一、The Red Edge Parameters Diversification Disciplinarian and Their Application in Winter Wheat（论文文献综述）
史博太[1]（2021）在《关中地区冬小麦叶绿素含量遥感反演研究》文中指出冬小麦是西北半干旱区的主要粮食作物,而关中地区又是西北旱作农业的粮食主产区。叶绿素是衡量作物光合能力的重要指标,估计农田叶绿素含量分布是监测作物长势、强化具体农业措施决策支持系统的前提。利用遥感技术可以实现对作物叶绿素状况的无损监测,可以实时、快速、准确地获取不同尺度上的作物叶绿素分布。本研究以关中地区冬小麦为研究对象,通过无人机遥感平台获取的RGB影像和高光谱影像,以及Sentinel-2卫星多光谱影像,结合地面实测冬小麦叶绿素数据,针对不同成像传感器特点,提取冬小麦光谱特征和敏感参数,建立相应的反演模型,对不同尺度影像的冬小麦叶绿素含量进行定量估算。取得的主要结论如下:（1）以无人机RGB影像构建的光谱指数中,拔节期相关性最佳为标准化红光指数r,相关系数绝对值为0.765;抽穗期最佳为比值光谱指数r/b,相关系数绝对值为0.823。抽穗期光谱指数相关性优于拔节期,以偏最小二乘回归（PLSR）建立的反演模型效果最佳。（2）无人机高光谱影像冬小麦各生育期光谱反射率曲线特征相似,可见光谱范围内的反射率较低,近红外光谱范围内反射率较高;随着冬小麦生长阶段推进,在可见光谱内的反射峰和吸收谷以及近红外高反射率光谱区的反射率均增大;不同SPAD值光谱曲线变化特征具有一致性。经过SPA算法,拔节期筛选的特征波段主要位于红边-近红外波段,抽穗期主要分布在蓝边、绿边、红边和近红外波段。对于任意两波段窄波段光谱指数,拔节期相关系数绝对值最大为0.737（差值光谱指数DSI）,抽穗期相关系数绝对值最大为0.627（差值光谱指数DSI）。拔节期基于组合变量方法的多元线性逐步回归（MLSR）模型精度最优,验证集决定系数和均方根误差分别为0.788和1.135,相对误差为2.236;抽穗期基于组合变量方法的偏最小二乘回归（PLSR）模型精度最优,验证集决定系数和均方根误差分别为0.801和0.741,相对误差为2.306。（3）Sentinel-2多光谱影像的光谱曲线与高光谱曲线形状基本一致,但没有高光谱曲线平滑。随着波长的增加,光谱反射率整体呈现上升的趋势,最小反射率在波长490 nm处,最大反射率在波长842 nm处;单波段反射率中相关性最高的是以波长842nm为中心、宽度为145 nm的B8波段,相关系数0.650;植被指数中红边归一化植被指数2（NDVIREP2）的相关性最佳,相关系数0.649。加入红边波段的植被指数与传统近红外植被指数相比,相关性更高。由Sentinel-2多光谱影像所建模型的精度均较低,最优模型RE-VI-PLSR的验证决定系数不足0.5,对研究区冬小麦SPAD只有粗略的估算能力。总之,多元线性模型比一元线性模型精度高,其中偏最小二乘回归（PLSR）模型表现最优。不同类型传感器影像反演模型性能排序为:无人机高光谱>无人机RGB>Sentinel-2多光谱。不同传感器影像构造的光谱指数相关性最大时差异较小,其中无人机高光谱数据挖掘潜力更大。
王卫红[2]（2020）在《基于叶片反射光谱特征的铀及伴生重金属含量反演》文中研究表明随着国防和核电工业对铀资源需求的不断增加,在铀矿资源的开采和利用过程中,大量铀废石和铀尾矿的产生不可避免。铀尾矿及周边污染土壤平均含铀量比天然本底值高410倍,其表面辐射剂量比一般土壤平均高570倍。铀尾矿渣还常含有超标的伴生重金属。因此,铀尾矿库已成为一个不容忽视的放射性和重金属污染源。快速、安全地监测铀尾矿及周边土壤的放射性和重金属污染是推进生态环境保护、改善生态环境质量的现实需求。研究植物叶片反射光谱、土壤铀及伴生重金属含量、植物的富集与耐性特征之间的关联机制,特别是探索如何利用植物叶片反射光谱进行土壤和植物叶片的铀及伴生重金属含量反演,为最终实现利用遥感方法进行铀尾矿及周边土壤铀及伴生重金属污染程度和修复效果的大面积高效监测提供理论与技术创新,成为本论文提出和诠释的关键科学问题。本文采用五种植物苎麻（Boehmeria nivea）（湘苎7号）、印度芥菜（Brassica juncea）、酸模（Rumex acetosa L.）、甘蓝型油菜（Brassica napus L.）、玉米（Zea mays L.）,分别在不同浓度的铀及伴生重金属镉、铅污染土壤中进行盆栽实验。作者分析了实验植物的铀及伴生重金属富集与耐性特征;从光谱角变异、敏感波长、光谱特征参数的角度分析了铀及伴生重金属污染下实验植物叶片的反射光谱特征;尝试根据富集与耐性特征解释叶片反射光谱特征对铀及伴生重金属的响应;分析了叶片与土壤铀及伴生重金属含量之间的关系;以叶片反射光谱特征为基础,用统计方法反演了土壤铀及伴生重金属含量;分别用统计方法、植被指数方法和物理方法反演了叶片的铀及伴生重金属含量。本文揭示了叶片反射光谱特征与土壤和叶片中铀及伴生重金属的定量关系,探索了土壤铀及伴生重金属污染在叶片反射光谱的响应机制,基于叶片反射光谱特征实现了土壤中铀及伴生重金属含量的直接和间接反演,为利用遥感手段进行铀矿山、铀尾矿等铀及伴生重金属污染程度和修复效果的大面积快速监测提供了理论依据和技术支撑。主要研究结果和创新点表现在:（1）通过测量5种实验植物累积32个生长期的叶片反射光谱进行分析,发现铀、镉、铅污染下,植物的光谱角、敏感波长、光谱特征参数均可能产生相应的变化,其中光谱角变异反映了光谱的宏观变异情况,可直接用于土壤铀及伴生重金属含量的反演。有16个生长期由光谱角变异成功反演了土壤铀及伴生重金属含量。从光谱角变异直接反演土壤铀及伴生重金属含量的角度衡量,油菜可以看作是土壤铀、镉、铅污染的指示植物。湘苎7号的光谱角变异对土壤的铀和铅污染也有较好的指示作用。统计方法、植被指数方法和物理方法各具特点,三种方法相互补充,在32个生长期均成功实现了叶片铀及伴生重金属含量的反演。土壤和叶片铀及伴生重金属含量的回归模型表明,叶片铀及伴生重金属含量能定量反映土壤铀及伴生重金属含量的高低。从叶片与土壤重金属含量的关系来衡量,印度芥菜、酸模可以作为铀污染的指示植物和监视器,油菜对铀、镉、铅在大多数生长期也具有指示和监视的作用。以叶片铀及伴生重金属含量为中介,扩大了由叶片反射光谱特征反演土壤铀及伴生重金属含量的适用范围。（2）原始光谱敏感波长较集中分布在370、600、775和980nm附近,但双子叶和单子叶植物、不同重金属污染下的原始光谱敏感波长之间均有较大的区别。一阶导数光谱敏感波长比较集中地分布在380、550、800和950nm附近,双子叶和单子叶植物、不同重金属污染下的一阶导数光谱敏感波长一致性比原始光谱高。与原始光谱相比,一阶导数光谱对铀及伴生重金属更敏感。一般情况下,以一阶导数光谱敏感波长为自变量的回归方程比以原始光谱敏感波长为自变量的质量好。（3）在本文选择的51个光谱特征参数中,5种实验植物、3种重金属污染的累积29个生长期找到了与叶片的铀及伴生重金属含量显着强相关的光谱特征参数。比值参数SDnir/SDre在苗期即能敏感地响应3种植物的铀和铅污染,而且与叶片的铀和铅含量呈现非常一致的显着强负相关关系,具有成为监测铀及伴生重金属含量的理想光谱特征参数的潜质。绿峰、红谷、近红外平台等参数与叶片铀与伴生重金属含量关系密切,而以往研究比较多的红边参数表现平淡。从响应时间、回归方程的决定系数、个数等方面比较,基于光谱参数比基于敏感波长的反演综合效果更好,证明光谱参数确实综合了多个敏感波长的特征,对信息有较强的提取能力。（4）确定了植被指数的52个具体形式用于叶片铀及伴生重金属含量的反演;对部分植被指数原始形式中的某些参数进行了替换,其中替换式RBRI3、PRI22、TVI3、CARI12和MCARI2比对应的原始形式更适合进行铀及伴生重金属含量的反演。（5）利用敏感波长进行了PROSPECT模型中叶片结构参数N的反演,大幅度地提高了其与叶片铀及伴生重金属含量的相关性。测量了叶片的解剖结构参数,发现在铀及重金属污染胁迫下,叶片整体厚度和表皮厚度、下表皮厚度、表皮细胞、维管束、栅栏组织、泡状细胞等指标发生了明显变化。建立了叶片结构参数N与叶片解剖结构参数的回归方程,创新了确定叶片结构参数N的方法;并且完成了物理方法反演叶片铀及伴生重金属含量。（6）如果从成功反演的生长期期数和回归方程最大决定系数R2来衡量,统计方法和植被指数方法的效果比物理方法效果更好。无论是富集植物还是非富集植物,都有可能得到质量高的回归方程。统计方法反演的结果表明:对铀具有富集作用的植物苎麻和印度芥菜整体上更有利于通过其生长早期的叶片光谱进行铀含量的监测;植物耐性强则很可能对反演叶片铀及伴生重金属含量起反作用,尤其在生长晚期。但根据植被指数方法和物理方法反演时,该规律不明显。
