基于无人机高光谱的冬小麦叶面积指数反演
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 植被光谱特征 | 第11页 |
| 1.3 国内外研究现状 | 第11-15页 |
| 1.3.1 经验模型法 | 第12-13页 |
| 1.3.2 物理模型法 | 第13-15页 |
| 1.4 论文研究内容与研究思路 | 第15页 |
| 1.5 本文主要组织结构 | 第15-17页 |
| 2 研究区域与数据获取 | 第17-24页 |
| 2.1 研究区域与实验设计 | 第17-18页 |
| 2.2 数据获取 | 第18-22页 |
| 2.2.1 无人机遥感数据 | 第18-19页 |
| 2.2.2 地面同步ASD数据 | 第19-20页 |
| 2.2.3 地面实测LAI数据 | 第20-22页 |
| 2.3 数据预处理 | 第22页 |
| 2.4 光谱特征分析 | 第22-24页 |
| 3 高光谱遥感数据降维 | 第24-40页 |
| 3.1 高光谱影像光谱特征分析 | 第25-30页 |
| 3.1.1 高光谱影像数据结构 | 第25-26页 |
| 3.1.2 高光谱数据空间自相关性 | 第26-28页 |
| 3.1.3 高光谱数据谱间自相关性 | 第28-30页 |
| 3.2 高光谱数据降维算法 | 第30-36页 |
| 3.2.1 线性降维算法 | 第31-34页 |
| 3.2.2 基于非线性模型的降维方法 | 第34-36页 |
| 3.3 实验与分析 | 第36-40页 |
| 3.3.1 实验过程 | 第36-37页 |
| 3.3.2 实验结果 | 第37-38页 |
| 3.3.3 实验结论分析 | 第38-40页 |
| 4 基于无人机高光谱遥感的冬小麦LAI反演 | 第40-52页 |
| 4.1 基于经验模型LAI反演方法 | 第40-43页 |
| 4.1.1 植被指数筛选 | 第41页 |
| 4.1.2 建模过程 | 第41-42页 |
| 4.1.3 实验结论 | 第42-43页 |
| 4.2 支持向量机 | 第43-48页 |
| 4.2.1 支持向量机算法 | 第43-47页 |
| 4.2.2 支持向量机参数优化 | 第47页 |
| 4.2.3 实验与分析 | 第47-48页 |
| 4.3 LAI反演模型构建 | 第48-52页 |
| 4.3.1 模型构建 | 第49-50页 |
| 4.3.2 实验结论与分析 | 第50-52页 |
| 5 结论与展望 | 第52-54页 |
| 5.1 结论 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
