摘要 | 第3-5页 |
ABSTRACT | 第5-6页 |
1 绪论 | 第9-18页 |
1.1 研究背景及意义 | 第9-11页 |
1.2 国内外研究进展 | 第11-15页 |
1.2.1 无人机遥感技术的研究进展 | 第11-12页 |
1.2.2 ‘图-谱’信息在植被理化参数反演中的研究进展 | 第12-13页 |
1.2.3 氮营养指数(NNI)的研究进展 | 第13-15页 |
1.3 研究内容及技术路线 | 第15-16页 |
1.4 论文组织结构 | 第16-18页 |
2 研究区概况和数据获取 | 第18-22页 |
2.1 研究区概况及试验设计 | 第18-19页 |
2.2 数据获取及处理 | 第19-21页 |
2.2.1 冬小麦生理生化指标 | 第19-20页 |
2.2.2 冬小麦高光谱影像 | 第20-21页 |
2.3 本章小结 | 第21-22页 |
3 冬小麦生物量和植株氮累积的空间变异分析 | 第22-27页 |
3.1 不同施氮水平间的冬小麦生物量空间变异分析 | 第22-24页 |
3.2 不同施氮水平间的冬小麦植株氮累积的空间变异分析 | 第24-25页 |
3.3 本章小结 | 第25-27页 |
4 基于无人机‘图-谱’信息的冬小麦生物量估算 | 第27-42页 |
4.1 逐步回归分析 | 第27-28页 |
4.2 基于光谱指数的生物量估算 | 第28-30页 |
4.2.1 植被指数的筛选 | 第28页 |
4.2.2 植被指数与生物量的相关性分析 | 第28-29页 |
4.2.3 基于单一植被指数的生物量估算模型 | 第29页 |
4.2.4 基于多个植被指数的生物量估算模型 | 第29-30页 |
4.3 基于纹理特征的生物量估算 | 第30-34页 |
4.3.1 纹理特征波段筛选 | 第30-31页 |
4.3.2 纹理特征的窗口分析 | 第31-33页 |
4.3.3 基于多个纹理特征的生物量估算模型 | 第33-34页 |
4.4 基于优化光谱指标的生物量估算 | 第34-41页 |
4.4.1 饱和性分析及优化光谱指标的建立 | 第34页 |
4.4.2 优化光谱指标的饱和性分析 | 第34-38页 |
4.4.3 优化光谱指标与生物量的相关性分析 | 第38-39页 |
4.4.4 基于单一优化光谱指标的生物量估算模型 | 第39-40页 |
4.4.5 基于优化光谱指标的生物量估算模型 | 第40-41页 |
4.5 本章小结 | 第41-42页 |
5 基于无人机‘图-谱’信息的冬小麦氮素亏缺诊断 | 第42-53页 |
5.1 冬小麦植株氮浓度的估算 | 第42-44页 |
5.1.1 植被指数的筛选 | 第42-43页 |
5.1.2 植被指数与植株氮浓度的相关性分析 | 第43页 |
5.1.3 基于光谱特征的植株氮浓度估算模型 | 第43-44页 |
5.2 基于‘图-谱’信息的氮素诊断 | 第44-50页 |
5.2.1 冬小麦的临界氮浓度稀释模型 | 第44-45页 |
5.2.2 植株氮营养指数模型 | 第45-46页 |
5.2.3 施氮量对冬小麦植株氮浓度的影响 | 第46-47页 |
5.2.4 冬小麦植株氮营养指数模型 | 第47-49页 |
5.2.5 冬小麦地上部氮素亏缺模型 | 第49-50页 |
5.3 冬小麦氮营养状况的分布情况 | 第50-52页 |
5.3.1 冬小麦氮营养指数的分布情况 | 第50-51页 |
5.3.2 冬小麦氮亏缺的分布情况 | 第51-52页 |
5.4 本章小节 | 第52-53页 |
6 结论与展望 | 第53-56页 |
6.1 主要结论 | 第53-54页 |
6.2 创新点 | 第54页 |
6.3 不足与展望 | 第54-56页 |
致谢 | 第56-57页 |
参考文献 | 第57-63页 |
附录 | 第63页 |