| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究目的和意义 | 第14-15页 |
| 1.3 国内外研究现状及课题来源 | 第15-16页 |
| 1.4 研究内容与技术路线 | 第16-19页 |
| 1.4.1 研究内容 | 第16页 |
| 1.4.2 技术路线 | 第16-18页 |
| 1.4.3 本文组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 数据采集及实验方法介绍 | 第20-34页 |
| 2.1 数据采集方案设计 | 第20页 |
| 2.2 采集工具介绍 | 第20-24页 |
| 2.2.1 多光谱相机 | 第20-22页 |
| 2.2.2 叶绿素测定仪 | 第22-24页 |
| 2.3 数据预处理常用的方法 | 第24-25页 |
| 2.3.1 数据清理 | 第24页 |
| 2.3.2 数据集成 | 第24-25页 |
| 2.3.3 特征提取 | 第25页 |
| 2.4 数据拟合 | 第25-28页 |
| 2.4.1 预测模型及实验工具介绍 | 第25-27页 |
| 2.4.2 预测模型的评价指标 | 第27-28页 |
| 2.5 数据分类 | 第28-33页 |
| 2.5.1 分类模型介绍 | 第28-31页 |
| 2.5.2 实验工具 | 第31-32页 |
| 2.5.3 评价指标 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 多光谱波段融合 | 第34-39页 |
| 3.1 基于因子分析的波段融合 | 第34-36页 |
| 3.1.1 因子得分及其光学解释 | 第34-36页 |
| 3.2 基于聚类分析的波段融合 | 第36-38页 |
| 3.2.1 距离和相似系数 | 第36-37页 |
| 3.2.2 聚类结果 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 多光谱图像灰度与叶绿素含量相关性的拟合 | 第39-52页 |
| 4.1 基于多元线性回归的拟合 | 第39-46页 |
| 4.1.1 所有波段参与线性回归建模 | 第39-40页 |
| 4.1.2 基于逐步回归和影响分析提升线性模型的拟合效果 | 第40-44页 |
| 4.1.3 基于回归诊断检验线性模型 | 第44-46页 |
| 4.2 基于多元非线性回归的拟合 | 第46-49页 |
| 4.2.1 基于逐步回归提升非线性模型的拟合效果 | 第47-48页 |
| 4.2.2 基于回归诊断检验非线性模型 | 第48-49页 |
| 4.3 波段融合对拟合模型效果的提升 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 玉米生育时期的分类 | 第52-68页 |
| 5.1 玉米叶片多光谱灰度值的结构 | 第52-56页 |
| 5.2 基于机器学习的分类建模 | 第56-58页 |
| 5.2.1 分类建模流程 | 第56-57页 |
| 5.2.2 分类模型选择 | 第57-58页 |
| 5.3 基于机器学习的分类实验 | 第58-67页 |
| 5.3.1 基于混淆矩阵可视化提升模型分类效果 | 第58-66页 |
| 5.3.2 波段融合对分类器精度的提升 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-69页 |
| 6.1 工作总结 | 第68页 |
| 6.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72页 |