一、遥感图像的获取方法研究（论文文献综述）
卢航远[1]（2021）在《基于空间-光谱信息保持的遥感图像融合方法研究》文中研究表明地理信息管理主要依托于卫星遥感技术生成的遥感数据,实现对自然资源利用情况的多维度监测。为了精确地反映自然资源利用的差异情况,地理信息的管理迫切需要高空间分辨率的多光谱（High-Spatial Resolution Multispectral,HRMS）遥感图像作为数据基础。然而,由于现有卫星传感技术的局限,遥感卫星无法直接采集HRMS图像。它们通常携带两种传感器,分别用于生成低空间分辨率的多光谱（Multispectral,MS）图像,以及高空间分辨率的全色（Panchromatic,PAN）图像。由于两种图像具有互补的特征和信息,利用遥感图像融合技术将两种图像融合,可以克服硬件的制约,以获得对特定场景描述更加全面、精确和可靠的HRMS图像。遥感图像融合是增强图像的一个重要初始步骤,融合后的HRMS图像将为地理信息的管理提供重要的数据资源保障。高质量的遥感融合图像应该保持PAN图像的空间信息,同时保留来自MS图像的光谱信息。近年来,遥感图像融合技术取得了快速发展,但仍然存在一些挑战,如细节注入不准确导致融合图像空间失真;忽略MS图像中与PAN图像差异的结构信息,导致空间与光谱失真;构建的融合模型难以平衡光谱与空间信息,以及难以平衡算法的有效性与高效性;当PAN图像与MS图像低相关时容易导致融合图像的光谱失真等问题。本文通过分析影响融合质量的关键因素,并对相应的关键技术进行研究,从而实现如下目标:（1）构建准确的融合模型,并优化模型的参数;（2）获得与MS图像高相关的细节,减少光谱失真;（3）实现空间与光谱的双保真;（4）实现算法的高效率。论文的主要创新工作如下。（1）针对多尺度分析的融合方法容易产生空间失真的问题,本文提出了一种基于自适应注入模型的融合方法。首先,通过模拟MS传感器的特性定义了一种多尺度高斯滤波器,并用该滤波器卷积PAN图像提取细节,从而得到与MS图像高度相关的细节。然后,综合考虑光谱信息与细节信息提出了一种自适应的注入系数,实现准确的细节注入。接着,提出了一种新的边缘保持权重矩阵,以更好地保持融合图像的边缘信息,实现空间与光谱的双保真。最后,将优化后的注入系数与细节相乘注入到上采样后的MS图像中,得到最终融合结果。本文对提出的方法进行了性能分析,并在多个卫星数据集上进行了大量的测试,与一些先进的遥感图像融合方法进行了对比。实验结果表明,所提出的方法在主观与客观评价上都能达到较好的结果。（2）为了保持高空间分辨的同时减少光谱失真,并提高算法效率,本文提出了一种基于模糊逻辑和显着性测量的融合模型。在该模型中,设计了一种基于全局显着性测量的模糊规则,对MS图像和PAN图像的细节信息进行融合,从而得到与MS图像高度相关的细节信息。此外,为了更好地保持融合图像的边缘,本文根据局部显着性测量对PAN图像和MS图像的边缘进行融合。将上述获得的融合细节与融合边缘共同作用于MS图像,得到最终的HRMS图像。对4个卫星数据集的遥感图像进行了一系列实验分析,验证了该方法的有效性。与一些最新的遥感图像融合方法相比,所提出的方法在主观和客观评价方面都体现出良好的性能。（3）针对传统的融合方法不能很好地平衡光谱与空间信息的问题,本文提出了一种基于条件随机场（Conditional Random Fields,CRFs）的遥感图像融合模型。该模型通过设计CRFs中的状态特征函数,使预测的HRMS图像在模糊滤波后与上采样的MS图像保持一致,以保持光谱信息。为了获得合适的模糊函数,在状态特征函数中,设计了一种新的滤波器获取方法,以构建准确的退化模型。此外,在构建的模型中通过定义CRFs的转移特征函数,使HRMS像素的变换能够跟随PAN图像的梯度变化,保证融合图像的清晰度。最后,采用交替方向乘子法求解模型的增广拉格朗日函数,以得到最终的融合结果。本文对提出的方法进行了性能分析,通过大量的仿真实验和真实实验,并与现有的融合方法相比,证明了所提出的方法具有较高的计算效率和更好的融合效果,验证了提出方法的有效性。（4）针对PAN图像与MS图像低相关时导致的光谱失真、MS图像各通道所需细节提取不准确导致的空间失真等问题,提出了一种基于联合引导细节提取的融合方法。首先,通过一个由MS图像的强度分量引导的变分模型构造一个新的PAN图像,提高PAN图像和MS图像之间的相关性,降低光谱失真。其次,为了从新的PAN图像中获得准确的细节信息,通过由降尺度的MS图像引导的回归模型获取自适应系数,以提取PAN图像的细节,进一步降低空间失真。最后,将提取的细节注入到上采样的MS图像中获得融合的图像。对所提出的方法进行了大量的仿真和真实实验,并将实验结果与现有的融合方法进行了对比。实验结果表明,该方法能高效地获得空间与光谱信息保真的HRMS图像。本文提出的遥感图像融合方法有效地提升了HRMS图像的空间与光谱质量,并且算法代价较小,可为地理信息管理中的土地利用情况、国土资源普查等监测任务提供实时准确的数据支撑。
孙全[2]（2021）在《基于无人机可见光-近红外图像的小麦关键生长指标监测研究》文中研究表明小麦是人类重要的粮食作物,种植面积十分广泛。长江中下游地区是我国秋冬播小麦产区,该地区品种小麦产量和品质对我国粮食安全起着重要作用。因此,对该地区小麦关键生长指标进行高效无损监测具有重要意义。农作物生长指标多样,单一的农学指标只能从单一角度监测作物长势,不能综合判断农作物生长情况。本研究以不同栽培措施处理的小麦小区为研究对象,通过叶片SPAD值和植株氮素积累量这两个生理指标和一个形态指标（即株高）,对小麦生长情况进行监测。利用四旋翼无人机分别搭载可见光高清相机和近红外相机,低空获取小麦拔节期、孕穗期、开花期和乳熟期农田小区尺度图像数据。经过图像预处理,获取图像光谱信息,构建植被指数。利用一元二次回归法,逐步回归分析法和偏最小二乘法建立小麦关键生长指标遥感监测模型,并在多生育期增加随机森林算法进行模型构建,为该地区小麦生长监测研究提供技术支持。初步研究结果如下:（1）本研究结合不同品种、肥料运筹、密度和播期等处理小麦小区试验,获取了无人机低空小麦冠层图像。从图像中提取可见光植被指数18个,多光谱植被指数22个。本研究发现,可以利用同一生育时期不同播种期小麦遥感监测图像,共同构建小麦生长指标遥感监测模型。（2）光谱参数与小麦叶片SPAD值在孕穗期、开花期和乳熟期相关性较好,相关性最优光谱参数分别为DVI、SAVI、IF。遥感监测模型均为偏最小二乘法模型效果最优,经验证,孕穗期R2为0.524,RMSE为1.886,RRMSE为3.489%;开花期R2为0.768,RMSE 为 0.790,RRMSE 为 1.367%;乳熟期 R2 为 0.676,RMSE 为 1.855,RRMSE 为3.289%。开花期小麦叶片SPAD值遥感监测效果最佳。（3）光谱参数与小麦株高在拔节期、孕穗期和开花期相关性较好,相关性最优光谱参数分别VARI、NIR、RVI。孕穗期和开花期遥感监测模型为偏最小二乘法模型效果最优,经验证,孕穗期R2为0.603,RMSE为3.762cm,RRMSE为4.971%;开花期R2为0.654,RMSE为3.342cm,RRMSE为3.629%;开花期株高遥感监测效果最佳。（4）光谱参数与小麦植株氮素积累量在拔节期、孕穗期、开花期相关性较好。相关性最优光谱参数分别为OSAVI、GDVI、NIRBVI。孕穗期和开花期遥感监测模型为偏最小二乘法模型效果最优,经验证,孕穗期R2为0.597,RMSE为15.937kg·ha-1,RRMSE为 11.558%;开花期 R2 为 0.712,RMSE 为 6.705kg·ha-1,RRMSE 为 3.947%。开花期小麦对植株氮素积累量遥感监测效果最佳。（5）通过无人机获取低空小麦冠层图像,构建了拔节期、孕穗期、开花期、乳熟期四个时期组成的多生育期小麦叶片SPAD值遥感监测模型,拔节期、孕穗期、开花期三个时期组成的多生育期小麦株高和植株氮素积累量遥感监测模型。光谱参数与三个关键生长指标的相关性均较好。最优遥感监测模型均为随机森林法模型,监测模型R2分别为 0.838、0.940、0.880,RMSE 分别为 1.147、4.333cm、14.572kg·ha-1,RRMSE 分别为2.021%、6.085%、11.128%。模型验证效果较好,验证集R2分别为0.783、0.924、0.879,RMSE 分别为 1.739、5.378cm、15.137kg·ha-1,RRMSE 分别为 3.214%、7.420%、11.320%。
