| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 引言 | 第10-21页 |
| ·选题背景和意义 | 第10-12页 |
| ·国内外研究进展 | 第12-17页 |
| ·遥感水质监测研究进展 | 第12-16页 |
| ·湖泊富营养化状态评价识别研究进展 | 第16-17页 |
| ·利用遥感技术评价湖泊营养状态研究进展 | 第17页 |
| ·论文研究目的、内容和方法 | 第17-19页 |
| ·研究目的 | 第17-18页 |
| ·研究内容 | 第18页 |
| ·研究方法 | 第18-19页 |
| ·论文的章节结构 | 第19-21页 |
| 2 应用的理论与方法 | 第21-40页 |
| ·湖泊水质遥感监测理论与方法 | 第21-29页 |
| ·湖泊水质遥感监测的原理 | 第21-24页 |
| ·湖泊水质遥感监测指标 | 第24页 |
| ·湖泊水质遥感监测方法 | 第24-27页 |
| ·湖泊水质遥感监测的数据源 | 第27-29页 |
| ·径向基人工神经网络 | 第29-34页 |
| ·径向基人工神经网络的网络结构 | 第29-30页 |
| ·径向基神经网络的计算原理 | 第30-32页 |
| ·径向基神经网络在MATLAB 中的实现 | 第32-34页 |
| ·湖泊富营养化状态模糊模式识别理论 | 第34-38页 |
| ·湖泊富营养化评价方法 | 第34-35页 |
| ·模糊模式识别理论的发展 | 第35-36页 |
| ·模糊模式识别交叉迭代模型 | 第36-38页 |
| ·本章小节 | 第38-40页 |
| 3 研究数据采集与处理方法 | 第40-51页 |
| ·研究区概况 | 第40-41页 |
| ·实验方案设计与实施 | 第41-43页 |
| ·采样目标 | 第41页 |
| ·采样点布置 | 第41-42页 |
| ·样品采集和测试方法 | 第42-43页 |
| ·TM 影像数据获取 | 第43-46页 |
| ·Landsat5 TM 数据描述 | 第43-44页 |
| ·TM 影像数据获取 | 第44-46页 |
| ·TM 影像预处理方法 | 第46-50页 |
| ·几何纠正 | 第46-47页 |
| ·辐射定标 | 第47-48页 |
| ·大气校正 | 第48-49页 |
| ·水体提取 | 第49-50页 |
| ·本章小节 | 第50-51页 |
| 4 基于实测水质数据的湖泊富营养化状态的模糊模式识别 | 第51-60页 |
| ·湖泊水质数据异常值检验和统计特征分析 | 第51-53页 |
| ·湖泊富营养化状态的模糊模式识别 | 第53-56页 |
| ·识别指标标准特征值矩阵Y 和特征值矩阵X 的构建 | 第53-54页 |
| ·富营养化等级的模糊模式识别 | 第54-56页 |
| ·模糊模式识别结果与实际情况的对比分析验证 | 第56-59页 |
| ·湖泊水质监测结果分析 | 第56-57页 |
| ·水质监测结果与富营养化状态识别结果对比分析验证 | 第57-59页 |
| ·本章小节 | 第59-60页 |
| 5 湖泊水质遥感反演模型的构建 | 第60-83页 |
| ·湖泊水质指标敏感波段及波段组合的选择 | 第60-69页 |
| ·实测光谱数据与水质指标特征波段的敏感性分析 | 第61-65页 |
| ·TM 波段数据的水质指标特征波段的敏感性分析 | 第65-69页 |
| ·湖泊水质遥感RBF 人工神经网络构建 | 第69-72页 |
| ·对原始数据进行归一化处理 | 第70页 |
| ·训练样本和验证样本的划分 | 第70-71页 |
| ·建立RBF 神经网络 | 第71-72页 |
| ·网络仿真和反归一化处理 | 第72页 |
| ·湖泊水质遥感RBF 人工神经网络模型的精度分析 | 第72-74页 |
| ·湖泊水质遥感RBF 人工神经网络模型的应用 | 第74-82页 |
| ·本章小节 | 第82-83页 |
| 6 基于水质遥感反演的湖泊富营养化状态的模糊模式识别 | 第83-91页 |
| ·遥感反演的湖泊富营养化状态的模糊模式识别 | 第83-87页 |
| ·富营养化状态识别结果分析 | 第87-89页 |
| ·本章小节 | 第89-91页 |
| 7 结论与建议 | 第91-93页 |
| ·结论 | 第91-92页 |
| ·展望 | 第92-93页 |
| 致谢 | 第93-95页 |
| 参考文献 | 第95-102页 |
| 附录 | 第102-115页 |
| 作者简介 | 第115页 |
