一、介紹大田主要作物的估产方法（论文文献综述）
胡景辉[1]（2020）在《基于无人机成像高光谱遥感数据的水稻估产方法研究》文中研究表明水稻作为我国最主要的粮食作物其重要性不言而喻,水稻产量的及时准确监测对我国的粮食安全至关重要。传统水稻估产研究主要借助一系列的遥感卫星进行,但由于受时空间分辨率、天气状况和云层遮挡等一系列因素的制约无法实现更加准确及时的估产效果。随着近年来无人机领域的飞速发展,无人机平台的高便捷性、高灵活性、高稳定性和高时空分辨率使得基于无人机载传感器的近地面区域水稻精确估产研究成为可能。本文通过无人机搭载成像高光谱相机获取了三年水稻小区实验成像高光谱数据,在传统估产方法的基础上充分利用了成像高光谱遥感数据图谱合一的优势,通过考虑了水稻有效生育期长度信息、精细化生育期信息和水稻田块空间纹理信息进一步提高了估产精度,最终达到了更为精确且推广性更好普适性更强的估产结果。具体研究成果如下:（1）本文首先利用成像高光谱相机光谱信息丰富的优势通过基于经验统计模型的估产方法建立了更加准确的水稻最佳多生育期植被指数估产模型,最佳估产模型为基于孕穗期NDVI[824,728]、抽穗期NDVI[784,740]和成熟期NDVI[776,724]的经验估产模型,估产结果R2达0.75,平均绝对百分比误差MAPE达5.26%。后续研究将以此为参考,考虑引入更多信息进一步提高估产精度。（2）水稻生长发育期越长,光合产物越多,产量也会越大。为此,本研究通过将有效生育期长度变量引入到估产模型中,提高了最佳多生育期植被指数的估产精度,缓解了不同品种、不同年份引起的水稻生长不一致的系统性误差,提高了估产模型的年际鲁棒性,估产结果R2从0.75提升至0.78,MAPE从5.26%降低至4.84%。生育期长度信息的考虑将提高估产模型的地域可推广性,减少不同地域水稻品种与水稻生长条件对水稻生育期进程的影响。（3）传统的估产方法使用不同生育期内的植被指数建立估产模型,但是生育期具有一定长度,遥感影像选择在生育期前期和后期会使估产模型产生较大不确定性,为此本研究通过拟合植被指数全生育期曲线来确定用于估产的精准生育期,建立了基于精细化生育期植被指数水稻估产方法,提高了估产模型的精度,估产结果R2从0.75提升至0.76,MAPE从5.26%降低至5.06%。基于精细化生育期植被指数水稻估产方法能够缓解水稻品种和生长条件的不同所导致的水稻实际生育期不一致的系统性误差。（4）成像高光谱数据空间分辨率达到厘米级,具有丰富的空间纹理信息,因此本研究在多生育期植被指数田块估产的基础上引入了能表征田块内部生长差异的空间纹理指数,通过植被指数与纹理指数的耦合估产研究,利用孕穗期和抽穗期的双生育期纹理植被指数耦合估产模型达到了比多生育期植被指数更高的估产精度,估产结果R2从0.75提升至0.76,MAPE从5.26%降低至5.07%,实现了水稻的早期快速估产效果;同时纹理指数的引入使得多生育期的纹理植被指数耦合估产模型与多生育期植被指数估产模型相比R2从0.75提升至0.80,MAPE从5.26%降低至4.66%,进一步证明纹理指数的引入弥补了植被指数空间维度信息的缺失并大幅提高了植被指数估产模型的精度。
熊雄[2]（2018）在《基于深度学习的大田水稻稻穗分割及无损产量预估研究》文中研究说明水稻作为我国主要的粮食作物和重要的经济作物,可持续增产一直是水稻育种研究的首要目标。随着我国人口数量的迅猛增长,稻米的消费量也越来越高,人多地少的现状还很难在短时间内得到缓解,因此,高产品种水稻的选育也就成了田间水稻研究的重点。传统的田间水稻产量测量方法大多采用的是有损的方式,即水稻收获后,进行脱粒,扬净,晒干和称重等一系列步骤,然后折算出最终的产量。该方法耗时耗力,并且操作中极易由于操作失误而引入人工误差。而无损估产的方式大多采用田间气象模型或者光谱指数法,通过提取具有代表性的气象特征或者光谱因子,然后构建合理的产量预测模型,但该方法的计算量较大,且需要依赖大量的外部数据支撑,实用价值不高。因此,快速而精准的田间水稻估产仍然是现阶段水稻研究的重点。本论文提出了一种基于图像的田间水稻产量预估新方法。稻穗作为水稻重要的营养生殖器官,稻穗的穗长、穗粒数等表型性状与其最终产量息息相关。因此,在基于图像的水稻产量预估研究中,稻穗区域的精准分割是产量预估的前提,也是最为关键一步。本研究首先采用数码相机获取田间不同角度的水稻小区高分辨图像,然后利用深度学习技术设计并提出了三种不同的稻穗分割算法（即:Panicle-SEG,Panicle Net和Panicle Net v2）,比较了三种分割算法在稻穗分割精度,召回率,F值,交并比和效率等方面的优劣,同传统的分割算法相比,基于深度学习的分割算法展现出了优良的分割性能。对于分割好的水稻小区稻穗图像,本文从三个角度进行了稻穗的特征提取。首先是基于小区的尺度,重点提取了稻穗小区在颜色,纹理,形态以及一些尺度不变的特征描述。然后考察了单一稻穗的细节图像特征,提取了稻穗的穗长和稻穗面积。最后分析了单株水稻的谷粒考种特征。本文的稻穗特征提取角度多样,更加全面的提取了稻穗的特征描述。针对提取到的大量稻穗特征,本文探讨了基于多种特征自变量组合情况下的回归模型构建方法。尝试了包括线性和非线性模型在内的不同模型构建形式,分析对比了各个产量模型在回归性能优劣。从最终的产量预测结果来看,基于图像的无损水稻估产方法为精准的早期稻田估产提供了可能,并且其为深度学习技术在农业上的应用提供了成功案例。这种早期的水稻估产,使得农户能及时了解不同水稻田块的产量丰缺情况,调整管理和培育措施,总结经验与不足,分析影响产量的主要因素,为水稻测产和育种研究提供了一种新思路。
孙华生[3]（2009）在《利用多时相MODIS数据提取中国水稻种植面积和长势信息》文中研究指明水稻是中国最重要的粮食作物之一。获取大范围的水稻种植空间分布、面积和产量信息对指导水稻生产、合理分配水资源，以及监测大气环境变化等具有重要的意义。由于农业生产具有覆盖面积大、季节性强、区域差异大、单位面积的经济效益低等特点，通过地面调查方法获取每年的农作物种植信息，不论在技术方面还是在经济可承受性方面都是一件非常困难的事情，而利用遥感技术则是解决这个问题的可行且有效的方法。与常规的统计方法相比，应用遥感方法获取作物种植信息具有它独特的优势。由于遥感具有覆盖面大、短时间内可重复观测，以及成本相对较低等特点，并与地理信息系统和全球定位系统相结合，不仅可以提取农作物种植面积，而且可实现空间分布的准确定位，全面地监测农作物的整个生长发育过程。研究利用EOS-MODIS数据空间覆盖面大和时间分辨率高的优势，选取覆盖中国范围的数据，实现对全国范围水稻种植和生长信息的提取。研究目标是解决水稻遥感估产中最关键的技术问题，为实施大面积水稻遥感估产提供理论与试验依据。研究的主要内容包括：中国水稻遥感信息获取区划、水稻关键生长发育期识别、水稻种植空间分布和面积信息提取，以及水稻生长发育状况分析等4个在大尺度水稻遥感估产中最关键的部分。具体内容如下：首先，研究对研究的选题、国内外的研究进展、拟采用的技术处理方法进行简单的介绍，主要阐述了研究的背景、意义和选题依据。研究对国内外在遥感估产方面已经开展过的课题项目，以及过去研究中采用的技术处理方法进行简要概括，总结了前人在相关研究中已经取得的研究成果和仍然存在的需要进一步解决的问题，为研究目标的实现和可能取得的创新提供帮助。然后，研究对各个具体部分分别采取的技术处理方法和技术路线，以及所需要的数据进行说明，并对研究目标实现的具体步骤进行了总体设计，为研究的开展提供了指导。研究详细地介绍了各个部分的具体内容、采用的具体处理方法和得出的主要结论。其中，在中国水稻遥感信息获取区划的研究中，研究以全国水稻种植区为对象，通过分析并选取对遥感技术信息获取有重要影响的因素，主要包括耕作制度、地形因素、种植结构和大气噪声等，采用恰当的区划指标，利用定性和定量相结合的分析方法进行区划。