王艳华[3]（2021）在《智慧林业中立体感知体系关键技术研究》文中研究指明森林是规模最广泛的陆地生态系统,约占土地总面积的三分之一,同时也是地球生态系统的必要组成部分,森林生态系统是否正常,与地区生态安全和社会经济的可持续发展密切相关。传统基于人工的森林资源调查方法存在花费高,野外工作强度大,消耗时间长等缺点,且时效性和准确性往往无法达到实际应用的标准。传统的单一的数据源难以获取高精度的森林参数信息,多源数据综合应用将成为未来森林资源监测的有效方法。国家林业发展“十三五”规划提出,加强生态检测评价体系建设,深化遥感、定位、通信技术全面应用,构建天空地一体化监测预警评估体系。随着智慧林业的不断普及,信息技术以及对地观测技术的不断进步,利用不同类型、不同分辨率的遥感影像、无人机以及无线通信网络对森林资源的信息进行监测可以有效的指导林业生产,通过构建森林资源综合监测体系,实时准确了解森林资源的基本情况及变化,及时采取应对措施,可以大大提高资源保护与利用效果,对于环境治理和生态建设等有关工作的开展均有重大意义。本文从空天地一体的森林资源监测角度出发,针对森林资源监测信息类型复杂多样、数据维度高、信息冗余度高、数据信息处理量大等问题,研究综合性、立体性的森林资源监测网络体系,研究适合于森林环境监测无线传感器网络的网络方案和模型,并着重解决在符合森林环境监测无线传感器网的模型的网络结构中传感器以自组织和多跳的和传输的效率,研究海量遥感影像数据处理、数据存储、数据挖掘一体化的解决方案,开展森林资源综合监测体系研究,为森林资源连续清查体系的优化改革提供理论支撑和数据参考。本文的主要工作如下:（1）针对森林环境监测的无线传感器网络的数据传输问题,提出一种改进的基于ADHOC网络的组播路由模型,该模型特别适用于大规模、低密度无线传感器网络中传感器节点相对位置的确定,节点间连通性差,远距离节点间测距误差大的网络监测环境。在研究无线传感器网络邻居节点拓扑结构的基础上,将主流形学习和非线性维数算法相结合,提出了一种局部组合定位（LCL）算法,根据每个节点与相邻节点在一定通信范围内的成对距离,首先通过为每个节点构造一个局部子空间来获取全局结构的局部几何信息,然后对这些子空间进行比对,得到所有节点的内部全局坐标。结合全局结构和锚节点信息,最后利用最小二乘算法计算出所有未知节点的绝对坐标,构建可靠、高效的路由传输协议。通过在哈尔滨实验林场区域构建监测系统,实现气象、光照、土壤和空气质量全方位森林环境信息的获取。（2）针对遥感数据的预处理及数据挖掘,基于Hadoop内部提供的二进制文件存储形式SequenceFile,将图像数据序列化成字节流存到二进制文件中,在执行MapReduce任务时,直接用Hadoop的SequenceFileInputFormat输入文件格式进行读取,实现了图像并行处理。通过自定义分区策略的方式对遥感影像特征并行提取算法进行改进,增加提取遥感影像特征的MapReduce程序中Reduce任务数量,实现了 Hadoop的遥感影像特征提取并行化。从而提高并行处理效率。针对KMeans聚类算法需要人为确定初始聚类中心和聚类数目,从而使聚类结果陷入局部最优的问题,本文结合Canopy算法对KMeans算法进行改进,首先通过Canopy算法对遥感影像的特征信息进行“粗聚类”,然后将结果作为KMeans聚类算法的初始聚类点,从而完成遥感影像的分类处理,为监测数据提供了高质量的遥感影像。（3）针对现有遥感影像变化检测模型存在的检测精度不高的问题。提出了一种基于两阶段的遥感影像变化检测模型,该模型充分利用遥感影像的多维特征,利用U-net网络对遥感影像进行语义分割,并将分类结果与不同时相的遥感数据的分类结果进行融合,从而准确的获得监测区域地物变化的特征,该方法能够有效的提取遥感影像的纹理和光谱特征,提高变化检测的精度。此外,本文通过无人机获取高空间分辨率影像数据来实现单木尺度森林资源监测,通过H-maxima变换结合标记控制分水岭算法实现单木树冠的自动勾绘,从而实现单木信息的提取。最后利用改进的变化检测模型,实现了基于卷积神经网络的对西双版纳自然保护区的变化检测,根据对自然保护区内的植被变化监测的应用需要,进行系统的需求分析与设计,模型分析,实现了西双版纳自然保护区森林监测系统,对区域内森林变化情况进行精准监控。
李树涛,李聪妤,康旭东[4]（2021）在《多源遥感图像融合发展现状与未来展望》文中研究表明近年来,随着遥感技术的发展,高光谱、红外、雷达等多源遥感成像手段在精准农业、资源调查、环境监测、军事国防等重要领域发挥着越来越重要的作用。同一场景多源遥感图像观测的地物对象相同,但观测的维度不同,图像的空间、光谱与时间分辨率存在差异,提供的信息既具有冗余性,又具有互补性和合作性。多源遥感图像融合能够综合利用不同来源获取的遥感图像信息,实现更精准、更全面的对地观测,是遥感对地观测领域的核心关键技术。本文从多源遥感图像的数据来源出发,综述了多源遥感图像融合的研究现状与未来发展趋势:首先介绍了国内外现有多源遥感图像的主要来源、图像特性与典型应用;然后,对不同类型多源遥感图像融合的研究现状和挑战性难题进行了归纳和总结;最后,对多源遥感图像融合的未来发展趋势进行了展望。
成媛媛[5]（2020）在《基于无人机高光谱图像的舰船尾迹检测方法研究及应用》文中提出高光谱图像具有空间分辨率高、图谱合一的特点,在识别和检测方面都有着及其广泛的应用。随着科技水平的不断的提高,航天遥感和航空遥感得到了快速发展,遥感技术已经逐渐成为探测海洋的主要手段。以舰船尾迹作为研究目标,通过检测遥感图像中的尾迹,根据其具体属性对舰船位置与运动参数进行估算,可以实现对舰船目标准确定位与实时跟踪,在军事防御方面起到重要作用同时,也能够有效地保护我国丰富的海洋资源。本文根据无人机遥感技术具有操作简单、采集图像分辨率高的特点,在基于无人机高光谱图像上对舰船尾迹检测技术进行研究,主要研究内容如下:（1）提出了基于高光谱降维的船舶尾迹提取方法。高光谱图像蕴含丰富的信息、连续的波段,针对这种特性首先利用降维方法对高光谱图像进行预处理。不同的降维算法得到结果图像具有不同的特征,分别突出了后续处理所关心的不同的属性,本文提出一种新的波段选择方法。根据波段选择算法处理后的图像,具有尾迹细节明显、波纹清晰的特点,采用FT显着性检测对尾迹具体结构信息进行检测;根据主成分分析后的图像具有尾迹边缘清晰的特点,提出了改进的霍夫直线检测对尾迹轮廓进行提取。本文提出的高光谱的尾迹轮廓提取方案在考虑高光谱特性的同时,结合传统图像处理方法,针对不同预处理的高光谱图像采用不同的处理方法,提取了结构特性不同的尾迹的轮廓,使得尾迹的轮廓信息更加详细、准确。（2）提出了结合光谱分析技术的舰船属性反演方法。首先在波段选择的基础上,研究舰船尾迹横波特征参数提取方方法,并根据横波波长估算舰船行驶速度;然后根据正交子空间投影（OSP）解混算法,计算气泡百分比,以此反演图像和船距的关系。在次基础上,实现了利用高光谱遥感图像对行驶舰船位置与速度的准确估算。通过论文工作的研究,将高光谱技术引入船舶尾迹检测中,实现对尾迹范围的更精准提取,以及船舶属性的有效反演。通过对采集数据的实验测试,验证了所提方法的可行性。
王琮[6]（2020）在《基于多源数据的农田尺度蒸散量估算方法研究》文中研究表明蒸散信息是农业作业与研究中十分关键的信息,准确的蒸散信息可以为合理调配和利用农业水资源提供决策支持。针对农田中空间模式蒸散量（ET,Evapotranspiration）缺少有效量化的问题,本研究搭建了基于无人机（UAV,Unmanned aerial vehicle）获取蒸散基础数据的硬件平台,通过研究现有的卫星蒸散模型原理,提出一种基于无人机估算农田蒸散量的方法,该方法基于无人机搭载的多光谱传感器和热像仪采集数据进行蒸散量估算,可以便捷的得到高分辨率的蒸散量空间分布图,验证试验结果在杨凌地区的实验农田中表现非常可靠。（1）为解决蒸散模型的基础数据获取问题,基于蒸散模型所需的数据及相关数据获取原理,搭建数据获取平台。构建M100多旋翼无人机搭载热像仪和多光谱成像仪的采集数据平台,该平台集成了多光谱传感器和热像仪,可以获取多个波段的图像数据,为估算蒸散量提供有效的数据支持。（2）基于卫星数据和GEE（Google Earth Engine）平台,研究单源模型、多源模型和机器学习模型在试验地区的表现。选取典型单源模型METRIC（Mapping Evapotranspiration at High Resolution with Internalized Calibration）模型、典型多源模型TSEB（Two-Source Energy Balance）模型和神经网络模型以Landsat8卫星数据为基础进行农田蒸散量估算,将估算结果与涡度相关系统自动观测仪器系统测量结果对比,试验结果表明三种建模方法结果和测量值都有一定相关性,多源模型的结果误差相对较小,均方根误差为2.020 mm/d,平均绝对误差为1.614 mm/d。（3）卫星模型结果的精度不能满足高时空精度的农业作业需求,这就需要更为精准的数据,最为适合的就是无人机平台提供的低空遥感数据。为了获取高空间分辨率的蒸散量分布,需要以低空遥感数据为基础数据,研究基于低空遥感数据的农田蒸散量制图方法。对不同传感器的数据进行配准和拼接处理,将多源数据融合,最终用于蒸散量估算的基础数据分辨率达到分米级。针对温度参数易产生较大误差的问题,提出基于无人机热像仪数据与实际温度间的关系对获取的热像仪数据进行校正,校正结果比原始测量值更接近真实值。（4）由于蒸散模型大多是基于卫星数据建立的,需要研究低空遥感数据对蒸散模型的适应性。将低空遥感数据匹配到卫星遥感蒸散模型中,对蒸散模型进行适用于低空遥感数据的匹配。将模型计算结果与OPEC测量结果进行对比,METRIC模型估算的均方根误差为0.0684 mm/h,平均绝对误差为0.0519 mm/h,TSEB模型的均方根误差为0.0874 mm/h,平均绝对误差为0.0720 mm/h。估算值和测量值具有很强的相关性,但是仍存在一定的误差。（5）改进并验证了适合低空遥感数据的农田蒸散量估算模型URSEB（UAV Remote Sensing Energy Balance）模型。本研究通过对不同模型的研究开发了一种适合低空遥感数据进行蒸散量估算的方法,并通过试验验证了方法的可行性。基于低空遥感数据的URSEB模型可以得到结果较为准确的通量数据,将估算值与测量值进行对比,显热通量均方根误差为20.013 W/m2,平均绝对误差为15.835 W/m2,潜热通量均方根误差为40.202 W/m2,平均绝对误差为26.017 W/m2。估算的蒸散量的均方根误差为0.0383 mm/h,平均绝对误差为0.0322 mm/h,决定系数为0.944。最终使用URSEB模型得到试验区蒸散量的空间分布图。本研究通过对比不同数据获取平台和不同蒸散估算方法,开发了一种基于低空遥感的蒸散量估算方法,在位于杨凌地区的试验田进行了大量田间试验后得出结论,该方法可以有效获取高分辨率空间模式的田间蒸散量,为农田灌溉决策等精准农业技术提供支持。
