| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第22-46页 |
| 1.1 引言 | 第22-23页 |
| 1.2 作物生长模型研究进展 | 第23-28页 |
| 1.2.1 荷兰作物生长模型 | 第23-24页 |
| 1.2.2 美国作物生长模型 | 第24-25页 |
| 1.2.3 其他国家和中国的作物生长模型 | 第25-28页 |
| 1.3 作物模拟遥感数据同化不确定性研究进展 | 第28-42页 |
| 1.3.1 数据同化概念 | 第28页 |
| 1.3.2 数据同化算法 | 第28-31页 |
| 1.3.3 数据同化实现方法 | 第31-33页 |
| 1.3.4 作物模型遥感数据同化不确定性研究进展 | 第33-42页 |
| 1.4 存在的科学问题 | 第42-43页 |
| 1.4.1 作物模型初始条件和模拟过程的不确定性 | 第42页 |
| 1.4.2 同化算法与作物模型耦合的不确定性 | 第42页 |
| 1.4.3 同化作物模型中观测变量的不确定性 | 第42页 |
| 1.4.4 同化过程时空尺度扩展的不确定性 | 第42-43页 |
| 1.5 研究目标、内容和技术路线 | 第43-45页 |
| 1.5.1 研究目标 | 第43页 |
| 1.5.2 研究内容 | 第43-44页 |
| 1.5.3 技术路线 | 第44-45页 |
| 1.6 论文结构 | 第45-46页 |
| 第二章 研究区、试验和数据准备 | 第46-58页 |
| 2.1 研究区及概况 | 第46-47页 |
| 2.2 遥感地面试验 | 第47-49页 |
| 2.2.1 试验方案 | 第47-48页 |
| 2.2.2 观测项目及方法 | 第48-49页 |
| 2.3 数据 | 第49-55页 |
| 2.3.1 遥感数据 | 第49-52页 |
| 2.3.2 野外观测试验数据 | 第52-53页 |
| 2.3.3 气象数据 | 第53-54页 |
| 2.3.4 土壤数据 | 第54页 |
| 2.3.5 田间管理数据 | 第54页 |
| 2.3.6 其他辅助数据 | 第54-55页 |
| 2.4 遥感数据预处理 | 第55-58页 |
| 2.4.1 辐射校正 | 第55-56页 |
| 2.4.2 大气校正 | 第56-57页 |
| 2.4.3 几何校正 | 第57页 |
| 2.4.4 影像镶嵌与裁剪 | 第57-58页 |
| 第三章 基于作物模型的单点同化不确定性研究 | 第58-74页 |
| 3.1 模型与方法 | 第58-64页 |
| 3.1.1 CERES-Wheat作物模型及本地化 | 第58-59页 |
| 3.1.2 粒子滤波 | 第59-61页 |
| 3.1.3 作物模型粒子滤波同化 | 第61-62页 |
| 3.1.4 同化试验方案 | 第62-64页 |
| 3.1.5 同化结果评价指标 | 第64页 |
| 3.2 数据 | 第64页 |
| 3.3 结果与讨论 | 第64-73页 |
| 3.3.1 作物模型本地化 | 第64-65页 |
| 3.3.2 不同同化方案的不确定性分析 | 第65-68页 |
| 3.3.3 不同观测误差造成的同化模拟不确定性 | 第68-70页 |
| 3.3.4 不同生育期观测造成的同化模拟不确定 | 第70-73页 |
| 3.4 结论 | 第73-74页 |
| 第四章 基于同化算法的单点同化不确定性研究 | 第74-85页 |
| 4.1 模型与方法 | 第75-78页 |
| 4.1.1 作物生长模型及本地化 | 第75页 |
| 4.1.2 作物模型同化原理 | 第75-77页 |
| 4.1.3 同化试验 | 第77-78页 |
| 4.2 数据 | 第78页 |
| 4.3 结果与讨论 | 第78-84页 |
| 4.3.1 基于不同同化算法之间的同化模拟不确定性分析 | 第78-80页 |
| 4.3.2 基于不同算法内部参数的同化模拟不确定性分析 | 第80-84页 |
| 4.4 结论 | 第84-85页 |
| 第五章 区域冬小麦LAI的遥感反演 | 第85-100页 |
| 5.1 数据 | 第86页 |
| 5.1.1 野外观测数据 | 第86页 |
| 5.1.2 遥感数据 | 第86页 |
| 5.2 研究方法 | 第86-89页 |
| 5.2.1 植被指数 | 第86-87页 |
| 5.2.2 基于PROSAIL辐射传输模型的LUT反演方法 | 第87-89页 |
| 5.3 结果与讨论 | 第89-99页 |
| 5.3.1 反射率和植被指数对比 | 第89-92页 |
| 5.3.2 基于PROSAIL模型反演冬小麦LAI的对比 | 第92-93页 |
| 5.3.3 不同传感器反演LAI结果差异性的影响分析 | 第93-96页 |
| 5.3.4 多源遥感数据的衡水冬小麦LAI反演 | 第96-99页 |
| 5.4 结论 | 第99-100页 |
| 第六章 区域冬小麦生长模拟遥感数据同化的不确定性研究 | 第100-117页 |
| 6.1 数据 | 第100-101页 |
| 6.2 模型与方法 | 第101-102页 |
| 6.2.1 作物模型 | 第101页 |
| 6.2.2 作物模型同化原理 | 第101页 |
| 6.2.3 区域同化试验 | 第101-102页 |
| 6.3 结果与讨论 | 第102-116页 |
| 6.3.1 区域同化结果 | 第102-103页 |
| 6.3.2 气象驱动的不确定性 | 第103-107页 |
| 6.3.3 观测误差的不确定性 | 第107-109页 |
| 6.3.4 时间尺度的不确定性 | 第109-114页 |
| 6.3.5 空间尺度的不确定性 | 第114-116页 |
| 6.4 结论与讨论 | 第116-117页 |
| 第七章 结论与展望 | 第117-120页 |
| 7.1 研究结论 | 第117-118页 |
| 7.2 研究创新 | 第118页 |
| 7.3 存在问题与展望 | 第118-120页 |
| 参考文献 | 第120-138页 |
| 致谢 | 第138-139页 |
| 作者简介 | 第139-140页 |
