| 致谢 | 第7-9页 |
| 中文摘要 | 第9-12页 |
| Abstract | 第12-16页 |
| 第一章 绪论 | 第27-61页 |
| 1.1 研究背景 | 第27-30页 |
| 1.2 研究目的及意义 | 第30-31页 |
| 1.3 冻害遥感监测的理论基础 | 第31-37页 |
| 1.3.1 植被遥感监测原理 | 第31-34页 |
| 1.3.2 冻害的概念,成因及症状 | 第34-36页 |
| 1.3.3 油菜冻害监测指标 | 第36-37页 |
| 1.4 国内外研究进展 | 第37-57页 |
| 1.4.1 作物冻害光谱机理研究进展 | 第37-39页 |
| 1.4.2 作物冻害遥感监测方法研究进展 | 第39-42页 |
| 1.4.3 作物种植面积遥感估算研究进展 | 第42-48页 |
| 1.4.4 作物生物物理参数遥感监测研究进展 | 第48-57页 |
| 1.5 油菜冻害遥感监测存在的问题 | 第57-58页 |
| 1.6 研究目标、研究内容及技术路线 | 第58-61页 |
| 1.6.1 研究目标 | 第58页 |
| 1.6.2 研究内容 | 第58-59页 |
| 1.6.3 技术路线 | 第59-61页 |
| 第二章 试验方案、数据获取及处理 | 第61-81页 |
| 2.1 研究区概况及试验方案 | 第61-68页 |
| 2.1.1 油菜室内盆栽试验 | 第61-64页 |
| 2.1.2 湖北省江陵县油菜冻害遥感监测研究 | 第64-66页 |
| 2.1.3 浙江省德清县油菜星地同步观测试验 | 第66-68页 |
| 2.2 实验室及田间数据获取与处理 | 第68-75页 |
| 2.2.1 温度数据 | 第68-70页 |
| 2.2.2 室内光谱数据 | 第70-71页 |
| 2.2.3 叶片生理生化参数 | 第71-74页 |
| 2.2.4 冠层结构参数 | 第74-75页 |
| 2.3 卫星遥感影像及预处理 | 第75-81页 |
| 2.3.1 环境与灾害监测预报小卫星 | 第75-76页 |
| 2.3.2 高空间分辨率卫星 | 第76-79页 |
| 2.3.3 遥感数据预处理 | 第79-81页 |
| 第三章 油菜冻害高光谱响应机理及监测研究 | 第81-118页 |
| 3.1 油菜冻害过程生理生化参数变化分析 | 第81-84页 |
| 3.1.1 油菜冻害过程生化参数变化分析 | 第81-82页 |
| 3.1.2 油菜冻害过程生理参数变化分析 | 第82-84页 |
| 3.2 油菜冻害全过程高光谱变化分析 | 第84-90页 |
| 3.2.1 光谱定量化指标的计算 | 第84-85页 |
| 3.2.2 油菜冻害全过程高光谱变化分析 | 第85-90页 |
| 3.3 基于高光谱的油菜冻害全过程识别 | 第90-103页 |
| 3.3.1 高光谱数据预处理与光谱变换 | 第90-94页 |
| 3.3.2 基于混合效应模型的特征选择 | 第94-98页 |
| 3.3.3 支持向量机简介及参数优化 | 第98-100页 |
| 3.3.4 基于SVC的油菜冻害全过程识别 | 第100-103页 |
| 3.4 基于高光谱的油菜冻害生化参数监测 | 第103-117页 |
| 3.4.1 油菜冻害生化参数反演方法 | 第103-108页 |
| 3.4.2 基于植被指数的油菜冻害生化参数反演 | 第108-115页 |
| 3.4.3 基于机器学习的油菜冻害生化参数反演 | 第115-117页 |
| 3.5 本章小结 | 第117-118页 |
| 第四章 基于多时相遥感数据的县级油菜冻害监测方法研究 | 第118-141页 |
| 4.1 基于环境减灾卫星的冬前油菜种植面积估算方法研究 | 第118-129页 |
| 4.1.1 训练样本和遥感数据的选取 | 第118-120页 |
| 4.1.2 不同地物NDVI时间序列变化特征 | 第120-123页 |
| 4.1.3 基于决策树的冬前油菜种植区域提取 | 第123-126页 |
| 4.1.4 油菜种植面积估算结果的精度评价 | 第126-129页 |
| 4.2 基于区域自动气象站气温数据的空间插值 | 第129-138页 |
| 4.2.1 区域自动气象站气温数据 | 第129-131页 |
| 4.2.2 气温空间插值方法及精度评价 | 第131-134页 |
| 4.2.3 气温插值结果 | 第134-138页 |
| 4.3 油菜冻害监测 | 第138-140页 |
| 4.4 本章小结 | 第140-141页 |
| 第五章 基于高空间分辨率卫星数据的油菜LAI与AGB估算与制图 | 第141-167页 |
| 5.1 LAI和AGB反演的数据选择及方法 | 第141-151页 |
| 5.1.1 地面数据以及遥感影像的选择 | 第141-143页 |
| 5.1.2 光谱特征提取及相关性分析 | 第143-145页 |
| 5.1.3 曲线拟合以及机器学习算法 | 第145-147页 |
| 5.1.4 PROSAIL辐射传输模型简介 | 第147-151页 |
| 5.2 叶面积指数估算 | 第151-157页 |
| 5.2.1 数据集的模拟 | 第151-152页 |
| 5.2.2 基于曲线拟合的叶面积指数估算 | 第152-154页 |
| 5.2.3 基于机器学习的叶面积指数估算 | 第154-157页 |
| 5.3 地上干生物量估算 | 第157-162页 |
| 5.3.1 基于曲线拟合的地上生物量估算 | 第157-159页 |
| 5.3.2 基于机器学习的地上生物量估算 | 第159-162页 |
| 5.4 LAI与AGB时空变化制图 | 第162-166页 |
| 5.4.1 基于高空间分辨率卫星的LAI制图 | 第162-164页 |
| 5.4.2 基于高空间分辨率卫星的AGB制图 | 第164-166页 |
| 5.5 本章小结 | 第166-167页 |
| 第六章 结论、创新点与展望 | 第167-172页 |
| 6.1 研究主要结论 | 第167-168页 |
| 6.2 研究创新点 | 第168-169页 |
| 6.3 研究展望 | 第169-172页 |
| 参考文献 | 第172-202页 |
| 作者简介与攻读博士研究生期间的科研成果 | 第202-205页 |
