一、衛(wèi)星遙感在HUBEX試驗中的應用研究（論文文獻綜述）
胡雯,田紅,葉金印,徐勝,張曉紅,盧燕宇[1]（2020）在《淮河流域氣象業(yè)務(wù)服務(wù)及科技發(fā)展》文中指出淮河流域地處我國南北氣候過渡地區(qū),天氣氣候復雜多變,降雨時空分布不均。歷史上,黃河長期侵淮奪淮,使其喪失入海口,淮河流域水旱災害頻發(fā),淮河因此得名"最難治理的河流"。本文以淮河流域大型科學試驗、水文氣象科技、流域氣象業(yè)務(wù)服務(wù)發(fā)展為主線,分析總結(jié)科學試驗和科技發(fā)展成果,梳理流域氣象業(yè)務(wù)發(fā)展歷程。20世紀90年代以來,圍繞淮河流域氣象防災減災的科學試驗和技術(shù)研發(fā)持續(xù)推進,成立了淮河流域氣象中心,流域氣象服務(wù)機制和服務(wù)能力顯著提升,在流域防汛抗洪的關(guān)鍵節(jié)點發(fā)揮了重要作用。筆者提出了"十四五"流域氣象服務(wù)發(fā)展設(shè)想。
黃勇,張文建[2]（2020）在《全球能量與水循環(huán)試驗以及淮河流域能量與水循環(huán)試驗概述》文中提出全球能量與水循環(huán)試驗（GEWEX）是國際科學理事會與世界氣象組織為了研究氣候異常、解決長期預報,以防災減災、保證糧食生產(chǎn)為目的,而設(shè)立的世界研究計劃,致力于了解地球表面和地下以及大氣中的水循環(huán)和能量通量。從20世紀80年代開始,GEWEX共分為3個階段。通過調(diào)研,理清GEWEX發(fā)展脈絡(luò),總結(jié)試驗第一和第二階段的主要內(nèi)容和成果,概述現(xiàn)階段（即第三階段）試驗擬解決的四大科學問題（降水觀測和預報、全球水資源系統(tǒng)、極端變化、能量與水循環(huán)及其過程）和重點關(guān)注的七大研究領(lǐng)域（數(shù)據(jù)集、分析、流程、建模、應用、技術(shù)轉(zhuǎn)換、能力建設(shè)）?；春恿饔蚰芰颗c水循環(huán)試驗（HUBEX,1998—2000年）是第一階段全球能量與水分循環(huán)試驗/亞洲季風試驗（GEWEX/GAME）在東亞副熱帶半濕潤地區(qū),以淮河流域為中心開展的氣象、水文科學試驗。在總結(jié)HUBEX所取得成果的基礎(chǔ)上,指出現(xiàn)階段的發(fā)展需求,并結(jié)合淮河流域現(xiàn)狀,提出第二次淮河流域能量與水循環(huán)試驗（HUBEX-2）的建議與思考。
胡雯,鄭淋淋,謝五三,霍彥峰,丁一匯,黃勇[3]（2020）在《淮河流域能量和水分循環(huán)觀測系統(tǒng)及作用》文中研究表明淮河流域是中國南北氣候重要的過渡帶,氣象災害頻繁發(fā)生。這里水網(wǎng)、農(nóng)田、丘陵、山地、城鎮(zhèn)密布,地-氣作用復雜,干冷與暖濕空氣時常交匯于此,造成局地或流域旱澇經(jīng)常發(fā)生。淮河流域處于梅雨區(qū),且是中國重要的農(nóng)業(yè)生產(chǎn)基地,具有氣象和水文綜合觀測系統(tǒng),積累了長序列的氣象和水文觀測資料。因此,淮河流域是研究能量和水分循環(huán)的理想試驗區(qū)。國家自然科學基金重大項目"淮河流域能量與水分循環(huán)試驗和研究（HUaihe river Basin Experiment,簡稱HUBEX）"于1998、1999年夏在淮河流域開展了氣象和水文聯(lián)合觀測試驗。文中回顧了HUBEX試驗的目的、觀測網(wǎng)設(shè)計與布局,介紹了HUBEX推動下的淮河流域綜合觀測網(wǎng)的發(fā)展,總結(jié)了HUBEX觀測試驗對區(qū)域氣候事件和暴雨等災害性天氣機理研究、提高模式模擬和預報能力及建立長期連續(xù)的氣象觀測數(shù)據(jù)集等方面的成果和作用。
丁一匯,胡雯,黃勇,陳鳳嬌[4]（2020）在《淮河流域能量和水分循環(huán)研究進展》文中研究指明1998和1999年夏,中國與日本科學家合作在安徽省淮河流域進行了第一次大規(guī)模的能量與水循環(huán)試驗（WCRP/GEWEX/GAME/HUBEX）,其重點是研究東亞梅雨鋒系的多尺度,多系統(tǒng)結(jié)構(gòu)、特征、生命史、發(fā)生發(fā)展機理及其引起洪澇災害的原因。這是第一次中日合作的氣象與水文聯(lián)合觀測試驗,在此加強觀測的基礎(chǔ)上,雙方進一步進行了長達5年的資料整理分析和科學研究工作,整個淮河流域能量與水循環(huán)試驗與研究取得了全面和豐碩的成果。文中介紹了該計劃所取得的主要成果,并以現(xiàn)在科學進展的視野重新評估這些成果的科學意義和不足,為進一步開展新的淮河與長江中下游梅雨科學聯(lián)合試驗提供經(jīng)驗和新的研究目標。
張煜洲[5]（2020）在《基于多源衛(wèi)星遙感協(xié)同的復雜地質(zhì)體解譯研究》文中指出地質(zhì)體是由地質(zhì)作用形成的產(chǎn)物,具有成礦的專屬性,如何識別成礦地質(zhì)體,對指導找礦具有重要的意義。地質(zhì)體形成過程中,往往經(jīng)歷了復雜的地質(zhì)過程,導致其成分和結(jié)構(gòu)復雜;同時,由于我國中西部部分區(qū)域地表條件艱險,無法開展現(xiàn)場的直接調(diào)查,限制了復雜地質(zhì)體的地面勘探。遙感技術(shù)已經(jīng)成為地質(zhì)工作不可或缺的手段,極大地推動了復雜地質(zhì)體的高精度、定量化的解譯研究。已有研究表明,較高光譜分辨率能夠更準確表現(xiàn)地表地質(zhì)體巖性、礦物物質(zhì)成分上的差異,而較高空間分辨率能夠通過細節(jié)紋理差異更精細表達特定地質(zhì)體間的形態(tài)和界線。然而由于目前衛(wèi)星遙感技術(shù)水平所限,單一傳感器數(shù)據(jù)往往很難兼顧空間分辨率與光譜分辨率,這在很大程度上限制了遙感技術(shù)在地質(zhì)體解譯中的應用。同時,單一傳感器數(shù)據(jù)由于光譜波段數(shù)量的限制往往無法覆蓋多種特征礦物所具有的特征波段。因此,如何在現(xiàn)有技術(shù)水平下充分利用多源遙感數(shù)據(jù)分別在空間和光譜上的優(yōu)勢互補,同時充分利用多源數(shù)據(jù)的光譜波段設(shè)置,緩解這一矛盾是一項非常值得探索和研究的工作。本研究以復雜地質(zhì)體解譯為目標,提出了多源衛(wèi)星遙感協(xié)同應用的思想,圍繞多源遙感數(shù)據(jù)光譜、空間協(xié)同中的相關(guān)問題,研究了多源衛(wèi)星遙感協(xié)同應用框架及協(xié)同處理方法。通過構(gòu)建協(xié)同影像數(shù)據(jù)集,實現(xiàn)了較高空間分辨率影像與較高光譜分辨率影像的綜合利用,獲得了更全的波段集合。通過在巖漿雜巖體解譯、沉積單元解譯以及變質(zhì)巖礦化蝕變提取等研究中應用,對本文提出的方法進行了驗證。取得了以下成果:1)根據(jù)協(xié)同學理論與遙感成像系統(tǒng)的特征,總結(jié)了遙感數(shù)據(jù)協(xié)同思想,并建立了以影像像元地表反射率光譜響應一致與盡可能提高各多光譜數(shù)據(jù)源空間分辨率為原則的多源衛(wèi)星遙感協(xié)同應用框架。2)提出了基于統(tǒng)計回歸與波段相關(guān)性的光譜協(xié)同方法。通過統(tǒng)計回歸獲取了不同傳感器相似波長設(shè)置波段的光譜協(xié)同因子;利用波段關(guān)系及相關(guān)性決定不同波長設(shè)置波段的光譜協(xié)同因子。通過光譜協(xié)同后,不同傳感器各波段的地表反射率數(shù)值在均值、標準差等統(tǒng)計參數(shù)上的差異顯著減小。3)引入光譜響應函數(shù)積分權(quán)重改進GS融合方法,提了高空間分辨率統(tǒng)一時的光譜保真性。