根据耕作制度的差异把全国分为4个水稻遥感信息获取区，再根据地形、种植结构和大气噪声等因素对遥感信息获取的影响分成19个亚区。区划结果对水稻遥感信息获取时选择合适的遥感获取方式、恰当的空间分辨率与时相的遥感图像，以及对遥感信息提取结果准确度的验证等提供参考。在水稻关键生长发育期识别的研究中，研究以2005年的多时相MODIS数据为例，提取全国范围内的水稻关键生长发育期。首先，利用傅立叶低通滤波和小波低通滤波平滑处理后的时间序列EVI（Enhanced Vegetation Index），然后根据水稻在移栽期、分蘖初期、抽穗期和成熟期的EVI变化特征，分别对各个生长发育期进行识别。通过将利用MODIS数据识别的结果与当年气象台站的地面观测数据进行比较，各个生长发育期的提取结果的误差绝大部分在±16天以内，经过F检验表明利用MODIS提取的结果与地面观测数据在0.05水平下具有显著的一致性。研究中的提取方法可以被用于其他年份的水稻生长发育期识别，而且根据其他作物的生长发育特点，也可能被用于识别其他作物的生长发育期。在水稻种植空间分布和面积信息提取的研究中，探讨了提取中国水稻种植空间分布及其种植面积信息的方法。研究利用覆盖面积大、高时间分辨率、低成本的MODIS数据，实现了对整个中国范围的全面覆盖。研究识别稻田的依据是根据在灌水移栽期有水的特征来提取水稻。通过分析对陆地比较敏感的MODIS前7个波段反射率的特点，确定对植被和土壤湿度敏感波段，用来构建植被指数和土壤水敏感指数以扩大感兴趣地物与其背景的差异。在选取的典型试验样区内，根据稻田在灌水移栽期所表现出的特有的光谱特征，得出判断水稻的判别条件。根据识别水稻的判别条件，并按照单季稻、早稻和晚稻生长期的差异得出2000-2007年全国单季稻、早稻和晚稻的空间分布状况和面积统计数据，然后对利用MODIS数据识别的结果与各年的农业统计数据进行比较，分析利用MODIS数据提取水稻的面积精度。为了验证识别结果在空间位置上准确性，研究选取了4个具有代表性的试验样区，对利用MODIS数据提取的结果与利用中等空间分辨率的遥感图像的分类结果进行叠加分析，检验其在空间位置上的匹配性。结果表明：研究中利用MODIS数据提取水稻的算法是有效的；提取结果的精度取决于水稻与其他地物的混合程度，混合像元中水稻的纯度越高，那么提取结果的精度就越高；云覆盖对最终的分类结果的精度也会产生很大的影响，在多云的地区，云覆盖成为光学传感器应用的一个重要的限制因素。在水稻生长发育状况分析研究中，探讨了对水稻长势进行定量化分析的方法。研究突破了过去的研究仅得出的与往年同时期或者同一时期不同地区相比较的好、持平、差等定性分析结论。研究以2005年数据为例，通过在典型试验区建立水稻植被指数与其生物物理参数的关系模型，反演出水稻在不同时期的LAI和FPAR。试验结果表明EVI反演水稻生物物理参数的效果比NDVI更好。因此，研究最终选择EVI作为反演水稻生物物理参数的依据。根据对水稻生长发育期的识别结果，从而得出全国单季稻、早稻和晚稻的生长季的开始和结束日期，并在像素水平上识别水稻的生长季，通过时间序列EVI反演各个时期的LAI和FPAR，再进一步通过光能利用效率模型（LUE模型）得到各个时期的NPP，最后得出单季稻、早稻和晚稻在整个生长季内的生物量，实现对长势的定量化分析，并为进一步的单产分析提供参考依据。最后，研究总结了以上各个部分得出的主要结论和取得的创新，并展望了在将来的工作中仍需要进一步解决的问题。
孟令芳[4]（2019）在《基于颜色和纹理特征的大田麦穗识别技术研究》文中提出小麦作为我国重要的粮食作物,其产量预测方法也有很多,单位面积穗数统计是估产的重要组成部分,本文研究对象为成熟期小麦,此时小麦接近收割,为整个生长周期的最后阶段,排除受其他（天气、虫害）小概率减产条件影响,对此时麦田图像自动计数,进而进行产量评估接近收获产量,较人工评估更准确快捷。针对自然条件下麦田图像背景中有部分杂草,麦穗变黄与茎叶土地从颜色角度不易区分,如何有效分离背景识别小麦成为本文研究重点.为解决小麦拍摄图像背景噪声大,本文以2018年5月底商丘农科院基地监控采集的200张麦田图像人工挑取30幅作为研究对象对采集图像进行预处理使图像得到增强后,先利用颜色特征分离杂草,再利用纹理特征进行麦穗识别,最后基于角点进行麦穗计数。对大田图像中杂草采取基于hsv颜色空间下h通值,经阈值法分割,并对分割效果进行评价,得出杂草分割准确率97.8%;再利用纹理特征对去除杂草的图像进行麦穗识别,将图片网格化划分小像素块,提取不同类别（小麦、茎叶、土地）基于灰度共生矩阵的四个纹理特征值进行分析,利用改进的k-means算法对纹理特征值聚类识别麦穗;通过形态学处理提取麦穗骨架,基于Harris角点检测计数后对比人工标记数量并分析结果。最终得出麦穗识别计数准确率为94.65%。本文研究方法可给其他农作物的识别及分割提供思路,为农作物远程信息管理系统提供支持;研究结论可为复杂田间环境中小麦估产提供指导和依据。
王小平[5]（2014）在《基于高光谱的半干旱区作物水分胁迫及其生理参数监测模型研究》文中进行了进一步梳理干旱是造成农作物减产的最主要原因,随着全球气候变化,干旱已经成为全球粮食安全的最大威胁,增强干旱监测和早期预警能力是有效防御干旱的基础。卫星遥感技术能够提供大范围、迅速、连续和对农作物的无损监测,其中高光谱遥感技术因其可光谱成像,构成多维光谱空间,在作物生理生态参数监测方面具有独到的优势,可进一步提高遥感在作物生长监测方面的精度和准确性。本研究以半干旱区主要作物类型之一的春小麦为研究对象,以多年大田观测试验为基础,综合应用高光谱遥感技术和作物生理生态测试,将高光谱遥感与作物水分胁迫监测结合,分析不同水分胁迫的高光谱响应机理和生理响应特征,按照春小麦典型生育期,分阶段建立春小麦生理参数与光谱反射率及光谱植被指数的关系,构建新的适合半干旱区作物生理参数监测指数与模型,从而为动态监测春小麦干旱胁迫发展变化、农业管理科学化和提高作物水分利用效率提供理论基础和关键技术。研究主要取得了以下主要结果：（1）冠层光谱对水分胁迫的响应非常敏感,可以用来进行水分胁迫的监测。各个光区对水分胁迫的响应不同,可见光和短波红外光区与水分胁迫强度为负相关,近红外光区与水分胁迫强度为正相关,短波红外区光谱对水分胁迫的响应非常稳定,是建立水分指数的理想选择。（2）冠层含水量与不同深度土壤湿度的相关性在各个生育期表现不同,在作物生育早期与浅层土壤（10cm-20cm）湿度的关系较好,在作物生育中后期与深层土壤（30cm-50cm）湿度关系较好,该结果符合作物根系的生长规律；土壤水势与土壤湿度的关系在20cm的相关性最好（R2为0.9311）；冠层水分含量和叶水势对水分胁迫的响应非常敏感,是水分胁迫监测的重要生理指标,而叶片相对含水量的变化较小；此外,冠层叶绿素含量、冠层温度对不同程度水分胁迫响应非常敏感,是监测作物生理干旱适宜指标,叶面积指数（LAI）和株高对不同程度水分胁迫响应敏感,是监测作物生态干旱适宜指标；不同程度干旱胁迫对产量影响非常大,重旱和不早的理论产量相差达到200g/m2。（3）基于冠层光谱与水分参量的相关性分析,得到对水分参量相关性最高的两个波段是780nm和1750nm,本文基于该敏感波段构建了semi-arid water index-1（SAWI-1）和semi-arid water index-2（SAWI-2）指数,该系列指数在监测不同水分胁迫等级和冠层含水量方面效果较好且非常稳定,是研究区监测冠层含水量和水分胁迫的最适宜指数。此外,red edge-NDVI指数也是研究区较好的监测水分胁迫指数。（4）对各类光谱指数与叶片叶绿素含量leaf chlorophyll content（LCC）和冠层叶绿素含量canopy cholorophyll content（CCC）的相关性在不同年份、典型生育期内分别进行了分析,得到了每个生育期最适宜监测光谱指数。初步研究发现适合全生育期监测且最稳定的指数是：本研究基于观测构建的新指数semi-arid chlorophyll index-2（SACI-2）和MERIS total chlorophyll index（MTCI）,该结果与监测叶片叶绿素含量的结果一致,可见SACI-2与MTCI这两个指数可以同时用于春小麦冠层和叶片尺度叶绿素含量的监测。（5）利用water index（WI）和semi-arid chlorophyll index（SACI）指数针对每个生育期LAI分阶段建立了模型,获得了LAI各个典型生育期的光谱估算模型,该模型相对简单好用。（6）研究发现了适宜监测春小麦株高且非常稳定的光谱指数是WI和GLI指数,分阶段构建了WI和GLI光谱指数反演株高的光谱模型。（7）构建了不同波段组合的光谱指数估产的单时相和多时相光谱模型,比较发现多时相估产模型在预测产量方面精度更高。以上研究成果将为进一步开展半干旱区作物产量预测及干旱影响评估奠定基础,为卫星遥感开展相关监测提供了前提条件。
