一、水稻冠层光谱反射特征及其与叶面积指数关系研究(论文文献综述)
蔡瑶[1](2021)在《高CO2浓度下稻麦生长参数的高光谱估算研究》文中提出由于全球各个地方的能源利用、废气排放及其他人类活动,大气中CO2浓度已经接近400μmol·mol-1,如果按照目前人口增长及能源开采与利用不合理的情况下,预计在本世纪中叶,大气中的CO2浓度将会达到550μmol·mol-1,而在本世纪末将达到甚至超过700μmol·mol-1。我国是一个拥有14亿人口的发展中国家,农业的重要性不言而喻,水稻和小麦是生活中的两大主食,研究高CO2浓度对稻麦生长参数的影响及不同生长参数高光谱的最佳估算模型,对未来全球气候变化下稻麦的生长、农田管理及维护我国乃至世界长期粮食安全都具有重要的理论意义。本研究选取水稻(低应答水稻武运粳30、高应答水稻扬稻6)和冬小麦(宁麦13)作为试验材料,使用开顶室气室(OTC),进行OTC系统气室内大田试验,利用Field Spec4便携式地物光谱仪测量水稻和冬小麦关键生育期冠层光谱曲线数据,同步测定叶面积指数(LAI)、相对叶绿素含量(SPAD值)、水稻与小麦主要生育期株高,探究高CO2浓度下稻麦光谱的红边特征参数,分析稻麦高光谱特征参数与叶面积指数、叶绿素含量和株高的相关性,寻求最佳估算模型的光谱监测研究。2019年冬小麦和水稻生长季CO2浓度设置两个水平,环境CO2(CK)和环境CO2+200μmol·mol-1(T),CK和T处理均有4个重复。主要研究结果如下:(1)高CO2浓度增加了冬小麦孕穗-抽穗期和开花期的SPAD值,降低了灌浆期与成熟期的SPAD值,增加了低应答水稻成熟期前SPAD值,降低了高应答水稻拔节期,孕穗-抽穗期和灌浆期SPAD值;高CO2浓度提高冬小麦灌浆期前的LAI值,降低了灌浆期与成熟期的LAI值,降低了低应答水稻拔节期后的LAI值,提高了高应答水稻整个生育期的LAI值;高CO2浓度提高冬小麦成熟期前的株高值,降低冬小麦成熟期的株高值,提高了高应答水稻整个生育期的株高值,在孕穗-抽穗期降低了低应答水稻株高值,其余生育期均增加低应答水稻株高。(2)高CO2浓度并不改变各生育期稻麦冠层光谱曲线波形,仅影响反射率大小,反射率大小差异由于不同CO2浓度处理引起生长状态的差异造成的。高CO2浓度降低了冬小麦整个生育期光谱反射率,提高了低应答水稻成熟期前光谱反射率,降低了低应答水稻成熟期的光谱反射率,降低了高应答水稻营养生长时期的光谱反射率。稻麦冠层红边光谱一阶微分呈“单峰”、“双峰”或“多峰”型,随着生育期的推进,“峰”现象逐渐减弱。高CO2浓度降低了冬小麦整个生育期的红边幅值和红边面积,提高了低应答水稻成熟期前的红边幅值和红边面积,降低了高应答水稻灌浆期前的红边幅值和红边面积,影响幅度随稻麦不同生育期而异。(3)光谱一阶导数R’755估算冬小麦LAI的回归模型最优,回归方程为y=-12910x2+488.5x+1.389。红边位置λr与水稻LAI值的回归模型拟合度最强,回归方程为y=3.44×10-3x2-4.895x+1745。光谱一阶导数R’755估算冬小麦SPAD的回归模型最优,回归方程为y=-6.399×105x2+7667x+36.67。光化学植被指数PRI与水稻SPAD值的回归模型拟合度最强,回归方程为y=-1151x2-33.09x+45.24。基于红边位置λr构建水稻株高估算模型效果最佳,估算方程为:y=-0.07282x2+109.4x-40950。
张涛[2](2021)在《散射辐射比例变化下水稻冠层高光谱特征及生长监测》文中提出近年来中国地区太阳辐射减弱及散射辐射比例提高对该地区水稻种植产生重要影响,本文结合了高光谱遥感技术研究了不同散射辐射比例下水稻冠层高光谱反射率曲线特征,分别分析了波段反射率,众多植被指数及基于集合经验模态分解(EEMD),快速傅里叶变换(FFT)和包络线消除方法的吸收谷参数与水稻LAI,地上总干物质和产量间的关系,使用主成分分析(PCA)和最小二乘法提取出与水稻生理显着相关的光谱参数,基于这些光谱参数使用岭回归,决策树回归,支持向量回归三类机器学习方法建立了在散射辐射比例变化下水稻LAI,地上总干物质中及产量的监测模型,为之后高光谱研究提供技术支持以及为之后散射辐射比例变化对水稻影响的研究提供一定的理论依据。主要结论如下:1)散射辐射比例变化会显着影响水稻冠层光谱反射率,其在可见光范围内(400~650nm)T3<T2<T1,而在近红外部分(750~1350nm)内T1<T2<T3,即光谱反射率在可见光内随着散射辐射比例提高而减小,在近红外内随着散射辐射比例的提高而提高,各处理在750~950nm内的反射率差异最为显着且随生育期延后而减小;“红边”(680~760nm)一阶导数光谱反射率随着散射辐射比例提高而提高,红边参数中红边位置随着散射辐射比例提高向长波方向移动(红移),红边最大斜率(Dλ)随着散射辐射比例的提高而提高,红边面积(area)随着散射辐射比例提高而显着增大,基于IG红边模型的红谷宽度(σ)随散射辐射比例的变化不显着。2)随散射辐射比例提高LAI显着提高,在散射辐射比例变化下LAI与771~872nm的光谱反射率有最高的极显着相关(决定系数为0.54);植被指数中MSAV、TVI-3、SAVI、VARIgreen、OSAVI和EVI与LAI呈极显着相关;500-600nm和750-1150nm、730-750nm和750-1150nm两个区域内差值植被指数(DVI)与LAI呈极显着相关;540-570nm和740-1200nm区域的归一化植被指数(NDVI)与LAI极显着相关;吸收谷参数中D969最能反映LAI的变化。基于PCA和线性回归最终挑选出在散射辐射比例变化下光谱参数R(771-872)1、indexPCA1、DVIpca1、D969最能反映LAI变化,其建立模型表明,岭回归的在0.5~10内模拟效果最好(RMSE为0.182,R2为0.7);决策树回归模型中最大深度为三层时效果最好(RMSE为0.177,R2为0.726);支持向量回归中使用高斯核函数的模型效果最好(RMSE为0.169,R2为0.751)。3)水稻地上总干物质随着透光率下降而显着减小但随散射辐射比例的变化不显着,在散射辐射比例变化下,水稻地上总干物质与765~813nm和823~864nm光谱反射率显着相关,植被指数VARIgreen和MSAVI与水稻地上总干物质显着相关,750-950nm和750-1350nm矩形区域内的DVI与水稻地上总干物质显着相关,以(450nm,450nm),(500nm,500nm),(700nm,700nm),(760nm,760nm)为中心的离散的NDVI与水稻地上总干物质显着相关;吸收谷参数中A553-673与水稻地上总干物质呈显着负相关(相关系数为-0.65)。基于挑选出的最能反映干物质随散射辐射比例变化的光谱参数R(765-864)1、VARIgreen、MSAVI、DVIpca1、NDVIpca1和A553-673建立其预测模型,结果表明,岭回归中正则化参数在0.8~1时模型表现最好,R2为0.6,RMSE为0.26kg/m2;决策树最大深度为3层时RMSE为0.235kg/m2,R2为0.663;支持向量回归中使用高斯核函数的模型模拟效果最好,RMSE为0.201 kg/m2,R2为0.778。4)散射辐射比例的变化对水稻产量有显着影响,水稻产量随着透光率下降而显着降低,随着散射辐射比例的提高而显着提高,在散射辐射比例变化下,不同生育期内与水稻相关的光谱参数不同,在花后14d时,613~712nm的光谱反射率与产量显着相关(R(613-712)1),植被指数mND705与产量显着相关,350~540nm和560~740nm矩形区域及对角线附近的DVI与产量显着相关(DVIpca1),540~560nm和550~650nm、690~740nm和750~1350nm区域的NDVI与产量显着相关(NDVIpca1),吸收谷参数D673与水稻产量呈显着正相关(相关系数为0.58);在花后21d时,518~617nm的原始光谱反射率(R(518-617)1)及植被指数redeage和MCARI与水稻产量显着相关,350~550nm和400~600nm、540~730nm和550~700nm的三角区域内的DVI与水稻产量呈显着相关(DVIpca1),546~555nm和750~1350nm、745~760nm和750~1350nm两个区域内NDVI与水稻产量显着相关(NDVIpca1),吸收谷参数中的A553-673和A1072-1192与产量相关性较高但建立的线性模型效果较差;在花后28d时,521~614nm的光谱反射率(R(521-614)1))和植被指数MCARI与水稻产量的呈显着相关,350~540nm和400~600nm、530~700nm和550~700nm两区域内的DVI与水稻产量呈显着相关(DVIpca1),360~530nm和400~700nm区域内的NDVI与水稻产量显着相关(DVIpca1),吸收谷参数中A969-1072与水稻产量呈显着负相关(相关系数为-0.70)。使用挑选出的各生育期的光谱参数建模可以得出,在花后14d时在0.1~0.5的岭回归效果最好(RMSE=0.04kg/m2,R2=0.58),最大深度为3的决策树回归效果最好(RMSE=0.035kg/m2,R2=0.82),高斯核函数的支持向量回归模型效果最好(RMSE=0.037kg/m2,R2=0.72);在花后21d时在0.1~0.5岭回归效果最好(RMSE=0.038kg/m2,R2=0.67),最大深度为3的决策树回归效果最好(RMSE=0.032kg/m2,R2=0.83),高斯核函数的支持向量回归模型效果最好(RMSE=0.026kg/m2,R2=0.87);在花后28d时在0.1~1岭回归效果最好(RMSE为0.038kg/m2,R2为0.72),最大深度为2的决策树回归效果较好(RMSE为0.033kg/m2,R2为0.75),高斯核函数的支持向量回归模型效果最好(RMSE为0.032kg/m2,R2为0.80)。同一生育期内支持向量回归模型的效果最好;岭回归模型的模拟效果随着生育而逐渐提高,决策树和支持向量回归模型在花后21d时效果最好;花后21d高斯核函数支持向量回归模型是所有产量预测模型效果最好。
