一、油菜氮营养快速诊断技术的研究（论文文献综述）
张晶[1]（2021）在《基于高光谱成像技术的甜菜生理生态参数检测方法研究》文中研究指明作物生理生态信息的获取是精细农业信息获取的关键和核心问题之一,传统检测方法时效性差且具有破坏性,无法满足对作物生理生态参数实时无损动态检测的需求。甜菜生理生态信息的快速无损检测是甜菜实际生产过程中制定精细化和科学化管理决策的根本依据,对发展绿色农业,实现甜菜的丰产高糖具有重要意义。本文以不同氮胁迫下的田间小区试验为测试平台,综合利用多年（2014、2015和2018）、多点（内蒙古赤峰市太平地镇甜菜种植区、呼和浩特市内蒙古农业大学教学农场和土默特左旗麻合理村）、多品种（KWS1676、KWS9147和KWS1231）、多栽培模式（移栽和直播）、多生育期（叶丛快速生长期、糖分增长期和糖分积累期）和多氮肥梯度（0～200 kg/hm2）的甜菜高光谱测试数据并同步结合生理生态参数（叶片氮含量、SPAD值和植株地上生物量）生化分析,探究基于高光谱成像技术的甜菜冠层尺度生理生态参数快速无损检测方法。主要研究内容及成果如下:（1）通过分析各生育期不同氮胁迫、不同试验区和不同品种甜菜冠层叶片氮含量、叶绿素含量和植株地上生物量的变化规律及相应光谱响应曲线的变化趋势,探究了甜菜生理生态参数变化规律和光学检测机理,验证了高光谱成像技术在甜菜生理生态参数检测上的适用性,确定了各试验区的最佳施氮量,内蒙古赤峰市太平地镇为108 kg/hm2,呼和浩特市内蒙古农业大学教学农场为120 kg/hm2以及土默特左旗麻合理村为130 kg/hm2。（2）在390-990 nm波段范围内,利用精细采样法构建了所有可能波段组合的归一化光谱指数（NDSI）和土壤调节光谱指数（SASI）,提出了利用PSO算法对SASI植被冠层调节参数L进行寻优的方法。通过分析NDSI和SASI与甜菜冠层氮含量间的相关性,以及对比不同建模算法对甜菜冠层氮含量估测模型的影响,确定了估测各生育期甜菜冠层氮含量的最佳光谱指数和反演模型。其中,叶丛快速生长期的最佳建模输入量为SASI1（418nm,686 nm）,验证集R2为0.82,RMSE为2.30 g/kg,RRMSE为7.11%;糖分增长期以SASI2（820 nm,655 nm）的建模效果最理想,验证集R2为0.74,RMSE为2.71 g/kg,RRMSE为10.21%;糖分积累期的最优建模参数为SASI3（874 nm,889 nm）,模型R2为0.80,RMSE为2.26 g/kg,RRMSE为8.75%。（3）应用CARS算法对高光谱数据进行降维处理并挖掘有效光谱信息,提取了各生育期甜菜地上生物量的特征波长。通过改进GWO算法收敛因子的更新方式和个体进化模式,提出了基于MDE-GWO算法的甜菜地上生物量SVM模型关键参数优化方法,并对比了SCV、GWO和DE-GWO算法对甜菜地上生物量SVM模型预测精度的影响,确定了MDE-GWO算法为甜菜地上生物量SVM模型关键参数的最佳优化方法。与SCV-SVM、GWO-SVM和DE-GWO-SVM模型相比,基于特征波长构建的各生育期MDE-GWO-SVM模型对甜菜地上生物量的估测精度最高。（4）在综合分析现有叶绿素估测光谱指数与甜菜冠层相对叶绿素含量（SPAD值）间相关关系及其构建方式的基础上,通过引入一个可变参数M到传统CI中提出了MCI,并利用PLS和MDE-GWO-SVM算法建立估测模型,对比不同输入参数对甜菜冠层叶绿素含量模型预测精度的影响,确定了各生育期甜菜冠层叶绿素含量的最佳估测光谱指数为MCI。基于MCI建立的MDE-GWO-SVM模型可实现甜菜冠层叶绿素含量的定量预测,叶丛快速生长期对应的验证集R2为0.85,RMSE为2.20和RRMSE为4.62%;糖分增长期R2为0.73,RMSE为2.97和RRMSE为5.78%;糖分积累期R2为0.79,RMSE为2.55和RRMSE为5.28%（5）利用高光谱图像数据“图谱合一”的特性,基于甜菜各生育期叶片氮含量和叶素含量的最佳光谱指数,分别计算高光谱图像中每个像素点对应的光谱指数信号,并结合优选的最佳估测模型将高光谱图像中所有像素点下的光谱信号分别转化为对应位置处的氮含量和叶绿素含量,最终实现各生育期甜菜冠层氮含量和叶绿素含量的可视化分布,可直观体现甜菜整个生长过程中冠层氮含量和叶绿素含量在时间和空间上的变化规律。
刘一诺[2]（2020）在《基于无人机多光谱影像的冬油菜氮营养诊断》文中研究表明作物氮营养状况的实时、精准诊断是实现作物精准施肥、高产的重要措施之一。无人机便携、灵活的优点使其成为近年来农作物定量遥感的研究热点。利用无人机的多光谱影像进行冬油菜的氮营养诊断的研究目前还比较有限。以前的研究表明,添加纹理指数改进单纯基于植被指数的冬油菜氮营养估测模型,可以更好地反映影像的空间特性。基于此,以越冬期的冬油菜为研究对象,以氮素营养特征为出发点,综合利用在2016-2019年间开展的氮肥梯度大田试验数据,进行冬油菜关键生育期的无人机飞行及影像处理,并结合生理生化参数分析,从植株氮浓度、地上部生物量、越冬期的氮营养指数、产量的估测四个方面进行建模与探究,得到了以下几个结论:（1）在利用不同区域的两块两年间试验田进行的冬油菜植株氮浓度（PNC）估测中,采用了一般线性回归、偏最小二乘回归和随机森林（RF）回归三种建模方法,通过一般线性回归进行因子相关性筛选,在偏最小二乘回归中采用变量投影重要性指标（vip）筛选因子,在随机森林回归中采用因子重要性排序筛选因子,并将纹理指数与植被指数的组合模型与单纯植被指数的多元统计回归模型进行对比。结果表明,在单一指数线性回归中,红边叶绿素指数（CIred edge）和花青素反射率指数（ARI）的PNC估测模型R2最高（CIred edge:R2=0.70,RMSE=0.64;ARI:R2=0.70,RMSE=0.65）但RMSE误差较大。在多元统计回归中,植被指数与纹理指数的组合RF回归模型可以较好的估测PNC（R2=0.97,RMSE=0.51）,虽然模型存在过拟合现象,但是组合模型RMSE值下降了21.5%,有显着降低。因此,纹理指数的加入对模型的精度有了提高的作用,但根据本试验结果还无法推荐对于PNC估测具有显着优势的纹理指数。（2）在冬油菜地上部生物量（AGB）估测及验证中,采用了一般线性回归、偏最小二乘回归和随机森林回归三种方法,通过一般线性回归进行了因子相关性筛选,同时也将纹理指数与植被指数的组合模型与单纯植被指数的多元统计回归模型进行对比,结果表明,在单一指数线性回归中,RVI和CIred edge的R2较高,但RMSE误差较大（RVI:R2=0.70,RMSE=341.43;CIred edge:R2=0.68,RMSE=368.00）。在PLSR建模中,VIs和纹理指数的PLSR组合模型提供了更准确的AGB估计,与仅基于VI的PLSR模型相比,验证数据集的RMSE值降低了7.3%,与线性模型相比,降低了7.9%。在RF建模中,VIs和纹理指数的RF回归组合模型提供了更准确的AGB估计,与仅基于VIs的RF模型的准确性相比,验证数据集的RMSE值降低了15.7%,与基于CIred edge的线性回归模型的准确性相比,RMSE值降低了11.1%。但是,RF模型也过度估计了验证数据集的AGB。三种方法中,基于VIs和纹理指数的RF组合模型估测精度最高,纹理指数的加入对模型的精度有了提高的作用。两种方法均选用CIred edge和RVI作为最重要的VIs输入变量,NDVI contrast作为最重要的纹理指数参数。但此结果高度依赖数据集,目前无法推荐普遍适宜于估测AGB的植被指数及纹理指数。（3）在上述PNC及AGB估测模型的基础上,利用前人探究得到的冬油菜氮稀释曲线,得到临界氮浓度,再构建冬油菜的NNI模型,根据相对产量确定NNI的阈值为1.15,从而对验证田块的氮营养状况做出诊断。结果显示:N0、N4、N6的NNI值低于临界值,为缺氮田块;N8、N12、N16的NNI值近似等于临界值,根据实际的施肥经验,N8、N12、N16可诊断为氮肥适宜田块。此结果与课题组之前的研究结果相符合,但判断的准确性还需要定量计算追肥量,根据追肥的效果进行评判。（4）在冬油菜产量估测中,利用了NDVI、SAVI、CIred edge三种植被指数,NIRv指数以及NDYI指数,利用两种经验回归方法估测产量。第一种方法建立了各个关键生育期单一指数与产量的回归模型,结果显示,花期的NIRv指数提供了最优的产量估计（训练集:R2=0.74,RMSE=392.65,验证集RMSE=389.84）。第二种方法利用生长季节的VI的积分来估算产量。发现NIRv的生物量的总和为训练和验证数据集提供了最准确的油菜籽产量预测（训练集:RMSE=534.60,验证集:RMSE=504.02）。由于长江流域很少出现严重的氮素缺乏现象,因此特别评估了氮肥用量高于120 kg/hm2的处理对产量预测的准确性,在萌芽和开花阶段测得的NIRv、NIRv＿sum2、SAVI、NDVI的产量预测值的RMSE,在开花期测得的NIRv提供了最准确的估计相比其他研究的VI。因此,推荐NIRv作为预测产量的指数,在整个生育期内表现更稳定,在花期表现出更优的估测能力。