從各分辨率尺度以及融合結(jié)果的各光譜波段的對比實驗中,利用均方根誤差（RMSE）表明了該方法在光譜保真上的優(yōu)勢;并通過多尺度的融合實驗,以信息熵與可變窗口改進局部方差分別評價影像信息量與清晰度,從而確定最佳協(xié)同尺度,并將其作為空間協(xié)同尺度構(gòu)建多源遙感協(xié)同影像集。4)驗證了多源遙感協(xié)同處理方法的應用效果,并針對各研究區(qū)提出了合適的協(xié)同方案。在三峰山巖漿侵入雜巖體區(qū)域、拜城-庫車沉積巖區(qū)域、大青山變質(zhì)巖區(qū)域,分別利用合適的多源遙感數(shù)據(jù),將多源衛(wèi)星遙感協(xié)同方法應用于巖漿雜巖體解譯、沉積單元解譯及變質(zhì)巖礦化蝕變提取等研究中,取得較好的解譯、提取結(jié)果,并通過對比實驗驗證了多源遙感協(xié)同方法的優(yōu)勢。侵入單元、沉積單元差異以及地表出露并不廣泛的礦化蝕變增強時,均需要SWIR相應波長位置設(shè)置的窄波段與空間協(xié)同后一定空間分辨率的支持,以緩解混合像元的嚴重影響;侵入雜巖體與沉積單元解譯研究中,復雜地段則需應用協(xié)同影像全波段的光譜特征,以及合理的波段比值集合與主成分分析方法,以獲得更有效的地質(zhì)體界線增強結(jié)果;在變質(zhì)巖研究區(qū)則增強提取了多個波長位置波段的礦化蝕變,并提出單蝕變增強所需光譜波段若均來自同一傳感器時,可僅進行空間協(xié)同提升分辨率而不進行光譜協(xié)同。本研究在各研究區(qū)的效果驗證了協(xié)同影像在光譜信息豐富程度及空間分辨率上均具有一定的優(yōu)勢,同時也證明了光譜、空間協(xié)同的有效性,為復雜地質(zhì)體的解譯提供了一套較為合理的多源衛(wèi)星遙感數(shù)據(jù)應用方法。
陳志超[6]（2019）在《基于無人機遙感的華北平原冬小麥氮營養(yǎng)診斷與精準養(yǎng)分調(diào)控》文中提出以遙感技術(shù)（RS）、地理信息技術(shù)（GIS）、全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）和變量管理技術(shù)為支持并考慮作物與土壤時空變異的精準農(nóng)業(yè),實現(xiàn)了農(nóng)田信息的精準感知、控制與決策管理,從而實現(xiàn)了作物的高產(chǎn)高效和環(huán)境風險的進一步降低。然而在華北平原村級尺度小農(nóng)戶管理下,尚缺乏基于RS與GIS技術(shù)的冬小麥精準養(yǎng)分管理。本文通過山東省樂陵市南夏村多年多點小區(qū)與農(nóng)戶試驗,應用多旋翼無人機搭載多光譜相機Mini-MCA與固定翼e Bee無人機搭載多光譜相機Parrot Sequoia+所獲取的冬小麥冠層光譜反射率,利用建模與驗證集篩選反演冬小麥農(nóng)學指標效果最優(yōu)的植被指數(shù)（簡稱最優(yōu)植被指數(shù)）,對比歸一化植被指數(shù)與最優(yōu)植被指數(shù),評價了無人機遙感在當季關(guān)鍵生育期實時氮營養(yǎng)診斷的潛力,并建立了冬小麥精準氮肥管理策略。同時,結(jié)合GIS技術(shù)與地統(tǒng)計學研究方法,建立了基于GIS與RS相結(jié)合的村級尺度冬小麥精準養(yǎng)分管理策略,評估了精準養(yǎng)分管理在村級尺度的節(jié)肥增效潛力。綜合全文結(jié)果,主要工作及結(jié)論如下:（1）從冬小麥氮營養(yǎng)實時診斷來看,利用多旋翼無人機Mini-MCA多光譜估測了冬小麥氮營養(yǎng)指標潛力,并基于兩種機理性和一種半經(jīng)驗性模型分別建立了冬小麥氮營養(yǎng)診斷策略。其中,紅邊歸一化植被指數(shù)和最優(yōu)植被指數(shù)都能夠較好地估測田塊尺度冬小麥地上部生物量和吸氮量,且無顯著差異;基于多旋翼無人機遙感的有效氮營養(yǎng)診斷策略為利用紅邊歸一化植被指數(shù)快速無損地估測氮營養(yǎng)指數(shù),達到了73～86%的準確率。利用最優(yōu)植被指數(shù)反演方法評估了基于固定翼e Bee多光譜遙感的冬小麥氮營養(yǎng)指標診斷估測潛力,提出了由田塊尺度到村級尺度的冬小麥氮營養(yǎng)最優(yōu)診斷策略。村級尺度下,紅光與紅邊歸一化植被指數(shù)分別能解釋70%與64%的生物量和吸氮量變異,與最優(yōu)植被指數(shù)無顯著差異。利用氮充足指數(shù)（NSI）能夠較好且穩(wěn)定地估測氮營養(yǎng)指數(shù)（NNI）,采用NNI-NSI策略較為簡單實用,診斷準確率為57～59%。（2）對于冬小麥精準氮素管理,應用多旋翼無人機Mini-MCA多光譜相機采集冠層光譜數(shù)據(jù),利用氮肥優(yōu)化算法進行田塊尺度精準氮素管理?；诙嘈頍o人機遙感估產(chǎn)效果較好,能夠解釋89～93%的產(chǎn)量變異。根據(jù)情景分析結(jié)果,基于無人機遙感的精準氮素管理在穩(wěn)產(chǎn)基礎(chǔ)上優(yōu)于農(nóng)戶管理和區(qū)域優(yōu)化管理,氮肥施用量分別減少了21～40%與17～37%,氮肥偏生產(chǎn)力增加了27～66%與32～59%。采用綠色窗口法并結(jié)合村級氮營養(yǎng)診斷結(jié)果,應用固定翼e Bee多光譜遙感采集冠層光譜數(shù)據(jù),創(chuàng)建性地提出了由田塊尺度到村級尺度的無人機遙感精準氮素管理策略?；诠潭ㄒ頍o人機遙感估產(chǎn)效果較好,能夠解釋85%的產(chǎn)量變異。情景分析結(jié)果表明,采用綠光歸一化植被指數(shù)與最優(yōu)植被指數(shù)推薦施氮量類似,并與經(jīng)濟最優(yōu)施氮量無顯著差異。（3）村級尺度下針對土壤與作物養(yǎng)分空間變異,應用地統(tǒng)計方法的GIS平臺,建立了基于GIS與RS的村級冬小麥精準養(yǎng)分管理,探討了基于情景分析的精準管理節(jié)肥增效潛力。精準養(yǎng)分管理有助于減少氮、磷、鉀肥的投入,相對農(nóng)戶管理減少44～68%、62%和88%,平均增收約為1387～1424￥ha-1;相對區(qū)域優(yōu)化分別減少24～56%、48%和93%;平均增收分別約為834～871￥ha-1。
段丹丹[7]（2019）在《基于冬小麥冠層垂直分布信息的氮素診斷研究》文中研究表明中國農(nóng)業(yè)已經(jīng)進入到豐產(chǎn)、余糧、優(yōu)質(zhì)的發(fā)展階段,低產(chǎn)、低質(zhì)、廉價的狀態(tài)逐步得到改善。相對應的農(nóng)田生態(tài)環(huán)境、農(nóng)田土地問題、農(nóng)田地下水問題逐步凸顯。因此,我國糧食大范圍連年豐收之余,農(nóng)田的“可持續(xù)”發(fā)展正引起廣泛關(guān)注。“雙減”——化肥農(nóng)藥減量、減施,“零增長”,甚至“負增長”等政策相繼出臺。這意味著我國農(nóng)業(yè)的發(fā)展在追求優(yōu)質(zhì)、高產(chǎn)、高效的同時,同樣追求農(nóng)田生態(tài)環(huán)境的可持續(xù)發(fā)展。遙感技術(shù)以其快速、高效、實時等優(yōu)點,被廣泛應用在農(nóng)業(yè)生產(chǎn)領(lǐng)域進行大面積、精準、連續(xù)監(jiān)測。本人將農(nóng)學知識與遙感技術(shù)相結(jié)合,通過“天—地”一體化的模式,利用地面高光譜遙感技術(shù)結(jié)合衛(wèi)星多光譜遙感技術(shù),從基于冬小麥冠層氮素垂直分布以及分層貢獻比的冬小麥氮素濃度預測,到冬小麥氮素營養(yǎng)診斷,最后確定大田尺度基于衛(wèi)星多光譜遙感技術(shù)的氮肥施肥處方圖的構(gòu)建,得出主要結(jié)論如下:1.