| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 基于高光谱数据的冬小麦白粉病监测 | 第12页 |
| 1.2.2 多光谱数据的冬小麦白粉病监测 | 第12-14页 |
| 1.3 论文内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 数据获取及处理 | 第16-27页 |
| 2.1 基于高光谱数据的冬小麦白粉病监测 | 第16-22页 |
| 2.1.1 研究区域概况 | 第16页 |
| 2.1.2 数据获取 | 第16-17页 |
| 2.1.3 数据处理 | 第17-22页 |
| 2.2 基于环境星数据的冬小麦白粉病遥感监测 | 第22-25页 |
| 2.2.1 研究区概况 | 第22-23页 |
| 2.2.2 数据获取 | 第23页 |
| 2.2.3 数据处理 | 第23-25页 |
| 2.3 基于多源多光谱数据的小麦白粉病监测 | 第25-27页 |
| 2.3.1 研究区概况 | 第25页 |
| 2.3.2 数据获取 | 第25-26页 |
| 2.3.3 数据处理 | 第26-27页 |
| 第三章 基于高光谱数据的冬小麦白粉病监测 | 第27-41页 |
| 3.1 植被指数的选择及构建 | 第27-31页 |
| 3.1.1 植被指数选择 | 第27-28页 |
| 3.1.2 敏感波段筛选及指数构建 | 第28-31页 |
| 3.2 元线性回归模型 | 第31-32页 |
| 3.3 支持向量机模型 | 第32-40页 |
| 3.3.1 支持向量机原理 | 第33-34页 |
| 3.3.2 最小二乘支持向量机原理 | 第34-36页 |
| 3.3.3 试验结果及分析 | 第36-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于环境星数据的冬小麦白粉病遥感监测 | 第41-50页 |
| 4.1 植被指数特征筛选及小波特征的构建 | 第41-45页 |
| 4.1.1 宽波段植被指数筛选 | 第41-43页 |
| 4.1.2 Gabor小波变换及小波特征筛选 | 第43-45页 |
| 4.2 建立SVM监测模型 | 第45-46页 |
| 4.3 结果分析 | 第46-49页 |
| 4.3.1 研究区小麦白粉病监测 | 第46-48页 |
| 4.3.2 模型的评估与验证 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 多源多光谱数据的冬小麦白粉病监测比较 | 第50-59页 |
| 5.1 基于环境星数据冬小麦白粉病监测结果 | 第50-53页 |
| 5.2 基于高分一号数据冬小麦白粉病监测结果 | 第53-55页 |
| 5.3 基于Landsat8数据冬小麦白粉病监测结果 | 第55-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-62页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士期间取得的成果 | 第69页 |