导读:本文包含了长势监测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:长势,遥感,植被,无人机,枸杞,指数,作物。
长势监测论文文献综述
白燕英,高聚林,张宝林[1](2019)在《基于NDVI与EVI的作物长势监测研究》一文中研究指出基于2015年大气校正后的时间序列Landsat8影像,研究了归一化植被指数NDVI与增强型植被指数EVI随植被覆盖度增加的变化规律,定量分析了二者监测低、中、高植被覆盖的差异,比较分析了NDVI和EVI分布频率曲线差异及时间序列曲线差异。结果表明:地表刚出现植被时,NDVI和EVI的增加速度最快,随着地表植被覆盖度的增加,NDVI与EVI的增加速度减缓。低植被覆盖下NDVI的增加速度大于EVI,中等植被覆盖下NDVI和EVI的增加速度接近,高植被覆盖下NDVI的增加速度小于EVI,不同植被覆盖下的NDVI值始终大于EVI值。NDVI和EVI分布频率曲线能描述不同植被覆盖度像元数量和随时间的变化。NDVI和EVI时间序列曲线能清晰反映一种作物的长势变化规律及不同作物在同一时期的长势差异。在作物生长初期或低植被覆盖下,NDVI、EVI都偏高估计植被覆盖度,NDVI估计值略高于EVI的估计值。在作物生育中期或中等植被覆盖下,二者对植被描述能力相似。在作物生育高峰期或高植被覆盖下,监测作物长势变化EVI比NDVI更敏感。综上所述,监测作物时可根据作物生育期植被覆盖度变化特点合理选取NDVI和EVI植被指数,也可同时选用NDVI和EVI两种植被指数互为补充。(本文来源于《农业机械学报》期刊2019年09期)
刘新杰,魏云霞,焦全军,孙奇,刘良云[2](2019)在《基于时序定量遥感的冬小麦长势监测与估产研究》一文中研究指出遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显着优于低产量小麦。在此基础上,构建了基于归一化植被指数(NDVI)的冬小麦估产模型,结果表明:利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。(本文来源于《遥感技术与应用》期刊2019年04期)
陈青松,滕连泽,张洪吉,李思佳,谭小琴[3](2019)在《基于微小无人机农作物长势监测试验研究——以猕猴桃为例》一文中研究指出快速、准确获取农作物长势信息能够为种植业的科学化管理提供依据。研究以四川省雅安市芦山县某猕猴桃农业园为例,基于微小无人机遥感平台,采集了研究区可见光遥感影像、地面实测数据及其它管理信息。经过处理获得研究区正射影像图(Digital Orthophoto Map,DOM)和数字表面模型(Digital Surface Model,DSM),在此基础上选取8个不同样方网格进行分析,运用影像分割算法对DOM进行分割,运用空间分析方法对DSM进行分类并统计猕猴桃上架的面积,并计算得到各样方的上架猕猴桃覆盖度(%),依据实际上架株数与覆盖度进行相关性分析。结果表明,对DOM的分割很难区分猕猴桃和其他植被;对DSM的空间分析表明,以搭架的水泥柱平均高度来区分猕猴桃与其他杂草是可行的,覆盖度与猕猴桃实际上架株数存在较强的正相关关系(R2=0. 8416),即猕猴桃覆盖度越多则上架株数也是增加的,通过猕猴桃覆盖度可以反映猕猴桃上架株数情况进而反映猕猴桃的产业状况,该方法为快速监测猕猴桃生长提供了参考。(本文来源于《农机使用与维修》期刊2019年08期)