冬小麥葉片氮素濃度垂直分布基于葉位計算各上層氮素信息,冬小麥冠層葉片氮素在各生育時期的垂直分布規(guī)律存在差異:拔節(jié)期、開花期、灌漿期其各層氮素濃度呈現(xiàn)出從頂層到底層逐層減少的趨勢;挑旗期冬小麥冠層從頂層到底層,其各層氮素濃度呈現(xiàn)出先上升后下降的變化趨勢,其中第2層達到最高值。每個生育時期的上層氮素濃度占整層的比值均>1,且與整體葉片氮素濃度（TLNC）均達到了極顯著:拔節(jié)期LNCu1、LNCu2、LNCu3,其相關(guān)系數(shù)r分別為:0.94、0.99、1;挑旗期LNCu1、LNCu2、LNCu3、LNCu4,其相關(guān)系數(shù)r分別為:0.79、0.96、0.98、0.99;開花期LNCu1、LNCu2、LNCu3,其相關(guān)系數(shù)r分別為:0.74、0.88、0.98;灌漿期LNCu1、LNCu2,其相關(guān)系數(shù)r分別為:0.94、0.98?；诙←湽趯拥卮怪狈植家?guī)律,通過相關(guān)農(nóng)學機理和計算推演,并充分考慮各分層對整層氮素濃度的貢獻比,構(gòu)建了基于氮素垂直分布規(guī)律的氮素濃度模型。2.基于高光譜和氮素垂直分布的冬小麥TLNC估測基于冬小麥氮素垂直分布規(guī)律以及最優(yōu)植被指數(shù)的氮素濃度預測模型。利用20132014年冬小麥地面高光譜數(shù)據(jù)進行驗證,實現(xiàn)了冬小麥冠層氮素濃度的遙感估測。研究結(jié)果表明:基于氮素垂直分布估算的葉片氮濃度,驗證結(jié)果的估測值與實測值的三種植被指數(shù)基于GI構(gòu)建的模型的R2的數(shù)值是0.61,nRMSE數(shù)值是8.84%;基于mND705構(gòu)建的模型的R2數(shù)值是0.59,nRMSE數(shù)值是8.89%;基于NDVI構(gòu)建的模型的R2數(shù)值是0.53,nRMSE數(shù)值是9.37%。反演模型具有較高的精度與可靠性。3.基于氮素營養(yǎng)指數(shù)的冬小麥關(guān)鍵生育時期氮素營養(yǎng)診斷通過對多個冬小麥品種的4個施氮水平處理,通過構(gòu)建冬小麥臨界氮濃度稀釋曲線,進一步確定冬小麥臨界氮營養(yǎng)指數(shù),最終實現(xiàn)對冬小麥氮素營養(yǎng)虧缺-過量程度的診斷。結(jié)果表明:試驗冬小麥的生物量隨施氮量的增加而增加,冬小麥氮素濃度隨生育進程(ZSstage)的推進而降低;冬小麥臨界氮濃度稀釋曲線符合冪函數(shù)關(guān)系:y=5.39*ZSstage-0.19,其中R2=0.43,并通過均方根誤差RMSE=0.24%對模型進行驗證。該研究基于VND-TLNC監(jiān)測冬小麥臨界氮濃度建立的氮素營養(yǎng)指數(shù)模型（NNI）,為冬小麥氮素營養(yǎng)診斷提供了依據(jù)。4.面向家庭農(nóng)場的氮肥處方圖基于衛(wèi)星遙感數(shù)據(jù)的冬小麥氮素濃度（TLNC）模型的構(gòu)建TLNC=（6.51*MTVI+1.19）/β,其R2=0.39,RMSE=0.45%。開展基于植被指數(shù)MTVI的TLNC的建模與驗證,基于2018年試驗數(shù)據(jù)構(gòu)建的TLNCc=5.39*ZSstage-0.19,其R2=0.39,其RMSE=0.11,將2017年數(shù)據(jù)帶入模型進行驗證,其R2=0.61,其RMSE=0.10。根據(jù)NNI與植被指數(shù)MTVI的關(guān)系,利用ENVI和ArcGIS得出施肥處方圖。與第四章基于地面高光譜數(shù)據(jù)構(gòu)建的氮素營養(yǎng)指數(shù)NNI相比,基于衛(wèi)星遙感影像數(shù)據(jù)的氮素施肥推薦處方,可以實現(xiàn)大田尺度的施肥推薦。綜合氮肥處方模型與Planet衛(wèi)星遙感監(jiān)測,提供面向家庭農(nóng)場的氮肥施肥推薦。
黃華盛[8]（2019）在《基于無人機遙感圖像的稻田雜草識別研究》文中提出水稻是我國最重要的糧食作物,對保障國家糧食安全具有重要意義。在水稻種植過程中,雜草是影響水稻生產(chǎn)的關(guān)鍵因素。田間雜草同水稻競爭陽光、水分、營養(yǎng)等資源,從而影響水稻的質(zhì)量和產(chǎn)量。隨著近年來規(guī)?；N植的發(fā)展和直播田面積擴大,雜草對水稻種植的危害更加顯著。據(jù)統(tǒng)計,田間雜草對水稻產(chǎn)量造成的損失高達40%。因此,田間雜草的有效管控,對保證水稻的產(chǎn)量和質(zhì)量具有重要意義。在所有的雜草防控模式中,化學防控是應用最為廣泛的處理方式?；瘜W防控由于操作簡便、防控效果良好、省時省力等優(yōu)點,被大多數(shù)的農(nóng)戶所接受和采用。然而,當前的化學防控模式存在噴灑方式粗放的問題。大多數(shù)情況下,農(nóng)戶并不考慮田間雜草的分布情況,而對整個田塊采用統(tǒng)一的劑量進行均勻噴灑。為了保證藥效,農(nóng)戶甚至通過加大劑量和增多噴藥次數(shù)的方式,保證除草劑在雜草上的沉積量。雖然化學防控方法有效保證了水稻的質(zhì)量和產(chǎn)量,但是過量使用除草劑不僅污染環(huán)境,造成了土壤和水源的污染,也造成了除草劑在作物上的殘留,影響了水稻品質(zhì)。精準噴施模式能夠有效解決除草劑過量使用的問題。通過對雜草區(qū)域重點噴施除草劑,保證了化學防控的除草效果;對沒有雜草或雜草濃度低的區(qū)域,則不噴灑除草劑,有效降低了除草劑的使用量。精準的處方圖信息能為植保機械的精準噴施作業(yè)提供決策依據(jù)。因此,處方圖生成的研究對提高作業(yè)藥效、減少農(nóng)藥使用量具有重要意義。本文在查閱國內(nèi)外相關(guān)文獻的基礎(chǔ)上,提出針對水稻雜草的處方圖生成的實現(xiàn)方案:基于無人機進行圖像采集,采用面向?qū)ο髨D像分析和深度學習算法進行數(shù)據(jù)分析,進而生成水稻田塊的雜草分布圖和施藥處方圖。采用無人機進行圖像采集,能夠快速覆蓋整個田塊區(qū)域,生成田塊的正射影像圖;基于面向?qū)ο髨D像分析和深度學習算法能對圖像進行像素級的分類,進而生成田塊的雜草分布圖和施藥處方圖。本文以水稻生長初期（苗期和分蘗期）的兩個田塊作為實驗地點,采用無人機采集田塊的低空遙感影像?；跓o人機影像的位置信息和顏色紋理特征進行圖像拼接,形成田塊的正射影像圖。為避免后續(xù)分析中因為圖像過大引起計算資源耗盡,將正射影像圖切割為1000×1000像素的小塊區(qū)域。將所有的數(shù)據(jù)劃分為訓練集、驗證集、測試集,采用平均交并比（MIU）和總體精度（OA）作為準確率的評價指標?；诿嫦?qū)ο髨D像分析算法進行雜草識別。分別基于多尺度分割和k-means算法進行圖像分割,將圖像分割為多個對象區(qū)域;分別提取每個對象區(qū)域的顏色和紋理特征,作為對象區(qū)域的特征向量;分別利用BP網(wǎng)絡(luò)、支持向量機、隨機森林作為分類器。通過網(wǎng)格搜索策略進行分割模型的超參優(yōu)化,在驗證集數(shù)據(jù)上測試不同分類器的分類精度和執(zhí)行速度。試驗結(jié)果表明,多尺度分割算法在測試集上的準確率達到66.8%MIU,執(zhí)行速度為6463.1 ms（對于一幅1000×1000的可見光圖像）;k-means分割算法在測試集上的準確率為66.6%MIU,執(zhí)行速度為2343.5 ms?；谏疃葘W習算法進行雜草識別。采用全卷積網(wǎng)絡(luò)（FCN）,對無人機影像進行像素級的分類?；谶w移學習,分別采用不同的卷積神經(jīng)網(wǎng)絡(luò)（CNN）的經(jīng)典結(jié)構(gòu)（包括Alex Net、VGGNet、Goog Le Net、Res Net）作為預訓練模型,并在本文的數(shù)據(jù)集上進行微調(diào);采用跳躍結(jié)構(gòu)、全連接條件隨機場、局部連接條件隨機場作為改進方法,探索FCN在單一改進方法和混合改進方法下的分類性能。