张海艳[3]（2020）在《基于高光谱遥感的小麦资源利用效率研究》文中进行了进一步梳理在稳定作物产量基础上,提高农田水肥及光能资源的利用效率,始终是现代农业发展过程中的关注热点。精准农业是现代农业发展的重要方向,利用高光谱遥感技术监测评价作物生产的资源利用效率是精准农业重要研究方向。本研究以不同年度、地点、品种、灌水频次和氮肥处理等大田试验为依托,综合运用高光谱遥感技术、作物生理及资源效率测定以及现代数据分析方法等手段,着重分析了个同试验条件下小麦冠层光谱与生长效率指标之间的定量关系,通过光谱参数设计与运算,构建了小麦氮肥利用率NUE、光能利用率RUE和水分利用率WUE的敏感参数及其估算模型;同时,采有偏最小二乘法（PLSR）、神经网络（BPNN）、支持向量机（SVM）等方法分别对NUE、RUE和WUE进行估算评价,并确立最佳估算方法。研究结果为农业生产精确栽培调控以及高产高效品种的培育与筛选提供理论指导和技术支持。1 基于高光谱遥感的小麦氮肥利用效率研究为快速、准确获取小麦NUE,首先分析了不同生育时期小麦光合氮素利用效率（PNUE）与NUE之间的定量关系,单个生育时期下两者R2均高于0.676。进一步考察常规植被指数与PNUE之间的关系,营养生长期和生殖生长期数据集不能够相互吻合。通过在SR（760,850）基础上增加净光合速率（PN）的指示波段R680而得到mSR（760,850,680）,然后在mSR（760,850,680）框架上引入浮动系数(1.8+R680/R850),从而减弱了营养生长期土壤背景裸露以及生殖生长期叶面积的影响。该参数命名为氮效率指数（NEI）,综合协同营养生长期和生殖生长期数据集,与PNUE 拟合方程效果较好,决定系数R2=0.765,均方根误差RMSE=0.636。采用独立年份试验对模型进行检验,模型适用性较好。这表明,新参数NEI可以很好的解释PNUE的变化,能够快速指示小麦NUE。2 基于高光谱遥感的小麦光能利用效率研究光能利用效率是陆地生态系统固定碳的重要决定因素,光化学反射植被指数（PRI）是最早基于叶黄素循环被提出的用于估算RUE的光谱参数,但是PRI与RUE之间的关系在不同环境条件下不够稳定。为提高利用PRI估算RUE的精度,系统分析大田试验光谱数据与生理指标之间的关系,发现类胡萝卜素（Car）与叶绿素（Chl）比值与全生育期RUE的变化较为一致,考虑将Car/Chl作为RUE估算的重要因子,通过筛选对Car/Chl反应敏感的光谱参数进行转换引入到PRI中,从而得到修正型PRI（mPRI）。同时利用多角度光谱数据,测试分析了常规植被指数与mPRI之间的关系在13个观测角度下及其角度范围的表现。无论是前向还是后向观测角度,mPRI均优于其它常规光谱参数,最佳观测角度为-10°,最适宜角度范围为-20-10°。此外,该估算模型也可适用于MODIS数据,这说明通过优化PRI可以很好的指示非均匀冠层条件下RUE的变化。3 基于高光谱遥感的小麦水分利用效率研究实时快速无损地获取水分利用效率是小麦生产实践中资源合理优化配置的重要措施。综合利用3个小麦品种在不同水分和氮肥处理下的多年大田试验数据,分析并计算小麦关键生育时期的冠层光谱反射率以及相关生理指标之间的定量关系,确立小麦WUE的定量估算模型。结果表明,所有候选光谱参数后向观测角度结果优于前向观测角度,常规植被指数中Lo和NDDA与WUE之间关系较好,但当WUE较大时出现饱和现象。为缓解模型估算的饱和现象,基于农学机理研究提出了水分效率指数（WEI）,其在-20-10°范围内可以建立统一模型,模型R2和RMSE分别为0.623和0.406。采用开放式独立试验数据进行检验,R2、RMSE和相对误差（RE）分别为0.685、0.473和11.847%。上述结果表明,构建的水分效率指数比常规植被指数对WUE变化更为敏感,并且监测模型具有较宽的角度适用型,可以为专业传感器的参数设计提供参考。4基于遥感估算效率指标的建模方法比较为了充分利用更全面的监测信息,有必要对全光谱波段进行分析。除常规植被指数分析外,采用PLSR、BPNN和SVM三种方法对资源利用效率进行全光谱分析。SVM方法分别采用线性、多项式和高斯函数三种核函数进行计算,三个效率指标的预测结果表现一致,多项式函数结果优于高斯函数优于线性函数。多种数理统计方法比较,模型预测精度表现为SVM（多项式核函数）>PLSR>BPNN>VIs。PLSR是多元分析中最常见的方法,通过缩减不相关潜在变量和最大化相关变量的协方差,能够筛选出敏感波段;而BPNN模型中每个系数都存在均方根误差,易受偏差值和离群值的影响。基于此,本研究将PLSR方法中选择的敏感波段作为变量输入到BPNN模型中,结合两者优点,确立的PLSR-BPNN联合模型对NUE、RUE和WUE预测精度分别达到0.806,0.753和0.810,为作物资源利用率监测评价提供方法参考。
魏志安[4]（2020）在《基于高光谱数据的稀土矿区复垦植被叶片叶绿素含量估算研究》文中研究指明稀土作为工业“维生素”,是国家的发展进程中十分关键的战略资源。其中,离子吸附型稀土为中、重类型稀土,因为储量大,埋藏深度浅的特点,占据着重要的地位。然而,离子吸附型稀土矿的开采会对生态环境造成一定程度的损毁。其先后历经的三种开采方式池浸、堆浸、原地浸矿,均会导致矿区植被的大面积破坏,且植被自然恢复困难。为了对矿区环境进行恢复,在稀土开采结束以后,通常采用人工复垦的方式进行生态治理。但稀土开采时使用的浸矿液体,在开采过程中会通过渗透作用浸入土壤,损害土壤中的有机质,进而使土壤成分受到损毁,导致复垦植被生长困难。如何对植被生长过程进行动态监测,从而通过及时的人为干预保证复垦植被健康生长,进而加快矿区生态恢复成为了极其重要的任务。叶绿素作为植被常用的生化参数,其含量的多少能够反映出植被的生长情况。高光谱技术因其波段范围窄、波段数目多的特性,能够提供更加多样的光谱信息,进而从光谱维对植被生态特征进行探究。通过对植被叶绿素含量与高光谱数据实施Person相关性分析,结合各种回归算法,能够构建出植被叶绿素含量估算模型,从而实现植被生长过程的动态监测。因此,本文以离子吸附型稀土矿区生长的典型复垦植被油桐、竹柳、红叶石楠作为对象,实地获取高光谱数据及叶绿素含量。首先,通过去噪、平滑及均值化处理消除水汽及人为影响。再对原始光谱完成导数处理、去包络线处理,从而进一步降低光谱数据的背景干扰与基线漂移。为了研究稀土矿区生态环境对复垦植被的光谱变化造成的影响,根据原始光谱、导数光谱、去包络线光谱进行复垦植被与正常植被的光谱差异对比;然后,在叶绿素含量与原始光谱及其他变换光谱中提取的各种特征光谱参数、植被指数之间进行Person相关性计算,筛选出与叶绿素含量具有显着相关的光谱参数,为建立其估算模型提供基础;最后,通过筛选的各种敏感光谱参数,结合PLS算法、BP神经网络算法、SAE神经网络算法完成叶绿素含量估算模型构建,并通过统计评价指标确定各种植被的最优估算模型。结果表明:（1）对于原始光谱、导数光谱、去包络线光谱来说,三种植被光谱曲线变化趋势大致相同,而在复垦植被与正常植被对照中出现差异。原始光谱在可见光部分,复垦植被光谱反射率大于正常植被;同时,绿峰、红谷位置特征出现向长波偏移的“红移”现象。其中,油桐偏移程度分别是5nm,5nm;竹柳是4nm,5nm,红叶石楠是56nm,4nm。红叶石楠在绿峰位置上达到最大偏移,应该是对矿区环境响应更加敏感。导数光谱中,复垦植被相对于正常植被出现了一致的“红边位置”蓝移。油桐偏移量20nm,竹柳偏移量7nm,最大偏移为红叶石楠的22nm,其他参数位置变化不同步。在去包络线光谱中,复垦植被与正常植被吸收特征都更加明显。在吸收对称度S处,复垦植被小于正常植被。原因在于受红移影响,复垦植被吸收峰位置更加靠近吸收特征右肩波长。（2）对叶绿素含量与光谱曲线、“三边”参数、吸收参数及全波段植被指数进行Person相关计算,三种复垦植被选出的敏感光谱参数存在异同。其中,在红边位置λr、红谷位置λv、吸收深度H、吸收斜率K、吸收面积A参数,相关系数均满足显着相关水平;而在其他光谱参数及植被指数提取中存在差异。其中,油桐筛选出的相关性最小参数为Rg-Rv/Rg+Rv,其值是-0.4628;最大参数为SR（713/725）,其值是-0.9520;竹柳筛选出的相关性最小参数为S,其值是0.4989;最大参数为导数光谱671nm,其值是0.8047;红叶石楠筛选出的相关性最小参数为原始光谱761nm,其值是0.4918;最大参数为SR（703/1159）,其值为-0.9094。（3）在复垦植被敏感光谱参数提取基础上,采用PLS算法、BP神经网络算法、SAE神经网络算法进行各自叶绿素含量进行模型构建,并利用验证集进行模型检验。根据评价指标决定系数R2、均方根误差RM、相对误差RE确定各种植被叶绿素含量最优回归模型。由统计结果可知:在各种植被建立的估算模型中,模型精度SAE神经网络算法>BP神经网络算法>PLS算法。SAE神经网络算法凭借其非线性能力及逐层训练特点,成为了三种复垦植被中最优估算模型。在复垦油桐中,其R2值为0.9117,RM值为2.2370,RE值为7.8393%;在复垦竹柳中,其R2值为0.7418,RM值为2.1782,RE值为5.0118%;在复垦红叶石楠中,其R2值为0.9815,RM值为1.5602,RE值为4.5859%。
