导读:本文包含了遥感估算模型论文开题报告文献综述及选题提纲参考文献，主要关键词:草原植被覆盖度,照相法,NDVI,混合像元模型
遥感估算模型论文文献综述
董显聪,李晓洁[1]（2019）在《草原植被覆盖度遥感估算模型的适用性比较》一文中研究指出植被覆盖度及其变化对区域生态系统的稳定性具有直接影响,且这种影响在草原地区更加明显。为探寻草原植被覆盖度的最佳遥感估算方法,本文对像元二分模型、Carlson模型和Baret模型的估算精度和适用性进行了比较,优化了Baret模型的参数,以提高其在草原地区的估算精度。内蒙古呼伦贝尔地区的草地计算结果表明:像元二分模型有高估植被覆盖度的现象; Carlson模型在低植被覆盖区低估了植被覆盖度,而在高植被覆盖区高估了植被覆盖度; Baret模型在草原地区的估算精度最高。对Baret模型进行参数优化后,其在高植被覆盖度区域的估算精度提升了4.9%。(本文来源于《测绘通报》期刊2019年10期）
邱元霖,陈策,韩佳,王新涛,魏世玉[2]（2019）在《植被覆盖条件下的解放闸灌域土壤盐分卫星遥感估算模型》一文中研究指出为探究植被覆盖时的土壤盐分反演,以河套灌区解放闸灌域为研究区域、GF-1号影像为数据源,将盐分指数(SI2、S2、S3)、增强植被指数(EVI)和近红外NIR波段作为输入因子,分别利用多元线性回归(multivariable linear regression,MLR)、分位数回归(quantile regression,QR)和BP神经网络(back propagation neural network,BP)叁种方法建立0～60 cm深度下土壤盐分反演模型。研究结果表明,MLR模型与QR模型均具有较高精度,能够较好的反演植被覆盖时的土壤盐分,其中QR模型验证精度最高,建模和验证的决定系数(coefficient of determination,R~2)分别达到0.627与0.636,均方根误差(root mean square error,RMSE)为0.249,平均绝对误差(mean absolute error,MAE)为0.235,是本次土壤盐分估算的最优模型。BP模型效果相对较差,建模与验证R~2为0.605和0.558。采用QR模型反演研究区土壤盐分,发现模型反演的盐分趋势符合实际情况;灌区主要分布非盐土和轻度盐渍化土壤,灌域南部地区土壤盐渍化程度低,约占32%;盐渍化程度较高的区域约占灌域总面积的19%。研究为探讨植被覆盖时的土壤盐分反演提供了思路。(本文来源于《节水灌溉》期刊2019年10期）
方馨蕊,温兆飞,陈吉龙,吴胜军,黄远洋[3]（2019）在《随机森林回归模型的悬浮泥沙浓度遥感估算》一文中研究指出叁峡工程蓄水以来,清水下泄,坝下游河段发生了长时间、长距离的沿程冲刷,河流悬浮泥沙浓度发生改变,给沿岸生态系统带来了不利影响。随机森林算法灵活、稳健,已被广泛应用于各类生态环境变量的回归预测分析,但其在水体悬浮泥沙浓度估算方面的能力尚未得到充分认识。基于泥沙站点监测数据和MODIS卫星遥感反射率数据,通过构建随机森林非参数回归预测模型,对叁峡工程坝下游宜昌至城陵矶河段在建坝前后14年间(2002年—2015年)各月的悬浮泥沙浓度进行遥感估算。研究表明:(1)基于随机森林的悬浮泥沙浓度估算模型表现较好,模型预测值与实测值间相关性好、预测精度高,优于其他模型(线性回归、支持向量机、人工神经网络模型)。(2)在参与模型构建的MODIS波段变量中,红波段被认为是最重要的预测变量,但不能单独使用它进行预测,悬浮泥沙遥感预测需要多变量共同参与。(3)将悬浮泥沙数据按季节分类所构建的随机森林模型,其平均误差为0.46 mg/L,平均相对均方根误差为12.33%,估算效果最优,能够满足较高精度下悬浮泥沙浓度估算的需求。综上,可以考虑以季节为划分依据,用随机森林回归模型估算悬浮泥沙浓度,并用于后期坝下游河道悬浮泥沙浓度时空反演。(本文来源于《遥感学报》期刊2019年04期）