李振海[6]（2016）在《基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报》文中提出随着经济和科技水平的发展及人民生活水平的提高,在重视粮食产量的同时,农产品品质和质量安全的关注日益增加。特别是加入WTO后,中国农产品参与国际竞争所面临的压力越来越大,并且在国内市场也日益受到国外农产品的冲击,农产品质量问题日益凸显。对于小麦而言,发展优质专用小麦、实现优质高效的产业化生产,已成为中国作物生产发展的亮点。如何实时、快速、大面积进行籽粒品质提前预报,进而实现小麦调优栽培,以及收割分类、分级贮存和按质收购成为当前研究的重要课题之一。具有快速、瞬时及空间连续监测的遥感技术和具有时间连续监测的作物生长模型技术为解决这一问题提供了可行及有效的手段。本研究围绕遥感数据与作物生长模型同化这一关键问题,以冬小麦产量和籽粒蛋白质含量（Grain protein content, GPC）预报为目的,特别是以GPC作为重点,选择DSSAT （Decision Support System for Agrotechnology Transfer）作物生长模型作为冬小麦长势动态监测及产量和GPC预报的模型,并在模型参数敏感性、参数本地化、作物生化参数遥感反演、同化策略构建、气象预报节点确定等一系列问题上进行探索研究。主要得到以下几方面结论：（1）采用扩展傅里叶振幅敏感性检验（Extended Fourier Amplitude Sensitivity Test, EFAST）方法重点对模型中的作物遗传参数（包括品种型参数和生态型参数）和部分土壤参数进行敏感性分析。除了分析参数对产量和GPC的敏感性外,同时还分析几个关键生长过程变量[叶面积指数（LAI）、地上部生物量（AGB）和植株氮素累积量（AGN）]在时间序列上的参数敏感性。结果表明,与LAI较为敏感的作物及土壤参数包括PHINT、P1、LSPHS、 LAIS、SLAS、GN%S、SALB、VEFF和TDFAC;与AGB较为敏感的参数包括PHINT、 SLPF、PARUE、PARU2和P1；与AGN较为敏感的参数包括PHINT、P1、PARUE、RDGS、P1D和SLPF;不同生长过程变量的敏感性参数有异同之处,并且在时间序列上表现出差异性。与产量敏感的参数（PARUE、SLPF、G1、G2、P1和PARU2）和与GPC敏感的参数（G1、GN%S、P5、PARUE、PARU2、SLPF和G2）之间也表现差异性。有些对生长过程敏感的参数（PHINT, LSPHS, LAIS, SALB, VEFF, TDFAC, P1D和RDGS）,在产量或GPC的敏感性中没有体现出来,在应用调试的过程中,需要兼顾收获期产量和GPC的敏感性参数和生长过程变量的敏感性参数。（2）采用极大似然不确定性估计方法（Generalized likelihood uncertainty estimation, GLUE）并结合参数系统调试过程和敏感性分析结果进行DSSAT模型的参数自动逐步系统调试,并进行LAI、AGB、AGN、产量和GPC的模拟验证。LAI、AGB和AGN的模拟值与实测值的均方根误差（RMSE）、标准均方根误差（NRMSE）、效率系数（E）和一致性系数（d）分别为0.42、0.17、0.64和0.87,1.77 ton ha-1、0.28、0.78和0.92,33.04 kg ha-10.28、0.41和0.79,其中以AGB的模拟结果最优。产量和GPC的模拟值与实测值比较一致,其模拟值与实测值的RMSE、NRMSE.E和d分别为0.23 ton ha-10.05、0.77和0.94,1.91%、0.12、-19.85和0.28,产量的模拟精度高于GPC的模拟精度。研究表明利用DSSAT模型对研究区域进行作物长势和营养监测以及产量和GPC预测是一个有效工具。（3）以AGN作为状态变量,采用粒子群算法（Particle swarm optimization,PSO）进行遥感数据和DSSAT模型同化,尝试同化方法应用于冬小麦GPC预报的可行性。结果表明选择与氮素相关的植被指数可以进行AGN遥感反演,其中NDRE构建的回归模型精度最高,其AGN的模拟值与实测值的R2和RMSE分别为0.663和34.05 kg ha-1。数据同化方法得到AGN的结果（R2=0.729,RMSE=32.02 kg ha-1）优于植被指数反演法。预测的冬小麦产量（R2=0.711,RMSE=0.63 ton ha-1）和GPC（R2=0.367,RMSE=1.95%）与实测产量和GPC也具有较好的一致性。对强筋小麦和中强筋小麦分别进行模拟,对GPC的总体预测精度（R2=0.519,RMSE=1.53%）有明显的提高。利用数据同化方法可以较好的实现冬小麦产量和GPC的预测。（4）进一步分析遥感同化结果,以LAI和AGN同时作为同化状态变量,开展双状态变量数据同化方法进行冬小麦产量和GPC预测的研究。基于MSR构建的LAI反演模型（R2 =0.829,RMSE=0.598）以及NDRE构建的AGN反演模型（R2=0.794,RMSE=37.75 kg ha-1）精度最高。利用双变量同化得到的LAI的模拟值与实测值之间的R2和RMSE为0.828和0.494；AGN的模拟值与实测值之间的R2和RMSE为0.808和30.26 kg ha-1,双状态变量同化可以很好的避免单一状态变量在同化过程单一过程变量模拟精度较高,而非状态变量模拟精度不高的现象。双状态变量同化方法得到的冬小麦产量（R2=0.698,RMSE =0.726 ton ha-1）和GPC（R2=0.758,RMSE=1.16%）预测精度也比较理想。利用双变量同化方法较单一状态变量同化结果更加可靠。（5）分析北京地区收获前不同时间节点上冬小麦产量与GPC的预报精度,以此确定最佳生育时期产量和GPC预报节点。通过分析不同预报节点正常气象条件和三种极端条件（极端光照条件、极端温度条件和极端降水条件）下的产量和GPC预报结果。研究表明,前期进行产量和GPC预报,由于未知气象数据较多,产量和GPC预报结果与实际气象条件的产量和GPC预报结果偏差较大,并且极端天气条件造成的预报产量和GPC波动较大,预报结果的可靠性较差。根据本研究所设置的预报节点,开花期末（5月21日左右）进行产量预报,预报的产量结果与实际气象条件下的产量预报结果基本一致,并且后期极端天气条件对最终产量的影响不大,产量预报结果的可靠性较高,可以确定为冬小麦产量预报的最佳预报节点。GPC预报的最佳预报节点较产量预报的最佳预报节点有所推迟,灌浆期初期（5月31日）作为北京地区GPC预报的最佳预报时期较为合理。（6）结合作物模型与遥感数据同化和气象预报的研究结果开展区域冬小麦产量GPC预报研究。结果表明,利用波谱响应函数将田间高光谱数据转换为Landsat-5卫星TM的多光谱数据进行LAI和AGN反演模型构建,反演LAI和AGN最优的模型分别为MSR和GNVI;通过优化迭代次数和粒子群数目、遥感影像重采样处理和计算机并行计算方法可以提高同化算法的效率；将遥感数据同化和气象预报结合,实现区域冬小麦产量和GPC预报,产量预报结果与实测值之间达到极显著水平（p<0.01）,GPC预报结果与实测值之间达到显著性水平（p<0.05）,两者模拟值与实测值具有较好的一致性。DSSAT作物模型结合遥感同化和气象预报在灌浆期能够实现区域尺度冬小麦产量和GPC预报。