高开秀[3]（2020）在《冬油菜关键长势参数及产量遥感反演方法研究》文中研究指明油菜是我国最重要的油料作物之一,在国民经济发展中占据着举足轻重的地位,因此,实时、快速、准确地估测油菜长势,在油菜生产管理、灾害防治中显得至关重要。叶片氮浓度（Leaf Nitrogen Concentration,LNC）、地上部生物量（Above Ground Biomass,AGB）、氮素积累量（Nitrogen Accumulation,NA）、生育期（Growth Period）、叶面积指数（Leaf Area Index,LAI）以及产量（Yield,Y）等因素可以较为准确地反映油菜生长状况与营养水平。无人机遥感技术以其操作简便、省时省力、成本较低等优势在农作物长势监测领域脱颖而出;作物生长模型以其综合考虑气象因素、土壤因素、管理参数、机理性强等优势成为近年来研究农作物长势的重要手段。本文以不同施氮水平、不同生育期的冬油菜为研究对象,分别建立了基于经验统计模型和作物生长模型的冬油菜长势参数预测模型,并以蕾薹期为例,对两种方法的预测结果进行对比分析,探讨两种方法各自的优缺点以及适用范围。围绕上述研究内容,得到的主要结论如下:基于植被指数进行冬油菜氮营养参数（LNC、AGB、NA）估计。以无人机得到的蓝、绿、红、红边、近红外五波段影像为基础,计算得到常用的12个植被指数,对比分析这12种植被指数与LNC、AGB和NA的相关性。以蕾薹期为例,利用经验统计模型进行4种传统回归模型分析（线性函数、指数函数、对数函数、多项式函数）,发现与线性方程相比,二次方程精度均有所提高（R2）,所以本研究选用二次方程模型作为最佳评估预测模型。以二次函数模型为基础,挑选R2较高且RMSE较低的8个植被指数做进一步的敏感性分析（Noise Equivalent,NE）,结果显示,红光标准值NRI1和蓝光标准值NBI对LNC、AGB、NA的变化均敏感且估计精度较高。NRI1对LNC、AGB和NA的验证集决定系数R2分别为0.94、0.99和0.96,NBI对LNC、AGB和NA的验证集决定系数R2分别为0.94、0.98和0.98,能够较为准确地估算冬油菜氮营养参数。APSIM-Canola模型中,影响冬油菜生长的主要参数包括物候参数(CTTJUV、CTTFI、CTTFL、CTTSt GF、CTTGF、VDmax、DLmin、DLmax)和生物量参数（HI、RUE、Node phyllochron、Leaf size、node＿no＿app、leaf number）两大类,考虑到每一个参数的变化都会对模拟结果产生影响,因此,调参时需要根据不同的需要选择合适的参数进行调整。通过对APSIM-Canola模型进行调参,发现APSIM-Canola模型对冬油菜生育期、LAI、生物量和产量的预测效果均较好（验证集的决定系数R2均大于0.6）,实测值与预测值的1:1关系图中所有点都均匀的分布在对角线两侧,说明APSIM-Canola模型可以用于预测冬油菜长势参数,这为冬油菜的长势监测与产量估计提供了理论依据。以蕾薹期为例,对比经验统计模型和作物生长模型对生物量的预测效果。结果发现,经验统计模型的预测效果较好,在预测值与实测值的1:1关系图中,所有散点都均匀地散落在对角线附近,NRI1预测的决定系数R2为0.86,均方根误差RMSE为587.47kg/ha,NBI预测的决定系数R2为0.92,决定系数R2为647.52kg/ha。APSIM-Canola模型的预测值稍微高于实测值,决定系数R2为0.61,均方根误差RMSE为801.93kg/ha。但是APSIM-Canola模型具有机理性强、对实际生长环境的模拟效果较好等优点,因此,在实际使用中可以根据不同需求合理选择模型。
樊鸿叶[4]（2020）在《基于玉米冠层光谱NDVI的生长指标监测研究》文中认为归一化植被指数的大小可以较好的反映作物的生长状况。当作物遭受水分或养分胁迫时,会使作物叶面积指数、生物量、叶绿素含量和覆盖度等指标的变化,从而对作物群体NDVI产生影响。地上部生物量、叶面积指数（LAI）和叶绿素含量（SPAD）是反映作物生长状况的重要农艺参数,且三者间存在密切的联系。精确估算这些生长指标对作物长势监测、产量估算、氮营养诊断及田间管理有重要意义。本试验于2019年分别在北京市农林科学院通州试验基地（试验1）和中国农业科学院作物科学研究所公主岭试验站（试验2）进行,供试材料均为先玉335（XY335）和郑单958（ZD958）,小区均采用随机区组设计。试验1用于分析玉米生长发育状况和产量形成对施氮量的响应特征,试验2用于构建基于冠层光谱的玉米生长指标监测模型。通过获取不同处理冠层光谱数据和地面农学参数,明确不同处理下玉米冠层光谱特征的动态特征,建立玉米叶面积指数、地上部生物量和氮素营养状况的监测和诊断模型,以期为适时、快速、无损获取玉米长势状态和氮素营养状况提供技术支撑。本研究的主要结果如下:1.不同施氮处理下两品种间LAI的动态变化特征均呈先增加后降低的趋势,于吐丝期达到最大值。施氮处理显着提升了玉米吐丝后干物质积累比例,N5处理对ZD958和XY335干物质积累比例分别提升了 10.1%和14.3%。吐丝后干物质转运对籽粒干物质贡献为0～20.2%,XY335品种N1处理的贡献率最大,高达20.2%,ZD958各施氮处理间无显着差异。各施氮处理对两品种的增产效应显着,两品种氮肥利用率在各施肥处理间无差异;两品种间偏生产力和农学效率在各施氮处理间差异显着。2.在不同种植密度和不同施氮处理下两品玉米冠层NDVI变化动态,均呈先增加后降低的单峰变化趋势,施氮处理对两玉米品种测定生育期内NDVI影响达显着水平（p<0.05）,NDVI随着施氮量的增加而增大,各施氮处理NDVI与不施氮处理间差异显着。两品种施氮量为N2和N3时,从拔节期到大口期,3个种植密度间NDVI差异显着,D3>D2>D1。3.ZD958和XY335在吐丝期、乳熟期和蜡熟期冠层NDVI与LAI拟合的幂函数模型对LAI的预测效果最佳。在成熟期冠层NDVI与两品种地上部生物量拟合的幂函数模型预测效果最好,在拔节期、吐丝期、乳熟期和蜡熟期两品种NDVI与地上部生物量拟合的估算模型类型不同,但预测效果均较好。在乳熟期和蜡熟期量品种冠层NDVI与SPAD拟合的幂函数模型的预测精度最高,在拔节期和成熟期两品种NDVI与SPAD拟合的模型类型不同,但具有较高的预测精度。4.构建了适宜RNDVI双Logistic动态模型,种植密度为37500株/hm2时,XY335模型精度比ZD958高,郑单958模型的R2为0.632,RMSE为0.149,XY335模型的R2为0.994,RMSE为0.101;种植密度为67500株/hm2时,ZD958模型精度高于XY335,ZD958 模型的 R2 为 0.996,RMSE 为 0.102,XY335 模型的 R2 为 0.983,RMSE 为 0.122。5.在两种植密度下两品种从拔节期到蜡熟期,N0处理氮素亏缺,种植密度为37500株/hm2,ZD958从拔节期到乳熟期,N1处理NNI均略小于1,处于稍微缺氮,N2处理吐丝期到乳熟期NNI>1,氮营养充足。XY335从吐丝期到蜡熟期NNI在N1和N2处理下NNI<1,处于氮素亏缺状态。种植密度为67500株/hm2,XY335从吐丝期到蜡熟期N1处理NNI<1,处于稍微缺氮状态,N3处理NN1>1,氮素营养过量。综上所述,本研究明确了施氮不仅促进玉米生长发育且显着影响玉米冠层光谱NDVI,构建了 NDVI与玉米生长指标间的最优估算模型,通过光谱技术能够实现对玉米生长指标的实时、快速、精确监测,为不同生育时期玉米生长指标监测提供了技术支撑。
蒋贵印[5]（2020）在《基于无人机遥感的春玉米多光谱响应及氮素营养参数反演》文中研究表明采用科学的施肥方式,探索多种田间观测手段并结合农学知识加强作物养分信息的精确感知,实时监测作物氮素营养状况,根据作物生长的营养需求规律制定科学的氮肥管理策略,对提高作物氮素利用效率、提高农民经济效益、以及改善环境状况都有重要的意义。无人机遥感平台可以搭载不同传感器,在其载荷能力的范围内,受天气影响较小,并可获得高分辨率遥感影像,在精度、质量和尺寸方面均能够满足农田监测的需求,可用于辅助农田精准管理。本研究以四平市三棵树村试验田为研究区,以春玉米作为研究对象,借助八旋翼无人机搭载Mini-MCA多光谱相机获取三个年份不同处理的试验小区春玉米关键生育期冠层多光谱遥感影像,采用传统经验回归、逐步多元回归和三种传统机器学习算法（支持向量回归、BP神经网络和随机森林算法）,反演地上部生物量、氮浓度、吸氮量、氮营养指数等春玉米氮素营养参数,主要工作与结论如下:（1）无人机多光谱遥感影像处理和遥感变量提取过程中,在利用经验线性校正和光照传感器校正相结合的方法的基础上,以ASD地面高光谱仪获取的冠层反射率为参考,使用Python 3.2软件编写的程序,重新对传感器的定标文件进行了校正;对校正后的多光谱影像进行了波段合并、影像拼接和影像裁剪等预处理工作,最终获取了玉米冠层多光谱正射影像。（2）施氮量与种植密度对春玉米农学参数影响明显,将生育期、施氮量、种植密度作为变量因子加入机器学习估测模型构建中,能够增加模型估测能力和验证精度,有利于模型估测能力的调控与优化,提升反演模型的适用性。（3）在五种算法的应用结果比较中,基于无人机载多光谱数据建模的随机森林算法效果最佳。传统机器学习算法构建玉米氮营养参数诊断模型整体优于传统经验回归模型和多元逐步线性回归模型。而基于三种机器学习算法构建的反演模型精度大小顺序依次为:随机森林>BP神经网络>支持向量回归,使用随机森林算法构建的反演模型精度预测集的R2最大值分别为:0.93、0.91、0.85、0.83,比BP神经网络模型精度最大值依次提高了3.39%、1.87%、0.79%与2.70%,比SVR回归模型精度最大值依次提高了9.45%、24.54%、10.62%与4.77%,随机森林算法比较传统经验回归和多元逐步线性回归提升更为明显。
