【摘要】：溫帶地區(qū)干旱半干旱環(huán)境下,草原上牧草生物量研究成為進行農(nóng)業(yè)發(fā)展規(guī)劃、生態(tài)環(huán)境評估、相關(guān)產(chǎn)業(yè)發(fā)展的重要技術(shù)保證,分析植被生物量主要是利用生長期植被的葉面光譜反射率,這是采用傳統(tǒng)的方法來進行研究。比如利用稻草光譜研究建立的逐級模型,第一步測量計算水稻生長期葉面積指數(shù),用高光譜遙感圖像建立測試模型;第二步,在此前基礎(chǔ)上利用逐級回歸技術(shù)擬建LAI的測量模型,從而建立出水稻LAI光譜測量的最恰當(dāng)模型;還有通過高光譜遙感技術(shù),運用紅邊、光譜吸收特征測量手段來衡量小麥含氮量,獲得了非常理想的結(jié)論;再有在研究水稻高光譜及紅邊特征中發(fā)現(xiàn)水稻上層反射光譜紅邊參數(shù)和鮮葉指數(shù)、葉面積指數(shù)、干葉指數(shù)中間有千絲萬縷的聯(lián)系。逐步回歸分析方法的優(yōu)勢是不繁復(fù),好操作,在相對可控的情況下,在實驗室中得出的數(shù)據(jù)資料運用方法時,還可以獲得理想的效果。它是遴選出反射率光譜或其他變異形式——“對數(shù)計算光譜、微分計算光譜、導(dǎo)數(shù)計算光譜”等,和另一種生物的“物理或化學(xué)生物參量關(guān)系緊密的若干個波段建立相關(guān)統(tǒng)計回歸方程;然后利用該方程對未知樣本的參量進行預(yù)測,估算精度�！比欢巴鈼l件諸多因素影響,比如“受大氣、冠層幾何條件、冠層結(jié)構(gòu)、土壤背景”等,該方法構(gòu)建的回歸方程就凸顯了它的局限性,也就是說使用的數(shù)據(jù)與波段有很大的相關(guān)性,因人而異,探究者不同,波段選擇差異就很大,有些甚至遴選出的波段與實驗變量間沒有直接關(guān)聯(lián)性,或間接關(guān)聯(lián)性。本文是利用光譜吸收起伏的參數(shù)化,擬建相關(guān)的方程,并且用SPSS軟件程序?qū)嶒灢杉臄?shù)據(jù)進行統(tǒng)計學(xué)的分析。使用單因素方差分析(ANO—VA)對各變量間的差異顯著性進行統(tǒng)計檢驗,再利用一元性回歸方法和多元線性回歸方法應(yīng)用到光譜的峰谷特點上,找出與陸地植物生物量的關(guān)聯(lián)性進行分析;(1)分析枯草和土壤的光譜反射率特征值,并建立光譜指數(shù)。通過實地采樣和用高光譜輻射計進行地面試驗,獲取枯草的特征參量和枯草、背景土壤的光譜數(shù)據(jù),并應(yīng)用光譜分析方法進行光譜特征分析,確定枯草和背景土壤的有差異的特征值波段,建立光譜指數(shù)。(2)基于主成分分析方法,建立枯草特征參數(shù)(承載量、含水率和覆蓋度)和光譜指數(shù)的相關(guān)模型及精度檢驗通過實地調(diào)查和室內(nèi)試驗獲取枯草的特征參數(shù),即單位面積上的承載量、平衡含水率和覆蓋度等,并與枯草的光譜指數(shù)進行相關(guān)分析,得出兩者的相關(guān)性等統(tǒng)計量,再建立回歸統(tǒng)計模型,并進行精度檢驗。(3)利用小波變換對高光譜反射率數(shù)據(jù)進行信號分解,結(jié)合小波信號能量在各尺度上的分布特征,以實現(xiàn)高光譜數(shù)據(jù)降維。采用高光譜數(shù)據(jù)反演枯草特征參數(shù)及驗證。輸入到已建立好的回歸模型,進行枯草特征參量反演,用跟影像數(shù)據(jù)同時采集的地面樣點數(shù)據(jù)進行精度檢驗。實驗得出,9個小波能量系數(shù)(分別對應(yīng)8個細節(jié)系數(shù)和一個近似系數(shù))與枯草生物量間的擬合方程中,第四、第六、第七小波能量系數(shù)與生物量的相關(guān)系數(shù)最高,均在0.6以上;主成分分析得出1300-2500nm波段前4主成分信息量最大,與生物量相關(guān)性也最高;一般高光譜特征參數(shù)提取獲得,SDinr/SDb、D、(D-H)/(D+H)、D/H、(SDinr-SDr)/(SDinr+SDr)與枯草生物量的相關(guān)系數(shù)值較大(0.6),均通過了極顯著性檢驗水平(P0.01),其中近紅外平臺一階微分的總和(SDinr)與藍邊內(nèi)一階微分的總和(SDb)的比值SDinr/SDb的相關(guān)系數(shù)值最大,為0.692。主成分分析法比較其他方法,在研究枯草生物量方面有較好的相關(guān)性分析結(jié)果。
[Abstract]:......
【學(xué)位授予單位】：內(nèi)蒙古師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：S812

