绑定机构
扫描成功 请在APP上操作
打开万方数据APP,点击右上角"扫一扫",扫描二维码即可将您登录的个人账号与机构账号绑定,绑定后您可在APP上享有机构权限,如需更换机构账号,可到个人中心解绑。
欢迎的朋友
万方知识发现服务平台
获取范围
  • 1 / 1
  (已选择0条) 清除 结果分析
找到 5 条结果
摘要:设计与建立苹果冠层/叶片高光谱数据库,实现苹果冠层/叶片高光谱数据的获取、整理、存储与应用分析,可以为苹果养分含量的高光谱遥感反演提供数据服务和支持.利用ASD FieldSpec 3地物光谱仪采集的苹果冠层/叶片高光谱数据,在Microsoft Visual Studi0 2010开发环境下,基于C#语言与SQLServer 2008关系型数据库,采用C/S开发模式,设计与建立了苹果冠层/叶片高光谱数据库系统,完成了对高光谱数据批量录入、存储、导出与数据处理多项功能.
摘要:为了快速、无损地获得苹果叶片叶绿素含量与其表面颜色特征之间的关系,为诊断苹果树生理状况提供科学依据.以新梢旺长期的红富士苹果树为研究对象,应用数码相机采集叶片图像,利用图像处理技术,采集叶片图像的红(R)、绿(G)和蓝(B)值,通过运算组合构造颜色特征参数,建立基于苹果叶片颜色特征参数的叶绿素含量估算模型,并对其精度进行评价和验证.结果表明,叶绿素含量敏感的颜色参数分别为B、B/R、B/G、G/ (R+G+B)、B/ (R+G+B)、(R-B)/(R+B)、(G-B)/(G+B)、(R-B)/(R+G+B)和(G-B)/(R+G+B)值;基于以上9个敏感颜色参数分别建立单变量回归模型和支持向量机回归模型(SVM),估测叶片Chl.a、Chl.b、Chl.(a+b)和SPAD值,其中单变量回归模型决定系数(R2)均在0.6左右;SVM回归模型的决定系数(R2)分别为0.8754、0.8374、0.8671和0.8129,均方根误差(RMSE)分别为0.0194、0.0350、0.0497和0.9281,相对误差(RE)分别为0.8059%、1.7540%、1.1224%和1.1894%,尤以对Chl.a的估测效果最佳,SVM的估测精度高于单变量回归模型.模型验证取自1/4同样本数据,验证结果表明基于SVM的Chl.a稳定性更佳,R2=0.8275,RMSE=0.0293,RE=1.8529%.应用数码相机并基于RGB颜色模型可快速估测苹果叶片叶绿素含量,可对果园水肥的精确管理提供技术支持.
[硕士论文] 高璐璐
土地资源管理 山东农业大学 2017(学位年度)
摘要:叶绿素是作物进行光合作用的主要载体,是检测作物光合作用能力和生长发育状况的重要指标。传统的叶绿素含量实验室化学测定方法,费时、费力,不利于大面积监控作物长势状况。而近年来快速发展的遥感技术以其监测速度快、成本低、面积大等优点,为作物叶绿素含量的反演提供了一种新的技术方法。因此,基于遥感技术反演作物叶绿素含量具有重要的理论与现实意义。
  本研究以“苹果之都”之称的山东省栖霞市为研究区,以Sentinel-2A遥感影像和近地面实测的苹果树冠层高光谱数据为数据源,遥感反演苹果树冠层叶绿素含量。首先,利用余弦校正和Minnaert模型,对大气校正后的遥感影像进行地形辐射校正;在结合近地面实测苹果树冠层高光谱数据进行混合像元分解的基础上,进行苹果树冠层反射率反演;然后,在借鉴前人已构建的植被指数的基础上,以Sentinel-2A影像的蓝光、绿光、红光、红边与近红外波段数据构建的植被指数,筛选苹果树冠层叶绿素植被指数;最后,基于植被指数构建苹果树冠层叶绿素含量的反演模型并进行检验,对比分析多种模型的精度,优选出最佳的反演模型。主要研究结果如下:
  (1)进行了苹果树冠层反射率反演及精度分析
  对Sentinel-2A多光谱遥感影像进行了大气校正,在此基础上,使用余弦校正和Minnaert模型对研究区进行了地形辐射校正。其中,Minnaert模型校正后,影像的均值和标准差均小于余弦校正后影像,其影像的均值接近于大气校正影像的均值,很好地去除了地形阴影,降低了阴阳坡对比度,消除或减弱了地形的影响,得到了地表反演反射率。结合近地面实测数据,利用线性模型对地表反演反射率影像进行了混合像元分解,得到了苹果树冠层的反演反射率。通过对影像进行处理,表观反射率、地表反演反射率、冠层反演反射率与冠层实测反射率的相对误差是逐步降低的。冠层反演反射率的数值和冠层实测反射率的值是最为相近的,波段2~8A的相对误差为14.4%、14.6%、9.5%、10.1%、1.6%、0.4%、1.4%和2.0%,说明通过各种影像处理得到了更加真实的冠层光谱,为后续分析提供了精度保证。
  (2)构建及筛选了苹果树冠层叶绿素植被指数