江杰,张泽宇,曹强,田永超,朱艳[4](2019)在《基于消费级无人机搭载数码相机监测小麦长势状况研究》一文中研究指出[目的]本文旨在探究消费级无人机搭载数码相机更好地用于小麦长势快速监测。[方法]于2015—2017年开展涉及2个小麦品种和4个施氮水平处理的田间小区试验,在小麦关键生育期采用大疆精灵3专业版无人机自带的数码相机获取试验区数码影像,并提取6种颜色指数,同步取样并测定叶面积指数、叶片干物质量及叶片氮积累量等小麦长势信息,在小麦抽穗前、后及全生育期分别运用指数函数和随机森林算法定量分析长势信息与颜色指数的关系。[结果]在小麦各生长阶段,指数函数模型表现较好,可见光大气阻抗指数(visible atmospherically resistant index,VARI)、超红指数(excess red index,ExR)和归一化绿减红差值指数(normalized green minus red difference index,NGRDI)与叶面积指数、叶片干物质量和叶片氮积累量的相关性均表现较好,继而分别建立了基于VARI、ExR和NGRDI的叶面积指数(R~2=0.71~0.82)、叶片干物质量(R~2=0.42~0.71)和叶片氮积累量(R~2=0.52~0.76)的指数函数监测模型。独立试验数据的检验结果表明:在抽穗前及全生育期,ExR(R~2=0.45~0.70和0.42~0.62)监测模型估测的叶面积指数、叶片干物质量和叶片氮积累量与实测值拟合性更好,在抽穗后期,VARI(R~2=0.68~0.72)监测模型估测效果更好。[结论]结合小麦各生长阶段指数函数监测模型,利用无人机搭载数码相机可以快速无损监测小麦长势状况。(本文来源于《南京农业大学学报》期刊2019年04期)
王景发,寿春光[5](2019)在《吉林雨养玉米作物长势监测系统设计与实现》一文中研究指出建立吉林雨养玉米作物长势监测系统对指导区域农业生产活动具有重要意义。研发的此款软件系统,可将吉林省省域范围内的多时间、多空间分辨率卫星影像,样地成像高光谱影像,土壤有机质、养分含量等本底数据,利用数据库管理技术实现对吉林省雨养玉米生产区栅格与矢量数据的动态检测与管理,以GIS空间显示与部分组件开发功能为基础,实现对吉林省不同生态区雨养玉米作物长势的动态监测。该系统有助于及时掌握作物生长状况、为准确预报作物病虫草害发生状况提供决策信息,对作物产量估算与区域粮食安全具有重要价值。(本文来源于《农业与技术》期刊2019年11期)
王利民,刘佳,唐鹏钦,姚保民,刘荣高[6](2019)在《农作物长势遥感监测需求、系统框架及业务应用》一文中研究指出【目的】农作物长势是农业生产管理的重要依据,也是农情遥感监测业务的重要组成部分。【方法】在当前农作物长势遥感监测研究及业务状况扼要回顾基础上,文章从农作物长势遥感监测需求、系统框架等方面进行了系统总结,并以全球冬小麦长势遥感监测应用为例进行了说明。【结果】农作物长势遥感监测需求可以归纳为服务对象、作物类型、空间范围、地面尺度、监测周期等5个方面,系统框架至少包括数据层、方法层、结果层和服务层4个层次。【结论】针对农作物长势遥感监测技术研究及业务应用的现状,研究提出了以下3个观点:(1)农作物长势遥感监测业务方案是成熟的,但是关键技术研究有待加强;(2)农作物长势概念的深入解析,将有利提高长势遥感监测的业务化能力与精度;(3)针对全球、国家、省级以及县级尺度农作物长势遥感监测,采用不同空间分辨率遥感数据开展监测业务,是今后较长一个时期内农作物长势遥感监测的客观现状。上述研究结果给农作物长势遥感监测业务的建设提供了依据,也明确地指明了系统的服务目标。(本文来源于《中国农业信息》期刊2019年02期)
李学国[7](2019)在《基于无人机遥感光谱图像的小麦玉米长势精准监测研究》一文中研究指出为在实际的农业生产中快速、精确的监测作物生长信息,估测作物产量,为大面积农田作物生产提供管理调控的科学依据。本研究以我国主要作物冬小麦、夏玉米为材料,冬小麦设置品种处理,夏玉米设置不同品种、施氮量处理,基于无人机平台获取小麦玉米关键生育时期的高分辨率光谱图像,分析筛选出与作物生长信息相关性最高的光谱参数,构建作物长势监测和产量预测的最佳拟合模型,并对相关模型进行独立数据的检验,验证模型的精确性与稳定性,具体结果如下:1.