基于近地高光谱遥感数据的茶树分类和生化参数反演
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.3 论文的结构安排 | 第13-15页 |
| 2 高光谱遥感技术 | 第15-18页 |
| 2.1 高光谱遥感的原理 | 第15页 |
| 2.2 高光谱遥感成像技术与成像光谱仪 | 第15-17页 |
| 2.3 高光谱植被遥感 | 第17-18页 |
| 3 国内外研究现状 | 第18-25页 |
| 3.1 植被高光谱遥感分类研究现状 | 第18-21页 |
| 3.2 生物化学参数反演研究现状 | 第21-25页 |
| 4 研究方法及实验设计 | 第25-46页 |
| 4.1 高光谱影像数据采集 | 第25-28页 |
| 4.1.1 机载成像光谱仪 | 第25-26页 |
| 4.1.2 实验区概况 | 第26页 |
| 4.1.3 高光谱影像采集 | 第26-27页 |
| 4.1.4 生化组分含量参考测定 | 第27页 |
| 4.1.5 影像预处理 | 第27-28页 |
| 4.2 高光谱影像茶树识别分类 | 第28-36页 |
| 4.2.1 分类预处理 | 第28-31页 |
| 4.2.2 茶树分类 | 第31-35页 |
| 4.2.3 分类精度评价 | 第35-36页 |
| 4.3 高光谱影像茶树质量参数反演 | 第36-39页 |
| 4.3.1 高光谱影像信息选择 | 第36页 |
| 4.3.2 波谱信息预处理 | 第36-38页 |
| 4.3.3 生化组分反演模型建立 | 第38-39页 |
| 4.3.4 反演模型评价 | 第39页 |
| 4.4 基于深度学习的茶树物种识别研究 | 第39-46页 |
| 4.4.1 深度学习引擎选择 | 第40-41页 |
| 4.4.2 图像预处理和数据集准备 | 第41-42页 |
| 4.4.3 模型结构描述 | 第42-44页 |
| 4.4.4 模型精度评价 | 第44-45页 |
| 4.4.5 训练和预测 | 第45-46页 |
| 5 结果和讨论 | 第46-55页 |
| 5.1 茶树分类结果 | 第46-50页 |
| 5.2 分类结果讨论 | 第50页 |
| 5.3 生化组分反演结果 | 第50-52页 |
| 5.4 反演结果讨论 | 第52-53页 |
| 5.5 深度学习网络训练结果 | 第53页 |
| 5.6 外部数据预测结果 | 第53-55页 |
| 6 结论与展望 | 第55-57页 |
| 6.1 研究结论 | 第55页 |
| 6.2 存在问题与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 硕士期间学术成果 | 第60-61页 |
| 致谢 | 第61-62页 |