闫昱光[7]（2019）在《基于多光谱图像的水稻估产模型研究》文中指出水稻是我国三大主要粮食作物之一,也是我国居民主要的消费口粮之一。水稻产量事关农业经济,科学准确地估算水稻产量对农业经济发展具有重要的现实意义。现阶段随着精准农业的发展,人们对水稻生产的估算精度和成本提出了更高的要求。而提高水稻估产准确度的一个重要途径就是有效改进产量估算方法。本研究利用小型无人机平台搭载多光谱相机获取试验田水稻的冠层多光谱图像,并基于此多光谱图像对水稻产量估测方法展开了相应的研究与尝试。本文以黑龙江省庆安县试验田内的水稻为试验对象,以试验田拔节期水稻的冠层多光谱图像为基础,以从中提取出的水稻冠层植被指数特征为研究对象,以同步采集到的水稻生长参数特征作为对照对象,研究了这两类特征与水稻产量之间的关系。使用相关性检验方法筛选特征,剔除掉与产量特征之间相关性较低的特征。经过筛选后的6种特征作为估产因子,使用局部加权线性回归和分位数回归算法分别进行水稻估产建模研究。并使用均方根误差（RMSE）和平均绝对百分误差（MAPE）作为检验指标,对两种算法构建的不同估产模型的精度进行了分析。主要研究内容如下:（1）针对本研究后续的水稻估产建模算法的特点,利用正态性检验和皮尔逊（Pearson）相关系数检验方法,检验水稻生长参数特征、植被指数特征与水稻产量特征之间的线性相关性。正态性检验结果表明,所有特征数据的分布都呈正态分布或接近正态分布,符合皮尔逊（Pearson）相关系数检验方法的使用要求。相关性检验结果表明:与产量特征的相关系数值在0.5以下的三个特征,分别为生长参数特征中的株高和叶面温度,以及植被指数特征中的RVI。共筛选出6个有效的估产因子,可以将其用于后续的水稻产量建模。包括2种水稻生长参数特征（SPAD,LNC）;4种水稻冠层植被指数特征（NDVI,DVI,SAVI,OSAVI）。（2）利用筛选出的估产因子,分别使用局部加权线性回归和分位数回归算法构建水稻估产模型。结果表明:在本次研究构建的水稻局部加权线性估产模型中,使用水稻生长参数特征SPAD构建的水稻估产模型效果最优,决定系数R2为0.72,平均绝对百分误差MAPE为3.75,均方根误差RMSE为18.8kg/亩,表现最好的植被指数特征是OSAVI,其决定系数R2为0.69,平均绝对百分误差MAPE为3.53,均方根误差RMSE为19.5kg/亩。（3）在本次研究构建的分位数回归估产模型中,使用植被指数特征NDVI构建的水稻估产模型效果最好,决定系数R2为0.675,平均绝对百分误差MAPE为4.203,均方根误差RMSE为44.71 kg/亩。在τ=0.7分位点下,植被指数特征NDVI与水稻产量特征构建的分位数回归模型y=-46.72x+665.96,为最佳的水稻分位数回归估产模型。
周彤[8]（2019）在《基于WOFOST模型与无人机图像同化的小麦产量估测》文中研究表明目前,在“互联网+”农业的背景下,将信息技术与现代农业融合,以达到农业生产、栽培、管理的智能化、高效化,是我国现代农业发展的必然趋势。小麦是我国分布最广、产量最高的粮食作物之一,江苏省因其地形条件和气候条件的优势,成为我国南方冬小麦的主要种植区域。因此,提高江苏省冬小麦生长监测的准确性,对冬小麦有效估产有着十分重要的意义。本研究通过WOFOST作物模型模拟了冬小麦的生长发育,并利用最小二乘优化算法,展开基于无人机图像数据与作物模型的同化研究。最后结合冬小麦LAI和产量实际测量值进行同化结果的分析与评价,为农业估产提供依据,主要研究内容与结果如下:（1）为了使模型模拟符合研究区域内冬小麦生长规律,本研究采用2015-2017年本研究区域气象站点气象数据、土壤数据、作物数据等,利用OAT方法进行模型参数敏感性分析,结合最小二乘、“试错法”并借鉴前人研究结果,基于不同密度和氮肥处理水平,针对冬小麦发育参数TSUM1（出苗到开花的积温）、TSUM2（开花到成熟的积温）以及生长参数SLATB（比叶面积）、AMAXTB（最大CO2同化速率）进行冬小麦参数调整,实现WOFOST模型本地化。结果表明,WOFOST模型能够较好的模拟研究区域冬小麦的生长发育状况,模拟冬小麦LAI的R2、RMSE、NRMSE（%）分别为0.8178、0.58、27.9,模拟生物量的 R2、RMSE（kg·hm-2）、NRMSE（%）分别为 0.7832～0.9531、315.55～986.15、10.1～29.8,模拟产量的 R2、RMSE（kg·hm-2）、NRMSE（%）分别为 0.5852、799.96、15.9。（2）为了构建最佳的无人机反演LAI模型,本研究选取利用R、G、B构建的11种颜色特征指数,从整个生育期、种植密度、施氮量、各生育期四个角度,进行颜色指数与冬小麦LAI的相关性分析,选出显著相关颜色指数构建反演模型。结果表明,通过拔节期前、拔节期、开花期、灌浆期进行模型构建效果最佳,模型构建R2分别为0.795、0.784、0.746、0.625,模型验证 R2 分别为 0.781、0.807、0.718、0.697,RMSE 分别为0.325、0.470、0.364、0.256。（3）在WOFOST模型本地化的基础上,应用最小二乘优化算法,基于无人机反演LAI数据进行模型同化研究,通过调整、修正敏感参数比叶面积（SLATBO、SLATB0.5、SLATB2）和最大CO2同化速率（AMAXTBI、AMAXTB1.3）,使得模型模拟LAI与无人机数据反演LAI误差最小。结果表明,同化后的模型能够更好地评价研究区域冬小麦的生长发育状况,同化后WOFOST模型模拟冬小麦LAI的R2、RMSE、NRMSE（%）分别为 0.8812、0.49、23.5,模拟产量的 R2、RMSE（kg.hm-2）、NRMSE（%）分别为 0.9489、327.06、6.5,模型模拟冬小麦的精度有所提高,证明了作物模型与无人机数据同化的可行性。
代立芹,吴炳方,李强子,李国春,徐新刚[9]（2006）在《作物单产预测方法研究进展》文中进行了进一步梳理产量预测一直是各国普遍关心的课题,经过多年研究,现在已经形成农学预测方法、统计预测方法、经济学预测方法、气象预测方法、遥感预测方法等多种预测方法。本文综合分析了各种方法的出发点及原理,讨论了各种方法的优势和局限性,结合各方法的特点,认为在探索作物产量形成机制的基础上,以遥感作为主要信息获取手段,辅以气象信息和农学信息等其他参量,建立准确反映产量形成规律的综合估产模型,进行产量预测已成为大面积估产的发展方向。
付虹雨,崔丹丹,崔国贤,曹晓兰,佘玮,苏小惠,李林林,王继龙,刘婕仪,王昕慧,刘皖慧[10]（2019）在《作物图像获取、处理技术及其应用研究进展》文中进行了进一步梳理随着信息科技的快速发展,图像处理技术被应用到农业作物生长检测、营养诊断等过程。文章综述了作物图像获取技术及处理技术的发展背景,图像数据处理流程、作物图像处理的工具,并对作物图像在作物营养诊断、品种识别和病虫害监测等方面的应用潜力和发展方向进行了系统分析和总结。针对作物图像处理技术应用中出现的问题,建议制订遥感技术的相关标准和规范,以期共同推进并普及遥感技术。
二、介紹大田主要作物的估产方法（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、介紹大田主要作物的估产方法（论文提纲范文）