周龙飞[5]（2020）在《基于多源遥感数据的玉米倒伏灾情监测研究》文中研究说明倒伏胁迫是我国玉米生长过程中主要自然灾害之一,在玉米生长过程中,由于品种特性、栽培管理、病虫危害以及外界环境等因素,导致玉米在营养（抽雄期）、生殖（灌浆期）生长阶段容易遭受倒伏威胁。倒伏导致玉米籽粒产量、品质降低,严重影响了机械收获能力,限制玉米高产优质,成为玉米生长过程中主要自然灾害胁迫之一,严重威胁粮食安全。近年来发展迅速的遥感技术以其快速、客观、经济、区域性等优点,在倒伏灾情监测、灾情评估方面提供了科学的技术手段,对倒伏玉米田间管理、产量减损评估及灾后相关措施实施等方面具有重要意义。本文选取北京市昌平区小汤山国家精准农业示范研究基地为倒伏小区控制试验研究区,河北省石家庄市藁城区为野外自然倒伏研究区。以控制小区倒伏玉米群体为研究对象,在不同倒伏时期及倒伏类型处理下,以倒伏玉米冠层高光谱数据为基础,分析倒伏玉米群体生理指标参量的变化特征,实现倒伏玉米群体生理指标反演模型的构建,探讨倒伏玉米群体生理指标和光谱参量之间的机理响应解析。同时,利用野外调查数据构建可表征玉米受灾强度的倒伏灾情指数,采用GF-1光学遥感影像分析倒伏前后玉米群体结构参量遥感影像信息的变化,根据遥感影像变化信息构建倒伏灾情监测模型,开展基于真实遥感影像的区域尺度玉米倒伏灾情遥感监测。本文主要有以下研究内容与结果:（1）基于倒伏小区控制试验开展人工玉米倒伏,设置不同倒伏生育期,每个生育期不同倒伏处理,根据田间获取的实际数据,从叶面积指数、叶面积密度和高度等相关农学参量研究玉米倒伏后群体生理指标的变化规律,采用ASD高光谱仪获取玉米冠层光谱数据,分析倒伏玉米群体生理指标同光谱特征参量的响应关系,采用连续投影算法、最佳指数法及赤池信息量准则等方法分析数据,构建倒伏胁迫下玉米群体生理指标高光谱估测模型。研究发现倒伏胁迫会导致玉米冠层结构改变,不同强度倒伏玉米冠层光谱反射率有所差异,不同生育期各倒伏处理玉米,冠层光谱反射率也不同;和未倒伏玉米相比,倒伏玉米冠层光谱反射率均出现不同程度的增大,且倒伏越严重,冠层光谱反射率越高;倒伏玉米自身具有一定的恢复能力,同时受倒伏胁迫作用,倒伏玉米植株衰败较快,导致后期冠层光谱反射率逐渐降低;倒伏胁迫下玉米LAI变化不明显,而引入株高构建的LAD同倒伏强度相关,倒伏越严重,LAD值越大,同倒伏强度成正比;同LAI相比,各种光谱特征构建的LAD模型的效果都优于LAI,和单个特征相比,组合特征构建的模型较为稳定;LAD适合作为表征倒伏玉米群体生理特征的参量,可为玉米倒伏胁迫灾情遥感监测提供必要的先验知识。（2）基于倒伏灾情指数的区域尺度玉米倒伏灾情遥感评估,研究利用GF-1光学遥感影像进行区域范围内的玉米倒伏灾情监测,通过利用倒伏后实测玉米倒伏比例及倾角构建倒伏程度评价指标,并对倒伏灾情等级进行划分,计算倒伏前后波段反射率及植被指数的差值变化量,筛选与玉米倒伏程度评价指标敏感的最优变量参数,构建区域尺度玉米倒伏灾情遥感监测模型。研究发现倒伏灾情越严重,光谱反射率越高;利用CARS算法筛选的最优变量组合是光谱波段△B2、ΔB4以及植被指数△NDVI、ΔGNDVI、△BNDVI、△NPCI;基于倒伏比例和倒伏倾角构建的倒伏灾情指数能够有效判断实际倒伏发生情况,构建的模型训练R2=0.96,RMSE=0.08,验证R2=0.88,RMSE=0.12,倒伏等级预测精度达79%,能够作为遥感监测玉米倒伏灾情程度的评价指标;利用光学GF-1影像进行区域尺度玉米倒伏灾情监测,最终实现区域尺度玉米倒伏灾情等级遥感制图,为倒伏玉米灾情评估和灾后及时实施补救措施提供技术上的支撑。
蒋贵印[6]（2020）在《基于无人机遥感的春玉米多光谱响应及氮素营养参数反演》文中研究指明采用科学的施肥方式,探索多种田间观测手段并结合农学知识加强作物养分信息的精确感知,实时监测作物氮素营养状况,根据作物生长的营养需求规律制定科学的氮肥管理策略,对提高作物氮素利用效率、提高农民经济效益、以及改善环境状况都有重要的意义。无人机遥感平台可以搭载不同传感器,在其载荷能力的范围内,受天气影响较小,并可获得高分辨率遥感影像,在精度、质量和尺寸方面均能够满足农田监测的需求,可用于辅助农田精准管理。本研究以四平市三棵树村试验田为研究区,以春玉米作为研究对象,借助八旋翼无人机搭载Mini-MCA多光谱相机获取三个年份不同处理的试验小区春玉米关键生育期冠层多光谱遥感影像,采用传统经验回归、逐步多元回归和三种传统机器学习算法（支持向量回归、BP神经网络和随机森林算法）,反演地上部生物量、氮浓度、吸氮量、氮营养指数等春玉米氮素营养参数,主要工作与结论如下:（1）无人机多光谱遥感影像处理和遥感变量提取过程中,在利用经验线性校正和光照传感器校正相结合的方法的基础上,以ASD地面高光谱仪获取的冠层反射率为参考,使用Python 3.2软件编写的程序,重新对传感器的定标文件进行了校正;对校正后的多光谱影像进行了波段合并、影像拼接和影像裁剪等预处理工作,最终获取了玉米冠层多光谱正射影像。（2）施氮量与种植密度对春玉米农学参数影响明显,将生育期、施氮量、种植密度作为变量因子加入机器学习估测模型构建中,能够增加模型估测能力和验证精度,有利于模型估测能力的调控与优化,提升反演模型的适用性。（3）在五种算法的应用结果比较中,基于无人机载多光谱数据建模的随机森林算法效果最佳。传统机器学习算法构建玉米氮营养参数诊断模型整体优于传统经验回归模型和多元逐步线性回归模型。而基于三种机器学习算法构建的反演模型精度大小顺序依次为:随机森林>BP神经网络>支持向量回归,使用随机森林算法构建的反演模型精度预测集的R2最大值分别为:0.93、0.91、0.85、0.83,比BP神经网络模型精度最大值依次提高了3.39%、1.87%、0.79%与2.70%,比SVR回归模型精度最大值依次提高了9.45%、24.54%、10.62%与4.77%,随机森林算法比较传统经验回归和多元逐步线性回归提升更为明显。
叶榕榕[7]（2020）在《基于激光雷达与多光谱数据的高粱LAI反演模型》文中提出植物资源是地球资源中最为重要的资源之一,生境的破坏,对物种灭绝有很大威胁。全球50%野生生境被破坏,80%以上的亚热带生境被破坏,中国70%天然林已被采伐,50%草原被破坏,有四分之一的土地资源受沙漠威胁。为了确保自然资源的可持续利用,多样化的植物种类,最重要的是要确保生物资源的质量。在农业生产过程中,植被的生长情况及长势变化的宏观监测,都是全面反映农情信息,帮助农户提供客观的农业生产依据,叶面积指数（LAI）作为农作物产量估测的重要凭证,具有很大的研究价值。本文选取黑龙江省海伦市海伦研究区试验田作物长势差异较为明显的地块为研究区,于2018年7月下旬采集海伦市海伦研究区试验田不同区域高粱LAI样本共40个。在对实验室实测LAI数据分析的基础上,分别建立基于单一多光谱数据,单一激光雷达数据和多源融合的LAI反演模型,同时对不同模型输入量进行分析评价,解释干扰因素对遥感反演模型的影响机理,最终确定最优LAI反演模型。结果表明:（1）获取激光雷达点云数据后生成冠层高度模型（CHM）,从中提取其有效的冠层结构参数（HCV、CRR、标准差、均值、植被高度指标、回波密度变化度量、偏斜率）。建立冠层结构参数和LAI的相关性分析,选取相关性大于0.6的参数,构建高粱LAI反演模型,并与实测LAI进行精度验证与评价。实验结果表明:模型估算的LAI与实测LAI之间的决定系数R2为0.78,RMS为0.14。（2）基于无人机多光谱数据,通过线性逐步回归方法选取与实测LAI相关性系数高的植被指数:（RVI,NDVI,SAVI,DVI,TM,EVI,HJVI,SIR,PSRI,NDVIedge,CI,MSR）。建立与实测LAI的相关性分析,选取相关性大于0.7的植被指数,引入作为模型输入量,使遥感反演模型的决定系数R2达到0.74,RMS为0.14。其模型反演精度略微低于激光雷达LAI反演模型。（3）基于多源遥感数据的高粱LAI反演模型。利用激光雷达与多光谱传感器同时获取高粱垂直结构参数及光谱信息,通过逐步回归方法获得与实测LAI相关性较高的光谱参数:红边归一化差异指数NDVIedge,红边叶绿素指数CL、Vskewn、CRR四个参数的相关性都超过0.8,参数进行LAI反演,估算LAI值与实测LAI相关性为0.83。RMS为0.14。提高了单一传感器高粱LAI反演模型的精度。实验中,通过不同飞行平台搭载不同精度的传感器获取海伦研究区高粱植被信息。相比于单一传感器的LAI反演模型,双传感器协同反演,显着提高的模型精度与稳定性。解决了数据获取过程中激光雷达在获取低矮作物水平冠层结构上的缺陷以及多光谱数据因冠层垂直结构复杂易产生LAI过饱和的问题,为将来获取更为准确的LAI反演模型提供了新思路。
胡晓[8]（2020）在《基于无人机遥感的高潜水位煤矿区沉陷耕地信息提取方法》文中研究表明高潜水位煤矿区煤粮复合面积大,采煤沉陷损毁和破坏了大量的耕地资源,给矿区农民带来了巨大的损失。沉陷耕地分布、面积、受损程度等信息的准确提取,可为耕地损毁程度的评估、面积的核算、补偿标准的制定等方面提供客观的参考数据。低成本的无人机可见光遥感技术是测绘生产单位获取数据的重要方式之一,本研究使用易获取、高分辨率的无人机可见光遥感影像,从矿区沉陷的实际情况（沉陷程度、积水分布）、地物在影像上的特征（光谱、纹理、几何等特征）、耕地农作物的生长（叶绿素含量、株高）等不同角度出发,旨在设计和构建出适用于沉陷耕地的直接或者间接提取方法,进一步扩大低空无人机遥感技术在高潜水位煤矿区应用的深度和广度。主要研究结果如下:（1）基于最优尺度的沉陷耕地提取方法。以基于边缘检测算法和尺度44对影像进行了分割,在可见光植被指数中,联合指数2（COM2）提取的精度最高。比较基于样本的面向对象、基于色彩与纹理特征、基于COM2指数3种方法的提取结果,得出基于色彩与纹理特征提取的正确率（86%）最高,错分误差（28%）和漏分误差（14%）最低。同样的方法应用在验证区影像,得出基于色彩与纹理特征提取的正确率（92.5%）最高,错分误差（30%）和漏分误差（7.5%）最低。（2）基于分层分类的沉陷耕地提取方法。依据对比度14.83（5.6625.00）和长宽比29.13（4.5536.74）提取出了规则耕地,利用信息熵5.07（3.136.83）和对比度6.01（4.588.70）提取出了零散耕地。