| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 1 绪论 | 第18-41页 |
| 1.1 课题来源 | 第18页 |
| 1.2 研究目的和意义 | 第18-21页 |
| 1.2.1 数字化土壤制图与精准农业需求 | 第18-19页 |
| 1.2.2 高光谱遥感的特点及土壤信息提取关键技术 | 第19-21页 |
| 1.3 土壤光谱数据源及光谱库现状 | 第21-29页 |
| 1.3.1 土壤地面高光谱研究现状 | 第21-23页 |
| 1.3.2 土壤高光谱影像技术现状 | 第23-26页 |
| 1.3.3 土壤光谱库的研究现状 | 第26-29页 |
| 1.4 光谱参量预测黑土成分含量研究现状 | 第29-36页 |
| 1.4.1 土壤光谱机理研究现状 | 第29-30页 |
| 1.4.2 高光谱土壤有机质提取研究现状 | 第30-31页 |
| 1.4.3 高光谱土壤水分提取研究现状 | 第31-32页 |
| 1.4.4 高光谱土壤盐渍化提取研究现状 | 第32-33页 |
| 1.4.5 高光谱土壤重金属提取研究现状 | 第33-35页 |
| 1.4.6 高光谱土壤其它成分提取研究现状 | 第35-36页 |
| 1.5 机载高光谱遥感在黑土信息提取应用中的技术优势 | 第36页 |
| 1.6 技术路线和研究内容 | 第36-41页 |
| 1.6.1 研究技术路线 | 第36-38页 |
| 1.6.2 主要研究内容 | 第38-41页 |
| 2 研究区及数据预处理 | 第41-53页 |
| 2.1 研究区及机载数据源 | 第41-43页 |
| 2.2 地面同步数据工作 | 第43-44页 |
| 2.3 数据预处理 | 第44-45页 |
| 2.4 土壤理化数据获取 | 第45-47页 |
| 2.4.1 土壤样品制备 | 第45-46页 |
| 2.4.2 理化成分测定 | 第46-47页 |
| 2.5 黑土养分高光谱处理系统的构建 | 第47-53页 |
| 2.5.1 系统设计 | 第47-48页 |
| 2.5.2 数据库设计与实现工具 | 第48-49页 |
| 2.5.3 黑土高光谱数据处理与分析 | 第49-51页 |
| 2.5.4 黑土养分光谱信息综合提取的应用 | 第51-53页 |
| 3 基于信息量的高光谱黑土养分预测方法 | 第53-64页 |
| 3.1 基于信息量的黑土养分特征选择 | 第54-57页 |
| 3.1.1 基于机理的黑土养分特征波段 | 第54-55页 |
| 3.1.2 波段标准差特征选择 | 第55-56页 |
| 3.1.3 信息熵特征选择 | 第56-57页 |
| 3.2 数据与方法 | 第57-58页 |
| 3.2.1 实验数据 | 第57-58页 |
| 3.2.2 算法实现 | 第58页 |
| 3.3 提取结果分析 | 第58-63页 |
| 3.3.1 建模特征波段 | 第58-59页 |
| 3.3.2 偏最小二乘回归模型 | 第59-60页 |
| 3.3.3 预测结果精度分析 | 第60-61页 |
| 3.3.4 黑土养分空间制图 | 第61-63页 |
| 3.4 小结 | 第63-64页 |
| 4 基于光谱参量预测黑土养分含量方法 | 第64-77页 |
| 4.1 材料与方法 | 第64-65页 |
| 4.1.1 测定方法 | 第64-65页 |
| 4.1.2 算法实现 | 第65页 |
| 4.2 数据集的建立 | 第65-68页 |
| 4.2.1 光谱数据预处理 | 第65-66页 |
| 4.2.2 建立光谱与土壤养分训练数据集 | 第66-68页 |
| 4.3 机器学习模型训练 | 第68-72页 |
| 4.3.1 支持向量机 | 第68-69页 |
| 4.3.2 神经网络模型 | 第69-71页 |
| 4.3.3 偏最小二乘回归模型 | 第71-72页 |
| 4.4 精度分析与提取结果 | 第72-76页 |
| 4.4.1 预测结果精度分析 | 第72-74页 |
| 4.4.2 土壤养分提取结果 | 第74-76页 |
| 4.5 小结 | 第76-77页 |
| 5 黑土养分含量与光谱变换方法的响应关系研究 | 第77-91页 |