胡滨[7]（2020）在《基于多源遥感数据的西藏多龙地区热液蚀变矿物提取方法研究》文中研究表明多龙地区已发现多个与中酸性侵入岩有关的斑岩铜矿床,成矿潜力巨大。受限于自然环境恶劣和交通条件落后,该地区难以开展常规地质调查。斑岩铜矿通常具有热液蚀变区域。热液蚀变矿物在可见光近红外-短波红外区间有诊断性光谱吸收特征。因而,将遥感数据用于矿产勘探具有不可替代的优势。在本次研究中,Sentinel-2A MSI,ASTER,Hyperion和AHSI数据被联合用于热液蚀变矿物填图。采用主成分分析法和异常叠加选择法从三景时相的Sentinel-2A MSI影像中提取羟基蚀变信息与铁染蚀变信息。结果被用于评价Sentinel-2A数据在地质领域的潜力。采用随机森林、投票极限学习机和核极限学习机处理ASTER短波红外数据、ASTER短波红外-热红外数据、Hyperion短波红外数据和AHSI短波红外数据。高岭石与绢云母在ASTER影像中会混淆,但可以被Hyperion和AHSI区分开来。主要结果和结论如下:（1）采用Sentinel-2A MSI和ASTER影像来获取蚀变矿物的空间分布范围。使用主成分分析法和异常叠加选择法获取的结果可以去除由干扰引起的假异常。Sentinel-2A MSI数据提取的羟基蚀变矿物对应ASTER数据提取的铝羟基蚀变矿物。Sentinel-2A MSI数据可以被用于矿物填图。采用三种机器学习算法处理ASTER短波红外数据时,采用投票极限学习机的分类结果可以取得最高的总体精度（98.33%）,其次是核极限学习机（98.22%）和随机森林（95.18%）对应的结果。与基于ASTER短波红外数据的分类结果相比,基于ASTER短波红外-热红外数据的分类可以取得更高的总体精度（99.01%）。ASTER热红外波段能够识别镁羟基蚀变矿物,但不能识别铝羟基蚀变矿物。（2）采用Hyperion和AHSI数据对绢云母、高岭石和绿帘石三种矿物进行填图。三种机器学习算法被用于分析Hyperion短波红外数据。采用投票极限学习机算法的分类结果可以取得最高的分类精度（OA=97.31%）,其次是核极限学习机（96.48%）和随机森林（95.52%）对应的结果。Hyperion数据提取的绢云母跟高岭石对应ASTER数据提取的铝羟基蚀变矿物。三种机器学习算法还被用于分析AHSI短波红外数据。采用核极限学习机的分类结果可以取得最高的总体精度（90.60%）,其次是投票极限学习机（89.55%）和随机森林（82.26%）对应的结果。AHSI数据的结果与Hyperion数据的结果具有一致性。（3）遥感影像获取的热液蚀变范围与实地调查确定的蚀变范围相吻合。野外调查和光谱反射率测量证实了遥感图像处理结果。结果表明已经的铜矿床都可被这些方法识别。根据遥感图像处理的结果发现了三个与中酸性侵入岩有关的成矿远景区。
吴磊[8]（2019）在《基于注入模型的遥感图像整合方法研究及其应用》文中指出遥感图像的分辨率直接影响国土资源信息的全面性和准确性,随着遥感技术的发展,遥感图像在国土资源中的应用越来越广泛,国土资源管理对遥感图像的分辨率有了更高的要求。在实际应用中,由于卫星遥感器的技术受限,多数商业卫星不能提供一幅高空间分辨率多光谱（High-spatial-resolution Multispectral,HRMS）图像。它们只能提供低空间分辨率多光谱（Multispectral,MS）图像和高空间分辨率全色（Panchromatic,PAN）图像。这种由卫星直接成像的MS和PAN图像通常因空间分辨率或光谱分辨率不高无法为国土资源管理提供全面、准确的信息,不能直接用于国土资源信息管理。因此遥感图像融合应运而生。遥感图像融合是两幅或多幅来自同一场景的不同空间分辨率、光谱分辨率或时域分辨率的MS和PAN图像的信息整合过程,其目的是通过融合不同传感器成像的MS和PAN图像互补信息,产生一幅HRMS图像。遥感图像融合技术按照信息表征层次不同,由低到高可分为像素级图像融合、特征级图像融合和决策级图像融合。像素级图像融合是目前研究最广泛,也是最为常用的一类融合,它对各源图像中的像素逐个进行信息融合,能尽可能多地保留源图像中的重要信息,有利于获得对场景更全面、更精确的描述。经过近二十多年的发展,像素级遥感图像融合形成了一个以注入模型为代表的遥感图像融合方案。该方案假定低空间分辨率MS图像丢失的空间信息可以用高空间分辨率PAN图像的空间信息来补偿,提取其高频信息注入到MS图像中获取HRMS图像。注入模型通常包括三个部分:1)高频细节;2)细节接受对象;3)注入效益。现有基于注入模型的遥感图像融合算法存在两大亟需解决的关键问题:1)PAN图像细节与MS图像之间的低相关问题;2)高频细节过度注入问题。本论文针对注入模型算法存在的两大问题,围绕高频细节、细节接受对象及细节注入效益三方面开展探索性研究,提出新的遥感图像融合新方法。论文的主要研究成果如下。（1）提出了基于精炼细节注入的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。该算法针对MS与PAN图像之间存在的全局或局部不相似导致PAN图像高频细节与MS图像低相关问题,围绕注入模型中高频细节参数的改进工作开展研究。算法通过分析PAN和MS图像的特性,并基于àtrous小波变换及引导滤波技术,提出一种基于àtrous小波变换和引导滤波联合的多尺度分析技术,用于提取PAN和MS图像的高频细节,构造一种细节精炼方法。该方法首先基于稀疏表示融合MS和PAN图像的高频细节得到初始联合细节;再基于初始联合细节和PAN图像细节间的相关性及差异设计一个权重因子;最后从初始联合细节和PAN图像细节中提出精炼的联合细节,将精炼的联合细节注入到低空间分辨率MS图像中得到融合图像。实验结果表明,与一系列现有的遥感图像融合方法对比,所提出的遥感图像融合算法能有效克服注入细节与MS图像低相关引起的光谱失真缺陷,在WorldView-2、QuickBird和IKONOS三大遥感图像数据库上表现出优越的性能,而且能有效消除国土资管理中信息获取误差,融合结果能满足国土资源管理需要。（2）提出了基于补偿细节注入的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。高频细节注入在基于注入模型的遥感图像融合算法中扮演着重要角色,获取与细节接受对象高相关的细节直接影响算法的优劣。针对这一问题,论文提出从补偿学习的角度改进注入模型中高频细节参数,用鲁棒稀疏模型分解PAN和MS图像,并基于分解产生的MS和PAN图像细节计算补偿细节,通过增加补偿细节的注入来补偿PAN图像细节的不足,减少融合图像的光谱失真。该方法首先用鲁棒稀疏模型分解源PAN和MS图像,得到PAN和MS图像的低频成分和高频成分,并基于提取到的高频成分计算补偿细节;然后利用引导滤波提取PAN图像高频细节;最后将补偿细节和PAN图像的细节注入到源MS图像中得到融合图像。实验证明所提出的基于补偿细节注入的遥感图像融合算法补偿了源MS图像空间信息,同时避免了融合图像的光谱失真,与现有一系列先进的遥感图像融合算法相比,该算法在很多遥感图像数据库上表现出优越的性能,能解决现有遥感图像融合算法应用于国土资源信息管理中分类准确度不高的问题。（3）提出了基于多光谱图像改进的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。传统的MS全色锐化处理操作通过将PAN图像细节注入到源MS图像中获取HRMS图像。这种处理方式会因PAN图像细节和MS图像间的潜在不匹配及几何结构不一致产生光谱失真。为了克服上述问题,提出评估PAN与其低通子图间的空间差异获取PAN图像细节,并将这些细节注入到一个改进后的低空间分辨率多光谱（Improved Low-spatial-resolution Multispectral,ILRMS）图像中获取HRMS图像。提出的算法致力于改进注入模型中细节接受对象和注入效益两个参数。该算法执行过程中,首先,一对基于低空间分辨率PAN图像及其细节子图的低、高频字典被构建,用低频字典中的原子稀疏地表示LRMS图像,获得LRMS图像的稀疏系数;然后,联合高频字典及LRMS图像的稀疏系数重构源MS图像与PAN低通子图间的差异信息,并注入这些重构的信息到源MS图像得到ILRMS图像;最后,算法基于MS和PAN图像间相关性及差异构建了一个注入效益,将PAN图像细节自适应地注入到ILRMS图像中得到融合图像。实验表明,所提出的算法通过改进源MS图像,使ILRMS图像与PAN图像低通子图的空间分辨率相似,增加了注入细节与MS图像的相关性。同时,算法通过改进注入效益避免了细节的过度注入,大大减少了融合图像的光谱失真,与现有很多遥感图像融合算法相比,其优越的性能在WorldView-2、QuickBird和IKONOS三大遥感图像数据库上表现突出,能给国土资源管理部门提供全面、精准的信息。（4）提出了基于光谱及亮度调制的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。该算法针对注入模型中高频细节容易过度注入及其光谱信息保护不协调容易导致融合图像空间及光谱信息不均匀问题,围绕注入模型中细节接受对象和注入效益两个参数的改进开展研究,提出一种新的基于光谱调制及亮度调制的注入模型。该模型是光谱调制系数与源MS图像、亮度调制系数与PAN图像高频细节的线性联合。提出的算法首先基于PAN与MS图像高频细节差异及MS图像通道间关系构建光谱调制系数,随后将这个系数作用于源MS图像,对融合图像进行光谱调制,从而克服因MS图像像素点亮度改变导致邻域像素值变化引起的光谱失真;然后基于PAN和MS图像间相关性及差异构建亮度调制系数,将这个系数作用于PAN图像高频细节,对融合图像进行亮度调制,克服因细节的过度注入引起的空间失真;最后将光谱和亮度两种调制的作用效果叠加得到融合图像。实验证明,所提出的算法通过对融合图像进行光谱和亮度调制,在增强多光谱图像边缘纹理细节的同时,可调制融合图像的光谱信息,获得较好的融合效果,且该算法计算简单,可有效融合WorldView-2、QuickBird和IKONOS三大遥感图像数据库上的图像,同时其融合的结果所含信息全面、准确。
