基于GOCI影像的长江口及邻近海域有色溶解有机物（CDOM）遥感反演及其逐时变化分析
| 致谢 | 第6-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-11页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 选题背景 | 第14-15页 |
| 1.2 研究的目的与意义 | 第15-16页 |
| 1.2.1 研究意义 | 第15页 |
| 1.2.2 研究目的 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.4 研究内容、技术路线及创新点 | 第18-20页 |
| 1.4.1 研究内容 | 第18-19页 |
| 1.4.2 技术路线 | 第19-20页 |
| 1.4.3 创新点 | 第20页 |
| 1.5 论文的组织结构 | 第20-22页 |
| 第二章 研究区概况与数据获取 | 第22-33页 |
| 2.1 研究区地理概况 | 第22-23页 |
| 2.1.1 地理位置及特征 | 第22-23页 |
| 2.1.2 长江口及邻近海域潮流特征 | 第23页 |
| 2.2 数据测量与获取 | 第23-28页 |
| 2.2.1 研究区采样点分布 | 第23-24页 |
| 2.2.2 野外水体光谱测量与获取 | 第24-27页 |
| 2.2.3 样品采集及实验室理化分析 | 第27-28页 |
| 2.3 CDOM光谱斜率S | 第28-29页 |
| 2.4 GOCI影像数据 | 第29-33页 |
| 第三章 基于实测遥感反射率的反演模型建立 | 第33-50页 |
| 3.1 QAA算法 | 第33-37页 |
| 3.1.1 QAA算法概况 | 第33-36页 |
| 3.1.2 QAA算法验证 | 第36-37页 |
| 3.2 CDOM神经网络反演方法 | 第37-42页 |
| 3.2.1 BP神经网络技术的概况 | 第37-39页 |
| 3.2.2 BP神经网络模型的原理 | 第39-40页 |
| 3.2.3 QAA-E-BP神经网络结构 | 第40-42页 |
| 3.2.4 网络训练 | 第42页 |
| 3.3 样本量对水色遥感模型精度评价的影响 | 第42-48页 |
| 3.3.1 模型精度评价指标 | 第42-44页 |
| 3.3.2 样本量对水色遥感模型精度评价的影响 | 第44-48页 |
| 3.4 神经网络反演结果及比较 | 第48-50页 |
| 第四章 基于GOCI影像的长江口CDOM遥感估算 | 第50-62页 |
| 4.1 GOCI影像预处理 | 第50-52页 |
| 4.1.1 辐射定标 | 第50页 |
| 4.1.2 几何校正 | 第50页 |
| 4.1.3 大气校正 | 第50-51页 |
| 4.1.4 等效波段计算 | 第51-52页 |
| 4.2 大气校正结果精度对比 | 第52-53页 |
| 4.3 GOCI影像算法效果分析 | 第53-55页 |
| 4.4 CDOM浓度分布及日变化研究 | 第55-62页 |
| 4.4.1 CDOM空间分布规律 | 第57-58页 |
| 4.4.2 CDOM光谱斜率空间分布 | 第58-60页 |
| 4.4.3 CDOM空间差异性原因分析 | 第60-62页 |
| 第五章 结论与展望 | 第62-65页 |
| 5.1 结论 | 第62-63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-74页 |
| 作者简介 | 第74页 |
