导读:本文包含了植被指数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:植被,指数,遥感,干旱,贵州省,光谱,相关性。
植被指数论文文献综述
张亚利,李爱心,高攀[1]（2019）在《气象因子对植被指数影响的偏最小二乘分析》一文中研究指出针对相关分析在研究气象因子对植被影响时系统性不强的问题,该文以2009—2016年贵州省EVI时序数据和34个气象站点的观测数据为依据,采用偏最小二乘方法分析了各气象因子对EVI的影响程度。结果表明:当月的水汽压和温度以及前推一月的降水、水汽压和温度是贵州植被变化的关键因素,而前推一月日照和当月降水对植被变化的影响不显着。气象因子对EVI影响的空间差异表明:降水主要影响贵州西部、南部和西南部地区,日照主要影响东南部地区,而水汽压和温度则影响贵州全境。(本文来源于《测绘科学》期刊2019年12期）
刘倩,张方敏,李威鹏,苏荣明珠,李萌[2]（2019）在《不同水分下植被指数与冬小麦光合速率的关系探讨》一文中研究指出为了更有效、快速的诊断区域不同水分条件下冬小麦的生产潜力,以冬小麦为对象利用遮雨棚进行水分胁迫试验,通过对不同水分处理下冬小麦光合速率及植被指数的变化研究,分析光合速率和NDVI、EVI、RVI、PRI 4种植被指数在生育期的变化特征,建立植被指数与光合速率的最优相关模型。结果表明:在拔节期至孕穗期,水分胁迫虽然造成了冬小麦植被指数均下降,但是对光合速率的影响不大。在孕穗期至开花期,冬小麦的植被指数和光合速率对水分变化都较为敏感,但是严重和重度干旱胁迫[30%～65%田间持水量(FC)]下光合速率和植被指数下降的幅度大,而在中度干旱胁迫及轻度水淹条件(65%-105%FC)下的光合速率和植被指数变化和在充分供水条件下相似,下降幅度较小;研究认为,适度的干旱胁迫和轻度水淹胁迫不会降低冬小麦的光合速率和植被指数,但是严重和重度干旱胁迫会导致孕穗期至开花期的光合速率和植被指数明显下降,光合速率的下降幅度大于植被指数。在严重和重度干旱胁迫条件下EVI指数反映光合作用变化效果最好(严重干旱:Pn=2.0449EVI-1.2906,R=0.82,P<0.01;重度干旱:Pn=1.7742EVI-1.7021,R=0.79,P<0.01);在中度干旱胁迫条件下PRI指数最优(Pn=47.283PRI+10.887,R=0.38);而在非干旱胁迫时,NDVI指数更能反映光合作用的变化(充分供水:Pn=37.982NDVI3.0101,R=0.51,P<0.01;轻度水淹:Pn=28.024NDVI2.5646,R=0.47,P<0.05)。根据光合作用和植被指数关系建立的模型可以用于通过遥感指数监测不同水分条件下的冬小麦光合作用,进一步进行产量预报。(本文来源于《中国农学通报》期刊2019年35期）
李营,陈云浩,陈辉,王晨[3]（2019）在《GF-1 WFV影像的翅碱蓬植被指数构建》一文中研究指出目前大部分植被指数主要针对绿色植被构建,缺乏针对其他颜色特别是红色植被的指数。此外,面向湿地或潮间带植被识别提取的植被指数也相对较少。为拓展针对红色植被指数构建的研究,结合翅碱蓬植被的红色特征,基于高分一号(GF-1)卫星宽覆盖影像(wide field of view,WFV),通过对比翅碱蓬及其周边地物在GF-1 WFV影像中的光谱反射率特征,构建了翅碱蓬植被指数(suaeda salsa vegetation index,SSVI)。为评估SSVI提取翅碱蓬的精度,以辽宁双台子河口湿地自然保护区为研究区,采用各种植被指数分别提取了不同年份的5景GF-1 WFV影像翅碱蓬信息,并对提取结果精度及错分像元数进行统计分析。结果表明,SSVI平均提取精度为88.6%,平均错分像元占研究区比例为5.1%,在5个指数中提取翅碱蓬精度最高、效果最好。此外,5期影像间较大的时间跨度也证明了SSVI的鲁棒性较强,具有较好的适用性,受时间影响较小。综上,构建的SSVI可有效用于翅碱蓬的识别与提取,并监测其时空变化。(本文来源于《武汉大学学报(信息科学版)》期刊2019年12期）
黄悦悦,杨东,冯磊[4]（2019）在《近年来宁夏植被指数与气候生产力的时空变化》一文中研究指出为掌握宁夏归一化植被指数(normalized difference vegetation index,NDVI)与气候生产力的时空变化特征及其关系,本文基于2000—2017年遥感影像数据,采用一元线性回归分析、Thornthwaite Memorial模型及相关分析等方法进行分析。结果表明:宁夏南部林区和引黄灌区植被指数高于中部干旱带且NDVI以0.041 (10 a)-1的速率呈显着增加趋势;18 a间宁夏植被指数轻度增加区域占64.12%;宁夏气候生产力在空间上呈东南向西北逐渐递减变化,年降水量与气候生产力的时间变化趋势基本一致;大部分地区NDVI与气候生产力在空间上呈正相关,呈负相关区域占4.92%;两者的线性拟合度达0.731。(本文来源于《水力发电学报》期刊2019年11期）
