归模型的拟合效果最好,在3个生育期内模型决定系数R~2分别为0.613,0.827和0.4,建模效果最差的是主成分回归,各生育期内决定系数分别为0.448,0.744和0.394。(3)构建了NDVI与土壤含水率之间的关系模型。对冬小麦NDVI与土壤含水率数据分别与参考小区数据作差值处理,得到差值归一化植被指数CNDVI数据和差值土壤含水率CSM数据,再建立两者线性回归方程式,结果表明,在冬小麦返青期和拔节期,10:00时NDVI和各深度土壤含水率相关性最好,而在抽穗期,14:00时两者相关性较好;对于不同的灌水处理,灌水量多少对冬小麦NDVI的影响有差异,灌水越多,对NDVI变化的影响越大;从不同深度土壤含水率与NDVI的相关性来看,在返青期,冬小麦生长活性相对较低,不同灌水处理条件下,与冬小麦NDVI相关性较好的土壤含水率深度多在土壤表层和中层深度(30cm~40cm),而与较深土层(60cm)深度土壤含水率相关性较低,而在拔节期和抽穗期,冬小麦生长处于旺盛期,较深土层土壤含水率与冬小麦NDVI相关关系明显增大。(本文来源于《西北农林科技大学》期刊2019-05-01）
魏鹏飞,徐新刚,杨贵军,李中元,王建雯[3]（2019）在《基于多时相影像植被指数变化特征的作物遥感分类》一文中研究指出高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。(本文来源于《中国农业科技导报》期刊2019年02期）
郑踊谦,董恒,张城芳,黄鹏[4]（2019）在《植被指数与作物叶面积指数的相关关系研究》一文中研究指出作物长势参数是精细农业遥感监测的重要对象,叶面积指数(LAI)是作物长势最重要的参数之一,利用遥感手段快速获取作物的LAI具有重要的意义。为此,考虑到波段组合方式对LAI的反演效果的不可忽略性,采用4种不同的波段组合,结合PROSPECT和SAIL的模拟数据、地面实测数据和高光谱影像数据,从植被指数的饱和性和模型拟合精度两个角度对6个植被指数展开了评价。结果表明:TVI、MSAVI和MCARI23个植被指数在以上3个方面均表现较优,750～680 nm波段组合更加适合于LAI的反演。(本文来源于《农机化研究》期刊2019年10期）
丑述仁[5]（2018）在《光化学植被指数和日光诱导叶绿素荧光与作物光合作用的关系》一文中研究指出总初级生产力(GPP)是植被冠层光合速率的度量指标和陆地生态系统碳循环的重要分量,显着影响全球碳平衡。GPP受气候(辐射、降水、温度和湿度等)、大气C02浓度、氮沉降和扰动等因子的影响,具有明显的时空变化。因此,实时监测和精确估算GPP对于明晰生态系统对气候变化和人类活动的响应和反馈特征具有非常重要的意义。作为计算区域和全球尺度GPP的主要工具,模型存在结构缺陷、输入数据和参数的误差等问题,不同模型计算的全球GPP总量和时空分布差异较大,存在较大的不确定性。遥感信息被广泛应用于计算GPP,其方法可分为3大类:①将GPP计算为植被吸收的光合有效辐射(APAR)与光能利用率(LUE)的乘积,APAR由遥感反演的植被指数和入射的太阳辐射计算,LUE随气象条件等因子变化;②利用基于过程的Farquhar、von Caemmerer和Berry(FvCB)光合作用模型可以从机理上描述叶片的光合速率(Farquhar et al.,1980)。FvCB模型通过考虑核酮糖-1,5-二磷酸(RuBP)饱和时的羧化速率或RuBP的再生受电子传输速率限制的羧化速率对叶片CO2同化速率的限制来定量估算叶片的光合速率(Farquhar et al.1980)。③利用多/高光谱遥感信息直接估算GPP。第一类模型称为光能利用率模型。其结果对LUE参数具有很强的敏感性,且不同模型的结果差异明显。所以,利用遥感信息直接估算GPP的第叁类方法目前受到广泛关注。光化学植被指数(PRI)和日光诱导叶绿素荧光(SIF)可以利用高光谱遥感手段获得。PRI与光能利用率(LUE)有关,而SIF与叶片内的光合速率有关。本论文尝试基于不同物种将碳同化过程与高光谱遥感获得的PRI和SIF联系起来。基于前文所述的研究背景和选题依据,本研究(1)采用五种不同的灌溉处理方法,利用地面高光谱遥感观测手段测定了玉米冠层光化学植被指数(PRI)和非光化学淬灭(NPQleaf)参数,利用PRI和NPQleaf对植物早期水分胁迫进行探测;(2)测定了水稻叶片生物化学(叶绿素、叶黄素和胡萝卜素)和光合参数(如Vcmax25)的季节性变化,并将遥感光谱指数(如PRI)结合叶片色素作为估算Vcmax25的一个指标;(3)利用荧光角度均一化校正模型对多角度荧光观测数据进行角度均一化,并比较和分析校正前后的荧光数据在估算GPP时的精度差异。本文主要研究内容和成果如下:(1)从充分灌溉到中度水分胁迫,再到极度水分胁迫(20%-30%FC),荧光的量子产率(ΦF)显着降低。