| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究现状 | 第14-15页 |
| 1.3 研究内容和技术路线 | 第15-17页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 技术路线 | 第15-17页 |
| 第二章 试验材料与数据采集 | 第17-23页 |
| 2.1 研究区域概况与试验设计 | 第17-18页 |
| 2.1.1 研究区域概况 | 第17页 |
| 2.1.2 试验设计 | 第17-18页 |
| 2.2 粳稻冠层叶片氮素含量测量与分析 | 第18-21页 |
| 2.2.1 粳稻冠层叶片氮素含量测量方法 | 第18-20页 |
| 2.2.2 粳稻冠层叶片氮素含量的统计与分析 | 第20-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第三章 粳稻冠层高光谱影像分类与光谱特性分析 | 第23-32页 |
| 3.1 基于最小距离法粳稻遥感影像分类处理 | 第23-24页 |
| 3.2 基于最大似然法粳稻遥感影像分类处理 | 第24-25页 |
| 3.3 基于支持向量机粳稻遥感影像分类处理 | 第25-28页 |
| 3.4 粳稻遥感影像分类结果分析 | 第28-30页 |
| 3.5 粳稻冠层高光谱特性分析 | 第30-31页 |
| 3.5.1 三个生育期的粳稻冠层高光谱特性分析 | 第30-31页 |
| 3.5.2 三个氮肥处理水平的粳稻冠层高光谱特性分析 | 第31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 粳稻冠层高光谱数据特征提取方法研究 | 第32-47页 |
| 4.1 高光谱数据预处理 | 第32-41页 |
| 4.1.1 一阶导数处理与分析 | 第32-34页 |
| 4.1.2 对数处理与分析 | 第34-35页 |
| 4.1.3 标准正态变量变换处理与分析 | 第35-37页 |
| 4.1.4 SG平滑处理与分析 | 第37-39页 |
| 4.1.5 粳稻冠层高光谱预处理结果分析 | 第39-41页 |
| 4.2 高光谱特征波段筛选 | 第41-44页 |
| 4.2.1 无信息变量消除法 | 第41页 |
| 4.2.2 竞争自适应重加权采样法 | 第41-42页 |
| 4.2.3 粳稻冠层高光谱特征波段筛选结果与分析 | 第42-44页 |
| 4.3 高光谱植被指数的构建 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 粳稻冠层叶片氮素含量反演建模与分析 | 第47-64页 |
| 5.1 粳稻冠层叶片氮素含量多元线性回归反演建模与分析 | 第47-50页 |
| 5.1.1 多元线性回归模型 | 第47页 |
| 5.1.2 三个生育期的粳稻冠层叶片氮素含量MLR反演建模与分析 | 第47-50页 |
| 5.2 粳稻冠层叶片氮素含量BP神经网络反演建模与分析 | 第50-54页 |
| 5.2.1 BP神经网络模型 | 第50-51页 |
| 5.2.2 三个生育期的粳稻冠层叶片氮素含量BP-NN反演建模与分析 | 第51-54页 |
| 5.3 粳稻冠层叶片氮素含量径向基神经网络反演建模与分析 | 第54-57页 |
| 5.3.1 RBF神经网络模型 | 第54-55页 |
| 5.3.2 三个生育期的粳稻冠层叶片氮素含量RBF-NN反演建模与分析 | 第55-57页 |
| 5.4 粳稻冠层叶片氮素含量自适应差分优化极限学习机反演建模与分析 | 第57-62页 |
| 5.4.1 自适应差分优化极限学习机模型 | 第58-60页 |
| 5.4.2 三个生育期的粳稻冠层叶片氮素含量SaDe-ELM反演建模与分析 | 第60-62页 |
| 5.5 四种模型反演建模结果分析 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 结论与展望 | 第64-66页 |
| 6.1 结论 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士期间发表论文 | 第72-73页 |
