导读:本文包含了作物识别模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:作物,模型,冬小麦,光谱,株型,函数,参数。
作物识别模型论文文献综述
张晓倩[1]（2012）在《基于全极化SAR数据的水稻识别与作物参数估算模型》一文中研究指出水稻是主要的粮食作物之一，即时、准确地获取大面积水稻生长信息，对于指导农业生产具有重要意义。就大尺度的水稻监测而言，传统的地面监测手段需要耗费大量的人力物力，时效性差，光学遥感技术逐渐成为水稻监测的重要手段。然而，由于水稻种植区域多分布在云雨频繁的热带、亚热带地区，光学遥感常受云雨影响难以获取实时的高清晰遥感影像，而合成孔径雷达(SAR，SyntheticAperture Radar)具有全天时全天候侧视成像特点，不仅受气候影响较少，对植被等地物也有一定的透射能力，新型的雷达数据更具备高分辨率、多模式、多波段的优势，雷达影像成为水稻监测的可靠数据。本文研究区为江苏省苏州市东桥镇，利用水稻生长期内多时相、全极化(HH,VH,HV,VV)的Radarsat-2数据，开展了以下几方面的研究：1.水稻后向散射特征分析。通过统计分析水稻生长期内不同时相四极化后向散射系数的时域变化特征，得出水稻拔节期易于进行雷达图像水稻识别，而HH/VV比值极化可作为水稻识别因子，显着增强水稻信息使其区别于其它地物。2.水稻遥感识别方法研究。采用监督分类SVM方法与神经网络分类方法对雷达图像进行分类，分类精度超过75%，比较而言SVM方法分类精度更高，将水稻识别因子HH/VV融入SVM分类方法中可进一步提高水稻识别精度。3.水稻生物参数反演研究。改进半经验水云模型，模拟HH、VV、CROSS、HH/VV四种极化及组合方式后向散射系数与水稻拔节到抽穗期生物量的关系，并与经验模型进行比较。通过比较分析不同极化水云模型与经验模型得到HH水云模型与HH/VV指数模型模拟后向散射系数与生物量间的关系最佳，决定系数分别为0.829、0.863。4.绘制水稻生物量分布图。将HH水云模型、HH/VV指数模型分别应用于雷达影像水稻识别区域绘制区域尺度水稻生物量分布图。(本文来源于《中国地质大学(北京)》期刊2012-05-01）
张雪芬,余卫东,王春乙[2]（2012）在《基于作物模型灾损识别的黄淮区域冬小麦晚霜冻风险评估》一文中研究指出利用近50年黄淮地区54个农业气象观测站的作物观测资料和气象资料,结合人工移动式霜箱试验结果,研究了WOFOST作物模型中增加晚霜冻影响的处理技术,揭示了晚霜冻对冬小麦各生长量的影响结果。利用修改后的作物模型提取晚霜冻灾损评估技术,建立以晚霜冻的危险性、暴露性和脆弱性为风险因子的风险评估模型,开展黄淮区域晚霜冻风险评估。结果表明,黄淮区域冬小麦晚霜冻风险分布呈西高东低分布,高风险地区主要分布在黄淮区域的河南西部、西南部、西北部及东部永城、沈丘一带。其中,黄淮西部的高风险主要是由晚霜冻高灾损引起的,河南西南部的高风险是由晚霜冻的高频率引起的,其西北部和东部的高风险则是由晚霜冻的高频率和高灾损共同引起的。(本文来源于《高原气象》期刊2012年01期）
包颖,田庆久,王玲[3]（2011）在《基于HJ-1卫星CCD遥感数据的作物秸秆光谱识别模型与提取方法研究》一文中研究指出作物秸秆信息的准确提取对于农业可持续发展与秸秆焚烧火点的探测有重要意义。本文在野外作物秸秆光谱采集与光谱特征分析的基础上,以江苏省扬州市区为典型研究区,依照HJ卫星CCD相机多光谱遥感波段进行光谱重采样,并结合HJ卫星CCD遥感数据,建立了作物秸秆光谱识别乘积指数(SMI),最后通过改进PSO最大类间方差算法对SMI影像进行"动态-全局"阈值分割,实现了作物秸秆信息的有效提取。(本文来源于《遥感信息》期刊2011年05期）