土壤含水量的阈值在40%FC左右时,ΦP和ΦF的比率随着水分胁迫的增加而增加,表明干旱影响ΦP的比例要高于ΦF。结果表明,极度干旱(<30%FC)条件下,不能用叶绿素荧光来指示植被叶片内部的光合信息。(2)冠层PRI比CNPQleaf能更加准确指示植被早期的水分胁迫(R2 = 0.65 p<0.001;R2 = 0.63,p<0.001)。结果表明:利用遥感技术获取PRI可以有效地进行干旱相关研究。然而,PRI探测水分胁迫的能力受许多外部因素的影响(例如光照、太阳-传感器-目标角度之间几何关系的影响)。因此,NPQleaf可作为探测植物水分胁迫的补充参数。(3)NPQleaf与叶绿素和胡萝卜素的比率(Car/Chl)(R2 = 0.71,p<0.01)以及PRILeaf和Car/Chl(R2 = 0.58,p<0.01)之间关系显着。类胡萝卜素和叶片非光化学淬灭过程联系紧密。当水分胁迫增加时,类胡萝卜素含量增加,叶绿素含量减少或保持不变,降低了 Car/Chl的比率。研究表明色素比率(例如Car/Chl)在水分胁迫评价中值得密切关注。(4)准确地模拟植物叶片最大羧化速率对环境因子的响应是预测未来植被生产力和碳循环过程的前提。遥感光谱指数(如PRI)结合叶片色素(叶绿素、胡萝卜素和叶黄素)能够很好的估算Vcmax25的季节变化规律。胡萝卜素和Vcmax25有很强的相关性(R2 = 0.85,p<0.001)。PRI结合叶片胡萝卜素与Vcmax25也有很强的相关性(R2 = 0.96,p<0.001)。研究表明利用遥感光谱指数结合叶片色素可以更加可靠的估算Vcmax25,这些发现提供了新的方法来估算叶片光合能力。(5)利用叶绿素荧光角度校正模型校正多角度叶绿素荧光原始数据。结果表明:角度校正后的冠层荧光和热点荧光估算GPP的相关系数(R2)分别提高0.22±0.06和0.23±0.02。厘清不同条件下阴叶和阳叶对冠层SIF和GPP的贡献差异,分析利用SIF估算GPP的误差,优化基于SIF的GPP估算模型。阳叶荧光估算GPP的精度(R2 = 0.61～0.71,p<0.001)高于阴叶荧光估算GPP的精度(R2= 0.11～0.47,p<0.001)。本文研究了叁种不同作物类型(玉米、小麦和水稻)的光合作用与遥感PRI和SIF的关系。这些作物的PRI和SIF与光合速率有不同的关系。因此,为了研究遥感技术在估算作物生长方面的有效性,本文在叁个不同的农田设计了叁个有不同侧重点的实验。这些结果可能对区域或全球范围的作物产量监测产生影响。(本文来源于《南京大学》期刊2018-05-29）
苏腾飞,刘全明,苏秀川[6]（2017）在《基于多种植被指数时间序列与机器学习的作物遥感分类研究》一文中研究指出开展了基于多种植被指数(vegetation index,VI)时间序列和机器学习(machine learning,ML)算法的作物遥感分类研究。从Landsat-8 OLI与EO-1 ALI影像中提取了内蒙古五原县的时间序列数据。2颗卫星的参数类似,且它们联合提供了更多无云覆盖的数据。7种常用的VI从时间序列遥感数据中提取出来,以用作ML算法的输入。对比分析了SVM、RF、DT 3种ML算法对玉米、向日葵和小麦的区分效果。共选取了2 584个样本,其中1 556个样本用于算法训练。得到了127种VI组合作为输入时3种算法的分类精度。结果表明,SVM的分类效果优于另外2种算法;VI数目并非越多越好,综合考虑算法的精度和稳定性,3种VI可以取得最佳的效果;SVM+NDI5+NDVI+TVI是平均分类精度最高的组合,平均精度为91.97%。(本文来源于《江苏农业科学》期刊2017年16期）
张开,罗怀良,王睿[7]（2017）在《安岳县2008-2012年农田作物植被碳储量及其空间分布》一文中研究指出【目的】本文依据安岳县统计年鉴资料,对县级小尺度区域内部乡镇之间差异的碳储量及碳密度进行分析研究。【方法】获取主要农作物经济产量、耕作面积等统计数据,对安岳县近5年来(2008-2012)植被碳储量进行估算。【结果】在安岳县近5年来作物植被碳储量平均值构成中以大春作物为主,作物中水稻所占比重最多,红苕所占比重相对较少。各作物植被碳储量分别为:小麦14.45×10~4t,玉米13.45×10~4t,水稻18.31×10~4t,红苕2.07×10~4t,油菜8.14×10~4t,花生1.48×10~4t,棉花0.02×10~4t。安岳县69个乡镇近5年平均碳密度最大的乡镇是自治乡(9.60 t/hm2),平均碳密度最小的乡镇是护建乡(5.57 t/hm2),两者相差4.03 t/hm2,碳密度最大的乡镇是最低乡镇的1.72倍。【结论】各乡镇作物植被碳密度空间构成差异原因也比较复杂,与复种指数、耕地中水田与旱地比重以及作物单产和社会经济条件有关。复种指数越高的乡镇作物植被碳密度就越大,水田面积比重大的乡镇作物植被碳密度较高,作物单产显着影响作物植被碳储量。(本文来源于《西南农业学报》期刊2017年08期）