陈日东,林什全,潘国英,陈月明[4]（2019）在《天堂山林场森林地上生物量及碳储量的遥感估算模型构建》一文中研究指出基于广东省清远市天堂山林场的二类调查小班数据和landsat8遥感影像和多元逐步回归的方法,建立森林地上生物量模型,进而构建森林地上碳储量模型,对天堂山林场森林碳储量及其分布进行了估算,并讨论了预测结果及其精确性。结果表明:阔叶林、针叶林和混交林生物量模型的拟合优度分别为0.77、0.67、0.69。基于碳储量估算模型计算生成的天堂山林场碳储量分布图与采用二类森林调查数据得到的碳储量分布图空间分布一致。验证了基于landsat8遥感影像的碳储量模型能为森林碳储量提供快速准确的估测。(本文来源于《林业与环境科学》期刊2019年03期）
杜一尘,李明泽,范文义,王斌[5]（2019）在《基于地理加权回归模型与林火遥感数据估算森林年龄》一文中研究指出【目的】通过地理加权回归(GWR)模型估算非干扰林龄,利用遥感数据和林火发生历史数据,获取过火区域信息,进而对林火烈度分级,讨论林火烈度与森林类型的交互作用,估算干扰林龄,最终获得黑龙江省森林年龄的空间分布。【方法】以黑龙江森林为研究区域,基于研究区域的多光谱数据结合地面森林资源清查数据,通过逐步回归方法提取了包括遥感因子绿度指数(Greeness)、湿度指数(Wetness)、林分平均胸径(ADBH)、林分平均树高(ASH)及海拔(Altitude)在内的5个显着因子作为自变量,采用GWR模型建立非干扰林龄估算模型。采用全局Moran I来描述模型残差的空间自相关性。绘制研究区非干扰林龄空间分布图并探究林龄的空间分布状态。结合林火位置与面积记录对多光谱数据目视解译提取过火区域,根据dNBR将过火区域火烈度分级。将火烈度图与植被类型图迭加分析,讨论不同森林类型在不同火烈度下的演替情况。定义干扰林龄时,未发生树种更替的森林林龄不变,树种发生更替的森林在林火发生年将其林龄归为0,并在新的优势树种萌发时从1开始累加,以此类推干扰后森林的林龄。【结果】黑龙江省非干扰森林平均林龄为48年,标准差为16年。GWR模型的R■为0.68,RMSE为16.171 7。使用Moran I来检验模型的残差,发现GWR模型可很好地消除残差的空间自相关性。研究区林龄整体空间分布状态不均匀,大兴安岭地区林龄普遍高于黑龙江林区。黑龙江省2000―2010年林火主要发生在大兴安岭及小兴安岭地区,根据dNBR将已提取的过火区域林火烈度分为:未过火、轻度过火、中度过火和重度过火4类,总过火面积为527 932 hm~2,其中重度29 157 hm~2、中度180 268 hm~2、轻度318 507 hm~2。兴安落叶松林和蒙古栎林在整个研究区中过火面积最大,分别占总过火面积的28.63%和47.23%。根据不同森林类型在不同火烈度下的演替情况,估算干扰森林的林龄并绘制干扰林龄空间分布图。【结论】GWR模型能较有效地估算黑龙江省非干扰林龄,成功地降低了残差的空间自相关性。在估算林龄的过程中加入林火干扰因素,以获取更真实的林龄空间分布数据,可为黑龙江地区森林NPP、NEP以及森林碳储量、森林生物量等相关研究提供数据支持。(本文来源于《林业科学》期刊2019年06期）
董哲,杨武德,张美俊,朱洪芬,王超[6]（2019）在《基于高光谱遥感的玉米叶片SPAD值估算模型研究》一文中研究指出灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明:基于全谱构建的PLSR模型SPAD值拟合效果最好(R~2=0.910,RMSE=2.071),而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果(R~2=0.867,RMSE=2.581,RPD=2.628)优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。(本文来源于《作物杂志》期刊2019年03期）