朱登胜,潘家志,何勇[4]（2008）在《基于光谱和神经网络模型的作物与杂草识别方法研究》一文中研究指出利用光谱技术来识别作物与杂草是精细农业中一个非常重要的研究内容,但光谱数据中含有大量冗余数据,如何预处理以及建立识别模型,是决定识别准确率的关键。利用在325~1 075 nm波段的光谱识别了叁种杂草(牛筋草、凹头苋、空心莲子草)与大豆幼苗。在幼苗生长的第叁周与第六周分别采集杂草与作物的光谱,共378个样本。用其中的250个光谱样本,包括第一期和第二期采集的光谱样本,在采用db12小波经过叁层分解后,将其小波系数作为输入数据建模,构造了一个径向基函数神经网络。然后,利用余下的光谱样本检验该模型的识别能力。结果表明,该模型对作物与杂草光谱具有极强的识别能力,只有3个第二期的牛筋草样本被判断为空心莲子草,其余的样本全部正确识别。这个结果表明,采用可见/近红外光谱识别大豆幼苗与叁种伴随生长的杂草是可行的,同时也说明,随着作物的生长阶段的不同,其光谱的变化不会影响到种类识别。(本文来源于《光谱学与光谱分析》期刊2008年05期）
黄文江,王锦地,穆西晗,王纪华,刘良云[5]（2007）在《基于核驱动模型参数反演的作物株型遥感识别》一文中研究指出传统的单一方向遥感只能得到地面目标一个方向的辐射量,缺乏足够信息来同时推断像元的波谱和空间结构。多角度的反射光谱对于植被结构特征的估算及类型鉴别比垂直光谱具有明显的优越性。将多角度观测数据和核驱动模型结合,构建了基于核参数各向同性核所占比例(fiso),几何光学核所占比例(fgeo)和体散射核所占比例(fvol)的植被结构参数敏感指数(SPEI)来进行作物株型的遥感识别,并将SPEI与结构散射指数(SSI)和归一化差异参数指数(NDFI)等对紧凑型品种京411和披散型品种中优9507的实测多角度冠层方向反射率数据进行了核参数的反演,不同指数对作物株型结构表现出的敏感性依次为:SPEI>SSI>NDFI。SPEI较以往学者构建的指数对不同株型品种遥感识别具有更好的敏感性,该方法可以在其他作物上拓展应用,具有很好的理论基础和应用前景。(本文来源于《光谱学与光谱分析》期刊2007年10期）
黄文江,王纪华,刘良云,王之杰,宋晓宇[6]（2006）在《基于AMTIS航空遥感影象和核驱动模型的作物株型遥感识别》一文中研究指出作物群体具有一定的冠层几何结构(株型),对于不同株型的品种,在相同的叶面积指数时冠层反射光谱往往不同,使得利用冠层反射光谱来反演叶面积指数等生物物理和生物化学参数时存在不同株型产生的误差本研究定量研究了不同叶面积指数条件下,作物株型对冠层反射光谱的影响。本研究将多角度观测数据和进行核驱动模型参数反演,提出运用基于核参数各向同性核所占比例(fiso),几何光学核所占比例(fgeo)和体散射核所占比例(fvol)构建了植被结构参数敏感指数(SPEI)来进行作物株型的遥感识别的理论依据,并将植被结构参数敏感指数(SPEI)与结构散射指数(SSI)和归一化差异参数指数(NDFI) 等对紧凑型品种京411和披散型品种中优9507的实测多角度冠层方向反射率数据进行了核参数的反演,表明对于不同参数对作物株型结构表现出的敏感性依次为:SPEI>SSI>NDFI。对于采用多角度AMTIS不同观测角度的遥感数据,通过核驱动模型,利用可见光和近红外波段的各向同性核所占比例,几何光学核所占比例和体散射核所占比例构建的的植被结构参数敏感指数(SPFI)、归一化差异参数指数(NDFI)和结构散射指数(SSI)分别对飞行重点区域进行填图,运用SPFI进行不同株型的品种初步区分效果较NDFI和SSI好,表明运用SPFI进行不同株型的品种初步区分是可行的。在生产上具有一定的应用前景。(本文来源于《第六届成像光谱技术与应用研讨会文集》期刊2006-06-01）
