| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究进展 | 第12-15页 |
| 1.3 研究目的与内容 | 第15-17页 |
| 1.4 技术路线 | 第17-18页 |
| 2 研究区概况和数据预处理 | 第18-24页 |
| 2.1 研究区概况 | 第18-19页 |
| 2.1.1 自然地理状况 | 第18-19页 |
| 2.1.2 社会经济状况 | 第19页 |
| 2.2 土壤样品采集与分析 | 第19-20页 |
| 2.3 高光谱数据的获取与处理 | 第20-21页 |
| 2.3.1 土壤野外光谱测量 | 第20-21页 |
| 2.3.2 光谱数据预处理 | 第21页 |
| 2.4 Landsat-8_OLI影像数据获取与预处理 | 第21-24页 |
| 2.4.1 数据获取 | 第21-22页 |
| 2.4.2 辐射定标 | 第22-23页 |
| 2.4.3 FLAASH大气校正 | 第23-24页 |
| 2.4.4 校正结果 | 第24页 |
| 3 土壤有机质含量值预测模型 | 第24-27页 |
| 3.1 多元线性回归 | 第24-25页 |
| 3.2 BP算法 | 第25页 |
| 3.3 SVM算法 | 第25-26页 |
| 3.4 普通克里格法 | 第26-27页 |
| 3.5 模型检验 | 第27页 |
| 4 基于高光谱的土壤有机质含量预测 | 第27-36页 |
| 4.1 土壤有机质含量的经典统计学分析 | 第27-28页 |
| 4.2 土壤高光谱特征分析 | 第28-29页 |
| 4.3 土壤高光谱指数提取 | 第29-31页 |
| 4.4 土壤有机质预测模型建立 | 第31-34页 |
| 4.4.1 多元线性回归模型 | 第31-32页 |
| 4.4.2 BP神经网络回归模型 | 第32页 |
| 4.4.3 SVM神经网络回归模型 | 第32-33页 |
| 4.4.4 模型检验与比较 | 第33-34页 |
| 4.5 小结和讨论 | 第34-36页 |
| 5 高光谱与Landsat数据支持下的土壤有机质建模与空间分析 | 第36-51页 |
| 5.1 高光谱数据与Landsat-8_OLI数据对比分析 | 第36-37页 |
| 5.2 光谱指数及特征波段提取分析 | 第37-41页 |
| 5.3 土壤有机质含量估测模型建立 | 第41-45页 |
| 5.3.1 多元线性回归模型 | 第41-42页 |
| 5.3.2 BP神经网络回归模型 | 第42-43页 |
| 5.3.3 SVM神经网络回归模型 | 第43-44页 |
| 5.3.4 普通克里格模型 | 第44-45页 |
| 5.4 有机质空间分布对比分析与模型精度评价 | 第45-48页 |
| 5.5 小结与讨论 | 第48-51页 |
| 6 结论与建议 | 第51-54页 |
| 6.1 结论 | 第51-52页 |
| 6.2 存在问题及建议 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 攻读学位期间发表的学术论文 | 第60-61页 |
| 致谢 | 第61页 |