董立新[7]（2019）在《叁峡库区森林叶面积指数多模型遥感估算》一文中研究指出叶面积指数(leaf area index,LAI)是定量研究森林生态系统能量交换的一个重要结构参数。本文利用野外观测LAI,以及Landsat TM计算的7种常用植被指数和5个自定义植被指数,通过筛选建立了不同森林类型的LAI估算模型,其中,针叶林采用多元逐步回归模型,阔叶林与混交林采用主成分分析模型,最终通过多个模型估算叁峡库区区域尺度森林LAI。利用样地实测LAI数据进行精度验证,针叶林、阔叶林和混交林的均方根误差分别为0. 829 4,1. 111 5和1. 790 9,判定系数R2均达到了0. 77以上。研究结果将为森林生态系统和碳循环研究提供基础数据。(本文来源于《国土资源遥感》期刊2019年02期）
段丁丁[8]（2019）在《基于遥感信息和DSSAT-SUBSTOR模型数据同化的区域马铃薯产量估算》一文中研究指出马铃薯是世界第叁大粮食作物。从2015年起,我国农业部提出马铃薯“主粮化”战略,马铃薯将成为我国的第四大主粮作物,因此对马铃薯的产量进行估算具有非常重要的现实意义。通过将遥感数据和作物生长模型相结合来提高作物产量的估算精度是近些年的研究热点。本文选取吉林省长春市九区市兴隆镇和纪家镇为研究区域,马铃薯为研究对象。在采集马铃薯冠层反射光谱和叶面积指数(LAI)的基础上,利用高分一号影像提取马铃薯的种植区,并利用统计回归方法实现LAI的遥感反演。利用EFAST全局敏感性分析方法对DSSAT-SUBSTOR作物生长模型的输入参数进行敏感性分析,对马铃薯的产量和LAI敏感的参数将作为数据同化过程中的待优化参数。然后,通过构建遥感反演LAI和模型模拟LAI的最小代价函数将遥感数据和作物生长模型结合起来,通过利用SCE-UA优化算法调整待优化参数从而实现遥感数据和作物生长模型的数据同化。根据数据同化结果进行研究区域内马铃薯产量的估算。论文的主要结论如下:(1)在对高分一号遥感影像进行预处理的基础上,利用最大似然法对研究区域内的土地利用现状进行分类,提取马铃薯的种植区。分类结果表明:不同土地利用类型的总体分类精度为95.22%,kappa系数为0.93,分类精度较高。通过计算马铃薯的植被指数和叶面积指数,利用统计回归方法完成LAI的遥感反演,反演结果表明:研究区内马铃薯的归一化差值植被指数NDVI与叶面积指数LAI的拟合度最高,决定系数(R~2)等于0.73。通过NDVI-LAI统计回归模型得到的遥感反演LAI的精度较高,反演LAI与实测LAI的决定系数(R~2)等于0.88,均方根误差(RMSE)等于0.72。(2)利用EFAST全局敏感性分析方法对DSSAT-SUBSTOR作物生长模型的输入参数进行参数敏感性分析,结果表明:块茎开始生长的临界温度上限、光周期系数、潜在块茎生长率、根生长系数、土壤排水上限、排水率、有机碳含率、土壤总氮含率、土壤溶液PH值、播种日期、灌溉日期、灌溉量和施氮量都是对马铃薯的产量和LAI敏感的参数。在DSSAT-SUBSTOR模型标定过程中,以马铃薯的出苗日、块茎起始日、最大LAI值和产量4个指标评价模型的适用性,标定结果表明:模型模拟的出苗日和块茎起始日均与实测值相同,模型模拟的最大LAI值与实测最大LAI值的平均相对误差(MRE)为1.10%,模型模拟的单产值与实测单产值的平均相对误差(MRE)为5.72%,表明DSSAT-SUBSTOR模型在单点尺度上能够以较高的精度对马铃薯的产量进行模拟。(3)首先将DSSAT-SUBSTOR模型的输入参数进行区域化处理,获得未同化遥感数据的马铃薯估产结果。然后通过构建遥感反演LAI和模型模拟LAI的最小代价函数,利用SCE-UA优化算法调整待优化参数,实现遥感数据和作物生长模型的数据同化。结果表明:未同化遥感数据的模型估产精度较低,同化遥感数据的马铃薯估产结果更接近实测值,估产精度更高,平均相对误差(MRE)为6.17%,比未同化遥感数据的(MRE)降低了9.45%,说明将遥感LAI数据和DSSAT-SUBSTOR模型相结合能够有效地提高区域马铃薯的估产精度。(本文来源于《中国农业科学院》期刊2019-05-01）