李岚涛,盛开,尹焕丽,郭娅,王丹丹,王宜伦[6]（2020）在《考虑植株氮垂直分布的夏玉米营养诊断敏感位点筛选》文中研究说明探明夏玉米氮素营养生化指标（叶绿素a、叶绿素b、类胡萝卜素、叶片氮含量和叶片氮积累量）与叶片SPAD值垂直分布特征及两者间定量回归关系,确立基于叶绿素仪的夏玉米氮营养无损诊断敏感叶位和叶片部位,以实现氮营养时空变化的快捷和精准监测。利用2018—2019年连续2季不同氮营养水平下夏玉米关键生育期主茎各叶位（顶1叶～顶12叶,TL1～TL12）和叶片部位（每张叶片从叶片基部开始根据叶片长度每20%分为1个测试区间） SPAD值及氮营养指标数据,研究基于偏最小二乘（partial least square, PLS）回归模型的夏玉米不同位点SPAD值与氮营养指标间关系,确定可稳定指示夏玉米氮营养空间异质性变化的敏感叶位及叶片部位。结果表明,不同叶位间夏玉米叶片SPAD值和氮营养指标于植株间分布均呈典型的"钟型"特征,至TL5或TL6时达至峰值。同一叶位不同部位间SPAD值由20%至100%位点时则逐步升高,且80%～100%位点间无显着差异（P>0.05）。PLS分析结果显示,夏玉米不同叶位SPAD值与氮营养指标间模型精度决定系数（coefficient of determination, R2）和相对分析误差（relative percent deviation,RPD）范围分别为0.693～0.821和1.425～2.744。不同测试位点R2和RPD值范围则分别为0.660～0.847和1.607～2.451,满足模型精确诊断需求。此后,基于PLS模型中各叶位和叶片部位无量纲评价指标变量重要性投影值（variable importance for projection,VIP）,确定顶4叶（TL4）完展叶60%～80%区间为夏玉米氮营养诊断的敏感区域,VIP值均高于临界值1.40,预测效果较为理想。研究可为实现氮营养的高效、快捷诊断和精准施氮提供参考。
宋丽娟[7]（2020）在《基于机载多光谱和SPAD的寒地粳稻氮素营养诊断研究》文中提出氮素过量或亏缺均会对水稻的生长发育、产量乃至品质产生影响。传统的氮素营养诊断方法需要破坏性采样,费时费力,而快速无损的氮素营养诊断已经成为精准农业研究的热点问题。黑龙江省是我国新兴稻作区,寒地气候条件下水稻生育和施肥规律具有特殊性。本研究以黑龙江省第一积温带两个水稻主栽品种为研究对象,开展了基于机载多光谱和SPAD的寒地水稻氮素营养诊断研究,利用无人机搭载多光谱相机和SPAD叶绿素计分别获取水稻关键生育时期的冠层光谱数据和SPAD读数,并同步获取叶片含氮量和干物质重,以及成熟期籽粒产量等农学参数,建立了基于叶片的寒地水稻临界氮浓度稀释曲线,构建了以临界氮浓度曲线为基础的SPAD指数和机载多光谱冠层归一化植被指数（NDVI）的氮素营养诊断模型,实现了田块和中小区域尺度的寒地水稻氮素无损营养诊断。主要研究结果如下:1.构建了黑龙江省第一积温带水稻主栽品种的临界氮浓度稀释模型。五优稻4号的临界氮浓度模型为Nc=1.96*LDM-0.56,决定系数R2为0.87（p<0.01）,均方根误差RMSE为0.31,标准均方根误差nRMSE为13.07%;松粳9号的临界氮浓度模型为Nc=1.99*LDM-0.44,决定系数R2为0.94（p<0.01）,均方根误差RMSE为0.37,标准均方根误差nRMSE为15.89%。经检验,模型可靠性和稳定性较好。利用构建的临界氮浓度稀释曲线计算得到氮营养指数（NNI）诊断水稻氮素营养状况。根据研究结果,在黑龙江省第一积温带,五优稻4号的推荐施氮量不高于120kg·hm-2,松粳9号的推荐施氮量不高于180kg·hm-2,这与田间高产施肥水平基本相符。2.构建了基于SPAD指数的氮素营养诊断模型。在水稻不同生育时期（分蘖期、拔节期、孕穗期、抽穗期、灌浆期）,测定了水稻顶部34片完全展开叶的SPAD读数,运用文献分析法,筛选出与氮素指标相关的SPAD值及指数指标,比较了水稻冠层不同叶位SPAD指数与氮素指标的相关性,进而建立了基于SPAD指数的氮素营养诊断模型。结果表明,通过归一化处理可有效地消除品种间的差异。在不同叶位叶片中,顶部第4片完全展开叶的归一化SPAD指数（NSI4）对拔节-抽穗期叶片含氮量的响应敏感性较强,可作为叶片氮素诊断指标。寒地水稻基于SPAD的氮素诊断模型为NNI=0.3048e1.3864*NSI4,决定系数R2为0.862（P<0.01）。经检验五优稻4号水稻均方根误差RMSE为0.15,标准均方根误差nRMSE为14.59%,松粳9号水稻均方根误差RMSE为0.15,标准均方根误差nRMSE为16.67%,表明所构建的模型可以较好的估计水稻的氮素状况。3.构建了基于机载多光谱的寒地水稻氮素营养诊断模型。利用无人机搭mini-MCA多光谱相机进行水稻氮素营养诊断研究,采用PiexlWrench 2图像处理分析软件,获得寒地水稻冠层归一化植被指数NDVI,与氮素指标构建相关模型。结果表明,冠层NDVI可较好地估测水稻氮营养指数（NNI）,并且NNI不受生育时期的影响。综合比较决定系数R2、均方根误差RMSE、标准均方根误差nRMSE等评价指标,确定指数模型效果最佳。寒地水稻基于NDVI的间期氮素诊断模型五优稻4号:NNI=0.3916e1.0809*NDVI,均方根误差RMSE为0.12,标准均方根误差nRMSE为12.43%;松粳9号:NNI=0.3325e1.2705*NDVI,均方根误差RMSE为0.10,标准均方根误差nRMSE为10.36%,表明所构建的模型可以较好的估计水稻的氮素状况。综上所述,基于SPAD叶绿素仪和无人机遥感平台搭载多光谱相机对水稻叶片氮素状况的动态监测具有较好的可行性,可以解决破坏性取样、费时费力和局限性的问题,是田块和中小型区域尺度应用的良好选择。
李达仁[8]（2020）在《基于深度学习的甜瓜氮营养诊断与需求预测模型研究》文中进行了进一步梳理为实现植株氮素的实时精准监测,本文以温室网纹甜瓜为研究对象,通过全生育期不同氮素水平处理的基质栽培试验,定量分析了氮素对温室网纹甜瓜生长和品质的动态影响,基于机器学习和深度学习技术分别构建了温室网纹甜瓜植株的氮营养诊断模型,在氮营养诊断的基础上,构建了温室网纹甜瓜临界氮浓度、氮素吸收和氮营养指数模型,为温室网纹甜瓜的精准施氮决策提供了理论和技术基础。研究结论如下:1.氮素水平对温室网纹甜瓜生长过程和品质产生显着性影响。随着氮素水平的升高,甜瓜地上部生物量,果实鲜重、可溶性单糖（葡萄糖、果糖、蔗糖）、有机酸（苹果酸、柠檬酸、琥珀酸、延胡索酸）、可溶性蛋白、可溶性固形物和Vc,均呈现先增后减的变化趋势。甜瓜茎、叶和果实中的氮浓度与硝态氮含量,则始终随氮素水平的升高而增加。2.利用Plant CV对冠层叶片图像进行表型特征提取,通过单因素方差分析和主成分分析方法对特征参数进行筛选,得到3个主成分作为机器学习模型输入,构建的反向传播神经网络（BPNN）模型R2=0.567,MSE=0.429。基于深度学习技术,构建的卷积神经网络（CNN）模型R2=0.376,MSE=0.628;深度卷积神经网络（DCNN）模型R2=0.686,MSE=0.355;深度卷积神经网络-长短期记忆神经网络（DCNN-LSTM）混合模型R2=0.904,MSE=0.123,具有最高精度,在植株的氮营养诊断上预测结果最佳。该研究结果为温室网纹甜瓜生产中便捷、精准的智能化氮营养诊断提供依据。3.临界氮浓度稀释曲线模型(%(（8）=4.235(2-08（6）.<sup>353)揭示了植株地上部生物量和氮浓度值之间呈幂函数关系,决定系数R2=0.814,同时得到最高和最低氮浓度稀释曲线,决定系数分别为R2=0.808、R2=0.810;氮素吸收模型和氮营养指数模型对网纹甜瓜营养诊断结果基本一致,植株适宜的氮素施用量为始瓜期前4.1 g/株,之后1.3-2.7g/株。该研究结果可为温室网纹甜瓜的氮肥管理决策提供理论依据。
温鹏飞[9]（2019）在《玉米单叶和冠层氮素营养参数垂直分布反演及遥感监测研究》文中认为玉米是世界上种植范围最广的农作物之一,是重要的粮食、经济作物和工业原料,该作物具有产量增长潜力高,地域性适应能力强等特点。氮素是植物光合能力强弱,养分亏缺状况的重要参数之一,综合使用精准农业技术对植株养分亏缺进行实时诊断,有助于精准农作管理和产量评估,减少环境污染,提高资源利用效率。现代遥感技术是精准农业的核心技术,可以快速无损监测作物目标参数,为实施精准田间管理提供技术支撑。本研究以陕西关中夏玉米和渭北旱塬春玉米为研究对象,从时间变异性（生育阶段）和空间变异性（不同垂直层次）角度,探讨了不同控制条件下的玉米叶片和冠层光谱反射率特征,筛选出了不同生育时期光谱响应敏感区域;综合运用不同的高光谱提取方法、光谱统计分析等方法,构建基于不同尺度玉米氮素营养状况最佳预测模型,并采用独立数据对预测模型进行验证;最后,基于Sentinel-2卫星多光谱影像数据进行大区域玉米氮素营养状况反演,为大区域玉米氮素营养指标诊断和掌握农作物生长状态提供重要理论依据。本研究主要基于以下四部分研究内容展开,第一部分基于高光谱技术估计夏玉米和春玉米不同步生长阶段的叶片氮浓度展开;第二部分围绕冠层/叶层氮素垂直分布反演问题展开;第三部分基于高光谱数据对氮营养指数（NNI）遥感估测的可行性展开;第四部分主要从区域尺度反演玉米氮素营养状况展开。主要结论如下:（1）以陕西关中夏玉米和渭北旱塬春玉米不同控制条件田间试验为基础,旨在确定估测玉米非同步生育时期叶片氮浓度最准确的光谱分析方法。结果表明,在所有光谱指数中,出版的植被指数CIred edge、新提出2-波段植被指数（归一化植被指数（NDSI）和比值植被指数（RSI））及其波段组合的敏感波段不同生育阶段是不一致的,但不受不同步生育时期的影响。