一、水分胁迫下棉花冠层叶片氮素状况的高光谱估测研究（论文文献综述）
张晶[1]（2021）在《基于高光谱成像技术的甜菜生理生态参数检测方法研究》文中研究说明作物生理生态信息的获取是精细农业信息获取的关键和核心问题之一,传统检测方法时效性差且具有破坏性,无法满足对作物生理生态参数实时无损动态检测的需求。甜菜生理生态信息的快速无损检测是甜菜实际生产过程中制定精细化和科学化管理决策的根本依据,对发展绿色农业,实现甜菜的丰产高糖具有重要意义。本文以不同氮胁迫下的田间小区试验为测试平台,综合利用多年（2014、2015和2018）、多点（内蒙古赤峰市太平地镇甜菜种植区、呼和浩特市内蒙古农业大学教学农场和土默特左旗麻合理村）、多品种（KWS1676、KWS9147和KWS1231）、多栽培模式（移栽和直播）、多生育期（叶丛快速生长期、糖分增长期和糖分积累期）和多氮肥梯度（0～200 kg/hm2）的甜菜高光谱测试数据并同步结合生理生态参数（叶片氮含量、SPAD值和植株地上生物量）生化分析,探究基于高光谱成像技术的甜菜冠层尺度生理生态参数快速无损检测方法。主要研究内容及成果如下:（1）通过分析各生育期不同氮胁迫、不同试验区和不同品种甜菜冠层叶片氮含量、叶绿素含量和植株地上生物量的变化规律及相应光谱响应曲线的变化趋势,探究了甜菜生理生态参数变化规律和光学检测机理,验证了高光谱成像技术在甜菜生理生态参数检测上的适用性,确定了各试验区的最佳施氮量,内蒙古赤峰市太平地镇为108 kg/hm2,呼和浩特市内蒙古农业大学教学农场为120 kg/hm2以及土默特左旗麻合理村为130 kg/hm2。（2）在390-990 nm波段范围内,利用精细采样法构建了所有可能波段组合的归一化光谱指数（NDSI）和土壤调节光谱指数（SASI）,提出了利用PSO算法对SASI植被冠层调节参数L进行寻优的方法。通过分析NDSI和SASI与甜菜冠层氮含量间的相关性,以及对比不同建模算法对甜菜冠层氮含量估测模型的影响,确定了估测各生育期甜菜冠层氮含量的最佳光谱指数和反演模型。其中,叶丛快速生长期的最佳建模输入量为SASI1（418nm,686 nm）,验证集R2为0.82,RMSE为2.30 g/kg,RRMSE为7.11%;糖分增长期以SASI2（820 nm,655 nm）的建模效果最理想,验证集R2为0.74,RMSE为2.71 g/kg,RRMSE为10.21%;糖分积累期的最优建模参数为SASI3（874 nm,889 nm）,模型R2为0.80,RMSE为2.26 g/kg,RRMSE为8.75%。（3）应用CARS算法对高光谱数据进行降维处理并挖掘有效光谱信息,提取了各生育期甜菜地上生物量的特征波长。通过改进GWO算法收敛因子的更新方式和个体进化模式,提出了基于MDE-GWO算法的甜菜地上生物量SVM模型关键参数优化方法,并对比了SCV、GWO和DE-GWO算法对甜菜地上生物量SVM模型预测精度的影响,确定了MDE-GWO算法为甜菜地上生物量SVM模型关键参数的最佳优化方法。与SCV-SVM、GWO-SVM和DE-GWO-SVM模型相比,基于特征波长构建的各生育期MDE-GWO-SVM模型对甜菜地上生物量的估测精度最高。（4）在综合分析现有叶绿素估测光谱指数与甜菜冠层相对叶绿素含量（SPAD值）间相关关系及其构建方式的基础上,通过引入一个可变参数M到传统CI中提出了MCI,并利用PLS和MDE-GWO-SVM算法建立估测模型,对比不同输入参数对甜菜冠层叶绿素含量模型预测精度的影响,确定了各生育期甜菜冠层叶绿素含量的最佳估测光谱指数为MCI。基于MCI建立的MDE-GWO-SVM模型可实现甜菜冠层叶绿素含量的定量预测,叶丛快速生长期对应的验证集R2为0.85,RMSE为2.20和RRMSE为4.62%;糖分增长期R2为0.73,RMSE为2.97和RRMSE为5.78%;糖分积累期R2为0.79,RMSE为2.55和RRMSE为5.28%（5）利用高光谱图像数据“图谱合一”的特性,基于甜菜各生育期叶片氮含量和叶素含量的最佳光谱指数,分别计算高光谱图像中每个像素点对应的光谱指数信号,并结合优选的最佳估测模型将高光谱图像中所有像素点下的光谱信号分别转化为对应位置处的氮含量和叶绿素含量,最终实现各生育期甜菜冠层氮含量和叶绿素含量的可视化分布,可直观体现甜菜整个生长过程中冠层氮含量和叶绿素含量在时间和空间上的变化规律。
王式琴[2]（2021）在《基于高光谱的棉花叶片氮素变化特征及估算建模研究》文中提出本文的研究材料是第一师阿拉尔九团和阿瓦提大田棉花（XLZ 38号）的倒三叶或倒四叶,设置五个产量梯度:1500～3000（T0）、3000～4500（T1）、4500～6000（T2）、6000～7500（T3）、7500以上（T4）kg·hm-2获取了不同时期不同产量的棉花叶片光谱反射率及对应的氮素含量数据,对原始光谱做了平滑处理后,分别又进行了微分、连续统去除、倒数、对数、倒数对数变换,分析不同时期不同产量棉花叶片的氮素及光谱变化特征。同时提取了棉花叶片包络线去除光谱的吸收特征参数,分析了不同时期不同产量棉花叶片吸收特征参数的变化特征,进行了敏感波段的筛选。并利用PCR、PLSR、SVM三种方法建立棉花叶片氮素含量光谱估测模型,经模型精度比较,最终筛选出最优光谱变换和光谱参数下的最佳模型。主要研究结果有:（1）在蕾期、花期和花铃期三个时期,不同产量的叶片平均含氮量较高的是蕾期和花铃期,花期较低,且蕾期和花期叶片氮含量曲线随产量的增加呈“N”字型变化,花铃期呈倒“V”字型变化。（2）不同时期不同产量同种光谱变换曲线的变化趋势基本一致,反射光谱在可见光（350～750nm）内有“峰谷”和“红边”特征出现,且峰谷反射率值及数量随着时期的推移逐渐降低。在近红外波段（750～1050 nm）内,光谱反射率值明显增大,并且形成一个高的反射平台。不同形式光谱变换可有效突出和放大原始光谱曲线中吸收和反射特征以及原来并不明显的高频噪声,这表明光谱经微分、倒数、倒数对数等数学变换方式对棉花叶片光谱处理是有效的。（3）三边参数在不同时期不同产量下均存在差异性,部分产量可区分。其中,红边位置有不同程度的“蓝移”和“红移”现象发生。随着时期的推进,三边参数和吸收参数都有不同程度的减少。不同时期不同产量下棉花蕾期的光谱变换值与氮素的相关性较好,相关系数较大,花铃期次之,花期最小。（4）经三种方法对不同时期不同光谱变换和光谱参数估测建模研究发现,蕾期,可选用以下模型对该时期叶片氮素含量进行粗略估测,基于敏感波段构建的FDR-PCR模型,预测集RPD为1.44,R2为0.50;FDR-PLSR模型,预测集RPD为1.77,R2为0.68,R-PLSR模型,预测集RPD为1.50,R2为0.56,SDR-PLSR模型,预测集RPD为1.41,R2为0.51,FDR-SVM模型,预测集RPD为1.43,R2为0.50。花期,基于敏感波段构建的FDR-PCR模型,预测集RPD为1.51,R2为0.52,可对该时期叶片氮素含量进行粗略估测。因此经对比,棉花蕾期所建模型精度较高,其中,基于敏感波段构建的FDR-PLSR模型精度最高,预测集RPD为1.77,R2达到了0.68。
刘映雪[3]（2021）在《基于近地高光谱的滨海盐土区燕麦主要农艺指标监测研究》文中研究说明中国是燕麦大国,燕麦的种植面积处于世界前列,燕麦是中国人的口粮之一,也是良好的耐盐碱作物。但城市化进程的加快正逐步压缩耕地面积,且中国是饱受盐碱化困扰的国家之一,土地盐碱化使得可用耕地面积进一步减少,因此利用沿海盐土区种植燕麦日益受到关注。植株全氮含量的变化引起作物生长指标、生理指标的变化,进而引起作物光谱反射特性曲线的变化。近年来,随着信息技术的高速发展,新诊断方法、新应用技术、新研究领域已逐渐成为研究的焦点。高光谱技术作为一种农作物氮素含量的无损检测而备受关注。国内外关于光谱变化特征和氮含量的研究已取得大量进展,主要成果包括研究植株氮含量的敏感波段以及相应的植被指数的组合,对多种高光谱建立了植株氮含量预测模型。本文以燕麦为研究对象,基于不同肥料和品种下的田间试验,应用ASD高光谱提取燕麦主要生育时期的植被指数,并同步破坏性取样获取燕麦生长指标和生理指标;同时分析不同植被指数与燕麦生长指标、生理指标之间的关系,筛选出适合燕麦生长指标、生理指标的植被指数,构建基于高光谱的燕麦叶面积指数、株高、全氮含量和SPAD值的估测模型,为燕麦长势监测和产量估测提供有效的技术支撑。