温永仙[7]（1999）在《物元评判识别模型在作物育种中的应用》一文中研究指出论述了物元评判识别模型的建模方法,并将它应用于作物育种中.以评判玉米品种群各性状对产量影响大小为例,演示了该模型的实际应用过程,说明物元评判模型是一类优良模型.(本文来源于《农业系统科学与综合研究》期刊1999年01期）
陈亚新,于健[8]（1992）在《非充分灌溉中作物——水模型的建模与识别》一文中研究指出本文认为:作物水分生产函数的名称不能确切反映作物产量与水分关系的数学特点。作物—水模型(MCRW)的名称可能较为适合,这种模型实质上是一种模拟模型。本文从理论特征,建模主要假设及确认方法等方面,对线性模型和阶段非线性模型的建模问题进行了较系统的研究,对国外主要的阶段模型进行了比较分析,提出了模型适用条件;对线性模型进行了带有置信区间的改进。可为非充分灌溉中模型选择和应用提供指导以及模型的建立提供理论依据。(本文来源于《内蒙古农牧学院学报》期刊1992年04期）
魏邦龙[9]（1986）在《用模糊模型识别的隶属度方法判别作物类型》一文中研究指出在作物育种中,亲本的选配总是处于中心位置,在很大程度上决定育种的成败。但是,亲本的划分是模糊的。也就是说,对于一个作物亲本,如何根据它的生长天数、株高……等来鉴别它是属于哪一亲本类型(矮秆、早熟、晚熟……),存在不少困难。用模糊模型识别的隶属度方法,可圆满地解决上述困难,而且识别率高。在实际问题中,需要被识别的全体对象,称之为论域,用字母U来表示,每个对象叫做(本文来源于《甘肃农业科技》期刊1986年02期）
作物识别模型论文开题报告
（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：
利用近50年黄淮地区54个农业气象观测站的作物观测资料和气象资料,结合人工移动式霜箱试验结果,研究了WOFOST作物模型中增加晚霜冻影响的处理技术,揭示了晚霜冻对冬小麦各生长量的影响结果。利用修改后的作物模型提取晚霜冻灾损评估技术,建立以晚霜冻的危险性、暴露性和脆弱性为风险因子的风险评估模型,开展黄淮区域晚霜冻风险评估。结果表明,黄淮区域冬小麦晚霜冻风险分布呈西高东低分布,高风险地区主要分布在黄淮区域的河南西部、西南部、西北部及东部永城、沈丘一带。其中,黄淮西部的高风险主要是由晚霜冻高灾损引起的,河南西南部的高风险是由晚霜冻的高频率引起的,其西北部和东部的高风险则是由晚霜冻的高频率和高灾损共同引起的。
（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。
作物识别模型论文参考文献
[1].张晓倩.基于全极化SAR数据的水稻识别与作物参数估算模型[D].中国地质大学(北京).2012
[2].张雪芬,余卫东,王春乙.基于作物模型灾损识别的黄淮区域冬小麦晚霜冻风险评估[J].高原气象.2012
[3].包颖,田庆久,王玲.基于HJ-1卫星CCD遥感数据的作物秸秆光谱识别模型与提取方法研究[J].遥感信息.2011
[4].朱登胜,潘家志,何勇.基于光谱和神经网络模型的作物与杂草识别方法研究[J].光谱学与光谱分析.2008
[5].黄文江,王锦地,穆西晗,王纪华,刘良云.基于核驱动模型参数反演的作物株型遥感识别[J].光谱学与光谱分析.2007
[6].黄文江,王纪华,刘良云,王之杰,宋晓宇.基于AMTIS航空遥感影象和核驱动模型的作物株型遥感识别[C].第六届成像光谱技术与应用研讨会文集.2006
[7].温永仙.物元评判识别模型在作物育种中的应用[J].农业系统科学与综合研究.1999
[8].陈亚新,于健.非充分灌溉中作物——水模型的建模与识别[J].内蒙古农牧学院学报.1992
[9].魏邦龙.用模糊模型识别的隶属度方法判别作物类型[J].甘肃农业科技.1986
论文知识图
