导读:本文包含了遥感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:农田干旱,通用温度-植被指数特征空间,TVDI,遥感监测
遥感植被指数论文文献综述
陈亮,张超,常斌,吕鹏[1]（2019）在《通用温度-植被指数特征空间农田干旱遥感监测》一文中研究指出针对单一时段温度-植被指数特征空间干、湿边不稳定的问题,提出利用通用温度-植被指数特征空间改进TVDI指数进行农田干旱遥感监测的方法。利用2006—2015年各年单一时段特征空间干、湿边构建通用特征空间,拟合得到旬通用特征空间干、湿边。采用通用特征空间计算TVDI,结合实测数据进行旬土壤含水量反演模型率定和结果验证,并在河南省小麦种植区进行干旱监测应用分析。结果表明,与单一时段特征空间相比,基于通用特征空间的TVDI与实测数据的相关性更高,指数稳定性更强,土壤含水量估算绝对误差小于10%,均方根误差小于11%,能够有效监测农田旱情。(本文来源于《遥感信息》期刊2019年05期）
王姣,李志沛,张立福,黄长平[2]（2019）在《基于棉花黄萎病多“症状”特征的植被指数构建及病情遥感监测研究》一文中研究指出综合考虑棉花黄萎病多"症状"特征对黄萎病遥感精准监测及其抗性鉴定和防治工作具有重要意义。该文结合黄萎病胁迫下棉花冠层光谱响应的生理机制,基于Relief-F算法优选出对棉花黄萎病不同"症状"变化敏感的特征谱段(531 nm、699 nm、701 nm、1 404 nm),构建了一种新的棉花黄萎病病情指数(Cotton Verticillium Wilt Index,CVWI),并建立了基于支持向量机(SVM)的黄萎病遥感监测模型。研究表明:与传统病害植被指数相比,CVWI综合考虑了黄萎病导致的棉花水分、叶绿素、叶黄素、红边等理化与生理参数变化,可更好指示黄萎病病情;基于CVWI的黄萎病监测模型精度高于传统表现最好的色素比值指数(Pigment Specific Simple Ratio chl-b,PSSRb),模型的精确率、召回率与F1值分别提高了19%、6%、13%。研究结果可为棉花黄萎病大面积遥感精准监测提供新的思路与方法。(本文来源于《地理与地理信息科学》期刊2019年05期）
杨闫君[3]（2019）在《基于植被指数时序谱类内差异特征的冬小麦遥感识别研究》一文中研究指出小麦是世界第叁大粮食作物,在世界范围内被广泛种植,其中冬小麦的种植面积超过了小麦总面积的80%。及时、准确地获取冬小麦种植面积对冬小麦产量估算、长势监测及生产规划等具有重要的现实意义。遥感技术因其覆盖面积广、重访周期短、数据获取相对容易和费用低廉等优点,为快速和准确获取冬小麦种植信息提供了强有力的技术手段。然而,农作物遥感识别是一项复杂的工作,既要考虑到技术的实用性和可执行程度,又要考虑识别结果的可信度和精度。利用单一时相遥感影像进行冬小麦识别时容易出现“错分、漏分”现象,难以达到理想的分类精度。时间序列尤其是植被指数时间序列数据成为农作物遥感分类识别研究的热点。近年来,随着对地观测技术水平的不断提高,多源、多时空分辨率的卫星传感器不断涌现,国内外遥感数据量迅速增加,为冬小麦遥感识别提供了丰富的数据源。面对庞大的数据量,如何高效地选择与合理地利用已有的多源、多时空分辨率卫星数据,开展冬小麦遥感分类识别方法研究,提高冬小麦分类识别精度,准确、快速地获取冬小麦种植面积及空间分布信息,对国家宏观决策具有重要的现实意义,也是当前我们面临的挑战。本文针对目前冬小麦遥感识别中存在的问题,以黄淮海平原为研究区,以高分一号WFV(GF-1,Wide Field of View)、MODIS(Moderate-Resolution Imaging Spectroradiometer)多光谱中、高分辨率影像为数据源,考虑到冬小麦光谱特征随季节变化的差异,分析了冬小麦植被指数时序谱特征,结合冬小麦与其他地物的时序波谱特征差异,探究冬小麦的遥感识别方法。