导读:本文包含了叶面积空间分布论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:叶面积,指数,模型,空间,植被,郁闭度,东北地区。
叶面积空间分布论文文献综述
Lamin,Rahman,Mansaray[1]（2019）在《协同光学与SAR遥感数据的水稻空间分布、生物量和叶面积指数制图研究》一文中研究指出Both optical and microwave satellite data have been employed in rice monitoring.Optical images are however prone to cloud contamination especially in the tropics and subtropics.Microwave images on the other hand are less affected by clouds and have become complementary to optical images in rice monitoring.Hence the synergistic use of optical and microwave images in rice monitoring has recorded better results as against their independent use.However,substantial challenges exist in the conjugative use of these datasets in rice monitoring by virtue of their varying spatial and temporal resolutions,and the different temporal profiles of these datasets with rice crop growth.Against this backdrop,this thesis investigated the most optimal dataset(among optical and microwave satellite data)and model(among key statistical and machine learning models)combinations at specific growth periods(scenarios)of rice.For the first time,this study explored the combined use of quad-source optical satellite data(Sentinel-2A,Landsat-8 OLI,HJ-1 and GF-1)with the new Sentinel-1 A microwave satellite data in mapping rice field distribution,dry biomass and green leaf area index(LAI),at two growing seasons(2016 and 2017),at an area located in southeast China.Using random forest(RF)and support vector machine(SVM)for mapping rice field distribution,and statistical(linear,quadratic,logarithmic,power and exponential)models and machine learning[RF,SVM,k-nearest neighbor(k-NN)and gradient boosting decision tree(GBDT)]regression models for mapping rice biomass and LAI,this thesis answered the vital research questions of which algorithm(SVM and RF for paddy rice fields),growth period(for rice biomass and LAI),and dataset among the vertical transmitted and vertical received(VV)and vertical transmitted and horizontal received(VH)channels of Sentinel-1A,and the enhanced vegetation index(EVI)and modified normalized difference water index(MNDWI)from optical satellite imagery,most adequately meet the requirements of precision and operational rice monitoring.In mapping rice fields,EVI and MNDWI were combined to form a spectral index(SI)dataset,resulting in seven satellite datasets as