导读:本文包含了小麦生物量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:生物量,小麦,遥感,光谱,冬小麦,植被,算法。
小麦生物量论文文献综述
康伟,张王菲,张亚红,丁阳,王馨爽[1]（2019）在《小麦生物量极化分解参数响应及反演》一文中研究指出生物量是反映农作物产量和生长健康状况的主要指标,然而直接进行农作物生物量估测不仅耗时耗力,而且具有破坏性。由于遥感技术在植被生物量反演中的方便、快捷及有效性,近年来不少研究者开始关注采用遥感技术进行农作物生物量的反演。小麦是包括中国在内的许多国家的主要粮食作物,寻找合适的小麦生物量精确估测方法在其产量估测中具有重要意义。以试验区小麦整个生长期内获取的5景全极化Radarsat-2数据及同步的地面调查数据为基础,分析了Freeman-Durden和H/A/α两种极化分解的相关极化参数与其生物量的相关关系,并在此基础上构建了4种传统经验回归模型和随机森林(RF)非参数模型反演小麦生物量。另外,根据农作物散射的物理基础,结合Freeman-Durden分解参数,还构建了表面散射与整体散射能量比值参数、体散射与总体散射能量比值参数、体散射与表面散射比值参数和二次散射与整体散射能量比值参数(Odd/Span,Vol/Span,Vol/Odd and Dbl/Span)四个参数参与极化参数对小麦生物量的敏感性分析。研究中提取的各极化参数根据播后天数在各地块内取均值以降低随机性对提取的极化参数的影响,共计95块小麦地块用于研究。研究结果表明:Freeman-Durden分解的参数中,体散射分量、表面散射分量及这两者与总散射能量的比值、这两者的比值均表现出与小麦生物量的高相关性(R2>0.55);相比Freeman-Durden分解的参数,H/A/α分解参数中除反熵外,熵和散射角均表现出与生物量的高相关性(R2>0.70)。另外,小麦生物量反演模型的可行性研究结果表明:4种经验回归模型中,二次多项式和对数模型更适合采用极化参数对小麦生物量的反演。该类方法反演小麦生物量的最佳均方根误差为77.94g·m-2,相对误差为29.05%。尽管采用随机森林的重要性参数排序中,H/A/α分解中的H和α参数也排序靠前,但是在单因子的经验回归中,其反演结果的误差较大,均方根误差为101.74g·m-2,相对误差为37.91%。尽管如此,大多数非参数随机森林参数重要性排序结果与极化分解参数与生物量相关分析的结果基本一致,采用随机森林反演。小麦生物量的精度也有明显提高,均方根误差为54.53g·m-2,相对误差为20.32%。(本文来源于《沈阳农业大学学报》期刊2019年05期）
邱小雷,方圆,郭泰,程涛,朱艳[2]（2019）在《基于地基LiDAR高度指标的小麦生物量监测研究》一文中研究指出为探讨Li DAR监测作物生物量的可行性和方法,以小麦为研究对象,通过田间试验获取关键生育期的小麦Li DAR点云高度指标和地上部生物量,基于幂函数回归与支持向量回归、利用十折交叉验证法分别进行特征选择和模型构建,选取各算法最优的全生育期小麦地上部生物量监测模型,并在测试集上对模型的预测能力进行检验与比较。结果表明:利用H95和生育期特征所构建的全生育期支持向量回归模型精度最高,训练集上决定系数R2达到0. 814,测试集结果(R2=0. 821,RMSE为1. 730 t/hm2,RRMSE为32. 77%)表明,模型具有较好的准确性;利用Hmean所构建的全生育期幂函数回归模型决定系数R2达到0. 809,测试集结果(R2=0. 815,RMSE为1. 760 t/hm2,RRMSE为33. 33%)也表明模型具有较好的准确性;高度指标估测小麦生物量具有先天局限性,所构建模型较适宜于监测小麦地上部生物量小于10 t/hm2的情况,在超过10 t/hm2的样本集上,95%的模型预测值被低估,RMSE呈指数增长;生育期特征有利于提升监测模型预测精度。(本文来源于《农业机械学报》期刊2019年10期）
