第1章 水稻高光譜特征及其參數(shù)提取和分析方法
1.1 水稻植株各組分的高光譜特征
1.1.1 水稻植株不同組分的光譜特征
1.1.2 水稻葉片的正面與背面反射特征
1.1.3 不同氮素水平水稻葉片反射光譜特征
1.1.4 不同水稻葉片層數(shù)的高光譜特征
1.1.5 稻米及其蛋白質(zhì)和淀粉提取物的高光譜特征
1.2 水稻冠層高光譜特征
1.2.1 基于室內(nèi)模擬背景的水稻冠層光譜特征
1.2.2 田間條件下的水稻冠層光譜特征
1.2.3 同一品種不同生育期水稻冠層的高光譜特征
1.2.4 不同葉面積指數(shù)對(duì)應(yīng)的水稻冠層高光譜反射率變化特征
1.2.5 不同氮素營(yíng)養(yǎng)水平的水稻冠層高光譜特征
1.2.6 水稻冠層反射光譜的紅邊特征
1.3 水稻反射光譜變換及其特征參數(shù)提取方法
1.3.1 導(dǎo)數(shù)變換
1.3.2 對(duì)數(shù)變換
1.3.3 基于光譜位置和面積的特征參數(shù)
1.3.4 基于連續(xù)統(tǒng)去除的特征參數(shù)
1.3.5 光譜指數(shù)
1.4 數(shù)據(jù)分析與建模方法
1.4.1 回歸分析方法
1.4.2 主成分分析法
1.4.3 神經(jīng)網(wǎng)絡(luò)
1.4.4 模型精度檢驗(yàn)指標(biāo)
1.5 小結(jié)
第2章 水稻地上生物量的光譜遙感估算模型
2.1 地上鮮生物量的光譜遙感估算模型
2.1.1 地上鮮生物量的多光譜遙感估算模型
2.1.2 地上鮮生物量的高光譜遙感估算模型
2.2 地上干生物量的光譜遙感估算模型
2.2.1 地上干生物量的多光譜遙感估算模型
2.2.2 地上千生物量的高光譜遙感估算模型
2.3 小結(jié)
第3章 水稻葉面積指數(shù)的光譜遙感估算模型
3.1 水稻葉面積指數(shù)多光譜遙感估算模型
3.1.1 水稻葉面積指數(shù)與多光譜變量的相關(guān)分析
3.1.2 水稻葉面積指數(shù)多光譜遙感估算的線性與非線性模型
3.2 水稻葉面積指數(shù)高光譜遙感估算模型
3.2.1 水稻葉面積指數(shù)與高光譜變量的相關(guān)分析
3.2.2 水稻葉面積指數(shù)高光譜遙感估算的線性與非線性模型
3.3 水稻葉面積指數(shù)估算最佳波段位置及其寬度研究
3.3.1 NDvI紅光波段和近紅外波段運(yùn)算區(qū)域和中心位置的確定
3.3.2 近紅外波段位置和寬度對(duì)NDVI的影響
3.3.3 紅光波段位置和寬度對(duì)NDVI的影響
3.3.4 水稻葉面積指數(shù)估算最佳波段中心位置及其寬度研究
3.4 面向水稻葉面積指數(shù)估算的植被指數(shù)參數(shù)優(yōu)化研究
3.4.1 權(quán)重差值植被指數(shù)的參數(shù)優(yōu)化
3.4.2 土壤調(diào)節(jié)植被指數(shù)的參數(shù)優(yōu)化
3.4.3 土壤調(diào)節(jié)植被指數(shù)2的參數(shù)優(yōu)化
3.4.4 改進(jìn)的轉(zhuǎn)換型土壤調(diào)節(jié)植被指數(shù)的參數(shù)優(yōu)化
3.5 面向水稻葉面積指數(shù)估算的新型植被指數(shù)的構(gòu)建
3.5.1 新型植被指數(shù)的構(gòu)建
3.5.2 相關(guān)性分析
3.5.3 紅、綠、藍(lán)波段反射率對(duì)LAI敏感性及其構(gòu)成的植被指數(shù)的比較
3.5.4 基于標(biāo)準(zhǔn)差和變異系數(shù)的植被指數(shù)敏感性分析
3.5.5 模型驗(yàn)證
3.6 小結(jié)
第4章 水稻色素含量／密度的高光譜估算模型
4.1 實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)描述及相關(guān)性分析
4.1.1 水稻色素含量數(shù)據(jù)的統(tǒng)計(jì)分析
4.1.2 不同色素之間的相關(guān)性分析
4.1.3 不同葉位色素含量與冠層光譜的相關(guān)分析
4.2 水稻色素含量估算模型
4.2.1 基于窄波段光譜指數(shù)的水稻色素含量估算模型
4.2.2 水稻組分色素含量的BP神經(jīng)網(wǎng)絡(luò)估算模型
4.3 水稻冠層葉綠素密度估算模型
4.3.1 基于改進(jìn)葉綠素吸收連續(xù)統(tǒng)指數(shù)的葉綠素密度估算
