| 博士生自认为的论文创新点 | 第5-13页 |
| 摘要 | 第13-16页 |
| Abstract | 第16-18页 |
| 1. 绪论 | 第19-36页 |
| 1.1. 研究背景和需求 | 第19-23页 |
| 1.1.1. 高分辨率土壤湿度遥感观测的需求 | 第19-20页 |
| 1.1.2. 不可避免的卫星遥感观测弱点 | 第20-21页 |
| 1.1.3. 满足土壤湿度观测需求的必由之路——多源数据融合 | 第21-23页 |
| 1.2. 国内外研究现状与趋势 | 第23-29页 |
| 1.2.1. 传感器观测能力研究 | 第23-27页 |
| 1.2.2. 高分辨率土壤湿度遥感观测 | 第27-29页 |
| 1.3. 存在的问题与研究意义 | 第29-32页 |
| 1.3.1. 问题一: 如何科学合理地将待选择传感器依据潜在观测能力聚类? | 第29-30页 |
| 1.3.2. 问题二: 如何建模尺度差异巨大的点面观测数据之间的数量关系? | 第30-31页 |
| 1.3.3. 问题三: 如何建模雷达和光学遥感数据及可能的辅助数据之间的数量关系? | 第31-32页 |
| 1.3.4. 研究意义 | 第32页 |
| 1.4. 研究目标与内容 | 第32-33页 |
| 1.4.1. 研究目标 | 第32-33页 |
| 1.4.2. 研究内容 | 第33页 |
| 1.5. 论文章节安排 | 第33-36页 |
| 2. 机器学习在高分辨率土壤湿度观测中的可用性 | 第36-58页 |
| 2.1. 机器学习算法的种类和针对的问题 | 第36-37页 |
| 2.1.1. 机器学习算法的种类 | 第36页 |
| 2.1.2. 机器学习算法针对的问题种类 | 第36-37页 |
| 2.2. 人工神经网络模型的种类和针对的问题 | 第37-44页 |
| 2.2.1. 人工神经网络的种类 | 第39-43页 |
| 2.2.2. 人工神经网络针对的问题种类 | 第43-44页 |
| 2.3. 高分辨率土壤湿度观测中的可用性 | 第44-47页 |
| 2.3.1. 聚类、分类算法的可用性 | 第44-45页 |
| 2.3.2. 回归算法的可用性 | 第45-47页 |
| 2.4. 本文中选用的机器学习算法和人工神经网络模型 | 第47-56页 |
| 2.4.1. 聚类问题适用的自组织映射网(SOM)模型 | 第47-52页 |
| 2.4.2. 回归问题适用的前馈神经网络模型 | 第52-56页 |
| 2.4.3. 回归问题适用的级联神经网络模型 | 第56页 |
| 2.5. 本章小结 | 第56-58页 |
| 3. 基于自组织神经网络的成像遥感卫星传感器土壤湿度潜在观测能力聚类方法 | 第58-88页 |
| 3.1. 土壤湿度遥感观测卫星传感器及能力需求 | 第58-61页 |
| 3.1.1. 土壤湿度遥感观测的卫星传感器 | 第58-59页 |
| 3.1.2. 土壤湿度遥感观测对传感器能力的需求 | 第59-61页 |
| 3.2. 土壤湿度潜在观测能力及聚类方法 | 第61-74页 |
| 3.2.1. 土壤湿度潜在观测能力定义 | 第61-63页 |
| 3.2.2. 土壤湿度观测能力设计参数 | 第63-64页 |
| 3.2.3. 土壤湿度观测能力仿真参数 | 第64-66页 |
| 3.2.4. 土壤湿度潜在观测能力计算方法 | 第66-72页 |
| 3.2.5. 土壤湿度潜在观测能力聚类方法 | 第72-74页 |
| 3.3. 土壤湿度潜在观测能力及聚类实验 | 第74-79页 |
| 3.3.1. 实验场景和数据 | 第75-78页 |
| 3.3.2. 潜在观测能力计算实验 | 第78页 |
| 3.3.3. 潜在观测能力聚类实验 | 第78-79页 |
| 3.4. 土壤湿度潜在观测能力及聚类讨论 | 第79-87页 |
| 3.4.1. 能力评价结果及分析 | 第79-83页 |
| 3.4.2. 能力聚类结果及分析 | 第83-85页 |
| 3.4.3. 与现有方法对比 | 第85-86页 |
| 3.4.4. 优缺点讨论 | 第86页 |
| 3.4.5. 在高分辨率土壤湿度观测中的应用前景 | 第86-87页 |
