| 目录 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 文献综述 | 第10-18页 |
| 1 稻纵卷叶螟的传统监测方法 | 第10页 |
| 2 高光谱遥感技术在病虫害监测中的应用 | 第10-12页 |
| 3 BP网络在病虫害高光谱遥感监测中的应用 | 第12-14页 |
| 4 遗传算法GA与BP网络方法的结合在病虫害高光谱遥感监测病虫害中的应用 | 第14-17页 |
| 5 本研究的主要内容及意义 | 第17-18页 |
| 第二章 水稻受稻纵卷叶螟为害后的光谱特征及受害程度的回归诊断 | 第18-54页 |
| 1 材料与方法 | 第19-24页 |
| ·供试水稻生长状况及受稻纵卷叶螟为害情况 | 第19-20页 |
| ·水稻叶片和冠层光谱的测定 | 第20-22页 |
| ·基于光谱反射率、一阶微分及主成分的水稻受害级别的回归诊断 | 第22-24页 |
| 2 结果与分析 | 第24-52页 |
| ·不同生育期水稻受害后的光谱反射率 | 第24-28页 |
| ·基于光谱反射率的稻纵卷叶螟为害程度的回归诊断 | 第28-31页 |
| ·基于光谱反射率一阶微分的稻纵卷叶螟为害程度的回归诊断 | 第31-38页 |
| ·水稻受害光谱的主成分分析 | 第38-52页 |
| 3 讨论 | 第52-54页 |
| 第三章 基于BP网络的稻纵卷叶螟为害程度的光谱诊断 | 第54-74页 |
| 1 材料与方法 | 第55-68页 |
| ·数据来源 | 第55-66页 |
| ·BP网络的组建方法 | 第66-68页 |
| 2 结果与分析 | 第68-72页 |
| ·基于主成分因子水稻室内组合叶片中卷叶数的BP诊断 | 第68-70页 |
| ·基于主成分因子的小区水稻卷叶率级别的BP诊断 | 第70-71页 |
| ·大田水稻卷叶级别的BP诊断 | 第71-72页 |
| 3 讨论 | 第72-74页 |
| 第四章 基于遗传算法GA的BP神经网络对稻纵卷叶螟为害程度的光谱诊断 | 第74-90页 |
| 1 材料与方法 | 第75-78页 |
| ·数据来源 | 第75页 |
| ·结合遗传算法的BP网络学习策略 | 第75-78页 |
| 2 结果与分析 | 第78-87页 |
| ·GA-BP神经网络对室内组合叶片卷叶数的诊断 | 第78-81页 |
| ·小区水稻卷叶级别的GA-BP诊断 | 第81-83页 |
| ·大田水稻卷叶级别的GA-BP诊断 | 第83-87页 |
| 3 讨论 | 第87-90页 |
| 全文结论 | 第90-92页 |
| 参考文献 | 第92-102页 |
| 攻读硕士学位期间发表的研究论文 | 第102-104页 |
| 附录Ⅰ | 第104-114页 |
| 致谢 | 第114页 |