杜正朕[3](2021)在《稻纵卷叶螟为害下水稻生理参数高光谱估测研究》文中研究表明水稻是我国的主要粮食产物,对我国农业生产的重要性不言而喻,稻纵卷叶螟(Cnaphalocrocis medinalis)是一直困扰我国水稻种植的一种常见害虫。本试验以二龄稻纵卷叶螟和南粳5055为研究对象,在南京信息工程大学农业试验专用田内,通过网罩控制,设置5种虫害等级,测定水稻的高光谱参数和生理参数,分析水稻的冠层原始光谱、一阶导数光谱、植被指数和生理参数,并建立叶绿素相对含量和卷叶率的反演估算模型,得出以下主要研究结果:(1)随着处理等级的提升,水稻冠层光谱反射率和一阶导数光谱值逐渐下降(4级处理除外),4级处理低于5级处理,为本试验的最小值。随着生育期的进行,光谱反射率从分蘖期至孕穗期不断上升,之后再不断下降至成熟期,且成熟期的反射率远低于其他生育期。分蘖期、拔节期、灌浆期和成熟期内,植被指数随着处理等级的提高而不断减小,而孕穗期和扬花期内植被指数的变化幅度较小。对比各个等级处理下,水稻整个生育期内植被指数呈倒抛物线型,植被指数在孕穗期最大,成熟期最小。(2)随着生育期的进行,水稻的各项生理参数:净光合速率(Pn)、气孔导度(Gs)、胞间CO2浓度(Ci)、蒸腾速率(Tr)、相对叶绿素含量(SPAD)和叶面积指数(LAI)都呈现先增大后减小的规律,转折生育期为孕穗期或者扬花期;卷叶率则一直上升。随着虫害等级的加深,生理参数均发生变化,孕穗期和4级处理等级的变化幅度均为最大。(3)综合分析光谱与生理参数后,发现虫害等级越高,水稻受损并非越大,4级处理下稻纵卷叶螟为害最严重,4级处理可能为极限等级。在整个生育期进程中,孕穗期前后,参数经常出现相反的变化规律,孕穗期为本次试验的关键时期。(4)对于SPAD而言,拔节期和孕穗期基于光谱特征波段建立的模型估测效果最佳,决定系数R2达到0.430和0.468,两个生育期模型的普适性较好,其余4个生育期基于BP神经网络的非线性模型,预测效果更佳,R2均达到0.681以上。对于卷叶率而言,选用基于BP神经网络的非线性模型,所有生育期的模型R2均达到0.782以上,模型预测效果较好。
班松涛[4](2020)在《水稻长势无人机遥感监测研究》文中指出无人机遥感作为一种灵活、高效的农田环境信息和作物生长信息获取技术,近年来在农业生产和科研领域得到了广泛的应用。随着农业4.0时代的来临,无人机遥感已经成为智慧农业中的重要组成部分,为智能化农业管理提供数据支持和决策依据。本研究以水稻等作物为研究对象,使用无人机搭载高光谱、多光谱和可见光等不同类型的传感器获取作物低空遥感影像,结合田间调查采样数据,综合使用光谱分析、图像分析、摄影测量、统计分析等技术,研究水稻等作物养分含量、叶绿素、叶面积指数、株高等农学参数的估算理论和方法,以及倒伏、虫害等农业灾害的快速、定量化监测技术,旨在探索了无人机在农作物生长信息获取和长势监测等方面的应用。主要结论如下:(1)使用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,诊断水稻冠层叶片氮、磷、钾元素含量。结果表明:水稻冠层叶片氮含量(LNC)、叶片磷含量(LPC)和叶片钾含量(LKC)的光谱特征具有一致性,三种营养元素含量与无人机影像上水稻冠层光谱反射率在462~718 nm波长范围显着负相关(P<0.001),与一阶导数光谱在波长478~626nm的可见光范围和782~886nm的近红外范围极显着负相关、在710~754nm范围极显着正相关(P<0.001)。使用经过连续投影算法筛选得到的特征波长对应的光谱值为自变量,构建水稻冠层三种元素含量的估算模型中,验证R2均达到0.8以上。LNC与NDSI(R526,R562)、RSI(R526,R562)、DSI(R582,R502)、NDSI(D542,D666)、RSI(D582,D654)、DSI(D554,D646)6个新建光谱指数具有高相关性;LPC与NDSI(R498,R606)、RSI(R498,R606)、DSI(R498,R586)、NDSI(D642,D650)、RSI(D650,D838)、DSI(D614,D646)6个新建光谱指数具有高相关性;LKC与NDSI(R514,R570)、RSI(R514,R570)、DSI(R498,R582)、NDSI(D638,D654),RSI(D642,D650)、DSI(D618,D642)6个新建光谱指数具有高相关性,相关系数均达到0.85以上;基于新建光谱指数的各模型对LNC、LPC和LKC具有较好的预测能力(验证R2均高于0.8)。基于模型和高光谱影像计算得到各生育期水稻冠层LNC、LPC和LKC空间分布,其结果与实测值相一致,可以用于田间水稻冠层叶片氮、磷、钾元素丰缺状况的监测。(2)使用无人机搭载高光谱和多光谱传感器,分别获取宁夏和上海两个地区不同品种水稻的遥感影像,结合地面实测水稻冠层叶片SPAD值数据,分析SPAD值的光谱响应特征,建立两地通用的模型对SPAD值进行估算。分析结果显示:SPAD值与绿、红、红边波段反射率以及多个植被指数显着相关。基于两地数据,分别使用偏最小二乘、支持向量机和人工神经网络算法建立的通用模型能够较为准确地对两地水稻冠层叶片SPAD值进行预测;其中支持向量回归模型精度最高,验证R2为0.84,RMSE为2.93。结果表明,对于不同条件下获取的无人机遥感影像,存在统一的模型对水稻冠层叶片SPAD值进行反演。(3)分析水稻和小麦叶片叶绿素含量(LCC)和叶面积指数(LAI)在无人机高光谱影像上的光谱特征,结果显示水稻和小麦LCC与光谱反射率的相关性在可见光区域都表现出较为稳定的显着负相关(P<0.01);两者的LAI在近红外波段范围内与光谱反射率均表现出了强正相关(P<0.01)。使用多自变量对多因变量的偏最小二乘回归方法构建LCC-LAI协同模型,发现在自变量内部自相关性较高的情况下,协同模型对LCC和LAI的估算精度高于单变量模型,表明多因变量协同算法能够提升模型对水稻和小麦LCC和LAI的预测能力。此外构建稻+麦LCC-LAI通用模型,对两种作物的LCC和LAI的预测R2达到了0.65以上,表明无人机高光谱遥感在同时监测小麦和水稻的场景下可以使用通用模型对两种作物的LCC和LAI进行估算。(4)使用高精度测绘无人机获取水稻育种小区多时相DSM,通过对不同时期DSM的分析提取水稻在不同时期的株高信息,计算出各时期每个小区的水稻株高值,得到株高的空间分布。使用地面实测值对DSM提取株高进行验证,各个时期的验证R2均高于0.7,RMSE均小于0.07,最大误差不超过0.1m。(5)使用无人机搭载多光谱和可见光传感器获取倒伏水稻田的多光谱和RGB影像,从多光谱影像中提取的绿、红边和近红外波段反射率表现出对倒伏水稻的敏感。此外,从RGB影像中提取的Mean_G、Variance_B、g和Ex G4等纹理和色彩特征是RGB影像上倒伏水稻的敏感参数。这些现象可以通过倒伏水稻和正常水稻的冠层结构来解释。以筛选出的敏感光谱和图像特征为自变量,采用PLS-DA方法分别基于多光谱影像和RGB影像构建倒伏监测模型,并用于分类制图。两种倒伏分类图都表现出较高的精度,分类总精度大于90%,Kappa系数高于0.9。(6)以稻纵卷叶螟虫害为研究对象,使用基于无人机平台的遥感技术获取不同虫害程度水稻的多光谱影像,结合地面卷叶率调查,分析不同虫害程度水稻的冠层光谱和纹理特征,建立稻纵卷叶螟危害下水稻卷叶率的遥感估算模型,用于虫害严重程度的快速诊断。结果表明:在0.01水平上,卷叶率与绿、红边和近红外波段相关性最为显着,与红光波段反射率表现出显着正相关;与NDVI和DVI显着负相关;卷叶率与绿、红、红边和近红外四个波段的Mean、Homogeneity、Contrast和Dissimilarity 4类纹理变量显着相关。基于光谱和纹理综合变量、使用ANN算法构建的卷叶率估算模型能够较为精确地预测卷叶率,验证R2达到0.717、RMSE为0.702。研究结果可以为稻纵卷叶螟虫害快速调查提供理论依据和技术支持,也可以为虫害精准防控提供决策依据。
张震[5](2020)在《夜间增温下水分管理/播期对稻麦生长和温室气体排放影响及估算》文中研究说明水稻和小麦是我国主要粮食作物。气候变暖对稻麦生产和农田温室气体排放的影响受到广泛关注。气候变暖具有昼夜增温不对称性,夜间增温幅度大于白天。水稻节水灌溉和小麦适时晚播是稻麦生产应对气候变化的农田管理措施。夜间增温下水稻节水灌溉和小麦适时晚播对稻麦生产及温室气体排放的影响,目前尚不明确。稻麦抽穗期和开花期是影响产量的关键期,也是甲烷(CH4)和氧化亚氮(N2O)排放的重要时期。因而,实时、准确、快速监测稻麦抽穗、开花进程及估算土壤CH4、N2O排放,是稻麦生产和农田减排的重要前提。地面高光谱遥感具有高分辨率、实时、快速、无损等优点,已广泛用于作物长势监测。但是,基于地面高光谱遥感量化监测稻麦抽穗期、开花期及估算农田CH4、N2O排放的研究鲜有报道。因此,在田间条件下开展了夜间增温下水稻节水灌溉及冬小麦适时晚播试验,研究了夜间增温下水稻节水灌溉/冬小麦适时晚播对稻麦生长、农田CH4和N2O排放及冠层光谱特征等方面的影响,并基于冠层光谱构建了监测稻麦抽穗、开花进程和估算农田CH4、N2O排放的模型。主要研究结果如下:(1)夜间增温降低了两种灌溉方式下水稻分蘖数、净光合速率、分蘖期后的地上生物量和叶面积指数;夜间增温对水稻株高的影响与灌溉方式及生长阶段有关。夜间增温对冬小麦株高、叶面积指数、地上生物量和净光合速率的影响因播期不同存在差异;与正常播种相比,适时晚播显着降低了两种温度(夜间增温和不增温)条件下冬小麦冬前分蘖数、株高、地上生物量、叶面积指数和分蘖-拔节期的净光合速率。(2)夜间增温对稻田土壤CH4和N2O排放的影响因灌溉方式不同存在差异。在传统灌溉条件下,夜间增温降低了水稻土CH4排放通量和累积排放量,但提高了晒田后N2O排放通量和累积排放量。在节水灌溉条件下,夜间增温提高了水稻土CH4排放通量和累积排放量,但降低了水稻土N2O排放通量与累积排放量。两种温度条件下,节水灌溉处理的水稻土壤全球增温潜势(GWP)和温室气体排放强度(GHGI)均低于传统灌溉。夜间增温提高了两种播期下冬小麦土壤CH4排放通量和累积排放量,但对冬小麦土壤N2O排放的影响因播期而异。夜间增温显着增加了正常播种下小麦田GWP和GHGI,但未显着影响适时晚播下小麦田GWP和GHGI。(3)两种灌溉方式下,夜间增温均提高了水稻拔节期的近红外波段反射率、红边幅值和红边面积,但降低了随后采样期的水稻近红外波段反射率、红边幅值和红边面积。两种播期条件下,夜间增温均提高了冬小麦拔节期和孕穗期的近红外波段反射率、红边幅值和红边面积,但降低了冬小麦抽穗期和开花期的近红外平台反射率、红边幅值和红边面积。(4)夜间增温使水稻抽穗进程在两种水分条件下均较不增温提前;节水灌溉使水稻抽穗进程在两种温度条件下均较传统灌溉提前。新构建的光谱指数(R734-R838)/(R734+R838-2R812)为监测水稻抽穗率效果最好的光谱指数。夜间增温使冬小麦开花进程在两种播期条件下均较不增温提前;适时晚播使冬小麦开花进程在两种温度条件下均较正常播种推迟。新构建的光谱指数(R446-R472)/(R446+R472)为监测冬小麦开花率效果最好的光谱指数。(5)综合比较所有两波段光谱指数(归一化光谱指数、差值光谱指数、比值光谱指数)、三波段光谱指数(4/)(5)+6))、(4)-5))/(4)+6))、(4)-6))/(5)-6))和(4)-5))/(4)+5)-26)))和已有光谱指数在估算稻麦土壤CH4和N2O排放的模型精度,结果表明:(R1139-R960)/(R1139+R960-2R944)和(R656-R686)/(R656+R686)分别为估算水稻和小麦土壤CH4排放通量的最佳光谱指数。(R956-R456)/(R955-R456)和(R849-R850)/(R849+R1300)分别为估算水稻和小麦土壤N2O排放通量的最佳光谱指数。