follows;SI,VH,VV,VHVV,VHSI,VVSI and VHVVSI.The VHVVSI with RF combination produced the highest overall map accuracies of 98.43%in 2016 and 96.73%in 2017,and is therefore considered optimal for rice field mapping.However,VHVV with RF recording accuracies of 96.8%(2016)and 94.5%(2017)is regarded optimal for operational rice mapping initiatives.In dry biomass estimation,VHVV with RF is optimal at all stages,with an R2 of 0.73 and an RMSE of 462.4 g/11m2.EVI before heading recorded the most accurate biomass estimates with GBDT,with an R2 of 0.82 and an RMSE of 191.8 g/m2.After heading,there is a substantial drop in the performance of EVI,recording an R2 of 0.49 and an RMSE of 364.7 g/m2 with the quadratic model,indicating that optical imagery can produce more accurate biomass estimates in the first half of the growing season.The poor performance of EVI after heading is attributed to the greater attenuation by leaves and ears.Therefore,to improve on biomass estimates,elongation to milking and elongation to maturity periods were investigated for the synergistic use of optical and microwave imagery.In this regard,improved biomass estimates were obtained at flowering and milking with an R2 of 0.84 and an RMSE of 251.2 g/m2 based on kNN with VHEVI.Beyond milking,the most accurate estimates with the combined optical and microwave data were obtained by VHVVEVI with RF,recording an R2 of 0.70 and an RMSE of 382.2 g/m2.It is therefore obvious that the combined use of optical and microwave imagery produced rice biomass estimates that are more accurate than corresponding estimates generated by the sole use of microwave images(VHVV with RF in the all stages scenario).With EVI capable of producing more accurate estimates before heading,its deficiency after heading can be ameliorated with the combined use of optical and microwave datasets.However,despite the improved biomass estimates obtained with the division of the growth period,their resultant biomass dynamic maps were very consistent with those obtained by VHVV with RF at the all stages scenario.Thus,for operational paddy rice monitoring initiatives,the sole use of Sentinel-1A VHVV data can be sufficient for the estimation and dynamic mapping of rice biomass.In the estimation of green LAI,VHVV also proved most optimal at the all stages,recording the most accurate estimates with GBDT with an R2 of 