研究发现,喇叭口期（V9期）植被指数（r2=0.76-0.78）与叶片氮浓度的相关关系略强于乳熟期（R3期）（r2=0.67-0.73）,夏玉米和春玉米呈现出类似的规律。在玉米四个生育时期,一阶微分光谱数据构建两波段NDSI、RSI与叶片氮浓度相关性大于原始光谱构建两波段NDSI、RSI与叶片氮浓度的相关关系,其中,喇叭口期（V9期）的NDSI（D528,D756）,吐丝期（VT期）的NDSI（D523,D758）,灌浆前期（R1阶段）的NDSI（D527,D754）和灌浆后期（R3阶段）的RSI（D614,D1112）构建的叶片氮素浓度预测模型具有较高的预测精度。与此同时,以原始（Raw）和一阶微分（FDR）全波段光谱参数为自变量,利用偏最小二乘回归方法（PLS）构建不同生育时期R-PLS和FDR-PLS预测模型。结果表明,较R-PLS回归模型,FDR-PLS模型具有更高的预测精度（平均值r2为0.87）,更低的RMSE（平均值RMSE为0.18%）。随即,基于一阶微分光谱数据进行敏感波段筛选,敏感波段主要位于可见光波段、红边波段和近红外波段区域。较最佳两波段植被指数相比,基于有效波段构建的FDR-PLS回归模型预测精度显着提高,平均r2val值增加2.40%,平均RMSEval值降低14.8%。本研究表明基于一阶微分数据构成的双波段组合植被指数（NDSI和RSI）和FDR-PLS回归模型可以很好的预测不同步生育时期玉米叶片氮素动态变化。（2）利用高光谱技术对不同叶位层的叶片氮浓度进行估测,特别是对中、下层叶片氮素营养状况的估测,从而提高对玉米养分诊断的及时性、有效性和准确性。本研究通过人工摘取叶片的形式,根据冠层相对高度将叶片平均分为三层,分析夏玉米和春玉米,不同生育时期,不同叶位层叶片氮浓度的垂直分布变化规律。研究表明,指示不同叶位层叶片氮素含量的敏感波段组合不同;此外,无论是原始波段还是一阶微分光谱数据构建的比值植被指数（RSI）和归一化植被指数（NDSI）,敏感波段组合主要为绿光波段和红边/近红外波段组合,其中,NDSI（D528,D756）能够很好地预测上层叶片氮浓度（r2=0.80）;RSI（D545,D759）预测中层氮素含量性能最优（r2=0.78）;而RSI（550,720）和NDSI（D700,D1150）预测下层氮素含量能力较优,r2分别为0.75和0.76。比较而言,上,中层的预测氮含量模型表现优于下层氮含量监测模型。此外,基于偏最小二乘（PLS）方法中变量投影重要性指标（variable importance in projection,VIP）对敏感波段进行筛选,不同叶位层氮素敏感光谱区域主要分布在绿光、红光、红边区域以及近红外区域,其中红边区域最为敏感。基于有效波段构建的FDR-PLS模型和FDR-SVM模型预测精度显着高于全波段的PLS和SVM预测模型以及植被指数预测模型。本研究结果为遥感估计玉米不同叶位层叶片氮浓度提供理论依据,为及时诊断玉米生长状况提供技术支撑。（3）本研究对玉米整个冠层、中+下层以及下层氮素营养状况进行遥感反演。研究表明春、夏两季玉米冠层内的垂直氮素分布均符合钟形分布曲线规律,中间层氮素含量最高,并且不受生育阶段的影响。由于玉米冠层内氮素分布的垂直非均匀性特性,突出了在高光谱遥感监测中考虑冠层垂直氮素分布的重要性。结果表明,在所有出版的植被指数中,mND705、G-M和MTCI分别与整个冠层、中+下层和下层的叶片氮密度具有很高的相关关系。根据红边吸收面积特征构建了新的优化红边吸收面积（OREA）指数,公式为:OREA≈15(3R760-R550)-20(R680+2R720);OREA指数对中+下层、整个层叶片氮密度具有较高的预测性能;与此同时,在不同品种、生育时期和种植制度下,OREA表现出较高的稳健性（AD值最低）,而无需对许多变量进行广泛校准。综上所述,我们基于红边吸收面积特征,开发了新的优化红边吸收面积（OREA）指数,并灵活地利用该参数来估算不同垂直层（整个冠层,中+下层和下层）的叶片氮密度。（4）氮素营养指数（NNI）是诊断作物氮素养分亏缺状况和施肥推荐的重要参数,高光谱技术为快速、无损地监测作物NNI提供可能性。本研究以陕西关中夏玉米和渭北旱塬春玉米为研究对象,分别获取玉米不同氮素水平下的冠层光谱数据和相应氮营养指数（NNI）,比较了光谱指数,偏最小二乘（PLS）和支持向量机（SVM）方法预测NNI的准确性。结果显示:本研究构建了夏玉米和春玉米综合临界氮浓度稀释曲线模型(Nc=3.63DM-0.403),并根据预测植株氮素浓度和地上部干物质的最佳植被指数间接构建NNI监测模型;采用直接方法,基于原始光谱和一阶微分光谱数据构建的比值植被指数（RSI）和归一化植被指数（NDSI）与NNI具有显着相关关系,其中以RSI（825,550）预测性能最优（r2=0.788）,检验精度r2val为0.774,RMSEval为0.139;基于变量投影重要性指标（variable importance in projection,VIP）方法可以筛选出有效波段,其有效波段主要集中在绿光、红光和近红外区域;基于有效波长构建的FDR-PLS和FDR-SVM回归模型预测效果具有较高的一致性,其建模精度(r2cal)分别为0.852和0.870,均方根误差(RMSEcal)分别为0.124和0.126,以及验证精度(r2val)分别为0.823和0.836,均方根误差(RMSEval)分别为0.130和0.129,具有比最优比值植被指数RSI（825,550）更高的预测精度和更低的均方根误差。因此,基于有效波长建立的FDR-PLS和FDR-SVM回归模型可以快速估测玉米NNI,同时大大减少了光谱变量和提高了模型精度。（5）根据Sentinel-2卫星波段参数特征,构建8类代表性光谱指数,并与玉米吐丝期和灌浆期氮素营养指标进行相关分析,进而确定了监测玉米吐丝期和灌浆期氮素营养指标的最佳预测模型;并制作相应的遥感分级专题图,为利用遥感影像数据进行大面积作物养分诊断提供依据。结果表明:选用CIred edge（705,842）为遥感敏感变量建立玉米吐丝期叶片氮素浓度（r2=0.728）和氮素密度（r2=0.708）预测精模型度最高,验证r2值分别为0.70,0.71,RMSE值分别0.34,0.30。比较而言,CIred edge（740,842）和CIred edge（705,842）分别是预测玉米灌浆期叶片氮素浓度和叶片氮密度的最佳植被指数,验证r2val值分别为0.72,0.67,RMSE值分别0.16,0.13。最后,基于CIred edge预测模型分别制作玉米吐丝期和灌浆期叶片氮浓度遥感监测专题图,为大区域诊断作物养分状况和实施精准田间管理提供依据。
徐海霞[10]（2020）在《基于叶绿素荧光技术的油菜不同时期及叶位的氮素诊断方法研究》文中提出氮素是油菜生长需求量最大的元素,在其生长过程中进行氮素的有效监测,实行按需给肥,对油菜提质增产具有重要意义。叶绿素荧光作为光合作用最有效的探针,包含丰富的光合信息,已被广泛用于植物光合生理、生物与非生物胁迫、养分诊断等方面的研究。然而不同发生时间或不同激发原理获取的叶绿素荧光所携带的信息存在差异;同时,作物不同生长阶段氮素积累转运及外界环境的影响,也将导致光合作用对氮素胁迫响应的敏感性存在差异。鉴于此,本文以油菜为研究对象,利用连续激发式叶绿素荧光、脉冲调制式叶绿素荧光成像、多光谱荧光成像技术获取了油菜不同生长时期、不同叶位叶片的荧光信号,分析不同施氮量对叶片光合作用的影响、探究作物生长时期、叶位差异对氮素胁迫下光合作用变化规律的影响,并建立基于叶绿素荧光的最优氮素诊断方法。主要研究内容和结论详述如下:（1）研究了施氮量差异对油菜叶片光合机构的PSII光合电子传递链、实际光合效率以及吸收光能分配的影响。首次将连续激发式叶绿素荧光、脉冲调制式叶绿素荧光成像、多光谱荧光成像技术融合分析油菜氮素盈亏对光合作用的影响。研究结果表明,氮素的不足会对PSII供体侧放氧复合物（Oxygen-evolving complex,OEC）造成损伤,同时损害反应中心和受体侧,伴随着电子传递链上电子传递效率的大幅下降,叶片的实际光合效率相应减小,热耗散成为植物散发过剩光能的主要途径;而氮素的过量施氮对提高电子传递、实际光合效率的积极作用在蕾薹期的长柄叶中才有所体现。（2）探究了生长时期和叶片叶位差异对不同施氮量下油菜叶片光合性能变化规律的影响。结果显示,生长时期的差异会对荧光曲线幅值造成一定影响,主要表现为荧光曲线在苗期内会发生微弱降低,而在蕾薹期内则明显加强,如在苗期和蕾薹期下,正常施氮的短柄叶荧光曲线峰值依次为2791.72、2424.58、2173.72、3026.30。氮素缺失对光合作用产生的损伤随生长时期不断加剧,相比之下过量施氮对光合作用的影响在苗期内并不显着,至蕾薹期才有所体现。叶位差异对氮素胁迫下叶片光合性能变化规律的影响主要体现在:短柄叶和长柄叶对氮素胁迫的敏感性更高,其中长柄叶更为敏感,无柄叶对氮素胁迫的响应因作物的顶端优势而具有延迟性;但无柄叶具有较强的光合能力,其分配于光化学反应的光能较多,从而保证无柄叶的健康生长,而短柄叶和长柄叶的光合能力要弱于无柄叶,其吸收的光能更多地被用于光化学反应和荧光淬灭。（3）研究了基于连续激发式叶绿素荧光、脉冲调制式叶绿素荧光成像、多光谱荧光成像技术的油菜不同生长时期氮素亏缺诊断方法比较与评价。通过主成分分析（Principal component analysis,PCA）进行有效信息提取,再利用线性判别模型进行油菜的氮素梯度诊断,发现在油菜不同生长时期下,不同荧光技术的氮素亏缺诊断精度各有差异。