比较基于样本的面向对象和基于特征组合的分层分类两种提取方法的结果,得出分层分类提取的正确率（88%）最高,错分误差（24%）和漏分误差（12%）最低。同样的方法应用在验证区影像,得出分层分类提取的正确率（95%）最高,错分误差（20%）和漏分误差（5%）最低。（3）基于冬小麦长势的沉陷耕地提取方法。选择与叶绿素含量相关性最高的COM2、可见光差异植被指数（VDVI）和红绿蓝植被指数（RGBVI）3种指数,分别采用线性、指数、对数、二次方和幂函数对叶绿素含量进行了单变量建模,模型精度最高的R2仅为0.624,单变量反演提取模型精度较低。构建了一个共线性最低的、包含COM2、RGBVI和VDVI 3种指数的多变量新指数-组合可见光植被指数（CVVI）,其建模精度R2达到0.75,高于单变量模型,利用验证样本得出CVVI指数的模型R2为0.639,RMSE为1.750,NRMSE为0.04,CVVI模型的反演提取的精度和稳定性较高。探讨利用无人机可见光影像提取部分沉陷地农作物株高的可行性,从建立的冬小麦株高模型中提取出的最高高度为47.6厘米,最低高度为8.7厘米。提取出的株高与实测株高的R2为0.537,RMSE为2.781,NRMSE为0.284,估算值和实测值得一致性为中等。（4）总结了基于最优尺度、分层分类以及冬小麦长势反演这3种方法的优缺点,比较了不同方法提取耕地的结果,建议将分层分类方法作为开展沉陷耕地或者其它信息提取的首选方法,最后对试验区的采煤沉陷耕地的损毁程度进行划分。
张建勇[9]（2020）在《利用无人机遥感的矿区复垦耕地的作物生物量精细化评价》文中进行了进一步梳理矿区耕地的复垦是解决我国矿产粮食复合区耕地损毁问题的有效途径,而矿区复垦耕地的监测与评价是复垦工作的重要环节,有助于指导矿区复垦工作的实施。矿区复垦耕地的土壤扰动剧烈、生产力逐年恢复,使得作物生长响应的空间差异更为显着且随时间变化,因此开展精细监测与快速评价是十分必要的。然而,传统采样分析方法的采样点布设存在主观性,且增加采样点势必要增加监测成本,不利于大面积的长期监测;卫星遥感手段相对于复垦耕地的作物生长周期而言的时间分辨率较低,难以保障精细监测的数据获取;近地监测手段（Li DAR、地物光谱仪等）成本昂贵、数据量大,难以推广使用。这些监测手段都在一定程度上成为了制约矿区复垦耕地精细监测与快速评价的瓶颈。近年来,新兴的轻小型无人机遥感手段以成本低、精度高、响应快、周期短、易操作等优势受到小尺度研究的广泛关注,已经在复垦所关注的作物指标（地上生物量、作物产量、株高等）开展了大量研究工作,并在小尺度上的矿区复垦精细监测中展露头脚,表现出广阔的应用前景。因此,将轻小型无人机遥感观测手段引入矿区复垦耕地的精细监测与评价是一项值得研究的课题。矿区复垦耕地分阶段施工而耕作以田块为基本单元,土壤扰动剧烈导致作物生长响应的空间差异更大,以及生产力逐年恢复使得以产量为评价指标难以揭示作物生长的动态响应特征,以至于难以开展精细监测评价。本文在相关领域的研究基础之上,利用轻小型无人机遥感技术,以引黄河泥沙充填复垦的耕地为例,选择与作物产量存在线性关系的作物生物量为动态监测指标,在构建作物冠层结构特征基础上,实现多特征像素级融合的作物生物量估算,以自动提取的耕地条带为基本分析单元,实现矿区复垦耕地作物生物量的精细监测与快速评价。本文的主要研究结论如下:（1）针对矿区复垦耕地的分阶段施工且耕作以条带田块为基本单元的特点,提出了典型耕地条带田块自动制图方法,通过对耕地条带田块的无人机影像特征分析的基础上,依次进行田埂线提取、田块面制图而成,并验证了制图结果的精度。结果表明,所提出的制图方法可靠且精度高,其中条带田块的面积提取精度优于98.9%且Kappa系数优于97.4%,田埂线提取结果有较高的召回率（>97%）和准确率（>95%）。（2）针对矿区复垦耕地土壤扰动剧烈且空间异质性显着的特点,提出了利用轻小型无人机多光谱图像构建矿区复垦耕地的作物冠层高度模型,通过多光谱图像生成的密集点云两步滤波、点云插值、栅格运算和植被掩膜等一系列处理,并在剔除冠层孔隙策略下选择99%分位数为株高提取阈值,验证了所构建的CHM精度。结果表明,轻小型无人机多光谱数据源可以用于作物冠层高度模型的构建,相对航高低的CHM精度更高。在相对航高50m时,小麦CHM的RMSE为5.3～8.2cm,玉米CHM的RMSE为10～11.8 cm。（3）针对矿区复垦耕地的土壤环境动态演变且生产力逐年恢复的特点,并结合小麦和玉米的冠层光谱特征,构建了针对小麦的冠层光谱响应、结构特征和气象因子多特征像素级融合的参量,并构建了针对玉米的冠层结构特征与气象因子融合的参量,改善了小麦和玉米生物量的估算精度。在计算冠层体积模型CVM和确定气象因子GDD基础上,筛选小麦生物量相关性高的植被指数,构建了基于CVM和GDD的冠层光谱响应模型参量VM-CSRM,同时针对玉米构建了基于GDD权重的CVM参量;然后分别定性、定量地选择最优的特征融合参量,依次进行生物量估算的建模、验证和分析。结果表明,所提出的参量能改善作物生物量估算精度,小麦以CARI×CVM×GDD为自变量二项式回归建模得到最优的估算结果（R2=0.8272,RMSE=0.1690kg/m2）,玉米以CVM×GDD2为自变量指数回归得到最优的估算结果（R2=0.8897,RMSE=0.1649kg/m2）。（4）为实现矿区复垦耕地的评价,分析了耕地条带、处理小区两种统计单元下的复垦耕地生物量的时空变化特征。首先,建立了考虑作物整个生长阶段的生物量分级标准,以分析作物生物量累积对复垦土壤环境响应的绝对变化特征;其次,利用空间自相关分析方法,揭示了各期作物生物量累积对复垦土壤环境响应的空间相对差异特征;然后在此基础上借鉴极限条件法的思想,实现复垦耕地的评价。结果表明,在耕地条带单元下,受复垦土壤环境的影响相对小的耕地条带是B行（试验田南起第二个耕地条带）;在处理小区单元下,引黄河泥沙夹层式充填最优的土壤剖面构型是T09（表土30cm+心土20cm+黄河泥沙20cm+心土20cm+黄河泥沙30cm）。
陈志超[10]（2019）在《基于无人机遥感的华北平原冬小麦氮营养诊断与精准养分调控》文中指出以遥感技术（RS）、地理信息技术（GIS）、全球导航卫星系统（GNSS）和变量管理技术为支持并考虑作物与土壤时空变异的精准农业,实现了农田信息的精准感知、控制与决策管理,从而实现了作物的高产高效和环境风险的进一步降低。然而在华北平原村级尺度小农户管理下,尚缺乏基于RS与GIS技术的冬小麦精准养分管理。本文通过山东省乐陵市南夏村多年多点小区与农户试验,应用多旋翼无人机搭载多光谱相机Mini-MCA与固定翼e Bee无人机搭载多光谱相机Parrot Sequoia+所获取的冬小麦冠层光谱反射率,利用建模与验证集筛选反演冬小麦农学指标效果最优的植被指数（简称最优植被指数）,对比归一化植被指数与最优植被指数,评价了无人机遥感在当季关键生育期实时氮营养诊断的潜力,并建立了冬小麦精准氮肥管理策略。同时,结合GIS技术与地统计学研究方法,建立了基于GIS与RS相结合的村级尺度冬小麦精准养分管理策略,评估了精准养分管理在村级尺度的节肥增效潜力。综合全文结果,主要工作及结论如下:（1）从冬小麦氮营养实时诊断来看,利用多旋翼无人机Mini-MCA多光谱估测了冬小麦氮营养指标潜力,并基于两种机理性和一种半经验性模型分别建立了冬小麦氮营养诊断策略。其中,红边归一化植被指数和最优植被指数都能够较好地估测田块尺度冬小麦地上部生物量和吸氮量,且无显着差异;基于多旋翼无人机遥感的有效氮营养诊断策略为利用红边归一化植被指数快速无损地估测氮营养指数,达到了73～86%的准确率。利用最优植被指数反演方法评估了基于固定翼e Bee多光谱遥感的冬小麦氮营养指标诊断估测潜力,提出了由田块尺度到村级尺度的冬小麦氮营养最优诊断策略。村级尺度下,红光与红边归一化植被指数分别能解释70%与64%的生物量和吸氮量变异,与最优植被指数无显着差异。利用氮充足指数（NSI）能够较好且稳定地估测氮营养指数（NNI）,采用NNI-NSI策略较为简单实用,诊断准确率为57～59%。（2）对于冬小麦精准氮素管理,应用多旋翼无人机Mini-MCA多光谱相机采集冠层光谱数据,利用氮肥优化算法进行田块尺度精准氮素管理。基于多旋翼无人机遥感估产效果较好,能够解释89～93%的产量变异。根据情景分析结果,基于无人机遥感的精准氮素管理在稳产基础上优于农户管理和区域优化管理,氮肥施用量分别减少了21～40%与17～37%,氮肥偏生产力增加了27～66%与32～59%。采用绿色窗口法并结合村级氮营养诊断结果,应用固定翼e Bee多光谱遥感采集冠层光谱数据,创建性地提出了由田块尺度到村级尺度的无人机遥感精准氮素管理策略。基于固定翼无人机遥感估产效果较好,能够解释85%的产量变异。情景分析结果表明,采用绿光归一化植被指数与最优植被指数推荐施氮量类似,并与经济最优施氮量无显着差异。（3）村级尺度下针对土壤与作物养分空间变异,应用地统计方法的GIS平台,建立了基于GIS与RS的村级冬小麦精准养分管理,探讨了基于情景分析的精准管理节肥增效潜力。精准养分管理有助于减少氮、磷、钾肥的投入,相对农户管理减少44～68%、62%和88%,平均增收约为1387～1424￥ha-1;相对区域优化分别减少24～56%、48%和93%;平均增收分别约为834～871￥ha-1。