研究采用矢量分析法,将N维矢量的方向和距离特征引入植被指数时间序列,基于GF-1WFV影像提出了冬小麦遥感识别矢量分析模型。同时,考虑到遥感识别的时效性问题,基于构建的识别模型进·步探究冬小麦遥感识别的最佳时序数据,以满足尽早获取冬小麦种植信息的实际需求。其次,将构建的模型用于MODIS影像,在大区域冬小麦遥感识别中进一步改进模型,并利用Landsat影像和统计数据对模型的识别结果进行验证。最后,采用MODIS数据在美国堪萨斯州对改进后的模型进行适用性评价模型。同时,结合景观格局指标中有关破碎度的相关指数,对影响冬小麦遥感识别精度的因素进行了讨论。论文的主要研究结论包括:(1)基于时序数据的空间方向与距离特征,采用矢量分析方法构建了冬小麦遥感识别矢量分析模型。基于GF-1 WFV影像构建覆盖冬小麦完整生长期的时间序列数据,考虑到同一区域的冬小麦具有相似的物候特征与生长状况,对比分析了冬小麦生长期内与其他地物类型的时序波谱曲线的特征差异。在借鉴光谱角制图法的基础上,将NDVI时间序列看作N维空间向量,基于冬小麦时序波谱特征,结合矢量的夹角和距离两个特征参量,构建冬小麦遥感识别矢量分析模型。结合地面数据验证,冬小麦识别精度达到了 94.83%,与其他方法对比,精度最大提高了 8.33%。结果表明构建的识别模型可以有效实现冬小麦的遥感识别并取得较高的精度。(2)基于构建的冬小麦遥感识别矢量分析模型,探究了冬小麦遥感识别的时效性问题,确定了用于冬小麦识别的最佳时序数据。考虑到农作物遥感识别需要满足时效性的需求,采用构建的冬小麦遥感识别矢量分析模型,依次对覆盖不同冬小麦物候期的时序数据进行测试,确定了满足精度需求的冬小麦识别的最早物候期。通过验证表明,采用本文构建的模型,基于冬小麦播种期至返青期的GF-1 NDVI时序数据,冬小麦识别精度可以达到90%以上。(3)提出了基于EVI时序谱类内差异特征的冬小麦遥感识别矢量分析模型。基于MODIS中等空间分辨率遥感影像,通过分析冬小麦植被指数时序谱特征,发现影像上大区域的冬小麦受不同的生长状况、耕作管理模式、气候环境等因素的影响,植被指数时序谱表现出较大的类内差异,在前文构建的模型基础上,加入考虑冬小麦时序谱类内差异特征的多个子训练样本集,进一步改进冬小麦遥感识别矢量分析模型。将改进后的模型在黄淮海平原应用,结合地面数据和Landsat影像对识别结果进行验证。结果表明,冬小麦识别总体精度达到85%以上,相比传统的监督分类(最大似然分类法),精度提高了 15%。同时,采用播种期至返青期的时间序列,冬小麦的识别精度为70.17%。(4)改进后的冬小麦遥感识别矢量分析模型在不同区域的适用性评价。为了验证改进后的模型的普适性,在与黄淮海平原同纬度的美国堪萨斯州进行模型适用性评价。对堪萨斯州的冬小麦遥感识别结果在区域、县级以及像元尺度上进行精度验证。结果表明,改进后的识别模型可以有效地识别不同区域的冬小麦分布,结合Landsat分类结果图在像元尺度上的验证表明冬小麦总体识别精度达到90.33%。同时,采用覆盖冬小麦播种期至返青期的EVI时序数据对模型进一步验证,结果表明冬小麦识别精度达到80.67%。在堪萨斯州的冬小麦识别结果充分说明了本文提出的识别模型具有较高的普适性。(5)基于景观格局指数,明晰了冬小麦遥感识别矢量分析模型的影响因素。基于中等分辨率影像的作物识别精度与农田的空间异质性特征有着密切关系。本文采用景观格局指数表达研究区的景观破碎度,定量分析冬小麦农田的景观破碎度对冬小麦遥感识别精度的影响。结果表明,景观破碎度指数(FRG)与冬小麦识别精度之间有很强的正相关关系(r=0.99)。同样,较高的冬小麦面积比例(PLAND)对应着较高的冬小麦识别精度。当PLAND值大于20%时,平均误差百分比小于10%,即冬小麦识别精度达到90%以上。分析结果表明在破碎程度较低的区域,改进的冬小麦识别模型表现更好。对比黄淮海平原和堪萨斯州的冬小麦识别结果,后者精度提高程度较大,同时也说明在美国连续大面积冬小麦农田背景下,基于MODIS数据的冬小麦识别可以取得较高的精度,而对我国农田破碎度较高的国情,需要借助高分一号这样的高分辨率数据才能满足大区域高精度冬小麦制图。(本文来源于《南京大学》期刊2019-08-04）