马士彬[9]（2019）在《复杂地形区次生林林龄与乔木层地上生物量遥感估算研究》文中认为森林生物量既可以反映生态系统的固碳能力,也可以评估森林碳收支的平衡性,是制定可持续发展战略的必要前提。遥感技术具有快速、准确地获取全球或区域尺度的森林生态参量的能力,光学遥感影像和雷达数据都广泛应用于森林乔木层地上生物量的反演。但是,合成孔径雷达（Synthetic aperture radar,SAR）数据受地形影响严重且后向散射强度存在饱和点;激光雷达（Light Detection and Ranging,Li DAR）数据不连续且量大,不适合大范围长时间序列生态问题研究的应用。因此当前大范围的森林乔木层地上生物量遥感估算与变化规律研究还应该重点考虑光学卫星影像。在地表起伏大、坡度陡、切割强烈以及土地覆被类型复杂多样的亚热带复杂地形区,使用光学遥感图像进行生态参量估算,面临的问题包括影像获取难度大、地物反射率受地形影响严重以及高植被覆盖度导致的光学信息饱和三方面的问题。针对这三方面问题,论文从系统分析不同光照条件下地形校正方法的效果入手,通过地形校正、去云填充和光谱拟合等处理,尝试在光学影像难获取地区构建Landsat时间序列数据集。根据长时间序列存档数据推算森林年龄,以林龄与森林结构的相关关系为理论基础,构建林龄+森林冠层光谱信息的生物量估算模型,从森林垂直结构和生长状态两方面解释其乔木层地上生物量,从而弥补高植被覆盖度导致的地物光谱信号饱和的问题。主要结论如下:（1）根据多光照条件下地形校正效果的多指标综合评价得出:图像拍摄时太阳高度大于46°时,Statistical-Empirical（SE）方法表现出很好的地形校正效果;低于46°时,SCS+C方法的校正效果相对较好。在地形和地理条件与本研究区类似的区域内,地形校正效果可按图像获取时对应的太阳高度分为>60°、60°-45°和<45°3个层次。太阳高度角低于45°条件下获取的图像不适宜在定量研究中使用。（2）通过一致性分析、去云填充和光谱拟合,利用Landsat-5TM和Landsat-8OLI两个传感器获取的图像,可以在亚热带复杂地形区构建1987-2018年Landsat时序数据集。利用时间序列数据集提取DRI指数为扰动信息识别指标,运用Mann-kandell趋势分析方法可以识别完全扰动后恢复、完全扰动后不恢复、部分扰动后恢复、持续恢复和未扰动5种森林扰动类型。（3）在扰动类型识别的基础上,结合1974年Landsat MSS数据和1960年代地形图,根据扰动前后植被覆盖度平均值、扰动结束时植被覆盖度和扰动结束后植被恢复速率制定森林年龄计算规则。估算的森林年龄总体精度R2=0.72,RMSE=7.8年。各森林类型都表现出中龄林和近熟林的森林年龄估算精度较高,幼龄林和成熟林估算精度较低。（4）将归一化植被指数（NDVI）、归一化湿度指数（NDMI）、差值比值指数（DRI）、穗帽变换湿度分量（TCW）、穗帽变换角（TCA）、归一化燃烧指数（NBR）、增强型植被指数（EVI）、林龄与生物量进行相关及逐步多元回归分析,选择DRI和林龄两个指标构建的多森林类型乔木层地上生物量估算模型。模型的决定系数R2=0.814,RMSE=24.34t/ha。按森林类型构建,针叶林模型的决定系数R2=0.773,RMSE=17.767t/ha,阔叶林模型的决定系数为0.765,RMSE=30.2t/ha;针阔混交林生物量估算模型的精度最高,决定系数为0.885,RMSE=26.168t/ha。（5）论文提出的光谱信息+林龄的森林乔木层地上生物量估算模型的精度高于仅使用光谱信息指标构建的模型,略小于激光雷达与多光谱数据协同构建的模型。但综合考虑数据的可获取性、处理过程及购买费用等问题,利用Landsat系列存档数据进行生物量遥感估算的方法在亚热带复杂地形区具有一定的实用性和推广性。（6）研究区森林乔木层地上生物量的水平空间分布特征呈现为以梵净山保护区为中心向四周递减;梵净山自然保护区内,生物量随地形梯度增加而增加,当海拔高于1800m或坡度大于35°时,生物量随海拔升高和坡度增大而减小。地质岩性上的分布差异体现为非碳酸盐岩基底上的生物量大于碳酸盐岩。生物量在垂直空间和岩性基底上的分布特征与土地利用和植被类型的空间分布特征相耦合。
朱红艳[10]（2019）在《基于无人机低空遥感的油菜表型信息获取方法研究》文中进行了进一步梳理田间作物表型信息是农作物品质、生长信息的直观表现,是影响作物生产管理决策的重要因素。实时、高效、准确获取大尺度农田作物的表型信息可以为现代农业信息化精准管理、水肥药高效管理和精准施用提供依据,同时也对作物育种及生长信息快速准确识别提供支持。无人机低空遥感平台凭借高时空分辨率、低成本、机动灵活、适合复杂农田环境等优势,成为获取田间作物表型信息的新兴手段。因此,本研究围绕无人机低空遥感对作物表型信息获取的关键技术,以种植广泛、经济价值高的油菜为研究对象,通过设置不同氮肥梯度的油菜田间试验,结合图像和光谱预处理方法,提出了优选植被指数和优选特征波长等多种数据挖掘算法和机器学习算法,选出对油菜表型信息最敏感的植被指数和特征波长,建立了稳健的油菜花数目、油菜氮素（SPAD）、叶面积指数和产量的遥感定量模型,增加了预测模型的准确性和鲁棒性,为精细农业高通量作物表型信息获取提供了理论基础和技术支撑,对我国作物估产和育种信息的高通量检测具有重要的指导意义。主要研究内容和成果如下:（1）基于开发的RGB和多光谱成像融合的微小型无人机遥感系统,从图像分割、植被指数提取等多角度对数据进行挖掘,实现了多源信息融合,建立了稳健的油菜花数目预测模型。（1）提出了一套对无人机低空遥感多光谱图像进行拼接处理的流程:遗传算法拟合高斯曲面校正渐晕-尺度不变特征转换算法提取特征-随机抽样一致性算法剔除误匹配点-拉普拉斯金字塔图像融合。（2）采用机器学习（反向传播神经网络BPNN、支持向量机SVM、K均值聚类K-means）和RGB阈值等多种方法实现了油菜花的图像分割,其中最优方法是基于CIELAB颜色空间的K-means算法。（3）基于多种机器学习算法分别对RGB相机、多光谱相机、双传感器建立了线性（多元线性回归MLR、偏最小二乘回归PLSR）和非线性（BPNN、最小二乘支持向量机LS-SVM、极限学习机ELM）的油菜花数预测模型。基于双传感器融合的变量参数（窄波段植被指数,颜色植被指数和油菜花覆盖区域像素数）建立的回归分析模型优于只依赖多光谱相机或RGB相机建立的模型,且均取得了很好的预测效果,Rpre均大于0.89,BPNN效果最优(预测集相关系数Rpre=0.9359,预测集均方根误差RMSEP=17.25)。（4）采用遗传算法对变量重要性进行排序以改进和简化油菜花数的估测模型,简化后BPNN模型预测效果最好(Rpre=0.9383,RMSEP=14.81)。（2）利用微小型无人机多光谱遥感系统、UHD185高光谱遥感系统和多种机器学习算法,构建了油菜氮素（SPAD）和叶面积指数（LAI）定量预测模型。结果表明:25波段多光谱遥感系统,（1）基于全波段对SPAD和LAI分别建立了线性（MLR和PLSR）和非线性（LS-SVM、BPNN、ELM和径向基函数神经网络RBFNN）预测模型,SPAD和LAI的最优预测模型分别为ELM(Rpre=0.8593,RMSEP=0.7798)和BPNN(Rpre=0.8016,RMSEP=0.4579)。（2）通过相关系数等势图确定对SPAD和LAI预测敏感的最优植被指数组合,并利用不同机器学习算法和特征植被指数建立SPAD和LAI预测模型,其中SPAD和LAI的最优预测模型分别为ELM(Rpre=0.8296,RMSEP=0.8627)和BPNN(Rpre=0.7416,RMSEP=0.5134)。UHD185高光谱遥感系统,（3）通过连续投影算法（SPA）、遗传算法（GAPLS）、无信息变量消除算法（UVE）和SPA结合、竞争性自适应加权采样（CARS）和随机蛙跳（RF）筛选特征波长减少冗余变量,提高模型的预测能力。基于特征波长的多变量建模优于基于全谱建模结果,SPAD最优的预测模型为CARS-BPNN(Rpre=0.9146,RMSEP=0.5973);LAI最优的预测模型为RF-BPNN(Rpre=0.9152,RMSEP=0.1970)。（4）用相关性分析和单因素方差分析探索适用于油菜SPAD和LAI预测的最佳植被指数,并基于组合植被指数和不同机器学习算法建立SPAD和LAI预测模型,其中SPAD最优模型为ELM(Rpre=0.8974,RMSEP=0.5596),LAI的最优预测模型为BPNN(Rpre=0.8699,RMSEP=0.2265)。综上,UHD185高光谱遥感系统建立的最优模型(SPAD:Rpre=0.9146;LAI:Rpre=0.9152)均优于25波段多光谱遥感系统(SPAD:Rpre=0.8593;LAI:Rpre=0.8016),证明无人机搭载UHD185高光谱成像仪可以获取大量窄波段且连续的油菜高光谱影像,因而能够更加全面的呈现出油菜特有的光谱特性,在农业定量遥感中具有广泛的应用潜力。（3）应用RGB和多光谱成像融合的微小型无人机遥感系统,通过多源信息融合,实现了对油菜产量的定量预测。结果表明:（1）基于多光谱全波段建立的回归分析模型（PLSR、MLR、LS-SVM、BPNN、ELM和RBFNN）效果均较好,Rcal和Rpre均大于0.78。