0.82 and an RMSE of 0.68 m2/m2.Similar to biomass,EVI also performed best before heading,recording its most accurate estimates with GBDT with an R2 of 0.82 and an RMSE of 0.82 m2/m2,as against its estimates after heading with the power model,having an R2 of 0.52 and an RMSE of 1.03 m2/m2.This suggests that as opposed to biomass,VHVV can yield more accurate rice LAI estimates than EVI.The reverse being the case with biomass suggests that green LAI could be more sensitive to image quality than dry biomass.It is important to note that the optical images used in this study are not 100%cloud-free.Remnant atmospheric effects may have compromised the ability of optical imagery to outperform its microwave counterpart.Even LAI estimates from the combined use of optical and microwave satellite data from elongation to milking where VHEVI with GBDT recorded an R2 of 0.84 and an RMSE of 0.71 m2/m2,and from elongation to maturity where VVEVI with RF recorded an R2 of 0.69 and an RMSE of 0.77 m2/m2,LAI estimates generated by VHVV with GBDT at the all stages were still of superior accuracy.Dynamic LAI maps generated at the all stages scenario by the VHVV with GBDT model were consistent with the seasonal trends of LAI,and this has further demonstrated that in cloudy areas,microwave data can be used in lieu of optical data.This thesis concludes that in mapping rice fields,the combined use of multisource optical and Sentinel-1 A data only brought slight improvements in accuracy over the sole use of the VHVV dataset of the latter.Additionally,despite the improved biomass estimates with combinations of multisource optical and Sentinel-1 A imagery,dynamic biomass maps obtained by VHVV were consistent with in-situ data.Moreover,LAI estimates by VHVV are not only consistent with in-situ data but also superior to those of the combined datasets.Based on these results,the sole use of the VHVV dataset of Sentinel-IA cannot only meet the data requirements of precision agriculture,but also being obtained from a single satellite sensor which avoids the huge amount of time required in processing multisource satellite data,makes it optimal for an operational scenario where timely data acquisition is imperative.Given this potential of VHVV,its use should therefore be extended to the retrieval of other biophysical parameters such as height,phenology and yield for complete crop information.This is especially important in cloudy areas where the use of optical satellite imagery is highly limited.(本文来源于《浙江大学》期刊2019-03-01）
