一、遥感技术在森林病虫害监测中的应用（论文文献综述）
朱雪苗[1]（2021）在《高光谱遥感技术在作物病虫害监测中的应用研究》文中研究表明随着科学技术的发展,高光谱遥感技术逐渐在作物病虫害监测中取得了突出效果。本文阐述高光谱遥感技术及病虫害监测原理、特点,总结高光谱遥感技术获取数据的方法,分析作物病虫害监测中高光谱遥感技术的应用,探讨作物病虫害监测中高光谱遥感技术应用需解决的问题。
陈文静[2]（2021）在《基于多光谱遥感影像的落叶松毛虫虫害区域识别研究》文中提出森林在全球生态系统中一直扮演着至关重要的角色,及时了解森林的健康状况对于维持生态系统稳定具有极其重要的意义。森林虫害是导致森林健康质量降低的一个非常重要的因素,因此多年来对森林虫害的研究一直受到许多专家学者的密切关注。近几年,随着遥感技术的发展,遥感技术被广泛地应用于林业研究的各个方面,有效地解决了林业方面遇到的一些问题。本文主要研究利用从多光谱遥感影像中提取的某些影像特征来识别出林场中虫害发生的区域。本研究以黑龙江省伊春市朗乡镇乡南经营所林场的8林班为研究区,以该林区的Landsat-8卫星和Sentinel-2A卫星的多光谱遥感影像为数据源,依据前人经验从影像中提取波段光谱特征、光谱指数特征、纹理特征等作为虫害区域识别的依据特征。利用方差分析和XGBoost分类器特征重要性分析方法对重要特征进行选取,使用选取的特征利用随机森林分类器和XGBoost分类器两种分类器对研究区进行虫害区域识别,对比评价识别结果。本研究结果显示如下:（1）Sentinel-2A卫星影像比Landsat-8卫星影像更适合东北落叶松松毛虫虫害区域的识别研究,其识别出的虫害区域与实际调查情况保持基本一致。Landsat-8影像总体识别精度为83%,Kappa系数为0.79,Sentinel-2A影像总体识别精度为92%,Kappa系数为 0.81。（2）方差分析和XGBoost分类器对特征的选择均有显着的效果。本研究中通过方差分析,过滤掉对虫害监测极不敏感的12个特征,使特征变量从36个降到24个。之后利用XGBoost分类器的特征重要性分析,对特征变量进行重要性排序,为接下来研究基于特征重要性的虫害区识别模型奠定了数据基础。（3）基于Sentinel-2A影像取特征重要性为前14特征的XGBoost分类器识别模型作为最终研究区虫害识别模型。利用随机森林按照特征重要性对研究区进行虫害区和健康区的区分,使用重要性为前10的特征进行分类时识别精度达到0.934,之后增加特征对分类精度的影响较小。利用XGBoost分类器按照特征重要性对研究区进行虫害区和健康区的区分,使用重要性为前14的特征进行分类时识别精度达到0.945,之后增加特征对分类精度的影响较小。
明鸣,邹建成[3]（2020）在《遥感技术在林业监测中的应用》文中提出遥感技术虽然出现的时间并不长,但是在各个领域中都有十分广泛地应用,尤其是在林业监测领域,能够有效提升林业监测的质量水准,保证林业安全。目前,遥感技术所具有的时效性、动态性以及综合性已经成为当前林业监测体系中必不可少的技术环节。基于此,本文探讨遥感技术在林业监测中的应用情况,以此展望今后的应用方向,有利于林业监测水平的稳步提升。
赵洪莹,舒清态,王柯人,袁梓健,谭德宏[4]（2020）在《高光谱遥感技术在森林病虫害监测中的应用》文中研究表明指出了森林病虫害是主要的森林灾害之一,对森林资源危害极大。高光谱遥感技术能够很好地监测森林病虫害,及时有效地防治灾害。介绍了高光谱遥感技术的概念及该技术监测森林病虫害的主要原理和获取方式,阐述了高光谱遥感监测森林病虫害的研究现状,从森林病虫害的光谱响应特征、植被指数、建模反演3个方面提出了高光谱遥感技术在森林病虫害监测中的应用,并对高光谱遥感技术的发展趋势进行了探讨和展望。
西桂林[5]（2020）在《雅氏落叶松尺蠖虫害早期高光谱识别研究》文中认为森林虫害早期监测预警研究一直是保护森林生态系统安全的重点。森林虫害具有传播速度快、发生面积大和危害持续时间长等特点,严重影响森林正常生长发育,甚至使一大片森林死亡。及时可靠预测森林虫害早期发生发展规律并采取有效防治措施,能够使林木破坏程度降到最低,从而达到保护森林生态安全。基于此,本研究以受雅氏落叶松尺蠖害虫的蒙古国肯特省宾德尔（binder）阿吉日根山林区作为试验区,利用地面非成像高光谱数据和地面实测调查数据,并通过高光谱特征和机器学习算法展开了虫害早期高光谱识别研究。其中地面非成像高光谱特征包括平滑光谱反射率（SSR）、微分光谱反射率（DSR）和光谱连续小波系数（CWC）等;地面实测调查数据包括林木冠层颜色和失叶率数据（选样本指示指标）,以及林叶绿素含量（CHLC）、鲜重含水率（LWCF）、干重含水率（LWCD）、光照强度在100μmol m-2 s-1时所对应的光合速率（A100）和光照强度在200μmol m-2 s-1时所对应的光合速率（A200）等虫害早期指示指标。首先利用皮尔逊（Pearson）相关性分析法进行分析高光谱特征与虫害早期指示指标之间的敏感性,其次通过Findpeaks函数（Fp）和Fp结合连续投影算法（SPA）函数模式（Fp-SPA）快速提取了虫害早期指示指标的敏感光谱特征,最后通过随机森林分类（RF）、支持向量机分类（SVC）和费歇尔判别法（FD）构建了基于虫害单个指示指标的雅氏落叶松尺蠖虫害早期高光谱识别模型,并对模型分类精度进行了评价。