| 摘要 | 第11-15页 |
| ABSTRACT | 第15-18页 |
| 第一章 绪论 | 第20-48页 |
| 1 农作物遥感监测基本原理 | 第20-22页 |
| 2 农作物苗情诊断关键参数遥感监测预报模型研究进展 | 第22-29页 |
| 2.1 单因子模型 | 第24-26页 |
| 2.2 多因子模型 | 第26-29页 |
| 3 农作物苗情诊断关键参数遥感监测预报多因子模型构建算法 | 第29-36页 |
| 3.1 传统多元线性回归 | 第29-30页 |
| 3.2 偏最小二乘回归算法 | 第30-31页 |
| 3.3 人工神经网络算法 | 第31-32页 |
| 3.4 单核支持向量回归算法 | 第32-33页 |
| 3.5 双核支持向量回归算法 | 第33-35页 |
| 3.6 随机森林回归算法 | 第35-36页 |
| 4 本研究的目的及意义 | 第36-38页 |
| 参考文献 | 第38-48页 |
| 第二章 小麦叶面积指数遥感监测多元回归算法研究 | 第48-81页 |
| 前言 | 第48-49页 |
| 1 数据获取与处理 | 第49-55页 |
| 1.1 试验设计 | 第49-52页 |
| 1.1.1 试验地点 | 第49-50页 |
| 1.1.2 试验内容 | 第50-52页 |
| 1.2 叶面积指数数据获取 | 第52页 |
| 1.3 影像数据及预处理 | 第52-54页 |
| 1.4 植被指数 | 第54页 |
| 1.5 数据分析与利用 | 第54-55页 |
| 2 结果 | 第55-77页 |
| 2.1 相关性分析 | 第55-56页 |
| 2.2 小麦叶面积指数遥感监测模型的建立 | 第56-71页 |
| 2.2.1 传统多元线性模型 | 第56-57页 |
| 2.2.2 偏最小二乘回归模型 | 第57-58页 |
| 2.2.3 人工神经网络模型 | 第58-59页 |
| 2.2.4 单核支持向量回归模型 | 第59-62页 |
| 2.2.5 双核支持向量回归模型 | 第62-69页 |
| 2.2.6 随机森林回归模型 | 第69-71页 |
| 2.3 小麦叶面积指数遥感监测模型的评价 | 第71-77页 |
| 2.3.1 传统多元线性模型 | 第71-72页 |
| 2.3.2 偏最小二乘回归模型 | 第72-73页 |
| 2.3.3 人工神经网络模型 | 第73-74页 |
| 2.3.4 单核支持向量回归模型 | 第74-75页 |
| 2.3.5 双核支持向量回归模型 | 第75-76页 |
| 2.3.6 随机森林回归模型 | 第76-77页 |
| 3 不同算法所建叶面积指数遥感监测模型预测性评价 | 第77-79页 |
| 4 小结 | 第79-80页 |
| 参考文献 | 第80-81页 |
| 第三章 小麦生物量遥感监测多元回归算法研究 | 第81-107页 |
| 前言 | 第81-82页 |
| 1 数据获取与处理 | 第82-84页 |
| 1.1 试验设计 | 第82页 |
| 1.2 地上部分生物量 | 第82页 |
| 1.3 影像数据及预处理 | 第82-83页 |
| 1.4 植被指数 | 第83页 |
| 1.5 数据分析与利用 | 第83-84页 |
| 2 结果 | 第84-102页 |
| 2.1 相关性分析 | 第84页 |
| 2.2 小麦生物量遥感监测模型的建立 | 第84-96页 |
| 2.2.1 传统多元线性模型 | 第85页 |
| 2.2.2 偏最小二乘回归模型 | 第85-86页 |
| 2.2.3 人工神经网络模型 | 第86-87页 |
| 2.2.4 单核支持向量回归模型 | 第87-90页 |
| 2.2.5 双核支持向量回归模型 | 第90-94页 |
| 2.2.6 随机森林回归模型 | 第94-96页 |
| 2.3 小麦生物量遥感监测模型的评价 | 第96-102页 |
| 2.3.1 传统多元线性模型 | 第96-97页 |
| 2.3.2 偏最小二乘回归模型 | 第97-98页 |
| 2.3.3 人工神经网络模型 | 第98-99页 |
| 2.3.4 单核支持向量回归模型 | 第99-100页 |
| 2.3.5 双核支持向量回归模型 | 第100-101页 |
| 2.3.6 随机森林回归模型 | 第101-102页 |
| 3 不同算法所建生物量遥感监测模型预测性评价 | 第102-104页 |
| 4 小结 | 第104-105页 |
| 参考文献 | 第105-107页 |
| 第四章 小麦SPAD值遥感监测多元回归算法研究 | 第107-133页 |