小麦玉米LAI监测模型模型拟合结果表明,以比值植被指数RVI(810,560)构建的模型对冬小麦LAI的监测效果最好,模型为y=-1.1629×RVI(810,560)+7.9207,决定系数R~2为0.71,预测模型RMSE和MRE分别为0.68和13.31%。该模型可作为冬小麦LAI精准监测的拟合模型。模型拟合结果表明,以差值植被指数DVI(800,550)构建的模型对夏玉米LAI的监测效果最好,模型为y=19.128×DVI(800,550)-0.8742,决定系数R~2为0.90,预测模型RMSE和MRE分别为0.41、14.36%。该模型可作为夏玉米LAI精准监测的拟合模型。2.小麦玉米干物质积累量监测模型模型拟合结果表明以差值值被指数DVI(810,560)构建的拟合模型对冬小麦地上部干物质积累量的监测效果最好,模型为y=-8.4529×DVI(810,560)+5.7085,决定系数R~2为0.74,预测模型的RMSE和MRE分别为0.36、17.58%。该模型可作为冬小麦干物质积累量精准监测的拟合模型。模型拟合结果表明,以归一化植被指数NDVI(760,560)构建的监测模型对夏玉米地上部干物质积累量的监测效果最好,模型为y=323×NDVI(760,560)-1.8303,决定系数R~2为0.95,模型RMSE和MRE分别为8.92、13.17%。该模型可作为夏玉米干物质积累量精准监测的拟合模型。3.小麦玉米SPAD值监测模型模型拟合结果表明,以归一化植被指数NDVI(790,660)构建的模型对冬小麦SPAD值的监测效果最好,模型为y=20.001×NDVI(790,660)+42.366,决定系数R~2为0.72,预测模型的RMSE和MRE分别为2.24、3.66%。该模型可作为冬小麦SPAD值精准监测的拟合模型。模型拟合结果表明,以差值植被指数DVI(735,550)构建的模型对夏玉米SPAD值的监测效果最好,模型为y=42.8046×DVI(735,550)+48.219,决定系数R~2为0.69,预测模型的RMSE和MRE分别为2.21和3.45%。该模型可作为夏玉米SPAD值精准监测的拟合模型。4.小麦玉米产量估测模型模型拟合结果表明,开花期的植被指数与冬小麦产量构建的拟合模型效果最优,以开花期归一化植被指数NDVI(870,679)构建的模型对冬小麦产量的估测效果最好,模型为y=2924×NDVI(870,679)+6534.6,决定系数R~2为0.66,预测模型的RMSE和MRE分别为178.28和1.68%。该模型可作为冬小麦产量估测的拟合模型。模型拟合结果表明,乳熟期的植被指数与夏玉米产量构建的拟合模型效果最优,以乳熟期比值植被指数RVI(790,660)构建的模型对夏玉米产量的估测效果最好,模型为y=-2219.5×RVI(790,660)+16836,决定系数R~2为0.75,预测模型的RMSE和MRE分别为462.81和5.02%。该模型可作为夏玉米产量估测的拟合模型。(本文来源于《山东农业大学》期刊2019-03-27)
苏伟,朱德海,苏鸣宇,黄健熙,刘哲[8](2019)在《基于时序LAI的地块尺度玉米长势监测方法》一文中研究指出农作物长势监测可为田间管理措施调整和农作物产量预测提供及时、准确的信息。针对中国地块面积小的情况,本文采用中高分辨率的多源遥感影像Landsat-7 ETM+影像、Landsat-8 OLI影像、高分一号(GF-1)影像、HJ-1 A/B卫星影像为数据源;针对目前过多依赖NDVI等易饱和植被指数的问题,研究中选择LAI为长势监测指标,并利用PROSAIL辐射传输模型反演LAI,以保证该指标的准确性;长势实时监测采用RPLAI、LVCI、MLVCI指标,从多个角度表征长势的实时监测结果。研究结果表明:①同时相GF-1影像和Landsat-8 OLI影像具有较高的相关性,2种影像在近红外波段、绿波段、红波段的相关性决定系数R~2分别为0.9320、0.7339、0.7153。