主要研究内容与结果如下:（1）为了构建燕麦植株全氮含量估测模型,本研究结合施肥种类和不同品种试验,分析了植被指数与主要生育时期植株全氮含量的相关关系,并单独利用各个时期的数据建立了主要生育时期的燕麦全氮含量估测模型,结果表明,拔节期、孕穗期、灌浆期植被指数和燕麦植株全氮含量的相关性均达到显着水平,其中孕穗期植被指数SAVI-NPCI和燕麦植株全氮含量的相关性最高;拔节期其中植被指数REIP1@NDRE和燕麦植株全氮含量的相关性较高,R2达到了 0.7708;孕穗期植被指数和燕麦植株全氮含量的相关性最好,其中植被指数SAVI-NPCI和燕麦植株全氮含量的决定系数R2达到了 0.8442;灌浆期植被指数和燕麦植株全氮含量的相关性有所下降,植被指数NDVI750/650/RVI与燕麦植株全氮含量的决定系数R2最高达到 0.5305。为了构建最佳的估测模型,本研究提出了植被指数不同组合组成的多元指标构建燕麦植株全氮含量估测模型。结果表明,建模过程中相关性基本上超过0.5,RMSE也保持一个较小的范围。最后通过燕麦植株全氮含量实测值对估测值进行模型验证,模型验证的R2均在0.5以上,RMSE较小。（2）为了构建燕麦SPAD值估测模型,进行基于不同品种、不同施肥处理麦田间试验,分析了单个生育时期植被指数与燕麦叶片SPAD值的相关关系,并单独利用单个生育时期的数据对燕麦SPAD值进行估测,结果表明:灌浆期组合植被指数MCARI-CARI与叶片SPAD值的相关性最高,而灌浆期相关性较低。拔节期植被指数NPCI-SAVI与叶片SPAD值得相关性最好,其中决定系数R2为0.7521,利用组合植被指数NPCI-SAVI估测燕麦SPAD值具有较好的效果,验证模型决定系数R2为0.7465,均方根误差RMSE为4.92,绝对误差RE（%）为11.73%,模型可用。利用孕穗期MTCI/NDRE估测燕麦SPAD值同样具有较好的效果,决定系数R2达到0.7019,最后通过燕麦SPAD值在孕穗期实测值对其估测值进行模型验证,模型验证的决定系数R2为0.7013,均方根误差RMSE为4.518,绝对误差RE（%）为11.73%,模型可用。（3）为了构建燕麦株高估测模型,进行基于不同品种、施肥种类燕麦田间试验,分析了单个生育时期植被指数与燕麦株高的相关关系,并单独利用单个生育时期的数据对燕麦株高进行估测,结果表明拔节期相关性最好,而孕穗期、灌浆期相关性较低。拔节期植被指数REIP1相关性最好,其中R2为0.844。利用拔节期REIP1估测燕麦株高具有较好的效果,利用孕穗期REIP1估测燕麦株高相关性较好为-0.792,达到极显着水平。最后通过燕麦SPAD值在不同时期实测值对其估测值进行模型验证,建模过程中决定系数R2为0.6244,RMSE较小为2.087（cm）,均方根误差RE（%）为11.76%,模型可用。孕穗期组合植被指数MCARI/SAVI与株高的性关系较好,构建模型的决定系数R2为0.5825,验证模型的决定系数R2为0.5613,均方根误差RMSE为0.919（cm）,相对误差RE（%）为7.61%。灌浆期组合植被指数REIP1@NDVI750/650与株高的相关性关系较好,决定系数R2为0.6252,验证模型的决定系数R2为0.5415,均方根误差RMSE为1.211（cm）,绝对误差RE（%）为2.05%。（4）为了构建燕麦叶面积指数（LAI）值估测模型,进行基于不同品种、施肥品种燕麦田间试验,分析了单个生育时期植被指数与燕麦叶面积指数的相关关系,并单独利用单个生育时期的数据对燕麦叶面积指数进行估测,结果表明,拔节期相关性最好,而孕穗期、灌浆期的相关性较低。拔节期组合植被指数NDRE-MTCI与叶面积指数（LAI）的相关性最好,其中决定系数R2为0.4085。利用拔节期NDRE-MTCI构建的燕麦叶面积指数验证模型决定系数R2为0.4005,均方根误差（RMSE）为0.071,绝对误差（RE%）为13.91%。利用孕穗期CARI-MCARI估测燕麦叶面积指数（LAI）同样具有较好的效果,决定系数R2为0.6604,验证模型的决定系数R2为0.653,均方根误差（RMSE）为0.012,绝对误差（RE%）为2.79%,模型可用。灌浆期REIP1/RVI决定系数较低为0.584,验证模型的决定系数R2为0.532,均方根误差（RMSE）为0.1360,绝对误差（RE%）为16.47%,模型可用。各个生育期在建模过程中R2均超过0.5。最后通过燕麦SPAD值在不同时期实测值对其估测值进行模型验证,模型验证 的R2在0.5以上,RMSE较小。
陈绍民[4]（2021）在《水肥一体化水氮用量对苹果园氮素利用的影响及其供应决策》文中提出我国苹果种植面积居世界首位,黄土高原是世界公认的苹果优势产区之一。目前该区域苹果种植过程中化肥过量使用、养分投入时间与树体需求不匹配,提高水氮资源的利用效率对于提高苹果品质和优果率、降低环境污染风险等有重要意义。本研究以矮砧密植（株行距2 m×4 m）苹果树为研究对象,采用具有显着节水、节肥、增效特征的水肥一体化方式供应水氮,于2017年10月至2020年10月在陕西洛川开展了苹果树水氮用量的田间试验。试验设置2个灌水上限（W1:80%θf、W2:100%θf）和4个施氮量水平(N1:0 kg?hm-2;N2:120 kg?hm-2;N3:240 kg?hm-2;N4:360 kg?hm-2)的完全组合处理,共8个处理。动态监测苹果树各生育期冠层尺度高光谱反射率、叶片氮含量、冠层生长特征（春梢长度、叶面积指数）及产量、品质（外观品质、内在品质）和土壤硝态氮分布与残留状况等指标,研究了水肥一体化水氮用量对苹果树氮素营养、冠层生长特征及产量品质的影响,分析了不同水氮用量下苹果园土壤硝态氮分布及残留特征,并采用组合评价方法进行了基于苹果树生长-氮素营养动态-产量品质-土壤硝态氮残留的苹果园水肥一体化水氮用量优选;探索了基于高光谱遥感估测苹果树叶片氮含量的方法,在此基础上,构建了基于高光谱遥感的苹果树冠层叶片氮含量反演模型和水氮供应决策模型。取得了如下主要结论:（1）探明了水肥一体化水氮用量对苹果树叶片氮含量及冠层生长动态的影响规律。相同施氮量条件下,提高灌水上限可以提高苹果树叶片氮含量,但差异不显着（P>0.05）。相对于不施氮肥处理,施氮可以显着增加苹果树冠层叶片氮含量（P<0.05）;N4对叶片氮含量的增加具有显着作用,N2和N3之间没有显着差异（P>0.05）,二者显着高于不施氮处理。受苹果树体储藏氮素的影响,苹果园改化肥土施为水肥一体化方式,实施第1年（2018年）N2对新梢生长有利,第2年（2019年）N3有益于新梢的延长。春梢生长规律符合Logistic曲线特性,模型模拟表明,更高的灌水上限或施氮处理均能够延迟最大春梢生长速率的出现,同时延长春梢生长时间。提高灌水上限有利于叶面积指数的增加,但增加不显着（P>0.05）。试验年苹果树生育前期叶面积指数相对大小关系与春梢生长相关,2018年N2、2019年N3更有利于叶面积指数的形成;N4更有利于果实采摘后苹果树叶片脱落时间的延迟。（2）揭示了水肥一体化水氮用量对苹果树产量、品质及水氮利用效率的影响规律。苹果产量受灌水上限、施氮量单因素影响极显着（P<0.01）。施氮处理能够显着优化产量构成要素（单果重、单株果数）（P<0.05）,显着提高苹果产量（P<0.05）,最高产量(34277 kg·hm-2)在N3水平获得,N4造成苹果小幅度减产。苹果产量与施氮量成二次抛物线关系（P<0.05）,理论最佳施氮量在230～240 kg?hm-2范围。合理的氮肥用量能够显着提高苹果的纵径和横径（P<0.05）,苹果的果形指数受水氮用量的影响不显着（P>0.05）。提高灌水上限会降低苹果果肉硬度、可溶性固形物、可溶性糖以及糖酸比和固酸比,增加可滴定酸和维生素C含量,但这些影响未达0.05显着水平。施用氮肥会显着降低苹果果肉硬度和可滴定酸含量（P<0.05）,显着增加可溶性固形物、可溶性糖、维生素C、糖酸比和固酸比（P<0.05）。苹果内在品质指标之间存在显着的相关关系。任一施氮水平下,与W1灌水上限相比,W2能够提高水分利用效率和氮肥农学利用率。增施氮肥则显着降低氮肥农学利用率（P<0.05）,灌水上限W2、施氮量N2处理获得了最高的氮肥农学利用率(75.49 kg?kg-1)。灌水上限W2、施氮量N3处理对于维持苹果产量、提高品质、获得更高的水分利用效率有显着作用。（3）明确了水肥一体化水氮用量对采收后苹果园土壤硝态氮分布、残留量及其年际变化的影响。N2、N3、N4处理,0-80 cm土层土壤硝态氮含量随深度增加而增加;80-160 cm土层土壤硝态氮出现聚集现象;160-200 cm土层土壤硝态氮含量逐渐降低,硝态氮在主要根系分布层（0-80 cm）以外出现了聚集现象;水平方向最大土壤硝态氮含量出现在距树行0 cm处（滴灌管下方）。