基于连续激发式叶绿素荧光曲线的线性模型在苗期初期和蕾薹期具有较好的判别缺氮、正常施氮、过量施氮的能力,判别准确率分别达到86.96%和79.17%,同时,基于敏感性荧光参数的氮素诊断可在蕾薹期通过长柄叶的荧光参数值实现缺氮、正常施氮、过量施氮的有效区分;在相同样本数量下,基于慢相叶绿素荧光曲线的线性模型在苗期后期和蕾薹期具有较好的判别效果,判别准确率均达83.30%,在所测的各个生长时期中,除苗期后期有两个缺氮样本发生误判,其余所有缺氮样本均能够被准确识别,误判仍主要发生在正常施氮样本与过量施氮样本之间,因此该技术结合机器学习方法可以实现整个生长期内缺氮作物的精准判别;而基于多光谱荧光成像的参数分析法更适用于油菜的苗期氮素诊断,以无柄叶为检测目标的荧光参数RF/Ir F在苗期初期就可实现不同氮素梯度的有效区分。（4）利用基于连续激发式叶绿素荧光的油菜角果光合作用分析及其与籽粒产量和品质之间的关系。充足的氮素供应有利于提高角果的光合性能,这与已有研究结果相一致,而双低优质品种的油菜角果光合性能则相对较弱。通过基于随机森林筛选方法所获得的最优荧光参数能够对不同氮素梯度和品种的油菜角果进行有效区别,基于Fisher判别分析的氮素诊断可以将缺氮、正常施氮和过量施氮样本区分开,也可区分角果品质差异较大的ZD630、ZS758和GY605油菜品种,为农业生产中的肥料管理及优质育种工作提供了便利。同时荧光参数与籽粒产量之间的相关系数达到0.68、与籽粒芥酸含量之间的相关系数达到0.83,均显示出较强的相关关系,这说明连续激发式叶绿素荧光可实现角果期油菜籽粒的产量及品质组分含量的早期无损定量预测,为油菜籽粒的产量统计及品质分析带来极大的便利。由于脉冲调制式叶绿素荧光成像和多光谱荧光成像检测设备体积较大、对检测距离和检测时间等有严格要求,而连续激发式叶绿素荧光仪体积小、易携带、检测过程迅速,是坚实可靠的野外测量设备,因此在油菜角果光合作用的研究中仅使用了连续激发式叶绿素荧光技术。
二、油菜氮营养快速诊断技术的研究（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、油菜氮营养快速诊断技术的研究（论文提纲范文）
（1）基于高光谱成像技术的甜菜生理生态参数检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 作物生理生态指标检测现状 |
| 1.2.1 常规检测方法 |
| 1.2.1.1 作物叶片氮含量测定 |
| 1.2.1.2 作物叶绿素含量测定 |
| 1.2.1.3 地上生物量测定 |
| 1.2.2 无损检测技术 |
| 1.2.2.1 光谱分析技术 |
| 1.2.2.2 计算机机器视觉技术 |
| 1.2.2.3 高光谱成像技术 |
| 1.2.2.3.1 高光谱成像原理 |
| 1.2.2.3.2 高光谱成像传感器 |
| 1.3 高光谱成像技术在作物生理指标检测方面的应用 |
| 1.3.1 氮素营养诊断 |
| 1.3.2 生物量检测 |
| 1.3.3 叶绿素含量检测 |
| 1.4 目前存在的问题 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 1.7 本章小结 |
| 2 试验与方法 |
| 2.1 试验设计 |
| 2.2 高光谱成像数据采集 |
| 2.2.1 高光谱成像采集系统 |
| 2.2.2 高光谱成像数据采集 |
| 2.2.3 样本高光谱数据提取 |
| 2.3 甜菜生理生态指标测定 |
| 2.3.1 氮含量测定 |
| 2.3.2 地上生物量测定 |
| 2.3.3 叶绿素含量测定 |
| 2.4 化学计量学建模算法 |
| 2.4.1 偏最小二乘算法 |
| 2.4.2 BP人工神经网络算法 |
| 2.4.3 支持向量机算法 |
| 2.5 模型评价指标 |
| 2.6 本章小结 |
| 3 基于高光谱成像技术的甜菜冠层氮含量检测研究 |
| 3.1 引言 |
| 3.2 甜菜冠层氮含量及光谱响应曲线的变化规律 |
| 3.2.1 各生育期甜菜冠层氮含量及光谱响应曲线分析 |
| 3.2.2 建模集和验证集甜菜冠层氮含量统计分析 |
| 3.3 特征光谱参数的优化研究 |
| 3.3.1 传统植被指数与甜菜冠层氮含量的回归分析 |
| 3.3.2 特征光谱指数的优化及筛选 |
| 3.3.2.1 粒子群优化算法 |
| 3.3.2.2 光谱指数与甜菜冠层氮含量的相关性分析 |
| 3.3.3 特征光谱指数筛选 |
| 3.4 光谱特征模型建立与分析 |
| 3.4.1 BP-ANN预测模型建立 |
| 3.4.2 支持向量机模型建立 |
| 3.4.3 预测模型结果分析 |
| 3.5 甜菜冠层氮含量的可视化 |
| 3.6 本章小结 |
| 4 基于高光成像技术的甜菜地上生物量估测模型优化算法研究 |
| 4.1 引言 |
| 4.2 甜菜地上生物量与光谱反射率的相关性分析 |
| 4.3 甜菜地上生物量实测值统计分析 |
| 4.4 特征波长筛选 |
| 4.4.1 竞争自适应重加权算法 |
| 4.4.2 特征波长提取 |
| 4.5 SVM关键参数优化方法研究 |
| 4.5.1 差分进化算法 |
| 4.5.2 灰狼优化算法 |
| 4.5.3 差分灰狼优化算法 |
| 4.5.4 改进的差分灰狼优化算法 |
| 4.5.5 支持向量机关键参数优化 |
| 4.6 甜菜地上生物量估测模型建立 |
| 4.7 本章小结 |
| 5 基于改进型光谱指数的甜菜冠层叶绿素含量检测方法研究 |
| 5.1 引言 |
| 5.2 实测SPAD值的变化规律以及统计分析 |
| 5.3 光谱预处理方法研究 |
| 5.3.1 光谱预处理算法 |
| 5.3.1.1 平滑预处理 |
| 5.3.1.2 一阶导数处理 |
| 5.3.1.3 多元散射校正 |
| 5.3.1.4 标准正态变换 |
| 5.3.2 不同预处理下光谱反射率与甜菜冠层叶绿素含量的相关性分析 |
| 5.4 SPAD值与常用光谱指数间的相关性分析 |
| 5.4.1 常用光谱指数筛选 |
| 5.4.2 光谱指数与SPAD值间的估测精度分析 |
| 5.5 光谱指数的优化及构建 |
| 5.5.1 光谱指数优化 |
| 5.5.2 最佳光谱指数筛选 |
| 5.6 甜菜SPAD值估测模型的构建及验证 |
| 5.7 甜菜冠层叶绿素含量可视化 |
| 5.8 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于无人机多光谱影像的冬油菜氮营养诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 前言 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 氮素营养诊断指标的获取 |
| 1.2.2 氮营养亏缺决策方法 |
| 1.2.3 冬油菜产量估测的研究进展 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究区概况 |
| 1.3.3 技术路线 |
| 第二章 数据与方法 |
| 2.1 试验设计 |
| 2.2 生理生化参数获取 |
| 2.3 无人机影像获取 |
| 2.4 植被指数与纹理指数 |
| 2.4.1 植被指数 |
| 2.4.2 纹理指数 |
| 2.5 PNC估测与AGB估测 |
| 2.5.1 一般线性回归 |
| 2.5.2 偏最小二乘回归 |
| 2.5.3 随机森林回归 |
| 2.6 NNI模型构建 |
| 2.7 冬油菜产量估测 |
| 2.7.1 NIRv |
| 2.7.2 植被指数 |
| 第三章 冬油菜叶片氮浓度估测 |
| 3.1 基于一般线性回归的PNC估测结果 |
| 3.2 基于PLSR的 PNC估测结果 |
| 3.3 基于RF的PNC估测结果 |
| 第四章 冬油菜地上部生物量估测 |
| 4.1 基于一般线性回归的AGB估测结果 |
| 4.2 基于PLSR的 AGB估测结果 |
| 4.3 基于RF的AGB估测结果 |
| 第五章 冬油菜N营养诊断 |
| 5.1 N稀释曲线 |
| 5.2 NNI和相对产量的关系 |
| 第六章 冬油菜产量估测 |
| 6.1 NIRv和 VIs与产量的相关性 |
| 6.2 长江流域冬油菜非缺氮梯度产量预测 |
| 第七章 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 致谢 |
（3）冬油菜关键长势参数及产量遥感反演方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经验统计模型 |
| 1.2.2 作物生长模型 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 数据获取与处理方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 田间实测数据 |
| 2.3.1 物候信息观测 |
| 2.3.2 无人机影像获取 |
| 2.3.3 叶面积指数测量 |
| 2.3.4 地上部生物量测量 |
| 2.3.5 叶片氮浓度、氮素积累量测量 |
| 2.3.6 产量测量 |
| 2.4 APSIM-Canola模型所需数据 |
| 2.4.1 气象数据 |
| 2.4.2 土壤参数 |