本研究取得以下几个结论:（1）高光谱特征对虫害早期指示指标的敏感性分析结果表面明,CHLC、LWCD、LWCF、A100和A200等虫害早期指示指标在SSR、DSR和CWC等高光谱特征上具有不同程度敏感性。其中敏感性最显着的是CWC,其次为DSR,而SSR敏感性为最差。（2）提取虫害早期指示指标的敏感高光谱特征结果表明,利用Fp-SPA结合函数模式相比单独使用Fp函数更有效提取了敏感高光谱特征波段。（3）虫害早期高光谱识别模型结果表明,CWC对虫害早期识别能力较好,并且基于CHLC的bior3.7-RF模型表现为最优,其总体精度为0.73,Kappa系数为0.64。而在模型选择上,RF模型识别效果比SVC和FD更好。可见,雅氏落叶松尺蠖虫害早期识别中,最有潜力高光谱特征为CWC,最有感知能力的指示指标为CHLC,最优早期识别模型为RF。这不仅对森林虫害早期预测预防有重要参考价值,而且为森林害虫早期遥感监测提供了一条可行的途径。
马云强[6]（2020）在《基于高光谱及机载激光雷达的云南松受小蠹虫危害程度特征提取与分类诊断方法研究》文中研究表明高光谱、激光雷达（Li DAR）技术已经成为农业、林业、草原病虫害监测的重要手段。高光谱数据包含丰富的病虫害危害光谱信息,但空间立体结构信息不足;Li DAR数据空间分辨率高、立体结构信息丰富,但病虫害危害特征信息不明显。结合Li DAR和高光谱数据,快速、精准的提取林业病虫害信息实现病虫害的监测、预警,是现阶段急需解决的问题。云南松是我国西南地区的主要树种,分布广、面积大。小蠹虫是世界性的林业有害生物,对云南松危害十分严重,虫害暴发后很难控制,对生态安全造成严重威胁。本论文以受小蠹虫危害的云南松为研究对象,利用地面高光谱、机载高光谱和机载Li DAR等技术,对冠层枯梢率与地面调查全树枯梢率进行相关性分析;从针叶到冠层尺度进行不同危害程度（健康、轻度危害、中度危害、重度危害）的高光谱特征提取与分析,获取危害特征曲线及最佳监测波段窗口;对机载高光谱采集的受小蠹虫危害的云南松冠层进行光谱特征提取和分类诊断,选出最优特征提取与分类诊断方法;利用此方法结合机载Li DAR和高光谱数据,实现试验区内每株云南松的危害程度分类诊断,并将结果可视化。研究结果如下:1)遥感监测的数据为冠层的特征数据,尤其是冠层中上层的特征数据,本研究对冠层枯梢率与地面调查全树枯梢率进行相关性分析,呈极显着正相关。对冠层枯梢率与地面调查全树枯梢率进行一元线性拟合,得到拟合方程y=1.011x,实现了通过冠层枯梢率对全树枯梢率进行估算,来划分云南松受小蠹虫危害程度等级。2)从针叶到冠层尺度上对云南松受小蠹虫危害程度进行光谱特征提取和分析,得出两种尺度的危害特征光谱具有相似性。在针叶尺度上不同危害程度的光谱反射率曲线在“红谷”（640～700 nm）存在差异;在近红外波段波动明显,随着小蠹虫危害程度加重,云南松针叶光谱反射率显着降低;最佳光谱反射率监测波段多属于红光波段,其范围大致为765～838 nm。光谱一阶导数在“红边”（680～740 nm）有明显的波峰,且峰值达到最高,随着危害程度的加重,峰高逐渐降低,同时“红边”位置向蓝光方向发生轻微偏移;在750～950 nm,有明显的波峰和波谷,四类危害程度具有相似的整体趋势,最佳光谱一阶导数监测波段主要是可见光红波段的702～744 nm。在冠层尺度上随着小蠹虫危害程度加重,光谱反射率在近红外波段显着降低,“红谷”处反射率值有上升趋势,在重度危害时,“红谷”有消失迹象。光谱一阶导数曲线在“红边”处随着危害程度加重,峰值逐渐降低,且“红边”位置有向蓝光波段发生轻微偏移的趋势。3)对无人机采集的云南松不同受害程度的冠层高光谱数据,采用主成分分析方法（PCA）、植被指数（VI）、连续小波变换（CWT）三种特征提取方法,对预处理后的光谱数据进行特征提取;对提取结果分别结合判别分析、支持向量机、最邻近和BP神经网络四种分类算法进行危害程度分类诊断,对结果进行对比分析和精度评价,得出基于CWT的BP神经网络分类算法的诊断效果最好。4)为解决“同物异谱,同谱异物”的问题,融合了机载Li DAR和高光谱数据,进行自动单株分离,获取单株冠层图斑信息,对图斑内高光谱数据进行提取和合并,得到林区内包含高光谱信息的单株云南松冠层矢量数据。利用基于CWT的BP神经网络分类算法进行区域尺度的云南松受小蠹虫危害程度分类诊断,总体分类精度为90.83%;最后对试验区内小班进行成灾分析判定并将分类结果可视化。综上所述,本文在以冠层枯梢率划分云南松受小蠹虫危害程度等级;从针叶到冠层尺度云南松受小蠹虫危害程度高光谱特征提取、分类诊断方法;机载Li DAR与高光谱数据融合进行单株危害程度分类诊断三个方面取得了一些研究成果,研究具有一定的理论意义与实际应用价值。
任艳中,王弟,李轶涛,王晓军[7]（2020）在《无人机遥感在森林资源监测中的应用研究进展》文中研究指明为了给森林资源监测中无人机遥感的应用研究提供依据,归纳了无人机遥感用于森林资源监测的技术流程,总结了在森林资源监测中常用的传感器类型,分析了无人机遥感在森林病虫害监测、林分树高测定、森林冠层结构与属性测定、树种组成识别、森林生物量测定中的应用和表现。得出通过无人机遥感搭载各种类型的传感器来收集森林信息,将是未来森林资源监测的一个重要方向;无人机遥感数字化、信息化、自动化提取森林结构参数将是无人机遥感用于森林资源监测中的发展趋势;此外,无人机遥感搭载多样化传感器以及传感器的小型化、商业化将进一步促进森林资源的精确监测。