二、The Red Edge Parameters Diversification Disciplinarian and Their Application in Winter Wheat（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、The Red Edge Parameters Diversification Disciplinarian and Their Application in Winter Wheat（论文提纲范文）
（1）关中地区冬小麦叶绿素含量遥感反演研究（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 无人机遥感研究进展 |
| 1.3 卫星遥感研究进展 |
| 1.4 作物叶绿素遥感监测 |
| 1.4.1 作物叶绿素遥感监测依据 |
| 1.4.2 光谱指数方法 |
| 1.4.3 高光谱数据降维 |
| 1.5 研究内容 |
| 第二章 材料与方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 田间观测和遥感成像 |
| 2.3.1 冬小麦叶绿素含量测定 |
| 2.3.2 无人机影像获取 |
| 2.3.3 卫星影像获取 |
| 2.4 数据处理与分析 |
| 2.4.1 影像处理 |
| 2.4.2 光谱指数选取 |
| 2.4.3 高光谱数据特征波段选取 |
| 2.5 模型建立与评价 |
| 2.5.1 一元线性回归 |
| 2.5.2 多元线性逐步回归 |
| 2.5.3 偏最小二乘回归 |
| 2.5.4 模型精度评价 |
| 2.6 技术路线 |
| 第三章 无人机RGB影像冬小麦叶绿素含量反演 |
| 3.1 前言 |
| 3.2 可见光光谱指数相关性分析 |
| 3.3 一元线性模型构建 |
| 3.3.1 一元线性模型建立 |
| 3.3.2 一元线性模型精度验证 |
| 3.4 多元模型构建 |
| 3.4.1 多元回归模型建立 |
| 3.4.2 多元回归模型验证 |
| 3.5 基于最优模型的冬小麦叶绿素含量反演 |
| 3.6 讨论与结论 |
| 3.6.1 讨论 |
| 3.6.2 结论 |
| 第四章 无人机高光谱影像冬小麦叶绿素含量反演 |
| 4.1 前言 |
| 4.2 冬小麦冠层高光谱特征 |
| 4.3 基于SPA的特征波段选取与窄波段光谱指数 |
| 4.3.1 .基于SPA的特征波段选取 |
| 4.3.2 .窄波段光谱指数 |
| 4.4 叶绿素含量反演模型构建 |
| 4.4.1 基于特征波段的反演模型构建 |
| 4.4.2 基于光谱指数的反演模型构建 |
| 4.4.2.1 一元线性回归模型 |
| 4.4.2.2 多元回归模型 |
| 4.4.3 基于特征波段+光谱指数组合模型构建 |
| 4.5 区域冬小麦叶绿素含量反演制图 |
| 4.6 讨论与结论 |
| 4.6.1 讨论 |
| 4.6.2 结论 |
| 第五章 Sentinel-2 多光谱影像冬小麦叶绿素含量反演 |
| 5.1 前言 |
| 5.2 Sentinel-2A影像的光谱特征 |
| 5.3 单波段影像和植被指数与冬小麦叶绿素的相关性 |
| 5.4 Sentinel-2A影像冬小麦叶绿素反演模型构建 |
| 5.4.1 一元线性回归模型构建 |
| 5.4.2 多元回归模型构建 |
| 5.4.2.1 基于敏感波段的叶绿素含量反演模型 |
| 5.4.2.2 基于植被指数的叶绿素含量反演模型 |
| 5.4.2.3 基于波段和植被指数组合的叶绿素含量反演模型 |
| 5.5 基于最优模型的冬小麦叶绿素含量反演制图 |
| 5.6 讨论与结论 |
| 5.6.1 讨论 |
| 5.6.2 结论 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 主要进展 |
| 6.3 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）基于叶片反射光谱特征的铀及伴生重金属含量反演（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 放射性及重金属污染的概念与危害 |
| 1.1.1 放射性及重金属污染的概念 |
| 1.1.2 放射性及重金属污染的危害 |
| 1.2 植物重金属含量与土壤重金属含量的关系 |
| 1.3 遥感探测土壤和植物重金属污染的理论基础 |
| 1.4 国内外研究现状 |
| 1.5 研究内容与思路 |
| 1.5.1 前期研究基础 |
| 1.5.2 本论文的主要研究内容与思路 |
| 1.6 创新性与意义 |
| 1.6.1 本论文提出和诠释的关键科学问题 |
| 1.6.2 创新性及意义 |
| 2 材料与方法 |
| 2.1 实验材料 |
| 2.2 实验方法与数据采集 |
| 2.3 重金属富集与耐性特征评价指标 |
| 2.3.1 富集特征评价指标 |
| 2.3.2 耐性特征评价指标 |
| 2.4 光谱数据采集与预处理 |
| 2.4.1 实测光谱求均值与内插 |
| 2.4.2 光谱去噪 |
| 2.4.3 包络线去除 |
| 2.5 叶片光谱特征参数 |
| 2.5.1 形状参数 |
| 2.5.2 比值参数 |
| 2.5.3 归一化参数 |
| 2.6 统计方法反演建模概述 |
| 2.7 常用植被指数概述 |
| 2.7.1 比值型植被指数 |
| 2.7.2 归一型植被指数 |
| 2.7.3 其他型植被指数 |
| 2.8 PROSPECT模型概述 |
| 3 实验植物铀及伴生重金属富集与耐性特征 |
| 3.1 湘苎7 号的铀及伴生重金属富集与耐性特征 |
| 3.1.1 湘苎7 号的铀富集与耐性特征 |
| 3.1.2 湘苎7 号的镉富集与耐性特征 |
| 3.1.3 湘苎7 号的铅富集与耐性特征 |
| 3.2 印度芥菜的铀富集与耐性特征 |
| 3.3 酸模的铀及伴生重金属富集与耐性特征 |
| 3.3.1 酸模的铀富集与耐性特征 |
| 3.3.2 酸模的铅富集与耐性特征 |
| 3.4 油菜的铀及伴生重金属富集与耐性特征 |
| 3.4.1 油菜的铀富集与耐性特征 |
| 3.4.2 油菜的镉富集与耐性特征 |
| 3.4.3 油菜的铅富集与耐性特征 |
| 3.5 玉米的铀及伴生重金属富集与耐性特征 |
| 3.5.1 玉米的铀富集与耐性特征 |
| 3.5.2 玉米的镉富集与耐性特征 |
| 3.5.3 玉米的铅富集与耐性特征 |
| 3.6 讨论 |
| 3.7 本章小结 |
| 4 铀及伴生重金属污染植物叶片反射光谱特征 |
| 4.1 铀及伴生重金属污染下实验植物叶片反射光谱宏观变异情况 |
| 4.1.1 光谱角 |
| 4.1.2 铀及伴生重金属污染下湘苎7 号的光谱角变异 |
| 4.1.3 铀污染下印度芥菜的光谱角变异 |
| 4.1.4 铀及伴生重金属污染下酸模的光谱角变异 |
| 4.1.5 铀及伴生重金属污染下油菜的光谱角变异 |
| 4.1.6 铀及伴生重金属污染下玉米的光谱角变异 |
| 4.2 实验植物光谱对铀及伴生重金属污染敏感的波长 |
| 4.2.1 湘苎7 号光谱对铀及伴生重金属污染敏感的波长 |
| 4.2.2 印度芥菜光谱对铀污染敏感的波长 |
| 4.2.3 酸模光谱对铀及伴生重金属污染敏感的波长 |
| 4.2.4 油菜光谱对铀及伴生重金属污染敏感的波长 |
| 4.2.5 玉米光谱对铀及伴生重金属污染敏感的波长 |
| 4.3 与实验植物叶片铀及伴生重金属含量显着强相关的光谱特征参数 |
| 4.3.1 与湘苎7 号叶片铀及伴生重金属含量显着强相关的光谱特征参数 |
| 4.3.2 与印度芥菜叶片铀含量显着强相关的光谱特征参数 |
| 4.3.3 与酸模叶片铀及伴生重金属含量显着强相关的光谱特征参数 |
| 4.3.4 与油菜叶片铀及伴生重金属含量显着强相关的光谱特征参数 |
| 4.3.5 与玉米叶片铀及伴生重金属含量显着强相关的光谱特征参数 |
| 4.4 讨论 |
| 4.4.1 实验植物敏感波长综合分析 |
| 4.4.2 铀及伴生重金属污染植物叶片光谱特征参数综合分析 |
| 4.5 本章小结 |
| 5 土壤铀及伴生重金属含量反演 |
| 5.1 基于光谱角变异的土壤铀及伴生重金属含量反演 |
| 5.2 土壤与叶片铀及伴生重金属含量的回归模型 |
| 5.3 讨论 |
| 5.4 本章小结 |
| 6 统计方法反演植物叶片铀及伴生重金属含量 |
| 6.1 基于敏感波长的叶片铀及伴生重金属反演模型 |
| 6.1.1 基于敏感波长的湘苎7 号叶片铀及伴生重金属反演模型 |
| 6.1.2 基于敏感波长的印度芥菜叶片铀反演模型 |
| 6.1.3 基于敏感波长的酸模叶片铀及伴生重金属反演模型 |
| 6.1.4 基于敏感波长的油菜叶片铀及伴生重金属反演模型 |
| 6.1.5 基于敏感波长的玉米叶片铀及伴生重金属反演模型 |
| 6.2 基于光谱参数的叶片重金属反演模型 |
| 6.2.1 基于光谱参数的湘苎7 号叶片重金属反演模型 |
| 6.2.2 基于光谱参数的印度芥菜叶片重金属反演模型 |
| 6.2.3 基于光谱参数的酸模叶片重金属反演模型 |
| 6.2.4 基于光谱参数的油菜叶片重金属反演模型 |
| 6.2.5 基于光谱参数的玉米叶片重金属反演模型 |
| 6.3 讨论 |
| 6.3.1 基于敏感波长的叶片重金属反演总结 |
| 6.3.2 基于光谱参数的叶片重金属反演总结 |
| 6.4 本章小结 |
