首页--农业科学论文--农作物论文--禾谷类作物论文--稻论文

不同遥感水平水稻氮素信息提取研究

致谢第1-9页
摘要第9-12页
Abstract第12-16页
目录第16-22页
表目录第22-28页
图目录第28-33页
第1章 绪论第33-57页
   ·研究意义和立题依据第33-34页
   ·数据挖掘技术简介第34-37页
     ·人工神经网络技术概述第35-36页
     ·支持向量机概述第36-37页
   ·作物氮素营养诊断的常规方法第37-38页
   ·遥感提取作物氮素信息第38-45页
     ·高光谱遥感概述第38-39页
     ·植被光谱特性第39-44页
       ·叶片及植被结构第39-41页
       ·叶片光谱特性第41-43页
       ·冠层光谱特性第43-44页
     ·遥感提取作物生化参数的原理和研究基础第44-45页
   ·遥感在作物氮素信息提取研究中的国内外研究进展第45-53页
     ·不同遥感水平第45-51页
       ·叶片水平第48-49页
       ·冠层水平第49-50页
       ·卫星水平第50-51页
     ·不同研究方法第51-53页
       ·线性逐步回归方法第51-52页
       ·人工神经网络方法第52页
       ·支持向量机方法第52-53页
   ·课题来源、研究内容以及技术路线第53-57页
     ·课题来源第53页
     ·研究内容第53-54页
     ·技术路线第54-57页
第2章 数据获取及数据分析方法第57-75页
   ·试验设计第57-61页
     ·小区试验第57-60页
     ·大田试验第60-61页
   ·数据获取第61-62页
     ·光谱测定第61-62页
       ·光谱仪介绍第61页
       ·冠层光谱测定第61-62页
       ·叶片光谱测定第62页
     ·TM数据第62页
     ·氮含量测定第62页
   ·数据分析方法第62-75页
     ·多元线性回归建模法第63-64页
     ·反向传播神经网络第64-66页
     ·径向基函数网络第66-67页
     ·支持向量机网络第67-70页
     ·主成份分析法第70-72页
     ·模型精度检验指标第72-75页
第3章 数据特征分析第75-79页
   ·氮含量统计特征第75-77页
     ·水稻氮含量统计特征分析第75-76页
     ·油菜氮含量统计特征分析第76-77页
   ·光谱特征第77-79页
     ·叶片光谱特征第77-78页
     ·冠层光谱特征第78-79页
第4章 基于叶片光谱的氮素信息提取第79-115页
   ·不同发育期水稻氮含量遥感诊断模型第79-96页
     ·数据随机分组第79-80页
     ·主成份分析(PCA分析)第80-83页
       ·建模样本PCA分析第80-82页
       ·检验样本PCA分析第82-83页
     ·回归法提取作物氮素信息第83-87页
       ·基于光谱反射率的多元线性模型第83-86页
       ·基于主成份得分值的多元线性模型第86-87页
     ·BP模型第87-88页
     ·RBF模型第88-89页
     ·SVM模型第89页
     ·模型精度检验第89-96页
       ·线性模型精度检验第90-92页
       ·BP模型精度检验第92-94页
       ·RBF模型精度检验第94-96页
       ·SVM模型精度检验第96页
   ·不同氮素水平水稻氮含量遥感诊断模型第96-106页
     ·数据随机分组第96-98页
     ·主成份分析第98-99页
       ·建模样本PCA分析第98页
       ·检验样本PCA分析第98-99页
     ·线性模型第99-100页
       ·基于光谱反射率的多元线性模型第99-100页
       ·基于主成份的线性模型第100页
     ·BP模型第100页
     ·RBF模型第100-101页
     ·SVM模型第101页
     ·模型精度检验第101-106页
       ·线性模型精度检验第101-102页
       ·BP模型精度检验第102-103页
       ·RBF模型精度检验第103-104页
       ·SVM模型精度检验第104-106页
   ·模型普适性验证第106-111页
     ·大田水稻数据对模型的验证第106-109页