| 2.4.3 作物参数 |
| 2.5 无人机影像处理 |
| 2.5.1 影像预处理 |
| 2.5.2 植被指数计算 |
| 2.6 经验反演模型 |
| 2.6.1 经验模型反演机理 |
| 2.6.2 皮尔森相关性分析 |
| 2.6.3 回归分析 |
| 2.6.4 敏感性分析 |
| 2.6.5 经验模型评价方法 |
| 2.7 APSIM模型 |
| 2.7.1 APSIM模型反演机理 |
| 2.7.2 APSIM模型参数确定方法 |
| 2.7.3 APSIM模型评价方法 |
| 第三章 经验统计模型反演冬油菜氮营养参数 |
| 3.1 冬油菜氮营养参数变化特征分析 |
| 3.2 植被指数与氮营养参数的相关性分析 |
| 3.3 模型构建与筛选 |
| 3.3.1 模型类型的确定 |
| 3.3.2 敏感性分析 |
| 3.4 模型验证与评价 |
| 3.5 本章小结 |
| 第四章 APSIM模型反演冬油菜长势参数及产量 |
| 4.1 各长势参数变化特征分析 |
| 4.1.1 LAI变化特征分析 |
| 4.1.2 生物量变化特征分析 |
| 4.1.3 产量变化特征分析 |
| 4.2 调参前对模型所作调整 |
| 4.3 调参结果值 |
| 4.4 长势参数反演及验证 |
| 4.4.1 模型对冬油菜生育期的预测及验证 |
| 4.4.2 模型对冬油菜LAI的预测及验证 |
| 4.4.3 模型对冬油菜生物量的预测及验证 |
| 4.4.4 模型对冬油菜产量的预测及验证 |
| 4.5 本章小结 |
| 第五章 模型对比与评价 |
| 5.1 经验统计模型和作物生长模型对蕾薹期生物量的预测 |
| 5.2 模型分析与评价 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 不足与展望 |
| 攻读硕士学位期间发表论文 |
| 参考文献 |
| 致谢 |
（4）基于玉米冠层光谱NDVI的生长指标监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究目的与意义 |
| 1.2 作物长势监测及氮营养诊断技术国内外研究进展 |
| 1.2.1 作物长势监测研究进展 |
| 1.2.2 传统作物氮营养诊断技术研究进展 |
| 1.2.3 基于多光谱的作物氮营养诊断技术研究进展 |
| 1.2.4 基于叶绿素仪的作物氮营养诊断研究进展 |
| 1.2.5 作物适宜指标研究进展 |
| 1.2.6 基于氮营养指数的作物氮素诊断研究进展 |
| 1.3 研究内容 |
| 1.4 拟解决的关键问题 |
| 1.5 技术路线 |
| 2 材料与方法 |
| 2.1 试验地概况 |
| 2.2 试验设计 |
| 2.3 样品采集与测定 |
| 2.3.1 叶片SPAD值测定 |
| 2.3.2 叶面积指数测定 |
| 2.3.3 地上部生物量获取与分析 |
| 2.3.4 叶片氮含量测算 |
| 2.3.5 产量测算 |
| 2.3.6 氮肥利用效率 |
| 2.3.7 计算光谱指标 |
| 2.3.8 计算累积生长度日 |
| 2.3.9 玉米氮营养指数模型 |
| 2.4 无人机多光谱图像获取及处理 |
| 2.5 模型精度评价指标 |
| 2.6 数据分析 |
| 3 结果分析 |
| 3.1 品种和施氮量对玉米生长发育的影响 |
| 3.1.1 不同施氮处理下玉米LAI变化特征 |
| 3.1.2 不同施氮处理下地上部干物质、吐丝后积累和营养器官干物质转运 |
| 3.1.3 不同施氮处理下SPAD变化特征 |
| 3.1.4 不同施氮处理对玉米产量和氮肥利用效率的影响 |
| 3.2 玉米冠层光谱对施氮量、种植密度和品种的响应特征 |
| 3.2.1 不同氮素处理下玉米冠层光谱响应特征 |
| 3.2.2 不同种植密度下玉米冠层光谱响应特征 |
| 3.2.3 氮密互作对玉米冠层NDVI的影响研究 |
| 3.3 玉米冠层NDVI与生长指标的相关性 |
| 3.3.1 玉米冠层NDVI与LAI、地上部生物量和SPAD的相关性 |
| 3.3.2 玉米冠层NDVI与产量间的相关性 |
| 3.3.3 玉米冠层光谱NDVI与叶片氮含量的相关性 |
| 3.4 基于冠层NDVI与生长指标的动态监测模型构建及验证 |
| 3.4.1 基于冠层光谱NDVI的玉米LAI动态监测模型构建及验证 |
| 3.4.2 基于冠层光谱NDVI的玉米地上部生物量动态监测模型构建及验证 |
| 3.4.3 基于冠层光谱NDVI的玉米SPAD动态监测模型构建及验证 |
| 3.5 玉米适宜光谱指标NDVI动态模型的构建 |
| 3.5.1 适宜NDVI动态模型构建 |
| 3.5.2 基于氮营养指数NNI的玉米氮素诊断 |
| 4 讨论 |
| 4.1 不同处理玉米冠层光谱变化特征 |
| 4.2 基于NDVI的玉米生长指标监测 |
| 4.3 适宜NDVI动态模型研究 |
| 4.4 基于氮营养指数的玉米氮素诊断 |
| 5 结论 |
| 5.1 施氮促进玉米生长发育 |
| 5.2 施氮显着影响了玉米冠层NDVI |
| 5.3 确立了不同生育时期NDVI与生长指标间的最优估算模型 |
| 5.4 确立了两种植密度下最适相对NDVI动态模型 |
| 5.5 初步确定了基于NDVI-NNI的玉米氮素营养诊断指标 |
| 参考文献 |
| 在读期间发表的学术论文 |
| 作者简历 |
| 致谢 |
| 附件 |
（5）基于无人机遥感的春玉米多光谱响应及氮素营养参数反演（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 基于遥感技术的氮素营养诊断研究进展 |
| 1.2.1 遥感氮素营养诊断原理 |
| 1.2.2 不同遥感平台反演作物生理参数研究现状 |
| 1.3 多光谱遥感监测技术研究现状 |
| 1.4 问题的提出 |
| 1.5 研究内容及技术路线 |
| 1.6 论文组织框架 |
| 2 数据获取与研究方法 |
| 2.1 研究区概况 |
| 2.2 试验设计 |
| 2.3 多光谱遥感数据获取 |
| 2.3.1 无人机与传感器 |
| 2.3.2 无人机多光遥感谱影像获取 |
| 2.3.3 无人机多光谱遥感影像处理 |
| 2.4 地面取样与农学参数测定 |
| 2.5 数据分析方法 |
| 2.5.1 传统经验回归 |
| 2.5.2 多元逐步线性回归 |
| 2.5.3 机器学习 |
| 2.6 模型检验方法 |
| 3 春玉米农学参数描述与光谱响应特征 |
| 3.1 春玉米农学参数的描述性统计 |
| 3.2 施氮量与种植密度对春玉米农学参数的影响 |
| 3.2.1 施氮量与种植密度对春玉米地上部生物量的影响 |
| 3.2.2 施氮量与种植密度对春玉米氮浓度的影响 |
| 3.2.3 施氮量与种植密度对春玉米吸氮量的影响 |
| 3.2.4 施氮量与种植密度对春玉米氮营养指数的影响 |
| 3.3 在不同生育期、氮水平、种植密度下春玉米的多光谱响应 |
| 3.3.1 不同生育期的春玉米多光谱响应 |
| 3.3.2 不同密度的春玉米多光谱响应 |
| 3.3.3 不同氮水平的春玉米多光谱响应 |
| 3.4 春玉米农学参数相关性分析 |
| 3.4.1 施氮量、种植密度及两者互作与春玉米农学参数相关性分析 |
| 3.4.2 各生育期多光谱冠层反射率与春玉米农学参数相关性分析 |
| 3.5 多光谱无人机遥感氮素诊断 |
| 3.6 本章小结 |
| 4 春玉米氮营养参数反演研究 |
| 4.1 基于传统经验回归模型的玉米氮营养参数反演研究 |
| 4.2 基于多元逐步线性回归的玉米氮营养参数反演研究 |
| 4.3 基于机器学习算法的玉米氮营养参数反演研究 |
| 4.4 对比分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 主要结论 |
| 5.2 存在的问题与展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（6）考虑植株氮垂直分布的夏玉米营养诊断敏感位点筛选（论文提纲范文）
| 0 引言 |
| 1 材料与方法 |
| 1.1 供试材料 |
| 1.2 试验设计与方法 |
| 1.3 测定方法 |
| 1.3.1 叶片SPAD值测试 |
| 1.3.2 叶片叶绿素、含氮量及氮素积累量测定 |
| 1.4 数据处理与分析 |
| 1.4.1 模型构建与应用 |
| 1.4.2 敏感叶位选取与确定 |
| 2 结果与分析 |
| 2.1 施氮水平对夏玉米叶片氮营养指标及SPAD垂直分布特征的影响 |
| 2.2 施氮水平对夏玉米叶片SPAD值垂直分布特征影响 |
| 2.3 夏玉米不同叶片SPAD值与氮营养指标的PLS模型分析 |
| 2.3.1 模型精度分析 |
| 2.3.2 基于PLS模型的夏玉米敏感叶位确定 |
| 2.4 施氮水平对夏玉米不同部位叶片SPAD值垂直分布特征影响 |
| 2.5 夏玉米不同部位叶片SPAD值与氮营养指标的PLS模型分析 |
| 2.5.1 模型精度分析 |
| 2.5.2 基于PLS模型的夏玉米敏感叶片部位确定 |
| 3 讨论 |
| 4 结论 |
（7）基于机载多光谱和SPAD的寒地粳稻氮素营养诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 寒地水稻生产现状 |
| 1.2 作物临界氮浓度稀释模型的研究进展 |