云增鑫,郑光,马利霞,王晓菲,卢晓曼[4]（2019）在《联合主被动遥感数据定量评价林下植被对叶面积指数估算的影响》一文中研究指出天然森林具有冠层和林下植被(即灌丛、草地)的垂直立体结构,准确、定量地分离林下植被对于改善森林冠层叶面积指数反演精度具有重要的科学意义和实用价值。传统被动光学遥感数据由于在直接获取叁维信息方面存在局限性,联合主被动的航空激光雷达(ALS)和高光谱数据(HyMap),以美国华盛顿州植物园为重点研究区,首先在单木分割的基础上实现了森林的垂直分层(即森林冠层和林下植被层)。在此基础上,利用森林冠层激光点云数据对光学影像数据进行林下植被信息剔除。通过对比利用航空光学影像和地面实测得到的森林有效叶面积指数结果发现:①森林郁闭度对于ALS数据的穿透性具有显着影响;②去除林下植被信息能够有效改善森林冠层有效叶面积指数(LAIe)估算精度。通过剔除林下植被信息,植被指数(NDVI)与地面实测有效叶面积指数的相关性由0.087提升到0.591。此外,基于剔除林下植被信息的光学遥感影像,与简单比值植被指数(SR)(相关性由0.209提升到0.559)和简化简单比例植被指数(RSR)(相关性由0.147提升到0.358)相比,归一化植被指数(NDVI)对冠层叶面积指数的变化最为敏感(相关性提高0.5)。本研究所提出的联合主被动遥感数据定量分离林下植被的方法能够有效地改善森林冠层叶面积指数的反演精度,为准确定量地估算森林生物物理参数和研究碳、水循环过程提供坚实的基础。(本文来源于《遥感技术与应用》期刊2019年03期）
张展骞[5]（2019）在《基于植被指数时间序列的洪涝灾害遥感监测模型》一文中研究指出黑龙江省作为农业大省,是我国重要的粮食输出基地,因其特殊的地理位置与独有的气候条件和土壤类型,旱灾、洪涝灾害、雹灾、风灾等各种农业灾害频繁发生。近几年,由于气候条件不断恶化,极端天气出现的情况越来越多,农业灾害发生率明显增高,对该省的农业发展产生了重大影响。洪涝灾害已成为黑龙江省发生最频繁的农业灾害之一,严重的洪涝灾害对耕地以及农作物有着极大的影响。因此,及时准确的对农业洪涝灾害进行监测并对黑龙江省农业洪涝灾害时空特征进行分析,不仅可以保障粮食安全,也可以为灾前预警、灾中监测、灾后救援以及灾损评估工作提供可靠的数据与理论支撑。传统的洪涝灾害监测方式主要基于野外调查与采样,会耗费大量人力与物力,且带有一定人为主观因素,对灾害信息的评估并不准确,获取的信息严重滞后。随着遥感技术的出现,使及时、准确的监测大范围灾害成为可能,更适用于农业灾害监测工作。本文选取黑龙江省叁个典型区域建叁江垦区、九叁垦区和大庆地区作为研究区,利用16天合成的250 m空间分辨率的MODIS植被指数数据,构建植被指数时间序列模型,基于植被指数时间序列变化规律确定灾害判别阈值,提取出农业灾害范围,并与高分辨率影像数据与地面实测数据以及保险公司上报数据进行提取结果验证,最后对于时间序列曲线进行生长期突变检测,提取出洪涝灾害范围,并分析黑龙江省2016年洪涝灾害时空格局特征及成因,主要研究结论如下:(1)基于植被指数时间序列提取的灾害范围精度较高。通过提取研究区内典型灾害所在区域经过SG滤波后的中值植被指数(归一化植被指数的中值)时间序列曲线,作为该区域农作物标准长势曲线,与实际长势曲线对比,构建植被指数时间序列灾害监测模型(S_(AUC)),选取10为最佳阈值,提取灾害范围,并对结果进行精度验证,在16次验证结果中,平均相对误差为13.26%,验证精度达到了86.74%,实用性较强,并将模型运用到黑龙江省的农业灾害监测中,与高分辨率影像灾害监测结果对比,提取精度达到81.4%,相似度较高,可以应用于大范围、长时间的农业灾害动态监测中。(2)基于植被指数时间序列的分析与判别,可以有效进行洪涝灾害监测。