基于机器学习的北方水稻叶面积指数反演
| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-16页 |
| 1.2.1 水稻LAI估算的特殊性及研究概况 | 第10-12页 |
| 1.2.2 叶面积指数反演国内外研究进展 | 第12-14页 |
| 1.2.3 机器学习算法国内外研究进展 | 第14-16页 |
| 1.3 课题研究的内容和目的 | 第16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 1.5 本论文技术路线图 | 第17-18页 |
| 第2章 研究区概况与数据预处理 | 第18-27页 |
| 2.1 研究区概况与试验设计 | 第18-19页 |
| 2.1.1 试验地点 | 第18-19页 |
| 2.1.2 试验田设计 | 第19页 |
| 2.2 水稻生长信息农学基础 | 第19-23页 |
| 2.2.1 水稻生理学基础 | 第19-20页 |
| 2.2.2 水稻叶面积指数测定 | 第20-22页 |
| 2.2.3 水稻叶面积指数在各生育期的变化 | 第22-23页 |
| 2.3 Sentinel-2遥感数据获取与预处理 | 第23-26页 |
| 2.3.1 数据获取 | 第23-24页 |
| 2.3.2 大气校正 | 第24页 |
| 2.3.3 影像重采样及裁剪 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 经验公式法反演叶面积指数 | 第27-37页 |
| 3.1 植被指数选择 | 第27-31页 |
| 3.1.1 比值植被指数 | 第29-30页 |
| 3.1.2 归一化差值植被指数 | 第30-31页 |
| 3.2 基于经验公式法的水稻叶面积指数反演 | 第31-35页 |
| 3.2.1 传统回归分析方法 | 第31-32页 |
| 3.2.2 数据归一化处理 | 第32-33页 |
| 3.2.3 水稻叶面积指数拟合模型及误差分析 | 第33-35页 |
| 3.3 本章小结 | 第35-37页 |
| 第4章 基于机器学习的叶面积指数反演 | 第37-49页 |
| 4.1 基于随机森林的水稻叶面积指数反演建模 | 第37-43页 |
| 4.1.1 随机森林算法 | 第37-40页 |
| 4.1.2 水稻叶面积指数反演结果及精度比较 | 第40-43页 |
| 4.2 支持向量机反演叶面积指数及结果分析 | 第43-48页 |
| 4.2.1 支持向量机算法 | 第43-45页 |
| 4.2.2 支持向量机反演叶面积指数 | 第45页 |
| 4.2.3 反演结果及精度比较 | 第45-48页 |
| 4.3 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间发表论文 | 第57页 |
