基于无人机遥感的小麦叶面积指数反演方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究的目的和意义 | 第10页 |
| 1.2 国内外研究概括 | 第10-14页 |
| 1.2.1 叶面积指数获取方法 | 第10-13页 |
| 1.2.2 遥感数据来源 | 第13-14页 |
| 1.2.3 存在问题 | 第14页 |
| 1.3 研究内容与方法 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究方法 | 第15页 |
| 1.3.3 技术路线 | 第15-17页 |
| 第二章 数据采集与数据预处理 | 第17-25页 |
| 2.1 研究区概括 | 第17页 |
| 2.2 实验方案 | 第17-18页 |
| 2.3 无人机航测系统 | 第18-21页 |
| 2.3.1 无人机平台与传感器 | 第18-19页 |
| 2.3.2 无人机航拍路线设计 | 第19页 |
| 2.3.3 地面传感器 | 第19-20页 |
| 2.3.4 数据采集 | 第20-21页 |
| 2.4 数据预处理 | 第21-24页 |
| 2.4.1 图像拼接过程 | 第21-22页 |
| 2.4.2 多光谱畸变精度验证 | 第22页 |
| 2.4.3 试验区遥感图像校正和裁剪 | 第22-23页 |
| 2.4.4 植被指数的选取与提取 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于经验模型的LAI反演模型研究 | 第25-39页 |
| 3.1 经验模型 | 第25-26页 |
| 3.1.1 经验模型 | 第25页 |
| 3.1.2 模型结果检验 | 第25-26页 |
| 3.2 基于经验法模型的结果与分析 | 第26-38页 |
| 3.2.1 不同生育阶段LAI分析 | 第26-27页 |
| 3.2.3 植被指数与LAI相关性分析 | 第27-28页 |
| 3.2.4 整个观测阶段反演模型 | 第28-31页 |
| 3.2.5 各个观测阶段反演模型 | 第31-37页 |
| 3.2.6 基于经验模型的预测结果 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于BP神经网络的LAI反演模型研究 | 第39-46页 |
| 4.1 BP神经网络模型 | 第39-42页 |
| 4.1.1 BP神经网络 | 第39-40页 |
| 4.1.2 LAI反演模型的BP神经网络设计 | 第40-42页 |
| 4.2 基于BP神经网络模型的结果与分析 | 第42-44页 |
| 4.3 基于BP神经网络模型的预测结果 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于支持向量机的LAI反演模型研究 | 第46-56页 |
| 5.1 支持向量机模型 | 第46-49页 |
| 5.1.1 支持向量机 | 第46-48页 |
| 5.1.2 LAI反演的支持向量机设计 | 第48-49页 |
| 5.2 基于支持向量机模型的结果与分析 | 第49-51页 |
| 5.3 基于支持向量机模型的预测结果 | 第51-52页 |
| 5.4 各模型精度对比分析 | 第52-53页 |
| 5.5 叶面积指数反演结果 | 第53-55页 |
| 5.6 本章小结 | 第55-56页 |
| 第六章 结论与展望 | 第56-58页 |
| 6.1 结论 | 第56页 |
| 6.2 创新点 | 第56-57页 |
| 6.3 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 作者简介 | 第63页 |
