导读:本文包含了生物量估算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:生物量,遥感,冬小麦,无人机,乔木,植被,储量。
生物量估算论文文献综述
邓江,谷海斌,王泽,盛建东,马煜成[1]（2019）在《基于无人机遥感的棉花主要生育时期地上生物量估算及验证》一文中研究指出利用棉花主要生育时期的无人机近红外影像数据,提取4种不同的植被指数,通过与棉花地上生物量的实测值建立拟合关系,分析了不同植被指数在棉花各生育时期的估算效果并对其进行了验证。结果表明,随棉花生长,归一化植被指数(NDVI)、宽动态植被指数(WDRVI)、比值植被指数(RVI)和差值植被指数(DVI)均从苗期开始显着增加,其后则表现为基本稳定的"饱和"现象,但棉花实测生物量在不同生育期均有显着差异。植被指数与棉花实测生物量的拟合结果显示:NDVI和DVI的二元线性拟合模型对苗期生物量拟合效果最佳(R~2=0.84,RMSE=0.13 kg·m~(-2));WDRVI和DVI的二元线性拟合模型对花蕾期生物量拟合效果最佳(R~2=0.87,RMSE=0.52 kg·m~(-2));RVI的非线性拟合模型对花铃期生物量拟合效果最佳(R~2=0.79,RMSE=0.95 kg·m~(-2));WDRVI和RVI的二元线性拟合模型对盛铃期生物量的拟合效果最佳(R~2=0.86,RMSE=0.96 kg·m~(-2))。(本文来源于《干旱地区农业研究》期刊2019年05期）
陶惠林,徐良骥,冯海宽,杨贵军,杨小冬[2]（2019）在《基于无人机数码影像的冬小麦株高和生物量估算》一文中研究指出高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。(本文来源于《农业工程学报》期刊2019年19期）
饶滴滴,于秀波,李鹏,夏少霞,孟竹剑[3]（2019）在《鄱阳湖碟形湖泊(常湖池)春季苔草生物量遥感估算》一文中研究指出基于Sentinel-2植被指数,应用回归分析法分析了鄱阳湖碟形子湖泊(常湖池)的苔草(Carex)群落生物量与植被指数的关系,并探讨了高程水位和气温变化对其的影响。研究结果表明:(1)10种常用的植被指数中,土壤调节植被指数(Soil Adjusted Vegetation Index,SAVI)是常湖池苔草春季生长中后期(3月22日至5月5日)地上生物量估算的最佳植被指数,SAVI构建的叁次多项式是常湖池苔草地上生物量最优遥感估算模型,其均方根误差为73.91 g/m2,预测吻合度为71.90%,苔草生物量分布总体表现为自湖心到湖岸逐渐增加。(2)3月22日(春季苔草生长中期)和5月5日(春季苔草生长后期)苔草的地上总生物量分别为1.06×105kg和3.28×105kg,单位面积苔草生物量分别为77.56 g/m2和208.44 g/m2,这与鄱阳湖其他子湖单位面积生物量一般低于300 g/m2相一致。(3)常湖池苔草生长受高程、水位和气温多重要素综合影响。3月底常湖池13.47 m高程(黄海高程,参考星子站水位,下同)以下苔草植株矮小,生物量积累较少;13.47 m高程以上区域受前期低温胁迫,生物量增长缓慢。随着气温回暖,出露区域的苔草生物量逐渐积累,并随高程增加而增长。(本文来源于《自然资源学报》期刊2019年09期）
魏雪梅[4]（2019）在《多源数据支持下的森林地上生物量估算方法》一文中研究指出以Landsat8 OLI(operational land imager)为遥感数据源,森林资源二类调查和地理国情数据为主要辅助数据,对森林地上生物量(aboveground biomass,AGB)进行了反演和估算。以安徽省金寨县的天然林为研究对象,通过计算覆盖研究区Landsat8 OLI的光谱、纹理和地形特征,利用森林资源二类调查、地理国情普查与监测和外业调查数据建立AGB定量反演模型,以此为基础分析了不同特征对于AGB估算的影响。结果表明,基于所采用的方法得到的金寨县的森林地上生物量,最优反演模型的实测值与估算值相对误差为0.708 718,均方根误差为1.318 983,精度较高。依据该模型计算得到金寨县的生物总量为4 723 728 530 t,结果与实际情况符合。该研究对AGB定量反演和研究所采用的方法对于大范围监测森林资源具有可用性。(本文来源于《武汉大学学报(信息科学版)》期刊2019年09期）