最优预测模型为BPNN(Rpre=0.8232,RMSEP=166.9 kg/hm2);（2）用相关性分析和单因素方差分析探究适用于油菜估产的最佳植被指数组合,并结合不同机器学习算法建立油菜产量预测模型。基于多光谱相机和RGB相机融合的植被指数建立的回归分析模型(RBFNN:Rpre=0.8143,RMSEP=171.9 kg/hm2)优于只依赖多光谱相机的窄波段植被指数建立的估产模型(BPNN:Rpre=0.7655,RMSEP=188.3 kg/hm2)。（3）采用遗传算法来选择最优波长组合或最优植被指数组合。基于最优波长组合建立的油菜估产模型BPNN效果最好(Rpre=0.8114,RMSEP=172.6 kg/hm2);基于最优植被指数组合建立的ELM效果最好(Rpre=0.8118,RMSEP=170.9 kg/hm2)。因此,以上研究证明利用基于RGB和25波段多光谱成像融合的微小型无人机遥感系统对油菜产量预测的可行性,及这套系统在精细农业高通量植物表型和先进育种项目的巨大潜力。（4）基于无人机平台搭载的UHD185高光谱成像系统、Gaia Sky-mini高光谱成像系统获得油菜角果期遥感影像,利用波长选择算法,植被指数优选和机器学习算法,得到了最优的油菜估产模型。结果表明:（1）比较多种预处理方法对光谱特征的影响,小波变换为最优的光谱预处理方法;（2）用SPA、GAPLS、UVE、UVE-SPA、加权回归系数法BW、二阶导数2-Der、CARS和RF八种特征波长选择方法对全谱数据进行降维,相对于全谱,利用包含关键信息的特征波长进行预测具有更好的鲁棒性,优于全谱预测结果。其中GAPLS、CARS、RF及UVE-SPA四种特征波段选择方法较好,ELM回归分析模型预测效果较优。UHD185最优估产模型为CARS-ELM(Rpre=0.8122,RMSEP=170.4 kg/hm2);而基于Gaia Sky-mini最优估产模型为RF-ELM(Rpre=0.8227,RMSEP=166.4 kg/hm2)。（3）用相关性分析和单因素方差分析探索对油菜产量估测敏感的植被指数,建立单一植被指数和组合植被指数的估产模型,后者建立的模型更稳定,效果更好。从总体来看,Gaia Sky-mini基于组合植被指数建立的估产模型(LS-SVM:Rpre=0.8170,RMSEP=172.5 kg/hm2)优于UHD185系统(ELM:Rpre=0.7674,RMSEP=187.6 kg/hm2)。综上,UHD185和Gaia Sky-mini两种无人机高光谱遥感系统利用油菜角果期图像数据均取得了很好的预测结果(UHD185:Rpre=0.8122;Gaia Sky-mini:Rpre=0.8227),其中Gaia Sky-mini的定量估产模型稍优于UHD185。以上研究成果探明了RGB相机和多光谱相机融合的微小型无人机遥感系统及无人机高光谱遥感系统在农田地块（植株、群体）尺度对油菜表型信息获取的巨大优势。本研究提出了无人机遥感图像采集-图像拼接处理-特征植被指数或特征波长提取-机器学习算法建模预测的技术路径,为精细农业提供了一套一体化的无人机作物遥感信息获取解决方案。
二、遥感图像的获取方法研究（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、遥感图像的获取方法研究（论文提纲范文）
（1）基于空间-光谱信息保持的遥感图像融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 基于成分替代融合方法的研究进展 |
| 1.2.2 基于多尺度分析融合方法的研究进展 |
| 1.2.3 基于变分优化融合方法的研究进展 |
| 1.2.4 基于深度学习融合方法的研究进展 |
| 1.3 本文研究内容和组织结构 |
| 1.3.1 挑战与研究内容 |
| 1.3.2 本文组织结构 |
| 第2章 遥感图像融合的基础知识 |
| 2.1 遥感图像融合的数据集 |
| 2.2 遥感图像融合的主要模型 |
| 2.2.1 基于成分替代的注入模型 |
| 2.2.2 基于多尺度分析的注入模型 |
| 2.2.3 基于变分优化的模型 |
| 2.3 遥感图像融合的质量评价 |
| 2.3.1 降尺度下的客观质量评价 |
| 2.3.2 全尺度下的客观质量评价 |
| 2.4 本章小结 |
| 第3章 基于自适应注入模型的融合方法 |
| 3.1 引言 |
| 3.2 引导滤波 |
| 3.3 自适应注入模型的融合算法 |
| 3.3.1 自适应注入模型的方法框架 |
| 3.3.2 高斯滤波估计及细节提取 |
| 3.3.3 自适应注入量系数 |
| 3.3.4 边缘信息保护 |
| 3.4 实验结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 性能分析 |
| 3.4.3 降尺度实验 |
| 3.4.4 全尺度实验 |
| 3.5 本章小结 |
| 第4章 基于模糊逻辑和显着性测量的融合方法 |
| 4.1 引言 |
| 4.2 模糊逻辑 |
| 4.3 基于模糊逻辑和显着性测量的融合算法 |
| 4.3.1 算法框架 |
| 4.3.2 基于模糊逻辑和全局显着性测量的细节融合 |
| 4.3.3 基于局部显着性测量的边缘融合 |
| 4.4 实验结果分析 |
| 4.4.1 参数设置 |
| 4.4.2 性能分析 |
| 4.4.3 降尺度实验 |
| 4.4.4 全尺度实验 |
| 4.5 本章小结 |
| 第5章 基于条件随机场模型的融合方法 |
| 5.1 引言 |
| 5.2 基本的条件随机场模型 |
| 5.3 基于条件随机场的融合方法 |
| 5.3.1 RHU假设的建模 |
| 5.3.2 RHP假设的建模 |
| 5.3.3 基于CRFs的融合模型 |
| 5.3.4 模型求解 |
| 5.3.5 算法总结 |
| 5.4 实验结果分析 |
| 5.4.1 实验设置 |
| 5.4.2 参数设置 |
| 5.4.3 迭代结果 |
| 5.4.4 消融实验 |
| 5.4.5 收敛性分析 |
| 5.4.6 降尺度实验 |
| 5.4.7 全尺度实验 |
| 5.4.8 效率分析 |
| 5.5 本章小结 |
| 第6章 基于联合引导细节提取的融合方法 |
| 6.1 引言 |
| 6.2 联合引导细节提取的融合方法 |
| 6.2.1 变分模型 |
| 6.2.2 回归模型 |
| 6.2.3 注入模型 |
| 6.3 实验与讨论 |
| 6.3.1 实验设置 |
| 6.3.2 参数设置 |
| 6.3.3 降尺度实验 |
| 6.3.4 全尺度实验 |
| 6.3.5 效率分析 |
| 6.3.6 讨论 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（2）基于无人机可见光-近红外图像的小麦关键生长指标监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 研究背景 |
| 1.2 不同遥感平台作物生长监测研究进展 |
| 1.2.1 卫星遥感和地面遥感平台 |
| 1.2.2 无人机遥感平台 |
| 1.3 基于无人机图像遥感监测研究进展 |
| 1.3.1 无人机高光谱图像遥感监测 |
| 1.3.2 无人机多光谱图像遥感监测 |
| 1.3.3 无人机可见光图像遥感监测 |
| 1.3.4 遥感图像处理技术研究进展 |
| 1.4 农学参数无人机遥感监测研究进展 |
| 1.4.1 叶片SPAD值遥感监测 |
| 1.4.2 株高遥感监测 |
| 1.4.3 氮素遥感监测 |
| 1.5 研究目的和意义 |
| 1.6 技术路线 |
| 2 材料和方法 |
| 2.1 田间试验设计 |
| 2.2 关键生长指标参数测定 |
| 2.3 无人机遥感图像获取 |
| 2.3.1 图像获取仪器 |
| 2.3.2 无人机图像获取方法 |
| 2.4 遥感数据分析 |
| 2.4.1 无人机影像预处理 |
| 2.4.2 植被指数介绍 |
| 2.4.3 模型构建与验证 |
| 3 基于无人机图像小麦叶片SPAD值遥感监测模型 |
| 3.1 光谱参数与小麦叶片SPAD值相关性分析 |
| 3.2 不同生育时期小麦叶片SPAD值遥感监测模型的构建与验证 |
| 3.2.1 拔节期小麦叶片SPAD值监测模型的构建与验证 |
| 3.2.2 孕穗期小麦叶片SPAD值监测模型的构建与验证 |
| 3.2.3 开花期小麦叶片SPAD值监测模型的构建与验证 |
| 3.2.4 乳熟期小麦叶片SPAD值监测模型的构建与验证 |
| 3.3 多生育期小麦叶片SPAD值遥感监测模型的构建与验证 |
| 4 基于无人机图像小麦株高遥感监测模型 |
| 4.1 光谱参数与小麦株高相关性分析 |
| 4.2 不同生育时期小麦株高遥感监测模型构建与验证 |
| 4.2.1 拔节期小麦株高监测模型的构建与验证 |
| 4.2.2 孕穗期小麦株高监测模型的构建与验证 |
| 4.2.3 开花期小麦株高监测模型的构建与验证 |
| 4.3 多生育期小麦株高遥感监测模型的构建与验证 |
| 5 基于无人机图像小麦植株氮素积累量遥感监测模型 |
| 5.1 光谱参数与小麦植株氮素积累量相关性分析 |
| 5.2 不同生育时期小麦植株氮素积累量遥感模型构建与验证 |
| 5.2.1 拔节期小麦植株氮素积累量监测模型的构建与验证 |
| 5.2.2 孕穗期小麦植株氮素积累量监测模型的构建与验证 |
| 5.2.3 开花期小麦植株氮素积累量监测模型的构建与验证 |
| 5.3 多生育期小麦植株氮素积累量监测模型构建与验证 |
| 6 结论和讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 6.3 创新点 |
