| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 英文缩略表 | 第10-11页 |
| 第一章 引言 | 第11-18页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 水源涵养关键参数反演研究进展 | 第12-16页 |
| 1.2.1 土壤水分反演研究进展 | 第12-14页 |
| 1.2.2 地表温度反演研究进展 | 第14-16页 |
| 1.3 研究目标与研究内容 | 第16-17页 |
| 1.4 技术路线 | 第17-18页 |
| 第二章 研究方法 | 第18-21页 |
| 2.1 卷积神经网络发展历程 | 第18页 |
| 2.2 卷积神经网络结构搭建 | 第18-21页 |
| 第三章 基于卷积神经网络的土壤水分反演 | 第21-33页 |
| 3.1 数据来源 | 第21-23页 |
| 3.1.1 遥感数据 | 第21页 |
| 3.1.2 模型模拟数据 | 第21-22页 |
| 3.1.3 同化产品数据 | 第22页 |
| 3.1.4 地面观测数据 | 第22-23页 |
| 3.2 卷积神经网络反演土壤水分适用性评价 | 第23-30页 |
| 3.2.1 基于AIEM模拟数据的CNN反演分析 | 第23-25页 |
| 3.2.2 基于M-D模拟数据的CNN反演分析 | 第25-29页 |
| 3.2.3 基于CLDAS土壤水分产品的CNN反演分析 | 第29-30页 |
| 3.3 多源样本数据库的CNN土壤水分反演精度验证 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于卷积神经网络的地表温度反演 | 第33-41页 |
| 4.1 数据来源 | 第33-34页 |
| 4.1.1 遥感数据 | 第33页 |
| 4.1.2 同化产品数据 | 第33-34页 |
| 4.1.3 地面观测数据 | 第34页 |
| 4.2 卷积神经网络反演地表温度适用性评价 | 第34-38页 |
| 4.1.1 基于不同通道组合的CNN反演分析 | 第34-37页 |
| 4.1.2 基于不同区域的CNN反演分析 | 第37-38页 |
| 4.3 CNN地表温度反演精度验证 | 第38-39页 |
| 4.4 本章小结 | 第39-41页 |
| 第五章 近15年来中国水源涵养关键参数时空变化分析 | 第41-53页 |
| 5.1 研究区域和数据源 | 第41-42页 |
| 5.1.1 研究区概况 | 第41页 |
| 5.1.2 数据源和预处理 | 第41-42页 |
| 5.1.3 分析方法 | 第42页 |
| 5.2 结果分析 | 第42-52页 |
| 5.2.1 土壤水分时空变化特征 | 第42-47页 |
| 5.2.2 地表温度时空变化特征 | 第47-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 全文结论 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 作者简历 | 第62页 |