不施氮处理（N1）土壤硝态氮随水分向下层土壤运移,较高土壤硝态氮含量(108 mg?kg-1)处于180 cm深度土层附近;水平方向0-80 cm土层土壤硝态氮含量最大值(52 mg?kg-1)在距树行100 cm处,土壤硝态氮含量与距树行距离成正比。土壤硝态氮含量的时间（逐年）分布特征主要受施氮量水平的影响。2017～2020年,N1和N2处理根层（0-200 cm）土壤硝态氮含量逐年下降,最大下降比例达78.56%;N3土壤硝态氮含量无显着变化;N4土壤硝态氮含量增加,最大可达197.30%。果实采收后苹果园土壤硝态氮残留量受施氮量影响极显着（P<0.01）。水肥一体化实施后,2018年各处理土壤硝态氮残留量无显着差异（P>0.05）;2019年表现为,施氮处理显着高于不施氮处理;2020年,4个施氮水平间差异显着（P<0.05）。施氮量0、120 kg?hm-2处理土壤硝态氮残留量逐年降低,N1降低幅度显着高于N2（P<0.05）;N3土壤硝态氮残留量3年变化幅度在10%左右,差异不显着（P>0.05）;N4土壤硝态氮残留量显着增加,最大增幅为81.05%（P<0.05）。（4）提出了黄土高原矮砧密植苹果园综合效应最佳的水肥一体化水氮用量。基于无气象灾害年份（2019年）试验数据,以冠层生长、氮素营养、产量品质、土壤硝态氮、水/氮利用效率等为评价指标,采用主成分分析法、近似理想解法（TOPSIS）、灰色关联法和隶属函数分析法对苹果园水肥一体化水氮用量的效应进行综合评价,结果具有非一致性特征。进而建立基于4种单一评价方法评价结果的模糊Borda组合评价模型,结果表明W2N3是黄土高原矮砧密植苹果园最适水氮用量。（5）探索了基于苹果树冠层尺度高光谱反射率的叶片氮含量估测方法。不同光谱预处理方法对于光谱曲线的去噪能力表现不同,整体而言,一阶导数（FD）处理能够提高光谱信噪比,而二阶导数光谱造成信噪比出现下降的现象。竞争性自适应重加权算法（CARS）、连续投影算法（SPA）、随机蛙跳算法（Rfrog）、偏最小二乘法（PLS）等特征变量提取方法均大幅减少了用于建模的因子数量,提取的波长变量广泛分布于可见光/近红外区域。相同数据集所建立的非线性模型估测精度明显优于线性模型。采用标准正态变换（SNV）结合FD光谱预处理、Rfrog提取波长变量和极限学习机（ELM）建模的系统方法（SNV-FD-Rfrog-ELM）或Savitzky-Golay卷积平滑（SG）结合FD光谱预处理、PLS提取主成分（LVs）和ELM建模的系统方法（SG-FD-PLS（LVs）-ELM）估测黄土高原苹果树（富士）冠层尺度氮含量具有较好的精度。（6）建立了基于高光谱遥感的苹果树水肥一体化水氮供应决策模型。采用叠加集成（SE）模型,以苹果树冠层尺度高光谱反射率为模型输入,分别基于极限学习机（ELM）、差分进化算法优化的ELM（DE＿ELM）和自适应差分进化算法优化的ELM（Sa DE＿ELM）作为子模型的建模方法,在子模型融合过程中分别采用基于子模型RMSE的权重策略和偏最小二乘法（PLS）权重策略。PLS加权策略能够在集成若干子模型的过程中提供最佳的权重,改善基于RMSE策略权重预测结果偏低的问题。模型总体精度表现为:SE-Sa DE＿ELM>SE-DE＿ELM>SE-ELM。SE-Sa DE＿ELM模型和PLS策略的叠加集成模型能够实现对异常值影响的抵抗,且估测精度极好,RP2,RMSEP和RRMSE分别为0.843,1.747 mg?g-1和8.019%。推荐使用Sa DE＿ELM作为子模型和PLS策略的叠加集成模型进行苹果树叶片氮含量状况的监测。幼果期和果实膨大初期是苹果树供氮关键期。构建幼果期和果实膨大初期追施氮量-灌水上限-叶片氮含量回归模型和追施氮量-灌水上限-单果重的回归模型,并根据这些模型,通过目标单果重得到目标施氮量和灌水上限,以光谱诊断苹果树叶片氮含量为参考,估算苹果树已施氮量,最终求得最佳水、氮供应量。模型验证表明:幼果期和果实膨大期水、氮供应决策理论值与实际值差异较小,氮肥追施量相对误差介于1.67～9.92%（除幼果期一样本树为44.92%以外）,模型整体上取得了良好的效果。
李庆禄[5]（2021）在《渍水胁迫下小麦高光谱特征分析与主要生理参数估测研究》文中提出作为我国三大粮食作物之一,小麦生产对国家粮食安全起着至关重要的作用。气候变化背景下,涝渍灾害等极端天气气候事件增加,频繁发生的农业气象灾害对农业生产的影响日益加剧,严重影响粮食安全。高光谱遥感技术作为一种快速、无损的监测技术可以获取植物的叶片信息,已经广泛应用到作物生产过程中。通过遥感技术及时准确获取作物的生长生理参数,以此掌握作物的长势及水分状况,对及时排涝降渍和作物涝渍评估有重要的意义。本研究设计盆栽试验,于拔节期对冬小麦进行不同梯度渍水胁迫处理,采集冬小麦叶片光谱数据,叶片含水量和叶绿素含量数据,数据于开始处理后每7 d采集一次,直至小麦成熟;分析冬小麦生长生理参数与光谱特征参数、敏感光谱指数、不同预处理的光谱和敏感波段的关系,应用线性和非线性回归构建小麦生长生理参数与光谱特征参数和植被指数的反演估测模型,并对比不同建模途径所构建模型的精确性和稳定性。本文的研究结果主要包括以下几个方面:1.不同渍水处理对小麦生长生理参数的影响较为明显,各参数均随着渍水天数的增加而呈现逐渐降低的趋势。此外,不同处理下冬小麦叶片光谱反射率与一阶导数光谱反射率差异显着,叶片光谱反射率在可见光范围内随着叶片含水量和叶片SPAD值的升高而不断下降,在近红外区则相反。一阶导数光谱反射率在红边区域差异最明显。2.植被指数SAVI,高光谱特征参数AR、Rg、Rr、Db、SDb、SDy、SDg、SDr/SDb、SDr/Sdy与SPAD值的相关性较高。植被指数NDVI和NDWI以及新植被指数RVI（505,526）与受渍小麦的叶片含水量具有较好的相关性。3.应用线性和非线性回归的建模方法,构建小麦叶片含水量和SPAD的光谱特征参数和植被指数的反演估测模型。通过校正检验,以光谱特征参数AR来监测渍水胁迫下的SPAD值效果较好,新植被指数RVI（505,526）构建的多项式模型预测叶片含水量效果较好。用BP神经网络建立的冬小麦叶片SPAD值和叶片含水量反演模型精度最高。小麦叶片含水量和叶绿素含量的估测模型均以基于BP神经网络模型的预测精度最高,误差最小,且模型最稳定。
祝榛[6]（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》文中研究指明[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。
梁金晨[7]（2020）在《高温热害下灌溉处理对水稻高光谱的影响及水稻生长监测》文中认为灌溉是水稻高温热害发生过程中经常采用的农业措施,地下水和地表水是实际作物生产中最主要、最常用的灌溉水源。高光谱技术因其光谱分辨率高,包含光谱信息量大,光谱数据精确的优点被广泛应用于作物生长监测。本研究在水稻高温热害发生时设置井水（W）、池塘水（P）和对照组（CK）处理对稻田进行灌溉处理,结合水稻生理数据和水稻冠层反射光谱数据,研究不同灌溉处理对水稻冠层光谱的影响,分析高温热害背景下不同灌溉处理的水稻叶绿素含量、干物质积累量、产量与水稻冠层光谱的关系,通过全波段归一化差值光谱指数（NDSI）和连续小波变换（CWT）的方法筛选水稻叶绿素含量、干物质积累量和产量的敏感波段,分析不同灌溉处理下敏感波段的变化,建立高温背景下不同灌溉处理的水稻叶绿素含量、干物质积累量和产量的估测模型,通过高光谱数据阐释不同灌溉处理对水稻高温热害的影响,为高温热害下的水稻的叶绿素、干物质及产量的遥感反演提供数据支撑,以期为缓解水稻高温热害的灌溉方法研究提供理论支持。主要结论研究如下:1.作物的原始冠层反射光谱在可见光波段,不同灌溉处理下的反射率的大小关系为P处理>CK处理>W处理,在近红外波段相反,大小关系为W处理>CK处理>P处理,水稻原始反射光谱在780-900nm波段和970nm波段差异最大。W处理的一阶导数光谱峰值最高,其次是CK处理,P处理最低;随着发育期从抽穗期到成熟期,红边参数出现“蓝移”现象,不同处理之间的红边参数关系为P处理>CK处理>W处理。2.将三个发育期的叶绿素含量与对应时期的水稻冠层反射光谱进行相关分析,研究表明,550-680nm波段范围为叶绿素敏感波段,不同发育期之间抽穗期的模型拟合效果最好。抽穗期由敏感小波系数CWT（3,735）、CWT（2,736）和CWT（1,737）构建的偏最小二乘回归（PLSR）模型对叶绿素的拟合效果最好,模型检验r2=0.84;灌浆期由敏感小波系数CWT（5,569）、CWT（2,654）和CWT（7,562）构建的PLSR模型对叶绿素拟合效果最好,模型检验r2=0.76;成熟期由敏感小波系数CWT（1,815）、CWT（7,575）和CWT（3,578）构建的PLSR模型对叶绿素拟合效果最好,模型检验r2=0.74。