白丽[6](2020)在《基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究》文中进行了进一步梳理当今国际现代农业越来越关注作物生产的精准诊断和管理,在拥有高产的同时更注重高效精准管理。遥感观测通过提供准确的作物生物物理和生物化学变量,对精准农业发展起到关键的技术支持作用,如叶面积指数(Leaf Area Index,LAI)和叶片叶绿素含量(Leaf Chlorophyll Content,Cab)。因此定量估算作物的理化参数含量对监测作物生长状况、生态环境变化以及研究全球气候变化等都具有重要意义。近年来高光谱遥感技术被大量的运用于作物生产管理中,而辐射传输模型也已成为广泛使用的一种物理反演方法,但是针对有穗一类作物在运用辐射传输模型时是否需要考虑雄穗对冠层辐射传输特性的影响还有待研究,叶绿素含量和叶面积指数在冠层内部的垂直分布的时空动态变化是否对遥感监测产生一定的影响还需进一步研究,以及是否有其他更好的反演办法可以运用于无人机高光谱遥感对作物理化参数的反演中还不确定。本文以玉米为主要研究对象,通过对目前国内外研究主要使用的4种作物理化参数反演方法(植被指数回归方法、非参数回归方法、物理方法和混合方法)的分析研究,开展了基于ASD近地面多角度冠层高光谱的玉米抽穗期雄穗对冠层辐射传输特性的影响研究,以及基于ASD近地面多角度冠层高光谱遥感观测技术和UHD185无人机高光谱遥感观测技术的叶绿素含量和叶面积指数遥感反演方法的研究等三部分的研究工作,得到的主要结论如下:(1)基于近地面多角度高光谱的玉米雄穗对抽穗期冠层反射率辐射传输特征的影响研究结果如下:a)对玉米抽穗期的辐射传输模型进行全局敏感性分析发现,叶面积指数和叶绿素含量对模型的总敏感度均在80%以上,是主要的影响因素。对玉米整个抽穗期实测的LAI和Cab分析得出,LAI和Cab变化差异均较小,LAI变化区间为1.231.53 m2/m2,各样点整体形状趋向于直线;样点间的Cab变化区间为1.256.7μg/cm2;b)比较抽穗期不同时间冠层反射率的模拟值和实测值得出,在抽穗初期实测值高于模拟值,随着生育期的推进,模型模拟值逐渐高于实测值。但在可见光波段整个抽穗期实测值均高于模拟值,在近红外波段模拟值总体高于实测值;c)分析不同穗梯度冠层二向反射率得出,在可见光波段和近红外波段,在两个散射方向上观测反射率与垂直观测方向上总体均呈现无穗>1/2穗>全穗;d)PROSAIL模型模拟值与LAI和Cab在全波段呈显着负相关,无穗实测值和模拟值与LAI和Cab相关性表现较一致;e)在玉米整个抽穗期雄穗总鲜质量变化差异较大,而总干质量变化差异不大。雄穗含水率从抽穗初期的80%左右到抽穗末期降低为10%左右。所以综上所述,作物抽穗期运用辐射传输模型进行冠层反射率模拟时,应该对模型进行修订,考虑可以将雄穗含水率与PROSAIL模型输入参数叶片等效水厚度相关联作为抽穗期新的输入参数参与模型模拟运算;(2)基于近地面多角度冠层高光谱数据集,运用自动辐射传输模型(ARTMO)软件对比分析了4种反演方法对叶面积指数(LAI)和叶绿素含量(Cab)反演的潜力。结果表明:a)机器学习回归算法(MLRAs)和辐射传输模型(RTMs)混合的方法(MLRARTMs)和MLRAs的反演精度最高,性能最好;植被指数反演方法次之,但运算速度最快;基于查找表(LUTRTM)的物理模型的反演精度最低;b)植被指数反演方法在后向散射方向(-50?)对LAI和Cab有较好的反演结果,而基于LUTRTM反演方法的冠层叶绿素含量(CCC)在多角度观测下反演结果最好;c)在3种非参数回归方法中,核岭回归(KRR)和高斯过程回归(GPR)对LAI、Cab和CCC的估算结果均较好,3个农学参数的反演精度在0.680.83之间。特别是基于单角度观测时,在后向散射方向(-50?)的KRR和GPR分别对对LAI和Cab有最佳的反演结果,而在前向散射方向(+50?)的GPR对CCC有最佳的反演结果;d)基于MLRARTM的混合方法在4种反演方法中的反演结果最好,并且基于多角度(0?、-50?和+50?)观测数据的KRRRTM和GPRRTM两种混合反演方法均提高了3个参数的估算结果,但同时都降低了运算速度;(3)通过对无人机高光谱数据集质量进行多种方法的验证分析,得出该数据集质量可靠,可以作为玉米理化参数的遥感反演;随后运用4种反演方法对LAI、Cab和CCC进行反演,得到的研究结果如下:a)基于MLRAs对3个玉米农学参数反演精度均最好,MLRARTMs的混合方法次之,而基于LUTRTM和SI的反演精度相当且最低;b)植被指数反演方法运算速度最快,MLRARTMs混合方法次之,MLRAs和LUTRTM反演方法运算速度相当且最慢;c)植被指数模型确定性最高,GNDVI与3个参数的相关性均最好,决定系数分别为0.769、0.818、0.888;多项式模型对LAI估算效果最佳,乘幂模型对Cab和CCC反演效果最佳,且运算速度最快;d)在运用RTMsLUT方法进行玉米理化参数反演中添加一些噪声和多个解等数值优化调整方法,可以显着减少相对误差;并且当数据归一化时,使用Mestimate方法中的L1estimate可以获得最佳的Cab估算结果(7%多解和20%噪声时,NRMSE为18.33%);然而数据归一化不利于反演LAI,使用非归一化数据时LSE对LAI产生了最佳反演结果(2%多解和13%噪声时的NRMSE为14.12%);同样的方法用于CCC反演时得到了和LAI近似的反演结果;e)GPR对Cab和CCC估算结果均较好,KRR对LAI有较好的估算结果;(4)通过使用模型验证试验区的验证数据集,对已经建立的基于近地面多角度观测数据集和无人机高光谱图像数据集的玉米LAI和叶绿素含量遥感反演的最优模型进行验证和评价。得出基于多角度的混合算法的KRRPROSAIL和GPRPROSAIL分别为玉米叶面积指数、叶片叶绿素含量和冠层叶绿素含量的最佳遥感反演模型;而基于无人机高光谱观测条件下的机器学习回归算法中的核岭回归(KRR)和高斯过程回归(GPR)为玉米叶面积指数、叶片叶绿素含量和冠层叶绿素含量的最佳遥感反演模型。研究结果还表明机器学习回归算法(MLRAs)在两种平台下的反演能力均是最佳的,这种反演方法运用于无人机高光谱图像中进行玉米LAI和叶绿素含量反演具备一定的应用潜力。
徐瑶[7](2020)在《大豆植株力学特性受冠层光谱组成与激素调控的研究》文中进行了进一步梳理大豆是在我国广泛种植,且重要的粮油兼用作物。随着我国经济的快速发展,国民生活水平不断提高,对大豆消费持续增加,实现大豆优质、稳产和高产,已成为国家粮食安全战略保障的重要组成部分。增加种植密度是提高大豆产量的主要途径之一,但是随着种植密度的增加,发生倒伏的风险也随之增大。倒伏不仅会造成大豆减产,降低大豆品质,还会增加机械收获的难度,进一步增加了产量损失。大豆植株的力学特性是最重要的抗倒伏性状,而大豆植株的力学特性受冠层光谱组成以及其调控的激素水平所调节。为此,开展大豆植株力学特性及受冠层光谱组成与激素调控的研究具有重要理论和生产意义。本试验于2014-2017年在东北农业大学试验基地展开。通过田间小区种植30个大豆品种,分析大豆植株形态指标与抗倒伏性的关系,并筛选出两个植株形态、抗倒伏性、适宜密度差异较大的大豆品种作为试验材料,利用田间密度试验和光环境模拟试验相结合的方式,较系统地研究了大豆抗倒伏力学特性的变化特点及冠层光谱通过内源激素对力学特性的调节机制。试验结果表明:(1)在大豆的抗倒伏性状中,力学特性直接影响大豆的抗倒伏能力。其中茎秆弯矩和植株重力矩在大豆的生育时期内均呈现单峰曲线变化,峰值出现在R5-R6期。大豆的抗倒伏系数的变化趋势呈“U”型曲线,在R6期降至最低值,说明大豆在R6期最容易发生倒伏。大豆的形态指标中,植株鲜重和茎粗与茎秆挫折力和弯矩呈极显着正相关,并且茎粗/株高(D/H)与抗倒伏系数、茎秆挠度和茎秆转角呈显着正相关,说明茎粗/株高能够较全面反映大豆抗倒伏能力的定性形态指标。茎秆的纤维素、半纤维素和木质素含量与茎秆弯矩呈极显着正相关,说明茎秆中纤维成分的含量增加有利于提高茎秆强度,但与重力矩呈极显着正相关说明纤维含量高也增加了植株自身的致倒伏力。(2)增大种植密度,大豆表现出典型的避阴反应。主要表现为茎秆节间伸长,株高增加,植株鲜重和茎秆直径降低。大豆植株的光合作用减弱,茎秆单位长度的纤维素、半纤维素和木质素含量显着降低,植株单产降低,供试的两个大豆品种在试验的密度范围内,群体产量呈现先升高后降低的趋势,黑农48和合农60分别在30万株/hm2和40万株//hm2达到最高产量。(3)增大种植密度,茎秆挠度和转角呈现下降趋势,大豆茎秆的挫折力、弯矩、重力矩和抗倒伏系数显着降低,在D20和D50处理间差异显着。(4)随着种植密度增大和冠层深度增加,大豆冠层光谱中的光合有效辐射(PAR,400-700nm)、红光(645-655nm)和蓝光(455-465nm)强度大幅降低,而远红光(730-740nm)强度降幅较小,导致冠层中光质红光与远红光比例(R/FR)显着降低,形成遮阴光环境。(5)减少PAR或降低R/FR能够诱导大豆幼苗茎秆中生长素和赤霉素含量增加,水杨酸和茉莉酸的含量降低,调节大豆幼苗茎秆节间和下胚轴的伸长生长,株高增加,地上植株鲜重增加,茎粗和根重降低,并且两种遮阴光信号对大豆的诱导作用能够叠加,在遮阴+远红光的处理中,大豆的内源激素水平和形态变化显着大于其他处理。(6)增加红光和蓝光的照射,诱导大豆幼苗茎秆中的生长素和赤霉素含量降低,水杨酸和茉莉酸的含量升高,明显抑制茎秆节间的伸长,降低幼苗株高,并且蓝光的抑制作用更强烈。照射红光和蓝光有增加大豆幼苗地上植株鲜重、茎粗和根鲜重的趋势,并且根鲜重在遮阴+红光和遮阴+蓝光中与遮阴处理差异达到显着水平。
