导读:本文包含了水分反演论文开题报告文献综述及选题提纲参考文献，主要关键词:土壤水分,FY3B,MWRI,MODIS,协同反演
水分反演论文文献综述
王梅霞,冯文兰,扎西央宗,王永前,牛晓俊[1]（2019）在《光学与微波遥感协同反演藏北表层土壤水分研究》一文中研究指出表层土壤水分是定量干旱监测的重要参量,对干旱区生态环境具有十分重要的意义。在采用归一化植被指数阈值法划分地表覆盖类型的基础上,利用MODIS数据选择适用的光学遥感算法估算土壤水分基准值,以及利用风云叁号B星搭载的微波成像仪(Fengyun-3B/MicrowareRadiationImagery,FY3B/MWRI)数据采用微波遥感算法反演土壤水分日变化量,最后构建藏北表层土壤水分协同反演的遥感模型并应用于区域土壤水分的估算。结果表明:光学遥感与微波遥感协同反演的土壤水分含量与实测数据呈显着相关,决定系数达到0.89,均方根误差为0.97,协同反演模型具有较高的反演精度,并且协同反演的结果优于单一遥感源的反演结果。该模型可以较好地适用于藏北地区表层土壤水分的动态监测。(本文来源于《土壤》期刊2019年05期）
梁建方,周秋文,韦小茶,马龙生,颜红[2]（2019）在《典型喀斯特地区土壤水分遥感反演——以涟江流域为例》一文中研究指出土壤水分是水文循环中的关键因素,尤其对喀斯特地区的生态环境具有十分重要的意义。基于Landsat 8 OLI_TIRS数据,采用温度植被干旱指数(TVDI)对涟江流域的土壤水分进行估算。结果表明:研究区内旱情分布较广,轻旱占流域总面积30%。土壤含水量与TDVI较好地符合y=-149.47TVDI+97.255的关系,喀斯特流域土壤含水量可通过TVDI进行估算。土壤水分随着坡度增大而增加,阴坡土壤水分含量大于阳坡与无坡向,季节上冬季大于秋季和春季,春季和秋季差异相对较小。不同土地利用土壤水涵养能力表现为:林地>灌木林地>草地>耕地>其他用地。研究结果可为喀斯特流域相关部门制定合理有效的抗旱、防旱措施提供一定的科学依据。(本文来源于《人民珠江》期刊2019年09期）
李伯祥,陈晓勇,徐雯婷[3]（2019）在《基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分》一文中研究指出根据开展的景县地区玉米农田主被动微波遥感协同反演土壤水分监测试验,提出利用FY-3 B WMRI被动微波数据计算微波极化差异指数(MPDI),建立了植被层含水量反演模型,去除植被含水量对于农田土壤水分反演的影响,然后结合植被层含水量反演模型和水云模型,以及Sentinel-1A主动微波数据和部分实测样点土壤体积含水量数据建立植被覆盖区农田土壤水分半经验反演模型,最后验证分析Sentinel-1A VV/VH不同极化条件下土壤水分反演模型的精度。结果表明:VV极化条件下土壤水分反演模型反演精度为R~2=0.7422,RMSE=0.0674 cm~3/cm~3,MAE=0.0305 cm~3/cm~3,MaxE为0.1196 cm~3/cm~3,MinE=0.0024 cm~3/cm~3;VH极化模型为R~2=0.1898,RMSE=0.0768 cm~3/cm~3,MAE=0.0474 cm~3/cm~3,MaxE=0.1933 cm~3/cm~3,MinE=0.0190 cm~3/cm~3。研究区VH极化模型反演值存在普遍偏低现象,VV极化模型土壤水分反演结果优于VH极化模型。VV极化方式具有更强的穿透性,受到植被层衰减作用影响较小,对土壤水分含量变化也更为敏感。建立的VV极化条件下土壤水分反演半经验模型能较好地表征研究区土壤水分空间分布情况。(本文来源于《水土保持研究》期刊2019年05期）
吴士文,王昌昆,刘娅,李燕丽,刘杰[4]（2019）在《高光谱成像的土壤剖面水分含量反演及制图》一文中研究指出传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱(882～1 709 nm)成像反演剖面土壤水分含量(SMC),并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值(DN)校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱(Raw)经吸光度[LOG_(10)(1/R)], Savitzky-Golay平滑(SG)、一阶微分(FD)、二阶微分(SD)、多元散射校正(MSC)和标准正态变量(SNV)转换后,采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG_(10)(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数(R■)和均方根误差(RMSE_c)分别为0.96和0.65%,预测集的决定系数(R■)、均方根误差(RMSE_p)和相对分析误差(RPD_p)分别为0.88, 1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高(R~2:0.85～0.95,RMSE:0.94%～1.02%),且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。(本文来源于《光谱学与光谱分析》期刊2019年09期）
