| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 光谱分析的农业应用 | 第10-11页 |
| 1.3 叶面积指数测量方法综述 | 第11-15页 |
| 1.3.1 叶面积指数实地测量方法 | 第11-13页 |
| 1.3.2 叶面积指数遥感测量方法 | 第13-15页 |
| 1.4 课题的意义 | 第15-16页 |
| 1.5 课题研究的主要内容 | 第16-19页 |
| 第2章 基于统计模型方法的小麦 LAI 估算 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 植被指数概述 | 第19-24页 |
| 2.2.1 植被指数的概念及意义 | 第19-20页 |
| 2.2.2 植被指数的发展及分类 | 第20-22页 |
| 2.2.3 几种常见的植被指数 | 第22-24页 |
| 2.3 建立统计模型估算 LAI | 第24-31页 |
| 2.3.1 小麦 LAI 估算技术路线 | 第24-26页 |
| 2.3.2 实验方案设计 | 第26-27页 |
| 2.3.3 实验结果及分析 | 第27-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第3章 基于案例推理方法的小麦 LAI 估算 | 第33-65页 |
| 3.1 引言 | 第33页 |
| 3.2 基于案例推理方法概述 | 第33-42页 |
| 3.2.1 基于案例推理的理论基础 | 第33-34页 |
| 3.2.2 基于案例推理的关键技术 | 第34-39页 |
| 3.2.3 基于案例推理的应用 | 第39-40页 |
| 3.2.4 基于案例推理的优势及不足 | 第40-42页 |
| 3.3 基于 CBR 的小麦 LAI 估算关键技术的实现 | 第42-56页 |
| 3.3.1 小麦 LAI 估算的案例表示 | 第42-43页 |
| 3.3.2 案例的相似度计算 | 第43-45页 |
| 3.3.3 案例的检索与重用 | 第45-47页 |
| 3.3.4 基于遗传算法的案例特征权重的优化 | 第47-56页 |
| 3.4 基于 CBR 的小麦 LAI 估算 | 第56-61页 |
| 3.4.1 实验方案设计 | 第56-57页 |
| 3.4.2 实验结果及分析 | 第57-61页 |
| 3.5 基于案例推理与统计模型的 LAI 估算结果比较 | 第61-62页 |
| 3.6 本章小结 | 第62-65页 |
| 第4章 小麦农学参数估算系统的设计与实现 | 第65-71页 |
| 4.1 引言 | 第65页 |
| 4.2 系统的设计 | 第65-67页 |
| 4.2.1 系统的开发环境 | 第65-66页 |
| 4.2.2 系统的基本框架 | 第66-67页 |
| 4.3 系统的功能实现流程 | 第67-70页 |
| 4.4 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 1、工作总结 | 第71-72页 |
| 2、存在的不足及研究工作展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的学术成果 | 第77-79页 |
| 致谢 | 第79页 |