茹晓雅,李广,陈国鹏,张统帅,闫丽娟[3]（2019）在《不同降水年型下水氮调控对小麦产量及生物量的影响》一文中研究指出水和氮是影响西北黄土高原雨养农业区粮食生产的主要因素,但其增产效应受降水年型影响明显。本水氮调控试验利用APSIM模型在甘肃省定西市安定区1971—2018年气象数据,分析了不同降水年型下水氮管理对小麦产量和生物量的变异系数、可持续性指数的影响,明确了各年型产量与施氮量、降水量之间的关系。结果表明,模型模拟的小麦产量和生物量的决定系数R2均在0.90以上,一致性指标D均在0.95以上,归一化均方根误差(NRMSE)均在15%以下,表明该模型在研究区具有较好的模型拟合度和适应性。通过二元二次回归方程探讨了其最优产量下的水氮优化组合,在当年年降水总量的基础上,干旱年小麦达潜在最优产量时(3492.6kghm–2),降水需增加39.73%,应施氮182.73 kg hm–2;平水年小麦达潜在最优产量时(4514.5 kg hm–2),降水需增加45.26%,应施氮208.26 kg hm–2;湿润年小麦达潜在最优产量时(4890.3 kg hm–2),降水需增加46.31%,应施氮211.15 kg hm–2。研究结果可为研究区不同降水年型下缓解小麦干旱和养分胁迫,节约化肥资源和农业可持续性发展提供理论依据。(本文来源于《作物学报》期刊2019年11期）
王丽爱,周旭东,董召娣[4]（2019）在《基于HJ-CCD遥感数据和DK-SVR算法的小麦生物量估算研究》一文中研究指出基于2010～2013年江苏地区小麦环境减灾卫星(HJ-CCD)的影像数据,提取拔节、孕穗和开花3个生育期的卫星植被指数并作为模型的输入参数,分别利用双核支持向量回归算法(DK-SVR)、MLR和PLS方法构建各生育期小麦生物量估测模型,比较各模型的预测性能。结果表明:可以使用DK-SVR算法遥感估算小麦生物量,基于该算法构建的模型预测性能在3个生育期均优于MLR模型和PLS模型,各期实测值与模型预测值之间决定系数R~2分别为0.50、0.67和0.65,相应的均方根误差RMSE为506、1 389和2 058kg·hm~(-2)。(本文来源于《扬州大学学报(农业与生命科学版)》期刊2019年01期）
李天佐[5]（2018）在《基于多源数据的小麦多参数生物量遥感监测研究》一文中研究指出小麦生物量遥感监测是通过遥感技术对小麦长势进行监测,其主要目的是利用现代科学技术手段对农作物实现实时监控和管理。目前,遥感监测在很多领域都得到成功的应用,例如森林火灾监测、森林生物量反演和地面沉降等,现已成为遥感领域研究的热点问题之一。遥感在生物量反演时,需要对目标区域的两幅或多幅遥感图像进行配准、融合、滤波和分类识别等操作,从而得到目标研究区域的影像信息。由于遥感图像处理过程较为复杂,因此,如何准确、高效地提取研究区域地物的生物物理信息具有十分重要的意义。本文首先从遥感图像处理出发,重点研究了遥感图像配准。遥感图像的应用都要求对图像进行配准,例如图像融合、变化检测和图像的DEM提取等。由于遥感图像的特殊性,因此基于特征的图像配准,在遥感图像配准中应用广泛,通过将对图像的分析转换为对图像某种特征的分析,大大的降低了运算量。本文在研究了经典的SIFT和SURF特征配准算法之后,同时提出了改进Harris-SURF算子的遥感图像配准算法。改进的遥感图像配准算法在对光学遥感图像和合成孔径图像配准时精度可以达到90%,具有较强的可行性。其次,对配准后的图像进行融合和分类。目前,单一光学数据很难满足农作物生物量反演和农作物识别研究的需要,因此利用光学和微波遥感融合技术已成为提高农作物的生物参数反演和不同农作物识别精度的新思路。遥感数据融合可以很大程度上发挥多源遥感数据的优点,更好提取不同地物的光谱和后向散射特征提高分类的精度。利用光学和雷达数据融合可以更好的弥补光学数据的不足,提高地物识别精度。最后,对于提取小麦的遥感数据特征和实际产量数据进行相关性分析,得到不同生物参数与产量之间的相关系数,分析不同生物参数对于小麦产量的影响。实验结果表明:NDVI*RVI在小麦的生育期内对生物量的敏感性保持稳定。(本文来源于《宁夏大学》期刊2018-04-01）
