| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12页 |
| 1.2 国内外研究进展 | 第12-14页 |
| 1.3 研究内容和技术路线 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 第二章 材料与数据采集 | 第18-22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 水稻叶片高光谱数据的采集 | 第18-19页 |
| 2.2.2 水稻叶片叶绿素含量的获取 | 第19-20页 |
| 2.3 高光谱数据特征分析 | 第20页 |
| 2.4 叶绿素数据特征分析 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 水稻叶片高光谱数据降维研究 | 第22-32页 |
| 3.1 基于植被指数的高光谱数据降维 | 第22-24页 |
| 3.1.1 植被指数的选择 | 第22页 |
| 3.1.2 植被指数降维 | 第22-24页 |
| 3.2 基于主成分分析的高光谱数据降维 | 第24-27页 |
| 3.2.1 主成分分析 | 第24-26页 |
| 3.2.2 主成分分析降维 | 第26-27页 |
| 3.3 基于SPA特征波段提取的高光谱数据降维 | 第27-29页 |
| 3.3.1 SPA特征波段的提取 | 第27-28页 |
| 3.3.2 SPA特征波段提取降维 | 第28-29页 |
| 3.4 基于基函数展开法的高光谱数据降维 | 第29-31页 |
| 3.4.1 基函数展开法 | 第29-30页 |
| 3.4.2 基函数展开法降维 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 水稻叶片叶绿素含量回归反演模型研究 | 第32-54页 |
| 4.1 基于单植被指数反演建模研究 | 第32-38页 |
| 4.1.1 线性反演模型 | 第32-33页 |
| 4.1.2 非线性反演模型 | 第33-37页 |
| 4.1.3 单植被指数回归模型对比分析 | 第37-38页 |
| 4.2 基于多植被指数反演建模研究 | 第38-41页 |
| 4.2.1 多植被指数反演模型 | 第38-40页 |
| 4.2.2 多植被指数回归模型对比分析 | 第40-41页 |
| 4.3 基于主成分分析反演建模研究 | 第41-42页 |
| 4.4 基于SPA特征波段提取反演建模研究 | 第42-48页 |
| 4.4.1 SPA特征波段反演模型 | 第42-48页 |
| 4.4.2 SPA特征波段回归模型对比分析 | 第48页 |
| 4.5 基于基函数展开反演建模研究 | 第48-52页 |
| 4.6 所有回归模型对比分析 | 第52-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 水稻叶片叶绿素含量神经网络反演模型研究 | 第54-63页 |
| 5.1 基于BP神经网络的叶绿素含量反演建模研究 | 第54-56页 |
| 5.1.1 BP神经网络的设置 | 第54页 |
| 5.1.2 BP神经网络建模 | 第54-56页 |
| 5.2 基于RBF神经网络的叶绿素含量反演建模研究 | 第56-58页 |
| 5.2.1 RBF神经网络的设置 | 第56-57页 |
| 5.2.2 RBF神经网络建模 | 第57-58页 |
| 5.3 基于GA-BP神经网络的叶绿素含量反演建模研究 | 第58-60页 |
| 5.3.1 GA-BP神经网络的设置 | 第58-59页 |
| 5.3.2 GA-BP神经网络建模 | 第59-60页 |
| 5.4 三种神经网络模型对比 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 结论与展望 | 第63-65页 |
| 6.1 主要结论 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士期间发表论文 | 第70-71页 |