| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 选题背景与意义 | 第12-16页 |
| 1.1.1 选题背景 | 第12-14页 |
| 1.1.2 选题意义 | 第14-16页 |
| 1.2 国内外研究现状与存在的问题 | 第16-21页 |
| 1.2.1 国内外研究现状 | 第16-20页 |
| 1.2.2 存在问题 | 第20-21页 |
| 1.3 研究内容和技术路线 | 第21-22页 |
| 1.3.1 研究主要内容 | 第21页 |
| 1.3.2 研究技术路线 | 第21-22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 第2章 海面盐度遥感反演机理 | 第24-35页 |
| 2.1 海面盐度定义 | 第24-26页 |
| 2.2 盐度的测定方法 | 第26-27页 |
| 2.3 Landsat-8 反演海面盐度机理 | 第27-35页 |
| 2.3.1 光学遥感水质参数 | 第29-31页 |
| 2.3.2 热红外遥感海表温度 | 第31-35页 |
| 2.3.2.1 理论背景 | 第31-32页 |
| 2.3.2.2 辐射传输方程 | 第32-35页 |
| 第3章 数据及预处理 | 第35-50页 |
| 3.1 研究区概况 | 第35-36页 |
| 3.2 数据获取 | 第36-38页 |
| 3.3 数据预处理 | 第38-50页 |
| 3.3.1 OLI数据预处理 | 第38-42页 |
| 3.3.2 Landsat-8 时间序列数据生成 | 第42-50页 |
| 3.3.2.1 DIEOF方法原理 | 第42-45页 |
| 3.3.2.2 DIEOF方法重构实现 | 第45-48页 |
| 3.3.2.3 精度验证 | 第48-50页 |
| 第4章 海面盐度敏感因子筛选与反演 | 第50-67页 |
| 4.1 海面盐度敏感影响因子筛选 | 第51-53页 |
| 4.2 海面盐度敏感因子的反演模型 | 第53-67页 |
| 4.2.1 总氮和总磷 | 第53-62页 |
| 4.2.2 海面温度 | 第62-65页 |
| 4.2.3 敏感参数分布分析 | 第65-67页 |
| 第5章 海面盐度反演模型建立 | 第67-95页 |
| 5.1 基于深度学习的海面盐度反演模型 | 第67-78页 |
| 5.1.1 人工神经网络基本原理 | 第68页 |
| 5.1.2 BP神经网络结构和算法推导 | 第68-71页 |
| 5.1.3 深度学习 | 第71-78页 |
| 5.1.3.1 基于随机梯度下降进行大规模机器学习 | 第72-74页 |
| 5.1.3.2 Dropout算法 | 第74-75页 |
| 5.1.3.3 线性校正单元 | 第75-78页 |
| 5.2 基于岭回归的海面盐度反演模型 | 第78-83页 |
| 5.2.1 岭回归的原理 | 第78-80页 |
| 5.2.2 核岭回归 | 第80-82页 |
| 5.2.3 可替代性的导数 | 第82-83页 |
| 5.3 基于支持向量回归的海面盐度反演模型 | 第83-95页 |
| 5.3.1 统计学习理论 | 第83-88页 |
| 5.3.1.1 机器学习 | 第84-85页 |
| 5.3.1.2 经验风险最小化原则 | 第85-86页 |
| 5.3.1.3 统计学习理论主要内容 | 第86-88页 |
| 5.3.2 支持向量回归原理 | 第88-95页 |
| 5.3.2.1 最优分类超平面 | 第89-91页 |
| 5.3.2.2 线性支持向量回归 | 第91-92页 |
| 5.3.2.3 非线性支持向量回归 | 第92-94页 |
| 5.3.2.4 核函数 | 第94-95页 |
| 第6章 海面盐度反演结果对比与讨论 | 第95-111页 |
| 6.1 深度学习模型反演结果 | 第95-100页 |
| 6.1.1 DNN参数训练过程 | 第95页 |
| 6.1.2 批处理量的选择 | 第95页 |
| 6.1.3 有无dropout算法对比 | 第95-97页 |
| 6.1.4 模型时间效率 | 第97页 |
| 6.1.5 DNN海盐反演模型结果与讨论 | 第97-100页 |
| 6.2 岭回归模型反演结果 | 第100-105页 |
| 6.2.1 KRR模型核函数的选取 | 第100-101页 |
| 6.2.2 基于GR算法的KRR参数寻优 | 第101-102页 |
| 6.2.3 模型时间效率 | 第102-103页 |
| 6.2.4 KRR海盐反演模型结果与讨论 | 第103-105页 |
| 6.3 支持向量回归模型反演结果 | 第105-110页 |
| 6.3.1 SVR模型核函数的选取 | 第105-106页 |
| 6.3.2 基于GR算法的SVR参数寻优 | 第106页 |
| 6.3.3 模型时间效率 | 第106-108页 |
| 6.3.4 SVR海盐反演模型结果与讨论 | 第108-110页 |
| 6.4 模型对比与分析 | 第110-111页 |
| 第7章 总结与展望 | 第111-114页 |
| 7.1 总结 | 第111-112页 |
| 7.2 创新点 | 第112-113页 |
| 7.3 展望 | 第113-114页 |
| 参考文献 | 第114-124页 |
| 致谢 | 第124-126页 |
| 附录 | 第126-127页 |
| 程序源代码 | 第127-133页 |