利用洪涝灾害与其他类型灾害在时间序列上的差异,发现农作物在受到洪涝灾害后在曲线上会有突变形态产生,依据对生长期的突变检测,提取出洪涝灾害信息,与上报的投保地块数据和高分辨率同期影像数据相比,提取精度达81.7%。在16个已知灾害中,提取出了所有涝灾,剩余非洪涝灾害类型有2个划分为洪涝灾害,正确率为87.5%,洪涝灾害提取精度较高,可以实际应用于农业洪涝灾害监测中。(3)黑龙江省洪涝灾害的时空分布特征受气象因素、地形因素、土壤因素影响。根据提取的2016年黑龙江省洪涝灾害范围,结果显示,黑龙江省2016年洪涝灾害主要发生在6月下旬,主要分布于佳木斯、鹤岗、双鸭山以及齐齐哈尔等城市,结合2016年气候数据以及土壤、地形数据,发现这叁个因素与洪涝灾害之间的相关性较高。结果表明,基于MODIS植被指数时间序列的农业灾害监测模型能够进行及时、有效的进行农业灾害监测,提取出受灾范围,根据得到的区域受灾信息可以进而得到大范围农业受灾信息。依据对植被指数时间序列生长期的突变检测,能够以较高的精度提取出洪涝灾害范围,具有适用性及实用性,可以作为洪涝灾害监测与灾情评估的依据之一,同时能够为黑龙江省气象部门提供洪涝灾害信息统计数据,为农业洪涝灾害预警提供更加科学、及时的信息。(本文来源于《东北农业大学》期刊2019-06-01）
赵博文[6]（2019）在《基于距中植被指数的黑龙江省农业灾害遥感监测》一文中研究指出黑龙江省不仅是我国的农业大省,同时也是我国主要的商品粮基地。进入21世纪以来,随着气候条件的日益恶化和生态环境变化的加剧,导致森林火灾、洪涝、低温冻害、病虫害等农业灾害频繁的出现,受灾面积之大,灾损程度之严重,造成了多方面巨大的经济损失,严重威胁了农业粮食生产安全,阻碍了农业经济的发展进程。因此,提出并找到有效地农业灾害监测方法是现阶段研究的重点,只有及时获取准确的农业灾害信息才会推进灾害的精准预报和预警工作,同时分析农业灾害的时空分布特征及灾害成因机理,才会有效地抑制农业灾害的泛滥,保障粮食生产安全,推动农业可持续性发展,将经济损失尽可能地降到最低。以前传统的农业灾害监测手段,主要是采用大量的人力物力进行实地调查采样,取得数据的过程不仅繁琐而且耗费资源过多,得到的数据不具有普遍代表性,不能及时地对灾害信息进行反馈,不能有效地对灾损程度进行评估,会严重拖慢灾害监测的工作进程和灾后救援工作,更加不能对农业灾害进行长时间和大范围的动态监测。遥感技术的出现,不仅规避掉了传统农业灾害监测的弊端,同时利用自身能够实时获取灾害信息、成本低廉、监测范围广、灵活性强、监测精度高等优点,革新了农业灾害的监测方法,成为了农业灾害监测事业的重要一环。本文试图寻找到对大范围农业灾害的长时间序列准确监测方法,以2000年~2017年作物生长关键期内(6月下旬至8月下旬)连续多时相的8 d合成250 m空间分辨率MODIS反射率产品和农业保险公司提供的农业灾害信息数据为来源,针对黑龙江省投保地块内的农业灾害进行动态监测。准确提取出多年同一时相的NDVI中值植被指数为背景值,通过不同时相NDVI值与背景值间的距离建立有效的农业灾害监测模型(R_(NDVI_MED(i))),确定最优阈值并提取出连续3个时相都为受灾的地块,即为当年某一时相的灾害区域。利用农业保险公司上报的灾害信息和同时期或准同时期的HJ-1A/1B影像与本文提取出的受灾区域进行精度验证,结合气象因素和地理环境等条件针对黑龙江省农业灾害进行时空分布特征分析,探寻灾害成因特点等。主要的研究内容和结果分析如下:(1)准确获取时间序列NDVI数据集。通过MRT、ENVI软件提取出不同时相的植被指数,利用ArcGIS软件空间分析功能提取出多年同一时相的NDVI中值植被指数,来反映当年某一时相农作物正常生长的植被指数。(2)建立农业灾害监测模型R_(NDVI_MED(i))。以多年某一时相提取出的NDVI中值植被指数为标准值,用当年同一时相的NDVI值与标准值间的距离大小与标准值间的占比作为参数建立农业灾害监测模型。(3)确定农业灾害监测模型最优阈值。通过不同阈值提取灾害范围与投保地块间的占比来寻找到合适的阈值,提取农业灾害范围。