祝榛[8](2020)在《基于高光谱成像技术的滴灌冬小麦水分估测模型研究》文中指出[目的]水资源短缺是我国西北干旱、半干旱地区农业可持续发展的主要瓶颈。水分是作物最主要的组成成分,是作物生长发育的重要限制因子,水分匮乏时作物的外部形态和内部生理生化作用都会受到影响,将直接影响作物的生长、产量形成和品质。因此,及时准确地监测作物的水分状况对作物的合理灌溉、提质、增产具有重要意义。作物的含水量直接反映作物的水分状况,传统的作物含水量获取通常采用烘干法,费时费力,具有极大的破坏性,样本数量有限,难以满足现代农业发展的需要。高光谱成像技术将光谱信息和图像信息结合为一体,可获得大量的光谱维和空间维信息,具有多尺度、多波段、高分辨率的特点。本论文基于新疆典型滴灌冬小麦叶片和冠层的高光谱数据准确估测水分含量,建立水分含量估测模型以实现水分含量的无损估测,为及时监测作物水分盈缺状况、指导制定科学合理的灌溉制度提供技术支撑。[方法]本研究以新疆典型滴灌冬小麦为研究对象,以建立叶片及植株的高光谱水分含量估测模型为主要研究目标。共设置5个水分处理W1(150 mm)、W2(300 mm)、W3(450 mm)、W4(600 mm)、W5(750 mm),利用田间采样和室内分析测试的方法获取小麦农艺性状;应用便携式高光谱成像仪获取小麦顶一叶(L1)、顶二叶(L2)、顶三叶(L3)和冠层高光谱数据,采用平滑、微分、倒数、开方、对数等数据处理方法对小麦叶片和冠层原始光谱反射率进行变换。分析比较一元线性回归(Simple linear regression,SLR)、主成分回归(Principal components regression,PCR)和偏最小二乘回归(Partial least squares regression,PLSR)三种方法的模型估测效果,利用典型相关性分析(Correlation analysis,CA)和连续投影算法(Successive Projection Algorithm,SPA)筛选特征波段,构建小麦水分含量最优估测模型并进行精度检验。研究结果可为区域作物水分状况实时监测和科学合理的灌溉制度制定提供了技术支撑。[结果]本论文的主要结论如下:(1)冬小麦的农艺性状随生育进程的推进而发生变化,从拔节期到灌浆中期,植株含水量(PWC)和叶片含水量(LWC)在持续降低;植株干物质积累量(PDMA)呈现持续升高的趋势;叶面积指数(PLAI和LLAI)呈现先升高后降低的趋势,在拔节期最低,在扬花期最高;SPAD值呈先升高后降低的趋势,在扬花期最高,在灌浆中期最低。从不同水分处理来看,随着灌溉量的增加,PWC和LWC呈现持续升高的趋势;SPAD值在W1-W4范围内呈现升高的趋势,在W5处理时可能会出现略微下降;而PDMA、PLAI和LLAI呈现先升高后降低的趋势,在W3处理时最高,在W1处理时最低,整体表现为W3>W4>W5>W2>W1。从不同叶位来看,LWC和LLAI整体表现为L3>L2>L1,而SPAD值在拔节期表现为L2>L3>L1,在其他时期表现为L1>L2>L3。根据植株和不同叶位叶片农艺性状相关性分析表明,L1、L2、L3的水分含量在各生育期均与PWC极显着相关性,利用顶一叶的水分含量与植株水分含量拟合模型精度达到0.8489,可以较好的估测整个植株水分状况。(2)冬小麦叶片原始光谱反射率在与LWC的相关性较差,SG’、SG"、(?)、(?)、(1/SG)’、(1/SG)"、(lgSG)’、(lgSG)"变换可以显着提高光谱反射率与LWC的相关性。SLR方法采用(1/SG)"变换、PCR方法采用(lgSG)"变换、PLSR方法采用(lgSG)"变换后构建模型的效果最好,模型Rp2分别为 0.7965、0.9158 和 0.9207,RMSEp分别为 4.5800%、2.8666%和 2.7815%,PLSR 方法整体要优于SLR和PCR方法。对建模波段进行优化并比较估测模型的残差预测偏差(residual prediction deviation,RPD),SPA方法要优于CA方法,利用SPA筛选的11个特征波段构建的(1/SG)"-SPA-PLSR模型估测精度最高,Rp2为0.9449,RMSEp为2.3185%,RPD值为4.3175,模型验证R2为0.5668,该模型较全波段和显着性检验波段建模精简了建模波段数量,提高了估测效率,能够较为准确的估测冬小麦叶片水分含量。(3)对冠层原始光谱反射率进行数据变换可以提高光谱反射率与PWC的相关性,其中,采用lgSG变换构建的lgSG-PLSR模型的估测精度最高,Rp2为0.8808,RMSEp为3.2512%,RPD值为2.9343。对建模波段进行优化并比较估测模型的RPD值,SPA方法要优于CA方法,利用SPA筛选的9个特征波段构建的lgSG-SPA-PLSR模型估测精度最高,Rp2为0.8925,RMSEp为3.0880%,RPD值为3.0894。从不同生育时期来看,拔节期和抽穗期的估测模型精度较低,模型RPD值均小于2.0,模型无法对植株含水量进行估测;扬花期、灌浆前期和灌浆中期的估测模型精度较高,模型RPD值均大于2.5,模型对植株含水量有很好的估测能力,其中灌浆中期利用SPA方法筛选13个特征波段构建的lgSG-SPA-PLSR精度最高,Rp2为0.9048,RMSEp为1.3811%,RPD值为3.4547,该模型精简了建模波段数量,提高了估测效率,对冬小麦灌浆中期植株含水量具有较好的估测能力。
樊鸿叶[9](2020)在《基于玉米冠层光谱NDVI的生长指标监测研究》文中研究表明归一化植被指数的大小可以较好的反映作物的生长状况。当作物遭受水分或养分胁迫时,会使作物叶面积指数、生物量、叶绿素含量和覆盖度等指标的变化,从而对作物群体NDVI产生影响。地上部生物量、叶面积指数(LAI)和叶绿素含量(SPAD)是反映作物生长状况的重要农艺参数,且三者间存在密切的联系。精确估算这些生长指标对作物长势监测、产量估算、氮营养诊断及田间管理有重要意义。本试验于2019年分别在北京市农林科学院通州试验基地(试验1)和中国农业科学院作物科学研究所公主岭试验站(试验2)进行,供试材料均为先玉335(XY335)和郑单958(ZD958),小区均采用随机区组设计。试验1用于分析玉米生长发育状况和产量形成对施氮量的响应特征,试验2用于构建基于冠层光谱的玉米生长指标监测模型。通过获取不同处理冠层光谱数据和地面农学参数,明确不同处理下玉米冠层光谱特征的动态特征,建立玉米叶面积指数、地上部生物量和氮素营养状况的监测和诊断模型,以期为适时、快速、无损获取玉米长势状态和氮素营养状况提供技术支撑。本研究的主要结果如下:1.不同施氮处理下两品种间LAI的动态变化特征均呈先增加后降低的趋势,于吐丝期达到最大值。施氮处理显着提升了玉米吐丝后干物质积累比例,N5处理对ZD958和XY335干物质积累比例分别提升了 10.1%和14.3%。吐丝后干物质转运对籽粒干物质贡献为0~20.2%,XY335品种N1处理的贡献率最大,高达20.2%,ZD958各施氮处理间无显着差异。各施氮处理对两品种的增产效应显着,两品种氮肥利用率在各施肥处理间无差异;两品种间偏生产力和农学效率在各施氮处理间差异显着。2.在不同种植密度和不同施氮处理下两品玉米冠层NDVI变化动态,均呈先增加后降低的单峰变化趋势,施氮处理对两玉米品种测定生育期内NDVI影响达显着水平(p<0.05),NDVI随着施氮量的增加而增大,各施氮处理NDVI与不施氮处理间差异显着。两品种施氮量为N2和N3时,从拔节期到大口期,3个种植密度间NDVI差异显着,D3>D2>D1。3.ZD958和XY335在吐丝期、乳熟期和蜡熟期冠层NDVI与LAI拟合的幂函数模型对LAI的预测效果最佳。在成熟期冠层NDVI与两品种地上部生物量拟合的幂函数模型预测效果最好,在拔节期、吐丝期、乳熟期和蜡熟期两品种NDVI与地上部生物量拟合的估算模型类型不同,但预测效果均较好。在乳熟期和蜡熟期量品种冠层NDVI与SPAD拟合的幂函数模型的预测精度最高,在拔节期和成熟期两品种NDVI与SPAD拟合的模型类型不同,但具有较高的预测精度。4.构建了适宜RNDVI双Logistic动态模型,种植密度为37500株/hm2时,XY335模型精度比ZD958高,郑单958模型的R2为0.632,RMSE为0.149,XY335模型的R2为0.994,RMSE为0.101;种植密度为67500株/hm2时,ZD958模型精度高于XY335,ZD958 模型的 R2 为 0.996,RMSE 为 0.102,XY335 模型的 R2 为 0.983,RMSE 为 0.122。5.在两种植密度下两品种从拔节期到蜡熟期,N0处理氮素亏缺,种植密度为37500株/hm2,ZD958从拔节期到乳熟期,N1处理NNI均略小于1,处于稍微缺氮,N2处理吐丝期到乳熟期NNI>1,氮营养充足。XY335从吐丝期到蜡熟期NNI在N1和N2处理下NNI<1,处于氮素亏缺状态。种植密度为67500株/hm2,XY335从吐丝期到蜡熟期N1处理NNI<1,处于稍微缺氮状态,N3处理NN1>1,氮素营养过量。综上所述,本研究明确了施氮不仅促进玉米生长发育且显着影响玉米冠层光谱NDVI,构建了 NDVI与玉米生长指标间的最优估算模型,通过光谱技术能够实现对玉米生长指标的实时、快速、精确监测,为不同生育时期玉米生长指标监测提供了技术支撑。
杨晓瑾[10](2020)在《梯度增温条件下水稻生长参数的高光谱遥感监测模型研究》文中研究指明本研究以北方水稻北粳2号为研究对象,通过农田开放式主动增温系统(Free Air Temperature Increase,FATI)田间试验,测定了不同增温处理(CK-0w、T1-500w、T2-1000w、T3-1500w、T4-3000w)下水稻在拔节期、孕穗期、抽穗期、灌浆期和成熟期的冠层高光谱数据与其生长参数(水稻LAI、生物量、冠层叶片氮素含量)。运用数理统计分析的技术与方法,分析原始光谱反射率及植被指数与对应生长参数的相关关系,建立监测模型,并对模型进行评价与检验,筛选出不同生育时期水稻生长参数的最优监测模型。研究结果可为气候变暖背景下北方水稻的遥感监测提供理论依据。研究主要结果如下:(1)水稻冠层光谱特征的分析。水稻冠层光谱变化具有绿色植被典型的光谱特征,不同生育时期光谱反射率不同。在可见光区,灌浆期与成熟期冠层光谱反射率显着高于其它生育时期。在近红外区,孕穗期和抽穗期冠层光谱反射率显着高于其它生育时期。不同增温处理对水稻冠层光谱的影响在不同生育时期基本一致,冠层温度升高不能改变光谱反射特性,但使反射率数值发生变化,且“绿峰”与“红谷”不同程度提前出现。(2)梯度增温条件下水稻LAI的监测模型的研究。改进转换型土壤调整植被指数(TSAVI)在拔节期和灌浆期与垂直植被指数(PVI)在孕穗期和抽穗期所建立的水稻LAI的监测模型中预测值与实测值相关系数均大于0.8(P<0.01)。其中抽穗期PVI(698,960)所建模型可以监测水稻全生育时期LAI,其预测值与实测值相关系数为0.7277**。(3)梯度增温条件下水稻生物量的监测模型的研究。垂直植被指数(PVI)在拔节期和成熟期、改进转换型土壤调整植被指数(TSAVI)在孕穗期与修改土壤调整植被指数(mSAVI)在抽穗期所建立的水稻生物量的监测模型中预测值与实测值最大相关系数为0.9004**,灌浆期未能建立水稻生物量的监测模型。其中拔节期PVI(696,944)与成熟期PVI(625,947)所建模型可以监测水稻全生育时期生物量,预测值与实测值的相关系数分别为0.7037**与0.8541**。(4)梯度增温条件下水稻冠层叶片氮素含量的监测模型的研究。复归一化差值植被指数(RDVI)在拔节期和灌浆期、垂直植被指数(PVI)在抽穗期、比值植被指数(RVI)在孕穗期和成熟期与新型植被指数(NVI)在孕穗期所建立的水稻冠层叶片氮素含量的监测模型中预测值与实测值相关系数均大于0.75(P<0.01)。其中孕穗期RVI(718,996)与NVI(718,996)模型精度相同并且与成熟期RVI(727,784)所建模型均可以监测水稻全生育时期冠层叶片氮素含量,预测值与实测值相关系数分别为0.9246**与0.9220**,高于分生育时期的监测模型。