（1）基于无人机成像高光谱遥感数据的水稻估产方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 估产平台方面 |
| 1.2.2 估产传感器方面 |
| 1.2.3 估产方法方面 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.1.1 多生育期水稻估产 |
| 1.3.1.2 考虑生育期长度信息的水稻估产 |
| 1.3.1.3 精细化生育期植被指数水稻估产 |
| 1.3.1.4 考虑空间纹理信息的水稻估产 |
| 1.3.2 技术路线 |
| 2 研究数据和方法 |
| 2.1 研究区概况 |
| 2.2 实验方案设计 |
| 2.3 无人机成像高光谱遥感平台搭建 |
| 2.3.1 无人机介绍 |
| 2.3.2 成像高光谱仪介绍 |
| 2.4 无人机影像数据获取与处理 |
| 2.4.1 数据获取时间 |
| 2.4.2 数据处理流程 |
| 2.5 其他数据获取 |
| 2.6 建模方法与模型评价 |
| 2.6.1 估产建模方法 |
| 2.6.2 建模分析与模型评价 |
| 3 多生育期水稻估产 |
| 3.1 水稻生育期确定 |
| 3.2 各生育期植被指数构建及植被指数敏感波段筛选 |
| 3.2.1 植被指数构建 |
| 3.2.2 植被指数敏感波段筛选 |
| 3.3 最佳多生育期水稻估产模型建立 |
| 3.3.1 单生育期最佳水稻估产建模 |
| 3.3.2 双生育期最佳水稻估产建模 |
| 3.3.3 三生育期最佳水稻估产建模 |
| 3.3.4 四生育期水稻估产建模 |
| 3.3.5 不同数量生育期最佳估产模型对比及最佳多生育期水稻估产模型建立与验证 |
| 3.4 本章小结 |
| 4 考虑生育期长度信息的水稻估产 |
| 4.1 有效生育期长度确定 |
| 4.2 特征植被指数建模 |
| 4.3 生育期长度变量提取 |
| 4.4 基于生育期长度变量和多生育期植被指数的水稻估产 |
| 4.4.1 估产建模结果 |
| 4.4.2 估产验证结果 |
| 4.5 本章小结 |
| 5 精细化生育期植被指数水稻估产 |
| 5.1 精细化生育期植被指数 |
| 5.2 精细化生育期植被指数计算 |
| 5.2.1 精细化生育期确定 |
| 5.2.2 精细化生育期敏感植被指数计算 |
| 5.3 精细化生育期植被指数水稻估产 |
| 5.3.1 估产建模结果 |
| 5.3.2 估产验证结果 |
| 5.4 考虑生育期长度信息的精细化生育期植被指数水稻估产 |
| 5.4.1 估产建模结果 |
| 5.4.2 估产验证结果 |
| 5.5 本章小结 |
| 6 基于空间纹理信息的水稻估产 |
| 6.1 空间纹理信息引入 |
| 6.1.1 图像纹理信息介绍 |
| 6.1.2 图像灰度与灰度共生矩阵引入 |
| 6.2 纹理特征计算方法 |
| 6.3 纹理指数计算 |
| 6.4 空间纹理信息与植被指数耦合的水稻估产新方法 |
| 6.4.1 估产建模结果 |
| 6.4.2 估产验证结果 |
| 6.6 本章小结 |
| 7 研究成果与展望 |
| 7.1 主要研究成果 |
| 7.2 论文创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 作者简介 |
（2）基于深度学习的大田水稻稻穗分割及无损产量预估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪言 |
| 1.1 研究背景 |
| 1.2 稻穗对于水稻育种研究的意义 |
| 1.3 水稻产量预估方法与研究现状 |
| 1.4 穗部区域分割方法研究现状 |
| 1.5 深度学习在植物表型上的应用 |
| 1.6 课题来源和主要研究内容 |
| 2 实验材料与技术方案 |
| 2.1 引言 |
| 2.2 实验材料与水稻种植分布 |
| 2.3 可移动支架式田间成像设备 |
| 2.4 技术方案 |
| 2.5 本章小结 |
| 3 稻穗分割方法研究 |
| 3.1 引言 |
| 3.2 人工标注稻穗区域 |
| 3.3 分割结果的性能评估指标 |
| 3.4 Panicle-SEG稻穗分割算法 |
| 3.5 基于对称编解码结构的PanicleNet算法 |
| 3.6 基于空洞卷积的PanicleNetv2算法 |
| 3.7 三种分割算法的性能和效率对比 |
| 3.8 本章小结 |
| 4 稻穗区域特征提取与性状筛选 |
| 4.1 引言 |
| 4.2 稻穗小区图像特征提取 |
| 4.3 单一稻穗细节图像特征提取 |
| 4.4 水稻谷粒考种性状提取 |
| 4.5 本章小结 |
| 5 水稻产量预估方法 |
| 5.1 引言 |
| 5.2 小区总产量正态性检验 |
| 5.3 模拟水稻产量相关四因素的小区总产量预估 |
| 5.4 水稻小区产量回归模型中引入纹理和形状特征 |
| 5.5 回归结果讨论 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读学位期间发表论文目录 |
| 附录2 申请专利及软件著作权 |
（3）利用多时相MODIS数据提取中国水稻种植面积和长势信息（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 目录 |
| 图索引 |
| 表索引 |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究概况 |
| 1.2.1 国内外在农业遥感方面开展的课题研究 |
| 1.2.2 国内外在农业遥感方面的研究方法 |
| 1.3 研究目标 |
| 2 研究方法与数据支持 |
| 2.1 研究区概况 |
| 2.2 研究方法与技术路线 |
| 2.2.1 中国水稻遥感信息获取区划的方法与技术路线 |
| 2.2.2 利用MODIS数据识别水稻关键生长发育期的方法与技术路线 |
| 2.2.3 利用MODIS数据提取水稻空间分布和种植面积的方法与技术路线 |
| 2.2.4 基于MODIS数据的水稻长势监测方法与技术路线 |
| 2.3 研究所用的数据 |
| 2.3.1 非遥感数据 |
| 2.3.2 遥感数据及其预处理 |
| 3 中国水稻遥感信息获取区划 |
| 3.1 区划原则 |
| 3.2 区划因素选择 |
| 3.3 区划方法和数据支持 |
| 3.3.1 区划的数据支持和指标计算 |
| 3.3.2 区划的具体步骤 |
| 3.4 区划结果 |
| 3.5 小结 |
| 4 水稻关键生长发育期的遥感识别 |
| 4.1 水稻生长发育期简介 |
| 4.2 植被生长发育期遥感识别具体方法概括 |
| 4.3 长发育期遥感识别采用的遥感数据 |
| 4.4 水稻关键生长发育期遥感识别的方法 |
| 4.4.1 样点的选择 |
| 4.4.2 植被指数的选择和重构 |
| 4.4.3 水稻关键生长发育期遥感识别的算法 |
| 4.5 水稻关键生长发育期遥感识别的结果 |
| 4.6 小结 |
| 5 利用MODIS数据提取中国水稻的空间分布和种植面积信息 |
| 5.1 引言 |
| 5.2 研究需要的数据 |
| 5.3 利用MODIS数据提取水稻的算法 |
| 5.3.1 利用MODIS数据识别水稻的依据 |
| 5.3.2 敏感波段的选择 |
| 5.3.3 时间序列MODIS数据去噪处理 |
| 5.3.4 利用MODIS数据提取水稻的算法 |
| 5.4 利用MODIS数据提取的中国水稻分布结果 |
| 5.5 对利用MODIS数据提取水稻结果的检验 |
| 5.5.1 大尺度的面积精度检验 |
