| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 农业高光谱遥感技术研究进展 | 第13-14页 |
| 1.3 本文研究的目的与意义 | 第14-15页 |
| 1.4 研究内容及技术路线 | 第15-17页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 技术路线 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 材料与方法 | 第18-26页 |
| 2.1 研究区域概况 | 第18页 |
| 2.2 数据获取 | 第18-20页 |
| 2.2.1 无人机遥感高光谱图像获取 | 第18-20页 |
| 2.2.2 粳稻叶片叶绿素含量测定 | 第20页 |
| 2.3 研究方法 | 第20-26页 |
| 2.3.1 无人机高光谱预处理方法 | 第20-22页 |
| 2.3.2 特征波长提取方法 | 第22-23页 |
| 2.3.3 光谱植被变量的遴选 | 第23-26页 |
| 第三章 粳稻生长过程的高光谱遥感特征 | 第26-32页 |
| 3.1 粳稻冠层光谱特征分析 | 第26-28页 |
| 3.1.1 粳稻不同生育时期的光谱变化特征 | 第26-27页 |
| 3.1.2 粳稻高光谱在不同叶绿素含量下的特征 | 第27-28页 |
| 3.2 粳稻"红边"一阶微分的光谱变化特征 | 第28-30页 |
| 3.2.1 粳稻冠层原始光谱在不同生育时期的"红边"特征 | 第28-29页 |
| 3.2.2 粳稻冠层原始光谱在不同叶绿素含量下的"红边"特征 | 第29-30页 |
| 3.3 本章小结 | 第30-32页 |
| 第四章 粳稻原始光谱、一阶微分光谱叶绿素含量的反演 | 第32-43页 |
| 4.1 粳稻原始光谱、一阶微分光谱与叶绿素含量相关性分析 | 第32-35页 |
| 4.1.1 二元定距变量的相关性分析原理 | 第32-33页 |
| 4.1.2 粳稻叶绿素含量与单波段反射率的相关性 | 第33-35页 |
| 4.2 原始光谱、一阶微分光谱反演叶绿素含量的统计模型 | 第35-41页 |
| 4.2.1 模型的选取及精度检验方法 | 第35-38页 |
| 4.2.2 原始光谱敏感波段与叶绿素含量相关性分析 | 第38-40页 |
| 4.2.3 一阶微分光谱敏感波段与叶绿素含量相关性分析 | 第40-41页 |
| 4.3 本章小结 | 第41-43页 |
| 第五章 粳稻光谱植被指数叶绿素含量估测研究 | 第43-59页 |
| 5.1 光谱植被指数的选取 | 第43-44页 |
| 5.2 基于单变量植被指数一元估测叶绿素模型的建立与评价 | 第44-46页 |
| 5.3 基于多变量植被指数多元线性反演叶绿素模型的建立与评价 | 第46-48页 |
| 5.3.1 多元线性反演模型 | 第46页 |
| 5.3.2 叶绿素含量多元线性估测模型的相关性分析 | 第46-48页 |
| 5.4 基于BP神经网络算法的叶绿素估测模型的建立与评价 | 第48-56页 |
| 5.4.1 BP神经网络算法的原理 | 第48-50页 |
| 5.4.2 基于BP神经网络算法的叶绿素估测模型的建立 | 第50-53页 |
| 5.4.3 BP神经网络估算叶绿素模型精度的评价 | 第53-56页 |
| 5.5 本章小结 | 第56-59页 |
| 第六章 结论与展望 | 第59-61页 |
| 6.1 主要结论 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间发表论文 | 第65页 |