       ·氮含量统计特征分析第106页
       ·光谱反射率PCA分析第106-107页
       ·模型普适性验证结果第107-109页
     ·油菜数据对模型的验证第109-111页
       ·氮含量统计特征分析第109页
       ·光谱反射率PCA分析第109页
       ·模型普适性验证结果第109-111页
   ·本章小结第111-115页
第5章 基于冠层光谱的氮素信息提取第115-147页
   ·不同发育期水稻氮含量遥感诊断模型第115-130页
     ·数据随机分组第115页
     ·主成份分析(PCA分析)第115-118页
       ·建模样本PCA分析第115-117页
       ·检验样本PCA分析第117-118页
     ·回归法提取作物氮素信息第118-120页
       ·基于光谱反射率的多元线性模型第118-119页
       ·基于主成份得分值的多元线性模型第119-120页
     ·BP模型第120页
     ·RBF模型第120-121页
     ·SVM模型第121页
     ·模型精度检验第121-130页
       ·线性模型精度检验第121-124页
       ·BP模型精度检验第124-125页
       ·RBF模型精度检验第125-127页
       ·SVM模型精度检验第127-130页
   ·不同氮素水平水稻氮含量遥感诊断模型第130-138页
     ·数据随机分组第130页
     ·主成份分析第130-132页
       ·建模样本PCA分析第130-131页
       ·检验样本PCA分析第131-132页
     ·多元线性模型第132页
       ·基于光谱反射率的多元线性回归模型第132页
       ·基于主成份的线性模型第132页
     ·BP模型第132-133页
     ·RBF模型第133页
     ·SVM模型第133-134页
     ·模型精度检验第134-138页
       ·线性模型精度检验第134-135页
       ·BP模型精度检验第135-136页
       ·RBF模型精度检验第136-137页
       ·SVM模型精度检验第137-138页
   ·模型普适性验证第138-142页
     ·大田水稻数据对模型的验证第138-140页
       ·氮含量统计特征分析第139页
       ·光谱反射率PCA分析第139页
       ·模型普适性验证结果第139-140页
     ·油菜数据对模型的验证第140-142页
       ·油菜氮含量统计特征分析第140页
       ·光谱反射率PCA分析第140-141页
       ·模型普适性验证结果第141-142页
   ·本章小结第142-147页
第6章 基于TM数据的氮素信息提取第147-163页
   ·氮含量统计特征分析第147-148页
   ·不同遥感水平光谱变量以及植被指数的统计特征分析第148-149页
   ·光谱变量与氮含量之间相关关系的定性分析第149-151页
   ·基于叶片光谱模拟TM变量的氮含量诊断模型第151-152页
     ·模型结构第151页
     ·模型评价第151-152页
   ·基于冠层光谱模拟TM变量的氮含量诊断模型第152-154页
     ·模型结构第152-153页
     ·模型评价第153-154页
   ·基于TM数据的氮含量诊断模型第154-156页
     ·模型结构第154页
     ·模型精度检验第154-156页
   ·叶片和冠层水平氮含量诊断模型的可扩展性验证第156-161页
     ·叶片水平氮含量诊断模型的可扩展性验证第156-159页
     ·冠层水平氮含量诊断模型的可扩展性验证第159-161页
   ·本章小结第161-163页
第7章 结语、创新点与讨论第163-170页
   ·主要结论第163-168页
     ·不同遥感水平氮含量诊断模型精度比较第163-165页
     ·不同研究方法对比第165-167页
     ·R-模型和PC-模型精度对比第167页
     ·不同氮素水平模型精度对比第167-168页
   ·创新点第168页
   ·讨论第168-170页
参考文献第170-187页
作者简历及在学期间的科研成果第187页

论文共187页,点击 下载论文
上一篇:我国政府财务报告改革研究
下一篇:施用泥炭对土壤镉形态及其植物有效性的影响