| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 研究的背景 | 第8-9页 |
| 1.1.2 研究的意义 | 第9-10页 |
| 1.2 国内外研究现状综述 | 第10-14页 |
| 1.2.1 气溶胶光学厚度反演方法和进展 | 第10-11页 |
| 1.2.2 大气水汽含量反演方法研究进展 | 第11-12页 |
| 1.2.3 大气辐射校正研究方法和现状 | 第12-14页 |
| 1.2.4 基于神经网络进行遥感影像参数反演的研究现状 | 第14页 |
| 1.3 研究内容和技术路线 | 第14-15页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15页 |
| 1.4 论文章节组织和内容 | 第15-17页 |
| 2 实验数据和模型介绍 | 第17-28页 |
| 2.1 高光谱数据和预处理 | 第17-20页 |
| 2.1.1 高光谱Hyperion影像 | 第18-19页 |
| 2.1.2 高光谱Hyperion影像的预处理 | 第19-20页 |
| 2.2 各章节所需数据介绍 | 第20-22页 |
| 2.2.1 水汽和气溶胶反演的Hyperion影像数据 | 第20页 |
| 2.2.2 一体化大气辐射校正的Hyperion影像数据 | 第20-21页 |
| 2.2.3 观测数据 | 第21-22页 |
| 2.3 大气辐射传输模型 | 第22-23页 |
| 2.4 模拟数据 | 第23-25页 |
| 2.5 BP神经网络 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 气溶胶光学厚度反演原理和方法比较 | 第28-37页 |
| 3.1 气溶胶光学厚度反演算法原理 | 第28-32页 |
| 3.1.1 浓密植被法(DDV) | 第29-31页 |
| 3.1.2 V5.2 算法 | 第31-32页 |
| 3.2 波段敏感性分析 | 第32-34页 |
| 3.3 气溶胶光学厚度反演和精度比较 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 大气水汽含量反演和算法比较研究 | 第37-52页 |
| 4.1 水汽含量反演算法原理 | 第37-40页 |
| 4.1.1 近红外水汽含量反演的理论分析 | 第37-39页 |
| 4.1.2 水汽反演算法原理比较 | 第39-40页 |
| 4.2 基于波段比值法的水汽吸收波段选择 | 第40-44页 |
| 4.2.1 水汽反演波段的敏感性分析 | 第40-43页 |
| 4.2.2 基于两波段/三波段比值法的Hyperion影像水汽反演波段选择 | 第43-44页 |
| 4.3 模拟实验反演结果及评价 | 第44-46页 |
| 4.4 误差分析 | 第46-50页 |
| 4.5 本章小结 | 第50-52页 |
| 5 基于神经网络的一体化大气辐射校正 | 第52-71页 |
| 5.1 基于大气辐射传输模型的大气辐射校正原理和方法 | 第52-55页 |
| 5.1.1 基于大气辐射传输模型的大气辐射校正原理 | 第52-53页 |
| 5.1.2 影响大气辐射传输模型的校正效果的因素分析 | 第53-54页 |
| 5.1.3 常用大气校正软件和模块 | 第54-55页 |
| 5.2 神经网络的结构 | 第55-61页 |
| 5.2.1 隐含层数的确定 | 第56-57页 |
| 5.2.2 转移函数和归一化对精度的影响 | 第57-59页 |
| 5.2.3 神经网络循环次数和节点数的确定 | 第59-61页 |
| 5.2.4 测试数据对网络结构的验证 | 第61页 |
| 5.3 基于图像光谱信息的一体化大气辐射校正 | 第61-66页 |
| 5.3.1 一体化大气辐射校正流程 | 第61-62页 |
| 5.3.2 实验数据 | 第62-63页 |
| 5.3.3 一体化大气辐射校正的实现 | 第63-66页 |
| 5.4 结果与分析 | 第66-69页 |
| 5.4.1 神经网络大气校正方法和传统大气校正软件效果对比分析 | 第66-67页 |
| 5.4.2 模拟数据的验证 | 第67-69页 |
| 5.5 结论和讨论 | 第69页 |
| 5.6 本章小结 | 第69-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 不足与展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-82页 |
| 附录 | 第82页 |
