| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究目的及意义 | 第11页 |
| 1.2 高光谱估算叶绿素的原理及优势 | 第11-13页 |
| 1.3 遥感估算叶绿素含量的研究概况 | 第13-17页 |
| 1.3.1 多元统计分析法 | 第13-15页 |
| 1.3.2 基于红边参数的分析法 | 第15-16页 |
| 1.3.3 辐射传输模型 | 第16-17页 |
| 1.4 研究内容和技术路线 | 第17-19页 |
| 2 研究区概况及数据收集 | 第19-23页 |
| 2.1 研究区位置 | 第19页 |
| 2.2 研究区自然环境状况 | 第19-20页 |
| 2.3 数据收集 | 第20-23页 |
| 2.3.1 实验室测定叶绿素含量 | 第21页 |
| 2.3.2 实验室测定叶片含水量 | 第21-22页 |
| 2.3.3 实测光谱反射率数据 | 第22-23页 |
| 3 模型模拟及反射率影响因子分析 | 第23-29页 |
| 3.1 PROSAIL模型介绍 | 第23-24页 |
| 3.2 模拟反射率与实测反射率对比 | 第24-25页 |
| 3.3 植被冠层反射率影响因子分析 | 第25-28页 |
| 3.4 观测天顶角对冠层反射率的影响 | 第28-29页 |
| 4 基于红边参数及植被指数的叶绿素含量估算 | 第29-37页 |
| 4.1 红边位置及红边幅值 | 第29-30页 |
| 4.2 红边面积 | 第30-31页 |
| 4.3 植被指数 | 第31-33页 |
| 4.4 叶绿素含量估算模型 | 第33-37页 |
| 4.4.1 模型精度验证方法 | 第33页 |
| 4.4.2 冬小麦叶绿素含量估算模型 | 第33-34页 |
| 4.4.3 基于不同观测天顶角的叶绿素反演模型 | 第34-37页 |
| 5 基于智能算法的叶绿素含量估算 | 第37-47页 |
| 5.1 智能算法 | 第37-41页 |
| 5.1.1 BP神经网络算法 | 第37-39页 |
| 5.1.2 支持向量机算法 | 第39-41页 |
| 5.2 基于智能算法的冬小麦叶绿素估算模型 | 第41-44页 |
| 5.2.1 BPNN冬小麦叶绿素反演模型 | 第41-42页 |
| 5.2.2 SVM冬小麦叶绿素反演模型 | 第42-44页 |
| 5.3 不同观测天顶角所适用的反演模型 | 第44-47页 |
| 5.3.1 基于不同观测天顶角的叶绿素BPNN反演模型 | 第44-45页 |
| 5.3.2 基于不同观测天顶角的叶绿素SVM反演模型 | 第45-47页 |
| 6 结论与展望 | 第47-50页 |
| 6.1 结论与讨论 | 第47-48页 |
| 6.2 创新点 | 第48页 |
| 6.3 展望 | 第48-50页 |
| 参考文献 | 第50-56页 |
| 致谢 | 第56页 |