3.将最终干物质积累量与三个发育期的冠层反射光谱进行相关分析,研究发现干物质的敏感波段范围为600-670nm波段。由光谱指数NDSI（694,726）、NDSI（492,819）和NDSI（689,715）建立的PLSR模型相较于普通函数模型对最终干物质积累量的拟合效果更好,模型检验r2=0.79;由敏感小波系数CWT（7,987）、CWT（6,797）和CWT（5,774）建立的PLSR模型相较于普通函数模型对最终干物质积累量的拟合效果更好,模型检验r2=0.84。4.将最终产量与三个发育期的冠层反射光谱进行相关分析,研究发现产量的敏感波段范围为740-900nm波段。由光谱指数NDSI（431,891）、NDSI（693,697）和NDSI（752,452）建立的PLSR模型相对于普通函数模型对最终产量的拟合效果更好,模型检验r2=0.81;由敏感小波系数CWT（6,838）、CWT（6,841）和CWT（7,975）建立的PLSR模型相对于普通函数模型对最终产量的拟合效果更好,模型检验r2=0.83。5.对比植被指数经验模型和小波分析模型,两者建立的模型都有较高的精度,都能准确的反演水稻生理参数,其中小波分析模型的拟合效果更好。这是因为CWT模型相比较NDSI模型,対光谱信号进行了分解,挖掘了更多的隐藏光谱信息,因此适应性相比NDSI模型有一定的提升。
马岩川[8]（2020）在《基于高光谱遥感的棉花冠层水氮参数估算》文中提出精准农业是我国农业现代化的必然选择。高光谱技术因其快速、时效性强、成本低、信息涵盖量大等特点,契合农业信息化管理的多种要求,目前已被广泛应用于农情监测领域。如何利用遥感数据精确、稳定地获取作物理化参数,已成为学者们研究的热点。针对传统的作物水分、氮素监测方法操作繁琐且时效性不高、难以在农田区域尺度大面积使用等问题,本文以麦后移栽棉为研究对象,在河南省新乡市进行了连续2年的大田与测坑试验,通过在棉花生育期设计不同灌溉与施肥水平,开展了基于高光谱技术的棉花冠层水氮参数估算方法研究,取得的主要研究结果如下:（1）冠层等效水厚度（CEWT）可以较为准确地判别棉花水分亏缺程度,叶片氮浓度（LNC）和冠层含氮量（CNC）均能准确描述棉花氮素状况。（2）棉花冠层光谱受不同水氮状况的影响。冠层反射率在350-700nm附近的可见光波段,随叶片氮浓度的增加而降低,在780-950nm附近的近红外波段,随CNC增加而增大,在1100-1300nm、1550-1780nm、2100-2350nm附近的短波红外波段,冠层反射率随CEWT的增加而降低。在水肥充足条件下,从现蕾期至花铃期,近红外波段的光谱反射率逐渐升高,可见光波段以及1450nm之后的短波红外波段反射率呈降低趋势,在开花前后棉花冠层光谱表现异常。（3）辐射传输模型PROSAIL在不同生育期对棉花冠层光谱的模拟效果不同。对蕾期棉花冠层光谱模拟精度较高（RMSE=3.46%）,对花铃期棉花冠层光谱的模拟精度略低（RMSE=4.57%）。叶绿素含量(Cab)对可见光谱段的模型输出影响最大,等效水厚度（EWT）对短波红外波段的贡献度最高;以筛选出的水分敏感波段作为输入项,利用支持向量机对CEWT进行了预测（R2>0.5）。（4）采用连续小波分析法对棉花叶片、冠层光谱反射率进行连续尺度分解,分别筛选出位于水分、氮素敏感区域内的小波系数。发现水氮共同敏感区域内存在噪声波段,应予以去除,在筛选光谱特征参数时,人为规避处于这些区域的小波系数后,结合机器学习算法对光谱特征进行建模,发现利用BP神经网络对CEWT回归建模的方法,模型精度更高且稳定性更强（R2>0.8）。采用同样的方法对CNC也取得了较高的预测精度（R2>0.8）。（5）通过对31种经典植被指数的构建形式和波段选取规则进行总结,分别构建出适用于棉花CEWT、CNC监测的高光谱植被指数。采取比值、归一化和角度三种形式进行水分光谱指数的构建,采取比值、归一化两种形式进行氮素光谱指数的构建。根据敏感波段组合的区间位置,发现基于比值光谱指数建立的线性模型对棉花CEWT的监测效果最好（R2=0.73）;基于归一化差分光谱指数建立的线性模型对棉花CNC的预测精度最高（R2=0.68）,且不易受冠层水分含量改变的影响。最适合构建CEWT特征光谱参数的波段位于1100nm附近,而最适合构建CNC特征光谱参数的波段位于500nm、580nm附近。
蒋仁安[9]（2019）在《基于高光谱的水稻氮素营养监测研究》文中研究表明水稻是我国主要的粮食作物之一,提高水稻产量,可以改善国民生活水平,为粮食安全提供保障。氮肥是影响作物生产的重要因素之一,氮肥使用对作物的产量与品质有很大的影响。为了提高水稻产量,常常过量施用氮肥,致使环境遭到严重破坏,因此合理施肥已经变得很有必要。科学施肥是解决这个问题的一条重要途径,有利于提高氮肥利用率,使粮食增产,同时减少对环境的污染。高光谱遥感技术获取作物信息时,具有快速、准确、实时、无损的特点。因此,在农业生产中,可以使用高光谱技术监测水稻氮素营养状况,进行施肥指导,对精准农业的发展具有重大意义。本文以江西省灌溉试验中心站高田试验基地为研究区,测定水稻的各种农学参数和对应的冠层光谱数据。研究了不同施氮水平下,水稻的光谱响应特征,基于水稻光谱数据提取与叶片氮素和叶片SPAD值相关性高的单波段、“三边”参数和植被指数,构建相关监测模型。主要研究结果如下:1.通过对水稻冠层光谱特征的分析,发现反射率变化存在规律性:可见光区域反射率小,近红外区域反射率大;随着施氮水平的升高,在可见光区域冠层光谱反射率随施氮量的升高而降低,在近红外区域冠层光谱反射率随施氮量的升高而增大。2.对水稻冠层光谱反射率求导后,可以提取“三边”参数。其中红边幅值Dr、红边面积SDr都随施氮水平的增加而增大;红边位置λr随着施氮量的增大而增大,即水稻的红边位置λr随着氮含量的增大发生了“红移”;绿峰位置λg随着施氮量的增加而不断减小,所以水稻的绿峰位置λg随着施氮量的增加发生了“蓝移”。3.研究不同施氮水平下水稻叶片氮素含量变化发现,随着生长发育进程,水稻叶片氮素含量在分蘖期以后呈现不断减小的现象;在同一时期,随施氮量的增加而增大。4.分析水稻冠层光谱反射率与叶片氮素含量可知,在波段1397nm处相关系数最大,为0.994。基于该单波段构建了氮素营养监测模型,为y=1.3594e0.0343x,R2=0.9995。对水稻冠层光谱求导,提取“三边”参数,选取与叶片氮素含量相关性高的参数红边面积SDr构建模型,为y=0.0006x2-0.0241x+2.2794,R2=0.9984。在前人关于植被指数的基础上,选取与叶片氮含量相关高的5种植被指数mSR705、VOG2、VOG3、R-M、MTCI,其中R-M的决定系数（R2）最大,构建模型为y=1.695e0.0197x,R2=0.9721。5.分析水稻冠层光谱反射率与叶片SPAD值的关系,在波段1464nm处相关系数最大,为0.963。基于波段1464nm处构建单波段模型为y=27.894e0.0248x,R2=0.9302。选择与叶片SPAD值相关性高的绿峰位置λg构建模型为y=-594.5n（x）+3787.6,R2=0.924。选取与叶片SPAD值相关性高的5种植被指数R’665、DVI（R’665,R’460）、NDVI（R’665,R’460）、PRI、NDVI（R’665,R’460）,其中NDVI（R’665,R’460）的决定系数（R2）最大,构建的模型为y=-4.5261x+47.005,R2=0.9916。