孙晓,李春友,牟洪香,赵雪,贺红月[2]（2018）在《‘107杨’叶面积模型构建及空间分布研究》一文中研究指出以保定地区‘107杨’为研究对象,调查统计了2~6a生‘107杨’叶片形态特征数据;通过幂函数、二项式、标准S曲线等7种形式16个模型构建了‘107杨’单叶面积静态模型、单叶面积增长模型;采用最小二乘法对模型参数进行估计,利用相对误差、绝对误差、判定系数R2及其模型精度等指标来验证模型的预估能力,并主要分析了2a生‘107杨’全株叶片大小在空间的分布规律。结果表明:以长、宽乘积为自变量的单叶面积静态模型精确度最高,公式为:S=-0.000 6 X~2+0.780 7 X~(-1)0.673;距萌芽期74d、106d、138d、154d的不同发育时日,叁级叶片分布较多,单叶面积为40cm~2左右;在距萌芽期74d、106d发育时日,一级叶片数量稳定,占总叶片比重3.9%;出叶速率在前期基本保持快速稳定,后期逐渐减退;以距芽萌动期的发育时日为自变量、叶面积为因变量,构建的单叶面积增长模型为:S=0.981t0.726 1。叶面积模型的构建为准确模拟冠层内光辐射传输的研究提供了可能,也为提高植物的生物产量进而提高经济效益打下坚实的基础。(本文来源于《林业与生态科学》期刊2018年03期）
黄楚荻[3]（2018）在《叶面积指数的多光谱空间分布模式及高分辨率遥感影像反演》一文中研究指出叶面积指数(LAI)反演对于陆地植被生物量估算、生态系统状态监测具有十分重要的意义。在中国西北部的干旱、半干旱地区,作物及荒漠植被的调查研究中,LAI反演都扮演着重要角色。高分辨率遥感影像的出现为高精度叶面积指数反演提供了可能。本研究利用野外观测数据对PROSAIL模型的输入参数进行了率定,以宁夏中卫绿洲的玉米、水稻、荒漠灌丛、草地为研究对象,分别探讨了这些植被反射率及LAI之间的关系,构建了不同的红光/近红外波段反射率-LAI查找表,对WorldView-3遥感影像进行了小区域叶面积指数反演,为高分辨率遥感影像的叶面积指数反演提供了方法参考。主要结论有:(1)输入参数率定是进行基于PROSAIL模型的LAI反演的首要步骤。PROSAIL模型的输入参数中有些无法获得或难以获得,由于这些参数对于模拟结果存在影响,所以通过参数率定过程来确定参数值更加客观,可有效提高叶面积指数的反演精度。(2)构建模拟数据集时可以对模型的不同参数分别制定输入方案。PROSAIL模型输入参数繁多,全部参与构建模拟数据集将导致模拟数据集维度过大,降低计算效率,并且红光、近红外波段反射率对于叶面积指数变化的响应随其增大而减弱。将敏感性较低的参数设置为固定值、筛选对红光及近红外波段反射率敏感的参数参与模拟数据集的构建、对叶面积指数的步长进行分段设置等措施均可有效提高计算效率。(3)在分析植被的反射率–LAI关系的基础上建立查找表从而实现叶面积指数反演。从缨帽叁角关系而论,植被的反射率–LAI关系具有普遍性,不同植被的两者关系又具有差异性。充分理解各类植被的反射率-LAI关系有助于构建更有效的查找表,可以提高反演精度。使用实测数据对本研究中的查找表进行精度评价,玉米、水稻、荒漠灌丛、草地的叶面积指数查找表RMSE分别为0.47、0.43及0.51、0.53,农田叶面积指数反演精度略高于自然生长的荒漠植被。(4)使用WorldView-3遥感影像进行叶面积指数反演精度较高。WorldView-3遥感影像具有较高的空间分辨率,更加纯净的像元对叶面积指数的反演起到了积极的作用。在反演的过程中使用植被提取结果作为辅助数据,分类别进行叶面积指数反演,可以适当提高精度。(本文来源于《兰州大学》期刊2018-05-01）
刘雨枫[4]（2017）在《基于移植修剪的白桦叶面积与细根空间分布模型研究》一文中研究指出白桦(Betula platypylla)因其独特的景观价值极受园林工作者的青睐,但大规格白桦移植成活率低的问题早已成为行业诟病,尚未从根本上解决。以往针对改善白桦移植成活率的研究仅停留在移植具体操作技术及通过外源激素提高根系的再生能力的层面上,并未从树木移植成活基础理论角度做相关性基础性研究。本课题在依据树木移植成活理论—树势平衡理论的基础上,以期通过对白桦叶面积与细根空间分布规律的研究,建立适合移植修剪计算的叶面积及细根的空间分布规律模型为白桦的移植修剪提供技术支撑,于2016年9月秋季落叶前,在沈阳园科院驻祝家苗圃以不同胸径(3cm、6cm、10cm)的白桦为研究对象,采用样株解析、枝条解析及使用美国CID公司生产的CID-203手持叶面积仪对叶面积进行测定的方法对地上部分叶面积空间分布规律展开研究:采用全株挖掘法对白桦全根系进行解析及使用WinRHIZO根系分析系统软件对细根形态参数进行测定的方法展开对地下细根的空间分布规律研究,在此基础上建立了方便移植修剪量计算的叶面积修剪保留量模型与根幅修剪保留量模型。研究结果表明:(1)本研究将树冠长度5等分,产生依次由低到高的5个冠层,分别统计不同规格的白桦对应冠层的叶面积总和,得出白桦叶面积在不同冠层的垂直分布由底层树冠到顶层树冠呈递减趋势。