遙感以其快速、簡便、宏觀、無損及客觀等優(yōu)點越來越多地應用于農業(yè)生產各個環(huán)節(jié)。農業(yè)遙感應用主要借助空間遙感技術開展長勢、產量、災害等方面的監(jiān)測,其中長勢監(jiān)測主要包括作物長勢參量的反演、作物長勢狀況的分級評估等方面。目前,大多數(shù)研究者利用單一長勢參量進行作物長勢監(jiān)測,而單一長勢參量不能全面反映作物的真實生長狀況。本文利用多源遙感數(shù)據開展冬小麥長勢監(jiān)測研究,主要內容及結果如下:（1）針對長勢參量的反演問題,利用地面高光譜數(shù)據和長勢參量實測數(shù)據,在對文獻中已有的典型植被指數(shù)、模型方法進行篩選的基礎上,建立了長勢參量最優(yōu)估算模型。結果表明,利用植被指數(shù)RVI、PRI、VOG1、NDVI705基于r-PLSR-AIC構建的冬小麥LAI估算模型效果最佳,可用于冬小麥LAI的精確反演:基于光譜指數(shù)RSI（R604,R496）構建的LNC估算模型的預測能力較好;利用植被指數(shù)REP、TCARI/OSAVI、GNDVI、NDCI、RI1dB、NDVI705、mNDVI705基于 r-MSR-Adj.R2構建的冬小麥 SPAD 估算模型效果最佳;利用植被指數(shù)RVI、NDVI、OSAVI、B470、R680,將... 

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 作物單一長勢參量遙感研究進展
        1.2.2 作物綜合長勢參量遙感研究進展
        1.2.3 多源遙感數(shù)據在作物長勢監(jiān)測上的研究進展
    1.3 研究目標、研究方案與技術路線
        1.3.1 研究目標
        1.3.2 研究方案
        1.3.3 技術路線
2 數(shù)據與方法
    2.1 研究區(qū)與實驗設計
    2.2 數(shù)據獲取
        2.2.1 冬小麥冠層高光譜數(shù)據獲取
        2.2.2 冬小麥無人機高光譜影像數(shù)據獲取
        2.2.3 冬小麥長勢參量測定
    2.3 數(shù)據分析方法
        2.3.1 光譜指數(shù)法
        2.3.2 偏最小二乘方法
        2.3.3 隨機森林法
        2.3.4 主成分分析法
    2.4 模型評價標準
        2.4.1 決定系數(shù)
        2.4.2 調整決定系數(shù)
        2.4.3 均方根誤差
        2.4.4 相對分析誤差
    2.5 本章小結
3 基于地面高光譜數(shù)據的作物長勢參量估算研究
    3.1 基于地面高光譜數(shù)據的LAI估算研究
        3.1.1 植被指數(shù)的選取
        3.1.2 植被指數(shù)與冬小麥LAI相關性分析
        3.1.3 基于偏最小二乘回歸的冬小麥LAI模型構建
        3.1.4 基于偏最小二乘回歸的冬小麥LAI最優(yōu)模型的驗證
    3.2 基于地面高光譜數(shù)據的LNC估算研究
        3.2.1 敏感波段的篩選
        3.2.2 基于光譜指數(shù)的冬小麥LNC模型構建及檢驗
        3.2.3 基于隨機森林法的冬小麥LNC模型構建及檢驗
    3.3 基于地面高光譜數(shù)據的SPAD估算研究
        3.3.1 植被指數(shù)的選取
        3.3.2 植被指數(shù)與冬小麥SPAD的相關性分析
        3.3.3 基于多元逐步回歸的冬小麥SPAD模型構建
        3.3.4 基于多元逐步回歸的冬小麥SPAD最優(yōu)模型驗證
    3.4 基于地面高光譜數(shù)據的AGB估算研究
        3.4.1 植被指數(shù)的選取
        3.4.2 植被指數(shù)與冬小麥AGB的相關性分析
        3.4.3 基于多元逐步回歸的冬小麥AGB模型構建
        3.4.4 基于多元逐步回歸的冬小麥AGB最優(yōu)模型驗證
    3.5 本章小結
4 基于綜合長勢指標的冬小麥長勢監(jiān)測
    4.1 冬小麥各長勢參量的時序變化規(guī)律
    4.2 基于均等權重構建的CGMI的長勢監(jiān)測
        4.2.1 基于均等權重的CGMI的構建
        4.2.2 長勢參量與光譜指數(shù)的相關性分析
        4.2.3 冬小麥長勢參量PLSR模型的構建及驗證
    4.3 基于PCA統(tǒng)計分析法構建CGMI的長勢監(jiān)測
        4.3.1 各長勢參量之間的相關性分析
        4.3.2 基于PCA統(tǒng)計分析法的CGMI的構建
        4.3.3 基于PCA方法構建的CGMI與光譜指數(shù)的相關性分析
        4.3.4 冬小麥CGMI的PLSR模型的構建及驗證
    4.4 本章小結
5 基于無人機高光譜影像的冬小麥綜合長勢監(jiān)測
    5.1 無人機UHD185高光譜數(shù)據有效性驗證
    5.2 基于無人機高光譜影像的CGMI估算
        5.2.1 光譜指數(shù)與CGMI的相關性分析
        5.2.2 基于PLSR的冬小麥CGMI模型構建及檢驗
        5.2.3 基于無人機高光譜影像的CGMI空間分布
    5.3 基于CGMI的冬小麥長勢分級評估
    5.4 本章小結
6 結論與展望
    6.1 主要工作和結論
    6.2 創(chuàng)新點
    6.3 不足與展望
致謝
參考文獻
攻讀碩士學位期間發(fā)表的論文、主要學術活動