| 5.5.2 空间位置匹配检验 |
| 5.6 导致分类误差的主要因素分析 |
| 5.7 小结 |
| 6 基于MODIS数据的中国水稻长势监测 |
| 6.1 引言 |
| 6.2 水稻长势监测采用的方法和数据 |
| 6.3 主要的植被生物物理参数及其定量计算方法 |
| 6.3.1 叶面积指数 |
| 6.3.2 光合有效辐射吸收系数及与其相关的参数 |
| 6.3.3 总初级生产力、净初级生产力和生物量 |
| 6.3.4 定量化分析水稻长势的技术路线 |
| 6.4 植被指数与水稻生物物理参数的关系 |
| 6.4.1 植被指数与水稻叶面积指数的关系 |
| 6.4.2 水稻叶面积指数、植被指数与光合有效辐射吸收系数的关系 |
| 6.5 水稻的生长发育状况分析 |
| 6.5.1 反演的生物物理参数及其模型确定 |
| 6.5.2 水稻生长季的确定与时间序列EVI的重构 |
| 6.5.3 水稻生物物理参数的反演结果 |
| 6.6 小结 |
| 7 研究取得的主要成果和对未来工作的展望 |
| 7.1 研究取得的主要成果 |
| 7.2 有待进一步研究的问题 |
| 参考文献 |
| 附录Ⅰ MOD09A1云和阴影检测 |
| 附录Ⅱ 利用MATLAB计算PAR的程序 |
| 附录Ⅲ 利用MATLAB计算水稻生长季内生物量的程序 |
| 作者简历 |
（4）基于颜色和纹理特征的大田麦穗识别技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| 1 综述 |
| 1.1 小麦图像处理技术国内研究现状 |
| 1.2 小麦图像处理技术国外研究现状 |
| 1.3 本章小结 |
| 1.4 本文的组织结构 |
| 2 引言 |
| 2.1 研究目的与意义 |
| 2.2 研究内容和技术路线 |
| 3 材料准备 |
| 3.1 图像获取与人工标记 |
| 3.1.1 图像获取方式 |
| 3.1.2 人工标记麦穗并计数 |
| 3.2 图像预处理 |
| 3.2.1 图像预处理方法理论基础 |
| 3.2.2 图像预处理效果 |
| 4 利用颜色特征分离杂草 |
| 4.1 颜色空间介绍与通道选取 |
| 4.1.1 颜色空间介绍 |
| 4.1.2 HSV颜色通道选择 |
| 4.2 阈值分割理论及方法 |
| 4.3 杂草分割效果分析 |
| 5 利用纹理特征识别麦穗 |
| 5.1 灰度共生矩阵方法提取纹理特征 |
| 5.1.1 灰度共生矩阵理论介绍 |
| 5.1.2 灰度共生矩阵特征值提取方法 |
| 5.2 改进的k-means算法 |
| 5.2.1 变异系数赋权法理论及分析 |
| 5.2.2 k-means聚类算法理论及分析 |
| 5.2.3 基于加权距离的k-means++算法 |
| 5.3 特征值聚类效果及麦穗识别分析 |
| 6 图像形态学处理与麦穗计数 |
| 6.1 形态学方法介绍 |
| 6.1.1 图像形态学理论与方法 |
| 6.1.2 麦穗图像形态学处理效果 |
| 6.2 基于角点计数方法 |
| 6.3 麦穗计数结果分析 |
| 7 总结与讨论 |
| 参考文献 |
| ABSTRACT |
（5）基于高光谱的半干旱区作物水分胁迫及其生理参数监测模型研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 高光谱遥感研究进展 |
| 1.2.1 高光谱遥感的特点 |
| 1.2.2 高光谱遥感监测植被的基本原理 |
| 1.3 高光谱遥感在农业中的应用进展 |
| 1.4 高光谱遥感对作物参数的反演研究进展 |
| 1.4.1 作物含水量的高光谱遥感监测研究进展 |
| 1.4.2 作物叶绿素含量的高光谱遥感监测研究进展 |
| 1.4.3 作物叶面积指数的高光谱遥感监测研究进展 |
| 1.4.4 作物株高和产量的高光谱遥感监测 |
| 1.5 有待解决的问题 |
| 1.6 主要研究内容及技术路线 |
| 1.6.1 主要研究内容 |
| 1.6.2 技术路线 |
| 1.6.3 论文结构 |
| 第二章 研究区概况及试验设计 |
| 2.1 研究区概况 |
| 2.2 试验区基本概况 |
| 2.3 试验方案设计 |
| 2.3.1 供试作物实验设计 |
| 2.3.2 水分胁迫设计 |
| 2.3.3 作物生理生态参数选择 |
| 2.4 地物光谱数据分析 |
| 2.4.1 光谱植被指数 |
| 2.4.2 导数技术及“红边”参数 |
| 2.4.3 统计分析 |
| 2.4.4 回归分析与建模 |
| 第三章 不同水分胁迫下作物生理参数和高光谱反射率响应特征. |
| 3.1 材料与方法 |
| 3.1.1 试验设计 |
| 3.1.2 高光谱数据测量 |
| 3.1.2.1 光谱测量仪器 |
| 3.1.2.2 光谱测量方法 |
| 3.1.2.3 光谱测量规范 |
| 3.1.3 作物生理参数测量 |
| 3.2 结果与分析 |
| 3.2.1 不同水分胁迫下春小麦生理参数响应过程特征 |
| 3.2.1.1 不同水分胁迫下春小麦含水量变化 |
| 3.2.1.2 不同水分胁迫下春小麦叶水势变化 |
| 3.2.1.3 不同水分胁迫的土壤水势变化 |
| 3.2.1.4 不同水分胁迫的土壤湿度变化 |
| 3.2.1.5 土壤湿度与土壤水势、冠层含水量的关系 |
| 3.2.1.6 不同水分胁迫下春小麦冠层温度变化 |
| 3.2.1.7 不同水分胁迫下春小麦叶绿素含量变化 |
| 3.2.1.8 不同水分胁迫下春小麦LAI变化 |
| 3.2.1.9 不同水分胁迫下春小麦株高的变化 |
| 3.2.1.10 不同水分胁迫下春小麦产量的变化 |
| 3.2.2 春小麦冠层光谱对不同水分胁迫的响应 |
| 3.2.2.1 不同水分胁迫春小麦的冠层光谱特征 |
| 3.2.2.2 不同水分胁迫春小麦红边光谱特征 |
| 3.3 本章小结 |
| 第四章 基于高光谱的半干旱区作物水分胁迫与含水量监测 |
| 4.1 材料与方法 |
| 4.1.1 冠层光谱测定 |
| 4.1.2 作物与土壤各项水分指标的测定 |
| 4.1.2.1 作物含水量测定 |
| 4.1.2.2 土壤湿度测定 |
| 4.1.2.3 水势测定 |
| 4.1.3 本研究选择的反演作物水分特征参数的光谱指数 |
| 4.2 结果与分析 |
| 4.2.1 春小麦冠层原始光谱与水分含量的相关性分析 |
| 4.2.2 水分胁迫下春小麦光谱指数与冠层含水量的关系 |
| 4.2.2.1 冠层光谱植被指数与冠层含水量在不同年份试验的关系 |
| 4.2.2.2 对水分胁迫监测指数的检验 |
| 4.2.2.3 冠层光谱植被指数与冠层含水量在春小麦不同生育期的关系. |
| 4.2.3 春小麦冠层含水量光谱估算模型 |
| 4.2.4 春小麦冠层含水量光谱估算模型的检验 |
| 4.3 本章小结与讨论 |
| 第五章 基于高光谱的半干旱区作物叶绿素含量监测模型 |
| 5.1 材料与方法 |
| 5.1.1 光谱观测 |
| 5.1.2 叶绿素含量测定 |
| 5.1.3 光谱指数的选择 |
| 5.2 结果分析 |
| 5.2.1 不同叶绿素含量的光谱特征 |
| 5.2.1.1 不同叶绿素含量春小麦的原始光谱特征 |
| 5.2.1.2 不同叶绿含量春小麦的红边特征 |
| 5.2.2 春小麦叶绿素含量SPAD值与冠层原始光谱、导数光谱的相关性 |
| 5.2.3 春小麦叶绿素SPAD值与光谱植被指数的相关性分析 |
| 5.2.4 春小麦冠层叶绿素含量估算的光谱指数评估 |
| 5.2.5 黄土高原半干旱雨养农业区春小麦叶绿素含量的估算模型 |
| 5.2.6 春小麦叶绿素含量估算模型的检验 |
| 5.3 本章小结 |
| 5.4 讨论 |