(2)白桦叶面积的水平分布规律:本文将不同规格的白桦的一级枝条长度五等分,从枝条基部到枝条尖端依次标号为枝段Ⅰ、枝段Ⅱ、枝段Ⅲ、枝段Ⅳ、枝段Ⅴ,得出的叶面积在一级枝条上的水平分布由枝条基部到枝条尖端呈先增大再减小趋势,且在枝段Ⅱ处分布比例最多,在枝段V处分布比例最少。(3)在白桦叶面积空间分布规律的研究基础上,建立了适合地上部分一级侧枝疏剪量计算的一级侧枝叶面积百分比模型及适合一级侧枝部分修剪量计算的枝段叶面积在一级枝条上的水平分布百分比模型,得出以一级枝条叶面积占全株总叶面积的百分比为因变量、枝长*基径/着枝高度为自变量的模型:P(一级侧枝叶面积)=0.022lndl/DINC+0.043,决定系数R2=0.844,模型精度在置信度α=0.01的水平上为96.113%;及以枝段叶面积占所在一级侧枝的总叶面积的百分比为因变量、每枝段两端点的径差为自变量的模型为P(枝段叶面积)==0.548e-2.053(d1-d2),决定系数R2=0.876,模型精度在置信度α =0.01的水平上,93.989%,进而推导出白桦叶面积修剪保留量模型P(叶面积保留量)(?)得出了白桦叶面积修剪应用表。(4)白桦细根的垂直分布规律:本文通过全株挖掘法将不同规格的白桦的根系进行全解析,不同规格的白桦根系垂直分布均达到了 90cm深度,将地表为0点,以30cm深度为一档进行细根量的划分统计,得出细根量(根长、根表面积、根尖数)分布均随土层加深而呈减少趋势。并且绝大多数分布集中在0-30cm 土层中,30cm 土层以下呈均匀分布状态。(5)白桦细根的水平分布规律:本文通过全株挖掘法将不同规格的白桦的根系进行全解析,不同规格的白桦根系水平延展半径均达到了 18d,将不同规格的白桦细根水平分布以树干外侧为零点,以3d(叁倍胸径)为一档次进行外扩,划分各段并结合不同土层深度进行细根量的统计,得出白桦细根(根长、根表面积、根尖数)在不同土层中的水平分布均随距树干距离加大呈先增多后减少趋势。(6)在白桦细根空间分布规律的研究基础上,建立了细根空间分布规律模型,首先得出了以根幅根尖数为因变量,距树干水平距离(x=nd)的平方乘以垂直深度(h)为自变量的白桦根幅细根量模型为根幅根尖数(N)=447.383[(nd)2h]0.528,决定系数R2=0.966,模型精度在置信度α =0.01的水平上为96.582%。进而推导出了适合地下部分修剪计算的根幅细根保留量百分比模型为P(根幅根尖数)=447.383[(nd)2h]0.528/447.383[(nmax*d)2hmax]0.528。并在此基础上计算得出了白桦移植修剪根幅细根量百分比表。(本文来源于《沈阳农业大学》期刊2017-06-01）
赵晓,吕玉龙,王聪,李亚丹,杜华强[5]（2014）在《毛竹林叶面积指数和郁闭度空间分布协同克里格估算》一文中研究指出在地面调查的基础上,利用协同克里格插值法对研究区内毛竹Phyllostachys edulis林叶面积指数(LAI,leaf area index)和冠层郁闭度(CC,canopy closure)2个冠层参数进行空间分布估算研究,并与普通克里格插值法进行了比较。研究结果表明:①球状模型可以用来反映LAI和CC的空间变异,且两者具有强烈的空间自相关特征。②协同克里格插值得到的LAI预测值与实测值之间的决定系数R2为0.635 1,而CC的决定系数R2为0.428 5;与普通克里格法相比,基于协同克里格法的LAI和CC预测精度均得到改善,其中LAI预测精度提高了1.94%,均方根误差减少2.00%,平均标准误差减少0.18%,而CC预测精度提高了4.82%,均方根误差减少1.90%,平均标准误差减少1.30%。③安吉县毛竹林LAI和CC都具有从西南到东北逐渐递减空间分布格局,在一定程度上反映了安吉县不同区域毛竹林经营水平的差异。(本文来源于《浙江农林大学学报》期刊2014年04期）
唐鹏钦,杨鹏,陈仲新,李正国,游良志[6]（2013）在《利用交叉信息熵模拟东北地区水稻种植面积空间分布》一文中研究指出作物时空分布变化是农业研究的重要内容。近30a来,东北地区水稻种植面积显着增加,为探讨东北地区水稻时空变化特征,进一步丰富和完善作物空间分布信息获取方法,研究作物空间分布对包括气候变化在内的多种影响因素的响应关系,该研究综合80年代以来的作物面积与产量统计数据、耕地数据、农业灌溉数据以及作物生长适宜性分布等多源数据,利用基于交叉信息熵原理的作物空间分配模型(spatial production allocation model,SPAM)构建了针对中国作物分布特点的SPAM-China模型,模拟了中国东北地区1980-2008年像元尺度上水稻空间分布信息。结果表明,模拟结果能较好地反映出东北地区水稻主要种植区域,近30a东北地区水稻种植时空变化特征显着,水稻种植区域向北向东扩展,种植重心北移了约1.76个纬度,中北部地区水稻种植面积增加且趋势明显,南部地区变化趋势不显着。(本文来源于《农业工程学报》期刊2013年17期）
张锦水,赵莲,陈联裙,胡潭高,董燕生[7]（2010）在《区域总量控制下的冬小麦种植面积空间分布优化》一文中研究指出【目的】利用传统遥感与抽样相结合的方法进行农作物种植面积测量,只能获得区域总量,无法有效获取农作物种植面积空间分布信息。针对以上不足,开展区域总量控制下的冬小麦种植面积空间分布优化研究,从而提高冬小麦种植面积测量的空间分布精度。【方法】将整个遥感影像像元划分为3部分:"纯净冬小麦像元"、"混合冬小麦像元"和"典型非冬小麦像元"。综合软、硬分类方法各自的优势,在区域冬小麦总量面积一定的前提下,设定阈值确定混合冬小麦像元的空间分布范围。【结果】传统遥感与抽样相结合的方法提取出的冬小麦结果RMSE为0.13,优于硬分类方法(RMSE为0.16)和软分类方法(RMSE为0.20)。【结论】区域总量控制下的软、硬分类方法能够有效地对冬小麦种植面积空间分布进行优化,既保证了区域测量精度,又提高了空间分布的准确性。(本文来源于《中国农业科学》期刊2010年21期）