| 5.1 数据与方法 | 第78-80页 |
| 5.1.1 测定方法 | 第78页 |
| 5.1.2 算法及其实现 | 第78-80页 |
| 5.2 养分含量与光谱关系分析 | 第80-83页 |
| 5.2.1 不同含量的黑土养分光谱特征 | 第80-82页 |
| 5.2.2 逐波段养分含量相关关系 | 第82-83页 |
| 5.3 变换方法与养分含量响应关系分析 | 第83-88页 |
| 5.3.1 所选的变换方法 | 第83页 |
| 5.3.2 重采样评估光谱尺度效应 | 第83-84页 |
| 5.3.3 建立响应关系模型 | 第84-88页 |
| 5.4 提取结果 | 第88-90页 |
| 5.5 小结 | 第90-91页 |
| 6 高光谱黑土养分预测的频域识别与提取 | 第91-108页 |
| 6.1 黑土频谱特征分析 | 第92-96页 |
| 6.1.1 黑土纹理特征描述 | 第92-93页 |
| 6.1.2 黑土幅度谱特征分析 | 第93-95页 |
| 6.1.3 黑土相位谱特征分析 | 第95-96页 |
| 6.2 一种自适应高斯低通滤波算法 | 第96-99页 |
| 6.2.1 基本原理 | 第96-98页 |
| 6.2.2 算法步骤 | 第98-99页 |
| 6.3 黑土养分数据及信息提取 | 第99-102页 |
| 6.3.1 试验数据 | 第99页 |
| 6.3.2 黑土养分信息的提取 | 第99-102页 |
| 6.4 黑土养分提取精度分析 | 第102-107页 |
| 6.4.1 精度评价方法 | 第102页 |
| 6.4.2 提取精度分析结果 | 第102-106页 |
| 6.4.3 提取结果 | 第106-107页 |
| 6.5 小结 | 第107-108页 |
| 7 面向高光谱黑土养分信息智能提取的机器学习方法 | 第108-131页 |
| 7.1 机器学习与高光谱信息提取的结合 | 第109-114页 |
| 7.1.1 机器学习的研究范畴 | 第109-111页 |
| 7.1.2 机器学习方法与高光谱信息提取的映射关系 | 第111页 |
| 7.1.3 高光谱黑土养分智能提取的流程 | 第111-113页 |
| 7.1.4 试验数据 | 第113-114页 |
| 7.2 基于光谱的黑土养分信息智能降维 | 第114-119页 |
| 7.2.1 高光谱降维的方法综述 | 第114页 |
| 7.2.2 PCA方法试验 | 第114-116页 |
| 7.2.3 MDS方法试验 | 第116-117页 |
| 7.2.4 ISOMAP方法试验 | 第117-118页 |
| 7.2.5 LLE方法试验 | 第118-119页 |
| 7.2.6 算法比较 | 第119页 |
| 7.3 基于光谱的黑土养分信息智能聚类 | 第119-124页 |
| 7.3.1 层次聚类法对黑土光谱进行预处理 | 第119-120页 |
| 7.3.2 黑土光谱聚类数合为簇 | 第120页 |
| 7.3.3 特征光谱组合确定簇数 | 第120-122页 |
| 7.3.4 聚类精度评价 | 第122-124页 |
| 7.4 基于光谱的黑土养分信息智能分类 | 第124-127页 |
| 7.4.1 决策树发现隐含光谱信息 | 第124-125页 |
| 7.4.2 多颗决策树形成随机森林分类法 | 第125-127页 |
| 7.4.3 分类精度评价 | 第127页 |
| 7.5 基于光谱的黑土养分信息智能回归 | 第127-130页 |
| 7.5.1 黑土光谱隐含规则信息发现 | 第127-128页 |
| 7.5.2 使用Apriori算法进行数据挖掘 | 第128-130页 |
| 7.5.3 黑土养分含量智能回归 | 第130页 |
| 7.6 小结 | 第130-131页 |
| 8 结论 | 第131-134页 |
| 8.1 结论与成果 | 第131-132页 |
| 8.2 本文创新点 | 第132-133页 |
| 8.3 研究不足与展望 | 第133-134页 |
| 攻读博士学位期间学术成果 | 第134-137页 |
| 攻读博士学位期间课题研究情况 | 第137-138页 |
| 致谢 | 第138-140页 |
| 参考文献 | 第140-146页 |