| 第六章 基于高光谱的半干旱区作物叶面积指数估算研究 |
| 6.1 材料与方法 |
| 6.1.1 试验设计 |
| 6.1.2 光谱测定 |
| 6.1.3 春小麦LAI的测定 |
| 6.1.4 光谱指数的选择 |
| 6.2 结果分析 |
| 6.2.1 不同LAI春小麦冠层光谱特征 |
| 6.2.1.1 不同LAI春小麦的冠层原始光谱特征 |
| 6.2.1.2 不同LAI春小麦的红边特征 |
| 6.2.2 春小麦LAI与冠层原始光谱、一阶导数光谱的相关性 |
| 6.2.3 春小麦LAI与光谱植被指数的相关性分析 |
| 6.2.4 黄土高原半干旱雨养农业区春小麦LAI估算的光谱指数评估 |
| 6.2.5 黄土高原半干旱雨养农业区春小麦LAI的估算模型 |
| 6.2.6 基于高光谱春小麦LAI估算模型的检验 |
| 6.3 本章小结 |
| 第七章 基于高光谱的半干旱区作物株高监测研究 |
| 7.1 试验方法与数据分析 |
| 7.1.1 光谱观测 |
| 7.1.2 株高测定 |
| 7.1.3 光谱指数选择与数据分析 |
| 7.2 结果与分析 |
| 7.2.1 春小麦株高与冠层原始光谱、一阶导数光谱的相关性 |
| 7.2.2 春小麦株高与光谱植被指数的相关性分析 |
| 7.2.3 春小麦株高的高光谱估算模型 |
| 7.2.4 基于高光谱的春小麦株高估算模型检验 |
| 7.3 本章小结 |
| 第八章 基于高光谱的半干旱区春小麦产量估算研究 |
| 8.1 材料与方法 |
| 8.1.1 光谱观测 |
| 8.1.2 产量测定 |
| 8.1.3 光谱指数选择与数据分析 |
| 8.2 结果与分析 |
| 8.2.1 春小麦产量与高光谱反射率的相关性 |
| 8.2.2 春小麦产量与光谱植被指数的关系 |
| 8.2.3 春小麦产量高光谱估算模型 |
| 8.2.3.1 单时相光谱估产模型 |
| 8.2.3.2 多时相光谱估产模型 |
| 8.2.4 春小麦估产模型的检验 |
| 8.3 本章小结 |
| 第九章 结论与展望 |
| 9.1 主要结论 |
| 9.1.1 不同水分胁迫条件下春小麦生理参数与冠层光谱反射率响应特征 |
| 9.1.2 基于高光谱数据监测作物水分胁迫与冠层含水量 |
| 9.1.3 基于高光谱数据监测叶绿素含量 |
| 9.1.4 基于高光谱数据监测叶面积指数 |
| 9.1.5 基于高光谱数据监测株高 |
| 9.1.6 基于高光谱数据进行春小麦产量估算 |
| 9.2 本文特色与创新点 |
| 9.3 不足与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（6）基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报（论文提纲范文）
| 致谢 |
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 作物籽粒蛋白质形成及遥感预测机理 |
| 1.2.1 植物碳氮代谢过程与籽粒蛋白质含量形成机理 |
| 1.2.2 作物籽粒蛋白质含量遥感预测可行性 |
| 1.3 作物籽粒蛋白质含量遥感监测研究进展 |
| 1.3.1 基于光谱参量的籽粒蛋白质含量经验模型 |
| 1.3.2 基于光谱参量-农学参数-籽粒蛋白质含量的定量模型 |
| 1.3.3 基于遥感数据和生态因子的籽粒蛋白质含量半机理和机理模型 |
| 1.4 作物生长模型研究进展 |
| 1.5 作物生长模型和遥感数据同化研究现状及问题 |
| 1.5.1 强迫法 |
| 1.5.2 更新法 |
| 1.5.3 参数优化法 |
| 1.6 利用作物生长模型和遥感数据同化进行作物品质预测中存在的问题 |
| 1.7 研究目标、研究内容及技术路线 |
| 1.7.1 研究目标 |
| 1.7.2 研究内容 |
| 1.7.3 技术路线 |
| 第二章 试验方案、数据获取及处理 |
| 2.1 研究区概况及试验方案 |
| 2.1.1 小汤山国家精准农业研究示范基地田间定量遥感试验 |
| 2.1.2 北京市郊县冬小麦主栽区通州区和顺义区区域试验 |
| 2.2 数据获取及处理 |
| 2.2.1 气象数据 |
| 2.2.2 土壤数据 |
| 2.2.3 田间管理数据 |
| 2.2.4 作物生理生化指标 |
| 2.2.5 光谱数据 |
| 2.3 本章小结 |
| 第三章 DSSAT模型的参数敏感性分析及本地化研究 |
| 3.1 DSSAT模型简介 |
| 3.1.1 DSSAT模型发展 |
| 3.1.2 DSSAT模型结构 |
| 3.1.3 DSSAT模型中CERES-Wheat生长过程模块介绍 |
| 3.1.4 DSSAT模型基本数据集 |
| 3.2 DSSAT模型的参数敏感性分析 |
| 3.2.1 EFAST方法原理及敏感性分析策略 |
| 3.2.2 参数变化范围对参数敏感性的影响 |
| 3.2.3 生长过程变量的参数敏感性分析 |
| 3.2.4 产量和GPC的参数敏感性分析 |
| 3.3 DSSAT模型的参数“本地化” |
| 3.3.1 GLUE方法原理及参数“本地化”分析策略 |
| 3.3.2 参数调试次序及结果 |
| 3.3.3 生长过程变量的模拟结果 |
| 3.3.4 产量和GPC的模拟结果 |
| 3.4 本章小结 |
| 第四章 基于遥感数据与DSSAT模型同化的冬小麦产量和GPC预测 |
| 4.1 单一状态变量数据同化方法的冬小麦产量和GPC预测 |
| 4.1.1 粒子群算法原理及数据同化策略 |
| 4.1.2 植株氮素累积量遥感反演 |
| 4.1.3 数据同化方法对AGN的监测 |
| 4.1.4 数据同化方法对冬小麦产量和GPC的预测 |
| 4.2 双状态变量数据同化方法的冬小麦产量和GPC预测 |
| 4.2.1 双状态变量进行数据同化方法的提出 |
| 4.2.2 数据同化策略 |
| 4.2.3 LAI与AGN遥感反演 |
| 4.2.4 数据同化方法对冬小麦LAI与AGN的监测 |
| 4.2.5 数据同化方法对冬小麦产量和GPC预测 |
| 4.3 本章小结 |
| 第五章 基于DSSAT模型的冬小麦最佳生育时期产量和GPC预报 |
| 5.1 气象预报数据方法探究 |
| 5.1.1 预报策略 |
| 5.1.2 日太阳辐射量预报数据确定 |
| 5.1.3 日最高温度和最低温度预报数据确定 |
| 5.1.4 日降水量预报数据确定 |
| 5.2 不同气象条件下的冬小麦产量最优预报节点 |
| 5.2.1 正常天气条件下冬小麦产量预报 |
| 5.2.2 极端光照条件下冬小麦产量预报 |
| 5.2.3 极端温度条件下冬小麦产量预报 |
| 5.2.4 极端降水量条件下冬小麦产量预报 |
| 5.3 不同气象条件下的冬小麦GPC最优预报节点 |
| 5.3.1 正常天气条件下冬小麦GPC预报 |
| 5.3.2 极端光照条件下冬小麦GPC预报 |
| 5.3.3 极端温度条件下冬小麦GPC预报 |
| 5.3.4 极端降水条件下冬小麦GPC预报 |
| 5.4 本章小结 |
| 第六章 结合遥感数据与气象预报数据的冬小麦产量和GPC区域预报 |
| 6.1 基于遥感数据与气象预报数据的冬小麦产量和GPC区域预报思路 |
| 6.2 基于Landsat-5卫星TM数据的LAI和AGN反演 |
| 6.2.1 Landsat-5卫星TM数据的波谱响应函数 |
| 6.2.2 基于模拟TM5数据的多光谱植被指数选择 |
| 6.2.3 基于模拟TM5数据的LAI与AGN反演模型 |
| 6.3 基于遥感数据与DSSAT模型同化的冬小麦产量和GPC区域预报 |
| 6.3.1 同化算法的效率分析 |
