| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-18页 |
| 1.2.1 遥感反演技术现状 | 第10-15页 |
| 1.2.2 氮素含量遥感监测研究现状 | 第15-16页 |
| 1.2.3 人工神经网络应用现状 | 第16-18页 |
| 1.3 研究内容及研究目标 | 第18-19页 |
| 1.3.1 研究目的和意义 | 第18页 |
| 1.3.2 研究内容与技术流程 | 第18-19页 |
| 1.4 论文的组织 | 第19-20页 |
| 第2章 研究区域与研究方法 | 第20-25页 |
| 2.1 样品采集区域 | 第20页 |
| 2.2 样品采集方法 | 第20页 |
| 2.3 光谱测量仪器 | 第20-21页 |
| 2.4 光谱数据测定 | 第21-22页 |
| 2.4.1 光谱仪设置 | 第21页 |
| 2.4.2 苹果叶片光谱测定过程 | 第21页 |
| 2.4.3 测定数据预处理 | 第21-22页 |
| 2.5 农学参数测定 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 苹果叶片氮素敏感波段分析 | 第25-40页 |
| 3.1 高光谱敏感波段分析 | 第25-26页 |
| 3.2 逐步回归分析 | 第26-29页 |
| 3.2.1 变量确定的依据 | 第26-28页 |
| 3.2.2 逐步回归分析计算原理 | 第28-29页 |
| 3.3 苹果叶片氮素敏感波段分析 | 第29-38页 |
| 3.3.1 基于原始波谱二次变换的氮素含量敏感波段提取 | 第29-35页 |
| 3.3.2 基于逐步回归分析的氮素敏感波段的选定 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于高光谱的人工神经网络模型 | 第40-52页 |
| 4.1 人工神经网络 | 第40-43页 |
| 4.1.1 传人工神经网络的概念及特点 | 第40页 |
| 4.1.2 人工神经网络的分类 | 第40-43页 |
| 4.2 BP神经网络概述 | 第43-47页 |
| 4.2.1 BP神经网络的结构 | 第43-44页 |
| 4.2.2 BP神经网络学习算法 | 第44-46页 |
| 4.2.3 BP算法的计算步骤 | 第46页 |
| 4.2.4 BP神经网络的局限性 | 第46-47页 |
| 4.3 苹果叶片氮素含量BP神经网络模型 | 第47-51页 |
| 4.3.1 苹果叶片氮素含量BP神经网络建模 | 第47-50页 |
| 4.3.2 基于BP神经网络和多元回归分析模型的对比 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 结论与展望 | 第52-53页 |
| 5.1 结论 | 第52页 |
| 5.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 附录 | 第60页 |