黄晓君[8]（2019）在《落叶松针叶虫害地面高光谱识别及遥感监测方法研究》文中研究指明针叶虫害会引起落叶松针叶数量、冠层颜色和内部生化组分等变化而威胁落叶松健康,进而破坏森林生态系统。不同害虫对林木的危害性具有差异,判别针叶不同害虫类型及监测虫害严重程度显得极为重要。近年来,森林虫害遥感监测研究长足发展,但针对不同虫害类型进行遥感判别研究极少。虫害程度的遥感监测多集中在单一指示性指标上,而同时考虑多个指示性指标的鲜有报道。目前高光谱遥感监测精度较高,而其流程复杂、计算量大及通用性较差;而多光谱遥感监测流程相对简单、计算量小,但其精度有待提高。针对这两个方面的问题,需要开展进一步研究。本研究以蒙古高原典型针叶害虫─雅氏落叶松尺蠖（Erannis Jacobsoni Djak.）和西伯利亚松毛虫（Pendrolimus Sibiricus Tschtv.）为例,以蒙古国宾德尔（Binder）和巴仁布仁（Barenburen）作为虫害试验区,以地面非成像高光谱数据、无人机RGB图像数据、Sentinel-2A卫星多光谱影像数据以及地面实测与调查的虫害指示指标数据为基础数据,选择林木冠层颜色（FCC）、失叶率（LLR）、叶绿素含量（CHLC）、干重含水率（LWCD）、鲜重含水率（LWCF）和虫口密度（POPD）等6个指标作为主要虫害遥感监测指标。在冠层尺度上,利用Findpeaks-连续投影算法（Fp-SPA）模式提取平滑光谱反射率（SSR）、微分光谱反射率（DSR）、地面光谱指数（GSI）和光谱连续小波系数（CWC）等敏感高光谱特征,通过偏最小二乘回归（PLSR）、支持向量机回归（SVMR）、逐步多元线性回归（SMLR）等回归算法和随机森林分类（FR）、支持向量分类（SVC）、费歇尔判别（Fisher）等分类算法,建立了6个监测指标的估算（判别）模型和不同虫害类型判别模型。在区域尺度上,基于星空地数据结合模式,模拟Sentinel2A影像光谱波段反射率,计算光谱指数（SI）和光谱导数特征（SDF）并结合阈值法与SPA算法提取对不同虫害类型和虫害指示指标敏感的光谱特征,建立基于RF的不同虫害类型判别模型,实现了雅氏落叶松尺蠖与西伯利亚松毛虫虫害的区分。与此同时,构建虫害指示指标监测模型,并利用虫害指示指标,通过模糊聚类（FCM）法识别了虫害严重程度。本研究取得以下几点结论:（1）高光谱特征对6个虫害指示指标均有敏感性,其中敏感性最显着者为光谱连续小波系数,其次为微分光谱反射率和地面光谱指数,最后为平滑光谱反射率;Fp-SPA模式可从这些高光谱特征中有效提取其对虫害敏感的光谱特征。两种虫害相比,敏感光谱特征对西伯利亚松毛虫虫害的敏感性更明显。（2）利用高光谱特征和多光谱特征,分别,获得了较好效果。在冠层尺度上,判别不同虫害类型的RF和SVC模型比Fisher模型判别精度有提高,其中判别能力最好为光谱连续小波系数（CWC）,其次为地面光谱指数（GSI）,再次为微分光谱反射率（DSR）,最后为平滑光谱反射率（SSR）;在区域尺度上,基于Sentinel-2A遥感模拟数据的RF模型判别精度有明显提高,判别能力较好的多光谱特征为PSRI、PSSR和IRECI等光谱指数。（3）在冠层尺度上,光谱连续小波系数对针叶虫害识别能力最好,而且利用光谱连续小波系数建立的基于PLSR、SVMR的失叶率、叶绿素含量、干重含水率、鲜重含水率和虫口密度估算模型和基于RF、SVC的冠层颜色判别模型精度均有提高;PLSR和SVMR模型可有效识别林木受害程度和害虫发生程度。RF和SVC可准确判别针叶害虫引起的林木冠层的颜色变化,从而能反映林木的受害程度。（4）在区域尺度上,基于Sentinel-2A遥感模拟数据的光谱指数和光谱导数特征对两种虫害指示指标具有显着的敏感性。利用遥感模拟数据的光谱特征,通过RF和PLSR算法能够较好识别针叶虫害指示指标。在基于非模拟Sentinel-2A遥感数据的针叶虫害识别中,两种虫害失叶率估算精度达到最高。（5）在区域尺度上,利用冠层颜色、失叶率、叶绿素含量、干重含水率、鲜重含水率和虫口密度等多个虫害指示指标,通过FCM法对虫害严重程度进行自动分级（轻度、中度和重度）,可以得到较好效果。基于单个虫害指示指标的虫害严重程度识别结果与其相比,运用虫口密度和失叶率分级的结果与多个指标分级结果较接近,故而可借助虫口密度或失叶率监测针叶虫害的严重程度是可行的。总之,本研究提出的从敏感光谱特征提取到虫害监测模型构建的一套方法思路,不仅在冠层尺度上通过高光谱特征可实现,而且在区域尺度上利用多光谱特征仍有效。尽管多光谱特征比高光谱特征监测虫害精度低,但基于Sentinel-2A遥感模拟数据的多光谱特征可明显提高针叶虫害监测精度,这为森林虫害多光谱遥感监测精度的提高提供了一种思路。另外,研究结果表明基于Sentinel-2A遥感数据的失叶率估算精度能够满足针叶虫害监测的一般需求,这对森林虫害的快速评估与防控具有重要意义。