肖璐洁[10]（2019）在《干旱胁迫下冬小麦生长、生理及产量的高光谱遥感监测研究》文中研究指明作为我国三大粮食作物之一,小麦生产对国家粮食安全起着至关重要的作用。高光谱遥感技术已广泛应用于农作物长势监测研究。干旱是影响小麦生产最重要的限制因子,利用高光谱遥感技术实现黄土高原旱区小麦长势监测及产量、品质的预报具有重要意义。本研究以不同年份、不同品种、不同干旱胁迫及不同灌水处理条件下冬小麦为研究对象,在分析冠层光谱、植被指数与冬小麦生长、生理、产量、品质等指标相关性的基础上,通过回归分析,构建基于单植被指数及多植被指数组合的不同生育时期冬小麦监测模型,旨在为实现冬小麦精准田间管理提供技术支持和科学依据。研究结果如下:1.不同干旱胁迫及不同灌水处理条件下,冬小麦各长势指标符合作物一般生长发育规律,处理间差异明显。2.冬小麦冠层光谱中的“绿峰、红谷和近红外平台”以及“红边参数”等光谱特性都会随冬小麦生育时期及干旱胁迫发生规律性的变化。在可见光波段,光谱反射率为成熟期>灌浆期>抽穗期>开花期>拔节期>孕穗期;在近红外波段,光谱反射率为抽穗期>开花期>孕穗期>灌浆期>拔节期>成熟期。干旱胁迫越重,绿峰越不明显,红谷越浅,近红外平台越低;干旱胁迫越轻,绿峰越凸出,红谷越深,近红外平台越高。红边幅值随干旱胁迫程度增大而逐渐减小,红边位置随干旱胁迫程度增大逐渐蓝移,红边面积也随干旱胁迫程度增大逐渐减小。3.利用植被指数可对干旱胁迫下不同生育时期冬小麦长势及产量、品质进行有效监测和预报。在各生育时期,最优植被指数各不相同。相比单植被指数VI（Vegetation Index）所建模型,基于多植被指数VIs（Vegetation Indices）构建的冬小麦农学参数监测模型在模型精度和稳定性方面均有较大改善和提高。叶面积指数LAI（Leaf Area Index）在各生育时期所建模型决定系数R2（Determinnation Coefficient）介于0.57-0.71之间,均方根误差RMSE（Root Mean Square Error）均小于0.86,其中以开花期所建模型效果最好（R2=0.705,RMSE=0.7706）;地上干生物量AGDB（Above Ground Dry Biobass）在各生育时期所建模型决定系数R2在0.52-0.83之间,均方根误差RMSE介于7.2-1.7之间,其中以开花期所建模型最优（R2=0.834,RMSE=2.5655）;叶绿素含量（SPAD值）在各生育时期所建模型决定系数R2在0.58-0.80之间,均方根误差RMSE介于1.0-2.0之间,其中以开花期所建模型最优（R2=0.797,RMSE=1.6613）;植株含水量PWC（Plant Water Content）在各生育时期所建模型决定系数R2在0.55-0.81之间,均方根误差RMSE介于1.1-2.1之间（成熟期除外）,其中以开花期所建模型最优（R2=0.806,RMSE=1.5889）;产量数据在各生育时期所建模型决定系数R2在0.55-0.69之间,均方根误差RMSE介于889-991之间,其中以抽穗期所建模型最优（R2=0.693,RMSE=889.5460）;籽粒蛋白质含量GPC（Grain Protein Content）在孕穗期、抽穗期、开花期所建模型决定系数R2分别为0.786、0.897、0.874,均方根误差RMSE分别为0.5401、0.3563、0.4087,以抽穗期所建模型精度最高;籽粒湿面筋含量WGC（Wet Gluten Content）在孕穗期、抽穗期、开花期所建模型决定系数R2分别为0.851、0.921、0.830,均方根误差RMSE分别为0.9219、0.7207、0.9376,以抽穗期所建模型精度最高。以上模型在利用不同时期灌水试验数据进行实测值与预测值1:1验证时均得达到了较优结果,表明基于多植被指数组合（VIs）所建冬小麦长势监测及产量、品质预测模型精度更高,稳定性更强。4.由于受到冬小麦各生育时期生长指标及冠层光谱反射率差异显着及数据量过大的影响,基于不同生育时期分段监测模型在模型精度和稳定性方面明显优于全生育时期混合监测模型。
二、水分胁迫下棉花冠层叶片氮素状况的高光谱估测研究（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、水分胁迫下棉花冠层叶片氮素状况的高光谱估测研究（论文提纲范文）
（1）基于高光谱成像技术的甜菜生理生态参数检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 作物生理生态指标检测现状 |
| 1.2.1 常规检测方法 |
| 1.2.1.1 作物叶片氮含量测定 |
| 1.2.1.2 作物叶绿素含量测定 |
| 1.2.1.3 地上生物量测定 |
| 1.2.2 无损检测技术 |
| 1.2.2.1 光谱分析技术 |
| 1.2.2.2 计算机机器视觉技术 |
| 1.2.2.3 高光谱成像技术 |
| 1.2.2.3.1 高光谱成像原理 |
| 1.2.2.3.2 高光谱成像传感器 |
| 1.3 高光谱成像技术在作物生理指标检测方面的应用 |
| 1.3.1 氮素营养诊断 |
| 1.3.2 生物量检测 |
| 1.3.3 叶绿素含量检测 |
| 1.4 目前存在的问题 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 1.7 本章小结 |
| 2 试验与方法 |
| 2.1 试验设计 |
| 2.2 高光谱成像数据采集 |
| 2.2.1 高光谱成像采集系统 |
| 2.2.2 高光谱成像数据采集 |
| 2.2.3 样本高光谱数据提取 |
| 2.3 甜菜生理生态指标测定 |
| 2.3.1 氮含量测定 |
| 2.3.2 地上生物量测定 |
| 2.3.3 叶绿素含量测定 |
| 2.4 化学计量学建模算法 |
| 2.4.1 偏最小二乘算法 |
| 2.4.2 BP人工神经网络算法 |
| 2.4.3 支持向量机算法 |
| 2.5 模型评价指标 |
| 2.6 本章小结 |
| 3 基于高光谱成像技术的甜菜冠层氮含量检测研究 |
| 3.1 引言 |
| 3.2 甜菜冠层氮含量及光谱响应曲线的变化规律 |
| 3.2.1 各生育期甜菜冠层氮含量及光谱响应曲线分析 |
| 3.2.2 建模集和验证集甜菜冠层氮含量统计分析 |
| 3.3 特征光谱参数的优化研究 |
| 3.3.1 传统植被指数与甜菜冠层氮含量的回归分析 |
| 3.3.2 特征光谱指数的优化及筛选 |
| 3.3.2.1 粒子群优化算法 |
| 3.3.2.2 光谱指数与甜菜冠层氮含量的相关性分析 |
| 3.3.3 特征光谱指数筛选 |
| 3.4 光谱特征模型建立与分析 |
| 3.4.1 BP-ANN预测模型建立 |
| 3.4.2 支持向量机模型建立 |
| 3.4.3 预测模型结果分析 |
| 3.5 甜菜冠层氮含量的可视化 |
| 3.6 本章小结 |
| 4 基于高光成像技术的甜菜地上生物量估测模型优化算法研究 |
| 4.1 引言 |
| 4.2 甜菜地上生物量与光谱反射率的相关性分析 |
| 4.3 甜菜地上生物量实测值统计分析 |
| 4.4 特征波长筛选 |
| 4.4.1 竞争自适应重加权算法 |
| 4.4.2 特征波长提取 |
| 4.5 SVM关键参数优化方法研究 |
| 4.5.1 差分进化算法 |
| 4.5.2 灰狼优化算法 |
| 4.5.3 差分灰狼优化算法 |
| 4.5.4 改进的差分灰狼优化算法 |
| 4.5.5 支持向量机关键参数优化 |
| 4.6 甜菜地上生物量估测模型建立 |
| 4.7 本章小结 |
| 5 基于改进型光谱指数的甜菜冠层叶绿素含量检测方法研究 |
| 5.1 引言 |
| 5.2 实测SPAD值的变化规律以及统计分析 |
| 5.3 光谱预处理方法研究 |
| 5.3.1 光谱预处理算法 |
| 5.3.1.1 平滑预处理 |
| 5.3.1.2 一阶导数处理 |
| 5.3.1.3 多元散射校正 |
| 5.3.1.4 标准正态变换 |
| 5.3.2 不同预处理下光谱反射率与甜菜冠层叶绿素含量的相关性分析 |
| 5.4 SPAD值与常用光谱指数间的相关性分析 |
| 5.4.1 常用光谱指数筛选 |
| 5.4.2 光谱指数与SPAD值间的估测精度分析 |
| 5.5 光谱指数的优化及构建 |
| 5.5.1 光谱指数优化 |
| 5.5.2 最佳光谱指数筛选 |
| 5.6 甜菜SPAD值估测模型的构建及验证 |
| 5.7 甜菜冠层叶绿素含量可视化 |
| 5.8 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于高光谱的棉花叶片氮素变化特征及估算建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 基于高光谱监测作物氮素营养监测研究现状 |
| 1.2.2 基于高光谱的棉花氮素营养诊断监测研究现状 |
| 1.2.3 基于高光谱的作物叶片氮素估算建模的研究现状 |
| 1.2.4 基于高光谱的棉花叶片氮素估算建模的研究现状 |
| 1.3 研究思路 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 第2章 材料与方法 |
| 2.1 试验材料 |
| 2.1.1 研究区概况 |
| 2.1.2 试验设计 |
| 2.2 测试项目与测试方法 |
| 2.2.1 光谱测定 |
| 2.2.2 叶片含氮量测定 |
| 2.3 光谱数据预处理 |
| 2.3.1 平滑 |