試驗結(jié)果證明,在統(tǒng)一采用32倍下采樣的情況下,VGGNet的準確度最高,且執(zhí)行速度在合理范圍之內(nèi);對于單一改進方法,跳躍結(jié)構(gòu)和局部連接條件隨機場均能有效提高識別率;采用混合改進方法（跳躍結(jié)構(gòu)和局部連接條件隨機場）,能進一步提高FCN的分類精度。其中,采用跳躍結(jié)構(gòu)和局部連接條件隨機場之后,FCN在測試集上的準確率高達80.2%MIU,執(zhí)行速度為326.8 ms?；诿嫦?qū)ο髨D像分析和深度學習的識別結(jié)果,生成整個田塊的雜草分布圖。基于棋盤分割,將雜草分布圖分割為不同的作業(yè)網(wǎng)格;統(tǒng)計每個網(wǎng)格的雜草密度,將其與預先設(shè)定的雜草閾值進行對比,將每個網(wǎng)格分為施藥區(qū)域和非施藥區(qū)域,生成整個田塊的施藥處方圖。針對面向?qū)ο髨D像分析和深度學習,統(tǒng)計并對比這兩種方法生成處方圖的準確度和速度。實驗結(jié)果表明,深度學習生成處方圖的準確度和速度都優(yōu)于面向?qū)ο髨D像分析方法。其中,對于本次實驗的兩個田塊（面積分別為70×60m和30×60m）,深度學習（基于混合改進方法的FCN）能夠在20分鐘之內(nèi)完成處方圖生成;在雜草閾值為0.0%的情況下,深度學習生成處方圖的準確率為83.6%,減藥率為35.5%。本文的研究結(jié)果表明,無人機影像能夠有效反映雜草和作物的差異,獲得較高的分類精度;深度學習不論是速度還是準確度,都要優(yōu)于面向?qū)ο髨D像分析方法。本文的研究方法,能夠快速生成較為準確的施藥處方圖,為植保機械的精準施藥作業(yè)提供決策依據(jù)。
崔美娜[9]（2019）在《基于無人機遙感的棉花螨害動態(tài)監(jiān)測研究》文中研究指明棉花是新疆地區(qū)的主要經(jīng)濟作物,然而近年來隨著氣候環(huán)境的不斷變化,生態(tài)環(huán)境變得更加有利于棉田病蟲害的發(fā)生,而棉葉螨作為棉花上的主要害蟲,對棉花生產(chǎn)危害極大。如何快速、準確的監(jiān)測棉花螨害,及時掌握田間螨害的發(fā)生動態(tài),對于減少棉花產(chǎn)量損失具有重要意義?；诖?本文依據(jù)無人機遙感在時間分辨率以及空間分辨率上的顯著優(yōu)勢,實時、動態(tài)地獲取棉田螨害發(fā)生和發(fā)展信息,并結(jié)合受害棉田的光譜特征與氣象要素,分別從螨害遙感識別、區(qū)域動態(tài)監(jiān)測、影響因子分析三個方面開展棉花螨害動態(tài)監(jiān)測研究,主要研究內(nèi)容和研究結(jié)果如下:（1）針對無人機多光譜遙感的棉田螨害識別展開研究。通過尋找與螨害發(fā)生關(guān)系顯著的光譜指數(shù)作為初選特征因子,根據(jù)地面螨害調(diào)查數(shù)據(jù)與受害棉田的影像數(shù)據(jù)提取相應特征值,同時使用赤池信息準則（AIC）作為特征選擇的依據(jù),獲取了最佳建模特征,建立了螨害識別的Logistic回歸模型。研究表明:在所分析的全部光譜指數(shù)中,TVI、DVI和RDVI為識別螨害的最佳特征因子,基于該3個因子構(gòu)建的Logistic回歸模型的分類準確率為95%,F1值為95.1%,能夠較好地實現(xiàn)棉田螨害識別,并為螨害監(jiān)測方面的研究奠定了理論基礎(chǔ)。（2）針對多時相遙感的螨害動態(tài)監(jiān)測展開研究?；跓o人機獲取的多時相影像數(shù)據(jù),使用本文得到的螨害識別模型提取各期影像的螨害信息,在此基礎(chǔ)上,通過影像信息統(tǒng)計法與變化檢測法分析螨害時空上的發(fā)生發(fā)展過程,并使用數(shù)據(jù)插值法計算時間序列上的螨害發(fā)生面積,建立螨害隨時間變化的指數(shù)曲線監(jiān)測模型,實現(xiàn)對螨害發(fā)生面積的動態(tài)監(jiān)測。（3）針對氣候環(huán)境對螨害發(fā)生發(fā)展的影響展開定量研究。通過對氣象因子（平均溫度、最高溫度、最低溫度、相對濕度、降雨量、溫濕系數(shù)、溫雨系數(shù)、積溫、風力以及風向）與螨害發(fā)生變化情況的相關(guān)性分析,獲得兩者之間的定量關(guān)系模型。結(jié)果表明:風力、溫雨系數(shù)、溫濕系數(shù)與積溫這四種氣象因子共同影響螨害發(fā)生動態(tài),風向影響螨害的變化趨勢。本文以棉田葉螨為研究對象,基于無人機遙感數(shù)據(jù),實現(xiàn)了一定區(qū)域范圍的棉葉螨快速識別與動態(tài)監(jiān)測。結(jié)合多種氣象數(shù)據(jù),分析了棉花螨害的發(fā)生與變化過程。研究成果可為棉花螨害的準確監(jiān)測和趨勢預測提供方法參考,為統(tǒng)防統(tǒng)治、提前預防提供依據(jù)。
丁星臣[10]（2018）在《遙感降水量產(chǎn)品及潛在蒸散量對寒區(qū)徑流模擬的影響》文中認為世界各地受降水影響發(fā)生的洪水、干旱和環(huán)境污染常造成大量的財產(chǎn)損失和人員傷亡。作為最重要的氣象要素,降水是從事氣候分析、干旱評估、洪水預報等相關(guān)研究的必要數(shù)據(jù),目前,主要采用地面雨量站、天氣雷達、遙感等方式觀測降水。地面雨量站觀測是最常用的測雨方法,但受站網(wǎng)布設(shè)密度及其空間分布不均的影響,站點降水往往代表性不足。天氣雷達觀測范圍有限、覆蓋率較低,缺乏普遍的適用性,不能滿足大流域降雨觀測的需求,在地形復雜地區(qū)相對具有較大的不確定性。近年來,一系列高時空分辨率的遙感降水量產(chǎn)品的出現(xiàn),為解決常規(guī)及雷達測雨問題的不足提供了新的途徑和方法,其中具有代表性的產(chǎn)品主要有熱帶降雨觀測計劃（Tropical rainfall measuring mission,TRMM）、美國氣候預測降水中心融合技術(shù)降水產(chǎn)品（Climate prediction center morphing technique,CMORPH）、氣候災害組紅外降水數(shù)據(jù)（Climate hazards group infrared precipitation with station data,CHIRPS）、全球衛(wèi)星測繪降水計劃（Global satellite mapping of precipitation,GSMaP）等。在應用這些降水量產(chǎn)品前,了解其數(shù)據(jù)誤差的時空分布及在水文模擬中的應用能力是十分必要的。在流域或灌區(qū)尺度,國內(nèi)外學者已應用SWAT（Soil and water assessment tool）在水文過程模擬、非點源污染、水資源管理與評價、土地利用方式變化等方面開展了較多研究。然而,關(guān)于不同方法計算的潛在蒸散量（Potential evapotranspiration,PET）對SWAT模擬結(jié)果影響的研究很少,尤其是在黑龍江省這樣的高寒區(qū)典型流域研究更為稀缺。黑龍江省是中國緯度最高、最冷的寒區(qū)省份,冬季寒冷漫長,降雪、積雪、融雪、凍土、河道冰封、河水斷流等水文現(xiàn)象十分普遍,這些不利因素增加了研發(fā)水文模型的難度。截至目前,雖然已有較多的PET計算方法,但不同方法計算的PET數(shù)值差別較大,在實際應用中各有其局限性。