张荣群,王盛安,高万林,孙玮健,王建仑[8]（2015）在《基于时序植被指数的县域作物遥感分类方法研究》一文中研究指出准确地获取农作物种植面积信息是农业管理部门及时掌握农作物生产信息的基础。基于时序植被指数的作物遥感分类方法,可以充分发挥遥感技术周期短、速度快和宏观性强的特点,克服单时相遥感数据的"同物异谱"和"异物同谱"导致的混分问题。以河北省曲周县作物遥感分类为例,在研究待分类作物的最佳NDVI阈值区间的基础上,探讨了基于时序植被指数的农作物分类知识规则建立方法。分类结果显示研究区2014年各类作物的种植面积分别为:冬小麦27 776.61 hm~2、夏玉米27 776.61 hm~2、春玉米2 582.73 hm~2、棉花6 485.94 hm~2、谷子277.65 hm~2。用总体分类精度、Kappa系数和统计数据对分类精度进行了验证,总体分类精度为89.166 7%,Kappa系数为0.857 4,与统计数据的相对误差分别为冬小麦-0.80%、夏玉米-0.32%、春玉米-3.15%、棉花-2.71%、谷子4.12%。研究结果表明该方法可为县域农作物种植面积遥感调查提供技术依据。(本文来源于《农业机械学报》期刊2015年S1期）
廖钦洪[9]（2015）在《基于高光谱植被指数的黑河流域作物叶绿素含量制图（英文）》一文中研究指出Recent advances in optical remote sensing led to improved methodologies to monitor crop properties.The red-edge-based vegetation index considered to be one of the most powerful tools for estimating the chlorophyll content(Chl)was usually constructed from in-situ hyperspectral reflectance.In this paper,we present the work done to compare the Chl predictive quality by various red-edge-based vegetation indices based on the CASI data.The results indicated that among the selected vegetation indices,TCARI/OSAVI-based model estimated Chl(R2=0.46,RMSE=0.60 and P<0.01)with the best accuracy.To search the optimal vegetation index for Chl estimation,the normalized difference spectral index(NDSI)and ratio spectral index(RSI)were developed by using the waveband combination algorithm.A high linear correlation(R2=0.79,RMSE=0.38 and P<0.01)was acquired by combining the 869.20 and 754.90 nm wavebands,then NDSI(869.20,754.90)was applied to the CASI image to generate the Chl distribution map.It suggests that more fertilizer should be provided for the southwest areas due to the lower Chl.(本文来源于《农业工程学报》期刊2015年S2期）
熊勤学[10]（2015）在《基于土壤植被水文模型的县域夏收作物渍害风险评估》一文中研究指出为开展县级渍害风险评估与区划,该文利用分布式土壤植被水文模型(distributed hydrology soil vegetation model,DHSVM),以天为步长模拟1970年至2014年每年夏收作物生长期(3月、4月)的土壤表层水分的空间分布,结合夏收作物渍害水分指标,分析监利县各区域受渍害情况,进一步得到监利县夏收作物受渍害情况的空间分布,其中无渍害区、轻度渍害区、中度渍害区和重度渍害区分别占监利县农田面积的2.7%、55.7%、26.5%和15.1%。该研究结果为监利县渍害精准治理、农作物产业结构调整与规划提供了基础数据。(本文来源于《农业工程学报》期刊2015年21期）
