| 致谢 | 第7-10页 |
| 中文摘要 | 第10-13页 |
| Abstract | 第13-16页 |
| 第一章 绪论 | 第27-57页 |
| 1.1 研究目的和意义 | 第27-29页 |
| 1.2 作物籽粒蛋白质形成及遥感预测机理 | 第29-31页 |
| 1.2.1 植物碳氮代谢过程与籽粒蛋白质含量形成机理 | 第29-31页 |
| 1.2.2 作物籽粒蛋白质含量遥感预测可行性 | 第31页 |
| 1.3 作物籽粒蛋白质含量遥感监测研究进展 | 第31-39页 |
| 1.3.1 基于光谱参量的籽粒蛋白质含量经验模型 | 第36-37页 |
| 1.3.2 基于光谱参量-农学参数-籽粒蛋白质含量的定量模型 | 第37-38页 |
| 1.3.3 基于遥感数据和生态因子的籽粒蛋白质含量半机理和机理模型 | 第38-39页 |
| 1.4 作物生长模型研究进展 | 第39-42页 |
| 1.5 作物生长模型和遥感数据同化研究现状及问题 | 第42-53页 |
| 1.5.1 强迫法 | 第43-44页 |
| 1.5.2 更新法 | 第44-48页 |
| 1.5.3 参数优化法 | 第48-53页 |
| 1.6 利用作物生长模型和遥感数据同化进行作物品质预测中存在的问题 | 第53页 |
| 1.7 研究目标、研究内容及技术路线 | 第53-57页 |
| 1.7.1 研究目标 | 第53-54页 |
| 1.7.2 研究内容 | 第54-55页 |
| 1.7.3 技术路线 | 第55-57页 |
| 第二章 试验方案、数据获取及处理 | 第57-77页 |
| 2.1 研究区概况及试验方案 | 第57-64页 |
| 2.1.1 小汤山国家精准农业研究示范基地田间定量遥感试验 | 第57-63页 |
| 2.1.2 北京市郊县冬小麦主栽区通州区和顺义区区域试验 | 第63-64页 |
| 2.2 数据获取及处理 | 第64-75页 |
| 2.2.1 气象数据 | 第64-66页 |
| 2.2.2 土壤数据 | 第66页 |
| 2.2.3 田间管理数据 | 第66-69页 |
| 2.2.4 作物生理生化指标 | 第69-71页 |
| 2.2.5 光谱数据 | 第71-75页 |
| 2.3 本章小结 | 第75-77页 |
| 第三章 DSSAT模型的参数敏感性分析及本地化研究 | 第77-111页 |
| 3.1 DSSAT模型简介 | 第77-88页 |
| 3.1.1 DSSAT模型发展 | 第77-78页 |
| 3.1.2 DSSAT模型结构 | 第78-81页 |
| 3.1.3 DSSAT模型中CERES-Wheat生长过程模块介绍 | 第81-84页 |
| 3.1.4 DSSAT模型基本数据集 | 第84-88页 |
| 3.2 DSSAT模型的参数敏感性分析 | 第88-99页 |
| 3.2.1 EFAST方法原理及敏感性分析策略 | 第88-90页 |
| 3.2.2 参数变化范围对参数敏感性的影响 | 第90-93页 |
| 3.2.3 生长过程变量的参数敏感性分析 | 第93-96页 |
| 3.2.4 产量和GPC的参数敏感性分析 | 第96-99页 |
| 3.3 DSSAT模型的参数“本地化” | 第99-109页 |
| 3.3.1 GLUE方法原理及参数“本地化”分析策略 | 第99-101页 |
| 3.3.2 参数调试次序及结果 | 第101页 |
| 3.3.3 生长过程变量的模拟结果 | 第101-107页 |
| 3.3.4 产量和GPC的模拟结果 | 第107-109页 |
| 3.4 本章小结 | 第109-111页 |
| 第四章 基于遥感数据与DSSAT模型同化的冬小麦产量和GPC预测 | 第111-135页 |
| 4.1 单一状态变量数据同化方法的冬小麦产量和GPC预测 | 第111-122页 |
| 4.1.1 粒子群算法原理及数据同化策略 | 第111-114页 |
| 4.1.2 植株氮素累积量遥感反演 | 第114-117页 |