| 6.4 不足和展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文及科研成果目录 |
| 致谢 |
（3）智慧林业中立体感知体系关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.1.1 选题目的 |
| 1.1.2 选题意义 |
| 1.2 研究现状 |
| 1.2.1 基于无线传感器网络的森林资源信息监测研究 |
| 1.2.2 基于遥感影像的森林变化监测研究 |
| 1.3 研究内容以及创新点 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文主要创新点 |
| 1.4 本文的组织结构 |
| 2 相关理论及方法 |
| 2.1 无线传感器网络 |
| 2.1.1 无线传感器网络结构 |
| 2.1.2 无线传感器网络的协议栈 |
| 2.2 遥感影像处理技术 |
| 2.2.1 遥感影像的预处理 |
| 2.2.2 基于深度学习的遥感影像分类与变化检测 |
| 2.3 本章小结 |
| 3 基于无线传感器网络的森林资源监测方法及系统 |
| 3.1 基于信任的无线传感器网络数据传输模型 |
| 3.1.1 无线传感器网络与可信信息传播概述 |
| 3.1.2 基于信任的信息传播模型 |
| 3.1.3 实验结果与分析 |
| 3.2 改进的基于ADHOC网络的组播路由算法 |
| 3.2.1 组播路由协议基本过程 |
| 3.2.2 局部组合定位的路由算法 |
| 3.2.3 实验结果与分析 |
| 3.3 基于博弈理论的无线传感器网络自私节点惩罚机制 |
| 3.3.1 激励惩罚机制概述 |
| 3.3.2 基于博弈理论的惩罚机制 |
| 3.3.3 模拟实验与结果分析 |
| 3.4 基于无线传感器网络的森林环境信息监测系统 |
| 3.4.1 系统设计思路 |
| 3.4.2 系统硬件设计 |
| 3.4.3 系统模拟软件 |
| 3.5 本章小结 |
| 4 基于无人机激光雷达的单木尺度森林资源监测技术 |
| 4.1 激光雷达数据解算及误差分析 |
| 4.2 地面点滤波 |
| 4.3 冠层高度模型的生成 |
| 4.4 单木树冠提取 |
| 4.5 单木参数提取 |
| 4.6 实验结果与分析 |
| 4.6.1 无人机激光雷达系统 |
| 4.6.2 地面调查数据介绍 |
| 4.6.3 精度评价与分析 |
| 4.7 本章小结 |
| 5 基于遥感影像的森林资源监测方法 |
| 5.1 基于分布式的遥感影像特征提取方法 |
| 5.1.1 遥感影像并行预处理 |
| 5.1.2 基于Hadoop的遥感影像特征提取方法 |
| 5.1.3 基于Hadoop的遥感影像特征提取算法实现 |
| 5.1.4 实验结果与分析 |
| 5.2 基于卷积神经网络的遥感影像语义分割 |
| 5.2.1 编码器模块组成 |
| 5.2.2 SELU激活函数 |
| 5.2.3 实验结果与分析 |
| 5.3 基于特征融合的森林资源变化监测方法 |
| 5.3.1 聚焦损失函数 |
| 5.3.2 随机森林 |
| 5.3.3 特征融合 |
| 5.3.4 实验结果及分析 |
| 5.4 基于深度学习的森林变化监测系统 |
| 5.4.1 需求分析 |
| 5.4.2 系统的总体功能 |
| 5.4.3 数据库概念结构设计 |
| 5.4.4 用户管理和遥感影像管理模块 |
| 5.4.5 监测区域变化监测功能 |
| 5.4.6 变化检测结果显示模块 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（4）多源遥感图像融合发展现状与未来展望（论文提纲范文）
| 1 引言 |
| 2 多源遥感图像 |
| 3 多源遥感图像融合方法 |
| 3.1 全色、多光谱、高光谱图像融合 |
| 3.2 全色/多光谱与合成孔径雷达图像融合 |
| 3.3 多光谱/高光谱与激光雷达图像融合 |
| 3.4 其他类型的多源遥感图像融合 |
| 4 结语 |
（5）基于无人机高光谱图像的舰船尾迹检测方法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱应用技术 |
| 1.2.2 高光谱图像目标检测 |
| 1.2.3 舰船尾迹检测 |
| 1.3 论文研究内容及章节安排 |
| 2 高光谱尾迹检测的相关技术介绍 |
| 2.1 高光谱图像和尾迹特性 |
| 2.1.1 高光谱图像特点 |
| 2.1.2 尾迹特性 |
| 2.2 高光谱尾迹图像获取 |
| 2.2.1 航拍图像获取 |
| 2.3 图片校正 |
| 2.3.1 几何校正 |
| 2.3.2 大气校正 |
| 2.3.3 辐射校正 |
| 2.4 本章小结 |
| 3 基于高光谱图像的尾迹轮廓提取 |
| 3.1 结合波段选择的FT显着性高光谱尾迹内部结构检测 |
| 3.1.1 基于相关性分区和RXD思想的波段选择方法 |
| 3.1.2 FT显着性检测算法 |
| 3.1.3 实验结果与分析 |
| 3.2 结合主成分分析的改进Hough变换高光谱尾迹轮廓提取 |
| 3.2.1 PCA数据降维高光谱图像 |
| 3.2.2 改进的霍夫直线检测 |
| 3.2.3 实验结果与分析 |
| 3.3 本章小结 |
| 4 基于高光谱图像的舰船属性估算 |
| 4.1 基于横波估算船舶速度 |
| 4.1.1 尾迹中横波的研究 |
| 4.1.2 尾迹中横波波长的计算 |
| 4.1.3 舰船速度估算实验结果与分析 |
| 4.2 基于高光谱图像中气泡百分比估计船舶距离 |
| 4.2.1 OSP解混算法 |
| 4.2.2 计算气泡百分比 |
| 4.2.3 尾迹不同位置观测数据的比对分析 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（6）基于多源数据的农田尺度蒸散量估算方法研究（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 国内外研究现状 |
| 1.2.1 蒸散模型 |
| 1.2.2 农业低空遥感技术 |
| 1.2.3 农田尺度蒸散量获取 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文章节安排 |
| 第二章 试验规划与数据获取方法 |
| 2.1 研究区概况 |
| 2.2 观测站点 |
| 2.3 气候特征 |
| 2.4 卫星数据 |
| 2.5 低空遥感数据获取 |
| 2.5.1 多光谱数据 |
| 2.5.2 温度数据 |
| 2.5.3 低空遥感数据获取平台搭建 |
| 2.6 叶面积指数获取方法研究 |
| 2.6.1 冠层分析仪测量法 |
| 2.6.2 遥感数据建模法 |
| 2.7 本章小结 |
| 第三章 卫星数据在农田尺度蒸散量估算的适用性分析 |
| 3.1 单源模型 |
| 3.2 多源模型 |
| 3.3 基于机器学习的蒸散量建模 |
| 3.4 时间尺度扩展 |
| 3.5 模型对比 |
| 3.5.1 评价指标 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 基于无人机多源数据的农田尺度蒸散量估算方法研究 |
| 4.1 低空遥感数据制图方法研究 |
| 4.1.1 图像配准 |
| 4.1.2 图像拼接 |
| 4.1.3 低空遥感数据采集 |
| 4.1.4 热红外数据校准 |
| 4.1.5 时空分辨率分析 |
| 4.2 基于低空遥感数据的蒸散模型 |
| 4.2.1 低空遥感数据匹配卫星蒸散模型 |
| 4.2.2 基于多源数据的蒸散模型改进 |
| 4.3 蒸散量空间分布获取 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于多源遥感数据的西藏多龙地区热液蚀变矿物提取方法研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 波段比值法和主成分分析法国内外研究现状 |
| 1.2.2 混合像元分解算法国内外研究现状 |
| 1.2.3 机器学习算法国内外研究现状 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文的结构安排 |
| 第二章 遥感蚀变信息提取的地质理论基础与方法 |
| 2.1 遥感蚀变信息提取的地质理论基础 |
| 2.2 蚀变信息提取所用方法 |
| 2.2.1 随机森林算法 |
| 2.2.2 投票极限学习机算法 |
| 2.2.3 核极限学习机算法 |
| 2.2.4 匹配滤波算法 |
| 2.3 本章小结 |
| 第三章 研究区地质概况与数据源 |
| 3.1 区域地质背景 |
| 3.2 多龙地区地层岩性 |
| 3.3 多龙地区区域构造 |
| 3.4 多龙地区岩浆岩 |
| 3.5 多龙地区典型矿区 |
| 3.5.1 多不杂矿区 |
| 3.5.2 波龙矿区 |
| 3.5.3 拿若矿区 |
| 3.5.4 铁格隆南矿区 |
| 3.5.5 赛角矿区 |
| 3.6 遥感数据源 |
| 3.6.1 Sentinel-2A MSI数据 |
| 3.6.2 EO-1 Hyperion数据 |
| 3.6.3 ASTER数据 |
| 3.6.4 高分五号AHSI数据 |
| 3.7 本章小结 |
| 第四章 多光谱遥感数据矿化蚀变信息提取 |
| 4.1 基于Sentinel-2A MSI数据的矿化蚀变信息提取 |
