导读:本文包含了光谱遥感估算模型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:光谱,遥感,冬小麦,指数,植被,叶片,模型。
光谱遥感估算模型论文文献综述
董哲,杨武德,张美俊,朱洪芬,王超[1]（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）
郭建茂,高云峰,李淑婷,白玛仁增,王阳阳[2]（2019）在《基于多角度高光谱遥感的冬小麦叶片含水率估算模型》一文中研究指出准确的作物水分监测对于旱情评估具有重要意义。在分析研究区冬小麦多角度光谱特征后,利用不同水分处理下冬小麦实测叶片含水率和实测多角度光谱数据,基于植被光谱指数法,建立不同观测角度下冬小麦光谱植被指数、水分敏感波段光谱指数与叶片含水率之间的数学模型。结果显示,相对方位角与相对天顶角越小时,观测到的光谱指数与叶片含水率的相关关系越优;敏感波段组合构建的光谱指数中,1450nm波段分别与其他波段组合的NDSI、RSI指数与叶片含水率相关性在各观测角度条件下均较好,1 450 nm波段是冬小麦叶片含水率研究的最佳敏感波段;选取常见的4种植被指数(NDVI、EVI、WI和NDII)中WI和NDVI在各观测角度下与叶片含水率的相关性优于其他两种指数,决定系数R2均在0.83以上,P<0.01呈极显着相关;综上建立的多角度光谱叶片含水率估算模型,平均相对误差MRE均小于0.154、均方根误差RMSE均小于0.098,拟合效果较好,尤其是光谱指数NDSI1160,1450、NDSI980,1450和植被指数NDVI、WI;基于以上4种指数建立的最优观测角度(0°,30°)模型,其中植被指数WI的估算效果最好,相关系数在各角度均达到5%的相关显着水平,MRE<0.03,可作为最优观测角度反演研究的最优植被指数。(本文来源于《安徽农业大学学报》期刊2019年01期）
张卓,龙慧灵,王崇倡,杨贵军[3]（2019）在《冬小麦叶片光合特征高光谱遥感估算模型的比较研究》一文中研究指出【目的】光合作用是农作物产量和品质形成的基础,农作物光合参数的准确定量遥感反演不仅能够了解农作物的生长发育和有机物累积状况,还能为基于遥感的生态系统过程模型提供参考。为快速准确的估算光合特征参量,本研究综合原始光谱、3种传统光谱变换技术和4种模拟方法构建冬小麦3种光合参数的高光谱反演模型,探讨高光谱反演冬小麦光合参数的可行性,对比不同类别光谱和模拟方法的适用性。【方法】本研究基于氮肥施用条件冬小麦气体交换和高光谱田间试验,获取不同叶位叶片的最大净光合速率(Amax)、PSⅡ有效光化学量子产量(Fv′/Fm′)、光化学猝灭系数(qP)和高光谱反射率,并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果,筛选显着性水平优于0.01的波段作为输入变量,采用偏最小二乘(PLS)、支持向量机(SVM)、多元线性回归(MLR)和人工神经网络(ANN)等方法建立冬小麦叶片光合参量反演模型,以建模和验证的决定系数(R~2)和均方根误差(RMSE)为依据,对不同模型的模拟精度进行比较分析。【结果】(1)3种光合参数和4种光谱的相关性分析结果表明,原始、倒数和对数光谱对3种光合参数(Amax、Fv′/Fm′和qP)的敏感谱区均集中在400—750 nm波谱区间,一阶导数光谱对3个光合参数的敏感谱区为470—560、630—700和700—770 nm波谱区间。(2)Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型。模型的建模R2分别为0.75、0.65和0.65,验证R2分别为0.73、0.59和0.44,表明基于高光谱模拟Amax和Fv′/Fm′切实可行,模拟qP的有效性需要进一步验证。(3)不同变换的光谱表现能力不同,以PLS模拟Amax为例,光谱的表现能力顺序为原始光谱>倒数光谱>对数光谱>一阶导数光谱。(4)不同模型的估算能力也存在明显差异,以基于原始光谱的Amax模拟为例,不同模型的估算能力顺序为MLR>PLS>ANN>SVM。【结论】通过对比分析4种光谱和4种模拟方法对3种冬小麦光合参数的高光谱反演结果发现,Amax和Fv′/Fm′可以很好通过高光谱进行模拟,而高光谱对qP解释能力偏低,有待进一步研究。高光谱信息对冬小麦光合参量具有较强的敏感性,同时受光谱类型和模拟方法的影响,可以用来监测冬小麦光合能力的动态变化,为把握农作物生长状况提供依据。(本文来源于《中国农业科学》期刊2019年04期）
李园园,楚光明,牛攀新,李明艳,刘烈[4]（2018）在《基于地面高光谱遥感数据的梭梭地上生物量估算模型》一文中研究指出梭梭(Haloxylon ammodendron)是准噶尔盆地建群种和优势种,梭梭生物量是评价荒漠生产力和生态功能的重要指标。以古尔班通古特沙漠南缘石河子地区沙地和盐碱地梭梭为研究对象,利用个体植株冠层高光谱数据提取的植被指数(Ⅵ)与实测的地上生物量进行6种单变量线性和非线性回归分析。结果表明:二次函数和幂函数与植株个体冠层NDVI呈现较强相关,其中二次函数拟合方程为B=7.8-112.61*NDVI+447.37*NDVI~2(R_(adj)~2=0.813,RSS=5.583),幂函数拟合方程为B=856.33*NDVI~(3.41)(R_(adj)~2=0.817,RSS=5.469),并利用这2种拟合方程估算梭梭地上生物量。分析发现,两个方程估算的梭梭个体地上生物量均值偏高,而对于不同径级梭梭地上生物量估算效果无明显规律。该研究对于利用地面高光谱数据无损、定量提取梭梭地上生物量进行了有益尝试,可为今后利用高光谱以及光学影像数据进行梭梭地上生物量的大范围估测提供一些参考。(本文来源于《干旱区资源与环境》期刊2018年07期）