| 7 植被指数方法反演植物叶片铀及伴生重金属含量 |
| 7.1 植被指数的选择与参数确定 |
| 7.1.1 本文使用的比值型植被指数 |
| 7.1.2 本文使用的归一型植被指数 |
| 7.1.3 本文使用的其他型植被指数 |
| 7.2 植被指数反演叶片铀及伴生重金属模型建立 |
| 7.2.1 植被指数反演湘苎7 号叶片铀及伴生重金属含量 |
| 7.2.2 植被指数反演印度芥菜叶片铀含量 |
| 7.2.3 植被指数反演酸模叶片铀及伴生重金属含量 |
| 7.2.4 植被指数反演油菜叶片铀及伴生重金属含量 |
| 7.2.5 植被指数反演玉米叶片铀及伴生重金属含量 |
| 7.3 讨论 |
| 7.4 本章小结 |
| 8 物理模型反演植物叶片铀及伴生重金属含量 |
| 8.1 PROSPECT模型叶片结构参数N的确定 |
| 8.2 叶片铀及伴生重金属含量与叶片解剖结构参数的相关性分析 |
| 8.3 由叶片解剖结构参数计算叶片结构参数 |
| 8.4 利用叶片结构参数反演叶片重金属含量 |
| 8.5 讨论 |
| 8.6 本章小结 |
| 9 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（3）基于高光谱遥感的小麦资源利用效率研究（论文提纲范文）
| 致谢 |
| 摘要 |
| 中英文缩写对照 |
| 第一章 绪论 |
| 1 研究背景 |
| 1.1 我国小麦生产现状 |
| 1.2 高光谱遥感在农业生产中的应用 |
| 1.2.1 作物生长监测的应用 |
| 1.2.2 作物生理生化参量的反演 |
| 1.3 作物生长效率指标的监测 |
| 1.3.1 氮肥利用效率 |
| 1.3.2 光能利用率 |
| 1.3.3 水分利用效率 |
| 1.4 光谱数据采集方式 |
| 2 选题的目的与意义 |
| 第二章 技术路线与研究方法 |
| 1 研究思路与技术路线 |
| 2 材料与方法 |
| 2.1 试验设计 |
| 2.2 测定项目及方法 |
| 2.2.1 光谱数据的测定 |
| 2.2.2 净光合速率和蒸腾速率的测定 |
| 2.2.3 叶面积指数的测定 |
| 2.2.4 生物量和氮含量的测定 |
| 2.2.5 产量的测定 |
| 2.2.6 光合有效辐射的测定 |
| 2.2.7 色素含量的测定 |
| 2.3 数据处理与统计分析 |
| 2.3.1 光谱数据的处理 |
| 2.3.2 植被指数 |
| 2.3.3 多变量数据分析 |
| 2.3.4 回归分析 |
| 第三章 基于高光谱遥感的小麦氮肥利用效率研究 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 生物量和氮含量测定 |
| 1.2.5 产量的测定 |
| 1.3 数据分析与利用 |
| 1.4 参数构建 |
| 2 结果与分析 |
| 2.1 PNUE的变化趋势以及PNUE和NUE之间的定量关系 |
| 2.2 PNUE与所选参数之间关系的比较 |
| 2.3 PNUE与SR(760,850)和mSR(760,850,680)之间的定量关系 |
| 2.4 生殖生长期叶面积指数对PNUE和mSR(760,850,680)之间关系的影响 |
| 2.5 PNUE与新参数之间的关系 |
| 2.6 试验条件对PNUE和新参数之间关系的影响 |
| 2.7 PNUE与NEI之间关系的检验 |
| 3 讨论 |
| 4 结论 |
| 第四章 基于高光谱遥感的小麦光能利用效率研究 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 生物量和氮含量测定 |
| 1.2.5 产量的测定 |
| 1.2.6 光合有效辐射的测定 |
| 1.3 数据分析与利用 |
| 1.4 参数构建 |
| 2 结果分析 |
| 2.1 作物参数变化 |
| 2.2 PRI、RUE和LAI的变化趋势 |
| 2.3 PRI和RUE之间的关系分析 |
| 2.4 Car/Chl指示因子SR的计算 |
| 2.5 不同氮水平和灌水量对RUE与((1+SR)~*R_(531)-R_(570))/(R_(531)+R_(570))和(R_(531)-(1-SR)*R_(570))/(R_(531)+R_(570))关系的影响 |
| 2.6 不同观测角度下常规植被指数与RUE之间的关系 |
| 2.7 不同参数估算RUE时适宜角度宽 |
| 3 讨论 |
| 4 结论 |
| 第五章 基于高光谱遥感的小麦水分利用效率研究 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率和蒸腾速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 氮含量测定 |
| 1.3 数据分析与利用 |
| 2 结果分析 |
| 2.1 叶片氮含量和含水量与WUE之间的关系 |
| 2.2 垂直观测角度下常规光谱参数与WUE之间的关系 |
| 2.3 光谱参数与WUE之间的关系在不同观测角度下的表现 |
| 2.4 不同角度范围条件下新光谱参数与WUE之间的关系 |
| 2.5 估算模型的测试与检验 |
| 3 讨论 |
| 4 结论 |
| 第六章 基于遥感估算小麦效率指标的建模方法比较 |
| 1 材料方法 |
| 1.1 试验设计 |
| 1.2 指标测定 |
| 1.2.1 冠层光谱的测定 |
| 1.2.2 净光合速率和蒸腾速率的测定 |
| 1.2.3 叶面积指数的测定 |
| 1.2.4 氮含量测定 |
| 1.3 数据分析与利用 |
| 2 结果分析 |
| 2.1 光谱数据与NUE、RUE和WUE之间关系的常规分析 |
| 2.2 基于PLSR的NUE、RUE和WUE估算 |
| 2.3 基于SVM的NUE、RUE和WUE估算 |
| 2.4 利用BPNN进行NUE、RUE和WUE估算 |
| 3 讨论 |
| 4 结论 |
| 第七章 讨论与结论 |
| 1 讨论 |
| 1.1 高光谱遥感信息的采集方式 |
| 1.2 高光谱遥感信息的提取与利用 |
| 1.2.1 光谱参数的构建方法 |
| 1.2.2 遥感建模的多变量分析方法 |
| 1.3 高光谱遥感技术在农业生产中应用 |
| 2 结论 |
| 3 创新之处 |
| 4 研究展望 |
| 参考文献 |
| ABSTRACT |
| 硕博连读期间发表学术论文 |
| 项目资助 |
（4）基于高光谱数据的稀土矿区复垦植被叶片叶绿素含量估算研究（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 植被高光谱技术研究进展 |
| 1.2.2 矿山植被与高光谱遥感监测 |
| 1.2.3 植被叶绿素含量估算方法进展 |
| 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 材料与方法 |
| 2.1 研究区概况 |
| 2.2 复垦植被高光谱数据及叶绿素含量采集 |
| 2.2.1 高光谱数据获取 |
| 2.2.2 叶绿素含量测定 |
| 2.3 复垦植被高光谱数据处理 |
| 2.3.1 光谱数据预处理 |
| 2.3.2 光谱数据导数变换 |
| 2.3.3 光谱数据去包络线变换 |
| 2.3.4 全波段的植被指数提取 |
| 2.4 复垦植被高光谱估算方法 |
| 2.4.1 偏最小二乘法 |
| 2.4.2 BP神经网络法 |
| 2.4.3 SAE(Stack Auto Encoder)神经网络法 |
| 2.4.4 估算方法检验 |
| 第三章 植被的光谱对照分析 |
| 3.1 基于原始光谱的植被光谱特征对照分析 |
| 3.2 基于导数光谱的植被光谱特征对照分析 |
| 3.3 基于去包络线光谱的植被光谱特征对照分析 |
| 3.4 分析与讨论 |
| 第四章 复垦植被光谱参数提取 |
| 4.1 油桐敏感光谱参数提取 |
| 4.2 竹柳敏感光谱参数提取 |
| 4.3 红叶石楠敏感光谱参数提取 |
| 4.4 分析与讨论 |
| 第五章 复垦植被叶绿素含量高光谱估算 |
| 5.1 偏最小二乘法叶绿素含量估算 |
| 5.2 BP神经网络法叶绿素含量估算 |
| 5.3 SAE神经网络法叶绿素含量估算 |
| 5.4 模型估算精度对比分析 |
| 5.5 分析与讨论 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（5）基于多源遥感数据的玉米倒伏灾情监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.3 研究目标、研究内容与技术路线 |
| 1.4 论文章节安排 |
| 2 研究区概况、试验设计和数据获取 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 倒伏玉米关键群体生理指标与光谱数据获取 |
| 2.4 野外调查观测指标 |
| 2.5 GF-1影像数据获取与处理 |
| 2.6 模型构建及精度评价 |
| 2.7 本章小结 |
| 3 倒伏胁迫下玉米群体生理指标高光谱诊断研究 |
| 3.1 倒伏玉米冠层光谱反射率特征分析 |
| 3.2 倒伏玉米群体生理指标动态变化分析 |
| 3.3 数据分析方法 |
| 3.4 基于原始光谱的倒伏玉米群体生理指标模型构建与验证 |