針對以上問題,本文以黑龍江省內(nèi)呼蘭河流域為研究區(qū),選取TRMM 3B42V7、TRMM3B42RT、CHIRPS 3種衛(wèi)星遙感降水量產(chǎn)品,以及基于地面雨量站采用反距離加權(quán)插值方法IDW（Inverse distance weighted）插值的柵格降水量數(shù)據(jù),在不同時間尺度及0.05°×0.05°像元空間尺度上的精度及誤差分布,并利用這些降水量產(chǎn)品驅(qū)動SWAT,研究其在寒區(qū)徑流模擬中的適用性,以期為遙感降水量產(chǎn)品在寒區(qū)的應用提供更為可靠的降水數(shù)據(jù)。并以歐根河流域為研究區(qū),考慮降雪、融雪等寒區(qū)水文過程以及下墊面空間不均勻性等自然地理條件,在分析多種PET計算方法特點的基礎(chǔ)上,研究在高寒區(qū)流域不同方法計算的PET對SWAT模擬日流量過程的影響,以期尋找適宜我國高寒區(qū)的潛在蒸散量計算方法,為在我國高寒區(qū)應用SWAT提供借鑒。研究結(jié)果表明:流域日平均尺度上,3B42V7、3B42RT、CHIRPS分別高估地面降水量5.43%、41.24%、3.37%。3B42V7在流域日、月、季度時間尺度上很接近地面觀測降水量。3B42RT的日降水強度累計概率分布與雨量站較為接近。3B42V7和CHIRPS在率定期和驗證期的日流量模擬效果均較好,納什效率系數(shù)率定期為0.77、0.84;驗證期為0.67、0.56。3B42RT對流量峰值的模擬較差?？煽紤]采用TRMM 3B42V7和CHIRPS作為基礎(chǔ)降水量資料應用于寒區(qū)水資源管理、干旱監(jiān)測和洪水預報等相關(guān)研究;SWAT以子流域為尺度對PET計算結(jié)果進行插值的方式較粗略,不能較好反映PET的空間分布情況,在大面積森林覆蓋的不同子流域,月平均PET值隨不同子流域內(nèi)森林物種的種類和分布不同數(shù)值變化較小,并非在考慮地形影響下SWAT模擬的日流量結(jié)果均好,在未考慮地形影響下Penman-Monteith模型與考慮地形影響下的Hargreaces模型、Shuttleworth-Wallace模型模擬結(jié)果較好,Penman-Monteith模型擬合的效果最好,率定期與驗證期的Ens值分別為0.651、0.686,說明Penman-Monteith模型更適合用于高寒森林地區(qū)的潛在蒸散量計算。
二、衛(wèi)星遙感在HUBEX試驗中的應用研究（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、衛(wèi)星遙感在HUBEX試驗中的應用研究（論文提綱范文）
（1）淮河流域氣象業(yè)務(wù)服務(wù)及科技發(fā)展（論文提綱范文）
| 0 引言 |
| 1 流域科學試驗進展 |
| 1.1 以HUBEX為代表的第一階段科學試驗 |
| 1.2 2000—2010年的第二階段科學試驗 |
| 1.3 近10年的第三階段科學試驗 |
| 2 流域氣象科技發(fā)展 |
| 2.1 氣象觀測能力發(fā)展 |
| 2.2 預報預警技術(shù)發(fā)展 |
| 2.3 流域氣象服務(wù)關(guān)鍵技術(shù)發(fā)展 |
| 2.4 科技支撐條件 |
| 3 流域氣象業(yè)務(wù)服務(wù)不斷發(fā)展 |
| 3.1 1991年——衛(wèi)星產(chǎn)品的應用 |
| 3.2 2003年——衛(wèi)星、雷達及中尺度數(shù)值預報的綜合應用 |
| 3.3 2005年——淮河流域氣象中心成立 |
| 3.4 2007年——淮河流域氣象中心第一次大考 |
| 3.5 2020年——時隔13年的堅守與發(fā)展 |
| 4 未來展望 |
（2）全球能量與水循環(huán)試驗以及淮河流域能量與水循環(huán)試驗概述（論文提綱范文）
| 0 引言 |
| 1 全球能量與水循環(huán)試驗（GEWEX）簡介 |
| 2 GEWEX第一和第二階段試驗 |
| 3 GEWEX第三階段試驗 |
| 4 淮河能量與水循環(huán)試驗簡介 |
| 5 未來展望 |
| 1）建設(shè)觀測網(wǎng)，開發(fā)數(shù)據(jù)集 |
| 2）分析數(shù)據(jù)，揭示規(guī)律 |
| 3）開發(fā)模式，加以應用 |
| 4）技術(shù)轉(zhuǎn)換，能力建設(shè) |
（3）淮河流域能量和水分循環(huán)觀測系統(tǒng)及作用（論文提綱范文）
| 1 引言 |
| 2 HUBEX觀測目的及觀測網(wǎng)布局 |
| 2.1 觀測目的 |
| 2.2 觀測網(wǎng)設(shè)計與布局 |
| 2.3 HUBEX觀測系統(tǒng)發(fā)展 |
| 3 HUBEX觀測系統(tǒng)的作用 |
| 3.1 建立區(qū)域長期和連續(xù)氣象觀測數(shù)據(jù)集 |
| 3.2 區(qū)域氣候事件機理研究 |
| 3.3 梅雨期降水多尺度特征 |
| 3.4 區(qū)域大氣-水文耦合模式預報洪水的作用 |
| 4 HUBEX觀測系統(tǒng)設(shè)計思考 |
（4）淮河流域能量和水分循環(huán)研究進展（論文提綱范文）
| 1引言 |
| 2 GAME/HUBEX試驗回顧 |
| 3 GAME/HUBEX試驗主要成果 |
| 3.1梅雨期東亞大尺度環(huán)流特征和天氣尺度系統(tǒng) |
| 3.2梅雨區(qū)的中小尺度系統(tǒng) |
| 3.3梅雨鋒降水系統(tǒng)和暴雨機制與概念模型 |
| 3.4陸面過程與淮河流域區(qū)域水文模式的發(fā)展 |
| 4 GAME/HUBEX二期展望 |
（5）基于多源衛(wèi)星遙感協(xié)同的復雜地質(zhì)體解譯研究（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 項目來源 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 遙感巖礦增強識別方面研究現(xiàn)狀 |
| 1.3.2 多源遙感在巖礦增強識別領(lǐng)域研究現(xiàn)狀 |
| 1.3.3 存在的問題 |
| 1.4 主要研究內(nèi)容及研究思路 |
| 1.4.1 主要研究內(nèi)容 |
| 1.4.2 總體研究思路 |
| 1.5 論文組織結(jié)構(gòu) |
| 第二章 多源衛(wèi)星遙感協(xié)同思想與處理思路 |
| 2.1 多源衛(wèi)星遙感數(shù)據(jù)應用方式分析 |
| 2.1.1 多傳感器波段疊加 |
| 2.1.2 常用遙感圖像融合技術(shù)分析 |
| 2.2 多源衛(wèi)星遙感的協(xié)同學理論基礎(chǔ) |
| 2.2.1 協(xié)同學 |
| 2.2.2 遙感數(shù)據(jù)協(xié)同思想及應用框架 |
| 2.3 多源衛(wèi)星遙感協(xié)同處理思路探討 |
| 2.3.1 多源衛(wèi)星遙感光譜協(xié)同思路探討 |
| 2.3.2 多源衛(wèi)星遙感空間協(xié)同思路探討 |
| 2.4 小結(jié) |
| 第三章 多源衛(wèi)星遙感協(xié)同處理方法研究 |
| 3.1 協(xié)同數(shù)據(jù)預處理 |
| 3.2 基于統(tǒng)計回歸及波段相關(guān)性的多源遙感光譜協(xié)同方法 |
| 3.2.1 光譜協(xié)同基準影像確定原則 |
| 3.2.2 基于統(tǒng)計回歸的相似波長設(shè)置波段光譜協(xié)同 |
| 3.2.3 基于波段關(guān)系及相關(guān)性的不同波長設(shè)置波段光譜協(xié)同 |
| 3.3 基于改進GS光譜銳化融合及最佳協(xié)同尺度的空間協(xié)同 |
| 3.3.1 空間協(xié)同輸入波段決定原則 |
| 3.3.2 基于光譜響應函數(shù)的改進GS融合 |
| 3.3.3 基于信息量及清晰度實驗的最佳協(xié)同尺度研究 |
| 3.4 小結(jié) |
| 第四章 基于GF-1、Sentinel-2及ASTER協(xié)同的巖漿雜巖體解譯研究 |
