作物長勢參數(shù)是表征作物生長狀態(tài)的重要指標,準確、快速的獲取作物長勢信息對指導農(nóng)業(yè)生產(chǎn)、預測糧食產(chǎn)量和制定糧食安全策略具有重要的實際意義。在我國目前的農(nóng)業(yè)生產(chǎn)條件下,大部分農(nóng)田比較分散并為不同農(nóng)戶所有,田間管理措施多樣,再加上地域差異和氣候差異,導致區(qū)域內(nèi)不同地塊內(nèi)和地塊間的作物長勢差異較大,即作物長勢存在不同程度的空間變異。傳統(tǒng)的田間采樣和實驗室分析方法只能獲取離散點上的作物長勢參數(shù)信息,無法獲取宏觀面上的信息,也無法獲取作物長勢空間變異信息。隨著遙感技術的日益成熟,該技術已經(jīng)成為進行作物長勢參數(shù)反演和監(jiān)測、研究作物長勢空間變異和進行相關決策支持的有效手段。本研究立足于獲取作物長勢參數(shù)和長勢空間變異信息這一實際需要,圍繞基于高光譜影像的作物種植區(qū)提取、基于冠層高光譜和航空高光譜影像的作物長勢參數(shù)遙感反演和監(jiān)測和作物管理分區(qū)中的關鍵問題,開展了如下研究工作：（1）基于高光譜遙感影像的作物種植區(qū)提取為了解決高光譜影像波段維數(shù)較高,在利用監(jiān)督分類方法進行分類時出現(xiàn)維數(shù)災難的問題,從波段選擇和特征提取兩個方面進行了高光譜影像維數(shù)約簡的研究。在波段選擇方面,提出了基于分散矩陣的波段選擇方法Scat...

【文章頁數(shù)】：153 頁

【學位級別】：博士

【文章目錄】：
致謝
中文摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 基于遙感影像的作物提取研究進展
        1.2.1 基于多光譜遙感影像的作物提取
        1.2.2 基于高光譜遙感影像的作物提取
    1.3 高光譜遙感反演作物長勢參數(shù)研究進展
        1.3.1 作物葉面積指數(shù)遙感反演
        1.3.2 作物地上生物量遙感反演
        1.3.3 作物葉綠素遙感反演
        1.3.4 作物氮素營養(yǎng)診斷
    1.4 作物管理分區(qū)研究進展
    1.5 研究內(nèi)容及技術路線
        1.5.1 本文的研究內(nèi)容
        1.5.2 本文的技術路線
第二章 試驗方案及數(shù)據(jù)處理
    2.1 試驗方案
        2.1.1 試驗1-冠層尺度小區(qū)小麥長勢參數(shù)反演試驗
        2.1.2 試驗2-冠層尺度大田小麥長勢參數(shù)反演試驗
        2.1.3 試驗3-區(qū)域尺度作物長勢參數(shù)監(jiān)測試驗
        2.1.4 試驗4-小麥長勢空間變異試驗
    2.2 實驗測量
        2.2.1 冠層光譜處理
        2.2.2 作物長勢參數(shù)的測定
        2.2.3 作物產(chǎn)量測定
        2.2.4 土壤養(yǎng)分測定
    2.3 配套遙感影像處理
        2.3.1 Quickbird影像
        2.3.2 AVIRIS航空影像
        2.3.3 CASI航空影像
第三章 基于高光譜遙感影像的作物提取研究
    3.1 引言
    3.2 光譜維特征挖掘方法
        3.2.1 基于互信息的特征選擇方法
        3.2.2 基于類間距離的特征選擇方法
        3.2.3 特征提取方法
    3.3 空間域特征挖掘方法
        3.3.1 基于灰度共生矩陣的紋理特征
        3.3.2 Gabor特征
        3.3.3 形態(tài)學特征
    3.4 支持向量機
    3.5 分類精度評價指標
    3.6 基于分散矩陣的波段選擇方法
    3.7 混合特征提取方法
    3.8 光譜特征和空間特征結合的作物分類
    3.9 本章小結
第四章 基于冠層高光譜的作物長勢參數(shù)反演
    4.1 引言
    4.2 基于PROSAIL模型的LAI植被指數(shù)敏感性分析
        4.2.1 反演LAI常用植被指數(shù)
        4.2.2 敏感性函數(shù)
        4.2.3 PROSAIL模型
        4.2.4 植被指數(shù)對土壤背景亮度和葉綠素含量變化的敏感性分析
        4.2.5 植被指數(shù)抗飽和性分析
        4.2.6 結論和討論
    4.3 最優(yōu)光譜指數(shù)與波段深度信息結合的小麥生物量反演
        4.3.1 窄波段植被指數(shù)
        4.3.2 紅邊位置
        4.3.3 波段深度信息提取
        4.3.4 基于最優(yōu)波段指數(shù)和波段深度信息結合的偏最小二乘回歸估算生物量
        4.3.5 偏最小二乘回歸
        4.3.6 模型建立與驗證
        4.3.7 實驗結果與分析
        4.3.8 結論和討論
    4.4 小麥氮素營養(yǎng)指數(shù)和籽粒蛋白質(zhì)含量反演
        4.4.1 氮素營養(yǎng)指數(shù)
        4.4.2 各氮素營養(yǎng)診斷指標與籽粒蛋白質(zhì)含量之間的關系
        4.4.3 實驗結果與分析
    4.5 本章小結
第五章 基于高光譜影像的作物長勢參數(shù)反演和監(jiān)測
    5.1 引言
    5.2 研究區(qū)作物種植面積提取
    5.3 基于PROSAIL模型的作物長勢參數(shù)反演及監(jiān)測結果
        5.3.1 基于查找表法的LAI反演
        5.3.2 作物LAI遙感監(jiān)測結果
    5.4 本章小結
第六章 作物管理分區(qū)研究
    6.1 引言
    6.2 地統(tǒng)計學原理
        6.2.1 區(qū)域化變量理論
        6.2.2 半方差函數(shù)及理論擬合模型
        6.2.3 克里格插值
    6.3 作物管理分區(qū)劃分方法
        6.3.1 模糊C均值聚類
        6.3.2 融入空間位置信息的模糊C均值聚類
        6.3.3 Lark's方法
    6.4 作物長勢參數(shù)和土壤養(yǎng)分空間分布
        6.4.1 小麥長勢參數(shù)、產(chǎn)量和土壤養(yǎng)分相關性分析
        6.4.2 長勢參數(shù)空間分布
        6.4.3 土壤養(yǎng)分空間分布
    6.5 基于不同數(shù)據(jù)源的作物管理分區(qū)
        6.5.1 基于土壤養(yǎng)分的作物管理分區(qū)
        6.5.2 基于遙感影像的作物管理分區(qū)
        6.5.3 結論和討論
    6.6 本章小結
第七章 結論、創(chuàng)新點與展望
    7.1 結論
    7.2 創(chuàng)新點
    7.3 研究展望
參考文獻
作者簡介與攻讀博士研究生期間的科研成果



本文編號：4038264