张姗[5]（2019）在《归一化植被指数研究》一文中研究指出针对归一化植被指数(NDVI)在国际和国内研究中的应用及与其他数据的结合情况,对NDVI在不同研究领域中的深化应用及研究的最新进展进行了简要介绍。同时通过一些案例的分析,得到了NDVI数据与其他数据结合研究的基本思路和方法论,在研究现状方面,基于当前较为普遍的相关性分析,做深入的研究与探讨,在值检验方法方面,对NDVI在不同的研究方向中的值检验方法进行了简要分析,主要涉及到的就是显着性检验,最后结合研究现状和NDVI的局限,对当前研究进行了总结,以对后续研究提供想法。(本文来源于《绿色科技》期刊2019年20期）
郭振,左成欢,周竹菁,卢俊杰[6]（2019）在《基于植被指数分析的端元束提取算法》一文中研究指出针对含多种植被及植被与其他地物密致混合的城市高光谱数据,提出了基于植被指数分析结合超像素分割和纯像元指数的端元束提取算法。首先,通过纯像元指数法提取初始候选端元,然后,对图像进行超像素分割,每个超像素内保留一个候选端元并计算其均质性指数,再利用植被指数将候选端元分为纯植被端元、含植被的混合端元以及其他端元分别进行聚类分析,最后去除冗余端元。仿真和真实数据结果表明,所提出的方法能有效提取可变端元并且减少植被端元聚类错误。(本文来源于《工业控制计算机》期刊2019年10期）
邹健,刘沼辉,刘晓[7]（2019）在《基于多种植被指数进行春小麦提取》一文中研究指出文章以湟中县为研究区域,采用高分一号影像数据。在全生育期波谱特征曲线分析基础上,提取作物的NDVI曲线特征,并结合春小麦全生育周期内RVI(比值植被指数)与NDGI(归一化差异绿度植被指数)特征变化设计了春小麦提取模型。最后通过精度自检得出基于NDVI时序影像其总体精度达到93.81%,kappa系数为0.875,基于3种植被指数时序影像提取总体精度达到95.45%,kappa系数达到0.922。从分类精度可以看出,利用中高分辨率遥感卫星影像,在作物NDVI时间序列变化规律分析的基础上,通过其他植被指数和辅助数据可以精确的进行大面积农作物的分类与提取。(本文来源于《北京测绘》期刊2019年10期）
柳晓农,江洪,汪小钦[8]（2019）在《构建植被区分阴影消除植被指数提取山地植被信息》一文中研究指出山地植被信息在气候变化研究和生态环境保护等方面发挥着重要作用,遥感技术能够快速获取山地植被信息,但是存在山地地形阴影的影响以及山地植被信息混淆问题。该文以山地植被为研究对象,基于Landsat卫星遥感影像多光谱数据,分析山地植被的主要特点,借鉴阴影消除植被指数(shadow eliminated vegetation index,SEVI)的构造原理及形式,提出了一种适用于山地植被覆盖遥感监测的植被指数算法—植被区分阴影消除植被指数(vegetation distinguished and shadow eliminated vegetation index,VDSEVI)。研究结果表明:相对于已有的其他植被指数,VDSEVI较好地消除了地形阴影的影响;VDSEVI的信息量大,植被覆盖的识别能力较强,较好地解决了植被信息混淆问题,能够更好地反映山地植被覆盖情况。不同土地覆盖类型的VDSEVI存在显着差异;阴影稀疏林地和相邻非阴影稀疏林地的相对误差较小,为3.428%;各土地覆盖类型样本VDSEVI标准差均小于0.06;植被覆盖样本VDSEVI与太阳入射角余弦值(cosi)的相关系数为-0.800。为验证VDSEVI在其他地区的适用性,将VDSEVI应用于内蒙古阿尔山和福州市闽侯县,结果表明VDSEVI同样适用。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域基于VDSEVI阈值法的植被信息提取总体精度分别为84.136%、87.339%、86.709%,Kappa系数分别为0.799、0.788、0.791。(本文来源于《农业工程学报》期刊2019年20期）