【相似文獻】

相關(guān)期刊論文 前10條

1 朱榮光;姚雪東;高廣娣;唐明翔;盧士玲;馬本學(xué);;不同儲存時間和取樣部位牛肉顏色的高光譜圖像檢測[J];農(nóng)業(yè)機械學(xué)報;2013年07期

2 趙杰文;劉劍華;陳全勝;Saritporn Vittayapadung;;利用高光譜圖像技術(shù)檢測水果輕微損傷[J];農(nóng)業(yè)機械學(xué)報;2008年01期

3 吳瑞梅;吳彥紅;艾施榮;劉木華;趙杰文;嚴霖元;;茶葉外形品質(zhì)的高光譜圖像量化分析[J];江西農(nóng)業(yè)大學(xué)學(xué)報;2013年02期

4 艾施榮;吳瑞梅;吳彥紅;嚴霖元;;利用高光譜圖像技術(shù)鑒別廬山云霧茶產(chǎn)地[J];江西農(nóng)業(yè)大學(xué)學(xué)報;2014年02期

5 徐爽;何建國;易東;賀曉光;;基于高光譜圖像技術(shù)的長棗糖度無損檢測[J];食品與機械;2012年06期

6 劉木華,趙杰文,鄭建鴻,吳瑞梅;農(nóng)畜產(chǎn)品品質(zhì)無損檢測中高光譜圖像技術(shù)的應(yīng)用進展[J];農(nóng)業(yè)機械學(xué)報;2005年09期

7 程國首;郭俊先;肉孜·阿木提;饒秀勤;亢銀霞;石砦;;基于高光譜圖像技術(shù)預(yù)測蘋果大小[J];農(nóng)機化研究;2012年06期

8 蘇文浩;何建國;劉貴珊;王松磊;賀曉光;吳龍國;;近紅外高光譜圖像技術(shù)在馬鈴薯外部缺陷檢測中的應(yīng)用[J];食品與機械;2013年05期

9 陳樹人;鄒華東;吳瑞梅;閆潤;毛罕平;;基于高光譜圖像技術(shù)的稻田苗期雜草稻識別[J];農(nóng)業(yè)機械學(xué)報;2013年05期

10 韓小珍;辛世華;王松磊;何建國;;高光譜在農(nóng)產(chǎn)品無損檢測中的應(yīng)用展望[J];寧夏工程技術(shù);2013年04期

相關(guān)會議論文 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預(yù)測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 賀霖;高光譜圖像自動目標檢測技術(shù)研究[D];西北工業(yè)大學(xué);2007年

4 周爽;蟻群算法在高光譜圖像降維和分類中的應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2010年

5 陳雨時;基于光譜特性的高光譜圖像壓縮方法研究[D];哈爾濱工業(yè)大學(xué);2007年

6 石吉勇;基于高光譜圖像技術(shù)的設(shè)施栽培作物營養(yǎng)元素虧缺診斷研究[D];江蘇大學(xué);2012年

7 成寶芝;基于光譜特性的高光譜圖像異常目標檢測算法研究[D];哈爾濱工程大學(xué);2012年

8 肖光潤;基于函數(shù)型數(shù)據(jù)分析的高光譜圖像分類研究[D];華中科技大學(xué);2014年

9 許毅平;基于高光譜圖像多特征分析的目標提取研究[D];華中科技大學(xué);2008年

10 高恒振;高光譜遙感圖像分類技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 豐爍;高光譜圖像波段選取問題的改進算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號：2438998