高光谱数据在浅海底质分类及水深反演中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究意义 | 第7-8页 |
| ·浅海底质分类概述 | 第8-10页 |
| ·浅海底质分类的研究意义 | 第8页 |
| ·浅海底质分类的国内外发展现状 | 第8-10页 |
| ·高光谱遥感概述 | 第10-12页 |
| ·高光谱遥感的基本概念 | 第10-11页 |
| ·高光谱遥感的国内外发展现状 | 第11-12页 |
| ·论文主要研究内容 | 第12-13页 |
| 第二章 遥感基础及原理 | 第13-18页 |
| ·遥感理论基础 | 第13-14页 |
| ·水体的光谱特性 | 第14-17页 |
| ·小结 | 第17-18页 |
| 第三章 基于微分算法的浅海底质分类 | 第18-38页 |
| ·常用遥感图像分类算法 | 第18-21页 |
| ·监督分类法 | 第18-19页 |
| ·非监督分类法 | 第19-21页 |
| ·创建浅海反射率模拟数据 | 第21-28页 |
| ·半理论半经验模型 | 第21-25页 |
| ·浅海底质的光谱特征 | 第25-28页 |
| ·微分算法区分底质类型 | 第28-32页 |
| ·微分算法简介 | 第28-29页 |
| ·基于模拟数据的底质分类 | 第29-32页 |
| ·模拟海底底质实验 | 第32-35页 |
| ·模拟海底底质实验对算法的验证 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第四章 基于人工神经网络的浅海底质分类 | 第38-53页 |
| ·人工神经网络简介 | 第38-41页 |
| ·人工神经网络的特点及用途 | 第38-39页 |
| ·误差反向传播前馈网络 | 第39-41页 |
| ·人工神经网络模型建立 | 第41-43页 |
| ·样本数据的处理和划分 | 第41页 |
| ·网络输入数据和输出数据的预处理 | 第41-43页 |
| ·隐层数设计和隐层神经元数目的选择? | 第43-44页 |
| ·隐层数设计 | 第43页 |
| ·隐层神经元数目的选择 | 第43-44页 |
| ·网络训练以及结果输出 | 第44-48页 |
| ·实测数据对BP 网络的验证 | 第48-49页 |
| ·基于人工神经网络算法的混合底质光谱分解 | 第49-52页 |
| ·光谱混合模型 | 第50页 |
| ·混合底质的定量分析 | 第50-52页 |
| ·小结 | 第52-53页 |
| 第五章 基于底质分类的水深反演 | 第53-71页 |
| ·水深反演模型简介 | 第53-54页 |
| ·基于模拟海底底质实验的水深反演 | 第54-62页 |
| ·不同底质反射率与水深的关系 | 第54-56页 |
| ·基于底质分类的水深反演算法原理 | 第56-57页 |
| ·不同水深反演模型的反演误差分析 | 第57-59页 |
| ·基于不同水深反演模型的底质分类水深算法的比较 | 第59-62页 |
| ·我国某浅海区域的水深反演实例 | 第62-70页 |
| ·预处理 | 第62-64页 |
| ·最大似然法底质分类 | 第64-66页 |
| ·水深反演 | 第66-69页 |
| ·误差分析 | 第69-70页 |
| ·小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| ·底质分类算法结论 | 第71页 |
| ·基于底质分类的水深反演算法结论 | 第71-72页 |
| ·展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 作者在攻读硕士期间主要研究成果 | 第77页 |
