高光谱与多光谱遥感水稻估产研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 传统农业估产 | 第11-12页 |
| 1.2.2 遥感估产 | 第12-13页 |
| 1.3 研究内容及技术路线 | 第13页 |
| 1.4 论文组织框架 | 第13-15页 |
| 2 研究区概况及数据采集 | 第15-23页 |
| 2.1 研究区概况 | 第15-16页 |
| 2.2 数据获取 | 第16-22页 |
| 2.2.1 地面数据采集 | 第16-18页 |
| 2.2.2 无人机平台数据的获取与预处理 | 第18-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 叶绿素含量、光谱特征与水稻产量的关系 | 第23-28页 |
| 3.1 不同生育期冠层叶绿素含量与水稻产量的关系 | 第23-25页 |
| 3.2 不同生育期冠层叶绿素含量与冠层光谱的关系 | 第25-26页 |
| 3.3 本章小结 | 第26-28页 |
| 4 建模因子筛选 | 第28-43页 |
| 4.1 地面高光谱数据敏感性分析 | 第28-33页 |
| 4.2 无人机多光谱数据相关性分析 | 第33-42页 |
| 4.2.1 光谱指数因子 | 第33-34页 |
| 4.2.2 端元丰度因子 | 第34-38页 |
| 4.2.3 纹理特征因子 | 第38-42页 |
| 4.3 本章小结 | 第42-43页 |
| 5 建立水稻估产模型 | 第43-61页 |
| 5.1 逐步多元线性回归估产研究 | 第43-50页 |
| 5.1.1 逐步多元线性回归原理 | 第43-44页 |
| 5.1.2 逐步多元线性回归估产模型 | 第44-49页 |
| 5.1.3 模型评价 | 第49-50页 |
| 5.2 BP神经网络估产研究 | 第50-54页 |
| 5.2.1 BP神经网络原理 | 第50-51页 |
| 5.2.2 BP神经网络估产模型 | 第51-53页 |
| 5.2.3 模型评价 | 第53-54页 |
| 5.3 RF随机森林估产研究 | 第54-60页 |
| 5.3.1 随机森林算法原理 | 第54-56页 |
| 5.3.2 随机森林估产模型 | 第56-59页 |
| 5.3.3 模型评价 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 多平台综合估产模型研究 | 第61-67页 |
| 6.1 主成分分析法估产研究 | 第61-66页 |
| 6.1.1 共线性诊断 | 第61-62页 |
| 6.1.2 KMO检验及主成份提取 | 第62-65页 |
| 6.1.3 多元线性回归分析 | 第65-66页 |
| 6.2 本章小结 | 第66-67页 |
| 7 总结与展望 | 第67-69页 |
| 7.1 研究成果总结 | 第67页 |
| 7.2 存在的问题与展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