| 4.1.3 数据同化方法对AGN的监测 | 第117-119页 |
| 4.1.4 数据同化方法对冬小麦产量和GPC的预测 | 第119-122页 |
| 4.2 双状态变量数据同化方法的冬小麦产量和GPC预测 | 第122-132页 |
| 4.2.1 双状态变量进行数据同化方法的提出 | 第122页 |
| 4.2.2 数据同化策略 | 第122-124页 |
| 4.2.3 LAI与AGN遥感反演 | 第124-126页 |
| 4.2.4 数据同化方法对冬小麦LAI与AGN的监测 | 第126-130页 |
| 4.2.5 数据同化方法对冬小麦产量和GPC预测 | 第130-132页 |
| 4.3 本章小结 | 第132-135页 |
| 第五章 基于DSSAT模型的冬小麦最佳生育时期产量和GPC预报 | 第135-163页 |
| 5.1 气象预报数据方法探究 | 第135-142页 |
| 5.1.1 预报策略 | 第135-137页 |
| 5.1.2 日太阳辐射量预报数据确定 | 第137-138页 |
| 5.1.3 日最高温度和最低温度预报数据确定 | 第138-140页 |
| 5.1.4 日降水量预报数据确定 | 第140-142页 |
| 5.2 不同气象条件下的冬小麦产量最优预报节点 | 第142-152页 |
| 5.2.1 正常天气条件下冬小麦产量预报 | 第142-145页 |
| 5.2.2 极端光照条件下冬小麦产量预报 | 第145-147页 |
| 5.2.3 极端温度条件下冬小麦产量预报 | 第147-149页 |
| 5.2.4 极端降水量条件下冬小麦产量预报 | 第149-152页 |
| 5.3 不同气象条件下的冬小麦GPC最优预报节点 | 第152-161页 |
| 5.3.1 正常天气条件下冬小麦GPC预报 | 第152-154页 |
| 5.3.2 极端光照条件下冬小麦GPC预报 | 第154-156页 |
| 5.3.3 极端温度条件下冬小麦GPC预报 | 第156-158页 |
| 5.3.4 极端降水条件下冬小麦GPC预报 | 第158-161页 |
| 5.4 本章小结 | 第161-163页 |
| 第六章 结合遥感数据与气象预报数据的冬小麦产量和GPC区域预报 | 第163-177页 |
| 6.1 基于遥感数据与气象预报数据的冬小麦产量和GPC区域预报思路 | 第163-164页 |
| 6.2 基于Landsat-5卫星TM数据的LAI和AGN反演 | 第164-169页 |
| 6.2.1 Landsat-5卫星TM数据的波谱响应函数 | 第164-165页 |
| 6.2.2 基于模拟TM5数据的多光谱植被指数选择 | 第165-167页 |
| 6.2.3 基于模拟TM5数据的LAI与AGN反演模型 | 第167-169页 |
| 6.3 基于遥感数据与DSSAT模型同化的冬小麦产量和GPC区域预报 | 第169-173页 |
| 6.3.1 同化算法的效率分析 | 第169-170页 |
| 6.3.2 基于遥感数据与DSSAT模型同化的冬小麦产量预报 | 第170-172页 |
| 6.3.3 基于遥感数据与DSSAT模型同化的冬小麦GPC预报 | 第172-173页 |
| 6.4 基于遥感数据与气象预报数据的冬小麦产量和GPC区域预报 | 第173-175页 |
| 6.4.1 基于遥感数据与气象预报数据的DSSAT模型冬小麦产量预报 | 第173-174页 |
| 6.4.2 基于遥感同化与气象预报的DSSAT模型冬小麦GPC预报 | 第174-175页 |
| 6.5 本章小结 | 第175-177页 |
| 第七章 结论、创新点与展望 | 第177-185页 |
| 7.1 结论 | 第177-179页 |
| 7.2 创新点 | 第179-180页 |
| 7.3 研究展望 | 第180-185页 |
| 参考文献(References) | 第185-205页 |
| 作者简介与攻读博士研究生期间的科研成果 | 第205-208页 |