杨雪栋,金荣,云美清,卢婧文[9]（2019）在《无人机在我国林业上应用概述》文中进行了进一步梳理文章对无人机在我国林业上的应用做一归类,主要包括在森林资源调查、森林资源监测、森林信息提取等方面的应用,并提出无人机在我国林业上应用存在的问题及建议。
霍朗宁[10]（2019）在《基于单站地基激光雷达数据的油松失叶率定量估算研究》文中指出失叶率是一个定量化反映林木叶部受损严重程度的指标,通过计算林木失去的叶量占总体叶量的比例实现林木受灾程度的评估,可为森林灾害的程度评估提供数据支持,是制定和实施森林管理和灾害防控措施的重要基础之一。受到遥感数据分辨率的限制,目前进行的失叶率估测仍然停留在失叶程度分级的程度,并且大多围绕区域或林分等大中尺度估计开展,在单木尺度的估测能力亟需进一步提升。针对该问题,本研究使用单站地基激光雷达数据,围绕失叶率估算主题进行算法开发和精度验证。研究区位于辽宁省建平县油松人工林分布区域,分别在轻微、中等、严重失叶区域各设置样地16个,共计48个样地,包括单木1098株。通过外业工作获取地基激光雷达数据与地面实测失叶率后,从以下三个方面展开研究:（1）从地基激光雷达点云数据中进行特征参数构建与信息提取,共计得到有关单木形态属性、树冠点云分布特性、树冠点云密度特性的共计60个特征参数。采用随机森林方法筛选特征参数,确定敏感特征参数进行失叶程度分级,并在数据测试集上验证分级精度。（2）针对点云密度参数计算原理,提出一种等角扇形体体素结构,并使用传统的正方体体素单元和扇形体体素单元分别构建点云密度参数,对比二者在失叶程度分级上的重要性。（3）通过对等角扇形体体素的构造参数进行进一步的优化,实现失叶率的简单线性回归和预测,建立失叶率估算模型,并总结归纳总体技术流程。研究结果表明,（1）点云密度、透射率、孔隙度等特征参数在失叶率分类过程中显示出较高重要性,将失叶程度分为轻度、中度、重度等三级时,分级精度在单木尺度和样地尺度分别为80%和94%。（2）在体素化研究中,验证了创新的扇形体体素化在均衡点云密度方面的优势,重点解决了与地基激光雷达扫描仪距离不同时密度分布不均对特征参数计算的影响,其表现优于传统的正方体体素化方法。（3）通过对其参数的进一步优化,实现了点云密度与失叶率的简单线性回归,在单木尺度和样地尺度决定系数R2分别为0.89和0.83,失叶率预测均方根误差RMSE在两个尺度均为12%。提出的失叶率估算线性方程可以在失叶率区间差小于等于40%时实现RMSE小于20%的高精度估测。研究的创新点包括（1）首次利用单站地基激光雷达数据实现失叶率估算;（2）创新构建点云密度、点云空间分布模式、穿透性等特征参数库,并证实在失叶率估算方面发挥了重要作用;（3）创新的扇形体体素化结构为单站地基激光雷达数据管理和特征参数计算提供了一个全新的思路。研究证明使用单站地基激光雷达技术可以实现失叶率的精准估测,本研究创新的失叶率估算方法具有很高的可应用性,对油松毛虫虫害监测和治理措施的制定具有重要意义。
二、遥感技术在森林病虫害监测中的应用（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、遥感技术在森林病虫害监测中的应用（论文提纲范文）
（1）高光谱遥感技术在作物病虫害监测中的应用研究（论文提纲范文）
| 前言 |
| 1 高光谱遥感技术及病虫害监测原理、特点 |
| 1.1 高光谱遥感技术 |
| 1.2 高光谱遥感技术监测病虫害的原理 |
| 1.3 高光谱遥感技术监测病虫害的特点 |
| 2 高光谱遥感技术获取数据的方法 |
| 2.1 卫星获取数据方法 |
| 2.2 地面光谱监测作物获取数据方法 |
| 2.3 无人机遥感获取数据方法 |
| 3 作物病虫害监测中高光谱遥感技术的应用 |
| 3.1 监测病虫害光谱响应特征 |
| 3.2 监测作物指数 |
| 4 作物病虫害监测中高光谱遥感技术应用需解决的问题 |
| 4.1 数据库补充完善与特征的总结 |
| 4.2 完善光谱反演模型和评价标准 |
| 4.3 加大预测和卫星影像的研究力度 |
| 5 结语 |
（2）基于多光谱遥感影像的落叶松毛虫虫害区域识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 基于光学遥感影像的森林虫害区域识别方法研究进展 |
| 1.2.2 基于多光谱遥感影像的森林虫害区域识别研究现状 |
| 1.3 存在问题 |
| 1.4 研究内容 |
| 1.4.1 内容介绍 |
| 1.4.2 论文结构 |
| 1.5 研究技术路线 |
| 1.6 本章小结 |
| 2 数据获取与方法介绍 |
| 2.1 研究区概况 |
| 2.2 落叶松毛虫多光谱遥感监测的数据获取与预处理 |
| 2.2.1 landsat-8影像数据获取及预处理 |
| 2.2.2 Sentinel-2A影像数据获取及预处理 |
| 2.2.3 地面实测及调查数据 |
| 2.3 落叶松毛虫虫害区多光谱影像识别模型的特征数据提取 |
| 2.3.1 Landsat-8特征数据提取 |
| 2.3.2 Sentinel-2A特征数据提取 |
| 2.4 落叶松毛虫虫害区多光谱影像识别模型的敏感特征提取方法 |
| 2.4.1 方差分析 |
| 2.4.2 基于XGBoost特征重要性分析方法 |
| 2.5 落叶松毛虫虫害区多光谱影像识别方法 |