选取与MODIS日期接近的HJ-1A/1B CCD影像作为验证数据样本,在保险公司上报的20个典型灾害检验结果中,平均误差为16.57%,精度高达83.43%,结果证明此模型的监测精度较高,实用性较强。可以应用于大范围、长时间序列的农业灾害动态监测。(4)黑龙江省时空分布特征。依据此模型提取出的2017年作物生长关键期内灾害结果,结合历史气象数据如气温、降雨等,分析黑龙江省灾害时空特征并研究其成因机理。研究发现:黑龙江省西北部和东南部地势较高易发生干旱灾害,中部地区地势较低,水资源偏多,易积水从而引发洪涝灾害。黑龙江省农业灾害在7月上旬到8月中旬为高发时段。结果表明:选取8 d合成的250 m分辨率的MODIS反射率产品,基于2000年~2017年作物生长关键期时段,建立对大范围长时间序列灾害监测模型R_(NDVI_MED(i))提取的结果精度高,具有普遍适用性,可以应用于农业遥感灾害动态监测中,为黑龙江省农业灾害预报预警工作提供有效手段。(本文来源于《东北农业大学》期刊2019-06-01）
钱新[7]（2019）在《基于叶绿素荧光遥感的植被干旱胁迫指数构建》一文中研究指出随着全球变暖,极端干旱事件的发生频率不断升高,严重威胁农业生产以及社会经济发展。极端干旱事件直接威胁植被的生长,导致植被生产力下降。在干旱期间,植被生长受到水分胁迫的影响,导致植被生理状态发生变化。及时精确地监测大范围干旱事件对研究植被对气候变化的响应具有非常重要的意义。遥感技术的快速发展使得在区域和全球尺度上监测植被生长对于干旱的响应成为可能。传统的遥感植被指数是植被绿度和能量吸收的量度,可以间接地指示植被的光合作用情况,因此被众多研究广泛应用于干旱的监测中。但是基于绿度的植被指数不能准确地捕捉植被对不同水分胁迫的动态响应。遥感反演的日光诱导叶绿素荧光与植被的光合作用效率直接相关,可以更直接、准确地监测干旱事件对植被的影响。本文利用日光诱导叶绿素荧光数据(SIF)、植被指数数据(VIs)、气象数据、重力探测卫星(GRACE)的水储量数据、二氧化碳柱浓度数据(XC02)和干旱指数数据等监测东南亚地区、美国中部和南部地区的干旱事件。本研究旨在为更好地研究极端气候事件,科学地理解干旱对生态系统的影响提供研究手段和方法。主要的研究内容与结论如下:(1)利用VIs、SIF以及相关气象数据,研究了 2015/16年厄尔尼诺引起的极端干旱事件对东南亚农作物和常绿阔叶林区域的植被光合作用的影响。研究结果表明SIF对水分胁迫的敏感性高于传统的植被指数。因此,在热带地区,卫星SIF数据可以用来监测植被对水分胁迫的响应。SIF数据比植被指数EVI更能够成为表征和监测热带植被地区干旱的指标。此外,消除太阳辐射的影响后计算得到的荧光量子产额(SIFyield)对干旱的响应会变得更加明显。植被绿度和叶绿素含量的变化可能无法快速反映干旱条件下植被状况的信息,但SIFyield对水分胁迫有快速响应。因此,SIFyield是用来监测干旱期间植被功能变化情况的适宜指标。(2)利用SIF数据和XC02数据,研究发现2015年和2016年东南亚的二氧化碳排放增多,并且XCO2与SIF具有显着的负相关性。卫星SIF数据可以间接地反映区域CO2的变化,特别是当植被遭受水分胁迫时。水分胁迫通常会造成植被的气孔关闭,从而降低植被光合作用减慢并减少大气CO2的吸收。因此,利用卫星观测的SIF数据,我们可以更好地了解C02潜在的动态过程。(3)SIFyield是用来监测干旱期间植被功能变化情况的适宜指标。因此,本文将SIFyield、温度条件指数(TCI)和土壤水分条件指数(SMCI)线性组合,提出了一个新的遥感干旱指数——植被荧光干旱胁迫指数(SSTI),并进一步评估SSTI指数在美国大平原地区的监测干旱的表现,计算SSTI与基于气象观测站数据计算的干旱指数的相关性,并在空间分布上与其他遥感指数进行对比。结果表明,相比于其他指数,SSTI指数可以较好地反应干旱范围以及严重程度。(本文来源于《南京大学》期刊2019-05-21）