| 4.1 三峰山侵入雜巖體研究區(qū)地質(zhì)特點及遙感分析 |
| 4.1.1 三峰山侵入雜巖體研究區(qū)地質(zhì)特點 |
| 4.1.2 雜巖體中各侵入單元的巖性差異 |
| 4.1.3 三峰山侵入雜巖體解譯遙感需求 |
| 4.2 GF-1、Sentinel-2與ASTER雜巖體解譯試驗 |
| 4.2.1 出露的侵入雜巖體區(qū)域劃分及構(gòu)造解譯 |
| 4.2.2 GF-1、Sentinel-2及ASTER目標侵入單元增強 |
| 4.2.3 目標侵入單元增強效果討論 |
| 4.3 基于多源遙感協(xié)同的巖漿雜巖體解譯研究 |
| 4.3.1 三峰山侵入體區(qū)域多源遙感協(xié)同影像構(gòu)建 |
| 4.3.2 常用方法協(xié)同影像目標侵入單元增強 |
| 4.3.3 復雜地段目標侵入單元增強 |
| 4.3.4 三峰山巖漿侵入雜巖體解譯 |
| 4.4 小結(jié) |
| 第五章 基于GF-1與ASTER協(xié)同的復雜巖性沉積單元解譯研究 |
| 5.1 拜城-庫車研究區(qū)地質(zhì)特點及遙感分析 |
| 5.1.1 拜城-庫車研究區(qū)地質(zhì)特點 |
| 5.1.2 研究區(qū)沉積單元的巖性差異 |
| 5.1.3 研究區(qū)沉積單元解譯遙感需求 |
| 5.2 GF-1與ASTER影像沉積單元解譯試驗 |
| 5.2.1 GF-1真彩色影像可解譯性分析 |
| 5.2.2 GF-1與ASTER影像沉積單元界線增強試驗 |
| 5.2.3 沉積單元界線可解譯性討論 |
| 5.3 基于多源遙感協(xié)同的沉積單元解譯研究 |
| 5.3.1 拜城-庫車區(qū)域多源遙感協(xié)同影像構(gòu)建 |
| 5.3.2 常用方法沉積單元地質(zhì)界線增強 |
| 5.3.3 較難區(qū)分沉積單元地質(zhì)界線增強 |
| 5.3.4 拜城-庫車研究區(qū)沉積單元解譯 |
| 5.4 小結(jié) |
| 第六章 基于World View-2與ASTER協(xié)同的變質(zhì)巖及礦化蝕變提取研究 |
| 6.1 大青山變質(zhì)巖研究區(qū)地質(zhì)特點及遙感分析 |
| 6.1.1 大青山研究區(qū)地質(zhì)特點 |
| 6.1.2 研究區(qū)成礦相關(guān)的變質(zhì)巖及礦化蝕變特征 |
| 6.1.3 研究區(qū)成礦相關(guān)礦化蝕變提取遙感需求 |
| 6.2 World View-2與ASTER影像礦化蝕變增強試驗 |
| 6.2.1 World View-2 礦化蝕變增強試驗 |
| 6.2.2 ASTER礦化蝕變增強試驗 |
| 6.2.3 礦化蝕變增強效果討論 |
| 6.3 基于協(xié)同影像的礦化蝕變提取研究 |
| 6.3.1 大青山區(qū)域多源遙感協(xié)同影像構(gòu)建 |
| 6.3.2 大青山變質(zhì)巖區(qū)特征礦化蝕變增強 |
| 6.3.3 大青山變質(zhì)巖研究區(qū)礦化蝕變提取 |
| 6.4 小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 取得的認識和成果 |
| 7.2 建議與展望 |
| 參考文獻 |
| 作者簡歷 |
（6）基于無人機遙感的華北平原冬小麥氮營養(yǎng)診斷與精準養(yǎng)分調(diào)控（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 基于RS和GIS技術(shù)的精準作物管理研究進展 |
| 1.2.1 基于RS的作物氮營養(yǎng)診斷及精準管理 |
| 1.2.2 基于GIS的作物精準養(yǎng)分管理 |
| 1.3 科學問題的提出 |
| 1.4 研究內(nèi)容 |
| 1.5 研究思路及技術(shù)路線 |
| 2 研究區(qū)概況與試驗設(shè)計 |
| 2.1 研究區(qū)概況 |
| 2.2 氮梯度校準小區(qū) |
| 2.3 遙感影像處理 |
| 2.3.1 無人機與傳感器 |
| 2.3.2 無人機遙感影像獲取 |
| 2.3.3 多光譜遙感影像處理 |
| 2.4 遙感影像質(zhì)量評價 |
| 2.4.1 影像重疊度 |
| 2.4.2 航線彎曲度和航高差 |
| 2.4.3 影像幾何校正處理 |
| 2.5 植物樣品采集 |
| 2.5.1 小區(qū)取樣 |
| 2.5.2 村域取樣 |
| 2.6 土壤樣品采集 |
| 2.7 土壤數(shù)據(jù)空間分析方法 |
| 2.8 氮營養(yǎng)診斷與精準管理評估方法 |
| 2.8.1 氮營養(yǎng)診斷評估方法 |
| 2.8.2 精準氮素管理評估方法 |
| 2.8.3 村級尺度精準養(yǎng)分管理評估方法 |
| 2.9 統(tǒng)計分析 |
| 3 基于無人機遙感的冬小麥氮營養(yǎng)實時診斷 |
| 3.1 臨界氮稀釋曲線的建立與評估 |
| 3.2 不同氮營養(yǎng)診斷策略 |
| 3.3 田塊尺度冬小麥氮營養(yǎng)診斷評估 |
| 3.3.1 冬小麥氮營養(yǎng)指標的變異 |
| 3.3.2 機理性策略估測氮營養(yǎng)指數(shù) |
| 3.3.3 半經(jīng)驗性策略估測氮營養(yǎng)指數(shù) |
| 3.3.4 田塊尺度氮營養(yǎng)診斷策略比較 |
| 3.4 村級尺度冬小麥氮營養(yǎng)診斷評估 |
| 3.4.1 冬小麥氮營養(yǎng)指標的變異 |
| 3.4.2 機理性策略估測氮營養(yǎng)指數(shù) |
| 3.4.3 半經(jīng)驗性策略估測氮營養(yǎng)指數(shù) |
| 3.4.4 村級尺度氮營養(yǎng)診斷策略比較 |
| 3.5 討論 |
| 3.5.1 田塊尺度冬小麥氮營養(yǎng)診斷 |
| 3.5.2 村級尺度冬小麥氮營養(yǎng)診斷 |
| 3.6 小結(jié) |
| 4 基于無人機遙感的冬小麥精準氮素管理 |
| 4.1 無人機遙感精準氮素管理策略 |
| 4.1.1 田塊尺度氮素管理策略 |
| 4.1.2 村級尺度氮素管理策略 |
| 4.2 田塊尺度冬小麥精準氮素管理 |
| 4.2.1 產(chǎn)量氮肥效應方程及經(jīng)濟最優(yōu)施氮量 |
| 4.2.2 最優(yōu)植被指數(shù)估測產(chǎn)量潛力 |
| 4.2.3 歸一化植被指數(shù)估測產(chǎn)量潛力 |
| 4.2.4 田塊尺度氮肥管理策略評估 |
| 4.3 村級尺度冬小麥精準氮素管理 |
| 4.3.1 實時估測產(chǎn)量潛力 |
| 4.3.2 氮肥效應方程及經(jīng)濟最優(yōu)施氮量 |
| 4.3.3 不同氮肥管理策略比較 |
| 4.3.4 村級尺度精準氮肥管理評估 |
| 4.4 討論 |
| 4.4.1 田塊尺度冬小麥精準氮素管理 |
| 4.4.2 村級尺度冬小麥精準氮素管理 |
| 4.5 小結(jié) |
| 5 基于GIS與RS的村級尺度土壤空間變異與精準養(yǎng)分管理 |
| 5.1 基于GIS的村級尺度土壤空間變異 |
| 5.1.1 描述統(tǒng)計分析結(jié)果 |
| 5.1.2 土壤理化性質(zhì)的半方差函數(shù)分析 |
| 5.1.3 土壤理化性質(zhì)空間分布狀況 |
| 5.2 村級尺度冬小麥精準養(yǎng)分管理策略 |
| 5.3 村級尺度冬小麥精準磷、鉀管理評估 |
| 5.4 村級尺度冬小麥精準養(yǎng)分管理評估 |
| 5.5 討論 |
| 5.6 小結(jié) |
| 6 主要結(jié)論與展望 |
| 6.1 主要結(jié)論 |
| 6.2 研究創(chuàng)新 |
| 6.3 研究展望 |
| 參考文獻 |
| 附錄 |
| 作者簡歷 |