王雅婷,孔金玲,杨亮彦,李健锋,张文博[5]（2019）在《基于SVR的旱区稀疏植被覆盖下土壤水分遥感反演》一文中研究指出中国西北半干旱区降水稀少、蒸散强烈,土壤水分作为重要的生态因子,影响着土壤-大气界面的能量平衡。支持向量回归模型具有估算精度高、可处理非线性问题、泛化能力强等优点,近年来被应用于土壤水分反演研究中,但已有模型极少考虑地表粗糙度因素的影响,导致反演精度受到一定限制。因此,本文以内蒙古乌审旗为研究区,采用水云模型去除地表稀疏植被覆盖的影响,提取全极化Radarsat-2 SAR影像裸土后向散射系数(σs0oil),并利用AIEM模型和Oh模型建立后向散射系数数据库,采用LUT法模拟地表有效粗糙度参数,构建基于支持向量回归的土壤水分反演模型,并系统地对比分析了不同极化方式的后向散射系数作为数据源的土壤水分反演结果。研究结果表明:不考虑粗糙度参数的单数据源作为模型参数时,同极化数据反演结果比交叉极化具有更高的反演精度;当模型参数为考虑粗糙度的多源数据时,不同极化数据的反演精度均有所提高,其中数据源为σv0v和粗糙度参数时,反演结果最好(R2=0.917,MAE=3.980%,RMSE=5.187%)。研究结果可为旱区稀疏植被覆盖地表土壤水分的遥感监测提供技术支持。(本文来源于《地球信息科学学报》期刊2019年08期）
陈震,马春芽,孙浩,程千,段福义[6]（2019）在《基于无人机影像的作物土壤水分亏缺反演方法》一文中研究指出【目的】基于无人机影像进行作物土壤水分亏缺反演研究有利于提高农田集约化管理效率,提升农田精准灌溉水肥空间分布信息高效获取技术水平。【方法】文章以冬小麦为例,采用大型喷灌机变量灌溉的方式,设置3个灌溉水平和6个不同施肥处理;利用无人机携带热红外、可见光、多光谱相机,规划航线飞行采集影像数据,结合田间布点取样校准,反演冬小麦长势;根据获取的无人机遥感影像,经图像拼接、数据提取等处理,获得田间不同试验小区光谱数据,计算植被指数,反演水肥指标,构建土壤水分反演模型。【结果】水分亏缺情境下,灌水的多少直接影响冬小麦的生理生长指标,灌水量越多,冬小麦株高和叶面积发育越好;3个灌溉水平处理间冠层温度差异在2～5℃;植被指数与灌溉处理一致性较好,而不同的施肥处理反演效果不理想。【结论】热红外影像反演作物冠层温度计算得到的作物水分亏缺指数可以展现冬小麦作物水分亏缺空间分布,作物水分亏缺指数与土壤水分平均含水率有很好的相关性。无人机遥感在田间水肥管理的应用有效提升了大田时空数据的获取能力,下一步应开展水肥时空变异性研究,探讨水肥精准施用技术,从理论和技术两方面着手提升精准管理水平。(本文来源于《中国农业信息》期刊2019年04期）
彭健,张宝林,郭佳,池梦雪[7]（2019）在《土壤水分遥感反演研究进展》一文中研究指出土壤水分作为生态、农业、环境和水文等领域研究的重要指标,大尺度土壤水分的监测对研究其空间分异、生态环境恢复、农业生产实践等具有重要的指导意义。相比传统土壤水分监测方法,遥感监测技术具有全天时、全天候、大尺度的优势。基于土壤水分的光学遥感和微波遥感反演方法及估算模型,论述了遥感反演方法和模型的优缺点及其适用性,指出土壤水分反演中存在的不足,展望了土壤水分遥感反演的发展趋势。(本文来源于《2019中国环境科学学会科学技术年会论文集（第叁卷）》期刊2019-08-23）
郭交,刘健,宁纪锋,韩文霆[8]（2019）在《基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证》一文中研究指出土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。(本文来源于《农业工程学报》期刊2019年14期）