| 4.1.1 Sentinel-2A MSI数据预处理 |
| 4.1.2 羟基类蚀变矿物信息提取 |
| 4.1.3 铁染类蚀变矿物信息提取 |
| 4.1.4 Sentinel-2A MSI影像提取蚀变信息分析 |
| 4.2 基于ASTER数据的矿化蚀变信息提取 |
| 4.2.1 ASTER数据预处理 |
| 4.2.2 ASTER SWIR数据处理 |
| 4.2.3 ASTER TIR数据处理 |
| 4.2.4 ASTER SWIR-TIR数据处理 |
| 4.2.5 ASTER SWIR-TIR影像提取蚀变信息分析 |
| 4.3 本章小结 |
| 第五章 高光谱遥感数据矿化蚀变信息提取 |
| 5.1 基于Hyperion数据的矿化蚀变信息提取 |
| 5.1.1 Hyperion数据预处理 |
| 5.1.2 Hyperion SWIR数据处理 |
| 5.1.3 Hyperion SWIR影像提取蚀变信息分析 |
| 5.2 基于高分五号AHSI数据的矿化蚀变信息提取 |
| 5.2.1 高分五号AHSI数据预处理 |
| 5.2.2 高分五号AHSI SWIR数据处理 |
| 5.2.3 高分五号AHSI SWIR影像提取蚀变信息分析 |
| 5.3 本章小结 |
| 第六章 成矿预测 |
| 6.1 不同遥感数据所得结果的对比分析 |
| 6.2 实地验证 |
| 6.3 基于多源遥感信息的成矿预测 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
（8）基于注入模型的遥感图像整合方法研究及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 遥感图像融合的研究背景 |
| 1.1.2 遥感图像融合的研究意义 |
| 1.2 遥感图像融合层级结构 |
| 1.3 像素级遥感图像融合算法概述 |
| 1.3.1 基于成分替代的遥感图像融合算法 |
| 1.3.2 基于多分辨率分析的遥感图像融合算法 |
| 1.3.3 基于模型的遥感图像融合算法 |
| 1.3.4 基于人工神经网络的遥感图像融合算法 |
| 1.3.5 基于混合技术的遥感图像融合算法 |
| 1.3.6 遥感图像融合存在的问题 |
| 1.4 遥感图像特性分析 |
| 1.4.1 WorldView-2 卫星图像特性 |
| 1.4.2 IKONOS卫星图像特性 |
| 1.4.3 QuickBird卫星图像特性 |
| 1.5 遥感图像融合质量评价 |
| 1.5.1 有参考图遥感图像融合质量评价 |
| 1.5.2 无参考图遥感图像融合质量评价 |
| 1.6 本论文创新点与结构安排 |
| 1.6.1 论文创新点 |
| 1.6.2 论文结构安排 |
| 第2章 注入模型 |
| 2.1 引言 |
| 2.2 注入模型融合方案 |
| 2.3 图像预处理 |
| 2.3.1 重采样 |
| 2.3.2 直方图匹配 |
| 2.4 成分替代技术 |
| 2.4.1 亮度-色度-饱和度变换 |
| 2.4.2 主成分分析 |
| 2.5 基于成分替代的注入模型 |
| 2.6 多分辨率分析技术 |
| 2.6.1 小波变换 |
| 2.6.2 滤波技术 |
| 2.6.3 稀疏表示理论 |
| 2.7 基于多分辨率分析的注入模型 |
| 2.8 本章小节 |
| 第3章 基于精炼细节注入的遥感图像融合算法及其应用 |
| 3.1 引言 |
| 3.2 细节精炼关键技术 |
| 3.2.1 à trous小波变换 |
| 3.2.2 引导滤波 |
| 3.2.3 稀疏表示 |
| 3.2.4 字典学习 |
| 3.3 基于精炼细节注入的遥感图像融合算法框架 |
| 3.4 基于精炼细节注入的遥感图像融合算法 |
| 3.4.1 基于àtrous小波变换及引导滤波的高频细节提取 |
| 3.4.2 稀疏融合获取初始联合细节 |
| 3.4.3 基于自适应权重因子精炼算法获取精炼联合细节 |
| 3.4.4 基于边缘信息保护的细节注入 |
| 3.4.5 精炼细节性能测试 |
| 3.5 实验结果及其应用分析 |
| 3.5.1 仿真图像实验结果及其应用分析 |
| 3.5.2 真实图像实验结果及其应用分析 |
| 3.5.3 算法综合性能评价 |
| 3.5.4 应用示例:算法在城区地物分类管理中的应用 |
| 3.6 本章小结 |
| 第4章 基于补偿细节注入的遥感图像融合算法及其应用 |
| 4.1 引言 |
| 4.2 补偿细节提取关键技术 |
| 4.2.1 基于补偿细节的注入模型 |
| 4.2.2 鲁棒稀疏模型 |
| 4.2.3 鲁棒稀疏模型性能 |
| 4.3 基于补偿细节注入的遥感图像融合算法框架 |
| 4.4 基于补偿细节注入的遥感图像融合算法 |
| 4.4.1 鲁棒稀疏模型重建补偿细节 |
| 4.4.2 全色图像高频细节提取 |
| 4.4.3 补偿细节与全色图像高频细节的联合注入 |
| 4.4.4 鲁棒稀疏模型中方形窗尺寸讨论 |
| 4.4.5 补偿细节性能 |
| 4.5 实验结果及其应用分析 |
| 4.5.1 仿真图像实验结果及其应用分析 |
| 4.5.2 真实图像实验结果及其应用分析 |
| 4.5.3 算法综合性能评价 |
| 4.5.4 应用示例:算法用于山川、河流管理 |
| 4.6 本章小结 |
| 第5章 基于多光谱图像改进的遥感图像融合算法及其应用 |
| 5.1 引言 |
| 5.2 多光谱图像改进关键技术 |
| 5.2.1 基于多光谱图像改进的注入模型 |
| 5.2.2 基于稀疏表示的字典学习 |
| 5.3 基于多光谱图像改进的遥感图像融合算法框架 |
| 5.4 基于多光谱图像改进的遥感图像融合算法 |
| 5.4.1 低空间分辨率多光谱图像性能改进 |
| 5.4.2 基于改进的多光谱图像的细节注入 |
| 5.4.3 改进的多光谱图像的性能 |
| 5.5 实验结果及其应用分析 |
| 5.5.1 仿真图像实验结果及其应用分析 |
| 5.5.2 真实图像实验结果及其应用分析 |
| 5.5.3 算法综合性能评价 |
| 5.5.4 应用示例:算法用于林业分类管理 |
| 5.6 本章小结 |
| 第6章 基于光谱及亮度调制的遥感图像融合算法及其应用 |
| 6.1 引言 |
| 6.2 基于光谱及亮度调制的遥感图像融合算法关键技术 |
| 6.2.1 光谱调制 |
| 6.2.2 亮度调制 |
| 6.2.3 光谱及亮度调制观测模型 |
| 6.3 光谱及亮度调制的遥感图像融合算法框架 |
| 6.4 基于光谱及亮度调制的遥感图像融合算法 |
| 6.4.1 构建光谱调制系数 |
| 6.4.2 构建亮度调制系数 |
| 6.4.3 光谱调制系数及亮度调制系数性能 |
| 6.5 实验结果及其应用分析 |
| 6.5.1 仿真图像实验结果及其应用分析 |
| 6.5.2 真实图像实验结果及其应用分析 |
| 6.5.3 算法综合性能评价 |
| 6.5.4 应用示例:算法用于城区地物分类管理 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（9）复杂地形区次生林林龄与乔木层地上生物量遥感估算研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文选题背景与意义 |
| 1.1.1 研究的目的与意义 |
| 1.1.2 选题依据 |
| 1.2 国内外研究现状 |
| 1.2.1 森林地上生物量遥感估算研究的现状 |
| 1.2.2 林龄信息的遥感提取 |
| 1.2.3 生物量遥感估算的地形影响与消除方法 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章研究区概况和实测数据获取与处理 |
| 2.1 研究区概况 |
| 2.1.1 自然环境 |
| 2.1.2 研究区的土地利用特征 |
| 2.1.3 森林资源 |
| 2.2 野外实测数据与实验方法 |
| 2.2.1 野外样地设置及调查方法 |
| 2.2.2 生物量计算方法 |
| 第三章 多光照条件下的地形影响去除效果评价 |
| 3.1 数据与研究方法 |
| 3.1.1 数据与预处理 |
| 3.1.2 地形校正方法 |
| 3.1.3 地形校正效果评价指标 |
| 3.2 结果与分析 |
| 3.2.1 相关分析 |
| 3.2.2 地表反射率的稳定性 |
| 3.2.3 类内地表反射率的稳定性 |
| 3.2.4 常绿阔叶林地表反射率的坡向差异分析 |
| 3.2.5 异常值比例 |
| 3.2.6 地形校正效果的多指标综合评价 |
| 3.2.7 地形校正效果差异的原因分析 |
| 本章小结 |
| 第四章 Landsat时间序列数据集构建 |
| 4.1 Landsat数据筛选与质量分析 |
| 4.1.1 Landsat-5TM和Landsat-8OLI数据一致性分析 |
| 4.1.2 图像筛选原则 |
| 4.1.3 筛选结果 |
| 4.1.4 研究区内Landsat数据质量分析 |
| 4.2 辐射定标与大气校正 |
| 4.2.1 辐射定标 |
| 4.2.2 Flaash大气校正 |
| 4.3 去云处理 |
| 4.3.1 去云填充方法 |
| 4.3.2 去云填充效果评价 |
| 4.4 光谱拟合 |
| 4.4.1 拟合方法 |
| 4.4.2 拟合效果评价 |
| 本章小结 |
| 第五章 扰动信息识别与森林年龄估算方法研究 |
| 5.1 森林年龄估算的基本思路 |
| 5.2 扰动信息识别指标与方法 |
| 5.2.1 扰动信息识别指标 |
| 5.2.2 Mann-kendall趋势检测法 |
