| 致谢 | 第4-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 1 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 基于遥感技术的农作物病虫害信息提取研究进展 | 第14-17页 |
| 1.2.1 应用于农作物病虫害信息提取的遥感平台及数据类型 | 第14-16页 |
| 1.2.2 基于近地高光谱技术的农作物病害信息提取 | 第16-17页 |
| 1.3 基于空间分析及数理统计方法的农作物病害研究进展 | 第17-19页 |
| 1.4 论文组织结构 | 第19-23页 |
| 1.4.1 论文主要研究内容 | 第19-20页 |
| 1.4.2 论文章节内容安排 | 第20-21页 |
| 1.4.3 研究技术路线 | 第21-23页 |
| 2 基于近地高光谱信息的小麦条锈病光谱响应机制分析 | 第23-33页 |
| 2.1 研究区概况 | 第23页 |
| 2.2 试验方案 | 第23-25页 |
| 2.2.1 冠层光谱测量 | 第24-25页 |
| 2.2.2 病情指数获取 | 第25页 |
| 2.3 数据处理方法 | 第25-27页 |
| 2.3.1 光谱敏感度 | 第25-26页 |
| 2.3.2 冠层光谱连续统去除 | 第26-27页 |
| 2.4 反演模型的建立 | 第27-28页 |
| 2.5 结果与分析 | 第28-31页 |
| 2.5.1 小麦生长光谱曲线分析 | 第28-29页 |
| 2.5.2 小麦吸收特征分析 | 第29-30页 |
| 2.5.3 病情指数反演 | 第30-31页 |
| 2.6 本章小节 | 第31-33页 |
| 3 基于模糊逻辑的小麦条锈病气象环境特性研究 | 第33-45页 |
| 3.1 研究区概况及数据来源 | 第33-34页 |
| 3.2 数据处理方法 | 第34-38页 |
| 3.2.1 风量影响值计算 | 第34-35页 |
| 3.2.2 趋势面插值法 | 第35-36页 |
| 3.2.3 自适应模糊推理简介 | 第36-38页 |
| 3.3 ANFIS模型构建 | 第38页 |
| 3.4 结果与分析 | 第38-42页 |
| 3.4.1 病害流行空间分布特征分析 | 第38-39页 |
| 3.4.2 研究区病害发生气象因素分析 | 第39-41页 |
| 3.4.3 小麦条锈病发生状态自适应模糊推理系统预测结果 | 第41-42页 |
| 3.5 本章小结 | 第42-45页 |
| 4 模拟GF-1WFV传感器多光谱数据的冬小麦条锈病情反演 | 第45-55页 |
| 4.1 数据处理方法 | 第45-49页 |
| 4.1.1 基于波段响应函数的多光谱反射率模拟 | 第45-46页 |
| 4.1.2 条锈病多光谱植被指数与气象环境要素筛选 | 第46-48页 |
| 4.1.3 结合气象因素的小麦条锈病情自适应模糊推理模型建立 | 第48-49页 |
| 4.2 结果与分析 | 第49-53页 |
| 4.2.1 小麦条锈病地面高光谱反射率特征与模拟多光谱反射率特征对比 | 第49-50页 |
| 4.2.2 GAR-PLS-AIC植被指数及气象因素筛选 | 第50-51页 |
| 4.2.3 基于自适应模糊推理模型的小麦条锈病情监测 | 第51-53页 |
| 4.3 本章小结 | 第53-55页 |
| 5 结论与展望 | 第55-59页 |
| 5.1 结果与结论 | 第55-56页 |
| 5.2 主要创新点 | 第56-57页 |
| 5.3 进一步展望 | 第57-59页 |
| 参考文献 | 第59-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