二、水稻冠层光谱反射特征及其与叶面积指数关系研究(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、水稻冠层光谱反射特征及其与叶面积指数关系研究(论文提纲范文)
(1)高CO2浓度下稻麦生长参数的高光谱估算研究(论文提纲范文)
摘要 |
Abstract |
第一章 研究综述 |
1.1 研究背景及意义 |
1.2 大气CO_2浓度升高研究进展 |
1.2.1 大气CO_2浓度的控制系统 |
1.2.2 大气CO_2浓度升高对叶绿素含量的影响 |
1.2.3 大气CO_2浓度升高对叶面积指数的影响 |
1.2.4 大气CO_2浓度升高对株高的影响 |
1.2.5 大气CO_2浓度升高对作物光谱特征的影响 |
1.3 高光谱监测研究进展 |
1.3.1 作物高光谱特征监测原理 |
1.3.2 高光谱遥感对作物叶绿素含量的监测 |
1.3.3 高光谱遥感对作物叶面积指数的监测 |
1.3.4 高光谱遥感对作物株高的监测 |
1.4 存在的问题和不足 |
1.5 研究目的 |
1.6 研究内容及技术路线 |
1.6.1 研究内容 |
1.6.2 技术路线 |
第二章 材料与方法 |
2.1 试验样地概况 |
2.2 土壤与植被特征 |
2.3 试验设计 |
2.4 指标测定方法 |
2.4.1 生育期观测及管理 |
2.4.2 稻麦冠层高光谱测定 |
2.4.3 相对叶绿素含量测定 |
2.4.4 叶面积指数测定 |
2.4.5 株高测定 |
2.5 数据处理与分析 |
2.6 模型建立及验证 |
第三章 高CO_2浓度对稻麦生长参数的影响 |
3.1 高CO_2浓度对稻麦相对叶绿素含量的影响 |
3.1.1 高CO_2浓度对冬小麦SPAD值的影响 |
3.1.2 高CO_2浓度对水稻SPAD值的影响 |
3.2 高CO_2浓度对稻麦叶面积指数的影响 |
3.2.1 高CO_2浓度对冬小麦LAI值的影响 |
3.2.2 高CO_2浓度对水稻LAI值的影响 |
3.3 高CO_2浓度对稻麦株高的影响 |
3.3.1 高CO_2浓度对冬小麦株高的影响 |
3.3.2 高CO_2浓度对水稻株高的影响 |
3.4 讨论 |
3.4.1 高CO_2浓度对稻麦SPAD值的影响 |
3.4.2 高CO_2浓度对稻麦LAI值的影响 |
3.4.3 高CO_2浓度对稻麦株高的影响 |
3.5 本章小结 |
第四章 高CO_2浓度对稻麦冠层光谱的影响 |
4.1 冬小麦冠层高光谱特征 |
4.1.1 冬小麦冠层原始光谱反射率特征 |
4.1.2 冬小麦冠层红边一阶微分光谱特征 |
4.2 水稻冠层高光谱特征 |
4.2.1 水稻冠层原始光谱反射率特征 |
4.2.2 水稻冠层红边一阶微分光谱特征 |
4.3 讨论 |
4.3.1 高CO_2浓度对稻麦冠层光谱的影响 |
4.3.2 高CO_2浓度对稻麦红边特征参数的影响 |
4.4 本章小结 |
第五章 不同CO_2浓度下稻麦叶面积指数高光谱估算 |
5.1 冬小麦叶面积指数高光谱估算 |
5.1.1 冬小麦叶面积指数和冠层光谱相关分析 |
5.1.2 冬小麦叶面积指数高光谱估算模型 |
5.1.3 冬小麦叶面积指数高光谱估算模型精度检验 |
5.2 水稻叶面积指数高光谱估算 |
5.2.1 水稻叶面积指数和冠层光谱相关分析 |
5.2.2 水稻叶面积指数高光谱估算模型 |
5.2.3 水稻叶面积指数高光谱估算模型精度检验 |
5.3 讨论 |
5.3.1 冬小麦和水稻LAI与光谱参数相关系数 |
5.3.2 冬小麦和水稻光谱参数反演研究 |
5.4 本章小结 |
第六章 不同CO_2浓度下稻麦相对叶绿素含量高光谱估算 |
6.1 冬小麦相对叶绿素含量高光谱估算 |
6.1.1 冬小麦相对叶绿素含量和冠层光谱相关分析 |
6.1.2 冬小麦相对叶绿素含量高光谱估算模型 |
6.1.3 冬小麦相对叶绿素含量高光谱估算模型精度检验 |
6.2 水稻相对叶绿素含量高光谱估算 |
6.2.1 水稻相对叶绿素含量和冠层光谱相关分析 |
6.2.2 水稻相对叶绿素含量高光谱估算模型 |
6.2.3 水稻相对叶绿素含量高光谱估算模型精度检验 |
6.3 讨论 |
6.4 本章小结 |
第七章 不同CO_2浓度下水稻株高估算 |
7.1 水稻株高估算模型 |
7.1.1 株高与光谱及农学参数相关性 |
7.1.2 株高估算模型建立 |
7.1.3 株高估算模型精度检验 |
7.2 讨论 |
7.3 本章小结 |
第八章 结论与展望 |
8.1 研究结论 |
1、高CO_2浓度对稻麦生长参数的影响 |
2、高CO_2浓度对稻麦光谱的影响 |
3、不同CO_2浓度下稻麦LAI高光谱监测研究 |
4、不同CO_2浓度下稻麦SPAD高光谱监测研究 |
5、不同CO_2浓度下水稻株高高光谱监测研究 |
8.2 创新点 |
8.3 不足与展望 |
参考文献 |
作者简介 |
致谢 |
(2)散射辐射比例变化下水稻冠层高光谱特征及生长监测(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究目的与意义 |
1.2 太阳辐射变化研究进展 |
1.2.1 中国太阳辐射变化 |
1.2.2 太阳直接辐射变化对水稻生长发育的影响 |
1.2.3 散射辐射比例增加对水稻生长发育的影响 |
1.3 高光谱遥感技术的研究进展 |
1.3.1 高光谱对叶面积指数反演的研究 |
1.3.2 高光谱对作物干物质及产量的研究 |
1.4 研究内容 |
1.5 研究路线 |
第二章 材料与方法 |
2.1 实验设计 |
2.2 数据测定 |
2.2.1 农学参数测定 |
2.2.2 冠层反射光谱测定 |
2.3 光谱数据处理与分析 |
2.3.1 光谱数据异常值处理 |
2.3.2 光谱参数 |
2.4 建模方法和评估参数 |
2.5 数据处理及建模工具 |
第三章 散射辐射比例变化对水稻冠层反射光谱的影响 |
3.1 不同散射辐射比例对水稻原始冠层光谱反射率曲线的影响 |
3.2 “红边”光谱曲线及红边参数分析 |
3.3 本章小结 |
第四章 散射辐射比例变化下水稻叶面积指数的监测 |
4.1 不同散射辐射比例下水稻LAI变化 |
4.2 散射辐射比例变化下光谱参数与水稻LAI关系 |
4.2.1 冠层反射率与LAI的关系 |
4.2.2 植被指数与LAI的关系 |
4.2.3 吸收谷参数与LAI的关系 |
4.3 散射辐射比例变化下水稻LAI预测模型建立和验证 |
4.3.1 岭回归模型的建立与验证 |
4.3.2 决策树回归模型的建立与验证 |
4.3.3 支持向量回归模型的建立与验证 |
4.4 不同散射辐射比例对光谱参数(LAI)的影响 |
4.5 本章小结 |
第五章 散射辐射比例变化下水稻地上总干物质重的监测 |
5.1 不同散射辐射比例下水稻地上总干物质重变化 |
5.2 散射辐射比例变化下光谱参数与水稻地上总干物质重关系 |
5.2.1 冠层反射率与地上总干物质重的关系 |
5.2.2 植被指数与地上总干物质重的关系 |
5.2.3 吸收谷参数与水稻地上总干物质重的关系 |
5.3 散射辐射比例变化下水稻地上总干物质重预测模型建立和预测 |
5.3.1 岭回归模型的建立与验证 |
5.3.2 决策树回归模型的建立与验证 |
5.3.3 支持向量回归模型的建立与验证 |
5.4 不同散射辐射比例对光谱参数(地上干物质)的影响 |
5.5 本章小结 |
第六章 散射辐射比例变化下水稻产量的监测 |
6.1 不同散射辐射比例下水稻产量变化 |
6.2 散射辐射比例变化下各生育期光谱参数与水稻产量关系 |
6.2.1 冠层反射率与产量的关系 |
6.2.2 植被指数与水稻产量的关系 |
6.2.3 吸收谷参数与水稻产量的关系 |
6.3 散射辐射比例变化下各生育期水稻产量预测模型的建立和预测 |
6.3.1 岭回归模型的建立与验证 |
6.3.2 决策树回归模型的建立与验证 |
6.3.3 支持向量回归模型的建立与验证 |
6.4 不同散射辐射比例对各生育期光谱参数(产量)影响 |
6.5 本章小结 |
第七章 结论及讨论 |
7.1 主要结论 |
7.2 讨论 |
7.3 创新点 |
参考文献 |
作者简介 |
致谢 |
(3)稻纵卷叶螟为害下水稻生理参数高光谱估测研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究进展 |
1.2.1 基于光谱反射率和植被指数的监测研究进展 |
1.2.2 基于作物农学参数和模型反演的监测研究进展 |
1.3 研究目的和意义 |
1.4 研究内容 |
1.5 技术路线图 |
第二章 资料与方法 |
2.1 试验区概况 |
2.2 试验设计 |
2.3 测定项目及方法 |
2.3.1 水稻高光谱数据的测定 |
2.3.2 水稻光合数据的测定 |
2.3.3 水稻叶片相对叶绿素含量的测定 |
2.3.4 水稻叶面积指数的测定 |
2.3.5 水稻卷叶率的测定 |
2.3.6 水稻产量数据的测定 |
2.4 数据处理和分析 |
2.5 模型建立与检验 |
2.5.1 普通线性回归 |
2.5.2 多元逐步回归 |
2.5.3 基于BP神经网络的非线性模型 |
2.5.4 模型精度检验 |
第三章 稻纵卷叶螟为害下水稻高光谱参数特征 |
3.1 水稻冠层原始光谱反射特征 |
3.1.1 不同虫量等级水稻冠层光谱反射率对比 |
3.1.2 不同生育期水稻冠层光谱反射率对比 |
3.2 水稻冠层一阶导数光谱反射特征 |
3.2.1 不同虫量等级水稻冠层一阶导数反射率对比 |