苏华,张明慧,李静,陈修治,汪小钦[5]（2019）在《基于光学与SAR因子的森林生物量多元回归估算——以福建省为例》一文中研究指出基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出"纯净"的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型"纯净"植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达(SAR)HH、HV极化后向散射因子,分别构成不同植被类型的"含光学特征多元因子"(NDVI、RVI、树高、林龄、坡度)和"含SAR特征多元因子"(HH、HV、树高、林龄、坡度),开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明:不同植被类型的含光学特征多元回归模型的验证精度(针叶林:R~2为0.483,RMSE为29.522 t/hm~2;阔叶林:R~2为0.470,RMSE为21.632 t/hm~2;混交林:R~2为0.351,RSME为25.253 t/hm~2)比含SAR特征多元回归模型的验证精度(针叶林:R~2为0.319,RMSE为28.352 t/hm~2;阔叶林:R~2为0.353,RMSE为18.991t/hm~2;混交林:R~2为0.281,RMSE为26.637 t/hm~2)略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型(先估测叶生物量进而间接估测地上生物量)比利用含SAR特征的多元回归模型(直接估测地上生物量)更具优势。(本文来源于《遥感技术与应用》期刊2019年04期）
张领先,陈运强,李云霞,马浚诚,杜克明[6]（2019）在《可见光光谱的冬小麦苗期地上生物量估算》一文中研究指出地上生物量是表征冬小麦苗期长势的重要参数之一,对于监测冬小麦苗期长势,预测产量具有重要的实际意义。目前,通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法,但该方法需要一定的平台支撑,在便捷性方面存在一定的不足。为此,利用可见光图像数据获取方便、准确率高的特点,基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。采用数码相机,采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。在获取冠层分割图像后,提取了CC(canopy cover)、 ExG(excessg reen)、 ExR(excess red)、 ExGR(ExG-ExR)、 NGRDI(normalized green-red difference index)、 GLI(green leaf index)、 RGRI(red-green ratio index)和RGBVI(RGB vegetation index)共8个可见光图像特征。利用相关性分析进行特征优选,选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。利用优选的图像特征,分别构建偏最小二乘回归(PLSR)、 BP神经网络(BPNN)、支持向量机回归(SVR)和随机森林(RF)模型,开展冬小麦苗期地上生物量估算研究,并定量分析特征数量和播种密度对估算模型准确率的影响。结果表明, ExR, GLI和RGBVI与生物量实测数据相关性较低,因此,将这3个特征剔除。CC, ExG, ExGR, NGRDI和RGRI与生物量实测数据的相关性较高,其中CC, ExG和ExGR与生物量实测数据呈正相关,而NGRDI和RGRI与生物量实测数据呈负相关。利用优选的图像特征构建估算模型,研究结果表明,基于优选的5个图像特征, PLSR的估算准确率最高,模型R~2为0.801 5, RMSE为0.0788 kg·m~(-2),表明PLSR能够实现冬小麦苗期地上生物量的准确估算。特征数量是影响估算模型准确率的因素之一,随着特征数量的减少,模型估算的准确率逐步下降。利用不同播种密度数据集对估算模型进行测试,结果表明, PLSR在不同的播种密度数据集上均取得了最高的估算准确率,模型R~2分别为0.897, 0.827 9和0.788 6, RMSE分别为0.062, 0.072和0.079 1 kg·m~(-2),表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。随着播种密度的增加,所有估算模型的准确率均出现下降,而PLSR的准确率下降程度最小。由此可见,基于可见光图像数据,能够实现冬小麦苗期地上生物量的准确估算,为冬小麦苗期田间管理提供参考。(本文来源于《光谱学与光谱分析》期刊2019年08期）
陈日东,林什全,潘国英,陈月明[7]（2019）在《天堂山林场森林地上生物量及碳储量的遥感估算模型构建》一文中研究指出基于广东省清远市天堂山林场的二类调查小班数据和landsat8遥感影像和多元逐步回归的方法,建立森林地上生物量模型,进而构建森林地上碳储量模型,对天堂山林场森林碳储量及其分布进行了估算,并讨论了预测结果及其精确性。结果表明:阔叶林、针叶林和混交林生物量模型的拟合优度分别为0.77、0.67、0.69。基于碳储量估算模型计算生成的天堂山林场碳储量分布图与采用二类森林调查数据得到的碳储量分布图空间分布一致。验证了基于landsat8遥感影像的碳储量模型能为森林碳储量提供快速准确的估测。(本文来源于《林业与环境科学》期刊2019年03期）