翟鹏程,张永彬,宇林军[6]（2017）在《基于MODIS数据的小麦生物量估算模型研究》一文中研究指出地表生物量对农作物估产、植被长势评估具有很重要的意义。随着遥感技术的发展与应用,遥感为生物量估算提供了一种新的手段。本文以唐山市为例,利用小麦种植区的MODIS遥感影像数据和同期野外调查获得的16组32个生物量数据,对比分析了归一化植被指数(NDVI)、增强型植被指数(EVI)与小麦生物量多个回归方程的相关系数,进而建立了NDVI、EVI与小麦生物量的线性回归模型。结果显示,使用MODIS数据的植被指数能够很好地对研究区地上生物量进行估算,其中使用EVI的叁次函数模型拟合精度最高,并且对每组数据进行平均处理会使模型精度进一步提高。(本文来源于《测绘与空间地理信息》期刊2017年07期）
张红英[7]（2017）在《基于生物量的越冬期后小麦地上部形态结构模型研究》一文中研究指出随着信息科学与农业科学的融合,数字农业成为现代农业发展的重要技术支撑。数字农业在提高农业生产效率,提高农产品质量,保护农业环境等方面有重要作用。虚拟作物是数字农业的重要应用,其为分析作物结构功能关系、设计理想株型以及调控生长模式等提供技术支撑。本研究运用系统分析方法,结合小麦生长模型相关输出,基于生物量构建了小麦器官结构形态模型,以期为作物生长模型与形态结构模型的结合及功能结构小麦模型研究奠定基础。在2015年至2016年天津农业科学院高新技术产业园区试验观测的基础上,分析了叁个品种小麦叶片比叶重变化规律、叶长与叶宽关系。结果表明:比叶重随叶位的变化规律可用一元二次方程表示,叶片长度随叶片宽度的变化规律旗叶与其他叶位差异显着,但都可用线性函数方程表示。结合结合生长模型输出的生物量,构建了基于生物量的叶片形态模拟模型。实测资料对模型的检验表明,叶长、叶宽的实测值与模拟值的根均方差(RMSE)分别为1.780cm和0.127cm,叶片几何属性模型可较好地模拟不同品种小麦不同叶位叶片的几何属性。本文还分析了小麦叶鞘长度随叶鞘干物重的变化规律和叶鞘干物重与展开面积的比值随叶位和有效积温的的变化规律。结果表明:叶鞘长度随叶鞘干物重的变化规律可用幂指数函数方程表示,叶鞘干物重与展开面积的比值随叶位和有效积温的的变化规律均可用多元非线性函数方程表示。结合生长模型输出的生物量,构建了基于生物量的叶鞘形态模拟模型。实测资料对模型的检验表明,叶鞘长度和展开宽度的根均方差(RMSE)分别为0.731cm和0.324cm,叶鞘形态模拟模型可较好模拟不同品种小麦叶鞘的几何属性。同时,本文分析了小麦茎杆长度随节间位置和茎杆干物重的变化规律和茎杆密度随节间位置和有效积温的对数的变化规律。结果表明:茎杆长度随节间位置和茎杆干物重的变化规律以及茎杆密度随节间位置和有效积温的对数的变化规律均可用多元非线性函数方程表示。结合生长模型输出的生物量,构建了基于生物量的茎杆模拟模型。实测资料对模型的检验表明,茎杆的长度和直径的均方根差(RMSE)分别为0.968cm和0.051cm,茎杆形态模拟模型可较好模拟不同品种小麦茎杆的几何属性。此外,本文还分析了麦穗宽度麦穗干物重的变化规律和麦穗厚度随麦穗宽度变化规律。结果表明:麦穗宽度麦穗干物重的变化规律以及麦穗厚度随麦穗宽度变化规律均可用幂指数函数方程表达。结合生长模型输出的生物量,构建了基于生物量的麦穗模拟模型。试验资料验证表明,麦穗的宽度、厚度和长度的均方根差(RMSE)分别为0.067cm、0.048cm和0.449cm,麦穗形态模拟模型可较好模拟不同品种小麦麦穗的几何属性。(本文来源于《中国农业科学院》期刊2017-05-01）
张红英,李世娟,诸叶平,刘海龙,李书钦[8]（2017）在《基于生物量的越冬期后小麦地上部几何参数模型研究》一文中研究指出为了定量分析越冬期后小麦主茎叶片、叶鞘、茎秆和麦穗的形态参数与生物量间的关系,本研究以衡冠35、济麦22和衡4399为试材,在试验观测的基础上,分析了不同品种类型小麦叶片长度、最大叶宽、叶鞘长度、叶鞘展开宽度、茎秆长度和直径以及麦穗宽度、厚度和长度等形态参数与相应器官生物量的关系,构建了基于生物量的小麦叶片、叶鞘、茎秆和麦穗形态模型。验证结果显示,除衡4399麦穗长度的模拟值与实测值差异很大、相关性未达显着水平外,其余品种各形态参数的模拟值与实测值均显着相关(P<0.05),表明所构建的模型对冬小麦越冬期后植株形态参数具有较好的预测性。(本文来源于《山东农业科学》期刊2017年04期）