| 5.3 扰动信息提取 |
| 5.3.1 算法 |
| 5.3.2 扰动类型判别 |
| 5.3.3 轨迹分割结果示例 |
| 5.4 森林年龄估算 |
| 5.4.1 未扰动森林年龄的估算 |
| 5.4.2 扰动后恢复森林年龄的估算 |
| 5.4.3 持续恢复森林年龄的估算 |
| 5.4.4 森林年龄估算精度分析 |
| 5.5 研究区森林年龄空间分布特征分析 |
| 5.5.1 水平分布特征 |
| 5.5.2 垂直分布特征 |
| 本章小结 |
| 第六章 基于林分年龄的森林地上生物量遥感估算 |
| 6.1 林龄与生物量的关系 |
| 6.2 生物量估算参量 |
| 6.3 逐步多元线性回归 |
| 6.3.1 多元线性回归的原理 |
| 6.3.2 逐步回归 |
| 6.4 精度验证与对比分析 |
| 6.4.1 精度验证 |
| 6.4.2 对比分析 |
| 6.5 研究区生物量空间分布特征 |
| 6.5.1 生物量的水平空间分布特征 |
| 6.5.2 生物量的垂直空间分布特征 |
| 6.5.3 不同岩性基底上生物量的分布特征 |
| 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要结论 |
| 7.2 问题与展望 |
| 7.2.1 存在的问题 |
| 7.2.2 展望 |
| 参考文献 |
| 附图1 研究区扰动类型图 |
| 附图2 研究区林龄空间分布图 |
| 附图3 研究区森林乔木层地上生物量空间分布图 |
| 攻读博士学位期间承担的项目和取得的成果 |
| 致谢 |
（10）基于无人机低空遥感的油菜表型信息获取方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 无人机遥感系统概述 |
| 1.2.1 无人机平台 |
| 1.2.2 机载传感器 |
| 1.3 无人机遥感作物表型信息获取研究现状 |
| 1.3.1 无人机搭载RGB相机在作物表型信息获取中的应用 |
| 1.3.2 无人机搭载多光谱或高光谱相机在作物表型信息获取中的应用 |
| 1.4 无人机遥感作物表型信息获取存在的问题 |
| 1.5 研究内容和技术路线 |
| 1.6 本章小结 |
| 第二章 材料与方法 |
| 2.1 试验材料 |
| 2.1.1 试验品种 |
| 2.1.2 田间试验设计 |
| 2.2 实验仪器 |
| 2.2.1 基于RGB和多光谱成像融合的微小型无人机遥感系统 |
| 2.2.2 Cubert UHD185无人机高光谱遥感系统 |
| 2.2.3 Gaia Sky-mini无人机高光谱遥感系统 |
| 2.2.4 SPAD-502型叶绿素仪 |
| 2.2.5 LAI-2200C植物冠层分析仪 |
| 2.3 遥感图像的获取和处理 |
| 2.3.1 无人机飞行参数设置 |
| 2.3.2 低空多光谱遥感图像拼接 |
| 2.4 光谱预处理方法 |
| 2.4.1 平滑算法 |
| 2.4.2 变量标准化 |
| 2.4.3 多元散射校正 |
| 2.4.4 去趋势算法 |
| 2.4.5 导数处理 |
| 2.4.6 小波变换 |
| 2.5 特征变量选择算法 |
| 2.5.1 连续投影算法 |
| 2.5.2 加权回归系数 |
| 2.5.3 遗传算法 |
| 2.5.4 无信息变量消除算法 |
| 2.5.5 导数光谱 |
| 2.5.6 竞争性自适应加权采样法 |
| 2.5.7 随机蛙跳 |
| 2.6 机器学习算法 |
| 2.6.1 多元线性回归 |
| 2.6.2 偏最小二乘 |
| 2.6.3 径向基函数神经网络 |
| 2.6.4 极限学习机 |
| 2.6.5 最小二乘支持向量机 |
| 2.6.6 反向传播神经网络 |
| 2.6.7 支持向量机 |
| 2.6.8 K均值聚类 |
| 2.7 模型评价指标 |
| 2.8 数据处理软件 |
| 2.9 本章小结 |
| 第三章 基于RGB和多光谱成像融合的无人机遥感系统对油菜花数目估算 |
| 3.1 引言 |
| 3.2 遥感图像采集与处理 |
| 3.2.1 试验设计 |
| 3.2.2 RGB相机和多光谱相机融合的无人机低空遥感系统 |
| 3.2.3 数据采集 |
| 3.2.4 无人机低空遥感RGB图像拼接 |
| 3.2.5 无人机低空遥感多光谱图像拼接 |
| 3.2.6 辐射定标 |
| 3.2.7 基于CIELAB颜色空间的K-means算法分割RGB图像 |
| 3.2.8 植被指数的选取 |
| 3.3 结果和分析 |
| 3.3.1 基于RGB图像分割计算油菜花覆盖度 |
| 3.3.2 基于K-means算法三个时期油菜花分割结果 |
| 3.3.3 多光谱窄波段植被指数的选取 |
| 3.3.4 RGB植被指数相关性分析和方差分析 |
| 3.3.5 基于RGB和多光谱融合的油菜花数目预测 |
| 3.3.6 基于遗传算法的变量选择和模型简化 |
| 3.4 本章小结 |
| 第四章 基于无人机多光谱和高光谱遥感系统的油菜氮素诊断和叶面积指数预测 |
| 4.1 引言 |
| 4.2 遥感图像采集与处理 |
| 4.2.1 油菜田间试验设计 |
| 4.2.2 无人机低空遥感作业 |
| 4.2.3 无人机低空遥感多光谱图像处理 |
| 4.2.4 无人机低空遥感高光谱图像处理 |
| 4.2.5 辐射定标 |
| 4.2.6 地面数据的采集 |
| 4.2.7 多光谱窄波段植被指数 |
| 4.2.8 高光谱成像系统植被指数选取 |
| 4.3 油菜理化值统计分析及光谱特征 |
| 4.3.1 大田油菜的SPAD和LAI统计分析 |
| 4.3.2 不同氮梯度下油菜花期的光谱特征 |
| 4.4 基于无人机多光谱成像的油菜SPAD和LAI预测模型研究 |
| 4.4.1 基于全波段光谱的油菜SPAD和LAI预测 |
| 4.4.2 多光谱窄波段植被指数的选取 |
| 4.4.3 基于窄波段植被指数对油菜SPAD和LAI预测 |
| 4.5 基于UHD185无人机高光谱系统的油菜SPAD和LAI预测模型研究 |
| 4.5.1 特征波长的选择和比较 |
| 4.5.2 基于特征波长的回归分析模型 |
| 4.5.3 窄波段植被指数最优化 |
| 4.5.4 植被指数与油菜SPAD及LAI的相关性分析和方差分析 |
| 4.5.5 基于植被指数对油菜SPAD和LAI预测 |
| 4.6 本章小结 |
| 第五章 基于RGB和多光谱成像融合的无人机遥感系统对油菜田间产量预测 |
| 5.1 引言 |
| 5.2 遥感图像采集与处理 |
| 5.2.1 试验设计 |
| 5.2.2 无人机飞行作业 |
| 5.2.3 大田油菜产量测定 |
| 5.2.4 无人机低空遥感图像拼接 |
| 5.2.5 辐射定标 |
| 5.2.6 植被指数的选取 |
| 5.3 结果和分析 |
| 5.3.1 大田油菜实测产量统计分析 |
| 5.3.2 不同氮梯度下油菜角果期的光谱特征 |
| 5.3.3 基于全波段光谱的油菜产量预测 |
| 5.3.4 窄波段植被指数的选取 |
| 5.3.5 RGB植被指数相关性分析和方差分析 |
| 5.3.6 基于植被指数的油菜产量预测 |
| 5.3.7 基于遗传算法的变量选择和模型简化 |
| 5.4 本章小结 |
| 第六章 基于无人机高光谱遥感系统的油菜田间产量预测 |
| 6.1 引言 |
| 6.2 试验设计及地面数据采集 |
| 6.2.1 试验设计 |
| 6.2.2 大田油菜产量测定 |
| 6.3 无人机低空高光谱遥感图像获取 |
| 6.3.1 无人机高光谱遥感系统 |
| 6.3.2 试验参数选择 |
| 6.4 无人机低空高光谱遥感图像处理 |
| 6.4.1 图像拼接 |
| 6.4.2 辐射定标 |
| 6.4.3 植被指数选取 |
| 6.5 结果和分析 |
| 6.5.1 大田油菜实测产量统计分析 |
| 6.5.2 不同预处理方法对油菜产量预测的影响 |
| 6.5.3 光谱特征分析 |
| 6.5.4 特征波长选择和比较 |
| 6.5.5 基于特征波长对油菜产量预测 |
| 6.5.6 窄波段植被指数最优化 |
| 6.5.7 植被指数与油菜产量的相关性分析和方差分析 |
| 6.5.8 基于植被指数对油菜产量预测 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
四、遥感图像的获取方法研究（论文参考文献）
- [1]基于空间-光谱信息保持的遥感图像融合方法研究[D]. 卢航远. 江西财经大学, 2021(09)
- [2]基于无人机可见光-近红外图像的小麦关键生长指标监测研究[D]. 孙全. 扬州大学, 2021(08)
- [3]智慧林业中立体感知体系关键技术研究[D]. 王艳华. 东北林业大学, 2021
- [4]多源遥感图像融合发展现状与未来展望[J]. 李树涛,李聪妤,康旭东. 遥感学报, 2021(01)
- [5]基于无人机高光谱图像的舰船尾迹检测方法研究及应用[D]. 成媛媛. 大连海事大学, 2020(01)
- [6]基于多源数据的农田尺度蒸散量估算方法研究[D]. 王琮. 西北农林科技大学, 2020(02)
- [7]基于多源遥感数据的西藏多龙地区热液蚀变矿物提取方法研究[D]. 胡滨. 中国地质大学, 2020(03)
- [8]基于注入模型的遥感图像整合方法研究及其应用[D]. 吴磊. 江西财经大学, 2019(07)
- [9]复杂地形区次生林林龄与乔木层地上生物量遥感估算研究[D]. 马士彬. 贵州师范大学, 2019
- [10]基于无人机低空遥感的油菜表型信息获取方法研究[D]. 朱红艳. 浙江大学, 2019