王宁,富丰珍,程浩天,张有利,王孟雪[8]（2019）在《大庆市城市森林公园乔木林生物量及碳储量估算》一文中研究指出由温室效应造成的全球气候变暖已引起全球广泛关注,森林作为地球上最大的碳库,在固碳释氧,减缓全球变暖等方面具有重要作用。通过实测大庆城市森林公园内5种树木共18 374株乔木的胸径和树高数据,采用异速生长方程对大庆市城市森林公园乔木生物量进行测定,并采用不同树种不同器官碳含量进一步估算碳储量。结果表明:(1)大庆市城市森林公园乔木层总生物量为12.76×10~3 t,单位面积生物量为227.50 t·hm~(-2),乔木层总碳储量为5 678.45 t,碳密度为101.22 t·hm~(-2);(2)城市森林公园各树种生物量及碳储量均为家榆>垂柳>银中杨>樟子松>云杉;(3)5种树种各器官生物量和碳储量分配均表现为干>根>枝>叶。(本文来源于《黑龙江八一农垦大学学报》期刊2019年03期）
仲启铖,傅煜,张桂莲[9]（2019）在《上海市乔木林生物量估算及动态分析》一文中研究指出基于2014年上海市森林资源连续清查统计报告和2013-2014年乔木林典型样地实测数据,采用转换因子连续函数法(CM法)和单木异速生长方程法(AM法)对上海全市乔木林生物量进行估算。结果显示:2种方法估算的乔木林总生物量较为接近,分别为4.828×106和4.805×106t,前者仅比后者高0.47%。樟树Cinnamomum camphora,其他硬阔类,阔叶混,水杉Metasequoia glyptostroboides,其他软阔类和杨树Populus是上海乔木林生物量的主要贡献者, CM法估算这6个树种组在总生物量中占比为88.7%, AM法估算占比为85.7%。幼、中龄林是上海乔木林生物量的主体部分, CM法估算这2个龄组在总生物量中占比为86.2%, AM法估算占比为79.3%。自1999年起上海市乔木林总生物量持续快速增长,到2016年接近6.400×106t; 1999-2016年乔木林总生物量年均增长率为19.2%,超过同期乔木林总面积的年均增长率(16.8%)。乔木林单位面积生物量同样总体上呈增长趋势,到2016年达75.7 t·hm-2。由此认为:CM法和AM法在上海市乔木林总生物量估算上具有较好的一致性;过去20 a,上海城市森林资源的数量和质量都有显着提升,且仍存在一定上升空间。图2表4参35(本文来源于《浙江农林大学学报》期刊2019年03期）
王超,贾翔,赵莹,金慧,刘丽杰[10]（2019）在《森林生物量估算方法研究进展》一文中研究指出森林生物量既是估算森林碳储量及判断森林碳汇能力的主要因子,也是森林生态系统健康评价的重要指标.因此,科学估算森林生物量既可为碳排放调控和碳交易提供决策支持,也可为评价森林质量提供基础依据.根据所采用数据源的不同,将森林生物量估算方法分为收获法、蓄积量转化法和遥感法.概括森林生物量估算方法的发展历程,并简要总结存在的问题及给出研究趋势.(本文来源于《北华大学学报(自然科学版)》期刊2019年03期）
生物量估算论文开题报告
（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：
高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。
（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。
生物量估算论文参考文献
[1].邓江,谷海斌,王泽,盛建东,马煜成.基于无人机遥感的棉花主要生育时期地上生物量估算及验证[J].干旱地区农业研究.2019
[2].陶惠林,徐良骥,冯海宽,杨贵军,杨小冬.基于无人机数码影像的冬小麦株高和生物量估算[J].农业工程学报.2019
[3].饶滴滴,于秀波,李鹏,夏少霞,孟竹剑.鄱阳湖碟形湖泊(常湖池)春季苔草生物量遥感估算[J].自然资源学报.2019
[4].魏雪梅.多源数据支持下的森林地上生物量估算方法[J].武汉大学学报(信息科学版).2019
[5].苏华,张明慧,李静,陈修治,汪小钦.基于光学与SAR因子的森林生物量多元回归估算——以福建省为例[J].遥感技术与应用.2019
[6].张领先,陈运强,李云霞,马浚诚,杜克明.可见光光谱的冬小麦苗期地上生物量估算[J].光谱学与光谱分析.2019
[7].陈日东,林什全,潘国英,陈月明.天堂山林场森林地上生物量及碳储量的遥感估算模型构建[J].林业与环境科学.2019
[8].王宁,富丰珍,程浩天,张有利,王孟雪.大庆市城市森林公园乔木林生物量及碳储量估算[J].黑龙江八一农垦大学学报.2019
[9].仲启铖,傅煜,张桂莲.上海市乔木林生物量估算及动态分析[J].浙江农林大学学报.2019
[10].王超,贾翔,赵莹,金慧,刘丽杰.森林生物量估算方法研究进展[J].北华大学学报(自然科学版).2019
论文知识图