| 2.3.2 包络线去除 |
| 2.4 光谱变换 |
| 2.5 敏感波段的筛选 |
| 2.5.1 相关性分析理论基础 |
| 2.5.2 灰色关联分析理论基础 |
| 2.6 光谱参数的选取 |
| 2.7 模型建立与评价方法 |
| 2.7.1 主成分回归 |
| 2.7.2 偏最小二乘法 |
| 2.7.3 支持向量机法 |
| 2.7.4 模型的评价 |
| 2.8 本章小结 |
| 第3章 不同产量棉田棉花叶片的氮素变化特征 |
| 3.1 材料与方法 |
| 3.2 结果与分析 |
| 3.2.1 不同产量棉田蕾期叶片氮素变化特征 |
| 3.2.2 不同产量棉田花期叶片氮素变化特征 |
| 3.2.3 不同产量棉田花铃期叶片氮素变化特征 |
| 3.2.4 不同产量不同时期棉花叶片氮素变化特征 |
| 3.3 讨论 |
| 3.4 本章小结 |
| 第4章 不同产量棉田棉花叶片的光谱变化特征 |
| 4.1 材料与方法 |
| 4.2 结果与分析 |
| 4.2.1 不同产量棉田棉花蕾期叶片光谱变化特征 |
| 4.2.2 不同产量棉田棉花花期叶片光谱变化特征 |
| 4.2.3 不同产量棉田棉花花铃期叶光谱变化特征 |
| 4.3 讨论 |
| 4.4 本章小结 |
| 第5章 基于高光谱的棉花叶片氮素含量的估算建模 |
| 5.1 材料与方法 |
| 5.2 结果与分析 |
| 5.2.1 棉花叶片氮素的描述性统计分析 |
| 5.2.2 敏感波段选择 |
| 5.2.3 棉花氮素营养光谱估测模型的建立与验证 |
| 5.3 讨论 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究特色 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于近地高光谱的滨海盐土区燕麦主要农艺指标监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1 研究背景 |
| 2 国内外研究进展 |
| 2.1 盐碱地研究现状 |
| 2.2 盐胁迫对作物生长影响的研究进展 |
| 2.3 作物生长监测技术研究进展 |
| 3 研究目的及意义 |
| 参考文献 |
| 第二章 材料与方法 |
| 1 材料获取 |
| 2 农学参数测定 |
| 3 高光谱数据 |
| 4 数据处理 |
| 5 植被指数提取 |
| 6 误差计算 |
| 7 技术路线 |
| 参考文献 |
| 第三章 燕麦全氮含量和SPAD值高光谱估测 |
| 1 盐土区燕麦全氮含量与植被指数相关性 |
| 1.1 拔节期燕麦全氮含量与植被指数相关性 |
| 1.2 孕穗期燕麦全氮含量与植被指数相关性 |
| 1.3 灌浆期燕麦全氮含量与植被指数相关性 |
| 1.4 燕麦全氮含量估测模型的验证 |
| 2 盐土区燕麦SPAD值与植被指数相关性 |
| 2.1 拔节期燕麦SPAD值与植被指数相关性 |
| 2.2 孕穗期燕麦SPAD值与植被指数相关性 |
| 2.3 灌浆期燕麦SPAD值与植被指数相关性 |
| 2.4 燕麦SPAD值估测模型检验 |
| 3 本章小结 |
| 4 讨论 |
| 参考文献 |
| 第四章 燕麦株高和LAI高光谱估测 |
| 1 燕麦株高高光谱估测 |
| 1.1 拔节期燕麦株高与植被指数的相关性 |
| 1.2 孕穗期燕麦株高与植被指数的相关性 |
| 1.3 灌浆期燕麦株高与植被指数的相关性 |
| 1.4 燕麦株高的高光谱估测模型检验 |
| 2 燕麦LAI的光谱估测 |
| 2.1 拔节期燕麦LAI与植被指数的相关性 |
| 2.2 孕穗期燕麦LAI与植被指数的相关性 |
| 2.3 灌浆期燕麦LAI与植被指数的相关性 |
| 2.4 燕麦LAI的高光谱估测模型检验 |
| 3 本章小结 |
| 参考文献 |
| 第五章 结论与讨论 |
| 1 结论 |
| 2 讨论 |
| (1) 全氮含量 |
| (2) SPAD值 |
| (3) 株高 |
| (4) LAI |
| 3 本研究创新点 |
| 4 存在的问题 |
| 5 展望 |
| 参考文献 |
| 致谢 |
（4）水肥一体化水氮用量对苹果园氮素利用的影响及其供应决策（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 水氮相互作用 |
| 1.3.2 水氮供应对苹果生产的影响 |
| 1.3.3 苹果园土壤硝态氮残留研究进展 |
| 1.3.4 高光谱氮素诊断 |
| 1.3.5 氮肥供应决策研究进展 |
| 1.4 有待进一步研究的问题 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 第二章 研究方案与方法 |
| 2.1 试验果园概况 |
| 2.2 试验设计 |
| 2.3 测定指标与方法 |
| 2.4 数据处理及统计分析 |
| 2.4.1 指标计算方法 |
| 2.4.2 综合评价方法 |
| 2.4.3 光谱数据分析方法 |
| 2.4.4 数据统计分析 |
| 第三章 水氮用量对苹果树叶片氮素状况及冠层生长的影响 |
| 3.1 水氮用量对苹果树叶片氮含量的影响 |
| 3.2 水氮用量对苹果树生长状况的影响 |
| 3.2.1 苹果树春梢生长 |
| 3.2.2 苹果树叶面积指数 |
| 3.3 讨论 |
| 3.4 小结 |
| 第四章 水氮用量对苹果产量品质及水氮利用的影响 |
| 4.1 水氮用量对苹果产量及其构成要素的影响 |
| 4.2 水氮用量对苹果品质的影响 |
| 4.2.1 外观品质 |
| 4.2.2 内在品质 |
| 4.2.3 苹果内在品质指标之间的相关性 |
| 4.3 水氮用量对苹果园水氮利用的影响 |
| 4.3.1 水分利用效率 |
| 4.3.2 氮肥农学利用率 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 水氮用量对苹果园土壤硝态氮分布及残留的影响 |
| 5.1 水氮用量对土壤硝态氮分布的影响 |
| 5.1.1 土壤硝态氮的空间分布特征 |
| 5.1.2 土壤硝态氮的时间分布特征 |
| 5.2 水氮用量对土壤硝态氮残留的影响 |
| 5.3 讨论 |
| 5.4 小结 |
| 第六章 基于组合评价的苹果园水氮用量优选 |
| 6.1 基于单一评价模型的综合评价 |
| 6.1.1 主成分分析法 |
| 6.1.2 TOPSIS法 |
| 6.1.3 灰色关联法 |
| 6.1.4 隶属函数分析法 |
| 6.2 基于模糊Borda方法的组合评价 |
| 6.3 讨论 |
| 6.4 小结 |
| 第七章 基于高光谱遥感的苹果树冠层叶片氮含量估测初探 |
| 7.1 冠层叶片氮含量与冠层反射光谱相关性分析 |
| 7.2 基于高光谱反射率估测苹果树叶片氮含量的多元校正方法比较 |
| 7.2.1 蒙特卡洛方法剔除异常值 |
| 7.2.2 光谱数据预处理 |
| 7.2.3 特征变量筛选 |
| 7.2.4 基于特征变量的模型建立与评价 |
| 7.3 基于高光谱反射率和偏最小二乘辅助极限学习机的苹果树叶片氮含量估测 |
| 7.3.1 蒙特卡洛二次检测法剔除异常值 |
| 7.3.2 样本集划分 |
| 7.3.3 光谱数据预处理 |
| 7.3.4 变量提取 |
| 7.3.5 模型建立及评价 |
| 7.4 讨论 |
| 7.4.1 光谱数据预处理 |
| 7.4.2 变量筛选 |
| 7.4.3 模型建立与选择 |
| 7.5 小结 |
| 第八章 基于叠加集成模型的苹果树叶片氮素诊断与供应决策 |
| 8.1 样本集划分 |
| 8.2 叠加集成模型建立与评价 |
| 8.2.1 叠加集成模型 |
| 8.2.2 极限学习机及其优化 |
| 8.2.3 子模型的融合 |
| 8.2.4 叠加集成模型关键参数选择 |
| 8.2.5 叠加集成模型预测结果 |
| 8.3 苹果树叶片氮素诊断关键时期 |
| 8.4 苹果树水氮供应模型的建立 |
| 8.4.1 模型结构 |
| 8.4.2 模型验证 |
| 8.5 讨论 |
| 8.5.1 基于叠加集成模型估测苹果树冠层叶片氮含量 |
| 8.5.2 苹果树水氮供应决策 |
| 8.6 小结 |
| 第九章 结论与建议 |
| 9.1 主要结论 |
| 9.2 创新点 |
| 9.3 不足与建议 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）渍水胁迫下小麦高光谱特征分析与主要生理参数估测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 小麦渍害及监测技术研究进展 |
