| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题背景和研究意义 | 第11-12页 |
| 1.2 遥感反演叶面积指数研究现状 | 第12-18页 |
| 1.2.1 光学遥感数据反演LAI进展 | 第12-14页 |
| 1.2.2 雷达反演LAI进展 | 第14-18页 |
| 1.3 支持向量机模型参数选择的研究现状 | 第18-20页 |
| 1.4 本文的研究内容和技术路线 | 第20-21页 |
| 1.4.1 论文研究思路 | 第20页 |
| 1.4.2 研究内容 | 第20-21页 |
| 第二章 极化雷达遥感基本原理 | 第21-30页 |
| 2.1 极化波表征 | 第21-25页 |
| 2.1.1 极化椭圆 | 第21-23页 |
| 2.1.2 Jones矢量表示法 | 第23-24页 |
| 2.1.3 Stokes矢量表示法 | 第24-25页 |
| 2.2 散射体的极化描述 | 第25-27页 |
| 2.2.1 极化散射矩阵 | 第25页 |
| 2.2.2 Stokes矩阵 | 第25-26页 |
| 2.2.3 极化相干矩阵与极化协方差矩阵 | 第26-27页 |
| 2.3 极化SAR目标分解理论 | 第27-30页 |
| 2.3.1 Freeman-Durden分解 | 第27-28页 |
| 2.3.2 Yamaguchi分解 | 第28-30页 |
| 第三章 支持向量机和遗传算法 | 第30-39页 |
| 3.1 支持向量机 | 第30-35页 |
| 3.1.1 线性支持向量机 | 第30-33页 |
| 3.1.2 非线性支持向量机 | 第33页 |
| 3.1.3 回归支持向量机 | 第33-35页 |
| 3.2 遗传算法 | 第35-39页 |
| 3.2.1 遗传算法的运算流程 | 第35-36页 |
| 3.2.2 基本遗传算法 | 第36-39页 |
| 第四章 基于遗传算法优化的SVM模型参数选择 | 第39-44页 |
| 4.1 支持向量机参数对其性能的影响 | 第39-41页 |
| 4.1.1 不敏感损失函数宽度￡参数对SVM性能的影响 | 第39-40页 |
| 4.1.2 惩罚因子C对SVM性能的影响 | 第40页 |
| 4.1.3 核参数σ对SVM性能的影响 | 第40-41页 |
| 4.2 基于遗传算法优化的SVM模型参数选择 | 第41-44页 |
| 4.2.1 特征参数选择 | 第42页 |
| 4.2.2 搜索空间初始化 | 第42页 |
| 4.2.3 初始种群的形成 | 第42页 |
| 4.2.4 训练SVM模型 | 第42-43页 |
| 4.2.5 计算个体适应度值 | 第43页 |
| 4.2.6 更新个体 | 第43-44页 |
| 第五章 基于改进的SVM和PolSAR数据的小麦叶面积指数遥感估算 | 第44-55页 |
| 5.1 研究区概况和数据简介 | 第44-48页 |
| 5.1.1 研究区概况 | 第44-45页 |
| 5.1.2 地面试验观测数据 | 第45-46页 |
| 5.1.3 雷达数据获取与处理 | 第46-48页 |
| 5.2 小麦LAI同雷达参数的关系分析 | 第48-50页 |
| 5.2.1 雷达后向散射系数与LAI分析 | 第48-49页 |
| 5.2.2 Yamaguchi分解散射分量与LAI分析 | 第49-50页 |
| 5.3 基于遗传算法优化的SVM反演LAI | 第50-53页 |
| 5.3.1 反演模型构建流程 | 第50-51页 |
| 5.3.2 反演模型的构建方式 | 第51-52页 |
| 5.3.3 反演研究区小麦LAI | 第52-53页 |
| 5.4 SVM反演模型的验证 | 第53-55页 |
| 第六章 结论与不足 | 第55-57页 |
| 6.1 结论 | 第55页 |
| 6.2 存在的问题和建议 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |
