| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 符号说明 | 第10-11页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.2 国内外研究进展 | 第12-16页 |
| 1.2.1 地统计学理论在农业水土科学领域的研究进展 | 第12-13页 |
| 1.2.2 集成神经网络插值技术在空间分析领域应用的研究进展 | 第13-14页 |
| 1.2.3 贝叶斯最大熵模型(BME)的研究进展 | 第14-16页 |
| 1.3 研究内容与技术路线 | 第16-19页 |
| 1.3.1 研究思路及内容 | 第16-17页 |
| 1.3.2 研究技术路线 | 第17-19页 |
| 2 试验方案和数据统计分析 | 第19-27页 |
| 2.1 试验区基本概况和试验方案 | 第19-20页 |
| 2.1.1 试验区基本概况 | 第19页 |
| 2.1.2 试验设计和测定项目 | 第19-20页 |
| 2.2 土壤水分和养分的经典统计特征分析 | 第20-21页 |
| 2.3 土壤水分和养分的空间结构分析 | 第21-24页 |
| 2.3.1 变异函数 | 第21-23页 |
| 2.3.2 土壤水分和养分的空间结构分析 | 第23-24页 |
| 2.4 特异值处理 | 第24-27页 |
| 2.4.1 几种特异值处理方法 | 第24-25页 |
| 2.4.2 研究区土壤水和养分的特异值处理 | 第25-27页 |
| 3 基于BME的土壤水分与养分空间插值 | 第27-47页 |
| 3.1 基本原理和方法 | 第27-38页 |
| 3.1.1 贝叶斯最大熵模型 | 第27-30页 |
| 3.1.2 径向基函数神经网络法 | 第30-34页 |
| 3.1.2.1 人工神经网络简介 | 第30-31页 |
| 3.1.2.2 径向基函数神经网络法的空间插值 | 第31-34页 |
| 3.1.3 传统地统计法方法 | 第34-36页 |
| 3.1.3.1 普通克立格插值 | 第34-35页 |
| 3.1.3.2 残差克立格插值 | 第35-36页 |
| 3.1.4 BME法中软数据的构建 | 第36页 |
| 3.1.5 评价指标 | 第36-38页 |
| 3.2 抽样方案设计 | 第38页 |
| 3.3 结果分析与讨论 | 第38-45页 |
| 3.3.1 平均误差和估计方差的对比分析 | 第38-40页 |
| 3.3.2 估计方差组成分析 | 第40-42页 |
| 3.3.3 土壤水分和养分的空间分布图对比分析 | 第42-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 BME结合集成神经网络对土壤水分与养分的空间插值 | 第47-60页 |
| 4.1 基本原理 | 第47-50页 |
| 4.1.1 集成神经网络 | 第47-49页 |
| 4.1.2 BME法和集成神经网络方法的结合 | 第49-50页 |
| 4.2 抽样方案设计 | 第50页 |
| 4.3 结果分析与讨论 | 第50-58页 |
| 4.3.1 平均误差和估计方差的对比分析 | 第50-52页 |
| 4.3.2 估计方差组成分析 | 第52-54页 |
| 4.3.3 土壤水分和养分的空间分布图对比分析 | 第54-57页 |
| 4.3.4 MVBME与NNEBME的插值结果对比分析 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 5 结论与展望 | 第60-63页 |
| 5.1 结论 | 第60-61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 致谢 | 第70-71页 |