杨亮彦[9]（2019）在《基于优化SEBAL模型的旱区蒸散发遥感估算》一文中研究指出地表蒸散发量的精确估算对研究区内的水资源合理配置、生态环境建设以及农业林业的发展具有重要的指导意义。毛乌素沙漠风沙滩地区生态环境脆弱,水资源十分匮乏,其蒸散发的研究对该区域生态环境的改善具有深远的意义。本文利用2016年4月、9月、12月和2017年1月、5月、7月6期Landsat 8影像,基于SEBAL模型,探究了气象因子与地表蒸散发的相关性,研究了地表蒸散发对模型参数的敏感性,通过将地表温度与植被指数的特征空间引入到冷热像元的选取方法中,以及改进SWCVR模型参数反演水汽含量,构建了优化的SEBAL模型,估算了毛乌素沙漠风沙滩地区的区域蒸散发量。最后通过气象站监测数据折算的陆面蒸散发量对估算结果进行验证,从而实现地表蒸散发量的宏观、动态遥感监测,为风沙滩地区的农业和生态环境的研究提供依据。研究结论如下:(1)利用SPSS对气象因子与地表蒸散发进行相关性分析。通过分析发现,地表温度、空气温度与日蒸散发呈显着相关关系,相关系数R~2分别为0.6344、0.6274;与风速成弱相关,相关系数R~2为0.3307;与相对湿度成负相关关系,R~2为0.3374。通过R~2的大小可以发现,对于日蒸散发量的影响,地表温度>空气温度>相对湿度>风速。(2)基于SEBAL模型反演地表蒸散发量,通过单变量分析方法,对水汽含量和热点地表温度与日蒸散发的敏感性进行分析发现,日蒸散发量对水汽含量和热点温度都敏感。1 mm/day的精度要求需要保证0.5 g/cm~2水汽含量的精度支持,而热点地表温度受迭代计算的影响,与日蒸散发量敏感性弱于水汽含量。(3)运用Landsat8热红外通道数据开展大气水汽含量的反演研究,通过对已有反演模型参数的修正,构建了基于SWCVR算法的旱区水汽含量反演模型。将水汽含量反演结果与气象站实测数据进行验证,其均方根误差为0.31 g/cm~2,说明SWCVR算法应用于中分辨率热红外遥感数据的旱区水汽含量反演,具有较好的反演精度。(4)利用Landsat 8遥感影像数据,基于优化的SEBAL模型反演地表蒸散发量,取得了较好的反演精度。蒸散发量在一年四季中变化明显,1月2日、4月21日、5月26日、7月13日、9月28日和12月17日的平均蒸散发量分别为0.56 mm/day、2.02mm/day、3.52 mm/day、5.17 mm/day、3.31 mm/day和0.72 mm/day,整体呈现出夏季>秋季>春季>冬季。从空间分布上看,地表蒸散发表现为东南部较大,西北部较小。将基于SEBAL模型和优化的SEBAL模型反演结果,与气象站监测数据折算的陆面蒸散发量进行结果验证和精度评价,结果表明SEBAL模型的均方根误差为1.30 mm/day,优化SEBAL模型的均方根误差为0.90 mm/day,说明优化SEBAL模型反演地表蒸散发量相对于SEBAL模型具有更好的精度。(本文来源于《长安大学》期刊2019-04-08）
杜一尘[10]（2019）在《基于GWR模型与林火数据森林年龄的遥感估算》一文中研究指出本研究通过地理加权回归(GWR)模型估算非干扰林龄,利用遥感数据和林火发生历史数据,获取过火区域信息,进而对林火烈度分级,讨论林火烈度与森林类型的交互作用,估算干扰林龄,最终获得黑龙江省森林年龄的空间分布。以黑龙江森林为研究区域,基于研究区域的多光谱数据结合地面森林资源清查数据,通过逐步回归方法提取了包括遥感因子绿度指数(Greeness)、湿度指数(Wetness),林分因子林分平均胸径(ADBH)、林分平均树高(ASH)及地形因子海拔(Altitude)在内的五个显着因子作为自变量,采用地理加权回归模型建立了非干扰林龄估算模型。采用全局Moran I来描述模型残差的空间自相关性。绘制研究区非干扰林龄空间分布图并探究林龄的空间分布状态。结合林火位置与面积记录对多光谱数据目视解译提取过火区域,根据dNBR将过火区域火烈度分级。将火烈度图与植被类型图迭加分析,讨论不同森林类型在不同火烈度下的演替情况。定义干扰林龄时,未发生树种更替的森林林龄不变,树种发生更替的森林在林火发生年将其林龄归为0,并在新的优势树种萌发时从1开始累加,以此类推干扰后森林的林龄。结果表明黑龙江省非干扰森林平均林龄为48年,标准差为16年。