| 3.5 基于光谱微分变换的倒伏玉米群体生理指标模型构建与验证 |
| 3.6 基于最佳指数法的倒伏玉米群体生理指标模型构建与验证 |
| 3.7 基于植被指数的倒伏玉米群体生理指标模型构建与验证 |
| 3.8 基于组合特征的倒伏玉米群体生理指标模型构建与验证 |
| 3.9 本章小结 |
| 4 区域尺度玉米倒伏灾情遥感监测研究 |
| 4.1 数据准备 |
| 4.2 技术流程与路线 |
| 4.3 倒伏灾情指标构建与等级划分 |
| 4.4 数据分析方法 |
| 4.5 玉米倒伏灾情监测方法 |
| 4.6 本章小结 |
| 5 结论和展望 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 存在的问题及展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（6）基于无人机遥感的春玉米多光谱响应及氮素营养参数反演（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 基于遥感技术的氮素营养诊断研究进展 |
| 1.2.1 遥感氮素营养诊断原理 |
| 1.2.2 不同遥感平台反演作物生理参数研究现状 |
| 1.3 多光谱遥感监测技术研究现状 |
| 1.4 问题的提出 |
| 1.5 研究内容及技术路线 |
| 1.6 论文组织框架 |
| 2 数据获取与研究方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 多光谱遥感数据获取 |
| 2.3.1 无人机与传感器 |
| 2.3.2 无人机多光遥感谱影像获取 |
| 2.3.3 无人机多光谱遥感影像处理 |
| 2.4 地面取样与农学参数测定 |
| 2.5 数据分析方法 |
| 2.5.1 传统经验回归 |
| 2.5.2 多元逐步线性回归 |
| 2.5.3 机器学习 |
| 2.6 模型检验方法 |
| 3 春玉米农学参数描述与光谱响应特征 |
| 3.1 春玉米农学参数的描述性统计 |
| 3.2 施氮量与种植密度对春玉米农学参数的影响 |
| 3.2.1 施氮量与种植密度对春玉米地上部生物量的影响 |
| 3.2.2 施氮量与种植密度对春玉米氮浓度的影响 |
| 3.2.3 施氮量与种植密度对春玉米吸氮量的影响 |
| 3.2.4 施氮量与种植密度对春玉米氮营养指数的影响 |
| 3.3 在不同生育期、氮水平、种植密度下春玉米的多光谱响应 |
| 3.3.1 不同生育期的春玉米多光谱响应 |
| 3.3.2 不同密度的春玉米多光谱响应 |
| 3.3.3 不同氮水平的春玉米多光谱响应 |
| 3.4 春玉米农学参数相关性分析 |
| 3.4.1 施氮量、种植密度及两者互作与春玉米农学参数相关性分析 |
| 3.4.2 各生育期多光谱冠层反射率与春玉米农学参数相关性分析 |
| 3.5 多光谱无人机遥感氮素诊断 |
| 3.6 本章小结 |
| 4 春玉米氮营养参数反演研究 |
| 4.1 基于传统经验回归模型的玉米氮营养参数反演研究 |
| 4.2 基于多元逐步线性回归的玉米氮营养参数反演研究 |
| 4.3 基于机器学习算法的玉米氮营养参数反演研究 |
| 4.4 对比分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 主要结论 |
| 5.2 存在的问题与展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（7）基于激光雷达与多光谱数据的高粱LAI反演模型（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究动态 |
| 1.3.1 LAI的定量遥感方法 |
| 1.3.2 基于无人机遥感平台反演LAI的方法 |
| 1.3.3 多源数据融合的LAI遥感反演法 |
| 1.4 研究内容 |
| 1.5 研究方法 |
| 1.6 研究重难点与创新点 |
| 1.6.1 研究重点 |
| 1.6.2 研究难点 |
| 1.6.3 研究创新点 |
| 1.7 技术路线 |
| 2 理论基础与概念界定 |
| 2.1 概念界定 |
| 2.1.1 叶面积指数 |
| 2.1.2 遥感反演 |
| 2.2 理论基础 |
| 2.2.1 电磁波理论 |
| 2.2.2 雷达成像原理 |
| 3 研究区况与数据处理 |
| 3.1 研究区概况 |
| 3.1.1 区位概况 |
| 3.1.2 自然地理概况 |
| 3.1.3 农业生产情况 |
| 3.2 飞行平台及相关技术介绍 |
| 3.2.1 多光谱传感器及其飞行平台 |
| 3.2.2 激光雷达传感器及其飞行平台 |
| 3.3 数据获取与处理 |
| 3.3.1 样地实测LAI数据的采集与处理 |
| 3.3.2 激光雷达点云数据获取与处理 |
| 3.3.3 无人机多光谱影像的获取与处理 |
| 4 基于激光雷达数据的LAI反演模型 |
| 4.1 激光雷达数反演参数提取 |
| 4.1.1 机载激光雷达CHM模型建立 |
| 4.1.2 机载激光雷达冠层参数提取 |
| 4.2 基于机载激光雷达的高粱LAI模型 |
| 4.3 小结 |
| 5 基于多光谱数据的LAI反演模型 |
| 5.1 植被指数选取 |
| 5.2 基于植被指数高粱LAI模型 |
| 5.3 小结 |
| 6 基于多源数据的LAI反演模型 |
| 6.1 多源数据相关反演参数的选取 |
| 6.2 基于多源数据的高粱 LAI 反演模型 |
| 6.3 精度评价 |
| 6.4 小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 不足与展望 |
| 致谢 |
| 参考文献 |
（8）基于无人机遥感的高潜水位煤矿区沉陷耕地信息提取方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外相关研究进展 |
| 1.3.1 无人机技术研究进展 |
| 1.3.2 无人机遥感在矿区研究进展 |
| 1.3.3 高潜水位煤矿区沉陷耕地研究进展 |
| 1.3.4 无人机遥感在农作物表型方面研究进展 |
| 1.3.5 存在的问题与不足 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 研究区概况与数据处理 |
| 2.1 研究区概况 |
| 2.1.1 位置和范围 |
| 2.1.2 自然条件 |
| 2.1.3 采煤沉陷地现状 |
| 2.2 数据来源与处理 |
| 2.2.1 无人机影像获取与预处理 |
| 2.2.2 冬小麦叶片SPAD值测定 |
| 2.2.3 冬小麦株高测量 |
| 3 基于最优尺度的沉陷耕地提取方法 |
| 3.1 影像分割 |
| 3.1.1 影像分割算法 |
| 3.1.2 影像分割尺度 |
| 3.2 提取方法 |
| 3.2.1 面向对象提取 |
| 3.2.2 可见光植被指数提取 |
| 3.2.3 色彩与纹理特征提取 |
| 3.3 结果与分析 |
| 3.3.1 植被指数提取与精度评价 |
| 3.3.2 不同提取方法精度比较 |
| 3.3.3 验证区方法验证 |
| 3.4 讨论与结论 |
| 3.4.1 讨论 |
| 3.4.2 结论 |
| 4 基于分层分类的沉陷耕地提取方法 |
| 4.1 分层分类提取概述 |
| 4.1.1 分层分类提取思想 |
| 4.1.2 分层分类提取特点 |
| 4.2 分层分类提取 |
| 4.2.1 饱和度拉伸 |
| 4.2.2 特征统计分析 |
| 4.2.3 提取规则建立 |
| 4.2.4 提取流程 |
| 4.3 结果与分析 |
| 4.3.1 提取结果 |
| 4.3.2 精度评定 |
| 4.3.3 方法验证 |
| 4.4 讨论与结论 |
| 4.4.1 讨论 |
| 4.4.2 结论 |
| 5 基于冬小麦长势的沉陷耕地提取方法 |
| 5.1 基于冬小麦叶绿素的耕地反演提取 |
| 5.1.1 研究方法 |
| 5.1.2 结果与分析 |
| 5.1.3 讨论与结论 |
| 5.2 基于冬小麦株高的耕地反演提取 |
| 5.2.1 研究方法 |
| 5.2.2 结果与分析 |
| 5.2.3 讨论与结论 |
| 6 沉陷耕地信息提取方法比较与分析 |
| 6.1 提取方法比较 |
| 6.2 提取结果比较 |
| 6.3 沉陷耕地损毁程度划分 |
| 7 结论与展望 |
| 7.1 主要研究结论 |
| 7.2 创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间研究成果 |
（9）利用无人机遥感的矿区复垦耕地的作物生物量精细化评价（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 矿区复垦研究现状 |
| 1.2.2 矿区复垦监测研究进展 |
| 1.2.3 复垦有关的作物指标无人机遥感估算研究进展 |
| 1.2.4 国内外研究现状评述 |
| 1.3 主要内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 2 实验设计与数据预处理 |
| 2.1 试验田简介 |
| 2.1.1 研究区概况 |
| 2.1.2 试验田概况 |