3.2.2 不同生育期水稻冠层一阶导数反射率对比 |
3.3 水稻植被指数变化规律 |
3.3.1 不同虫量等级水稻植被指数 |
3.3.2 不同生育期水稻植被指数 |
3.4 结果与讨论 |
第四章 稻纵卷叶螟为害下水稻生理参数变化特征 |
4.1 水稻光合参数 |
4.2 水稻相对叶绿素含量 |
4.3 水稻叶面积指数 |
4.4 水稻卷叶率 |
4.5 水稻产量 |
4.6 结果与讨论 |
第五章 稻纵卷叶螟为害下水稻各生育期叶绿素含量估测 |
5.1 叶绿素含量与冠层光谱相关性分析 |
5.2 叶绿素含量与植被指数相关性分析 |
5.3 叶绿素含量高光谱估测模型及精度检验 |
5.3.1 基于光谱特征波段的线性估测模型及其精度检验 |
5.3.2 基于植被指数的线性估测模型及其精度检验 |
5.3.3 基于BP神经网络的非线性模型估测及精度检验 |
5.4 结果与讨论 |
第六章 稻纵卷叶螟为害下水稻各生育期卷叶率估测 |
6.1 卷叶率与冠层光谱相关性分析 |
6.2 卷叶率与植被指数相关性分析 |
6.3 卷叶率高光谱估测模型及精度检验 |
6.3.1 基于光谱特征波段的线性估测模型及其精度检验 |
6.3.2 基于植被指数的线性估测模型及其精度检验 |
6.3.3 基于BP神经网络的非线性模型估测及精度检验 |
6.4 结果与讨论 |
第七章 结论与展望 |
7.1 主要研究结论 |
7.2 本文创新点 |
7.3 不足与展望 |
参考文献 |
附录 |
个人简介 |
致谢 |
(4)水稻长势无人机遥感监测研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究目的和意义 |
1.2 无人机遥感监测技术简介 |
1.2.1 无人机平台 |
1.2.2 机载传感器 |
1.3 农作物无人机遥感监测研究进展 |
1.3.1 农作物营养元素无人机遥感监测研究进展 |
1.3.2 农作物色素和叶面积指数监测 |
1.3.3 农作物株高监测 |
1.3.4 倒伏监测 |
1.3.5 病虫害监测 |
1.3.6 存在的问题与不足 |
1.4 研究内容 |
第二章 材料与方法 |
2.1 研究区概况 |
2.2 无人机-传感器系统 |
2.2.1 无人机高光谱成像系统 |
2.2.2 无人机多光谱成像系统 |
2.2.3 无人机RGB成像系统 |
2.3 无人机遥感数据获取 |
2.3.1 无人机测量环境要求 |
2.3.2 航线规划 |
2.3.3 传感器设置 |
2.4 数据处理 |
2.4.1 影像拼接 |
2.4.2 影像信息提取 |
2.4.3 光谱数据处理 |
2.5 建模和分类方法 |
2.5.1 多元线性回归 |
2.5.2 偏最小二乘回归 |
2.5.3 支持向量机回归 |
2.5.4 人工神经网络 |
2.5.5 偏最小二乘判别分析 |
2.6 模型精度检验方法 |
2.6.1 回归模型精度检验 |
2.6.2 分类模型精度检验 |
第三章 基于无人机高光谱影像的水稻冠层氮、磷、钾含量估算 |
3.1 材料与方法 |
3.1.1 试验田概况 |
3.1.2 高光谱影像获取与处理 |
3.1.3 LNC、LPC和 LKC测定 |
3.1.4 光谱信息提取及数据集划分 |
3.2 结果与分析 |
3.2.1 LNC、LPC、LKC高光谱特征 |
3.2.2 基于SPA特征波长的LNC、LPC、LKC估算模型 |
3.2.3 基于光谱指数的LNC、LPC、LKC估算模型 |
3.2.4 水稻LNC、LPC、LKC空间分布的高光谱遥感反演 |
3.3 讨论 |
3.4 结论 |
第四章 无人机遥感监测不同区域水稻冠层叶片SPAD |
4.1 材料与方法 |
4.1.1 研究区及试验田概况 |
4.1.2 数据获取与处理 |
4.1.3 研究方法 |
4.2 结果与分析 |
4.2.1 不同氮肥施入量水平下水稻冠层叶片SPAD值差异性分析 |
4.2.2 水稻冠层叶片SPAD值与光谱反射率、植被指数相关性分析 |
4.2.3 水稻冠层叶片SPAD值反演模型构建 |
4.2.4 水稻冠层叶片SPAD值反演模型精度检验 |
4.3 讨论 |
4.4 结论 |
第五章 基于无人机高光谱影像的稻麦冠层LCC-LAI协同估算 |
5.1 材料与方法 |
5.1.1 数据获取与处理 |
5.1.2 植被指数选取 |
5.1.3 模型构建与检验 |
5.2 结果与分析 |
5.2.1 稻、麦LCC-LAI与光谱反射率相关性分析 |
5.2.2 稻、麦LCC-LAI与一阶导数光谱相关性分析 |
5.2.3 稻、麦LCC-LAI与植被指数相关性分析 |
5.2.4 变量多重相关性分析 |
5.2.5 水稻、小麦LCC-LAI估算模型 |
5.2.6 稻+麦LCC-LAI与光谱及植被指数相关性分析 |
5.2.7 稻+麦LCC-LAI通用估算模型 |
5.3 讨论 |
5.4 结论 |
第六章 基于无人机遥感的水稻株高提取 |
6.1 试验设计与技术流程 |
6.2 结果与分析 |
6.2.1 图像拼接与融合 |
6.2.2 影像校正 |
6.2.3 株高提取 |
6.2.4 精度检验 |
6.3 讨论 |
6.4 结论 |
第七章 无人机遥感监测水稻倒伏 |
7.1 材料与方法 |
7.1.1 无人机影像获取与处理 |
7.1.2 地面调查 |
7.1.3 倒伏/正常水稻光谱和图像特征提取 |
7.1.4 倒伏监测模型构建方法 |
7.1.5 倒伏监测模型检验方法 |
7.2 结果与分析 |
7.2.1 倒伏/正常水稻冠层光谱反射特征 |
7.2.2 倒伏/正常水稻植被指数特征 |
7.2.3 基于多光谱影像的区分倒伏/正常水稻的最优参数选择 |
7.2.4 倒伏/正常水稻纹理特征 |
7.2.5 倒伏/正常水稻色彩特征 |
7.2.6 基于RGB影像的区分倒伏/正常水稻的最优参数选择 |
7.2.7 倒伏/正常水稻分类模型 |
7.2.8 倒伏/正常水稻分类制图与统计 |
7.3 讨论 |
7.4 结论 |
第八章 无人机遥感监测水稻稻纵卷叶螟危害程度 |
8.1 材料与方法 |
8.1.1 水稻虫害调查 |
8.1.2 多光谱影像数据获取与处理 |
8.1.3 光谱变量提取 |
8.1.4 图像纹理变量提取 |
8.1.5 模型构建与检验 |
8.2 结果与分析 |
8.2.1 稻纵卷叶螟为害的水稻冠层光谱特征 |
8.2.2 水稻卷叶率与光谱变量相关性分析 |
8.2.3 水稻卷叶率与纹理变量相关性分析 |
8.2.4 水稻卷叶率估算模型 |
8.2.5 水稻卷叶率分布图 |
8.3 讨论 |
8.4 结论 |
第九章 结论与展望 |
9.1 主要结论 |
9.2 主要进展 |
9.3 不足与展望 |
参考文献 |
致谢 |
作者简介 |
(5)夜间增温下水分管理/播期对稻麦生长和温室气体排放影响及估算(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 野外增温模拟研究方法 |
1.2.2 夜间增温、水分管理及晚播对作物生长和产量影响 |
1.2.3 农田温室气体排放研究 |
1.2.4 监测作物生育期及农田温室气体的传统方法 |
1.2.5 遥感估算作物生育期、温室气体排放 |
1.3 问题提出 |
1.4 本研究目的 |
1.5 研究内容及技术路线 |
1.5.1 研究内容 |
1.5.2 技术路线 |
第二章 材料与方法 |
2.1 试验区概况 |
2.2 试验设计 |
2.2.1 水稻试验 |
2.2.2 小麦试验 |
2.3 样品采集与测定 |
2.3.1 温度及生长参数 |
2.3.2 生理参数 |
2.3.3 产量 |
2.3.4 气体采集与分析 |
2.3.5 全球增温潜势(GWP)和温室气体排放强度(GHGI) |
2.3.6 光谱数据测定 |
2.4 数据分析 |
2.4.1 一阶微分光谱 |
2.4.2 红边参数 |
2.4.3 光谱指数提取 |
2.4.4 回归分析与模型评价 |
第三章 夜间增温下水分管理/播期对稻麦生长及生理影响 |
3.1 夜间增温下水分管理/播期对夜间冠层和土壤温度的影响 |
3.1.1 夜间增温下水分管理/播期对夜间冠层温度的影响 |
3.1.2 夜间增温下水分管理/播期对夜间土壤温度的影响 |
3.2 夜间增温下水分管理/播期对生育期的影响 |
3.3 夜间增温下水分管理/播期对植株生长的影响 |
3.3.1 夜间增温下水分管理/播期对分蘖数的影响 |
3.3.2 夜间增温下水分管理/播期对株高的影响 |
3.3.3 夜间增温下水分管理/播期对地上生物量的影响 |
3.3.4 夜间增温下水分管理/播期对叶面积指数的影响 |
3.4 夜间增温下水分管理/播期对稻麦光合生理的影响 |
3.4.1 夜间增温下水分管理/播期对叶片SPAD值的影响 |
3.4.2 夜间增温下水分管理/播期对光合参数的影响 |
3.5 讨论 |
3.5.1 田间被动式增温方式及增温效应 |
3.5.2 夜间增温下水分管理/播期对稻麦生育期的影响 |
3.5.3 夜间增温下水分管理/播期对稻麦生长的影响 |
3.5.4 夜间增温下水分管理/播期对稻麦生理的影响 |
3.6 本章小结 |
第四章 夜间增温下水分管理/播期对稻麦土壤CH_4、N_2O排放影响 |
4.1 夜间增温下水分管理/播期对稻麦土壤CH_4排放的影响 |
4.1.1 夜间增温下水分管理/播期对稻麦土壤CH_4排放通量的影响 |
4.1.2 夜间增温下水分管理/播期对稻麦土壤CH_4累积排放的影响 |
4.2 夜间增温下水分管理/播期对稻麦土壤N_2O排放的影响 |
4.2.1 夜间增温下水分管理/播期对稻麦土壤N_2O排放通量的影响 |
4.2.2 夜间增温下水分管理/播期对稻麦土壤N_2O累积排放的影响 |
4.3 夜间增温下水分管理/播期对稻麦土壤GWP的影响 |
4.4 夜间增温下水分管理/播期对稻麦产量和GHGI的影响 |
4.4.1 夜间增温下水分管理/播期对稻麦产量的影响 |
4.4.2 夜间增温下水分管理/播期对稻麦GHGI影响 |
4.5 讨论 |
4.5.1 夜间增温下水分管理/播期对稻麦土壤CH_4排放的影响 |
4.5.2 夜间增温下水分管理/播期对稻麦土壤N_2O排放的影响 |
4.5.3 夜间增温下水分管理/播期对稻麦土壤GWP和 GHGI的影响 |
4.6 本章小结 |
第五章 夜间增温下水分管理/播期对稻麦冠层高光谱特征影响 |
5.1 稻麦冠层原始光谱曲线特征 |
5.2 稻麦冠层一阶导数光谱特征 |
5.3 稻麦冠层光谱红边特征 |
5.4 讨论 |
5.4.1 夜间增温下水分管理/播期对稻麦冠层光谱反射率的影响 |
5.4.2 夜间增温下水分管理/播期对稻麦冠层光谱红边参数的影响 |