| 3.5. 本章小结 | 第87-88页 |
| 4. 基于前馈神经网络的星地协同区域土壤湿度重建算法 | 第88-116页 |
| 4.1. 问题假设 | 第88-89页 |
| 4.1.1. 假设A——遥感土壤湿度数据是栅格形式 | 第88-89页 |
| 4.1.2. 假设B——历史数据可用 | 第89页 |
| 4.1.3. 假设C——用地类型不变 | 第89页 |
| 4.1.4. 假设D——像素覆盖的区域地面环境不均匀 | 第89页 |
| 4.2. 算法设计 | 第89-98页 |
| 4.2.1. C1像素遥感土壤湿度恢复的理论依据 | 第90-91页 |
| 4.2.2. C1像素遥感土壤湿度恢复模型 | 第91-92页 |
| 4.2.3. 基于前馈神经网络建立的C1像素恢复模型 | 第92-93页 |
| 4.2.4. 使用前馈神经网络恢复C1像素 | 第93-98页 |
| 4.3. 算法验证实验 | 第98-115页 |
| 4.3.1. 实验场景 | 第98-99页 |
| 4.3.2. 实验数据 | 第99-101页 |
| 4.3.3. 实验过程及结果 | 第101-108页 |
| 4.3.4. 实验结果讨论 | 第108-115页 |
| 4.4. 本章小结 | 第115-116页 |
| 5. 基于级联神经网络的土壤湿度雷达-光学遥感数据融合方法 | 第116-150页 |
| 5.1. 雷达和光学遥感土壤湿度观测的原理及影响因素 | 第116-122页 |
| 5.1.1. 雷达遥感土壤湿度观测的原理及影响因素 | 第116-120页 |
| 5.1.2. 光学遥感土壤湿度观测的原理 | 第120-122页 |
| 5.2. 基于级联神经网络的数据融合方法 | 第122-130页 |
| 5.2.1. 方法假设 | 第122-123页 |
| 5.2.2. 土壤湿度雷达-光学遥感数据融合模型 | 第123-126页 |
| 5.2.3. 土壤湿度雷达-光学遥感数据融合算法 | 第126-130页 |
| 5.3. 基于级联神经网络的数据融合实验 | 第130-137页 |
| 5.3.1. 实验场景 | 第130页 |
| 5.3.2. 实验数据 | 第130-134页 |
| 5.3.3. 实验过程 | 第134-137页 |
| 5.4. 基于级联神经网络的数据融合讨论 | 第137-149页 |
| 5.4.1. 结果及分析 | 第137-145页 |
| 5.4.2. 与现有方法对比 | 第145-147页 |
| 5.4.3. 算法优缺点讨论 | 第147-149页 |
| 5.5. 本章小结 | 第149-150页 |
| 6. 高分辨率土壤湿度观测综合实验 | 第150-167页 |
| 6.1. 实验场景 | 第150-151页 |
| 6.2. 遥感传感器选择 | 第151-154页 |
| 6.2.1. 实验数据 | 第151-152页 |
| 6.2.2. 传感器聚类过程 | 第152页 |
| 6.2.3. 传感器聚类及选择结果 | 第152-154页 |
| 6.3. 星地融合重建光学遥感土壤湿度 | 第154-159页 |
| 6.3.1. 实验数据 | 第154-156页 |
| 6.3.2. 星地数据融合过程及结果 | 第156-159页 |
| 6.4. 雷达-光学遥感融合重建土壤湿度 | 第159-164页 |
| 6.4.1. 实验数据 | 第159-162页 |
| 6.4.2. 雷达-光学遥感数据融合过程及结果 | 第162-164页 |
| 6.5. 算法可用性、精确性、稳定性总体分析 | 第164-166页 |
| 6.5.1. 算法可用性 | 第164-165页 |
| 6.5.2. 算法精确性和稳定性 | 第165-166页 |
| 6.6. 本章小结 | 第166-167页 |
| 7. 总结与展望 | 第167-172页 |
| 7.1. 论文总结 | 第167-170页 |
| 7.2. 未来工作展望 | 第170-172页 |
| 中外文参考文献 | 第172-182页 |
| 攻博期间发表的与学位论文相关的科研成果目录 | 第182-183页 |
| 致谢 | 第183-186页 |
