| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 土壤湿度反演研究 | 第11-12页 |
| 1.2.2 遥感数据重建研究 | 第12-13页 |
| 1.2.3 机器学习算法研究 | 第13-14页 |
| 1.2.4 现有研究存在的问题 | 第14-15页 |
| 1.3 论文框架与技术路线 | 第15-18页 |
| 第2章 研究区概况与数据处理 | 第18-26页 |
| 2.1 研究区概况 | 第18-19页 |
| 2.1.1 地理位置 | 第18页 |
| 2.1.2 自然地理概况 | 第18-19页 |
| 2.2 研究数据及预处理 | 第19-24页 |
| 2.2.1 ESA-CCI-SM土壤湿度数据 | 第19-20页 |
| 2.2.2 ERA-Interim再分析土壤湿度数据 | 第20-21页 |
| 2.2.3 微波数据同化土壤湿度数据集 | 第21页 |
| 2.2.4 土壤湿度地面站点数据 | 第21-23页 |
| 2.2.5 MODIS光学遥感数据 | 第23-24页 |
| 2.2.6 DEM数据 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 土壤湿度数据重建原理与方法 | 第26-34页 |
| 3.1 土壤湿度数据重建的基本原理 | 第26页 |
| 3.2 机器学习算法 | 第26-29页 |
| 3.2.1 随机森林(Rand Forests,RF) | 第26-27页 |
| 3.2.2 K最近邻(K-nearest-neighbors,KNN) | 第27-28页 |
| 3.2.3 支持向量机(Support Vector Machine,SVM) | 第28页 |
| 3.2.4 贝叶斯(Bayesian,Bayes) | 第28-29页 |
| 3.3 模型辅助变量选取 | 第29-33页 |
| 3.3.1 归一化植被指数 | 第29-30页 |
| 3.3.2 地表温度 | 第30-31页 |
| 3.3.3 地表反照率 | 第31-32页 |
| 3.3.4 地形与地理位置 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 土壤湿度数据重建模型构建 | 第34-42页 |
| 4.1 ESA-CCI-SM数据统计分析 | 第34-36页 |
| 4.2 模型构建流程 | 第36-38页 |
| 4.3 土壤湿度重建结果 | 第38-39页 |
| 4.4 本章小结 | 第39-42页 |
| 第5章 土壤湿度数据重建结果评价 | 第42-64页 |
| 5.1 精度评价方法 | 第42页 |
| 5.2 与原始数据的对比分析 | 第42-52页 |
| 5.3 与实测数据的对比分析 | 第52-60页 |
| 5.4 与多源土壤湿度数据对比分析 | 第60-62页 |
| 5.5 本章小结 | 第62-64页 |
| 第6章 基于重建数据的青藏高原土壤湿度分布规律探讨 | 第64-74页 |
| 6.1 土壤湿度时空特征 | 第64-67页 |
| 6.2 土壤湿度年际变化特征 | 第67-69页 |
| 6.3 土壤湿度对降水的响应 | 第69-72页 |
| 6.4 本章小结 | 第72-74页 |
| 第7章 结论与展望 | 第74-78页 |
| 7.1 结论 | 第74-75页 |
| 7.2 创新点 | 第75页 |
| 7.3 不足与展望 | 第75-78页 |
| 参考文献 | 第78-88页 |
| 附录 | 第88-92页 |
| 致谢 | 第92-94页 |
| 攻读学位期间科研成果 | 第94页 |