5.5 本章小结 |
第六章 基于冠层光谱的水稻抽穗期及小麦开花期量化监测 |
6.1 基于冠层光谱的水稻抽穗期监测 |
6.1.1 夜间增温下节水灌溉的水稻抽穗率动态变化 |
6.1.2 基于两波段光谱指数的水稻抽穗率估算 |
6.1.3 基于三波段光谱指数的水稻抽穗率估算 |
6.1.4 基于已有光谱指数的水稻抽穗率估算 |
6.2 基于冠层光谱的冬小麦开花期监测 |
6.2.1 夜间增温下适时晚播的冬小麦开花率动态变化 |
6.2.2 基于两波段光谱指数的冬小麦开花率估算 |
6.2.3 基于三波段光谱指数的冬小麦开花率估算 |
6.2.4 基于已有光谱指数的冬小麦开花率估算 |
6.3 讨论 |
6.3.1 夜间增温下节水灌溉的水稻抽穗期监测 |
6.3.2 夜间增温下适时晚播的冬小麦开花期监测 |
6.4 结论 |
第七章 基于光谱指数的稻麦土壤CH_4和N_2O排放估算 |
7.1 CH_4和N_2O排放与植株特性的相关性 |
7.2 基于光谱指数的稻麦土壤CH_4排放估算 |
7.2.1 稻麦土壤CH_4排放通量的描述性统计分析 |
7.2.2 基于两波段光谱指数的稻麦土壤CH_4排放估算 |
7.2.3 基于两波段光谱指数的稻麦土壤CH_4排放估算 |
7.2.4 基于已有光谱指数的稻麦土壤CH_4排放估算 |
7.3 基于光谱指数的稻麦土壤N_2O排放估算 |
7.3.1 稻麦土壤N_2O排放通量的描述性统计分析 |
7.3.2 基于两波段光谱指数的稻麦土壤N_2O排放估算 |
7.3.3 基于两波段光谱指数的稻麦土壤N_2O排放估算 |
7.3.4 基于已有光谱指数的稻麦土壤N_2O排放估算 |
7.4 讨论 |
7.4.1 植株与气体排放的关系 |
7.4.2 光谱指数对气体排放通量的估算 |
7.5 本章小结 |
第八章 结论与展望 |
8.1 主要结论 |
8.2 创新点 |
8.3 不足及展望 |
参考文献 |
作者简介 |
致谢 |
(6)基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究进展 |
1.2.1 LAI和叶绿素含量遥感反演方法研究进展 |
1.2.2 无人机在农业遥感中的应用研究进展 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第二章 研究区概况和数据处理 |
2.1 研究区概况 |
2.1.1 试验站条件 |
2.1.2 室内理化参数测定条件 |
2.1.3 数据存储与处理条件 |
2.1.4 样本区介绍 |
2.2 数据集获取 |
2.2.1 数据集描述 |
2.2.2 数据集获取方法 |
2.2.3 玉米剪穗试验设置 |
2.2.4 数据分析波段的选择 |
2.3 本章小结 |
第三章 研究方法与模型选择 |
3.1 作物理化参数遥感反演方法原理及模型选择 |
3.1.1 参数回归方法(基于植被指数回归反演方法) |
3.1.2 非参数回归方法(基于机器学习回归算法的反演方法_MLRAs) |
3.1.3 基于物理模型的方法原理:反演建模 |
3.1.4 基于物理模型和机器学习回归算法的混合反演方法原理 |
3.2 用于作物理化参数反演的软件-ARTMO |
3.2.1 ARTMO的软件框架 |
3.2.2 ARTMO的各反演工具栏使用介绍 |
3.3 本章小结 |
第四章 基于近地面多角度高光谱的玉米抽穗期雄穗对冠层反射率辐射传输特征的影响研究 |
4.1 玉米抽穗期PROSAIL模型输入参数敏感性分析 |
4.2 玉米抽穗期不同时间冠层反射率实测值和模拟值的比较 |
4.3 玉米抽穗期不同穗梯度冠层二向反射率比较 |
4.4 垂直观测条件下穗数变化对冠层反射率的影响 |
4.5 不同穗梯度实测值和模拟值与农学参数相关性分析 |
4.6 玉米抽穗期雄穗生长特征变化分析 |
4.7 本章小结 |
第五章 基于多角度高光谱的玉米LAI和叶绿素含量反演方法的研究 |
5.1 基于植被指数的反演方法对比研究 |
5.2 基于PROSAIL模型的反演方法对比研究 |
5.3 基于非参数回归的反演方法对比研究 |
5.4 基于混合回归算法的反演方法对比研究 |
5.5 本章小结 |
第六章 基于无人机高光谱的玉米LAI和叶绿素含量遥感反演方法的研究 |
6.1 UHD185 高光谱数据质量验证 |
6.1.1 分析不同生育期的UHD185 冠层光谱反射率特征 |
6.1.2 玉米关键生育期ASD冠层高光谱数据与UHD185 数据的分析比较 |
6.1.3 对比分析UHD185 和重采样的ASD冠层光谱反射率的相关性 |
6.1.4 玉米主要生育期UHD185 冠层反射率与PROSAIL模型模拟反射率的相关性分析 |
6.1.5 玉米主要生育期UHD185 冠层反射率与农学参数的相关性分析 |
6.2 基于无人机高光谱的玉米LAI和叶绿素含量遥感反演模型的构建 |
6.2.1 基于植被指数的反演模型的构建 |
6.2.2 基于PROSAIL模型的反演模型的构建 |
6.2.3 基于非参数回归算法的反演模型的构建 |
6.2.4 基于混合回归算法的反演模型的构建 |
6.3 本章小结 |
第七章 玉米LAI和叶绿素含量遥感反演最佳模型的验证 |
7.1 基于近地面多角度高光谱的玉米LAI和叶绿素含量反演模型的分析 |
7.1.1 叶片叶绿素含量近地面高光谱遥感反演模型 |
7.1.2 叶面积指数近地面高光谱遥感反演模型 |
7.1.3 冠层叶绿素含量近地面高光谱遥感反演模型 |
7.1.4 玉米LAI和叶绿素含量反演精度分析 |
7.2 基于无人机高光谱的玉米LAI和叶绿素含量反演模型的分析 |
7.2.1 叶片叶绿素含量无人机高光谱遥感反演模型 |
7.2.2 叶面积指数无人机高光谱遥感反演模型 |
7.2.3 冠层叶绿素含量无人机高光谱遥感反演模型 |
7.2.4 玉米LAI和叶绿素含量遥感反演模型精度分析 |
7.3 基于近地面多角度高光谱的玉米LAI和叶绿素含量遥感反演最佳模型的验证 |
7.3.1 叶片叶绿素含量近地面高光谱遥感反演最佳模型 |
7.3.2 叶面积指数近地面高光谱遥感反演模型 |
7.3.3 冠层叶绿素含量近地面高光谱遥感反演模型 |
7.3.4 玉米LAI和叶绿素含量最佳反演模型验证精度分析 |
7.4 基于无人机高光谱的玉米LAI和叶绿素含量遥感反演最佳模型的验证 |
7.4.1 叶片叶绿素无人机高光谱遥感反演模型 |
7.4.2 叶面积指数无人机高光谱遥感反演模型 |
7.4.3 冠层叶绿素含量无人机高光谱遥感反演模型 |
7.4.4 玉米LAI和叶绿素含量最佳反演模型验证精度分析 |
7.5 本章小结 |
第八章 讨论、结论与展望 |
8.1 讨论 |
8.1.1 基于近地面多角度高光谱的玉米抽穗期雄穗对冠层反射率辐射传输特征的影响研究 |
8.1.2 基于近地面多角度高光谱的玉米LAI和叶绿素含量反演方法的研究 |
8.1.3 基于无人机高光谱的玉米LAI和叶绿素含量反演方法的研究 |
8.2 结论 |
8.3 创新点 |
8.4 展望 |
参考文献 |
附件:缩略表 |
致谢 |
作者简介 |
导师评阅表 |
(7)大豆植株力学特性受冠层光谱组成与激素调控的研究(论文提纲范文)
摘要 |
Abstract |
1 前言 |
1.1 试验目的与意义 |
1.2 国内外研究动态 |
1.2.1 倒伏对作物生产的影响 |
1.2.2 作物力学特性与植株特性的关系 |
1.2.3 作物植株力学特性与倒伏关系 |
1.2.4 冠层光谱分布对植株形态和力学特性的影响 |
1.2.5 激素对作物形态和力学特性的影响 |
1.3 技术路线 |
2 材料与方法 |
2.1 大豆品种植株力学特性的比较与筛选试验 |
2.1.1 试验设计 |
2.1.2 取样方法 |
2.1.3 测定指标和方法 |
2.2 大豆植株力学特性、冠层光谱分布与密度关系试验 |
2.2.1 试验设计 |
2.2.2 取样方法 |
2.2.3 测定指标和方法 |
2.3 大豆苗期植株形态、内源激素与光环境关系的模拟试验 |
2.3.1 试验设计 |
2.3.2 取样方法 |
2.3.3 测定指标与方法 |
2.4 相关计算 |
2.5 分析软件 |
3 结果与分析 |
3.1 大豆品种抗倒伏性状差异 |
3.1.1 供试大豆品种的形态指标 |
3.1.2 大豆抗倒伏性相关力学特性指标 |
3.1.3 大豆的抗倒伏系数 |
3.1.4 大豆抗倒伏性状的相关性分析 |
3.2 大豆冠层叶面积指数与植株形态指标随密度变化 |
3.2.1 大豆冠层叶面积指数随密度变化 |
3.2.2 大豆株高随密度变化 |
3.2.3 大豆鲜重随密度的变化 |
3.2.4 大豆茎粗随密度的变化 |
3.2.5 大豆茎粗/株高随密度的变化 |
3.3 大豆抗倒伏力学性状随密度的变化 |
3.3.1 大豆茎秆挫折力随密度的变化 |
3.3.2 大豆茎秆挠度随密度的变化 |
3.3.3 大豆茎秆转角随密度的变化 |
3.3.4 大豆茎秆弯矩随密度的变化 |
3.3.5 大豆植株重力矩随密度的变化 |
3.3.6 大豆抗倒伏系数随密度的变化 |
3.4 大豆茎秆纤维含量随密度的变化 |
3.4.1 大豆茎秆单位长度纤维素含量随密度的变化 |
3.4.2 大豆茎秆单位长度半纤维素含量随密度的变化 |
3.4.3 大豆茎秆单位长度木质素含量随密度的变化 |
3.5 大豆植株形态指标和茎秆纤维含量与力学特性的相关性分析 |
3.6 大豆冠层中光谱分布随密度的变化 |
3.6.1 大豆冠层中光合有效辐射(PAR)的分布随密度的变化 |
3.6.2 大豆冠层中蓝光分布随密度的变化 |
3.6.3 大豆冠层中红光分布随密度的变化 |
3.6.4 大豆冠层中远红光分布随密度的变化 |
3.6.5 大豆冠层中红光/远红光比值(R/FR)分布随密度的变化 |
3.6.6 大豆冠层中光谱的降幅随密度的变化 |
3.6.7 大豆冠层叶面积指数与光谱分布的相关性 |
3.7 密度及冠层光谱对大豆产量及构成因子的影响 |
3.7.1 密度对大豆产量及构成因子的影响 |
3.7.2 密度对大豆节位结荚数的影响 |
3.7.3 密度对大豆节位籽粒数的影响 |
3.7.4 冠层光谱与大豆结荚数和籽粒数的相关性 |
3.8 大豆苗期植株形态指标随光环境的变化 |
3.8.1 大豆苗期株高随光环境变化 |
3.8.2 大豆苗期植株地上鲜重随光环境变化 |
3.8.3 大豆苗期节长随光环境变化 |
3.8.4 大豆苗期下胚轴长度随光环境变化 |
3.8.5 大豆苗期茎粗随光环境变化 |
3.8.6 大豆苗期根鲜重随光环境变化 |
3.9 大豆苗期内源激素含量随光环境变化 |
3.9.1 大豆苗期生长素含量随光环境变化 |