刘茂华,邵悦,李雪欣[8]（2019）在《基于归一化植被指数和地表反照率的土地沙漠化遥感监测研究》一文中研究指出目的对土地沙漠化状况进行监测和评价,研究土地沙漠化变化及趋势预测,为恢复植被覆盖和改善生态环境提供依据.方法以新疆昌吉为研究区域,采用Landsat遥感影像,经过预处理后通过提取归一化植被指数和地表反照率的空间特征,获取沙漠化差值指数,分析与评价新疆昌吉地区的沙漠化程度.结果新疆昌吉地区2011年沙漠面积为62.29%,裸地面积为26.97%;2013年沙漠面积为59.92%,裸地面积为28.59%;2015年的沙漠面积为77.73%,裸地面积为18.14%.2011—2013年,沙漠化差值指数增大,沙漠面积减少;2013—2015年,沙漠化差值指数显着减小,土地沙漠化面积大幅度增加;沙漠化等级由中度沙漠化演变为轻度沙漠化,又由轻度沙漠化变为重度沙漠化.结论沙漠化差值指数与沙漠化等级呈负相关性,DDI可正确地反映土地沙漠化的变化情况.(本文来源于《沈阳建筑大学学报(自然科学版)》期刊2019年03期）
彭瑶[9]（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）
魏鹏飞,徐新刚,杨贵军,李中元,王建雯[10]（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）
遥感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：
综合考虑棉花黄萎病多"症状"特征对黄萎病遥感精准监测及其抗性鉴定和防治工作具有重要意义。该文结合黄萎病胁迫下棉花冠层光谱响应的生理机制,基于Relief-F算法优选出对棉花黄萎病不同"症状"变化敏感的特征谱段(531 nm、699 nm、701 nm、1 404 nm),构建了一种新的棉花黄萎病病情指数(Cotton Verticillium Wilt Index,CVWI),并建立了基于支持向量机(SVM)的黄萎病遥感监测模型。研究表明:与传统病害植被指数相比,CVWI综合考虑了黄萎病导致的棉花水分、叶绿素、叶黄素、红边等理化与生理参数变化,可更好指示黄萎病病情;基于CVWI的黄萎病监测模型精度高于传统表现最好的色素比值指数(Pigment Specific Simple Ratio chl-b,PSSRb),模型的精确率、召回率与F1值分别提高了19%、6%、13%。研究结果可为棉花黄萎病大面积遥感精准监测提供新的思路与方法。
（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。
遥感植被指数论文参考文献
[1].陈亮,张超,常斌,吕鹏.通用温度-植被指数特征空间农田干旱遥感监测[J].遥感信息.2019
[2].王姣,李志沛,张立福,黄长平.基于棉花黄萎病多“症状”特征的植被指数构建及病情遥感监测研究[J].地理与地理信息科学.2019
[3].杨闫君.基于植被指数时序谱类内差异特征的冬小麦遥感识别研究[D].南京大学.2019
[4].云增鑫,郑光,马利霞,王晓菲,卢晓曼.联合主被动遥感数据定量评价林下植被对叶面积指数估算的影响[J].遥感技术与应用.2019
[5].张展骞.基于植被指数时间序列的洪涝灾害遥感监测模型[D].东北农业大学.2019
[6].赵博文.基于距中植被指数的黑龙江省农业灾害遥感监测[D].东北农业大学.2019
[7].钱新.基于叶绿素荧光遥感的植被干旱胁迫指数构建[D].南京大学.2019
[8].刘茂华,邵悦,李雪欣.基于归一化植被指数和地表反照率的土地沙漠化遥感监测研究[J].沈阳建筑大学学报(自然科学版).2019
[9].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
[10].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
标签：农田干旱; 通用温度-植被指数特征空间; TVDI; 遥感监测;