| 摘要 | 第10-12页 |
| 英文摘要 | 第12-14页 |
| 1 引言 | 第15-30页 |
| 1.1 研究目的和意义 | 第15-17页 |
| 1.2 作物养分信息检测技术的国内外研究现状及进展 | 第17-24页 |
| 1.2.1 传统诊断方法在植物养分信息检测中的应用 | 第18-20页 |
| 1.2.2 光谱分析技术在植物养分信息检测中的应用 | 第20-21页 |
| 1.2.3 机器视觉技术在植物养分信息检测中的应用 | 第21-22页 |
| 1.2.4 高光谱成像技术在植物养分信息检测中的应用 | 第22-24页 |
| 1.2.5 高光谱技术在大豆中的相关研究进展 | 第24页 |
| 1.3 无人机在作物信息检测方面中的应用 | 第24-26页 |
| 1.4 当前研究存在的问题与难点 | 第26-27页 |
| 1.5 研究内容与方法 | 第27-29页 |
| 1.5.1 研究内容 | 第27-28页 |
| 1.5.2 研究方法 | 第28-29页 |
| 1.6 本章小结 | 第29-30页 |
| 2 试验设计与数据处理方法 | 第30-54页 |
| 2.1 国家精准农业示范基地概况 | 第30-31页 |
| 2.2 试验方案设计 | 第31-34页 |
| 2.2.1 试验品种简介 | 第31页 |
| 2.2.2 温室叶片尺度养分试验 | 第31-32页 |
| 2.2.3 大田冠层尺度的养分试验 | 第32-34页 |
| 2.3 试验数据获取 | 第34-38页 |
| 2.3.1 叶片尺度高光谱成像数据获取 | 第34-35页 |
| 2.3.2 冠层尺度高光谱成像数据获取 | 第35-37页 |
| 2.3.3 无人机高光谱成像数据获取 | 第37-38页 |
| 2.4 大豆养分化学值测定 | 第38-40页 |
| 2.4.1 大豆叶片氮含量测定 | 第38-39页 |
| 2.4.2 大豆叶片磷含量测定 | 第39-40页 |
| 2.4.3 大豆叶片钾含量测定 | 第40页 |
| 2.5 数据挖掘分析方法 | 第40-53页 |
| 2.5.1 光谱预处理方法 | 第40-44页 |
| 2.5.2 特征变量提取方法 | 第44-48页 |
| 2.5.3 定量校正模型 | 第48-52页 |
| 2.5.4 模型性能评价 | 第52-53页 |
| 2.6 本章小结 | 第53-54页 |
| 3 叶片尺度大豆养分信息快速检测方法研究 | 第54-81页 |
| 3.1 样本分离与提取 | 第54-56页 |
| 3.2 大豆叶片光谱特性分析 | 第56页 |
| 3.3 大豆叶片养分化学值统计分析 | 第56-57页 |
| 3.4 光谱预处理及最优预处理方法选择 | 第57-63页 |
| 3.4.1 叶片氮含量最优光谱预处理方法选择 | 第59-60页 |
| 3.4.2 叶片磷含量最优光谱预处理方法选择 | 第60-61页 |
| 3.4.3 叶片钾含量光谱预处理方法选择 | 第61-63页 |
| 3.5 大豆叶片养分特征变量筛选 | 第63-70页 |
| 3.5.1 基于竞争性自适应重加权算法的光谱特征变量选择 | 第63-64页 |
| 3.5.2 基于无信息变量消除算法的光谱特征变量选择 | 第64-65页 |
| 3.5.3 基于连续投影算法的光谱特征变量选择 | 第65-66页 |
| 3.5.4 基于遗传算法的光谱特征变量选择 | 第66-68页 |
| 3.5.5 基于独立组分分析算法的光谱特征变量选择 | 第68页 |
| 3.5.6 基于随机蛙跳算法的光谱特征变量选择 | 第68-70页 |
| 3.6 基于特征变量的大豆养分预测模型建立 | 第70-74页 |
| 3.6.1 基于特征变量的大豆叶片氮含量建模分析 | 第70-71页 |
| 3.6.2 基于特征变量的大豆叶片磷含量建模分析 | 第71-72页 |
| 3.6.3 基于特征变量的大豆叶片钾含量建模分析 | 第72-74页 |