| 6.3.2 基于遥感数据与DSSAT模型同化的冬小麦产量预报 |
| 6.3.3 基于遥感数据与DSSAT模型同化的冬小麦GPC预报 |
| 6.4 基于遥感数据与气象预报数据的冬小麦产量和GPC区域预报 |
| 6.4.1 基于遥感数据与气象预报数据的DSSAT模型冬小麦产量预报 |
| 6.4.2 基于遥感同化与气象预报的DSSAT模型冬小麦GPC预报 |
| 6.5 本章小结 |
| 第七章 结论、创新点与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献(References) |
| 作者简介与攻读博士研究生期间的科研成果 |
（7）基于多光谱图像的水稻估产模型研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 农业估产方法 |
| 1.2.1 传统估产方法 |
| 1.2.2 遥感估产方法 |
| 1.3 遥感估产国内外发展现状 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文框架结构 |
| 2 材料与方法 |
| 2.1 研究区域概况 |
| 2.2 田间试验设计 |
| 2.3 试验数据获取 |
| 2.3.1 光谱图像获取 |
| 2.3.2 地面数据采集 |
| 2.4 光谱数据处理 |
| 2.4.1 图像拼接 |
| 2.4.2 辐射校正 |
| 2.4.3 波段运算和植被指数提取 |
| 2.5 本章小结 |
| 3.估产因子选择 |
| 3.1 特征数据的正态性检验 |
| 3.2 水稻生长参数与产量的相关分析 |
| 3.3 水稻植被指数与产量的相关分析 |
| 3.4 本章小结 |
| 4 水稻估产模型构建 |
| 4.1 局部加权线性回归估产模型构建 |
| 4.1.1 局部加权线性回归理论 |
| 4.1.2 局部加权线性回归估产模型构建 |
| 4.2 分位数回归估产模型构建 |
| 4.2.1 分位数线性回归理论 |
| 4.2.2 分位数线性回归模型构建 |
| 4.2.3 分位数回归模型问题分析 |
| 4.2.4 模型评价 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
（8）基于WOFOST模型与无人机图像同化的小麦产量估测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1 研究背景 |
| 2 研究进展 |
| 2.1 WOFOST模型研究进展 |
| 2.1.1 WOFOST模型的发展 |
| 2.1.2 WOFOST模型的应用 |
| 2.2 遥感在农业上的发展与应用 |
| 2.2.1 遥感在精准农业中的应用 |
| 2.2.2 无人机遥感的优势 |
| 2.2.3 无人机在农业上的应用 |
| 2.3 作物模型与遥感技术结合的研究进展 |
| 3 研究目的与意义 |
| 参考文献 |
| 第二章 材料与方法 |
| 1 研究区概况 |
| 2 田间试验设计 |
| 2.1 实验1 |
| 2.2 实验2 |
| 2.3 农学参数测定 |
| 3 WOFOST模型数据获取 |
| 4 无人机数据处理 |
| 4.1 无人机设备 |
| 4.2 无人机图像获取过程 |
| 4.3 无人机图像预处理 |
| 4.4 冬小麦数字图像颜色特征指数计算 |
| 4.5 LAI反演模型的构建与验证 |
| 5 WOFOST模型参数敏感性分析方法 |
| 6 WOFOST模型参数的验证方法 |
| 7 技术路线 |
| 参考文献 |
| 第三章 WOFOST模型本地化 |
| 1 引言 |
| 2 WOFOST模型敏感性分析 |
| 3 WOFOST模型的校准 |
| 3.1 作物参数 |
| 3.1.1 冬小麦发育参数的调整 |
| 3.1.2 冬小麦生长参数的调整 |
| 3.2 土壤参数 |
| 4 WOFOST模型的验证 |
| 4.1 WOFOST模型模拟LAI的验证 |
| 4.2 WOFOST模型模拟生物量的验证 |
| 4.3 WOFOST模型模拟产量的验证 |
| 5 本章小结 |
| 参考文献 |
| 第四章 基于无人机图像的冬小麦LAI反演 |
| 1 引言 |
| 2 LAI与无人机图像特征参数的相关性分析 |
| 3 冬小麦LAI反演模型的构建与评价 |
| 3.1 整个生育期和密度水平反演模型 |
| 3.2 各生育期反演模型 |
| 4 本章小结 |
| 参考文献 |
| 第五章 基于无人机图像数据的WOFOST模型同化 |
| 1 引言 |
| 2 无人机图像数据与模型同化方法 |
| 2.1 最小二乘法法 |
| 2.2 同化流程 |
| 2.3 无人机数据与模型同化结果 |
| 3 同化后WOFOST模型验证 |
| 3.1 同化后模型模拟LAI的验证 |
| 3.2 同化后模型模拟产量的验证 |
| 4 本章小结 |
| 参考文献 |
| 第六章 结论、讨论、创新点与展望 |
| 1 结论 |
| 2 讨论 |
| 3 本研究创新点 |
| 4 存在的问题 |
| 5 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及科研成果目录 |
（10）作物图像获取、处理技术及其应用研究进展（论文提纲范文）
| 1 图像获取技术 |
| 1.1 卫星遥感 |
| 1.2 无人机 |
| 1.2.1 无人机图像获取系统 |
| 1.2.2 无人机参数设置 |
| 1.2.3 无人机飞行航线规划 |
| 1.2.4 无人机图像获取技术的应用 |
| 2 图像处理分析技术 |
| 2.1 图像预处理 |
| 2.1.1 图像拼接 |
| 2.1.2 颜色转换和校正 |
| 2.1.3 图像分割 |
| 2.2 数据分析 |
| 3 相关图像处理分析软件 |
| 3.1 MATLAB |
| 3.2 Photoshop |
| 3.3 自行开发的图像处理软件 |
| 4 图像处理技术在农业不同领域的应用 |
| 4.1 图像处理技术在作物营养诊断上的应用 |
| 4.2 图像处理技术在杂草识别上的应用 |
| 4.3 图像处理技术在作物品种识别上的应用 |
| 4.4 图像处理技术在作物病害诊断上的应用 |
| 5 图像处理标准规范 |
| 6 前景与展望 |
四、介紹大田主要作物的估产方法（论文参考文献）
- [1]基于无人机成像高光谱遥感数据的水稻估产方法研究[D]. 胡景辉. 浙江大学, 2020(11)
- [2]基于深度学习的大田水稻稻穗分割及无损产量预估研究[D]. 熊雄. 华中科技大学, 2018(05)
- [3]利用多时相MODIS数据提取中国水稻种植面积和长势信息[D]. 孙华生. 浙江大学, 2009(11)
- [4]基于颜色和纹理特征的大田麦穗识别技术研究[D]. 孟令芳. 河南农业大学, 2019(04)
- [5]基于高光谱的半干旱区作物水分胁迫及其生理参数监测模型研究[D]. 王小平. 兰州大学, 2014(07)
- [6]基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报[D]. 李振海. 浙江大学, 2016(08)
- [7]基于多光谱图像的水稻估产模型研究[D]. 闫昱光. 东北农业大学, 2019(09)
- [8]基于WOFOST模型与无人机图像同化的小麦产量估测[D]. 周彤. 扬州大学, 2019(02)
- [9]作物单产预测方法研究进展[J]. 代立芹,吴炳方,李强子,李国春,徐新刚. 农业网络信息, 2006(04)
- [10]作物图像获取、处理技术及其应用研究进展[J]. 付虹雨,崔丹丹,崔国贤,曹晓兰,佘玮,苏小惠,李林林,王继龙,刘婕仪,王昕慧,刘皖慧. 中国麻业科学, 2019(05)