| 學位論文數(shù)據(jù)集 |
（7）基于冬小麥冠層垂直分布信息的氮素診斷研究（論文提綱范文）
| 摘要 |
| 第一章 文獻綜述與立題依據(jù) |
| 1 作物氮素遙感監(jiān)測研究進展 |
| 1.1 氮素在作物生長中的作用 |
| 1.2 作物氮素遙感監(jiān)測研究進展 |
| 2 作物氮素垂直分布研究進展 |
| 2.1 作物氮素垂直分布規(guī)律 |
| 2.2 作物氮素垂直分布規(guī)律的遙感監(jiān)測研究進展 |
| 3 作物氮素營養(yǎng)診斷 |
| 3.1 基于農(nóng)學機理的作物氮素狀況診斷研究進展 |
| 3.2 遙感結(jié)合進行作物氮素診斷的研究進展 |
| 4 擬解決關(guān)鍵問題 |
| 5 研究目標、內(nèi)容及技術(shù)路線 |
| 5.1 研究目標 |
| 5.2 研究內(nèi)容 |
| 5.3 技術(shù)路線 |
| 參考文獻 |
| 第二章 冬小麥葉片氮素濃度垂直分布規(guī)律 |
| 1 前言 |
| 2 材料與方法 |
| 2.1 試驗區(qū)域 |
| 2.2 試驗設(shè)計 |
| 2.3 試驗數(shù)據(jù)獲取 |
| 2.4 試驗方法 |
| 2.5 統(tǒng)計分析 |
| 3 結(jié)果與分析 |
| 3.1 冬小麥各層葉片氮素濃度垂直分布規(guī)律 |
| 3.2 冬小麥各上層葉片氮素濃度垂直分布規(guī)律 |
| 3.3 冬小麥各上層氮素濃度占整層氮素濃度的貢獻比 |
| 4 討論 |
| 5 結(jié)論 |
| 參考文獻 |
| 第三章 基于高光譜信息和氮素垂直分布的冬小麥葉片氮素濃度估算 |
| 1 前言 |
| 2 材料與方法 |
| 2.1 試驗設(shè)計 |
| 2.2 遙感試驗數(shù)據(jù)獲取 |
| 2.3 試驗方法 |
| 3 結(jié)果與分析 |
| 3.1 高光譜檢測最優(yōu)層的相關(guān)植被指數(shù) |
| 3.2 基于最優(yōu)層LNCOL和 VND的 TLNC模型 |
| 3.3 冬小麥全氮量的驗證 |
| 4 討論 |
| 5 結(jié)論 |
| 參考文獻 |
| 第四章 基于氮素營養(yǎng)指數(shù)的冬小麥氮素營養(yǎng)診斷 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 田間試驗 |
| 2.2 試驗數(shù)據(jù)獲取 |
| 2.3 基于冬小麥生育時期的葉片臨界氮濃度稀釋曲線(TLNCc) |
| 2.4 氮素營養(yǎng)指數(shù)(NNI) |
| 2.5 統(tǒng)計分析 |
| 3 結(jié)果與分析 |
| 3.1 不同處理下的冬小麥葉片氮濃度差異性分析 |
| 3.2 基于關(guān)鍵氮濃度Nc-stage方法的葉片稀釋氮濃度曲線構(gòu)建 |
| 3.3 葉片氮素營養(yǎng)指數(shù)構(gòu)建 |
| 3.4 基于遙感信息與氮素垂直分布規(guī)律模型的NNI估算 |
| 4 討論 |
| 4.1 基于VND-TLNC監(jiān)測方法的冬小麥臨界氮濃度稀釋曲線模型特征 |
| 4.2 氮素營養(yǎng)指數(shù)(NNI)的應用 |
| 4.3 基于VND-TLNC監(jiān)測方法的冬小麥氮素指數(shù)NNI的優(yōu)勢 |
| 5 結(jié)論 |
| 參考文獻 |
| 第五章 面向家庭農(nóng)場的冬小麥氮素信息診斷與處方?jīng)Q策 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 農(nóng)學參數(shù)獲取 |
| 2.2 衛(wèi)星多光譜遙感數(shù)據(jù)獲取 |
| 2.3 施肥處方模型 |
| 3 結(jié)果與分析 |
| 3.1 基于Planet的 TLNC的構(gòu)建 |
| 3.2 冬小麥NNI估算 |
| 3.3 氮肥處方圖 |
| 4 討論 |
| 5 結(jié)論 |
| 參考文獻 |
| 第六章 結(jié)論、創(chuàng)新點與展望 |
| 1.結(jié)論 |
| 1.1 冬小麥葉片氮素濃度垂直分布規(guī)律 |
| 1.2 基于高光譜和氮素垂直分布規(guī)律的冬小麥總?cè)~片氮素濃度估計 |
| 1.3 冬小麥關(guān)鍵生育時期氮素營養(yǎng)診斷 |
| 1.4 面向家庭農(nóng)場的氮肥處方圖 |
| 2.創(chuàng)新點 |
| 2.1 遙感監(jiān)測冬小麥氮素水平理論的完善與深化 |
| 2.2 對氮素營養(yǎng)指數(shù)的拓展 |
| 2.3 面向家庭農(nóng)場的追肥過程中的氮肥施肥推薦應用 |
| 3.展望 |
| 3.1 在冬小麥氮素監(jiān)測模型方面,模型中參考的冬小麥的生育時期有待進一步拓展.. |
| 3.2 氮素營養(yǎng)指數(shù)NNI的改進 |
| 3.3 面向家庭農(nóng)場施肥處方的改進 |
| Abstract |
| 致謝 |
| 作者簡介 |
（8）基于無人機遙感圖像的稻田雜草識別研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 前言 |
| 1.1 研究背景和研究意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 基于遙感技術(shù)的雜草識別研究 |
| 1.2.2 面向?qū)ο髨D像分析技術(shù) |
| 1.2.3 深度學習分析技術(shù) |
| 1.2.4 小結(jié) |
| 1.3 研究內(nèi)容 |
| 1.4 技術(shù)路線 |
| 2 試驗數(shù)據(jù)采集 |
| 2.1 試驗地點 |
| 2.2 數(shù)據(jù)采集 |
| 2.3 數(shù)據(jù)預處理 |
| 2.4 評價指標 |
| 2.4.1 執(zhí)行速度 |
| 2.4.2 準確度 |
| 2.5 本章小結(jié) |
| 3 基于面向?qū)ο髨D像分析的水稻雜草識別 |
| 3.1 引言 |
| 3.2 面向?qū)ο髨D像分析方法 |
| 3.2.1 圖像分割 |
| 3.2.2 特征提取 |
| 3.2.3 分類器設(shè)計 |
| 3.3 試驗結(jié)果與討論 |
| 3.3.1 圖像分割 |
| 3.3.2 特征提取 |
| 3.3.3 分類器設(shè)計 |
| 3.4 本章小結(jié) |
| 4 基于深度學習的水稻雜草識別 |
| 4.1 引言 |
| 4.2 卷積神經(jīng)網(wǎng)絡(luò) |
| 4.2.1 CNN基本原理 |
| 4.2.2 CNN經(jīng)典結(jié)構(gòu) |
| 4.3 全卷積網(wǎng)絡(luò) |
| 4.3.1 FCN基本結(jié)構(gòu) |
| 4.3.2 FCN改進方法 |
| 4.4 試驗結(jié)果與分析 |
| 4.4.1 FCN基本結(jié)構(gòu) |
| 4.4.2 FCN改進方法 |
| 4.5 本章小結(jié) |
| 5 水稻田塊的雜草分布圖和施藥處方圖生成研究 |
| 5.1 引言 |
| 5.2 雜草分布圖生成 |
| 5.3 施藥處方圖生成 |
| 5.4 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 主要工作總結(jié) |
| 6.2 創(chuàng)新點 |
| 6.3 展望 |
| 致謝 |
| 參考文獻 |
| 攻讀博士學位期間所取得的科研成果 |
（9）基于無人機遙感的棉花螨害動態(tài)監(jiān)測研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀與進展 |
| 1.2.1 棉葉螨的危害癥狀及發(fā)生特點 |