地理加权回归模型的R2adj为0.68,RMSE为16.1717。使用MoranI来检验模型的残差发现地理加权回归模型可以很好的消除残差的空间自相关性。研究区林龄整体空间分布状态不均匀,大兴安岭地区林龄普遍高于黑龙江林区平均水平。黑龙江省2000～2010年林火主要发生在大兴安岭及小兴安岭地区,根据dNBR将已提取的过火区域林火烈度分为:未过火、轻度过火、中度过火和重度过火4类,总过火面积为527932 hm2,其中重度火烧29157 hm2,中度火烧180268hm2,轻度火烧318507 hm2。兴安落叶松林和蒙古栎林在整个研究区中过火面积最大,分别占总过火面积的28.63%和47.23%。根据不同森林类型在不同火烈度下的演替情况,估算了干扰森林的林龄并绘制了干扰林龄空间分布图。地理加权回归模型能够较为有效地估算黑龙江省非干扰林龄,成功地降低了残差的空间自相关性。在估算林龄的过程中加入了林火干扰因素,获取了更加真实的林龄空间分布数据,为黑龙江地区森林NPP、NEP以及森林碳储量、森林生物量等相关研究提供了数据支持。(本文来源于《东北林业大学》期刊2019-04-01）
遥感估算模型论文开题报告
（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：
为探究植被覆盖时的土壤盐分反演,以河套灌区解放闸灌域为研究区域、GF-1号影像为数据源,将盐分指数(SI2、S2、S3)、增强植被指数(EVI)和近红外NIR波段作为输入因子,分别利用多元线性回归(multivariable linear regression,MLR)、分位数回归(quantile regression,QR)和BP神经网络(back propagation neural network,BP)叁种方法建立0～60 cm深度下土壤盐分反演模型。研究结果表明,MLR模型与QR模型均具有较高精度,能够较好的反演植被覆盖时的土壤盐分,其中QR模型验证精度最高,建模和验证的决定系数(coefficient of determination,R~2)分别达到0.627与0.636,均方根误差(root mean square error,RMSE)为0.249,平均绝对误差(mean absolute error,MAE)为0.235,是本次土壤盐分估算的最优模型。BP模型效果相对较差,建模与验证R~2为0.605和0.558。采用QR模型反演研究区土壤盐分,发现模型反演的盐分趋势符合实际情况;灌区主要分布非盐土和轻度盐渍化土壤,灌域南部地区土壤盐渍化程度低,约占32%;盐渍化程度较高的区域约占灌域总面积的19%。研究为探讨植被覆盖时的土壤盐分反演提供了思路。
（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。
遥感估算模型论文参考文献
[1].董显聪,李晓洁.草原植被覆盖度遥感估算模型的适用性比较[J].测绘通报.2019
[2].邱元霖,陈策,韩佳,王新涛,魏世玉.植被覆盖条件下的解放闸灌域土壤盐分卫星遥感估算模型[J].节水灌溉.2019
[3].方馨蕊,温兆飞,陈吉龙,吴胜军,黄远洋.随机森林回归模型的悬浮泥沙浓度遥感估算[J].遥感学报.2019
[4].陈日东,林什全,潘国英,陈月明.天堂山林场森林地上生物量及碳储量的遥感估算模型构建[J].林业与环境科学.2019
[5].杜一尘,李明泽,范文义,王斌.基于地理加权回归模型与林火遥感数据估算森林年龄[J].林业科学.2019
[6].董哲,杨武德,张美俊,朱洪芬,王超.基于高光谱遥感的玉米叶片SPAD值估算模型研究[J].作物杂志.2019
[7].董立新.叁峡库区森林叶面积指数多模型遥感估算[J].国土资源遥感.2019
[8].段丁丁.基于遥感信息和DSSAT-SUBSTOR模型数据同化的区域马铃薯产量估算[D].中国农业科学院.2019
[9].杨亮彦.基于优化SEBAL模型的旱区蒸散发遥感估算[D].长安大学.2019
[10].杜一尘.基于GWR模型与林火数据森林年龄的遥感估算[D].东北林业大学.2019