3.9.2 大豆苗期赤霉素含量随光环境变化 |
3.9.3 大豆苗期水杨酸含量随光环境的变化 |
3.9.4 大豆苗期茉莉酸含量随光环境的变化 |
4 讨论 |
4.1 种植密度对大豆冠层光谱分布的影响 |
4.2 冠层光谱对成熟期大豆株高及产量的影响 |
4.3 冠层光谱分布对大豆内源激素的影响 |
4.4 内源激素对大豆植株形态指标的影响 |
4.5 冠层光谱成分对植株力学特性的影响 |
5 结论 |
6 创新点与展望 |
致谢 |
参考文献 |
攻读博士学位期间发表的学术论文 |
(8)基于高光谱成像技术的滴灌冬小麦水分估测模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 文献综述与立题依据 |
1.1 研究背景及意义 |
1.2 国内外研究进展 |
1.2.1 作物非成像高光谱技术监测研究进展 |
1.2.2 作物高光谱成像技术监测研究进展 |
1.3 研究目标、内容及技术路线 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 技术路线 |
第二章 材料与方法 |
2.1 研究区概况 |
2.2 试验设计 |
2.3 测定项目及方法 |
2.3.1 成像高光谱数据的获取 |
2.3.2 含水量的测定 |
2.3.3 主要农艺性状的测定 |
2.4 数据处理分析 |
2.4.1 光谱反射率的提取与数据预处理 |
2.4.2 含水量与农艺性状的相关性分析 |
2.5 模型的构建与检验 |
2.5.1 特征波段的选取 |
2.5.2 模型的构建 |
2.5.3 模型的检验 |
第三章 冬小麦植株和不同叶位叶片农艺性状动态变化特征 |
3.1 冬小麦植株农艺性状动态变化特征 |
3.1.1 冬小麦植株叶面积指数(PLAI)动态变化 |
3.1.2 冬小麦植株干物质积累量(PDMA)动态变化 |
3.1.3 冬小麦植株含水量(PWC)动态变化 |
3.2 冬小麦不同叶位叶片农艺性状变化特征 |
3.2.1 冬小麦不同叶位叶片SPAD值动态变化 |
3.2.2 冬小麦不同叶层叶面积指数(LLAI)动态变化 |
3.2.3 冬小麦不同叶位叶片含水量(LWC)动态变化 |
3.3 相关性分析 |
3.4 讨论与小结 |
3.4.1 讨论 |
3.4.2 小结 |
第四章 基于高光谱成像技术的冬小麦叶片水分状况估测研究 |
4.1 冬小麦叶片含水量与光谱反射特征 |
4.1.1 叶片含水量 |
4.1.2 叶片光谱特征 |
4.2 叶片光谱与水分含量的相关性 |
4.3 基于特征波段的冬小麦叶片含水量估测模型构建 |
4.4 特征波段的优选与模型精度比较 |
4.5 模型的普适性检验 |
4.6 讨论与小结 |
4.6.1 讨论 |
4.6.2 小结 |
第五章 基于高光谱成像技术的冬小麦植株水分状况估测研究 |
5.1 冬小麦植株含水量与光谱反射特征 |
5.1.1 植株含水量数据集统计 |
5.1.2 冠层光谱特征 |
5.2 基于PLSR的冬小麦植株含水量估测模型的构建 |
5.3 特征波段的优选 |
5.4 不同生育时期植株含水量的估测模型 |
5.5 模型的普适性检验 |
5.6 讨论与小结 |
5.6.1 讨论 |
5.6.2 小结 |
第六章 结论与展望 |
6.1 主要结论 |
6.2 主要创新点 |
6.3 不足与展望 |
参考文献 |
致谢 |
作者简介 |
导师评阅表 |
(9)基于玉米冠层光谱NDVI的生长指标监测研究(论文提纲范文)
摘要 |
Abstract |
1 引言 |
1.1 研究目的与意义 |
1.2 作物长势监测及氮营养诊断技术国内外研究进展 |
1.2.1 作物长势监测研究进展 |
1.2.2 传统作物氮营养诊断技术研究进展 |
1.2.3 基于多光谱的作物氮营养诊断技术研究进展 |
1.2.4 基于叶绿素仪的作物氮营养诊断研究进展 |
1.2.5 作物适宜指标研究进展 |
1.2.6 基于氮营养指数的作物氮素诊断研究进展 |
1.3 研究内容 |
1.4 拟解决的关键问题 |
1.5 技术路线 |
2 材料与方法 |
2.1 试验地概况 |
2.2 试验设计 |
2.3 样品采集与测定 |
2.3.1 叶片SPAD值测定 |
2.3.2 叶面积指数测定 |
2.3.3 地上部生物量获取与分析 |
2.3.4 叶片氮含量测算 |
2.3.5 产量测算 |
2.3.6 氮肥利用效率 |
2.3.7 计算光谱指标 |
2.3.8 计算累积生长度日 |
2.3.9 玉米氮营养指数模型 |
2.4 无人机多光谱图像获取及处理 |
2.5 模型精度评价指标 |
2.6 数据分析 |
3 结果分析 |
3.1 品种和施氮量对玉米生长发育的影响 |
3.1.1 不同施氮处理下玉米LAI变化特征 |
3.1.2 不同施氮处理下地上部干物质、吐丝后积累和营养器官干物质转运 |
3.1.3 不同施氮处理下SPAD变化特征 |
3.1.4 不同施氮处理对玉米产量和氮肥利用效率的影响 |
3.2 玉米冠层光谱对施氮量、种植密度和品种的响应特征 |
3.2.1 不同氮素处理下玉米冠层光谱响应特征 |
3.2.2 不同种植密度下玉米冠层光谱响应特征 |
3.2.3 氮密互作对玉米冠层NDVI的影响研究 |
3.3 玉米冠层NDVI与生长指标的相关性 |
3.3.1 玉米冠层NDVI与LAI、地上部生物量和SPAD的相关性 |
3.3.2 玉米冠层NDVI与产量间的相关性 |
3.3.3 玉米冠层光谱NDVI与叶片氮含量的相关性 |
3.4 基于冠层NDVI与生长指标的动态监测模型构建及验证 |
3.4.1 基于冠层光谱NDVI的玉米LAI动态监测模型构建及验证 |
3.4.2 基于冠层光谱NDVI的玉米地上部生物量动态监测模型构建及验证 |
3.4.3 基于冠层光谱NDVI的玉米SPAD动态监测模型构建及验证 |
3.5 玉米适宜光谱指标NDVI动态模型的构建 |
3.5.1 适宜NDVI动态模型构建 |
3.5.2 基于氮营养指数NNI的玉米氮素诊断 |
4 讨论 |
4.1 不同处理玉米冠层光谱变化特征 |
4.2 基于NDVI的玉米生长指标监测 |
4.3 适宜NDVI动态模型研究 |
4.4 基于氮营养指数的玉米氮素诊断 |
5 结论 |
5.1 施氮促进玉米生长发育 |
5.2 施氮显着影响了玉米冠层NDVI |
5.3 确立了不同生育时期NDVI与生长指标间的最优估算模型 |
5.4 确立了两种植密度下最适相对NDVI动态模型 |
5.5 初步确定了基于NDVI-NNI的玉米氮素营养诊断指标 |
参考文献 |
在读期间发表的学术论文 |
作者简历 |
致谢 |
附件 |
(10)梯度增温条件下水稻生长参数的高光谱遥感监测模型研究(论文提纲范文)
摘要 |
Abstract |
1 前言 |
1.1 研究目的与意义 |
1.2 高光谱遥感技术 |
1.2.1 高光谱遥感的概念 |
1.2.2 植被高光谱遥感的原理 |
1.2.3 高光谱植被指数 |
1.3 高光谱遥感技术在作物生长监测中的应用研究进展 |
1.3.1 叶面积指数估测 |
1.3.2 生物量估测 |
1.3.3 作物养分诊断 |
1.3.4 作物产量估测 |
1.4 气候变暖与水稻生产 |
1.4.1 气候变暖对水稻生产的影响 |
1.4.2 模拟气候变暖的增温设施 |
1.5 研究内容与技术路线 |
1.5.1 研究内容 |
1.5.2 技术路线 |
2 材料与方法 |
2.1 试验材料 |
2.2 试验设计 |
2.3 测定指标及方法 |
2.3.1 高光谱数据测定 |
2.3.2 水稻叶面积测定 |
2.3.3 水稻生物量测定 |
2.3.4 水稻冠层叶片氮素含量测定 |
2.4 数据分析 |
2.4.1 光谱数据 |
2.4.2 植被指数 |
2.4.3 统计分析 |
2.4.4 模型建立与检验 |
3 结果与分析 |
3.1 水稻冠层光谱特征分析 |
3.1.1 不同生育时期水稻冠层光谱特征分析 |
3.1.2 不同增温处理对水稻冠层光谱的影响 |
3.2 梯度增温条件下水稻叶面积指数的高光谱遥感监测模型 |
3.2.1 不同增温处理对水稻叶面积指数的影响 |
3.2.2 水稻叶面积指数与冠层原始光谱反射率的相关分析 |
3.2.3 水稻叶面积指数的敏感波段监测模型 |
3.2.4 水稻叶面积指数与植被指数的相关分析 |
3.2.5 水稻叶面积指数的植被指数监测模型 |
3.3 梯度增温条件下水稻生物量的高光谱遥感监测模型 |
3.3.1 不同增温处理对水稻地上生物量的影响 |
3.3.2 水稻生物量与冠层原始光谱反射率的相关分析 |
3.3.3 水稻生物量的敏感波段监测模型 |
3.3.4 水稻生物量与植被指数的相关分析 |
3.3.5 水稻生物量的植被指数监测模型 |
3.4 梯度增温条件下水稻冠层叶片氮素含量的高光谱遥感监测模型 |
3.4.1 不同增温处理对水稻冠层叶片氮素含量的影响 |
3.4.2 水稻冠层叶片氮素含量与冠层原始光谱反射率的相关分析 |
3.4.3 水稻冠层叶片氮素含量的敏感波段监测模型 |
3.4.4 水稻冠层叶片氮素含量与植被指数的相关分析 |
3.4.5 水稻冠层叶片氮素含量的植被指数监测模型 |
4 结论与讨论 |
4.1 结论 |
4.2 讨论 |
参考文献 |
致谢 |
攻读硕士学位期间发表的文章 |
四、水稻冠层光谱反射特征及其与叶面积指数关系研究(论文参考文献)
- [1]高CO2浓度下稻麦生长参数的高光谱估算研究[D]. 蔡瑶. 南京信息工程大学, 2021(01)
- [2]散射辐射比例变化下水稻冠层高光谱特征及生长监测[D]. 张涛. 南京信息工程大学, 2021(01)
- [3]稻纵卷叶螟为害下水稻生理参数高光谱估测研究[D]. 杜正朕. 南京信息工程大学, 2021(01)
- [4]水稻长势无人机遥感监测研究[D]. 班松涛. 西北农林科技大学, 2020(03)
- [5]夜间增温下水分管理/播期对稻麦生长和温室气体排放影响及估算[D]. 张震. 南京信息工程大学, 2020(01)
- [6]基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究[D]. 白丽. 石河子大学, 2020(08)
- [7]大豆植株力学特性受冠层光谱组成与激素调控的研究[D]. 徐瑶. 东北农业大学, 2020(04)
- [8]基于高光谱成像技术的滴灌冬小麦水分估测模型研究[D]. 祝榛. 石河子大学, 2020(08)
- [9]基于玉米冠层光谱NDVI的生长指标监测研究[D]. 樊鸿叶. 河北农业大学, 2020(01)
- [10]梯度增温条件下水稻生长参数的高光谱遥感监测模型研究[D]. 杨晓瑾. 沈阳农业大学, 2020(08)