| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 背景和研究现状 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要工作和内容安排 | 第14-17页 |
| 第2章 邻近效应理论基础 | 第17-29页 |
| 2.1 目标-背景-大气耦合机理研究 | 第17-19页 |
| 2.2 大气辐射传输 | 第19-23页 |
| 2.2.1 散射特性 | 第19-21页 |
| 2.2.2 吸收特性 | 第21-22页 |
| 2.2.3 辐射在大气中的传输 | 第22-23页 |
| 2.3 大气辐射传输模型经验公式 | 第23-28页 |
| 2.3.1 针对TM图像的Kaufman公式 | 第23-25页 |
| 2.3.2 大气层顶部反射率模型 | 第25-26页 |
| 2.3.3 含六个作用项的Tanre公式 | 第26-27页 |
| 2.3.4 针对Landsat ETM+的经验公式 | 第27-28页 |
| 2.4 小结 | 第28-29页 |
| 第3章 基于蒙特卡罗法模拟邻近效应 | 第29-57页 |
| 3.1 蒙特卡罗模拟方法的原理和特点 | 第29页 |
| 3.2 光子与大气粒子的随机碰撞过程 | 第29-31页 |
| 3.3 散射相函数与大气光学厚度的获取 | 第31-32页 |
| 3.4 构建光子传输环境 | 第32-33页 |
| 3.5 逆向模特卡罗法模拟光子传输过程 | 第33-38页 |
| 3.5.1 垂直观测 | 第33-34页 |
| 3.5.2 倾斜观测 | 第34-38页 |
| 3.6 结果与分析 | 第38-53页 |
| 3.6.1 大气PSF的模拟结果 | 第38-42页 |
| 3.6.2 影响因素分析 | 第42-49页 |
| 3.6.3 辐射分量分析 | 第49-53页 |
| 3.7 计算邻近效应 | 第53-55页 |
| 3.8 小结 | 第55-57页 |
| 第4章 人工神经网络优化 | 第57-71页 |
| 4.1 BP神经网络 | 第57-58页 |
| 4.2 垂直观测模型 | 第58-67页 |
| 4.2.1 输入层 | 第58-59页 |
| 4.2.2 隐含层 | 第59页 |
| 4.2.3 输出层 | 第59-60页 |
| 4.2.4 训练数据划分 | 第60-61页 |
| 4.2.5 训练算法 | 第61页 |
| 4.2.6 神经网络结构 | 第61-62页 |
| 4.2.7 训练神经网络 | 第62页 |
| 4.2.8 模拟结果 | 第62-67页 |
| 4.3 倾斜观测模型 | 第67-70页 |
| 4.3.1 倾斜条件下光子的分布 | 第67-68页 |
| 4.3.2 倾斜条件下的神经网络模型 | 第68-69页 |
| 4.3.3 结果分析 | 第69-70页 |
| 4.4 训练模型的加速 | 第70页 |
| 4.5 小结 | 第70-71页 |
| 第5章 结论与展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 个人简历、在学期间发表的论文与研究成果 | 第81页 |