刘丹,冯锐,于成龙,唐权,郭春玲[9]（2019）在《基于植被指数的春玉米干旱响应遥感监测》一文中研究指出东北地区是中国主要的玉米种植区,同时也是中国易发生干旱的地区,干旱常态化严重制约着该地区玉米生产的稳定发展。以辽宁省春玉米为研究对象,在明确春玉米不同发育期干旱变化特征的基础上,基于FY-3A/MERSI、Terra/MODIS、春玉米发育期和土壤相对湿度观测等数据,建立春玉米干旱遥感监测指标集,构建各发育期不同土层深度的土壤相对湿度遥感监测模型,并以2000年为例开展了辽宁省春玉米干旱监测的应用研究,结果表明:1993—2012年辽宁省春玉米在各个发育期均有干旱发生,其中1999—2002年为干旱高发期,乳熟期干旱最为严重;多指数协同配合能提高遥感手段对土壤相对湿度的监测能力,其中陆表水分指数对土壤相对湿度监测能力较强,其次是水分指数;利用构建的春玉米各发育期土壤相对湿度遥感监测模型,监测2001—2004年部分发育期和土层深度的干旱状况,总体监测准确率为73.32%;实现了2000年辽宁省春玉米发育期干旱等级动态监测,所得监测结果与当年农业气象观测记录在发育阶段和空间上都有很好的一致性,遥感监测结果正确。因此,此项研究对于大范围准确跟踪监测春玉米干旱,以及提高春玉米生产的防灾减灾能力具有重要意义。(本文来源于《农业工程学报》期刊2019年20期）
陈亮,张超,常斌,吕鹏[10]（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）
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：
为了更有效、快速的诊断区域不同水分条件下冬小麦的生产潜力,以冬小麦为对象利用遮雨棚进行水分胁迫试验,通过对不同水分处理下冬小麦光合速率及植被指数的变化研究,分析光合速率和NDVI、EVI、RVI、PRI 4种植被指数在生育期的变化特征,建立植被指数与光合速率的最优相关模型。结果表明:在拔节期至孕穗期,水分胁迫虽然造成了冬小麦植被指数均下降,但是对光合速率的影响不大。在孕穗期至开花期,冬小麦的植被指数和光合速率对水分变化都较为敏感,但是严重和重度干旱胁迫[30%～65%田间持水量(FC)]下光合速率和植被指数下降的幅度大,而在中度干旱胁迫及轻度水淹条件(65%-105%FC)下的光合速率和植被指数变化和在充分供水条件下相似,下降幅度较小;研究认为,适度的干旱胁迫和轻度水淹胁迫不会降低冬小麦的光合速率和植被指数,但是严重和重度干旱胁迫会导致孕穗期至开花期的光合速率和植被指数明显下降,光合速率的下降幅度大于植被指数。在严重和重度干旱胁迫条件下EVI指数反映光合作用变化效果最好(严重干旱:Pn=2.0449EVI-1.2906,R=0.82,P<0.01;重度干旱:Pn=1.7742EVI-1.7021,R=0.79,P<0.01);在中度干旱胁迫条件下PRI指数最优(Pn=47.283PRI+10.887,R=0.38);而在非干旱胁迫时,NDVI指数更能反映光合作用的变化(充分供水:Pn=37.982NDVI3.0101,R=0.51,P<0.01;轻度水淹:Pn=28.024NDVI2.5646,R=0.47,P<0.05)。根据光合作用和植被指数关系建立的模型可以用于通过遥感指数监测不同水分条件下的冬小麦光合作用,进一步进行产量预报。
（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。
植被指数论文参考文献
[1].张亚利,李爱心,高攀.气象因子对植被指数影响的偏最小二乘分析[J].测绘科学.2019
[2].刘倩,张方敏,李威鹏,苏荣明珠,李萌.不同水分下植被指数与冬小麦光合速率的关系探讨[J].中国农学通报.2019
[3].李营,陈云浩,陈辉,王晨.GF-1WFV影像的翅碱蓬植被指数构建[J].武汉大学学报(信息科学版).2019
[4].黄悦悦,杨东,冯磊.近年来宁夏植被指数与气候生产力的时空变化[J].水力发电学报.2019
[5].张姗.归一化植被指数研究[J].绿色科技.2019
[6].郭振,左成欢,周竹菁,卢俊杰.基于植被指数分析的端元束提取算法[J].工业控制计算机.2019
[7].邹健,刘沼辉,刘晓.基于多种植被指数进行春小麦提取[J].北京测绘.2019
[8].柳晓农,江洪,汪小钦.构建植被区分阴影消除植被指数提取山地植被信息[J].农业工程学报.2019
[9].刘丹,冯锐,于成龙,唐权,郭春玲.基于植被指数的春玉米干旱响应遥感监测[J].农业工程学报.2019
[10].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
论文知识图