| 2.5.1 随机森林原理 |
| 2.5.2 XGBoost原理 |
| 2.5.3 识别精度评价 |
| 2.6 本章小结 |
| 3 落叶松毛虫虫害区多光谱影像识别初模型 |
| 3.1 波段光谱特征对虫害区的敏感性分析 |
| 3.1.1 Landsat-8影像波段光谱特征对虫害区识别的敏感性分析 |
| 3.1.2 Sentinel-2A影像波段光谱特征对虫害区识别的敏感性分析 |
| 3.2 纹理特征对虫害区识别的敏感性分析 |
| 3.3 落叶松毛虫虫害区多光谱影像识别 |
| 3.3.1 落叶松毛虫虫害区Landsat-8影像识别 |
| 3.3.2 落叶松毛虫虫害Sentinel-2A影像识别 |
| 3.4 本章小结 |
| 4 Sentinel-2A影像虫害区多光谱影像识别模型优化 |
| 4.1 落叶松毛虫虫害区多光谱影像识别模型的敏感特征优选 |
| 4.1.1 基于方差分析的特征优选 |
| 4.1.2 基于XGBoost特征重要性的特征优选 |
| 4.2 落叶松毛虫虫害区多光谱影像识别模型的方法优选 |
| 4.2.1 不同识别方法识别精度评价 |
| 4.2.2 不同识别方法识别结果评价与展示 |
| 4.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学 硕士学位论文修改情况确认表 |
（3）遥感技术在林业监测中的应用（论文提纲范文）
| 1 林业遥感数据源分析 |
| 1.1 高空间分辨率 |
| 1.2 高光谱遥感数据 |
| 1.3 雷达遥感数据 |
| 2 遥感技术在林业监测中的应用现状 |
| 2.1 森林资源遥感调查 |
| 2.2 森林火灾遥感监测 |
| 2.3 森林病虫灾害遥感监测 |
| 2.4 林业生态工程遥感监测评价 |
| 3 遥感技术在林业监测中的应用要点 |
| 3.1 科学应用遥感技术 |
| 3.2 实现林业信息共享 |
| 3.3 加强林业遥感信息融合 |
| 3.4 保证林业遥感数据的精确度与可靠性 |
| 4 展望 |
| 4.1 建设林业遥感应用综合服务平台 |
| 4.2 加快遥感与GIS、GPS的结合 |
| 4.3 重视林业遥感教育和培训工作 |
| 5 结语 |
（4）高光谱遥感技术在森林病虫害监测中的应用（论文提纲范文）
| 1 引言 |
| 2 高光谱遥感技术概念 |
| 3 高光谱监测病虫害的原理 |
| 4 高光谱遥感数据获取方法 |
| 4.1 卫星高光谱数据 |
| 4.2 利用地面光谱监测植被病虫害的研究进展 |
| 4.3 无人机遥感技术 |
| 5 高光谱遥感技术在森林病虫害监测中的研究应用 |
| 5.1 基于病虫害光谱响应特征进行监测 |
| 5.2 基于植被指数进行监测 |
| 5.3 建模反演 |
| 6 展望 |
（5）雅氏落叶松尺蠖虫害早期高光谱识别研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及评述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目标和主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 1.4 研究思路与论文组织 |
| 1.4.1 总体研究思路 |
| 1.4.2 论文组织与结构 |
| 2 研究数据与方法 |
| 2.1 试验区概况 |
| 2.2 数据获取与预处理 |
| 2.2.1 落叶松样本数据选取 |
| 2.2.2 地面高光谱数据获取与预处理 |
| 2.2.3 虫害早期指示指标数据获取与预处理 |
| 2.3 虫害早期识别方法 |
| 2.3.1 地面高光谱特征敏感性分析方法 |
| 2.3.2 敏感高光谱特征提取方法 |
| 2.3.3 虫害早期识别算法 |
| 2.3.4 模型的建立与评价 |
| 3 高光谱特征对虫害早期指示指标的敏感性分析 |
| 3.1 平滑光谱反射率的敏感性分析 |
| 3.1.1 平滑光谱反射率对叶绿素含量的敏感性 |
| 3.1.2 平滑光谱反射率对含水率的敏感性 |
| 3.1.3 平滑光谱反射率对净光合速率的敏感性 |
| 3.2 微分光谱反射率的敏感性分析 |
| 3.2.1 微分光谱反射率对叶绿素含量的敏感性 |
| 3.2.2 微分光谱反射率对含水率的敏感性 |
| 3.2.3 微分光谱反射率对净光合速率的敏感性 |
| 3.3 光谱连续小波系数的敏感性分析 |
| 3.3.1 光谱连续小波系数对叶绿素含量的敏感性 |
| 3.3.2 光谱连续小波系数对含水率的敏感性 |
| 3.3.3 光谱连续小波系数对光合速率的敏感性 |
| 3.4 本章小结 |
| 4 雅氏落叶松尺蠖虫害早期高光谱识别 |
| 4.1 敏感高光谱特征提取 |
| 4.1.1 叶绿素含量的敏感光谱特征 |
| 4.1.2 含水率的敏感光谱特征 |
| 4.1.3 光合速率的敏感光谱特征 |
| 4.2 虫害早期高光谱识别模型及其精度评价 |
| 4.2.1 基于叶绿素含量的早期高光谱识别模型 |
| 4.2.2 基于含水率的早期高光谱识别模型 |
| 4.2.3 基于光合速率的早期高光谱识别模型 |