  通过综合考虑绿色植被的光谱特性及Sentinel-2A影像的波段,借鉴RVI、CI、NDVI的构造原理及形式,以Sentinel-2A的蓝光波段2、绿光波段3、红光波段4、红边波段7、近红外波段8和近红外波段8A构建了12种植被指数,通过与叶绿素含量进行相关性分析,并对植被指数进行自相关性分析,优选出了3个植被指数系列,为系列1(RVIblue+RVIred+RVIre)、系列2(CIblue+CIred+CIre)和系列3(NDVIgreen+NDVIred+NDVIre)。
  (3)建立与验证了苹果树冠层叶绿素含量反演模型
  以植被指数系列1、系列2和系列3分别为自变量,苹果树冠层叶绿素含量为因变量,建立了BP神经网络反演模型和支持向量机回归反演模型。以NDVIgreen+NDVIred+NDVIre植被指数建立的BP神经网络反演模型3的建模及检验的决定系数(Rc2=0.674,Rv2=0.601)均大于BP神经网络反演模型1和模型2,均方根误差(RMSEc=0.169,RMSEv=0.185)都小于模型1和模型2,反演效果比较好。以NDVIgreen+NDVIred+NDVIre植被指数建立的支持向量机回归反演模型3的建模及检验的决定系数均大于支持向量机回归反演模型1和模型2,分别为0.729和0.667,均方根误差都小于模型1和模型2,分别为0.159和0.178,反演效果比较好。支持向量机回归反演模型3优于BP神经网络反演模型3,表明支持向量机回归反演模型3效果最佳,可以很好地反演苹果冠层叶绿素含量,也表明 Sentinel-2A影像在冠层叶绿素反演中的有效性。
  综上所述,Sentinel-2A遥感影像结合近地面高光谱测定数据,为低山丘陵区苹果树冠层叶绿素含量的宏观监测与快速诊断提供了新的方法,为农业信息化的发展提供了理论依据和技术支撑。
摘要:运用高光谱技术快速无损地估算了苹果叶片的等效水厚度(Equivalent Water Thickness,EWT),为苹果树的长势及干旱预警提供参考.以山东省烟台栖霞市红富士苹果树叶片为试验材料,在测定苹果叶片的光谱反射率和计算叶片EWT的基础上,分析了苹果叶片的EWT、原始光谱的反射率及其13种变换光谱反射率之间的相关性.筛选敏感波长后,建立了苹果叶片EWT的支持向量机定量的估算模型. 13种光谱变换中,一阶导数(the First Derivative,FDR)、平方根的一阶导数(the First Derivative of the Square Root,FD(SqrtR))及倒数的对数的一阶导数(the First Derivative of the Logarithm of the Reciprocal,FD[Lg(1/R)])三种变换的相关性较好.确定了估测苹果叶片EWT的敏感波长.基于支持向量机回归分析方法,建立了定量估算叶片EWT的模型,验证集的决定系数R2达到了0.8147,相对分析误差(Relative Percent Deviation,RPD)达到了2.2671.结果表明,该模型具有较高的估测能力,支持向量机回归方法比较适于估算苹果叶片的EWT.该方法为利用高光谱技术定量估算苹果的生长状况提供了技术支撑.
摘要:[目的]针对传统化学方法测定苹果叶片磷素含量的不足,使用高光谱技术快速、准确和无损地估测苹果叶片磷素含量.[方法]以烟台栖霞市25个果园100株新梢旺长期苹果树叶片高光谱反射率和叶片磷素(phosphorus,P)含量为数据源,在分析其磷素含量与原始光谱反射率、原始光谱反射率的一阶微分、植被指数和高光谱特征参量相关性的基础上,筛选敏感波长,建立了基于高光谱数据的磷素含量随机森林模型.[结果]新梢旺长期苹果叶片磷素含量在绿光波段(507~590 nm)、红光波段(694~743 nm)和近红外短波波段(1 324~1 364 nm)呈显著负相关;基于植被指数RVI(542,1 094)、RVI(705,937)、DVI(556,712)、DVI(677,1 728)、NDVI(737,549)、DVI (FDR567,FDR1980)和DVI(FDR523,FDR1883)建立的随机森林回归模型有较好的估测效果,决定系数R2=0.923 6,均方根误差RMSE=0.015 8,相对误差RE=6.915%.[结论]光谱植被指数比较适合苹果磷素营养状况估测.
  (已选择0条) 清除
公   告

北京万方数据股份有限公司在天猫、京东开具唯一官方授权的直营店铺:

1、天猫--万方数据教育专营店

2、京东--万方数据官方旗舰店

敬请广大用户关注、支持!查看详情

手机版

万方数据知识服务平台 扫码关注微信公众号

学术圈
实名学术社交
订阅
收藏
快速查看收藏过的文献
客服
服务
回到
顶部