作物植被论文开题报告
（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：
归一化植被指数NDVI(Normalized Difference Vegetation Index)是目前应用最多最广泛的植被指数之一。它与作物的生长状态密切相关,且对作物长势变化、气象和水分等信息比较敏感。利用NDVI对作物生长过程进行监测,可以为作物的精确管理提供依据,同时也为农作物的田间管理提供技术支持。本文以冬小麦为研究对象,在西北农林科技大学节水灌溉试验站展开试验,试验设置4个不同灌水水平,分别在返青期,拔节期和抽穗期利用Greenseeker手持式光谱仪采集冬小麦NDVI日变化数据,分析冬小麦NDVI的日变化规律,利用二次多项式,Gauss函数和Sine函数对处理后NDVI日变化曲线进行拟合;研究NDVI与气象因子之间的关系,利用逐步回归、主成分回归、偏最小二乘回归和岭回归4种方法建立各气象因子对冬小麦NDVI的预测模型;研究NDVI与土壤含水率之间的定量关系,并采用线性回归模型构建NDVI与土壤含水率之间的关系模型,得到以下结论:(1)构建了冬小麦归一化植被指数NDVI的日变化模型。冬小麦归一化植被指数NDVI在不同生育期有相同的日变化规律,即一天内的变化曲线均近似一条反向抛物线,早上8:00NDVI值最大,随后逐渐减小,中午13:00或14:00达到最小值,接着又逐渐增大,并且在拔节期这种日变化规律最为明显;对冬小麦NDVI作归一化处理后,利用二次多项式,Gauss函数和Sine函数对处理后NDVI日变化曲线进行拟合,并比较3种模型拟合效果及预测精度发现,二次多项式可较好地对冬小麦NDVI日变化曲线进行拟合且预测精度较高,可为今后建立NDVI日变化模型提供参考。(2)构建了冬小麦归一化植被指数NDVI与气温、相对湿度、地温、太阳辐射和风速等气象因子之间的关系模型。计算冬小麦NDVI与各气象因子的相关系数发现,这5个气象因子均与冬小麦NDVI有一定相关性,但风速与NDVI相关性最小;相对湿度与NDVI呈正相关关系,其他4种气象因子则与NDVI呈负相关关系;利用逐步回归、主成分回归、偏最小二乘回归和岭回归4种方法建立各气象因子对冬小麦NDVI的预测模型,其中多元逐步回归模型的拟合效果最好,在3个生育期内模型决定系数R~2分别为0.613,0.827和0.4,建模效果最差的是主成分回归,各生育期内决定系数分别为0.448,0.744和0.394。(3)构建了NDVI与土壤含水率之间的关系模型。对冬小麦NDVI与土壤含水率数据分别与参考小区数据作差值处理,得到差值归一化植被指数CNDVI数据和差值土壤含水率CSM数据,再建立两者线性回归方程式,结果表明,在冬小麦返青期和拔节期,10:00时NDVI和各深度土壤含水率相关性最好,而在抽穗期,14:00时两者相关性较好;对于不同的灌水处理,灌水量多少对冬小麦NDVI的影响有差异,灌水越多,对NDVI变化的影响越大;从不同深度土壤含水率与NDVI的相关性来看,在返青期,冬小麦生长活性相对较低,不同灌水处理条件下,与冬小麦NDVI相关性较好的土壤含水率深度多在土壤表层和中层深度(30cm~40cm),而与较深土层(60cm)深度土壤含水率相关性较低,而在拔节期和抽穗期,冬小麦生长处于旺盛期,较深土层土壤含水率与冬小麦NDVI相关关系明显增大。
（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。
作物植被论文参考文献
[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].崔婷.作物归一化植被指数（NDVI）变化规律试验研究[D].西北农林科技大学.2019
[3].魏鹏飞,徐新刚,杨贵军,李中元,王建雯.基于多时相影像植被指数变化特征的作物遥感分类[J].中国农业科技导报.2019
[4].郑踊谦,董恒,张城芳,黄鹏.植被指数与作物叶面积指数的相关关系研究[J].农机化研究.2019
[5].丑述仁.光化学植被指数和日光诱导叶绿素荧光与作物光合作用的关系[D].南京大学.2018
[6].苏腾飞,刘全明,苏秀川.基于多种植被指数时间序列与机器学习的作物遥感分类研究[J].江苏农业科学.2017
[7].张开,罗怀良,王睿.安岳县2008-2012年农田作物植被碳储量及其空间分布[J].西南农业学报.2017
[8].张荣群,王盛安,高万林,孙玮健,王建仑.基于时序植被指数的县域作物遥感分类方法研究[J].农业机械学报.2015
[9].廖钦洪.基于高光谱植被指数的黑河流域作物叶绿素含量制图（英文）[J].农业工程学报.2015
[10].熊勤学.基于土壤植被水文模型的县域夏收作物渍害风险评估[J].农业工程学报.2015