| 4.2.4 虫害早期高光谱识别模型性能比较分析 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 讨论 |
| 5.3 创新点 |
| 5.4 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
| 附录 |
（6）基于高光谱及机载激光雷达的云南松受小蠹虫危害程度特征提取与分类诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 机载Li DAR在林业及病虫害的应用 |
| 1.2.2 高光谱技术在林业病虫害中的应用现状及问题 |
| 1.2.3 病虫害监测及分类诊断研究进展 |
| 1.3 云南松受小蠹虫的危害程度和成灾标准 |
| 1.4 研究目标和研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 研究技术路线 |
| 2 研究区与数据 |
| 2.1 研究区概况 |
| 2.2 试验数据获取 |
| 2.2.1 样本调查 |
| 2.2.2 机载Li DAR数据获取 |
| 2.2.3 机载高光谱数据获取 |
| 2.3 试验数据处理和分析 |
| 2.3.1 数据处理工具软件 |
| 2.3.2 试验数据预处理 |
| 2.3.3 高光谱特征提取方法 |
| 2.3.4 云南松受小蠹虫危害分类诊断方法 |
| 2.3.5 分类诊断评价方法 |
| 3 基于冠层枯梢率的云南松受小蠹虫危害程度划分 |
| 3.1 云南松受小蠹虫危害特征 |
| 3.2 地面—冠层枯梢率相关性分析 |
| 3.3 地面—冠层枯梢率一元回归分析 |
| 3.4 精度验证 |
| 3.5 本章小结 |
| 4 基于高光谱的云南松针叶受小蠹虫危害程度特征提取与分析 |
| 4.1 基于高光谱的云南松受小蠹虫不同危害程度的针叶光谱反射率特征分析 |
| 4.2 基于高光谱的云南松针叶受小蠹虫不同危害程度光谱一阶导数特征分析 |
| 4.3 基于高光谱的云南松针叶受小蠹虫不同危害程度光谱相关性分析 |
| 4.4 本章小结 |
| 5 基于高光谱的云南松冠层受小蠹虫危害程度特征提取与分类诊断方法研究 |
| 5.1 样本选择 |
| 5.2 冠层云南松受小蠹虫危害光谱分析 |
| 5.2.1 云南松冠层受小蠹虫不同危害程度光谱反射率特征分析 |
| 5.2.2 云南松冠层受小蠹虫不同危害程度光谱一阶导数特征分析 |
| 5.2.3 云南松冠层受小蠹虫不同危害程度光谱相关性分析 |
| 5.3 针叶—冠层云南松受小蠹虫危害波谱特征对比分析 |
| 5.3.1 反射率特征对比 |
| 5.3.2 光谱反射率一阶导数特征对比 |
| 5.3.3 最佳监测窗口对比 |
| 5.3.4 相关系数对比 |
| 5.3.5 敏感波段对比 |
| 5.4 冠层云南松受小蠹虫危害光谱特征提取 |
| 5.4.1 数据预处理与标准化 |
| 5.4.2 主成分分析(PCA) |
| 5.4.3 植被指数(VI) |
| 5.4.4 连续小波变换(CWT) |
| 5.5 冠层云南松受小蠹虫危害分类诊断方法 |
| 5.5.1 基于PCA的云南松受小蠹虫危害分类诊断 |
| 5.5.2 基于VI的云南松受小蠹虫危害分类诊断 |
| 5.5.3 基于CWT的云南松受小蠹虫危害分类诊断 |
| 5.6 本章小结 |
| 6 基于机载LiDAR和高光谱的云南松受小蠹虫危害程度分类诊断 |
| 6.1 基于机载Li DAR云南松单株树冠提取与识别 |
| 6.1.1 单株树顶探测 |
| 6.1.2 单株树冠分割提取 |
| 6.1.3 单株分割方法的评价与分析 |
| 6.2 基于机载Li DAR和高光谱的单株云南松危害诊断 |
| 6.2.1 云南松单株区域高光谱提取 |
| 6.2.2 基于最优方法的云南松受小蠹虫危害程度分类可视化 |
| 6.3 本章小结 |
| 7 结论及展望 |
| 7.1 结论与讨论 |
| 7.1.1 结论 |
| 7.1.2 讨论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 |
| 在读期间的学术研究 |
| 致谢 |
（7）无人机遥感在森林资源监测中的应用研究进展（论文提纲范文）
| 0 引言 |
| 1 无人机遥感用于森林资源监测的技术流程 |
| 1.1 无人机遥感 |
| 1.2 技术流程 |
| 2 森林资源信息的获取 |
| 2.1 森林病虫害监测 |
| 2.2 林分树高测定 |
| 2.3 森林冠层结构与属性测定 |
| 2.4 树种组成识别 |
| 2.5 森林生物量测定 |
| 3 展望 |
（8）落叶松针叶虫害地面高光谱识别及遥感监测方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 森林病虫害地面高光谱识别研究进展 |
| 1.2.2 森林病虫害航空航天遥感监测研究进展 |
| 1.3 落叶松针叶害虫生活史 |
| 1.3.1 雅氏落叶松尺蠖 |
| 1.3.2 西伯利亚松毛虫 |
| 1.4 研究内容、关键解决问题与论文组织 |
| 1.4.1 主要研究内容 |
