| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 前言 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的与意义 | 第9页 |
| 1.3 国内外研究现状 | 第9-14页 |
| 1.3.1 植物生理信息无损检测技术的发展现状 | 第10-13页 |
| 1.3.2 叶绿素荧光分析技术在无损检测领域的优越性 | 第13-14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 技术路线 | 第15-16页 |
| 第二章 材料与方法 | 第16-20页 |
| 2.1 试验材料 | 第16页 |
| 2.2 试验设计 | 第16-17页 |
| 2.3 测定项目与方法 | 第17-19页 |
| 2.3.1 葡萄叶片叶绿素荧光动力学参数采集 | 第17-18页 |
| 2.3.2 叶片钾含量测定 | 第18-19页 |
| 2.3.3 葡萄产量与果实品质测定 | 第19页 |
| 2.4 数据分析 | 第19-20页 |
| 第三章 钾营养对葡萄叶片叶绿素荧光动力学参数的影响 | 第20-35页 |
| 3.1 钾营养对葡萄结果枝叶片叶绿素荧光动力学参数的影响 | 第20-25页 |
| 3.2 钾营养对葡萄营养枝叶片叶绿素荧光动力学参数的影响 | 第25-31页 |
| 3.3 结果枝和营养枝灵敏叶位叶绿素荧光图像分析 | 第31-33页 |
| 3.4 不同钾营养对果实产量和品质的影响 | 第33-34页 |
| 3.4.1 不同钾营养对果实产量的影响 | 第33页 |
| 3.4.2 不同钾营养对果实品质的影响 | 第33-34页 |
| 3.5 小结 | 第34-35页 |
| 第四章 基于叶绿素荧光动力学参数的葡萄叶片钾营养诊断 | 第35-49页 |
| 4.1 算法理论基础 | 第35-38页 |
| 4.1.1 人工神经网络 | 第35-37页 |
| 4.1.2 支持向量机 | 第37-38页 |
| 4.2 葡萄叶片钾含量预测模型构建 | 第38-47页 |
| 4.2.1 预测模型背景 | 第39-40页 |
| 4.2.2 基于BP神经网络的葡萄叶片钾含量预测 | 第40-42页 |
| 4.2.3 基于ELM网络的葡萄叶片钾含量预测 | 第42-44页 |
| 4.2.4 基于SVR的葡萄叶片钾含量预测 | 第44-47页 |
| 4.3 小结 | 第47-49页 |
| 第五章 讨论与结论 | 第49-51页 |
| 5.1 讨论 | 第49-50页 |
| 5.2 结论 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 作者简介 | 第57-58页 |
| 致谢 | 第58页 |