【參考文獻】：
期刊論文
[1]夏玉米葉片全氮、葉綠素及葉面積指數(shù)的光譜響應研究[J]. 譚昌偉,王紀華,黃文江,劉良云,黃義德,趙春江.  西北植物學報. 2004(06)
[2]利用高光譜遙感圖像估算小麥氮含量[J]. 張霞,劉良云,趙春江,張兵.  遙感學報. 2003(03)
[3]玉米葉綠素含量的高光譜估算模型研究[J]. 宋開山,張柏,李方,段洪濤,王宗明.  作物學報. 2005(08)
[4]棉花葉綠素密度和葉片氮積累量的高光譜監(jiān)測研究[J]. 黃春燕,王登偉,閆潔,張煜星,曹連莆,程誠.  作物學報. 2007(06)
[5]基于TM影像的冬小麥苗期長勢與植株氮素遙感監(jiān)測研究[J]. 李衛(wèi)國,王紀華,趙春江,童慶禧,劉良云.  遙感信息. 2007(02)
[6]基于人工神經網絡的大豆葉面積高光譜反演研究[J]. 宋開山,張柏,王宗明,張淵智,劉煥軍.  中國農業(yè)科學. 2006(06)
[7]國家級作物長勢遙感監(jiān)測業(yè)務系統(tǒng)設計與實現(xiàn)[J]. 裴志遠,郭琳,汪慶發(fā).  農業(yè)工程學報. 2009(08)
[8]基于Hyperion影像的水稻冠層生化參量反演[J]. 陳君穎,田慶久,亓雪勇,劉曉臣,管仲.  遙感學報. 2009(06)
[9]基于數(shù)據分割與主成分分析的LAI遙感估算[J]. 董瑩瑩,王紀華,李存軍,楊貴軍,宋曉宇,顧曉鶴,黃文江.  紅外與毫米波學報. 2011(02)
[10]高光譜數(shù)據估測稻麥葉面積指數(shù)和葉綠素密度[J]. 楊峰,范亞民,李建龍,錢育蓉,王艷,張潔.  農業(yè)工程學報. 2010(02)

碩士論文
[1]我國特色小鎮(zhèn)主導產業(yè)選擇研究[D]. 陳曉蓁.山東建筑大學 2017



本文編號：3707878