| 1.4.2 关键解决问题 |
| 1.4.3 论文章节 |
| 第2章 数据资料与研究方法 |
| 2.1 试验区介绍 |
| 2.2 针叶虫害地面高光谱识别的数据与预处理 |
| 2.2.1 地面高光谱数据与预处理 |
| 2.2.2 虫情数据与预处理 |
| 2.2.3 落叶松外观状态数据与预处理 |
| 2.2.4 针叶生化组分参量数据与预处理 |
| 2.3 针叶虫害遥感监测的数据与预处理 |
| 2.3.1 地面实测及调查数据 |
| 2.3.2 遥感数据与预处理 |
| 2.4 针叶虫害高光谱敏感性分析方法 |
| 2.4.1 相关性分析 |
| 2.4.2 方差分析 |
| 2.5 针叶虫害地面高光谱识别方法 |
| 2.5.1 敏感光谱特征提取方法 |
| 2.5.2 高光谱识别算法 |
| 2.6 针叶虫害多光谱遥感监测方法 |
| 2.6.1 基于Sentinel-2A影像混合像元分解的落叶松反射率提取方法 |
| 2.6.2 Sentinel-2A影像多光谱反射率模拟方法 |
| 2.6.3 敏感光谱特征提取方法 |
| 2.6.4 遥感监测模型 |
| 2.7 模型性能评价方法 |
| 2.7.1 回归模型性能评价 |
| 2.7.2 分类模型精度评价 |
| 第3章 高光谱特征对虫害指示指标的敏感性分析 |
| 3.1 高光谱特征对冠层颜色的敏感性分析 |
| 3.1.1 平滑光谱反射率(SSR)的敏感性 |
| 3.1.2 微分光谱反射率(DSR)的敏感性 |
| 3.1.3 光谱指数(GSI)的敏感性 |
| 3.1.4 光谱连续小波系数(CWC)的敏感性 |
| 3.2 高光谱特征对失叶率的敏感性分析 |
| 3.2.1 平滑光谱反射率(SSR)的敏感性 |
| 3.2.2 微分光谱反射率(DSR)的敏感性 |
| 3.2.3 光谱指数(GSI)的敏感性 |
| 3.2.4 光谱连续小波系数(CWC)的敏感性 |
| 3.3 高光谱特征对叶绿素含量的敏感性分析 |
| 3.3.1 平滑光谱反射率(SSR)的敏感性 |
| 3.3.2 微分光谱反射率(DSR)的敏感性 |
| 3.3.3 光谱指数(GSI)的敏感性 |
| 3.3.4 光谱连续小波系数(CWC)的敏感性 |
| 3.4 高光谱特征对含水率的敏感性分析 |
| 3.4.1 平滑光谱反射率(SSR)的敏感性 |
| 3.4.2 微分光谱反射率(DSR)的敏感性 |
| 3.4.3 光谱指数(GSI)的敏感性 |
| 3.4.4 光谱连续小波系数(CWC)的敏感性 |
| 3.5 高光谱特征对虫口密度的敏感性分析 |
| 3.5.1 平滑光谱反射率(SSR)的敏感性 |
| 3.5.2 微分光谱反射率(DSR)的敏感性 |
| 3.5.3 光谱指数(GSI)的敏感性 |
| 3.5.4 光谱连续小波系数(CWC)的敏感性 |
| 3.6 本章小结 |
| 第4章 落叶松针叶虫害地面高光谱识别研究 |
| 4.1 落叶松针叶不同害虫类型高光谱判别 |
| 4.1.1 不同虫害判别光谱特征敏感性分析 |
| 4.1.2 不同虫害判别的敏感光谱特征提取 |
| 4.1.3 不同虫害类型高光谱判别 |
| 4.2 基于Fp-SPA的虫害指示指标敏感光谱特征提取 |
| 4.2.1 冠层颜色(FCC)的敏感光谱特征 |
| 4.2.2 失叶率(LLR)的敏感光谱特征 |
| 4.2.3 叶绿素含量(CHLC)的敏感光谱特征 |
| 4.2.4 含水率(LWCD和 LWCF)的敏感光谱特征 |
| 4.2.5 虫口密度(POPD)的敏感光谱特征 |
| 4.3 林木受害程度高光谱识别 |
| 4.3.1 害虫危害下林木外观状态指标高光谱识别 |
| 4.3.2 害虫危害下针叶内部生化组分高光谱估算 |
| 4.4 害虫发生程度高光谱识别 |
| 4.4.1 雅氏落叶松尺蠖虫害林木虫口密度(POPD)估算 |
| 4.4.2 西伯利亚松毛虫虫害林木虫口(POPD)密度估算 |
| 4.4.3 两种虫害林木虫口(POPD)密度估算不同模型性能比较 |
| 4.4.4 两种虫害林木虫口密度(POPD)估算不同模型1:1 直线拟合分析 |
| 4.5 本章小结 |
| 第5章 落叶松针叶虫害Sentinel-2A遥感监测研究 |
| 5.1 Sentinel-2A遥感影像多光谱反射率的模拟 |
| 5.1.1 基于无人机RGB图像的健康与受害落叶松信息提取 |
| 5.1.2 基于Sentinel-2A像元的健康与受害落叶松郁闭度信息提取 |
| 5.1.3 利用混合像元分解法提取落叶松光谱反射率 |
| 5.1.4 基于样地的Sentinel-2A影像多光谱反射率模拟 |
| 5.1.5 基于像元的Sentinel-2A影像多光谱反射率模拟 |
| 5.2 基于Sentinel-2A遥感数据的针叶不同害虫类型判别 |
| 5.2.1 不同虫害敏感光谱特征提取 |
| 5.2.2 不同虫害类型判别模型精度评定 |
| 5.2.3 不同虫害判别模型应用 |
| 5.3 基于Sentinel-2A遥感数据的针叶虫害严重程度监测 |
| 5.3.1 林木受害程度多光谱遥感监测 |
| 5.3.2 害虫发生程度多光谱遥感监测 |