王思楠,李瑞平,李夏子[9]（2019）在《基于综合干旱指数的毛乌素沙地腹部土壤水分反演及分布》一文中研究指出为了克服单一干旱监测指数在复杂覆盖类型的适用性问题,以复杂覆盖类型的毛乌素沙地腹部乌审旗为例,在传统归一化干旱指数(normalized difference drought index,NDDI)、土壤湿度监测指数(soil moisture monitoring index,SMMI)、温度植被干旱指数(temperature vegetation drought index,TVDI)3个单一干旱监测指数的基础上,通过层次分析法确定各指数的权重,结合野外不同覆盖类型实测的土壤含水率数据,分别进行回归分析,建立多指数综合干旱监测模型,基于此模型分析研究区表层土壤水分的空间分布。结果表明:3个单一干旱指数在一定程度上均能客观反映旱情特征,与表层土壤含水率呈现不同程度的负相关,温度植被干旱指数相关性最好为0.604。引入结合多指数的综合干旱监测指数模型,在8月、9月草地和沙地与表层土壤含水率指数模型的决定系数R2均在0.7以上,高于基于单一指数模型的拟合精度。基于该模型,研究区研究区表层土壤含水率整体较低,体积含水率不高于0.15 cm~3/cm~3的面积分别占96.47%(8月)和94.8%(9月)。总体上从东到西,由北到南土壤含水率逐渐降低,与实测表层土壤样本的描述性统计结果有较好的空间一致性。(本文来源于《农业工程学报》期刊2019年13期）
李星恕,程双飞,薛志,熊秀芳,韩文霆[10]（2019）在《基于无人机遥感的青贮夏玉米水分亏缺指数反演研究》一文中研究指出为了研究不同水分胁迫和不同时间尺度对拔节期青贮夏玉米水分亏缺指数(WDI)和陆气温差监测效果的影响,利用地面数据结合无人机遥感数据建立植被指数-温度梯形空间,计算WDI干旱指数,并生成WDI分布图和陆气温差分布图。在不同的时间尺度和水分胁迫梯度下分析WDI、陆气温差与土壤含水率、气孔导度的相关性。结果表明,植被指数-温度梯形空间和WDI分布图对短期降雨事件反应敏感;日间尺度下WDI、陆气温差与土壤含水率、气孔导度均表现了较好的相关性(R~2为0. 4～0. 85);旬间尺度下WDI与土壤含水率、气孔导度的相关性(R~2> 0. 68)明显优于陆气温差(R~2<0. 6);旬间尺度下100%充分灌溉时,WDI、陆气温差与土壤含水率、气孔导度均无显着相关性(R~2<0. 12);在不同水分胁迫下,WDI与气孔导度、土壤含水率均显着相关(R~2为0. 728 3～0. 82),而陆气温差与气孔导度、土壤含水率的相关性则出现较大差异(R~2为0. 356 6～0. 807 4);与陆气温差相比,采用WDI实时监测青贮夏玉米旱情更为稳定。研究结果可为大田作物干旱信息的实时监测提供参考。(本文来源于《农业机械学报》期刊2019年09期）
水分反演论文开题报告
（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：
土壤水分是水文循环中的关键因素,尤其对喀斯特地区的生态环境具有十分重要的意义。基于Landsat 8 OLI_TIRS数据,采用温度植被干旱指数(TVDI)对涟江流域的土壤水分进行估算。结果表明:研究区内旱情分布较广,轻旱占流域总面积30%。土壤含水量与TDVI较好地符合y=-149.47TVDI+97.255的关系,喀斯特流域土壤含水量可通过TVDI进行估算。土壤水分随着坡度增大而增加,阴坡土壤水分含量大于阳坡与无坡向,季节上冬季大于秋季和春季,春季和秋季差异相对较小。不同土地利用土壤水涵养能力表现为:林地>灌木林地>草地>耕地>其他用地。研究结果可为喀斯特流域相关部门制定合理有效的抗旱、防旱措施提供一定的科学依据。
（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。
水分反演论文参考文献
[1].王梅霞,冯文兰,扎西央宗,王永前,牛晓俊.光学与微波遥感协同反演藏北表层土壤水分研究[J].土壤.2019
[2].梁建方,周秋文,韦小茶,马龙生,颜红.典型喀斯特地区土壤水分遥感反演——以涟江流域为例[J].人民珠江.2019
[3].李伯祥,陈晓勇,徐雯婷.基于水云模型的Sentinel-1A双极化反演植被覆盖区土壤水分[J].水土保持研究.2019
[4].吴士文,王昌昆,刘娅,李燕丽,刘杰.高光谱成像的土壤剖面水分含量反演及制图[J].光谱学与光谱分析.2019
[5].王雅婷,孔金玲,杨亮彦,李健锋,张文博.基于SVR的旱区稀疏植被覆盖下土壤水分遥感反演[J].地球信息科学学报.2019
[6].陈震,马春芽,孙浩,程千,段福义.基于无人机影像的作物土壤水分亏缺反演方法[J].中国农业信息.2019
[7].彭健,张宝林,郭佳,池梦雪.土壤水分遥感反演研究进展[C].2019中国环境科学学会科学技术年会论文集（第叁卷）.2019
[8].郭交,刘健,宁纪锋,韩文霆.基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证[J].农业工程学报.2019
[9].王思楠,李瑞平,李夏子.基于综合干旱指数的毛乌素沙地腹部土壤水分反演及分布[J].农业工程学报.2019
[10].李星恕,程双飞,薛志,熊秀芳,韩文霆.基于无人机遥感的青贮夏玉米水分亏缺指数反演研究[J].农业机械学报.2019