农情信息遥感监测预报模型构建算法研究进展-《江苏农业科学》

参考文献/References:

［1］王纪华，赵春江，黄文江，等. 农业定量遥感基础与应用［M］. 北京：科学出版社，2008.
［2］Jin X L，Wang K R，Xiao C H，et al.Comparison of two methods for estimation of leaf total chlorophyll content using remote sensing in wheat［J］. Field Crops Research，2012，135：24-29.
［3］杨晓华，吴耀平，黄敬峰，等. 基于支持向量机的水稻生物物理参数遥感估算［J］. 中国科学（C辑）：生命科学，2009(11)：1080-1091.
［4］周冬琴，朱艳，姚霞，等. 基于水稻冠层光谱特征构建粳型水稻籽粒蛋白质含量预测模型［J］. 作物学报，2007，33(8)：1219-1225.
［5］宋开山，张柏，于磊，等. 玉米地上鲜生物量的高光谱遥感估算模型研究［J］. 农业系统科学与综合研究，2005，21(1)：65-67.
［6］宋开山，张柏，王宗明，等. 玉米和大豆LAI高光谱遥感估算模型研究［J］. 中国农学通报，2005，21(1)：318-322.
［7］牛铮，陈永华，隋洪智，等. 叶片化学组分成像光谱遥感探测机理分析［J］. 遥感学报，2000，4(2)：125-130.
［8］周纪芗. 实用回归分析方法［M］. 上海：上海科学技术出版社，1990.
［9］刘明，王仁曾. 基于t检验的逐步回归的改进［J］. 统计与决策，2012(6)：16-19.
［10］边重. 逐步回归方法介绍［J］. 数理统计与管理，1983(3)：39-48.
［11］张小海，金家善，耿俊豹，等. 基于粗糙集的偏最小二乘回归方法［J］. 上海交通大学学报，2010，44(12)：1678-1686.
［12］王惠文. 偏最小二乘回归方法及其应用［M］. 北京：国防工业出版社，1999.
［13］王惠文，吴载斌，孟洁. 偏最小二乘回归的线性与非线性方法［M］. 北京：国防工业出版社，2006.
［14］Serbin S P，Dillaway D N，Kruger E L，et al. Leaf optical properties reflect variation in photosynthetic metabolism and its sensitivity to temperature［J］. Journal of Experimental Botany，2012，63(1)：489-502.
［15］Ecarnot M，Compan F，Roumet P. Assessing leaf nitrogen content and leaf mass per unit area of wheat in the field throughout plant cycle with a portable spectrometer［J］. Field Crops Research，2013，140：44-50.
［16］Li C J，Wang J H，Wang Q，et al.Estimating wheat grain protein content using multi-temporal remote sensing data based on partial least squares regression［J］. Journal of Integrative Agriculture，2012，11(9)：1445-1452.
［17］邵田田，宋开山，杜嘉，等. 基于偏最小二乘法的玉米FPAR高光谱反演模型研究［J］. 地理与地理信息科学，2012，28(3)：27-31.
［18］张浩，胡昊，陈义，等. 水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型［J］. 核农学报，2012，26(1)：135-140.
［19］付元元，杨贵军，冯海宽，等. 基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较［J］. 农业工程学报，2012，28(23)：107-113.
［20］谭昌伟，王纪华，黄文江，等. 基于TM和PLS的冬小麦籽粒蛋白质含量预测［J］. 农业工程学报，2011，27(3)：388-392.
［21］王圆圆，李贵才，张立军，等. 利用偏最小二乘回归从冬小麦冠层光谱提取叶片含水量［J］. 光谱学与光谱分析，2010，30(4)：1070-1074.
［22］王圆圆，陈云浩，李京，等. 利用偏最小二乘回归反演冬小麦条锈病严重度［J］. 国土资源遥感，2007(1)：57-60.
［23］王纪华，黄文江，劳彩莲，等. 运用PLS算法由小麦冠层反射光谱反演氮素垂直分布［J］. 光谱学与光谱分析，2007，27(7)：1319-1322.
［24］丁涛，杨慧中. 偏最小二乘回归模型的泛化能力改进研究［J］. 控制工程，2008，15(2)：150-153.
［25］张小海，金家善，耿俊豹. 用DEA优化偏最小二乘回归建模及应用［J］. 浙江大学学报：工学版，2011，45(9)：1688-1692.
［26］Cho M A，Skidmore A，Corsi F，et al.Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression［J］. International of Journal of Applied Earth Observed and Geoinformation，2007，9(4)：414-424.
［27］袁哲明，谭显胜. 基于支持向量机非线性筛选水稻苗期抗旱性指标［J］. 作物学报，2010，36(7)：1176-1182.
［28］邹华东，陈树人，陈刚，等. 基于人工神经网络的稻田杂草稻光谱识别［J］. 农机化研究，2013，35(1)：156-158，163.
［29］Yang F，Sun J L，Fang H L，et al.Comparison of different methods for corn LAI estimation over northeastern China［J］. International Journal of Applied Earth Observation and Geoinformation，2012，18：462-471.
［30］姚霞，汤守鹏，曹卫星，等. 应用近红外光谱估测小麦叶片氮含量［J］. 植物生态学报，2011，35(8)：844-852.