季建万[5]（2018）在《木兰溪下游区土壤重金属高光谱遥感估算模型研究》一文中研究指出土壤是人类赖以生存的基础,而随着社会工业化的深入发展,大量废弃污染物通过各种媒介进入到土壤环境,使得土壤受到不同程度的污染,其中重金属是最为重要的污染物质之一。高光谱遥感技术因具有非破坏性、非接触元素以及大范围快速监测等特点已经成为土壤重金属元素监测的重要技术途径。但现有土壤重金属高光谱估算研究中,并未系统地对不同土壤重金属建模方法和土壤光谱变换方法进行综合考虑和对比,本文以木兰溪下游为研究区域,综合运用多种光谱处理方法和建模方法估算铬、钴、铜和砷四种土壤重金属元素含量,并对四种重金属元素模型结果进行对比分析,以期得到研究区四种重金属元素较优的光谱变换方式和建模方法,为区域快速检测四种重金属元素含量提供一定的参考价值。本文主要研究结论如下:(1)木兰溪下游区土壤铬元素和土壤钴元素在400～2400 nm波段范围内,经过多种光谱变换后,仍有大量稳定且分布较连续的波段通过0.01极显着性检验水平;而土壤铜元素和土壤砷元素则只有较少且分布分散的波段在特定光谱变换后通过0.01极显着性检验水平。(2)木兰溪下游区铬、钴、铜和砷四种重金属元素最佳光谱变换方式均有导数变换,表明导数变换能够增强土壤光谱中对于四种重金属元素的响应信息,从而提高四种重金属元素模型精度。此外,倒数变换、倒数对数变换、波段深度与对数倒数变换也能够在一定程度上提高特定土壤重金属元素的模型精度。(3)木兰溪下游区四种重金属元素模型估算效果为铬>钴>砷>铜,其中铬和钴元素平均建模决定系数分别为0.800和0.604,平均验证决定系数分别为0.948和0.671,高于土壤铜元素和砷元素。对于土壤铬元素和钴元素,建模方法的选择对模型精度的影响较低,而土壤铜元素和砷元素模型精度受模型方法的影响较大。总体来说,主成分回归法、偏最小二乘回归法和地理加权回归法建模效果相近,均能够满足研究区土壤铬、钴和砷元素的高光谱模型反演要求,而对于研究区土壤铜元素,多元逐步回归法估算效果优于其他方法。(本文来源于《福建师范大学》期刊2018-03-26）
余蛟洋,常庆瑞,由明明,张卓然,罗丹[6]（2018）在《基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算》一文中研究指出叶绿素含量表征植被的营养生长状况,为西北地区苹果的大面积、无损、实时生长监测提供科学依据,使用SVC HR-1024I型便携式野外光谱辐射仪和SPAD-502型叶绿素仪测定不同生育期苹果叶片光谱反射率和SPAD值。分析不同生育期苹果叶片SPAD值及其高光谱变化特征,不同生育期叶片SPAD值与原始光谱反射率和光谱特征参数的相关性,构建基于光谱特征参数的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型,并对反演模型进行验证。结果表明,1)从新梢开始生长到果实成熟,苹果叶片SPAD值呈现先上升后下降趋势;2)基于光谱特征参数构建估算叶片SPAD值的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型均通过显着性检验,在秋梢停止生长期各模型反演和预测精度均最高;3)在各生育期,基于光谱特征参数建立的单因素回归模型中,均以蓝边幅值Db和绿峰面积SRg为自变量建立的回归方程拟合和预测能力最优;4)在各生育期,基于逐步回归分析的BP神经网络模型反演和预测能力较单因素回归模型和多元逐步回归模型表现最优,建模R2和验证R2分别达到0.90和0.84以上,验证RMSE<4.41,验证RE<8.42%,是一种快速、高效估算苹果叶片SPAD值的良好反演方法。(本文来源于《西北林学院学报》期刊2018年02期）
孟禹弛,侯学会,王猛[7]（2017）在《不同生育期冬小麦叶面积指数高光谱遥感估算模型》一文中研究指出基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型。结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显着相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用m SRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型。(本文来源于《江苏农业科学》期刊2017年05期）
廖钦洪,李会合,张琴[8]（2017）在《生姜叶片氮含量的高光谱遥感估算模型研究》一文中研究指出作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量估算效果最好,模型精度R~2、RMSE和RE分别为0.73、0.27、11.64%;利用波段组合算法构建的归一化光谱指数NDSI(754,713)对生姜叶片氮含量估算效果要优于MCARI(705,750)/OSAVI(705,750),模型估算精度R~2达0.83,使用的敏感波段713 nm与754 nm均位于植被的"红边"区域。对所建模型进行验证,叶片氮含量的预测值和实测值具有较好的一致性,验证样本R~2为0.78,RMSE为0.20,RE为9.81%。上述分析结果可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。(本文来源于《农业现代化研究》期刊2017年02期）
陈智芳,宋妮,王景雷,孙景生[9]（2017）在《基于高光谱遥感的冬小麦叶水势估算模型》一文中研究指出【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显着的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显着相关(P<0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。(本文来源于《中国农业科学》期刊2017年05期）
颜丙囤,梁守真,王猛,侯学会,陈振[10]（2017）在《花生叶绿素含量的高光谱遥感估算模型研究》一文中研究指出叶绿素是植物体进行光合作用吸收光能物质的主要色素,直接影响植被的光合作用。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。实测了不同品种、肥水条件下,花生冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;首先采用相关系数较大的波段作为变量进行叶绿素含量的估算,其次采用特定叶绿素敏感波段建立叶绿素估算模型。经对比发现,以原始高光谱反射率所构建的估算模型精度不高;一阶导数与叶绿素含量之间的关系采取同样的方法,表明线性模型可较好地预测叶绿素含量;最后在高光谱特征变量中,λr、λg、λo为自变量所构建的模型均通过极显着检验,以λr所构建的指数模型具有最大的决定系数(r2=0.543 5)和F值(F=33.333);通过精度检验,综合分析认为,以662 nm处的一阶微分反射率所构建的线性模型和以红边位置所构建的指数模型均可作为叶绿素含量估算较为合适的高光谱模型。(本文来源于《江苏农业科学》期刊2017年01期）
光谱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：
准确的作物水分监测对于旱情评估具有重要意义。在分析研究区冬小麦多角度光谱特征后,利用不同水分处理下冬小麦实测叶片含水率和实测多角度光谱数据,基于植被光谱指数法,建立不同观测角度下冬小麦光谱植被指数、水分敏感波段光谱指数与叶片含水率之间的数学模型。结果显示,相对方位角与相对天顶角越小时,观测到的光谱指数与叶片含水率的相关关系越优;敏感波段组合构建的光谱指数中,1450nm波段分别与其他波段组合的NDSI、RSI指数与叶片含水率相关性在各观测角度条件下均较好,1 450 nm波段是冬小麦叶片含水率研究的最佳敏感波段;选取常见的4种植被指数(NDVI、EVI、WI和NDII)中WI和NDVI在各观测角度下与叶片含水率的相关性优于其他两种指数,决定系数R2均在0.83以上,P<0.01呈极显着相关;综上建立的多角度光谱叶片含水率估算模型,平均相对误差MRE均小于0.154、均方根误差RMSE均小于0.098,拟合效果较好,尤其是光谱指数NDSI1160,1450、NDSI980,1450和植被指数NDVI、WI;基于以上4种指数建立的最优观测角度(0°,30°)模型,其中植被指数WI的估算效果最好,相关系数在各角度均达到5%的相关显着水平,MRE<0.03,可作为最优观测角度反演研究的最优植被指数。
（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。
光谱遥感估算模型论文参考文献
[1].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
[2].郭建茂,高云峰,李淑婷,白玛仁增,王阳阳.基于多角度高光谱遥感的冬小麦叶片含水率估算模型[J].安徽农业大学学报.2019
[3].张卓,龙慧灵,王崇倡,杨贵军.冬小麦叶片光合特征高光谱遥感估算模型的比较研究[J].中国农业科学.2019
[4].李园园,楚光明,牛攀新,李明艳,刘烈.基于地面高光谱遥感数据的梭梭地上生物量估算模型[J].干旱区资源与环境.2018
[5].季建万.木兰溪下游区土壤重金属高光谱遥感估算模型研究[D].福建师范大学.2018
[6].余蛟洋,常庆瑞,由明明,张卓然,罗丹.基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算[J].西北林学院学报.2018
[7].孟禹弛,侯学会,王猛.不同生育期冬小麦叶面积指数高光谱遥感估算模型[J].江苏农业科学.2017
[8].廖钦洪,李会合,张琴.生姜叶片氮含量的高光谱遥感估算模型研究[J].农业现代化研究.2017
[9].陈智芳,宋妮,王景雷,孙景生.基于高光谱遥感的冬小麦叶水势估算模型[J].中国农业科学.2017
[10].颜丙囤,梁守真,王猛,侯学会,陈振.花生叶绿素含量的高光谱遥感估算模型研究[J].江苏农业科学.2017
论文知识图