| 1.2.2 遙感技術(shù)在病蟲害監(jiān)測中的研究 |
| 1.2.3 無人機遙感在病蟲害監(jiān)測中的應用 |
| 1.3 研究內(nèi)容與組織結(jié)構(gòu) |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 論文組織結(jié)構(gòu) |
| 1.4 本章小結(jié) |
| 第二章 研究區(qū)域與數(shù)據(jù)準備 |
| 2.1 研究區(qū)概況 |
| 2.2 數(shù)據(jù)來源 |
| 2.2.1 遙感數(shù)據(jù)采集平臺 |
| 2.2.2 多光譜傳感器 |
| 2.2.3 飛行試驗 |
| 2.2.4 螨害調(diào)查數(shù)據(jù) |
| 2.2.5 氣象數(shù)據(jù) |
| 2.3 數(shù)據(jù)預處理 |
| 2.3.1 影像預處理 |
| 2.3.2 氣象數(shù)據(jù)預處理 |
| 2.4 本章小結(jié) |
| 第三章 基于多光譜遙感的棉田螨害識別方法 |
| 3.1 試驗與方法 |
| 3.1.1 試驗設(shè)計 |
| 3.1.2 光譜指數(shù)的選取 |
| 3.1.3 Logistic回歸 |
| 3.1.4 模型的特征選擇方法 |
| 3.1.5 模型的評價方法 |
| 3.2 結(jié)果與分析 |
| 3.2.1 光譜指數(shù)與螨害發(fā)生情況的相關(guān)性分析 |
| 3.2.2 螨害識別模型的構(gòu)建 |
| 3.2.3 模型比較與效果評價 |
| 3.2.4 棉田螨害發(fā)生區(qū)域的識別結(jié)果 |
| 3.3 本章小結(jié) |
| 第四章 基于多時相遙感的棉葉螨動態(tài)監(jiān)測 |
| 4.1 試驗與方法 |
| 4.1.1 試驗設(shè)計 |
| 4.1.2 影像空間信息統(tǒng)計法 |
| 4.1.3 影像變化檢測方法 |
| 4.1.4 指數(shù)曲線與數(shù)據(jù)插值 |
| 4.1.5 影響因子的選擇 |
| 4.2 結(jié)果與分析 |
| 4.2.1 多時相無人機影像的棉田螨害信息提取 |
| 4.2.2 螨害時空變化特征 |
| 4.2.3 監(jiān)測模型的建立 |
| 4.2.4 螨害與氣象因子的相關(guān)性分析 |
| 4.2.5 螨害變化趨勢的監(jiān)測 |
| 4.3 本章小結(jié) |
| 第五章 結(jié)論與展望 |
| 5.1 結(jié)論 |
| 5.2 展望 |
| 參考文獻 |
| 致謝 |
| 作者簡介 |
| 導師評閱表 |
（10）遙感降水量產(chǎn)品及潛在蒸散量對寒區(qū)徑流模擬的影響（論文提綱范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究動態(tài) |
| 1.2.1 衛(wèi)星遙感降水量產(chǎn)品研究 |
| 1.2.2 SWAT模型的應用研究 |
| 1.2.3 存在的問題 |
| 1.3 研究內(nèi)容及技術(shù)路線圖 |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 技術(shù)路線圖 |
| 2 研究區(qū)域概況及氣象水文要素分析 |
| 2.1 研究區(qū)域概況 |
| 2.2 氣象水文要素變化 |
| 2.2.1 數(shù)據(jù)來源 |
| 2.2.2 氣象水文要素變化分析方法 |
| 2.2.3 氣象要素變化 |
| 2.2.4 水文要素變化 |
| 2.3 本章小結(jié) |
| 3 基礎(chǔ)數(shù)據(jù)預處理與SWAT模型數(shù)據(jù)庫構(gòu)建 |
| 3.1 SWAT模型簡介 |
| 3.2 基礎(chǔ)數(shù)據(jù)預處理 |
| 3.2.1 地圖投影設(shè)置 |
| 3.2.2 DEM數(shù)據(jù)處理 |
| 3.2.3 土地利用數(shù)據(jù)預處理 |
| 3.2.4 土壤數(shù)據(jù)預處理 |
| 3.2.5 氣象水文數(shù)據(jù)預處理 |
| 3.3 SWAT模型數(shù)據(jù)庫構(gòu)建 |
| 3.3.1 土地利用數(shù)據(jù)庫 |
| 3.3.2 土壤數(shù)據(jù)庫 |
| 3.3.3 天氣發(fā)生器數(shù)據(jù)庫 |
| 3.3.4 氣象數(shù)據(jù)庫 |
| 3.4 本章小結(jié) |
| 4 遙感降水量產(chǎn)品對寒區(qū)徑流模擬的影響 |
| 4.1 衛(wèi)星遙感降水量產(chǎn)品簡介 |
| 4.1.1 TRMM |
| 4.1.2 CHIRPS |
| 4.2 精度評估指標與方法 |
| 4.3 數(shù)據(jù)讀取與處理方法 |
| 4.4 呼蘭河流域遙感降水量產(chǎn)品精度評估 |
| 4.4.1 時間尺度精度評估及誤差分析 |
| 4.4.2 空間尺度精度評估及誤差分析 |
| 4.5 日徑流過程模擬 |
| 4.5.1 模擬方式及精度檢驗標準 |
| 4.5.2 參數(shù)敏感性分析及率定結(jié)果 |
| 4.5.3 日徑流過程模擬對比 |
| 4.6 本章小結(jié) |
| 5 潛在蒸散量對寒區(qū)徑流模擬的影響 |
| 5.1 潛在蒸散量計算方法對比分析 |
| 5.2 潛在蒸散量計算結(jié)果對比分析 |
| 5.2.1 潛在蒸散量計算方法 |
| 5.2.2 20 cm蒸發(fā)皿水面蒸發(fā)量修正方法 |
| 5.2.3 月平均潛在蒸散量變化對比分析 |
| 5.3 日徑流過程模擬 |
| 5.3.1 率定參數(shù)的選取 |
| 5.3.2 模型模擬結(jié)果分析 |
| 5.4 本章小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 論文創(chuàng)新點 |
| 6.3 展望 |
| 致謝 |
| 參考文獻 |
| 攻讀碩士學位期間發(fā)表的學術(shù)論文 |
四、衛(wèi)星遙感在HUBEX試驗中的應用研究（論文參考文獻）
- [1]淮河流域氣象業(yè)務(wù)服務(wù)及科技發(fā)展[J]. 胡雯,田紅,葉金印,徐勝,張曉紅,盧燕宇. 氣象科技進展, 2020(05)
- [2]全球能量與水循環(huán)試驗以及淮河流域能量與水循環(huán)試驗概述[J]. 黃勇,張文建. 氣象科技進展, 2020(05)
- [3]淮河流域能量和水分循環(huán)觀測系統(tǒng)及作用[J]. 胡雯,鄭淋淋,謝五三,霍彥峰,丁一匯,黃勇. 氣象學報, 2020(05)
- [4]淮河流域能量和水分循環(huán)研究進展[J]. 丁一匯,胡雯,黃勇,陳鳳嬌. 氣象學報, 2020(05)
- [5]基于多源衛(wèi)星遙感協(xié)同的復雜地質(zhì)體解譯研究[D]. 張煜洲. 浙江大學, 2020(01)
- [6]基于無人機遙感的華北平原冬小麥氮營養(yǎng)診斷與精準養(yǎng)分調(diào)控[D]. 陳志超. 河南理工大學, 2019(04)
- [7]基于冬小麥冠層垂直分布信息的氮素診斷研究[D]. 段丹丹. 山西農(nóng)業(yè)大學, 2019
- [8]基于無人機遙感圖像的稻田雜草識別研究[D]. 黃華盛. 華南農(nóng)業(yè)大學, 2019(02)
- [9]基于無人機遙感的棉花螨害動態(tài)監(jiān)測研究[D]. 崔美娜. 石河子大學, 2019(01)
- [10]遙感降水量產(chǎn)品及潛在蒸散量對寒區(qū)徑流模擬的影響[D]. 丁星臣. 東北農(nóng)業(yè)大學, 2018(02)
標簽：遙感論文; 衛(wèi)星遙感論文; 光譜分辨率論文; 地質(zhì)論文; 淮河流域論文;