［31］张浩，姚旭国，张小斌，等. 区域水稻穗期叶片氮素的遥感估测初探［J］. 核农学报，2009，23(3)：364-368.
［32］张浩，姚旭国，张小斌，等. 水稻籽粒蛋白质含量的高光谱估测研究［J］. 中国粮油学报，2009，24(11)：1-5.
［33］王大成，王纪华，靳宁，等. 用神经网络和高光谱植被指数估算小麦生物量［J］. 农业工程学报，2008，24(S2)：196-201.
［34］栾福明，张小雷，熊黑钢，等. 基于不同模型的土壤有机质含量高光谱反演比较分析［J］. 光谱学与光谱分析，2013，33(1)：196-200.
［35］Rogers S K，Kabrisky M. An introduction to biological and artificial neural networks for pattern recognition［M］. Bellingham：Society of Photo Optical，1991.
［36］安琼，杨邦杰，焦险峰. 作物遥感识别中的数据挖掘技术［J］. 农业工程学报，2007，23(8)：181-186.
［37］Bharghavan V，Demers A，Shenker S，et al. MACAW：a medium access protocol for wireless LANs［C］//New York：SIGCOMM’94 Proceedings of the Conference on Communications Architectures，Protocols and Applications，1994：212-225.
［38］Liang Y C，Sun Y F. An improved method of support vector machine and its applications to financial time series forecasting［J］. Prog Nat Sci，2003，13(9)：696-700.
［39］吕杰，刘湘南. 利用支持向量机构建水稻镉含量高光谱预测模型［J］. 应用科学学报，2012，30(1)：105-110.
［40］梁亮，杨敏华，张连蓬，等. 基于 SVR 算法的小麦冠层叶绿素含量高光谱反演［J］. 农业工程学报，2012，28(20)：162-171.
［41］梁亮，杨敏华，臧卓. 基于小波去噪与SVR的小麦冠层含氮率高光谱测定［J］. 农业工程学报，2010，26(12)：248-253.
［42］梁亮，杨敏华，邓凯东，等. 一种估测小麦冠层氮含量的新高光谱指数［J］. 生态学报，2011，31(21)：6594-6605.
［43］黎锐，李存军，徐新刚，等. 基于支持向量回归(SVR)和多时相遥感数据的冬小麦估产［J］. 农业工程学报，2009，25(7)：114-117.
［44］杨晓华，黄敬峰，王秀珍，等. 基于支持向量机的水稻叶面积指数高光谱估算模型研究［J］. 光谱学与光谱分析，2008，28(8)：1837-1841.
［45］Vapnik V N. The nature of statistical learning theory［M］. New York：Springer-Verlag Press，1995.
［46］乌玲瑛，徐奂，蔡喨喨，等. 基于机器学习的水稻发育期预测模型构建［J］. 扬州大学学报：农业与生命科学版，2012，33(3)：44-50.
［47］卢敏，蒋浩，杨岱根. 支持向量机在农业水土领域的应用与研究进展［J］. 安徽农业科学，2012，40(29)：14163-14164，14190.
［48］Yin H，Wang B B. Penalized partial least squares［J］. Journal of Mathematics，2013，33(1)：63-74.
［49］Rosipal R，Trejo L J，Matthews B. Kernel PLS_SVC for linear and nonlinear classification［C］//Washington DC：20th International Conference on Machine Learning，2003.
［50］Zhang Y W，Teng Y D，Zhang Y. Complex process quality prediction using modified kernel partial least squares［J］. Chemical Engineering Science，2010，65(6)：2153-2158.
［51］Zou X B，Zhao J W，Li Y X. Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models［J］. Vibrational Spectroscopy，2007，44(2)：220-227.
［52］Xiaobo Z，Jiewen Z，Povey M J，et al. Variables selection methods in near-infrared spectroscopy［J］. Analytica Chimica Acta，2010，667(1/2)：14-32.
［53］万源，童恒庆，朱映映. 基于遗传算法的多核支持向量机的参数优化［J］. 武汉大学学报：理学版，2012，58(3)：255-259.
［54］Sarafrazi S，Nezamabadi-pour H. Facing the classification of binary problems with a GSA-SVM hybrid system［J］. Mathematical and Computer Modelling，2013，57(1/2)：270-278.
［55］Wang D F，Yeung D S，Tsang E C. Weighted mahalanobis distance kernels for support vector machines［J］. IEEE Trans on Neural Networks，2007，18(5)：1453-1462.
［56］Mangasarian O L，Wild E W. Multisurface proximal support vector machine classification via generalized eigen values［J］. IEEE Trans on Pattern Analysis and Machine Intelligence，2006，28(1)：69-74.
［57］陶晓燕，姬红兵，马志强. 基于样本分布不平衡的近似支持向量机［J］. 计算机科学，2007，34(5)：174-176.

