| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第10-20页 |
| 第一章 绪论 | 第20-36页 |
| 1.1 研究的背景和意义 | 第20-23页 |
| 1.2 国内外研究现状 | 第23-31页 |
| 1.2.1 微波散射测量研究 | 第23-25页 |
| 1.2.2 微波散射模型研究 | 第25-27页 |
| 1.2.3 遥感参数反演研究 | 第27-29页 |
| 1.2.4 SAR 图像水稻监测应用研究 | 第29-31页 |
| 1.3 论文的研究内容 | 第31-34页 |
| 1.4 论文的组织结构 | 第34-36页 |
| 第二章 雷达遥感基础与散射测量技术 | 第36-63页 |
| 2.1 雷达遥感基础 | 第36-47页 |
| 2.1.1 雷达成像原理 | 第36-38页 |
| 2.1.2 微波散射理论 | 第38-44页 |
| 2.1.2.1 随机粗糙面电磁散射理论 | 第39-41页 |
| 2.1.2.2 植被辐射传输理论 | 第41-43页 |
| 2.1.2.3 Monte-Carlo 数值模拟技术 | 第43-44页 |
| 2.1.3 参数反演方法 | 第44-47页 |
| 2.2 微波散射测量 | 第47-57页 |
| 2.2.1 雷达散射截面 | 第47-48页 |
| 2.2.2 散射测量的三要素 | 第48-53页 |
| 2.2.2.1 确定覆盖面积 | 第48-50页 |
| 2.2.2.2 独立取样 | 第50-53页 |
| 2.2.3 雷达定标技术 | 第53-57页 |
| 2.2.3.1 单极化定标方法 | 第53-54页 |
| 2.2.3.2 传统极化定标技术 | 第54-55页 |
| 2.2.3.3 STCT 定标技术 | 第55-57页 |
| 2.3 陆基散射计系统及定标 | 第57-62页 |
| 2.3.1 系统组成及参数 | 第57-59页 |
| 2.3.2 散射计独立取样 | 第59页 |
| 2.3.3 陆基散射计的定标 | 第59-62页 |
| 2.4 本章小结 | 第62-63页 |
| 第三章 水稻散射特性实验研究 | 第63-81页 |
| 3.1 引言 | 第63-64页 |
| 3.2 水稻散射测量实验 | 第64-69页 |
| 3.2.1 实验区介绍 | 第64-65页 |
| 3.2.2 水稻散射测量实验 | 第65-67页 |
| 3.2.3 水稻生长参数测量 | 第67-69页 |
| 3.3 水稻生长模型 | 第69-74页 |
| 3.3.1 模型的建立 | 第69-71页 |
| 3.3.2 模拟结果及验证 | 第71-74页 |
| 3.4 水稻散射特征分析 | 第74-80页 |
| 3.4.1 不同生长期水稻的入射角散射特征分析 | 第74-76页 |
| 3.4.2 水稻时域散射特征分析 | 第76-78页 |
| 3.4.3 参数相关性分析 | 第78-80页 |
| 3.5 本章小结 | 第80-81页 |
| 第四章 水稻微波散射模型的建立及分析 | 第81-102页 |
| 4.1 引言 | 第81-82页 |
| 4.2 水稻后向散射模型 | 第82-89页 |
| 4.2.1 水稻经验模型 | 第82-84页 |
| 4.2.2 水稻半经验模型 | 第84-89页 |
| 4.3 水稻 MONTE-CARLO 理论模型 | 第89-97页 |
| 4.3.1 模型原理 | 第89-94页 |
| 4.3.2 模型的修正 | 第94-96页 |
| 4.3.3 水稻后向散射模拟及验证 | 第96-97页 |
| 4.4 水稻参数敏感性分析 | 第97-100页 |
| 4.4.1 系统参数 | 第98页 |
| 4.4.2 稻杆相关参数 | 第98-99页 |
| 4.4.3 稻叶相关参数 | 第99-100页 |
| 4.5 本章小结 | 第100-102页 |
| 第五章 水稻参数反演算法研究 | 第102-114页 |
| 5.1 引言 | 第102-103页 |
| 5.2 水稻参数经验反演算法 | 第103-106页 |
| 5.2.1 反演模型的建立 | 第103-104页 |
| 5.2.2 反演结果分析 | 第104-106页 |
| 5.3 基于水稻半经验模型的反演算法 | 第106-108页 |
| 5.3.1 反演算法的推导 | 第106-107页 |
| 5.3.2 散射计数据反演结果及分析 | 第107-108页 |
| 5.4 基于 MONTE-CARLO 模拟的神经网络反演算法 | 第108-113页 |
| 5.4.1 BP 神经网络的建立 | 第109-110页 |
| 5.4.2 训练数据集的生成 | 第110-111页 |
| 5.4.3 网络训练及验证 | 第111-112页 |
| 5.4.4 散射计测量数据反演 | 第112-113页 |
| 5.5 本章小结 | 第113-114页 |
| 第六章 基于 SAR 图像的水稻参数反演及验证 | 第114-135页 |
| 6.1 引言 | 第114-115页 |
| 6.2 研究区 SAR 图像及预处理 | 第115-119页 |
| 6.2.1 多源多时相 SAR 图像 | 第115-116页 |
| 6.2.2 SAR 图像处理流程 | 第116-117页 |
| 6.2.3 SAR 图像处理结果 | 第117-119页 |
| 6.3 ASAR 图像水稻生物量反演 | 第119-123页 |
| 6.3.1 基于半经验模型的生物量反演流程 | 第119-120页 |
| 6.3.2 结合光学图像分类及 ASAR 水稻区域制图 | 第120-122页 |
| 6.3.3 ASAR 图像生物量反演及验证 | 第122-123页 |
| 6.4 RADARSAT-2 图像水稻生物量反演 | 第123-132页 |
| 6.4.1 基于神经网络的生物量反演流程 | 第123-125页 |
| 6.4.2 RADARSAT-2 图像分类及后向散射系数提取 | 第125-128页 |
| 6.4.3 RADARSAT-2 图像生物量反演及验证 | 第128-132页 |
| 6.5 SAR 图像反演结果对比分析 | 第132-133页 |
| 6.6 本章小结 | 第133-135页 |
| 第七章 结论与展望 | 第135-139页 |
| 7.1 全文结论 | 第135-137页 |
| 7.2 主要创新点 | 第137页 |
| 7.3 后续工作展望 | 第137-139页 |
| 致谢 | 第139-141页 |
| 参考文献 | 第141-162页 |
| 攻读博士学位期间取得的成果 | 第162-166页 |