李燕丽,吴士文,刘娅,王昌昆,刘杰[9]（2017）在《基于FastICA盲源分离法去除土壤干扰的小麦生物量高光谱估算》一文中研究指出高光谱技术是一种快速无损监测植被生物量的有效方法,但土壤背景的干扰一直是生物量监测的主要限制因素之一。本研究试图利用盲源分离(blind source separation,BSS)法分离出净植被光谱,达到消除土壤背景影响,提高小麦生物量估算精度的目的。本研究对110组小麦冠层光谱数据进行快速独立分量分析(fast independent component analysis,Fast ICA)处理,提取净植被光谱,并对比了Fast ICA处理前后所建的偏最小二乘回归(partial least squares regression,PLSR)模型估算精度。结果表明:Fast ICA算法可有效分离土壤光谱和植被光谱;且基于净植被光谱建立的小麦生物量估算模型精度得到明显提升,建模集RPDc(ratio of performance to deviation of the calibration)和交叉验证集RPDcv(ratio of performance to deviation of the cross calibration)分别由原始光谱的1.83和1.64提高至2.77和2.09;可见,Fast ICA可以作为有效的光谱数据预处理方法,显着提高小麦生物量的估算精度,为利用遥感技术进行大尺度、精准监测生物量提供了方法支持和理论依据。(本文来源于《生态学杂志》期刊2017年04期）
周陈[10]（2016）在《小麦叶片生物量最佳成像高光谱的特征提取和模型构建方法研究》一文中研究指出定量监测作物生物量是植被遥感研究中的重要研究领域;利用高光谱技术快速、无损、准确地估测作物生物量是精确农业中监测作物长势、指导合理施肥的核心技术。本研究以小麦为研究对象,基于连续2年的不同氮素、密度和品种的多因子互作试验,运用地面成像高光谱仪(ImSpector V10E-PS,Spectra Imaging Ltd,Finland)系统地获取小麦全生育期的冠层高光谱影像,并同步破坏性取样获取小麦的叶片生物量信息;探索成像高光谱影像的预处理方法,利用联合区间间隔偏最小二乘法结合连续投影算法(combing synergy interval partial least squares with successive projections algorithm,SIPLS-SPA)提取指示小麦叶片生物量的光谱特征,并且基于极限学习机(extreme learning machine,ELM)建立叶片生物量的估测模型。预期结果既可为便携式作物生长成像高光谱仪的研制提供特征波段选择,又可为大尺度作物生长信息的高光谱遥感监测研究提供有效的技术支撑,从而为今后更好地应用卫星和航空高光谱影像进行作物生长监测提供依据。首先在明确小麦冠层的成像高光谱随施氮水平的变化规律及其与叶片生物量的相关性的基础上,对400-1000 nm波段范围内的高光谱反射率和小麦叶片生物量的定量关系进行系统分析,利用SIPLS-SPA算法确定并提取了指示小麦叶片生物量的光谱特征,并与应用联合区间间隔偏最小二乘法(synergy interval partial least squares,SIPLS)和连续投影算法(successive projections algorithm,SPA)分别提取的光谱特征进行比较。结果表明:(1)利用SIPLS-SPA提取的光谱特征分别是706、724、734、806、808、810、812和816 nm,共计8个变量,PLS模型的统计参数R2C、R2v、RMSEv和 RRMSEv分别是 0.80、-0.06、0.059(kg/m2)和 38.55%。(2)与 SIPLS 方法相比,SIPLS-SPA方法提取的光谱特征变量个数少,有效的减小了变量之间的冗余信息,极大的降低了估测模型的复杂程度,提高了模型运行的效率;而与SPA方法相比,基于SIPLS-SPA方法筛选的光谱特征建立的估测模型的准确率和预测精度更高,结果也更加稳定可靠。