| 5.3.3 基于FCM模糊聚类的虫害严重程度识别 |
| 5.4 本章小结 |
| 第6章 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 6.3 创新点 |
| 6.4 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
| 附件 |
（9）无人机在我国林业上应用概述（论文提纲范文）
| 1 森林资源调查中的应用 |
| 2 森林资源监测中的应用 |
| 2.1 森林火灾监测 |
| 2.2 森林病虫害监测 |
| 2.3 野生动物监测 |
| 3 森林信息获取中的应用 |
| 3.1 森林蓄积量估算 |
| 3.2 森林生物量估测 |
| 3.3 森林郁闭度估测 |
| 4 其他方面的应用 |
| 4.1 营造林核查 |
| 4.2 林业执法管理 |
| 5 总结 |
（10）基于单站地基激光雷达数据的油松失叶率定量估算研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1. 引言 |
| 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. 森林病虫害遥感监测 |
| 1.2.2. 激光雷达技术与体素化 |
| 1.3. 研究目标和主要研究内容 |
| 1.3.1. 研究目标 |
| 1.3.2. 研究内容 |
| 1.4. 研究方法和技术路线 |
| 1.5. 研究拟解决的关键问题 |
| 1.5.1. 失叶率估测 |
| 1.5.2. 点云数据处理 |
| 1.6. 论文的组织结构 |
| 2. 研究区与数据 |
| 2.1. 研究区概况 |
| 2.1.1. 地理位置 |
| 2.1.2. 自然条件 |
| 2.1.3. 森林虫害状况 |
| 2.2. 数据获取 |
| 2.2.1. 样地设置 |
| 2.2.2. 点云数据获取 |
| 2.2.3. 点云数据预处理 |
| 2.2.4. 失叶率数据获取 |
| 3. 特征参数集构建与林木失叶程度分级 |
| 3.1. 方法 |
| 3.1.1. 分级标准 |
| 3.1.2. 特征构建 |
| 3.1.3. 特征选择 |
| 3.1.4. 精度评价 |
| 3.2. 结果 |
| 3.2.1. 特征选择 |
| 3.2.2. 精度评价 |
| 3.3. 讨论 |
| 3.3.1. 精度影响因素分析 |
| 3.3.2. 特征选择与分析 |
| 3.3.3. 与叶面积指数的比较 |
| 3.3.4. 样地尺度失叶程度分级 |
| 3.4. 小结 |
| 4. 等角扇形体素化方法设计与验证 |
| 4.1. 方法 |
| 4.1.1. 正方体体素化 |
| 4.1.2. 扇形体体素化 |
| 4.1.3. 体素化效果评价 |
| 4.2. 结果 |
| 4.2.1. 正方体体素化 |
| 4.2.2. 扇形体体素化 |
| 4.2.3. 失叶程度分级 |
| 4.3. 讨论 |
| 4.3.1. 扇形体体素化分析 |
| 4.3.2. 失叶率反演的影响因素分析 |
| 4.4. 小结 |
| 5. 基于体素化原理的林木失叶率估测 |
| 5.1. 方法 |
| 5.1.1. 基于线性回归的失叶率估测 |
| 5.1.2. 基于特定区间的失叶率估测 |
| 5.2. 结果 |
| 5.2.1. 基于线性回归的失叶率估测 |
| 5.2.2. 基于特定区间的失叶率估测 |
| 5.3. 讨论 |
| 5.3.1. 可应用性分析 |
| 5.3.2. 误差分析 |
| 5.4. 小结 |
| 6. 结论与讨论 |
| 6.1. 主要工作与结论 |
| 6.2. 创新点 |
| 6.3. 讨论 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
四、遥感技术在森林病虫害监测中的应用（论文参考文献）
- [1]高光谱遥感技术在作物病虫害监测中的应用研究[J]. 朱雪苗. 农业与技术, 2021(18)
- [2]基于多光谱遥感影像的落叶松毛虫虫害区域识别研究[D]. 陈文静. 东北林业大学, 2021(08)
- [3]遥感技术在林业监测中的应用[J]. 明鸣,邹建成. 农业与技术, 2020(23)
- [4]高光谱遥感技术在森林病虫害监测中的应用[J]. 赵洪莹,舒清态,王柯人,袁梓健,谭德宏. 绿色科技, 2020(19)
- [5]雅氏落叶松尺蠖虫害早期高光谱识别研究[D]. 西桂林. 内蒙古师范大学, 2020(08)
- [6]基于高光谱及机载激光雷达的云南松受小蠹虫危害程度特征提取与分类诊断方法研究[D]. 马云强. 中国林业科学研究院, 2020(01)
- [7]无人机遥感在森林资源监测中的应用研究进展[J]. 任艳中,王弟,李轶涛,王晓军. 中国农学通报, 2020(08)
- [8]落叶松针叶虫害地面高光谱识别及遥感监测方法研究[D]. 黄晓君. 兰州大学, 2019
- [9]无人机在我国林业上应用概述[J]. 杨雪栋,金荣,云美清,卢婧文. 内蒙古林业调查设计, 2019(04)
- [10]基于单站地基激光雷达数据的油松失叶率定量估算研究[D]. 霍朗宁. 北京林业大学, 2019