摘要 | 第6-8页 |
Abstract | 第8-9页 |
第一章 绪论 | 第12-18页 |
1.1 研究背景和意义 | 第12页 |
1.2 高光谱遥感反演作物氮素含量的依据 | 第12-14页 |
1.2.1 高光谱遥感的基本原理 | 第12-13页 |
1.2.2 绿色植被的典型光谱特征 | 第13-14页 |
1.2.3 作物氮素含量的高光谱监测机理 | 第14页 |
1.3 高光谱遥感监测作物氮素含量的研究进展 | 第14-17页 |
1.3.1 不同光谱分辨率的作物氮素含量监测研究进展 | 第14-15页 |
1.3.2 不同尺度的作物氮素含量监测研究进展 | 第15-16页 |
1.3.3 不同分析方法的作物氮素含量监测研究进展 | 第16-17页 |
1.4 研究内容 | 第17-18页 |
第二章 材料与方法 | 第18-24页 |
2.1 试验设计 | 第18页 |
2.2 数据获取 | 第18-19页 |
2.2.1 高光谱数据获取 | 第18-19页 |
2.2.2 氮素含量获取 | 第19页 |
2.3 高光谱数据处理方法 | 第19-21页 |
2.3.1 高光谱数据预处理 | 第19-20页 |
2.3.2 一阶导数光谱 | 第20页 |
2.3.3 三边参数 | 第20-21页 |
2.3.4 光谱指数 | 第21页 |
2.4 研究方法与技术路线 | 第21-24页 |
2.4.1 建模方法 | 第21-22页 |
2.4.2 模型精度检验方法 | 第22-23页 |
2.4.3 技术路线 | 第23-24页 |
第三章 冬小麦光谱特征 | 第24-34页 |
3.1 前言 | 第24页 |
3.2 冬小麦叶片氮素含量的各生育期变化情况 | 第24-26页 |
3.3 不同氮素水平下的冬小麦原始光谱及一阶导数光谱特征 | 第26-29页 |
3.3.1 不同氮素水平下冠层光谱特征 | 第26-27页 |
3.3.2 不同氮素水平下叶片光谱特征 | 第27-29页 |
3.4 不同生育期冬小麦原始光谱及一阶导数光谱特征 | 第29-31页 |
3.4.1 不同生育期冬小麦冠层光谱特征 | 第29-30页 |
3.4.2 不同生育期冬小麦叶片光谱特征 | 第30-31页 |
3.5 小结与讨论 | 第31-34页 |
第四章 基于高光谱参数的冬小麦叶片氮含量估算模型 | 第34-60页 |
4.1 前言 | 第34页 |
4.2 基于特征波段的冬小麦氮素含量预测模型 | 第34-44页 |
4.2.1 冬小麦氮素含量与原始光谱及其一阶导数光谱的相关性 | 第34-35页 |
4.2.2 基于敏感波段的氮素含量估算模型构建及检验 | 第35-39页 |
4.2.3 基于三边参数的氮素含量估算模型构建及检验 | 第39-44页 |
4.3 基于高光谱指数的冬小麦氮素含量估算模型 | 第44-56页 |
4.3.1 基于冠层光谱的冬小麦叶片氮含量与光谱指数估算模型构建与检验 | 第44-50页 |
4.3.2 基于叶片光谱的冬小麦叶片氮含量与光谱指数估算模型构建与检验 | 第50-56页 |
4.4 小结与讨论 | 第56-60页 |
第五章 基于人工神经网络的冬小麦氮素含量反演模型 | 第60-72页 |
5.1 前言 | 第60页 |
5.2 基于BP神经网络的冬小麦氮素含量估算模型及检验 | 第60-65页 |
5.2.1 BP神经网络冬小麦叶片氮含量预测模型及检验 | 第61-62页 |
5.2.2 优化BP神经网络冬小麦叶片氮含量预测模型及检验 | 第62-65页 |
5.3 基于RBF神经网络的冬小麦氮素含量估算模型及检验 | 第65-67页 |
5.3.1 RBF神经网络冬小麦叶片氮含量预测模型及检验 | 第65-66页 |
5.3.2 优化RBF神经网络冬小麦叶片氮含量预测模型及检验 | 第66-67页 |
5.4 本文中所有模型精度对比 | 第67-69页 |
5.5 小结与讨论 | 第69-72页 |
第六章 高光谱影像在冬小麦氮素含量估算中的应用 | 第72-78页 |
6.1 前言 | 第72页 |
6.2 高光谱影像预处理 | 第72-73页 |
6.3 基于高光谱影像的冬小麦氮素含量反演 | 第73-75页 |
6.4 小结与讨论 | 第75-78页 |
第七章 结论与展望 | 第78-80页 |
7.1 主要结论 | 第78-79页 |
7.2 不足与展望 | 第79-80页 |
参考文献 | 第80-86页 |
致谢 | 第86-87页 |
作者简介 | 第87页 |