| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究进展 | 第13-21页 |
| 1.2.1 作物叶面积指数LAI遥感光谱反演研究进展 | 第13-16页 |
| 1.2.2 作物模型研究 | 第16-19页 |
| 1.2.3 作物模型与遥感信息同化研究 | 第19-21页 |
| 1.3 有待进一步研究的问题 | 第21-22页 |
| 1.4 研究内容、研究方法及技术路线 | 第22-24页 |
| 1.4.1 主要研究内容 | 第22页 |
| 1.4.2 研究方法与技术路线 | 第22-24页 |
| 第二章 研究方法与试验方案 | 第24-39页 |
| 2.1 研究区概况 | 第24页 |
| 2.2 试验方案设计 | 第24-26页 |
| 2.3 试验观测项目与测定方法 | 第26-28页 |
| 2.3.1 作物冠层光谱测量 | 第26-27页 |
| 2.3.2 作物指标测量 | 第27页 |
| 2.3.3 土壤水分测量 | 第27页 |
| 2.3.4 气象资料获取 | 第27-28页 |
| 2.4 光谱反射率数据处理方法 | 第28-38页 |
| 2.4.1 光谱特征参量 | 第28-30页 |
| 2.4.2 植被指数 | 第30-31页 |
| 2.4.3 偏最小二乘回归 | 第31-33页 |
| 2.4.4 机器学习 | 第33-38页 |
| 2.5 模型精度评价 | 第38-39页 |
| 第三章 基于高光谱遥感的冬小麦叶面积指数反演研究 | 第39-61页 |
| 3.1 不同水分供应条件下冬小麦叶面积指数响应规律 | 第39-40页 |
| 3.2 基于光谱特征参量的冬小麦LAI反演 | 第40-44页 |
| 3.3 基于植被指数的冬小麦LAI反演 | 第44-48页 |
| 3.4 基于偏最小二乘回归的冬小麦LAI反演 | 第48-51页 |
| 3.5 基于机器学习算法的冬小麦LAI反演 | 第51-58页 |
| 3.5.1 基于人工神经网络的冬小麦LAI反演 | 第51-55页 |
| 3.5.2 基于支持向量机回归的冬小麦LAI反演 | 第55-58页 |
| 3.6 小结 | 第58-61页 |
| 第四章 基于叶面积指数同化SAFY-FAO作物模型 | 第61-78页 |
| 4.1 作物生长过程模块 | 第61-63页 |
| 4.2 水分传输过程 | 第63-65页 |
| 4.3 模型参数敏感性分析和参数确定 | 第65-74页 |
| 4.3.1 模型参数敏感性分析 | 第65-71页 |
| 4.3.2 模型参数确定 | 第71-74页 |
| 4.4 模型参数同化算法与优化过程 | 第74-76页 |
| 4.5 小结 | 第76-78页 |
| 第五章 遥感信息与作物模型同化系统的适用性研究 | 第78-96页 |
| 5.1 气象资料分析 | 第78-79页 |
| 5.2 冬小麦叶面积指数模拟精度评价 | 第79-81页 |
| 5.3 冬小麦地上部干物质量模拟精度评价 | 第81-84页 |
| 5.4 冬小麦产量预测精度评价 | 第84-86页 |
| 5.5 土壤含水量模拟精度评价 | 第86-91页 |
| 5.5.1 土壤表层含水量 | 第86-88页 |
| 5.5.2 土壤根区可利用储水量模拟 | 第88-91页 |
| 5.6 冬小麦蒸发蒸腾量精度评价 | 第91-93页 |
| 5.7 小结 | 第93-96页 |
| 第六章 主要结论与展望 | 第96-99页 |
| 6.1 主要结论 | 第96-98页 |
| 6.2 论文创新点 | 第98页 |
| 6.3 论文存在的问题和研究展望 | 第98-99页 |
| 参考文献 | 第99-113页 |
| 致谢 | 第113-114页 |
| 作者简介 | 第114页 |