| 1.3 作物氮营养指数的研究进展 |
| 1.4 作物氮素无损诊断的研究进展 |
| 1.4.1 外观诊断法 |
| 1.4.2 化学诊断法 |
| 1.4.3 无损诊断技术 |
| 1.4.4 光谱遥感技术 |
| 1.5 遥感平台在农业上的应用进展 |
| 1.6 本研究的目的意义 |
| 1.6.1 目的意义 |
| 1.6.2 拟解决关键问题 |
| 1.6.3 研究内容 |
| 1.6.4 技术路线 |
| 第二章 基于叶片寒地粳稻临界氮浓度稀释模型构建与验证 |
| 2.1 材料与方法 |
| 2.1.1 试验地概况 |
| 2.1.2 试验设计 |
| 2.1.3 测定指标与方法 |
| 2.1.4 模型构建与检验方法 |
| 2.2 结果与分析 |
| 2.2.1 不同施氮水平对寒地水稻叶片干物质重的影响 |
| 2.2.2 不同施氮水平对寒地水稻叶片含氮量的影响 |
| 2.2.3 水稻叶片干物质临界氮浓度稀释曲线的建立 |
| 2.2.4 叶片临界氮浓度稀释模型的验证 |
| 2.2.5 不同施氮水平对水稻叶片氮营养指数的影响 |
| 2.2.6 施氮水平对产量构成因素和产量的影响 |
| 2.3 本章小结 |
| 第三章 基于SPAD的水稻氮营养指数估算模型构建与验证 |
| 3.1 材料与方法 |
| 3.1.1 试验地概况 |
| 3.1.2 试验设计 |
| 3.1.3 测定指标与方法 |
| 3.1.4 模型构建与检验方法 |
| 3.2 结果与分析 |
| 3.2.1 不同施氮水平水稻冠层不同叶位SPAD值关键生育时期变化规律 |
| 3.2.2 不同水稻品种冠层叶片SPAD指标与叶片含氮量的相关分析 |
| 3.2.3 不同水稻品种冠层叶片SPAD指标与氮营养指数的相关分析 |
| 3.2.4 SPAD指数氮素诊断模型的建立 |
| 3.2.5 SPAD指数氮素诊断模型的验证 |
| 3.3 本章小结 |
| 第四章 基于机载多光谱的水稻氮营养指数估算模型构建与验证 |
| 4.1 材料与方法 |
| 4.1.1 试验地概况 |
| 4.1.2 试验设计 |
| 4.1.3 测试指标与方法 |
| 4.1.4 模型的构建与检验方法 |
| 4.2 结果与分析 |
| 4.2.1 不同施氮水平关键生育时期冠层NDVI变化规律 |
| 4.2.2 不同施氮水平的寒地水稻氮素营养状况 |
| 4.2.3 不同水稻品种冠层NDVI与氮素营养状况指标相关分析 |
| 4.2.4 冠层NDVI与 NNI的氮素诊断模型建立 |
| 4.2.5 冠层NDVI与 NNI的氮素诊断模型验证 |
| 4.3 本章小结 |
| 第五章 结论与讨论 |
| 5.1 结论 |
| 5.2 讨论 |
| 5.2.1 临界氮浓度稀释曲线系数影响因素 |
| 5.2.2 基于SPAD仪的寒地水稻氮素营养诊断 |
| 5.2.3 基于无人机搭载多光谱相机的氮素营养诊断 |
| 5.2.4 基于氮营养指数的追肥调控 |
| 5.3 本研究的创新点 |
| 5.4 本研究的不足及今后研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位论文期间发表文章 |
（8）基于深度学习的甜瓜氮营养诊断与需求预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1.1 甜瓜生产现状 |
| 1.2 环境因子对温室网纹甜瓜生长和品质的影响研究进展 |
| 1.2.1 温度、光照、水肥和气体环境因子对温室网纹甜瓜生长和品质的影响 |
| 1.2.2 矿质元素对温室网纹甜瓜生长和品质的影响 |
| 1.3 植物氮营养诊断技术研究进展 |
| 1.3.1 传统氮营养诊断技术 |
| 1.3.2 无损氮营养诊断技术 |
| 1.4 人工智能技术在农业植物科学领域的应用研究进展 |
| 1.4.1 机器学习在农业植物科学领域的应用研究进展 |
| 1.4.2 深度学习在农业科学领域的应用研究进展 |
| 1.5 作物氮吸收和利用模型研究进展 |
| 1.5.1 作物模型 |
| 1.5.2 作物氮吸收和利用模型 |
| 1.6 研究目的、意义和技术路线 |
| 1.6.1 研究目的与意义 |
| 1.6.2 研究内容 |
| 1.6.3 技术路线图 |
| 第二章 氮素水平对温室网纹甜瓜生长过程和品质的影响 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 试验设计 |
| 2.2.2 测定项目与方法 |
| 2.2.3 数据分析 |
| 2.3 结果与分析 |
| 2.3.1 氮素对温室网纹甜瓜地上部生物量的影响 |
| 2.3.2 氮素对温室网纹甜瓜氮浓度的影响 |
| 2.3.3 氮素对温室网纹甜瓜硝态氮含量的影响 |
| 2.3.4 氮素对温室网纹甜瓜果实可溶性糖含量的影响 |
| 2.3.5 氮素对温室网纹甜瓜果实有机酸含量的影响 |
| 2.3.6 氮素对温室网纹甜瓜果实可溶性蛋白含量的影响 |
| 2.3.7 氮素对温室网纹甜瓜果实可溶性固形物含量的影响 |
| 2.3.8 氮素对温室网纹甜瓜果实维生素C含量的影响 |
| 2.4 讨论与结论 |
| 2.4.1 讨论 |
| 2.4.2 结论 |
| 第三章 基于深度学习的温室网纹甜瓜氮营养诊断模型构建 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 试验设计 |
| 3.2.2 数据获取 |
| 3.2.3 机器学习模型构建 |
| 3.2.4 深度学习模型构建 |
| 3.3 结果与分析 |
| 3.3.1 基于机器学习的氮营养诊断模型模拟分析 |
| 3.3.2 基于卷积神经网络的氮营养诊断模型模拟分析 |
| 3.3.3 基于深度卷积神经网络的氮营养诊断模型模拟分析 |
| 3.3.4 基于深度卷积神经网络和长短期记忆神经网络的氮营养诊断模型模拟分析 |
| 3.4 讨论与结论 |
| 3.4.1 讨论 |
| 3.4.2 结论 |
| 第四章 温室网纹甜瓜临界氮浓度、氮素吸收和氮营养指数模拟研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 试验设计 |
| 4.2.2 地上部生物量和氮浓度测定 |
| 4.2.3 数据分析 |
| 4.2.4 模型描述 |
| 4.3 结果与分析 |
| 4.3.1 临界氮浓度稀释曲线模型与氮吸收模型的建立 |
| 4.3.2 基于临界氮浓度的网纹甜瓜氮素营养状况分析 |
| 4.4 讨论与结论 |
| 4.4.1 讨论 |
| 4.4.2 结论 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 创新点与特色 |
| 5.3 展望 |
| 5.3.1 不足之处 |
| 5.3.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）玉米单叶和冠层氮素营养参数垂直分布反演及遥感监测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 高光谱遥感提取技术 |
| 1.2.1 植被光谱反射特性 |
| 1.2.2 遥感提取技术 |
| 1.3 作物氮素营养光谱遥感监测技术研究进展 |
| 1.3.1 基于不同研究尺度的氮素状况监测进展 |
| 1.3.2 基于氮素垂直分布光谱遥感监测研究进展 |
| 1.4 文献总结 |
| 第二章 研究方法与技术路线 |
| 2.1 主要研究内容 |
| 2.2 技术路线 |
| 2.3 试验设计与数据测定 |
| 2.3.1 研究区域概况 |
| 2.3.2 试验设计 |
| 2.3.3 测定指标及方法 |
| 2.4 数据分析与应用 |
| 2.4.1 高光谱数据预处理 |
| 2.4.2 归一化植被指数(NDSI)和比值植被指数(RSI)的构建 |
| 2.4.3 优化红边吸收面积(OREA)指数的构建 |
| 2.4.4 出版植被指数 |
| 2.4.5 偏最小二乘回归(PLSR) |
| 2.4.6 支持向量机 |
| 2.5 模型精度验证 |
| 第三章 基于高光谱技术对不同步生育阶段叶片氮素状况估测 |
| 3.1 材料与方法 |
| 3.1.1 试验设计 |
| 3.1.2 测试指标及方法 |
| 3.1.3 植被指数构建与敏感波段选择 |
| 3.1.4 PLS分析方法 |
| 3.1.5 数据分析与利用 |
| 3.2 结果与分析 |
| 3.2.1 不同试验条件下不同生育时期玉米叶片氮浓度的变化 |
| 3.2.2 玉米冠层高光谱反射率的动态变化 |
| 3.2.3 叶片氮浓度与原始光谱和FDR光谱之间的相关关系 |
| 3.2.4 使用出版植被指数和新开发植被指数的叶片氮浓度估算 |
| 3.2.5 评估PLS回归模型 |
| 3.2.6 两种估算叶片氮浓度方法的综合评估 |
| 3.3 讨论 |
| 3.3.1 基于出版植被指数的叶片氮浓度估算小结 |
| 3.3.2 基于新构建的2 波段植被指数的叶片氮浓度估算小结 |
| 3.3.3 基于PLSR的叶片氮浓度估算小结 |
| 3.4 本章小结 |
| 第四章 玉米叶片尺度的氮素垂直分布反演 |
| 4.1 材料与方法 |
| 4.1.1 试验设计 |
| 4.1.2 不同叶位层的叶片光谱测定 |
| 4.1.3 叶片氮素浓度测定 |
| 4.1.4 数据分析与利用 |
| 4.2 结果与分析 |