应用SIPLS-SPA方法提取的光谱特征是最佳光谱特征,可以替代全波段光谱用于估测小麦的叶片生物量。进一步基于提取出的小麦叶片生物量的最佳光谱特征,应用极限学习机(ELM)构建小麦全生育期叶片生物量的估测模型,并与前人的建模方法(辐射传输模型方法、植被指数法、偏最小二乘法(partial least squares,PLS)、神经网络(neural network,NN)和支持向量机(support vector machine,SVM)相比较。结果表明:(1)利用ELM方法构建的小麦叶片生物量估测模型的统计参数R2c、R2v、RMSEv和RRMSEv分别是0.78、0.57、0.038(kg/m2)和24.57%。(2)与植被指数法和辐射传输模型方法相比,ELM模型显着提高了叶片生物量估测模型的估测性能;与植被指数法和PLS算法相比,ELM算法能更加准确的描述光谱特征和叶片生物量之间复杂的非线性关系。与NN算法相比,ELM算法拓扑结构简单,运行速度快;与SVM方法相比,ELM算法原理简单,设置的参数少。ELM算法显着提高叶片生物量估测模型的可靠性、实用性和实用性。(本文来源于《南京农业大学》期刊2016-07-01）
小麦生物量论文开题报告
（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：
为探讨Li DAR监测作物生物量的可行性和方法,以小麦为研究对象,通过田间试验获取关键生育期的小麦Li DAR点云高度指标和地上部生物量,基于幂函数回归与支持向量回归、利用十折交叉验证法分别进行特征选择和模型构建,选取各算法最优的全生育期小麦地上部生物量监测模型,并在测试集上对模型的预测能力进行检验与比较。结果表明:利用H95和生育期特征所构建的全生育期支持向量回归模型精度最高,训练集上决定系数R2达到0. 814,测试集结果(R2=0. 821,RMSE为1. 730 t/hm2,RRMSE为32. 77%)表明,模型具有较好的准确性;利用Hmean所构建的全生育期幂函数回归模型决定系数R2达到0. 809,测试集结果(R2=0. 815,RMSE为1. 760 t/hm2,RRMSE为33. 33%)也表明模型具有较好的准确性;高度指标估测小麦生物量具有先天局限性,所构建模型较适宜于监测小麦地上部生物量小于10 t/hm2的情况,在超过10 t/hm2的样本集上,95%的模型预测值被低估,RMSE呈指数增长;生育期特征有利于提升监测模型预测精度。
（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。
小麦生物量论文参考文献
[1].康伟,张王菲,张亚红,丁阳,王馨爽.小麦生物量极化分解参数响应及反演[J].沈阳农业大学学报.2019
[2].邱小雷,方圆,郭泰,程涛,朱艳.基于地基LiDAR高度指标的小麦生物量监测研究[J].农业机械学报.2019
[3].茹晓雅,李广,陈国鹏,张统帅,闫丽娟.不同降水年型下水氮调控对小麦产量及生物量的影响[J].作物学报.2019
[4].王丽爱,周旭东,董召娣.基于HJ-CCD遥感数据和DK-SVR算法的小麦生物量估算研究[J].扬州大学学报(农业与生命科学版).2019
[5].李天佐.基于多源数据的小麦多参数生物量遥感监测研究[D].宁夏大学.2018
[6].翟鹏程,张永彬,宇林军.基于MODIS数据的小麦生物量估算模型研究[J].测绘与空间地理信息.2017
[7].张红英.基于生物量的越冬期后小麦地上部形态结构模型研究[D].中国农业科学院.2017
[8].张红英,李世娟,诸叶平,刘海龙,李书钦.基于生物量的越冬期后小麦地上部几何参数模型研究[J].山东农业科学.2017
[9].李燕丽,吴士文,刘娅,王昌昆,刘杰.基于FastICA盲源分离法去除土壤干扰的小麦生物量高光谱估算[J].生态学杂志.2017
[10].周陈.小麦叶片生物量最佳成像高光谱的特征提取和模型构建方法研究[D].南京农业大学.2016
论文知识图