| 2.2 遥感数据 |
| 2.2.1 轻小型无人机系统的介绍 |
| 2.2.2 遥感数据采集 |
| 2.2.3 地面控制点的布设与测量 |
| 2.3 田间调查数据 |
| 2.3.1 作物高度测量 |
| 2.3.2 作物生物量采集 |
| 2.3.3 作物单产测定 |
| 2.3.4 土壤数据 |
| 2.4 气象数据 |
| 2.5 无人机图像的预处理 |
| 2.5.1 试验田的无人机图像预处理 |
| 2.5.2 辅助研究区的无人机图像预处理 |
| 2.6 本章小结 |
| 3 耕地条带田块的自动提取 |
| 3.1 耕地条带田块自动提取的可行性 |
| 3.1.1 耕地条带田块的特征 |
| 3.1.2 耕地条带田块的自动提取流程 |
| 3.2 耕地田埂线的自动检测 |
| 3.2.1 地表粗糙度的二值化 |
| 3.2.2 候选田埂线的过滤 |
| 3.2.3 候选田埂线的清理 |
| 3.2.4 候选田埂线的平滑 |
| 3.3 耕地条带田面的自动制图 |
| 3.3.1 田埂线上点的检测 |
| 3.3.2 田埂线上点的标记 |
| 3.3.3 田埂线上点的改善 |
| 3.3.4 田埂线与田块面的制图 |
| 3.4 耕地条带田块自动制图的精度验证 |
| 3.4.1 耕地田埂线的精度验证 |
| 3.4.2 耕地条带田块的精度验证 |
| 3.5 耕地条带田块自动提取的影响因素讨论 |
| 3.5.1 田埂线点集质量改善的效果 |
| 3.5.2 空间分辨率对自动提取精度的影响 |
| 3.5.3 数据采集对自动提取的影响 |
| 3.6 自动提取方法的应用 |
| 3.7 本章小结 |
| 4 基于无人机多光谱图像的作物冠层高度模型构建 |
| 4.1 基于运动恢复结构与多视图立体视觉的冠层表面模型构建 |
| 4.1.1 摄影测量学与计算机视觉的异同 |
| 4.1.2 冠层高度模型的三维重建过程 |
| 4.2 作物冠层高度模型的构建 |
| 4.2.1 密集点云的滤波 |
| 4.2.2 冠层高度模型的初步生成 |
| 4.2.3 植被掩膜的生成 |
| 4.2.4 植被掩膜的作物冠层高度模型 |
| 4.3 作物冠层高度模型的验证 |
| 4.3.1 剔除冠层孔隙的株高提取阈值确定 |
| 4.3.2 作物冠层高度提取的验证 |
| 4.3.3 作物冠层高度模型的讨论 |
| 4.4 本章小结 |
| 5 多特征融合的作物生物量估算 |
| 5.1 多特征融合参量的构建 |
| 5.1.1 植被指数的准备 |
| 5.1.2 冠层体积模型的计算 |
| 5.1.3 气象因子的确定 |
| 5.1.4 多特征融合参量的提出 |
| 5.2 小麦生物量的估算 |
| 5.2.1 小麦植被指数的筛选 |
| 5.2.2 小麦多特征融合参量的确定 |
| 5.2.3 小麦生物量估算的建模和验证 |
| 5.2.4 小麦生物量的估算结果 |
| 5.3 玉米生物量的估算 |
| 5.3.1 玉米特征融合的确定 |
| 5.3.2 玉米生物量估算的建模和验证 |
| 5.3.3 玉米生物量估算的结果 |
| 5.4 生物量估算结果的讨论 |
| 5.4.1 不同自变量的估算精度比较 |
| 5.4.2 逐像素累积方法的优势 |
| 5.4.3 样方估算的生物量与实测产量的比较 |
| 5.5 本章小结 |
| 6 复垦耕地作物生物量的时空变化特征与评价 |
| 6.1 作物生物量分级的时空变化 |
| 6.1.1 作物生物量的分级标准 |
| 6.1.2 作物生物量分级的时空变化 |
| 6.2 作物生物量空间聚集的时空特征 |
| 6.2.1 空间自相关分析方法 |
| 6.2.2 作物生物量的全局聚集特征 |
| 6.2.3 作物生物量的局部聚集特征 |
| 6.3 作物生物量的评价与结果讨论 |
| 6.3.1 作物生物量的评价 |
| 6.3.2 评价结果的讨论 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于无人机遥感的华北平原冬小麦氮营养诊断与精准养分调控（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 基于RS和GIS技术的精准作物管理研究进展 |
| 1.2.1 基于RS的作物氮营养诊断及精准管理 |
| 1.2.2 基于GIS的作物精准养分管理 |
| 1.3 科学问题的提出 |
| 1.4 研究内容 |
| 1.5 研究思路及技术路线 |
| 2 研究区概况与试验设计 |
| 2.1 研究区概况 |
| 2.2 氮梯度校准小区 |
| 2.3 遥感影像处理 |
| 2.3.1 无人机与传感器 |
| 2.3.2 无人机遥感影像获取 |
| 2.3.3 多光谱遥感影像处理 |
| 2.4 遥感影像质量评价 |
| 2.4.1 影像重叠度 |
| 2.4.2 航线弯曲度和航高差 |
| 2.4.3 影像几何校正处理 |
| 2.5 植物样品采集 |
| 2.5.1 小区取样 |
| 2.5.2 村域取样 |
| 2.6 土壤样品采集 |
| 2.7 土壤数据空间分析方法 |
| 2.8 氮营养诊断与精准管理评估方法 |
| 2.8.1 氮营养诊断评估方法 |
| 2.8.2 精准氮素管理评估方法 |
| 2.8.3 村级尺度精准养分管理评估方法 |
| 2.9 统计分析 |
| 3 基于无人机遥感的冬小麦氮营养实时诊断 |
| 3.1 临界氮稀释曲线的建立与评估 |
| 3.2 不同氮营养诊断策略 |
| 3.3 田块尺度冬小麦氮营养诊断评估 |
| 3.3.1 冬小麦氮营养指标的变异 |
| 3.3.2 机理性策略估测氮营养指数 |
| 3.3.3 半经验性策略估测氮营养指数 |
| 3.3.4 田块尺度氮营养诊断策略比较 |
| 3.4 村级尺度冬小麦氮营养诊断评估 |
| 3.4.1 冬小麦氮营养指标的变异 |
| 3.4.2 机理性策略估测氮营养指数 |
| 3.4.3 半经验性策略估测氮营养指数 |
| 3.4.4 村级尺度氮营养诊断策略比较 |
| 3.5 讨论 |
| 3.5.1 田块尺度冬小麦氮营养诊断 |
| 3.5.2 村级尺度冬小麦氮营养诊断 |
| 3.6 小结 |
| 4 基于无人机遥感的冬小麦精准氮素管理 |
| 4.1 无人机遥感精准氮素管理策略 |
| 4.1.1 田块尺度氮素管理策略 |
| 4.1.2 村级尺度氮素管理策略 |
| 4.2 田块尺度冬小麦精准氮素管理 |
| 4.2.1 产量氮肥效应方程及经济最优施氮量 |
| 4.2.2 最优植被指数估测产量潜力 |
| 4.2.3 归一化植被指数估测产量潜力 |
| 4.2.4 田块尺度氮肥管理策略评估 |
| 4.3 村级尺度冬小麦精准氮素管理 |
| 4.3.1 实时估测产量潜力 |
| 4.3.2 氮肥效应方程及经济最优施氮量 |
| 4.3.3 不同氮肥管理策略比较 |
| 4.3.4 村级尺度精准氮肥管理评估 |
| 4.4 讨论 |
| 4.4.1 田块尺度冬小麦精准氮素管理 |
| 4.4.2 村级尺度冬小麦精准氮素管理 |
| 4.5 小结 |
| 5 基于GIS与RS的村级尺度土壤空间变异与精准养分管理 |
| 5.1 基于GIS的村级尺度土壤空间变异 |
| 5.1.1 描述统计分析结果 |
| 5.1.2 土壤理化性质的半方差函数分析 |
| 5.1.3 土壤理化性质空间分布状况 |
| 5.2 村级尺度冬小麦精准养分管理策略 |
| 5.3 村级尺度冬小麦精准磷、钾管理评估 |
| 5.4 村级尺度冬小麦精准养分管理评估 |
| 5.5 讨论 |
| 5.6 小结 |
| 6 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 研究创新 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
四、The Red Edge Parameters Diversification Disciplinarian and Their Application in Winter Wheat（论文参考文献）
- [1]关中地区冬小麦叶绿素含量遥感反演研究[D]. 史博太. 西北农林科技大学, 2021(01)
- [2]基于叶片反射光谱特征的铀及伴生重金属含量反演[D]. 王卫红. 西南科技大学, 2020(09)
- [3]基于高光谱遥感的小麦资源利用效率研究[D]. 张海艳. 河南农业大学, 2020
- [4]基于高光谱数据的稀土矿区复垦植被叶片叶绿素含量估算研究[D]. 魏志安. 江西理工大学, 2020(01)
- [5]基于多源遥感数据的玉米倒伏灾情监测研究[D]. 周龙飞. 山东科技大学, 2020(06)
- [6]基于无人机遥感的春玉米多光谱响应及氮素营养参数反演[D]. 蒋贵印. 河南理工大学, 2020(01)
- [7]基于激光雷达与多光谱数据的高粱LAI反演模型[D]. 叶榕榕. 东北农业大学, 2020(04)
- [8]基于无人机遥感的高潜水位煤矿区沉陷耕地信息提取方法[D]. 胡晓. 山东农业大学, 2020(08)
- [9]利用无人机遥感的矿区复垦耕地的作物生物量精细化评价[D]. 张建勇. 中国矿业大学(北京), 2020
- [10]基于无人机遥感的华北平原冬小麦氮营养诊断与精准养分调控[D]. 陈志超. 河南理工大学, 2019(04)