| 4.2.1 夏玉米和春玉米叶片氮浓度垂直变化规律 |
| 4.2.2 不同叶位层玉米光谱反射率随生育时期变化规律 |
| 4.2.3 原始、一阶微分光谱曲线与不同叶位层叶片氮浓度相关性分析 |
| 4.2.4 不同叶位层叶片氮浓度与归一化植被指数之间关系 |
| 4.2.5 不同叶位层叶片氮浓度与比值植被指数之间相关关系 |
| 4.2.6 已有出版植被指数与不同叶位层叶片氮浓度的相关关系 |
| 4.2.7 基于光谱指数叶片氮浓度垂直分布反演模型验证 |
| 4.2.8 基于PLSR与 SVM预测模型构建 |
| 4.3 讨论 |
| 4.3.1 不同叶位层叶片氮浓度变化规律小结 |
| 4.3.2 基于高光谱遥感的叶片氮浓度估算小结 |
| 4.4 本章小结 |
| 第五章 玉米冠层尺度的垂直氮素分布反演研究 |
| 5.1 材料与方法 |
| 5.1.1 试验设计 |
| 5.1.2 不同垂直层冠层光谱数据测定 |
| 5.1.3 叶片氮素密度测定 |
| 5.1.4 基于优化红边吸收面积(OREA)指数构建 |
| 5.1.5 数据分析与利用 |
| 5.2 结果分析 |
| 5.2.1 不同光热环境下不同垂直层氮分布变化规律 |
| 5.2.2 出版的植被指数与不同垂直层N含量的相关关系 |
| 5.2.3 优化红边吸收面积(OREA)指数与不同垂直层叶片氮密度的相关关系 |
| 5.2.4 不同试验条件下前5 个出版最优植被指数与OREA指数的比较 |
| 5.2.5 五个最佳植被指数和最新开发的OREA指数预测模型验证 |
| 5.3 讨论 |
| 5.3.1 不同垂直层氮素分布特性小结 |
| 5.3.2 基于植被指数对不同垂直层氮含量估测小结 |
| 5.3.3 不同控制条件下植被指数稳健性小结 |
| 5.4 本章小结 |
| 第六章 基于高光谱数据的玉米氮营养指数的反演 |
| 6.1 材料与方法 |
| 6.1.1 试验区概况 |
| 6.1.2 试验设计 |
| 6.1.3 测定指标及方法 |
| 6.1.4 数据分析与利用 |
| 6.2 结果与分析 |
| 6.2.1 玉米临界氮素浓度变化曲线构建 |
| 6.2.2 NNI值变化动态 |
| 6.2.3 基于间接方法遥感估测氮营养指数 |
| 6.2.4 基于直接方法遥感估测氮营养指数 |
| 6.2.5 有效波长的筛选 |
| 6.2.6 PLS和 SVM模型的建立与验证 |
| 6.2.7 模型验证效果比较 |
| 6.3 讨论 |
| 6.3.1 临界氮浓度稀释曲线模型构建小结 |
| 6.3.2 基于高光谱遥感的氮素营养指数估测小结 |
| 6.4 本章小结 |
| 第七章 基于Sentinel-2 卫星数据的玉米氮素营养状况的反演 |
| 7.1 试验数据和方法 |
| 7.1.1 研究区域概况和地面调查 |
| 7.1.2 测定指标及方法 |
| 7.1.3 Sentinel-2 卫星数据介绍 |
| 7.1.4 植被指数选取和构建 |
| 7.1.5 数据分析与利用 |
| 7.2 结果与分析 |
| 7.2.1 卫星影像光谱参数与玉米氮素状况相关性分析 |
| 7.2.2 玉米氮素状况模型验证与构建 |
| 7.2.3 基于Sentinel-2 数据玉米氮素浓度%遥感制图 |
| 7.3 讨论 |
| 7.4 本章小结 |
| 第八章 研究结论、创新点与展望 |
| 8.1 研究结论 |
| 8.2 本研究的特色和创新点 |
| 8.3 研究展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）基于叶绿素荧光技术的油菜不同时期及叶位的氮素诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 主要英文缩写表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 外观诊断法 |
| 1.2.2 化学诊断法 |
| 1.2.3 无损诊断方法 |
| 1.3 目前存在的主要问题 |
| 1.4 主要研究内容和技术路线图 |
| 1.5 本章小结 |
| 第二章 试验仪器和数据分析方法 |
| 2.1 引言 |
| 2.2 试验仪器 |
| 2.2.1 手持式植物效率分析仪 |
| 2.2.2 叶绿素荧光成像系统 |
| 2.2.3 叶绿素计 |
| 2.3 数据处理方法 |
| 2.3.1 叶绿素荧光图像参数的获取 |
| 2.3.2 JIP-测定参数的获取 |
| 2.3.3 不同氮素梯度下的参数显着性检验 |
| 2.4 本章小结 |
| 第三章 氮素胁迫对油菜叶片生长特性的影响 |
| 3.1 引言 |
| 3.2 试验材料与方法 |
| 3.2.1 试验材料 |
| 3.2.2 试验方法 |
| 3.2.3 数据采集 |
| 3.3 结果与分析 |
| 3.3.1 不同氮素梯度下的油菜形态学分析 |
| 3.3.2 不同氮梯度下的油菜SPAD值分析 |
| 3.4 本章小结 |
| 第四章 基于连续激发式叶绿素荧光的油菜叶片氮素胁迫诊断 |
| 4.1 引言 |
| 4.2 试验材料与数据采集 |
| 4.2.1 试验材料 |
| 4.2.2 快速荧光检测 |
| 4.3 数据处理方法 |
| 4.3.1 OJIP曲线标准化 |
| 4.3.2 数据预处理 |
| 4.3.3 主成分分析 |
| 4.3.4 线性分类模型 |
| 4.3.5 模型评级 |
| 4.4 试验结果与分析 |
| 4.4.1 氮素胁迫对油菜叶片OJIP曲线的影响 |
| 4.4.2 基于PCA的OJIP曲线对不同氮素梯度的诊断分析 |
| 4.4.3 基于JIP-测定参数对不同氮素梯度的诊断分析 |
| 4.4.4 基于PCA的JIP-测定参数对不同氮素梯度的诊断分析 |
| 4.4.5 基于大田试验的连续激发式叶绿素荧光油菜氮素诊断结果验证 |
| 4.5 本章小结 |
| 第五章 基于脉冲调制式叶绿素荧光成像的油菜叶片氮素胁迫诊断 |
| 5.1 引言 |
| 5.2 试验材料与数据采集 |
| 5.2.1 试验材料 |
| 5.2.2 叶绿素荧光成像检测参数优化 |
| 5.3 数据处理方法 |
| 5.4 试验结果与分析 |
| 5.4.1 不同氮素梯度下的荧光成像参数分析 |
| 5.4.2 不同氮素梯度下油菜光化学量子产量与荧光量子产量之间的关系分析 |
| 5.4.3 基于PCA的慢相叶绿素荧光诱导动力学曲线对不同氮素梯度的诊断分析 |
| 5.4.4 基于PCA的叶绿素荧光成像参数对不同氮素梯度的诊断分析 |
| 5.5 本章小结 |
| 第六章 基于多光谱荧光成像的油菜叶片氮素胁迫诊断 |
| 6.1 引言 |
| 6.2 试验材料与数据采集 |
| 6.2.1 试验材料 |
| 6.2.2 紫外光激发多光谱荧光成像检测 |
| 6.3 数据处理方法 |
| 6.4 试验结果与分析 |
| 6.4.1 不同当时梯度下的多光谱成像荧光参数分析 |
| 6.4.2 基于PCA的多光谱成像荧光参数对不同氮素梯度的诊断分析 |
| 6.4.3 基于大田试验的多光谱荧光成像参数诊断结果验证 |
| 6.5 本章小结 |
| 第七章 基于连续激发式叶绿素荧光的油菜籽粒品质检测 |
| 7.1 引言 |
| 7.2 试验材料与方法 |
| 7.2.1 试验材料 |
| 7.2.2 试验方法 |
| 7.2.3 快速荧光检测 |
| 7.2.4 油菜籽粒产量与品质检测 |
| 7.3 数据处理方法 |
| 7.3.1 随机森林算法 |
| 7.3.2 Fisher判别分析 |
| 7.4 试验结果与分析 |
| 7.4.1 油菜籽粒产量及品质分析 |
| 7.4.2 油菜角果OJIP曲线分析 |
| 7.4.3 油菜角果JIP-测定参数分析 |
| 7.4.4 油菜角果JIP-测定参数筛选 |
| 7.4.5 油菜角果产量和品质与JIP-测定参数的相关性分析 |
| 7.5 本章小结 |
| 第八章 结论与展望 |
| 8.1 主要结论 |
| 8.2 主要创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简介 |
四、油菜氮营养快速诊断技术的研究（论文参考文献）
- [1]基于高光谱成像技术的甜菜生理生态参数检测方法研究[D]. 张晶. 内蒙古农业大学, 2021
- [2]基于无人机多光谱影像的冬油菜氮营养诊断[D]. 刘一诺. 华中农业大学, 2020(02)
- [3]冬油菜关键长势参数及产量遥感反演方法研究[D]. 高开秀. 华中农业大学, 2020(02)
- [4]基于玉米冠层光谱NDVI的生长指标监测研究[D]. 樊鸿叶. 河北农业大学, 2020(01)
- [5]基于无人机遥感的春玉米多光谱响应及氮素营养参数反演[D]. 蒋贵印. 河南理工大学, 2020(01)
- [6]考虑植株氮垂直分布的夏玉米营养诊断敏感位点筛选[J]. 李岚涛,盛开,尹焕丽,郭娅,王丹丹,王宜伦. 农业工程学报, 2020(06)
- [7]基于机载多光谱和SPAD的寒地粳稻氮素营养诊断研究[D]. 宋丽娟. 沈阳农业大学, 2020(08)
- [8]基于深度学习的甜瓜氮营养诊断与需求预测模型研究[D]. 李达仁. 上海交通大学, 2020(01)
- [9]玉米单叶和冠层氮素营养参数垂直分布反演及遥感监测研究[D]. 温鹏飞. 西北农林科技大学, 2019
- [10]基于叶绿素荧光技术的油菜不同时期及叶位的氮素诊断方法研究[D]. 徐海霞. 浙江大学, 2020