| 1.2.1 渍害产生的原因 |
| 1.2.2 渍害对小麦生长的影响 |
| 1.2.3 小麦渍害的监测 |
| 1.3 作物生理参数高光谱估测研究进展 |
| 1.3.1 作物的高光谱特征 |
| 1.3.2 作物叶绿素含量预测 |
| 1.3.3 作物水分胁迫预测 |
| 1.4 研究目的和技术路线 |
| 1.4.1 研究目的与意义 |
| 1.4.2 技术路线 |
| 参考文献 |
| 第二章 材料与方法 |
| 2.1 试验地点及供试品种 |
| 2.2 试验设计 |
| 2.3 测定项目及方法 |
| 2.3.1 光谱数据测定 |
| 2.3.2 叶绿素含量测定 |
| 2.3.3 叶片含水量的测定 |
| 2.4 数据处理与分析 |
| 2.4.1 原始光谱和一阶导数光谱的反射率和特征参数 |
| 2.4.2 植被指数 |
| 2.4.3 统计分析 |
| 2.5 估测模型的建立及检验 |
| 2.5.1 基于线性和非线性回归的建模方法 |
| 2.5.2 基于BP神经网络回归分析 |
| 2.5.3 模型精度检验 |
| 参考文献 |
| 第三章 不同渍水胁迫下小麦高光谱和生理生化参数特征 |
| 3.1 高光谱特性 |
| 3.1.1 原始光谱特征 |
| 3.1.2 红边特征 |
| 3.2 生理参数变化 |
| 3.2.1 叶片含水量变化 |
| 3.2.2 叶片SPAD值变化 |
| 3.3 本章小结 |
| 第四章 不同渍水胁迫下小麦叶片SPAD值估测 |
| 4.1 SPAD值与叶片光谱相关性分析 |
| 4.2 SPAD值与植被指数和光谱特征参数相关性分析 |
| 4.2.1 SPAD值与光谱特征参数的相关性 |
| 4.2.2 SPAD值与植被指数的相关性 |
| 4.3 SPAD值高光谱估测模型及其精度检验 |
| 4.3.1 基于光谱特征参数的估算模型及其精度检验 |
| 4.3.2 基于植被指数的估算模型及其精度检验 |
| 4.3.3 基于BP神经网络的小麦叶片SPAD值高光谱估算模型 |
| 4.4 本章小结 |
| 参考文献 |
| 第五章 不同渍水胁迫下小麦叶片含水量估测 |
| 5.1 小麦叶片含水量与叶片光谱相关性分析 |
| 5.2 小麦叶片含水量与光谱特征参数和植被指数的相关性分析 |
| 5.2.1 叶片含水量与光谱特征参数的相关性 |
| 5.2.2 叶片含水量与现有植被指数的相关性 |
| 5.2.3 叶片含水量与新的植被指数的定量关系 |
| 5.3 小麦叶片含水量高光谱估测模型及其精度检验 |
| 5.3.1 基于高光谱特征参数的估算模型及其精度检验 |
| 5.3.2 基于植被指数的估算模型及其精度检验 |
| 5.3.3 基于BP神经网络的估算模型及其精度检验 |
| 5.4 本章小结 |
| 第六章 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 6.2.1 小麦生理参数及高光谱特征 |
| 6.2.2 叶绿素含量估测 |
| 6.2.3 叶片含水量估测 |
| 6.3 创新点 |
| 6.4 存在的问题 |
| 6.5 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）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 |
（7）高温热害下灌溉处理对水稻高光谱的影响及水稻生长监测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 水稻高温热害研究进展 |
| 1.3 高光谱遥感监测研究进展 |
| 1.4 研究内容 |
| 1.5 研究路线 |
| 第二章 材料与方法 |
| 2.1 试验地概况 |
| 2.2 试验设计 |
| 2.3 测定项目与方法 |
| 2.4 光谱数据处理与分析 |
| 2.5 数据建模与检验 |
| 2.6 数据处理 |
| 第三章 高温胁迫下不同灌溉处理对冠层光谱的影响 |
| 3.1 水稻冠层原始反射光谱特征 |
| 3.2 水稻冠层一阶导数光谱及红边参数分析 |
| 3.3 本章小结 |
| 第四章 高温胁迫下不同灌溉处理的叶绿素高光谱估测 |
| 4.1 不同灌溉处理对叶绿素的影响 |
| 4.2 不同灌溉处理反射光谱和叶绿素相关分析 |
| 4.3 不同灌溉处理下叶绿素的高光谱估测模型 |
| 4.4 本章小结 |
| 第五章 高温胁迫下不同灌溉处理的干物质高光谱估测 |
| 5.1 不同灌溉处理对干物质的影响 |
| 5.2 不同灌溉处理反射光谱和最终干物质积累相关分析 |
| 5.3 不同灌溉处理下干物质的高光谱估测模型 |
| 5.4 本章小结 |
| 第六章 高温胁迫下不同灌溉处理的产量高光谱估测 |
| 6.1 不同灌溉处理对产量的影响 |
| 6.2 不同灌溉处理反射光谱和产量相关分析 |
| 6.3 不同灌溉处理下产量的高光谱估测模型 |
| 6.4 本章小结 |
| 第七章 结论与讨论 |
| 7.1 主要结论 |
| 7.2 讨论 |
| 7.3 创新点 |
| 7.4 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（8）基于高光谱遥感的棉花冠层水氮参数估算（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展及存在问题 |
| 1.2.1 基于光谱信息经验统计法估算作物参数的研究进展 |
| 1.2.2 采用光学物理模型分析法估算作物参数的研究进展 |
| 1.3 需要进一步研究的问题 |
| 1.4 研究目标、内容、技术路线图 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 技术路线图 |
| 第二章 试验材料与方法 |
| 2.1 试验区概况 |
| 2.2 试验设计 |
| 2.2.1 田间水肥试验设计 |
| 2.2.2 测坑小区试验设计 |
| 2.3 测定项目与方法 |
| 2.3.1 光谱反射率 |
| 2.3.2 水分表征参数 |
| 2.3.3 氮素表征参数 |
| 2.3.4 土壤含水率 |
| 2.4 数据处理 |
| 第三章 棉花水氮参数的动态变化及冠层光谱的响应 |
| 3.1 棉花叶片水分参数随生育进程的变化 |
| 3.2 棉花冠层水分参数随生育期进程的变化动态 |
| 3.3 棉花氮素参数随生育期进程的变化动态 |
| 3.4 棉花冠层光谱在不同水氮条件下的变化特征 |
| 3.5 小结 |
| 第四章 棉花冠层光谱反射特征与模拟 |
| 4.1 绿色植被的光谱特征与辐射传输模型 |
| 4.1.1 典型植被的光谱特征 |
| 4.1.2 植被的辐射传输模型 |
| 4.2 基于PROSAIL的棉花冠层光谱模拟 |
| 4.3 PROSAIL模型输入参数的敏感波段 |
| 4.4 基于PROSAIL与 SVMR的棉花冠层等效水厚度估算 |
| 4.5 小结 |
| 第五章 基于连续小波分析的棉花冠层水氮参数估算 |
| 5.1 连续小波分析 |
| 5.2 叶片与冠层水平棉花水氮参数的小波分解及相关性分析 |
| 5.2.1 棉花叶片等效水厚度与叶片氮浓度的小波分解及相关性分析 |
| 5.2.2 棉花冠层等效水厚度与冠层含氮量的小波分解及相关性分析 |
| 5.3 基于小波系数与机器学习算法的棉花冠层水氮参数估算 |
| 5.3.1 针对棉花冠层水氮参数的小波特征提取 |
| 5.3.2 BP神经网络模型 |
| 5.3.3 两种输入参数下机器学习模型的估算结果 |
| 5.4 小结 |
| 第六章 基于高光谱植被指数的棉花冠层水氮参数估算 |
| 6.1 经典植被光谱指数的运用 |
| 6.2 基于高光谱植被指数的棉花冠层含氮量估算 |
| 6.2.1 高光谱植被指数与棉花冠层含氮量的相关性 |
| 6.2.2 高光谱植被指数与棉花冠层含氮量的定量关系 |
| 6.3 基于高光谱植被指数的棉花冠层等效水厚度估算 |
| 6.3.1 高光谱植被指数与棉花冠层等效水厚度的敏感性 |
| 6.3.2 高光谱植被指数与棉花冠层等效水厚度的定量关系 |
| 6.4 本文提出的高光谱植被指数与经典植被指数的对比 |
| 6.5 小结 |
| 第七章 结论与展望 |
| 7.1 主要结论 |
| 7.2 论文主要创新点 |