| 前言 | 第107-108页 |
| 1 数据获取与处理 | 第108-110页 |
| 1.1 试验设计 | 第108页 |
| 1.2 小麦SPAD值测定 | 第108-109页 |
| 1.3 影像数据及预处理 | 第109页 |
| 1.4 植被指数 | 第109页 |
| 1.5 数据分析与利用 | 第109-110页 |
| 2 结果 | 第110-128页 |
| 2.1 相关性分析 | 第110页 |
| 2.2 小麦SPAD值遥感监测模型的建立 | 第110-122页 |
| 2.2.1 传统多元线性模型 | 第111页 |
| 2.2.2 偏最小二乘回归模型 | 第111-112页 |
| 2.2.3 人工神经网络模型 | 第112-113页 |
| 2.2.4 单核支持向量回归模型 | 第113-116页 |
| 2.2.5 双核支持向量回归模型 | 第116-120页 |
| 2.2.6 随机森林回归模型 | 第120-122页 |
| 2.3 小麦SPAD值遥感监测模型的评价 | 第122-128页 |
| 2.3.1 传统多元线性模型 | 第122-123页 |
| 2.3.2 偏最小二乘回归模型 | 第123-124页 |
| 2.3.3 人工神经网络模型 | 第124-125页 |
| 2.3.4 单核支持向量回归模型 | 第125-126页 |
| 2.3.5 双核支持向量回归模型 | 第126-127页 |
| 2.3.6 随机森林回归模型 | 第127-128页 |
| 3 不同算法所建SPAD值遥感监测模型预测性评价 | 第128-130页 |
| 4 小结 | 第130-131页 |
| 参考文献 | 第131-133页 |
| 第五章 小麦叶片氮含量遥感监测多元回归算法研究 | 第133-160页 |
| 前言 | 第133-134页 |
| 1 数据获取与处理 | 第134-136页 |
| 1.1 试验设计 | 第134页 |
| 1.2 小麦叶片氮含量数据获取 | 第134-135页 |
| 1.3 影像数据及预处理 | 第135页 |
| 1.4 植被指数 | 第135页 |
| 1.5 数据分析与利用 | 第135-136页 |
| 2 结果 | 第136-155页 |
| 2.1 相关性分析 | 第136页 |
| 2.2 小麦叶片氮含量遥感监测模型的建立 | 第136-148页 |
| 2.2.1 传统多元线性模型 | 第137页 |
| 2.2.2 偏最小二乘回归模型 | 第137-138页 |
| 2.2.3 人工神经网络模型 | 第138-139页 |
| 2.2.4 单核支持向量回归模型 | 第139-142页 |
| 2.2.5 双核支持向量回归模型 | 第142-146页 |
| 2.2.6 随机森林回归模型 | 第146-148页 |
| 2.3 小麦叶片氮含量遥感监测模型的评价 | 第148-155页 |
| 2.3.1 传统多元线性模型 | 第149-150页 |
| 2.3.2 偏最小二乘回归模型 | 第150-151页 |
| 2.3.3 人工神经网络模型 | 第151-152页 |
| 2.3.4 单核支持向量回归模型 | 第152-153页 |
| 2.3.5 双核支持向量回归模型 | 第153-154页 |
| 2.3.6 随机森林回归模型 | 第154-155页 |
| 3 不同算法所建叶片氮含量遥感监测模型预测性评价 | 第155-156页 |
| 4 小结 | 第156-158页 |
| 参考文献 | 第158-160页 |
| 第六章 结论与讨论 | 第160-170页 |
| 1 讨论 | 第160-165页 |
| 1.1 多元回归算法遥感监测小麦苗情诊断关键参数的精度分析 | 第160-162页 |
| 1.2 不同生育期小麦苗情诊断关键参数遥感监测模型精度差异性分析 | 第162-163页 |
| 1.3 不同生育期小麦苗情诊断关键参数遥感监测模型异同性分析 | 第163-165页 |
| 1.3.1 不同生育期同一参数遥感监测模型异同性分析 | 第163-164页 |
| 1.3.2 同一生育期不同参数遥感监测模型异同性分析 | 第164-165页 |
| 2 主要结论 | 第165-166页 |
| 3 本研究的创新点 | 第166页 |
| 4 尚待深入研究的问题 | 第166-167页 |
| 5 前景展望 | 第167-168页 |
| 参考文献 | 第168-170页 |
| 致谢 | 第170-172页 |
| 攻读学位期间的学术论文及科研成果 | 第172-173页 |