②基于PROSAIL模型可以反演得到高精度的LAI,基于时序LAI的玉米生长过程监测结果表明:2015年,黑龙江农垦总局八五二农场6月下旬玉米冠层LAI快速增加,7月底、8月初LAI达到最大,并持续一段时间,进入8月下旬后,LAI开始下降。③利用RPLAI、LVCI、MLVCI指标对研究区玉米长势实时监测的结果表明,与2011—2014年相比,2015年八五二农场玉米长势一般,研究区北部长势较好,南部区域长势较差。从研究结果我们得出如下结论:①同时相的Landsat-8 OLI影像与GF-1遥感影像,经过相对辐射定标后可以结合使用于农作物长势监测中;②利用PROSAIL模型反演时序LA,可用于地块尺度的农作物长势精细监测。(本文来源于《资源科学》期刊2019年03期)
李乔宇,尚明华,王风云,王璐,李振波[9](2019)在《基于嵌入式设备的作物长势监测系统》一文中研究指出传统的基于机器视觉的作物长势监测设备对环境要求较高,且体型较大,不易布置在实际生产的复杂环境中。本文提出了一套基于嵌入式设备的应用于实际生产环境的作物长势监测系统,该系统集成了图像采集、滤波、颜色空间转换、图像分割、形态学运算、特征量化的图像处理流程,依靠人工在嵌入式视觉系统中面向环境自定义算法提取作物长势特征,确定最优算法组合,设定流程,进行作物长势特征的自动提取并监测。利用该监测系统对拔节期玉米植株的株高进行连续监测,监测值与人工测量值的决定系数达到0.9072,随时间的变化趋势一致,表明该系统可用于复杂环境下的作物长势监测。(本文来源于《山东农业科学》期刊2019年02期)
李东梅[10](2019)在《宁夏枸杞种植用上航天遥感技术》一文中研究指出本报讯 (记者 李东梅)把“高大上”的航天遥感技术与宁夏土生土长的红枸杞“嫁接”在一起,会产生什么样的化学反应?1月8日,记者从宁夏枸杞新技术推广发布会上了解到,我区将打造万亩药用富硒枸杞基地,引进“航天遥感技术及航天纳米硒生物技术”,利用航天遥感技术宏(本文来源于《宁夏日报》期刊2019-01-09)
长势监测论文开题报告
(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:
遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显着优于低产量小麦。在此基础上,构建了基于归一化植被指数(NDVI)的冬小麦估产模型,结果表明:利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。
(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。
长势监测论文参考文献
[1].白燕英,高聚林,张宝林.基于NDVI与EVI的作物长势监测研究[J].农业机械学报.2019
[2].刘新杰,魏云霞,焦全军,孙奇,刘良云.基于时序定量遥感的冬小麦长势监测与估产研究[J].遥感技术与应用.2019
[3].陈青松,滕连泽,张洪吉,李思佳,谭小琴.基于微小无人机农作物长势监测试验研究——以猕猴桃为例[J].农机使用与维修.2019
[4].江杰,张泽宇,曹强,田永超,朱艳.基于消费级无人机搭载数码相机监测小麦长势状况研究[J].南京农业大学学报.2019
[5].王景发,寿春光.吉林雨养玉米作物长势监测系统设计与实现[J].农业与技术.2019
[6].王利民,刘佳,唐鹏钦,姚保民,刘荣高.农作物长势遥感监测需求、系统框架及业务应用[J].中国农业信息.2019
[7].李学国.基于无人机遥感光谱图像的小麦玉米长势精准监测研究[D].山东农业大学.2019
[8].苏伟,朱德海,苏鸣宇,黄健熙,刘哲.基于时序LAI的地块尺度玉米长势监测方法[J].资源科学.2019
[9].李乔宇,尚明华,王风云,王璐,李振波.基于嵌入式设备的作物长势监测系统[J].山东农业科学.2019
[10].李东梅.宁夏枸杞种植用上航天遥感技术[N].宁夏日报.2019