| 7.3 研究中的不足及需要进一步研究的问题 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（9）基于高光谱的水稻氮素营养监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1 研究目的与意义 |
| 2 国内外研究进展 |
| 2.1 高光谱遥感发展与应用研究 |
| 2.1.1 高光谱遥感的发展研究 |
| 2.1.2 高光谱遥感的运用研究 |
| 2.2 作物氮素营养诊断研究 |
| 2.2.1 作物传统氮素诊断方法 |
| 2.2.2 作物氮素现代无损诊断方法 |
| 2.3 作物光谱特征和生物理化参数高光谱遥感监测研究进展 |
| 2.3.1 作物高光谱特征 |
| 2.3.2 作物氮素含量高光谱遥感监测研究进展 |
| 2.3.3 作物叶绿素SPAD高光谱遥感监测研究进展 |
| 第二章 不同氮处理对水稻冠层光谱的影响 |
| 1 材料与方法 |
| 1.1 试验地概况 |
| 1.2 试验设计 |
| 1.3 水稻冠层光谱数据获取 |
| 1.4 数据处理与分析 |
| 1.4.1 数据的处理 |
| 1.4.2 一阶导数光谱的计算 |
| 1.4.3 高光谱特征参数的计算 |
| 2 结果与分析 |
| 2.1 不同氮处理下水稻冠层反射光谱特征 |
| 2.2 不同氮处理下水稻导数光谱特征 |
| 2.3 不同氮处理下处理下水稻光谱“三边”参数的变化 |
| 3 小结 |
| 第三章 基于高光谱的水稻氮素营养监测模型构建 |
| 1 材料与方法 |
| 1.1 试验地概况 |
| 1.2 试验设计 |
| 1.3 测定项目与方法 |
| 1.3.1 水稻冠层光谱数据获取 |
| 1.3.2 农学参数的测定 |
| 1.4 数据处理与分析 |
| 1.4.1 数据处理与“三边”参数的计算 |
| 1.4.2 与全氮含量相关的高光谱指数的计算 |
| 2 结果与分析 |
| 2.1 不同时期、不同施氮水平下水稻氮含量变化 |
| 2.2 水稻冠层光谱反射率与氮含量的相关分析 |
| 2.3 基于水稻冠层光谱反射率单波段的叶片氮含量模型建立 |
| 2.4 不同氮处理下“三边”参数与叶片氮含量的相关性 |
| 2.5 基于水稻“三边”参数与叶片氮含量的模型建立 |
| 2.6 水稻叶片氮含量与氮相关植被指数的相关分析 |
| 2.7 基于植被指数的水稻叶片氮素营养监测模型建立 |
| 3 小结 |
| 第四章 基于SPAD值的高光谱监测模型构建 |
| 1 材料与方法 |
| 1.1 试验地概况 |
| 1.2 试验设计 |
| 1.3 测定项目与方法 |
| 1.3.1 水稻冠层光谱数据获取 |
| 1.3.2 SPAD值的测定 |
| 1.4 数据处理与分析 |
| 1.4.1 数据处理与“三边”参数的计算 |
| 1.4.2 与叶片SPAD值相关的高光谱指数 |
| 2 结果与分析 |
| 2.1 水稻光谱反射率与叶片SPAD值的相关分析 |
| 2.2 基于水稻光谱反射率单波段的叶片SPAD值模型建立 |
| 2.3 水稻SPAD值与高光谱“三边”参数的相关性 |
| 2.4 基于水稻高光谱特征参数与SPAD值的模型建立 |
| 2.5 叶片SPAD值与植被指数的相关分析 |
| 2.6 基于水稻植被指数的SPAD监测模型构建 |
| 3 小结 |
| 第五章 结论与讨论 |
| 1 讨论 |
| 2 结论 |
| 参考文献 |
| 致谢 |
（10）干旱胁迫下冬小麦生长、生理及产量的高光谱遥感监测研究（论文提纲范文）
| 摘要 |
| 第一章 文献综述 |
| 1 研究背景 |
| 2 高光谱遥感技术概述 |
| 2.1 高光谱遥感技术基本概念 |
| 2.2 绿色植被光谱特征及诊断原理 |
| 2.3 高光谱遥感在植被监测中的应用 |
| 3 作物光谱遥感监测研究进展 |
| 3.1 作物生长指标的光谱监测 |
| 3.2 作物生理指标的光谱监测 |
| 3.3 作物产量的光谱监测 |
| 3.4 作物品质的光谱监测 |
| 4 存在的问题 |
| 5 研究内容和技术路线 |
| 5.1 研究内容 |
| 5.2 技术路线 |
| 参考文献 |
| 第二章 冬小麦冠层光谱差异性分析 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 高光谱数据采集 |
| 2.4 高光谱数据处理 |
| 3 结果与分析 |
| 3.1 冬小麦冠层光谱特征分析 |
| 3.2 冬小麦冠层光谱红边参数分析 |
| 4 结论与讨论 |
| 参考文献 |
| 第三章 基于高光谱植被指数的冬小麦生长指标监测研究 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 数据采集 |
| 2.4 高光谱数据处理 |
| 2.5 分析方法 |
| 2.6 数据分析软件 |
| 3 结果与分析 |
| 3.1 干旱胁迫下冬小麦生长指标变化 |
| 3.2 冬小麦生长指标与冠层光谱相关性分析 |
| 3.3 基于单植被指数(Ⅵ)的冬小麦生长指标的光谱监测 |
| 3.4 基于多植被指数组合(VIs)的冬小麦生长指标的光谱监测 |
| 4 讨论与结论 |
| 参考文献 |
| 第四章 基于高光谱植被指数的冬小麦生理指标监测研究 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 数据采集 |
| 2.4 高光谱数据处理 |
| 2.5 分析方法 |
| 2.6 数据分析软件 |
| 3 结果与分析 |
| 3.1 干旱胁迫下冬小麦生理指标变化 |
| 3.2 干旱胁迫下冬小麦生理指标与冠层光谱相关性分析 |
| 3.3 基于单植被指数(Ⅵ)的冬小麦生理指标的光谱监测 |
| 3.4 基于多植被指数组合(VIs)的冬小麦生理指标的光谱监测 |
| 4 讨论与结论 |
| 参考文献 |
| 第五章 基于高光谱植被指数的冬小麦产量估测研究 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 数据采集 |
| 2.4 高光谱数据处理 |
| 2.5 分析方法 |
| 2.6 数据分析软件 |
| 3 结果与分析 |
| 3.1 干旱胁迫下冬小麦产量变化 |
| 3.2 基于单植被指数(Ⅵ)的冬小麦产量的光谱监测 |
| 3.3 基于多植被指数组合(VIs)的冬小麦产量的光谱监测 |
| 4 讨论与结论 |
| 参考文献 |
| 第六章 基于高光谱植被指数的冬小麦籽粒品质估测研究 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 数据采集 |
| 2.4 高光谱数据处理 |
| 2.5 分析方法 |
| 2.6 数据分析软件 |
| 3 结果与分析 |
| 3.1 干旱胁迫下冬小麦籽粒品质变化 |
| 3.2 冬小麦籽粒品质与冠层光谱相关性分析 |
| 3.3 基于单植被指数(Ⅵ)的冬小麦籽粒品质的光谱监测 |
| 3.4 基于多植被指数组合(VIs)的冬小麦籽粒品质的光谱监测 |
| 4 讨论与结论 |
| 参考文献 |
| ABSTRACT |
| 攻读博士研究生期间科研总结 |
| 致谢 |
四、水分胁迫下棉花冠层叶片氮素状况的高光谱估测研究（论文参考文献）
- [1]基于高光谱成像技术的甜菜生理生态参数检测方法研究[D]. 张晶. 内蒙古农业大学, 2021
- [2]基于高光谱的棉花叶片氮素变化特征及估算建模研究[D]. 王式琴. 塔里木大学, 2021(08)
- [3]基于近地高光谱的滨海盐土区燕麦主要农艺指标监测研究[D]. 刘映雪. 扬州大学, 2021
- [4]水肥一体化水氮用量对苹果园氮素利用的影响及其供应决策[D]. 陈绍民. 西北农林科技大学, 2021(01)
- [5]渍水胁迫下小麦高光谱特征分析与主要生理参数估测研究[D]. 李庆禄. 扬州大学, 2021
- [6]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)
- [7]高温热害下灌溉处理对水稻高光谱的影响及水稻生长监测[D]. 梁金晨. 南京信息工程大学, 2020(02)
- [8]基于高光谱遥感的棉花冠层水氮参数估算[D]. 马岩川. 中国农业科学院, 2020
- [9]基于高光谱的水稻氮素营养监测研究[D]. 蒋仁安. 江西农业大学, 2019(03)
- [10]干旱胁迫下冬小麦生长、生理及产量的高光谱遥感监测研究[D]. 肖璐洁. 山西农业大学, 2019(07)