赵传燕,沈卫华,彭焕华,王超[8]（2009）在《青海云杉林叶面积指数空间分布模拟——以祁连山区排露沟流域为例》一文中研究指出以祁连山区排露沟流域为研究区,利用高分辨率的遥感数据获取多种植被指数,并与观测的叶面积指数进行回归分析,发现叶面积指数LAI与归一化植被指数NDVI的相关性最好(R~2=0.766),且以LAI与NDVI的关系建立的模型精度最高(RMSE=0.381)。通过t检验,证明NDVI模型明显优于其他植被指数模型,因此把它选为最佳模型,模拟整个研究区青海云杉林叶面积指数的空间分布,为小流域分布式生态水文模型提供重要的参数。(本文来源于《兰州大学学报(自然科学版)》期刊2009年05期）
李正泉,于贵瑞,赵风华,伏玉玲,李英年[9]（2007）在《通量贡献区叶面积指数空间分布的测定》一文中研究指出使用循环采样设计方案,对海北沼泽化湿地生态系统涡度相关通量观测塔的通量贡献区内叶面积指数进行了实地调查。根据样方叶面积指数的实地测量值和样方的GPS空间定位信息,利用空间插值方法绘制了通量贡献区内的叶面积指数空间分布图。并基于数字摄影与地理信息系统技术,提出了一种测量速度快、计算精度高、适合多种植物叶片叶面积测量的新方法。该方法在ArcGIS的GRID模块下对叶片图像进行格式转化和重新采样处理,使用自行编写的色阶诊断程序提取图像中叶片的叶面积。研究结果表明:此种方法叶面积测量结果与LI-3000A叶面积仪所测的结果具有很好的吻合性,两者的线性回归方程决定系数R2为0.98,叶面积的测量精度完全可以达到实际应用中的测量要求。(本文来源于《中国生态农业学报》期刊2007年06期）
金慧然,陶欣,范闻捷,徐希孺,李培军[10]（2007）在《应用北京一号卫星数据监测高分辨率叶面积指数的空间分布》一文中研究指出利用"北京一号"卫星(高性能对地观测小卫星,DMC+4)可同步提供中分辨率多波段信息和高分辨率全色波段信息的优势,选择冬小麦为研究对象,在考虑太阳—冬小麦冠层—传感器叁者的几何关系和作物群聚效应的基础上,建立易于反演的植被冠层辐射模型,实现了对冬小麦长势空间分布的监测,并通过数值模拟和野外实验对模型进行了验证.研究表明所采用的模型和反演方法是有效的,为进一步研究LAI尺度效应打下了基础.(本文来源于《自然科学进展》期刊2007年09期）
叶面积空间分布论文开题报告
（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：
以保定地区‘107杨’为研究对象,调查统计了2~6a生‘107杨’叶片形态特征数据;通过幂函数、二项式、标准S曲线等7种形式16个模型构建了‘107杨’单叶面积静态模型、单叶面积增长模型;采用最小二乘法对模型参数进行估计,利用相对误差、绝对误差、判定系数R2及其模型精度等指标来验证模型的预估能力,并主要分析了2a生‘107杨’全株叶片大小在空间的分布规律。结果表明:以长、宽乘积为自变量的单叶面积静态模型精确度最高,公式为:S=-0.000 6 X~2+0.780 7 X~(-1)0.673;距萌芽期74d、106d、138d、154d的不同发育时日,叁级叶片分布较多,单叶面积为40cm~2左右;在距萌芽期74d、106d发育时日,一级叶片数量稳定,占总叶片比重3.9%;出叶速率在前期基本保持快速稳定,后期逐渐减退;以距芽萌动期的发育时日为自变量、叶面积为因变量,构建的单叶面积增长模型为:S=0.981t0.726 1。叶面积模型的构建为准确模拟冠层内光辐射传输的研究提供了可能,也为提高植物的生物产量进而提高经济效益打下坚实的基础。
（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。
叶面积空间分布论文参考文献
[1].Lamin,Rahman,Mansaray.协同光学与SAR遥感数据的水稻空间分布、生物量和叶面积指数制图研究[D].浙江大学.2019
[2].孙晓,李春友,牟洪香,赵雪,贺红月.‘107杨’叶面积模型构建及空间分布研究[J].林业与生态科学.2018
[3].黄楚荻.叶面积指数的多光谱空间分布模式及高分辨率遥感影像反演[D].兰州大学.2018
[4].刘雨枫.基于移植修剪的白桦叶面积与细根空间分布模型研究[D].沈阳农业大学.2017
[5].赵晓,吕玉龙,王聪,李亚丹,杜华强.毛竹林叶面积指数和郁闭度空间分布协同克里格估算[J].浙江农林大学学报.2014
[6].唐鹏钦,杨鹏,陈仲新,李正国,游良志.利用交叉信息熵模拟东北地区水稻种植面积空间分布[J].农业工程学报.2013
[7].张锦水,赵莲,陈联裙,胡潭高,董燕生.区域总量控制下的冬小麦种植面积空间分布优化[J].中国农业科学.2010
[8].赵传燕,沈卫华,彭焕华,王超.青海云杉林叶面积指数空间分布模拟——以祁连山区排露沟流域为例[J].兰州大学学报(自然科学版).2009
[9].李正泉,于贵瑞,赵风华,伏玉玲,李英年.通量贡献区叶面积指数空间分布的测定[J].中国生态农业学报.2007
[10].金慧然,陶欣,范闻捷,徐希孺,李培军.应用北京一号卫星数据监测高分辨率叶面积指数的空间分布[J].自然科学进展.2007
论文知识图
