| 致谢 | 第7-8页 |
| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景和意义 | 第16-18页 |
| 1.2 国内外研究进展 | 第18-22页 |
| 1.2.1 无人机低空遥感发展历程与技术特点 | 第18-19页 |
| 1.2.2 无人机低空遥感应用 | 第19页 |
| 1.2.3 低空光谱成像遥感获取农情信息的研究进展 | 第19-22页 |
| 1.2.4 低空光谱成像遥感获取农情信息现存问题 | 第22页 |
| 1.3 研究目的和内容 | 第22-23页 |
| 1.3.1 研究目的 | 第22页 |
| 1.3.2 研究内容 | 第22-23页 |
| 1.4 本章小结 | 第23-24页 |
| 第二章 试验设备与方法 | 第24-33页 |
| 2.1 主要试验设备 | 第24-27页 |
| 2.1.1 无人机低空遥感模拟平台 | 第24-25页 |
| 2.1.2 多光谱相机 | 第25页 |
| 2.1.3 高光谱成像仪 | 第25-26页 |
| 2.1.4 SPAD-502型叶绿素仪 | 第26-27页 |
| 2.2 研究方法 | 第27-32页 |
| 2.2.1 光谱预处理方法 | 第27-28页 |
| 2.2.1.1 光谱平滑 | 第27页 |
| 2.2.1.2 光谱矫正与变换 | 第27-28页 |
| 2.2.2 特征波长提取方法 | 第28-29页 |
| 2.2.2.1 连续投影算法 | 第28-29页 |
| 2.2.2.2 载荷系数法 | 第29页 |
| 2.2.2.3 回归系数法 | 第29页 |
| 2.2.3 化学计量学建模方法 | 第29-31页 |
| 2.2.3.1 多元线性回归 | 第30页 |
| 2.2.3.2 偏最小二乘法 | 第30页 |
| 2.2.3.3 反向神经网络 | 第30-31页 |
| 2.2.3.4 支持向量机 | 第31页 |
| 2.2.3.5 极限学习机 | 第31页 |
| 2.2.4 模型评价标准 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于多光谱图像的油菜冠层SPAD值检测 | 第33-55页 |
| 3.1 引言 | 第33-34页 |
| 3.2 油菜冠层多光谱图像数据采集与处理 | 第34-38页 |
| 3.2.1 样本制备 | 第34页 |
| 3.2.2 数据采集 | 第34-37页 |
| 3.2.3 多光谱图像预处理 | 第37-38页 |
| 3.2.4 建模集、预测集划分 | 第38页 |
| 3.3 基于油菜冠层植被指数特征的SPAD值预测模型研究 | 第38-42页 |
| 3.3.1 植被指数的选取、数据集选用 | 第38-39页 |
| 3.3.2 模型建立 | 第39-41页 |
| 3.3.3 不同因素对基于优选植被指数建立SPAD值线性预测模型的影响 | 第41-42页 |
| 3.3.3.1 图像采集时间对线性模型预测性能的影响 | 第41页 |
| 3.3.3.2 图像采集高度对线性模型预测性能的影响 | 第41-42页 |
| 3.3.3.3 图像采集速度对线性模型预测性能的影响 | 第42页 |
| 3.4 基于油菜冠层纹理特征的SPAD值预测模型研究 | 第42-48页 |
| 3.4.1 纹理特征的选取及数据集选用 | 第43-44页 |
| 3.4.2 模型建立 | 第44-46页 |
| 3.4.3 不同因素对基于纹理特征建立SPAD值PLS预测模型的影响 | 第46-48页 |
| 3.4.3.1 图像采集时间对PLS模型预测性能的影响 | 第46-47页 |
| 3.4.3.2 图像采集高度对PLS模型预测性能的影响 | 第47页 |
| 3.4.3.3 图像采集速度对线性模型预测性能的影响 | 第47-48页 |
| 3.5 基于植被指数的油菜冠层SPAD值可视化研究 | 第48-53页 |
| 3.5.1 图像采集时间对线性模型反演效果的影响 | 第48-49页 |
| 3.5.2 图像采集高度对线性模型反演效果的影响 | 第49页 |
| 3.5.3 图像采集速度对线性模型反演效果的影响 | 第49-50页 |
| 3.5.4 不同程度氮胁迫下SPAD值线性模型反演效果 | 第50-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 基于高光谱成像技术的油菜冠层SPAD值检测 | 第55-69页 |
| 4.1 引言 | 第55页 |
| 4.2 油菜冠层高光谱图像数据采集与处理 | 第55-58页 |
| 4.2.1 样本制备与数据采集 | 第55-56页 |
| 4.2.2 高光谱图像数据处理 | 第56-58页 |
| 4.2.2.1 感兴趣区域选取 | 第56-57页 |
| 4.2.2.2 原始光谱曲线预处理 | 第57-58页 |
| 4.3 基于全波段的SPAD值预测模型研究 | 第58-60页 |
| 4.3.1 预处理方法的选择 | 第58-60页 |
| 4.3.1.1 基于SG平滑与MA平滑的PLS模型预测性能的比较 | 第58-59页 |
| 4.3.1.2 基于SG平滑不同预处理方法的比较 | 第59-60页 |
| 4.3.2 不同采集时间PLS模型预测性能的比较 | 第60页 |
| 4.4 基于特征波段的SPAD值预测模型研究 | 第60-65页 |
| 4.4.1 特征波段的选择与比较 | 第60-64页 |
| 4.4.1.1 基于SPA选取特征波段 | 第61页 |
| 4.4.1.2 基于x-LW选取特征波段 | 第61-62页 |
| 4.4.1.3 基于RC选取特征波段 | 第62-63页 |
| 4.4.1.4 三种特征波长选取方法的比较 | 第63-64页 |
| 4.4.2 基于特征波段的不同预测模型比较 | 第64-65页 |
| 4.5 基于特征波段图像纹理特征的SPAD值预测模型研究 | 第65-67页 |
| 4.5.1 纹理特征的选取及数据集选用 | 第65页 |
| 4.5.2 模型建立 | 第65-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第五章 结论与展望 | 第69-72页 |
| 5.1 结论 | 第69-70页 |
| 5.2 展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 作者简介 | 第77-78页 |