| 3.7 叶片养分可视化分布 | 第74-79页 |
| 3.7.1 叶片氮含量可视化 | 第74-76页 |
| 3.7.2 叶片磷含量可视化 | 第76-77页 |
| 3.7.3 叶片钾含量可视化 | 第77-79页 |
| 3.8 本章小结 | 第79-81页 |
| 4 冠层尺度大豆养分信息快速检测方法研究 | 第81-126页 |
| 4.1 冠层尺度样本分离与提取 | 第81-83页 |
| 4.2 大豆冠层光谱特性分析 | 第83-84页 |
| 4.3 大豆冠层养分含量统计分析 | 第84页 |
| 4.4 冠层光谱预处理及PLS建模分析 | 第84-90页 |
| 4.4.1 冠层氮含量光谱预处理方法优选 | 第86-87页 |
| 4.4.2 冠层磷含量光谱预处理方法优选 | 第87-88页 |
| 4.4.3 冠层钾含量光谱预处理方法优选 | 第88-90页 |
| 4.5 冠层光谱特征变量提取 | 第90-96页 |
| 4.5.1 CARS算法选择特征变量 | 第90-91页 |
| 4.5.2 UVE算法选择特征变量 | 第91-92页 |
| 4.5.3 SPA算法的选择特征变量 | 第92-93页 |
| 4.5.4 GA算法选择特征变量 | 第93-94页 |
| 4.5.5 ICA算法选择特征变量 | 第94-95页 |
| 4.5.6 RF算法选择特征变量 | 第95-96页 |
| 4.6 基于特征变量的大豆冠层养分预测模型建立 | 第96-109页 |
| 4.6.1 基于特征变量的大豆冠层氮含量建模分析 | 第97-101页 |
| 4.6.2 基于特征变量的大豆冠层磷含量建模分析 | 第101-105页 |
| 4.6.3 基于特征变量的大豆冠层钾含量建模分析 | 第105-109页 |
| 4.7 基于分数阶微分的大豆冠层氮含量检测研究 | 第109-118页 |
| 4.7.1 样品制备及冠层高光谱成像数据采集 | 第109页 |
| 4.7.2 化学值统计分析 | 第109-110页 |
| 4.7.3 分数阶微分植被指数的构建与氮含量预测模型研究 | 第110-118页 |
| 4.8 冠层养分分布可视化研究 | 第118-124页 |
| 4.8.1 冠层氮含量可视化 | 第118-120页 |
| 4.8.2 冠层磷含量可视化 | 第120-122页 |
| 4.8.3 冠层钾含量可视化 | 第122-124页 |
| 4.9 本章小结 | 第124-126页 |
| 5 区域尺度大豆养分信息快速检测研究 | 第126-147页 |
| 5.1 大豆养分光谱特征提取 | 第126-135页 |
| 5.1.1 大豆氮含量光谱特征提取 | 第126-130页 |
| 5.1.2 大豆磷含量光谱特征提取 | 第130-133页 |
| 5.1.3 大豆钾含量光谱特征提取 | 第133-135页 |
| 5.2 基于光谱特征的大豆养分含量预测模型构建及验证 | 第135-141页 |
| 5.2.1 氮含量预测模型构建及验证 | 第135-137页 |
| 5.2.2 磷含量预测模型构建及验证 | 第137-139页 |
| 5.2.3 钾含量预测模型构建及验证 | 第139-141页 |
| 5.3 无人机高光谱影像在大豆养分监测中的应用 | 第141-145页 |
| 5.3.1 基于无人机高光谱影像的大豆氮含量空间反演与精度评价 | 第141-143页 |
| 5.3.2 基于无人机高光谱影像的大豆磷含量空间反演与精度评价 | 第143-144页 |
| 5.3.3 基于无人机高光谱影像的大豆钾含量空间反演与精度评价 | 第144-145页 |
| 5.4 本章小结 | 第145-147页 |
| 6 结论与展望 | 第147-150页 |
| 6.1 结论与创新 | 第147-149页 |
| 6.2 展望 | 第149-150页 |
| 致谢 | 第150-151页 |
| 参考文献 | 第151-162页 |
| 攻读博士学位期间发表的学术论文 | 第162页 |
