首页--农业科学论文--农作物论文--禾谷类作物论文--麦论文--小麦论文

基于BP神经网络的冬小麦抽穗期叶片生理生化指标的高光谱估测研究

中文摘要第9-11页
Abstract第11-13页
1 引言第14-20页
    1.1 研究背景第14-15页
    1.2 国内外研究现状第15-18页
        1.2.1 高光谱技术及其研究进展第15-16页
        1.2.2 作物叶绿素含量的高光谱遥感监测研究和进展第16-17页
        1.2.3 作物净光合速率和蒸腾速率的高光谱遥感监测研究和进展第17-18页
        1.2.4 植被可溶性糖的高光谱遥感监测研究和进展第18页
    1.3 技术路线第18-20页
2 材料与方法第20-29页
    2.1 实验区概况第20页
    2.2 小麦叶片高光谱数据及其生理生化指标的测定第20-22页
        2.2.1 小麦叶片高光谱数据的测定第20页
        2.2.2 小麦叶片叶绿素含量的获取第20-21页
        2.2.3 小麦叶片光合参数的测定第21页
        2.2.4 小麦叶片可溶性糖含量的测定第21-22页
    2.3 小麦叶片生理生化指标的统计第22-23页
    2.4 小麦叶片高光谱数据处理及分析第23-27页
        2.4.1 原始光谱及导数光谱的特征和特征参数第23-25页
        2.4.2 植被指数第25-26页
        2.4.3 小麦叶片不同生理参数特征波段的选取第26-27页
    2.5 模型的构建与验证第27-29页
        2.5.1 BP神经网络模型构建第27-28页
        2.5.2 模型精度评价方法第28-29页
3 冬小麦叶片生理生化指标的光谱响应特征第29-31页
    3.1 叶绿素及可溶性糖的光谱响应特征分析第29页
    3.2 光合指标的光谱响应特征分析第29-30页
    3.3 小结第30-31页
4 小麦叶片叶绿素含量高光谱估测模型第31-36页
    4.1 基于光谱数据的小麦叶片叶绿素含量相关性分析及特征波段确定第31页
    4.2 基于叶绿素含量的植被指数及光谱特征指数相关性分析与筛选第31-32页
    4.3 估测模型的建立及最优模型精度检验第32-34页
        4.3.1 估测模型的建立第32-33页
        4.3.2 最佳估测模型的精度检验第33-34页
    4.4 小结第34-36页
5 小麦叶片蒸腾速率高光谱估测模型第36-40页
    5.1 基于光谱数据的小麦叶片蒸腾速率相关性分析及特征波段确定第36页
    5.2 基于蒸腾速率的植被指数及光谱特征参数相关性分析与筛选第36-37页
    5.3 估测模型的建立及最优模型的精度检验第37-39页
        5.3.1 估测模型的建立第37-38页
        5.3.2 最优模型的精度检验第38-39页
    5.4 小结第39-40页
6 小麦叶片净光合速率高光谱估测模型第40-45页
    6.1 基于光谱数据的小麦叶片净光合相关性分析及特征波段确定第40-41页
    6.2 基于净光合速率植被指数及光谱特征参数相关性分析与筛选第41页
    6.3 估测模型的建立及最优模型的精度检验第41-43页
        6.3.1 估测模型的建立第41-42页
        6.3.2 最优模型的精度检验第42-43页
    6.4 小结第43-45页
7 小麦叶片可溶性糖高光谱估测模型第45-49页
    7.1 基于光谱数据的小麦叶片可溶性糖相关性分析及特征波段确定第45页
    7.2 基于净光合速率植被指数及光谱特征参数相关性分析与筛选第45-46页
    7.3 估测模型的建立及最优模型的精度检验第46-48页
        7.3.1 估测模型的建立第46-47页
        7.3.2 最优模型的精度检验第47-48页
    7.4 小结第48-49页
8 结论与讨论第49-52页
    8.1 结论第49-50页
    8.2 讨论第50-51页
    8.3 研究特色第51-52页
参考文献第52-55页
致谢第55-56页
攻读学位期间发表论文情况第56页

论文共56页,点击 下载论文
上一篇:基于PtolemyⅡ的心脑血管疾病医疗CPS建模与仿真
下一篇:基于卷积神经网络的目标检测研究