基于分区和多时相遥感数据的山区植被分类研究

山区地形的特殊性导致了山区植被分类的复杂性。位于不同光照区域的同种植被,其光谱亮度值具有较大差异,分区使分类规则及阈值的设计更具针对性。多时相遥感数据能够充分利用不同植被类型间光谱特征时间效应。基于此提出了利用分区和多时相遥感数据进行山区植被的分类研究。研究表明,该方法在山区植被分类中具有明显的技术优势,分类总体精度和kappa系数分别为81.3%和0.72。     

玉米根系几何造型研究

通过对玉米根系形态建成过程根系的结构、生长及分布特点和规律观测研究,构建了描述玉米根系形态变化的数学模型。结合粒子系统和计算机图形学技术,在计算机上实现了玉米根系生长的三维显示。其结果和实际的玉米根系的生长发育过程基本一致,为农学研究者提供了一个可视化的根系模型。本模型结构简单、可交互、真实感强,可以较好地虚拟玉米根系的生长过程。     

铑的康普顿散射线乘积法测定精矿中氧化镁

基体效应包含的内容有 :基体对待测元素的吸收增强效应、粒度效应、表面效应、化学态效应[1 ] 等。分析工作者总希望自己提交的分析结果既快又准确 ,因而 ,有关克服基体效应的实验技术—内标法及其它校正方法深受分析工作者的欢迎。其中铑的Ｋα康普顿散射线内标法 ,具有简便、快速之特点 ,已成功运用于轻基体、中等基体中重元素的测定[2 ] 。本文用铑的康普顿散射线进行基体校正 ,测定中等基体样品中的轻元素氧化镁时 ,收到了良好的效果。1　基本原理对一个无限厚样品中某元素ｉ,它的质量分数(Ｃｉ)可表示为 :Ｃｉ =ｋ·ｎｉ·ｍｉＶ·ｄ (…     

基于图像处理的农药残留速测卡快速检测

目的通过图像处理的方法来快速检测农药残留。方法利用图像提取、中值滤波和分量定值等图像处理技术,建立了基于速测卡检测结果图像处理的半定量检测。结果农残样品与胆碱酯酶在37℃下经过4min预反应,与检测结果的红色分量均值与农药浓度呈显著的正相关关系,对西维因和乐果的检出限为0.1mg/kg。结论与目测法相比,图像处理的检出限更低,也更为客观准确,为农药残留的快速检测提供了一种新的技术手段。     

黑宝石李品质参数的近红外漫反射无损检测模型的建立

以黑宝石李为试材,研究其品质参数的近红外漫反射无损检测模型的建立方法,并从数学建模算法、导数处理及测试部位等方面优化模型。结果表明,改进偏最小二乘法结合一阶导数处理建立分析模型的定标效果相对较好,其中可溶性固形物(SSC)和干物质/水分模型的定标系数达0.9;四个测试部位光谱混合所建模型的预测精度显著高于单独测试部位光谱模型;SSC、干物质/水分的定标与预测的决定系数、均方根误差和相对分析误差分别在0.9、0.45和3.0左右,预测效果很好;而可滴定酸的预测误差偏大。     

冬小麦播期的卫星遥感及应用

播种日期对冬小麦生长发育、产量和品质形成均有一定的影响。利用2003年拔节期的Landsat TM卫星的NDVI数据．成功地监测了冬小麦的播种日期。提出了基于NDVI和播种日期的冬小麦的遥感估产的优化模型，并在抽穗期至乳熟期的3次生育期的遥感估产中得到了成功验证与应用。利用出粉率与播种日期的显相关特性，采用拔节期的Landsat TM卫星的NDVI数据，成功预测了小麦籽粒的出粉率。     

基于TM影像的冬小麦苗期长势与植株氮素遥感监测研究

叶面积指数和叶片氮素含量是决定小麦群体长势的重要生理指标,也是制定栽培管理措施的必要依据。利用遥感监测小麦返青后的叶面积指数和叶片氮素含量,便于及时采取施肥、灌溉、中耕等调控措施,达到优质、高产稳产、高效的目的。本文使用TM影像数据与实地GPS定位相结合的方法,研究了冬小麦返青后叶面积指数及植株氮素含量的变化态势。结果表明:(1)TM影像的NDVI的地域性差异较大,且随纬度呈现极明显的线型负相关变化态势;(2)将用NDVI反演的LAI与实测的LAI进行比较,二者较为一致,其均方差根(RMSE)为0.111;(3)利用NDVI监测的小麦植株氮素含量与实地观测的植株氮素含量较为相近,二者的RMSE为0.085。总之,利用TM影像的NDVI可以快速、精确地监测返青期小麦的LAI和植株氮素营养状况。同时,本研究结果也可为冬小麦返青期的苗情诊断和管理决策提供及时、准确的信息支持。     

基于GA的GRNN高光谱遥感反演冬小麦叶片氮含量模型的建立与验证

基于人工神经网络理论,针对高光谱遥感中数据冗余问题,本文建立了基于遗传算法(GA)的广义回归神经网络(GRNN)模型,利用回归分析问题中参数筛选方法,对表征冬小麦叶片全氮的光谱参数进行了筛选,并和线性回归方法对比,线性回归方法的均方根误差(RMSEP):在冬小麦叶片氮含量为34.0g kg-1~62.5g kg-1预测范围内,逐步回归模型为14.4g kg-1,后向选择为11.8g kg-1,而广义回归神经网络为3.40g kg-1。说明神经网络方法所筛选到的光谱参数更能反映小麦叶片全氮含量,且神经网络模型预测精度高。