| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 引言 | 第11-16页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.2 作物氮素营养诊断技术 | 第12-13页 |
| 1.2.1 作物氮素营养监测的常规方法 | 第12页 |
| 1.2.2 作物氮素营养无损诊断技术 | 第12-13页 |
| 1.3 高光谱成像技术 | 第13-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2 研究方法和技术路线 | 第16-27页 |
| 2.1 研究方法和技术路线 | 第16-17页 |
| 2.2 材料与方法 | 第17页 |
| 2.3 高光谱成像系统 | 第17-26页 |
| 2.3.1 高光谱成像系统的硬件组成 | 第18-20页 |
| 2.3.2 高光谱成像仪的扫描过程 | 第20-21页 |
| 2.3.3 高光谱成像仪软件平台 | 第21-23页 |
| 2.3.4 水稻冠层氮含量数据获取 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 水稻高光谱图像信息处理 | 第27-36页 |
| 3.1 水稻冠层高光谱图像采集 | 第27-28页 |
| 3.2 水稻冠层高光谱图像处理 | 第28-32页 |
| 3.2.1 图像增强 | 第28-30页 |
| 3.2.2 水稻冠层图像反射率曲线 | 第30-32页 |
| 3.3 光谱数据分析 | 第32-35页 |
| 3.3.1 基于水稻光谱特征位置变量的分析技术 | 第32-33页 |
| 3.3.2 不同氮素水平下水稻冠层红边参数 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 水稻冠层光谱敏感波长 | 第36-41页 |
| 4.1 相关系数的计算 | 第36-37页 |
| 4.1.1 Pearson简单相关系数 | 第36-37页 |
| 4.1.2 Spearman等级相关系数 | 第37页 |
| 4.1.3 Kendall ? 相关系数 | 第37页 |
| 4.2 确定寒地水稻冠层光谱敏感波长 | 第37-40页 |
| 4.3 本章小结 | 第40-41页 |
| 5 不同氮素水平水稻冠层分类 | 第41-48页 |
| 5.1 人工神经网络 | 第41-42页 |
| 5.1.1 人工神经元模型 | 第41-42页 |
| 5.1.2 神经网络学习 | 第42页 |
| 5.2 BP神经网络 | 第42-46页 |
| 5.2.1 BP神经网络模型结构 | 第42-43页 |
| 5.2.2 基于BP神经网络的水稻氮素营养分类模型 | 第43-46页 |
| 5.3 BP神经网络验证 | 第46-47页 |
| 5.4 本章小结 | 第47-48页 |
| 6 寒地水稻氮素营养诊断模型 | 第48-52页 |
| 6.1 水稻氮素营养诊断模型 | 第48-50页 |
| 6.2 模型性能评价 | 第50-51页 |
| 6.3 本章小结 | 第51-52页 |
| 7 结论与展望 | 第52-53页 |
| 7.1 结论 | 第52页 |
| 7.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-72页 |
| 攻读专业硕士学位期间发表的学术论文 | 第72页 |