相似文献/References:

[1]陈鹤群,雷少刚.TerraSAR-X土壤水分反演研究进展[J].江苏农业科学,2013,41(04):327.
[2]李章成,李源洪,魏来,等.基于SPOT5影像分析植被指数与水稻叶面积指数和产量的相关性[J].江苏农业科学,2014,42(01):284.
　Li Zhangcheng,et al.Study on correlation between vegetation index and leaf area index and yield of rice based on SPOT5 image analysis[J].Jiangsu Agricultural Sciences,2014,42(11):284.
[3]沈从举,贾首星,孟祥金,等.基于SolidWorks的气泡雾化施药喷头3D设计与建模[J].江苏农业科学,2014,42(01):359.
　Shen Congju,et al.3D design and modeling of effervescent atomization nozzle based on SolidWorks[J].Jiangsu Agricultural Sciences,2014,42(11):359.
[4]许绩彤,李君,牛萌萌,等.管网式喷雾系统建模与压力控制[J].江苏农业科学,2016,44(01):389.
　Xu Jitong,et al.Modeling and pressure control of pipe network spraying system[J].Jiangsu Agricultural Sciences,2016,44(11):389.
[5]康婷婷,居为民,李秉柏.水稻叶面积指数遥感反演方法对比分析[J].江苏农业科学,2015,43(05):366.
　Kang Tingting,et al.Contrastive analysis of remote sensing inversion method of rice leaf area index[J].Jiangsu Agricultural Sciences,2015,43(11):366.
[6]马驰.松辽平原土地盐碱化动态监测与遥感分析[J].江苏农业科学,2016,44(07):495.
　Ma Chi.Dynamic monitoring and remote sensing analysis of soil salinization in Songliao Plain[J].Jiangsu Agricultural Sciences,2016,44(11):495.
[7]田苗,童杨辉.TRMM卫星降水数据在江苏省的适用性分析[J].江苏农业科学,2016,44(12):440.
　Tian Miao,et al.Applicability analysis of TRMM precipitation data in Jiangsu Province[J].Jiangsu Agricultural Sciences,2016,44(11):440.
[8]曹振丽.1种面向猪舍的信息物理融合系统模型[J].江苏农业科学,2017,45(05):193.
　Zhou Liangfu,et al.Design and experiment of main parameters of gas ejector[J].Jiangsu Agricultural Sciences,2017,45(11):193.
[9]罗怀荣,石军锋.基于WebGL 3D技术的可视化温室环境监测系统设计[J].江苏农业科学,2017,45(07):189.
　Luo Huairong,et al.Visualization greenhouse environment monitoring system based on WebGL 3D technology[J].Jiangsu Agricultural Sciences,2017,45(11):189.
[10]刘远,周买春.遥感反演植被叶面积指数的不确定性来源综述[J].江苏农业科学,2017,45(12):12.
　Liu Yuan,et al.Uncertain sources of remote sensing inversion of vegetation leaf area index：an overview[J].Jiangsu Agricultural Sciences,2017,45(11):12.

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

文章信息/Info

参考文献/References:

相似文献/References:

备注/Memo

常用功能

导航/Navigate

工具/Tools

统计/Statistics