4.3.2 基于植被指數(shù)的水稻葉綠素密度神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)遙感估算模型
4.3.3 基于高光譜變換的水稻葉綠素密度神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型
4.4 小結(jié)
第5章 水稻氮素含量的高光譜遙感估算模型
5.1 基于葉片光譜的水稻氮素含量估算模型
5.1.1 水稻葉片光譜反射率的主成分分析
5.1.2 基于葉片光譜的水稻氮素含量估算統(tǒng)計(jì)回歸模型
5.1.3 基于葉片光譜的水稻氮素含量估算神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)模型
5.2 基于冠層光譜的水稻氮素含量估算模型
5.2.1 水稻冠層光譜反射率的主成分分析
5.2.2 基于冠層光譜的水稻氮素含量估算統(tǒng)計(jì)回歸模型
5.2.3 基于冠層光譜的水稻氮素含量估算神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)模型
5.3 小結(jié)
5.3.1 不同遙感水平水稻氮素含量估算模型精度比較
5.3.2 不同建模方法構(gòu)建的水稻氮素含量估算模型精度比較
5.3.3 不同輸入變量構(gòu)建的水稻氮素含量估算模型精度比較
第6章 水稻主要病蟲(chóng)危害高光譜遙感研究
6.1 水稻主要病蟲(chóng)害簡(jiǎn)介及其高光譜遙感實(shí)驗(yàn)
6.1.1 水稻胡麻斑病危害高光譜遙感實(shí)驗(yàn)
6.1.2 水稻干尖線蟲(chóng)病危害高光譜遙感實(shí)驗(yàn)
6.1.3 水稻稻縱卷葉螟危害高光譜遙感實(shí)驗(yàn)
6.1.4 水稻稻飛虱危害高光譜遙感實(shí)驗(yàn)
6.1.5 稻瘟病危害高光譜遙感實(shí)驗(yàn)
6.2 水稻主要病蟲(chóng)害危害高光譜遙感敏感波段分析
6.2.1 基于連續(xù)統(tǒng)去除法的水稻主要病蟲(chóng)害危害高光譜遙感敏感波段選擇
6.2.2 基于光譜敏感度分析的水稻主要病蟲(chóng)害危害高光譜遙感敏感波段選擇
6.2.3 基于相關(guān)分析的水稻主要病蟲(chóng)害高光譜遙感敏感波段選擇
6.2.4 小結(jié)
6.3 水稻胡麻斑病危害高光譜遙感方法研究
6.3.1 基于敏感波段的水稻胡麻斑病危害高光譜遙感識(shí)別
6.3.2 水稻胡麻斑病危害高光譜遙感監(jiān)測(cè)模型
6.4 水稻干尖線蟲(chóng)病危害高光譜遙感方法研究
6.4.1 面向水稻干尖線蟲(chóng)病監(jiān)測(cè)的葉綠素含量高光譜遙感估算逐步回歸模型
6.4.2 面向水稻干尖線蟲(chóng)病監(jiān)測(cè)的葉綠素含量高光譜遙感估算偏最小二乘回歸模型
6.4.3 基于光譜指數(shù)的水稻干尖線蟲(chóng)病危害遙感監(jiān)測(cè)模型
6.5 小結(jié)
第7章 水稻產(chǎn)量的高光譜遙感估算模型
7.1 水稻產(chǎn)量與生物物理參數(shù)的相關(guān)性分析
7.2 水稻理論產(chǎn)量與實(shí)際產(chǎn)量的相關(guān)分析
7.3 水稻產(chǎn)量與高光譜變量的相關(guān)分析
7.3.1 產(chǎn)量構(gòu)成要素與冠層光譜的相關(guān)性分析
7.3.2 水稻產(chǎn)量與冠層光譜的相關(guān)性分析
7.4 水稻產(chǎn)量的高光譜估算模型及其精度分析
7.4.1 水稻理論產(chǎn)量的高光譜估算模型
7.4.2 水稻實(shí)際產(chǎn)量的高光譜估算模型
7.5 基于在軌衛(wèi)星植被指數(shù)模擬的水稻遙感估產(chǎn)研究
7.6 小結(jié)
第8章 水稻品質(zhì)高光譜遙感監(jiān)測(cè)模型
8.1 水稻品質(zhì)的主要影響因素
8.2 稻穗及稻谷粗蛋白質(zhì)和粗淀粉含量的高光譜遙感估算模型
8.2.1 水稻不同組分粗蛋白質(zhì)和粗淀粉含量隨發(fā)育期的變化
8.2.2 稻穗及稻谷粗蛋白質(zhì)和粗淀粉含量與高光譜變量的相關(guān)分析
8.2.3 稻穗及稻谷粗蛋白質(zhì)和粗淀粉含量的高光譜遙感估算模型及其精度檢驗(yàn)
8.3 稻米粗蛋白質(zhì)和直鏈淀粉含量遙感監(jiān)測(cè)綜合模型
8.3.1 稻米粗蛋白質(zhì)和直鏈淀粉含量與米粉干樣光譜的相關(guān)分析
8.3.2 稻米粗蛋白質(zhì)和直鏈淀粉含量的遙感估算模型及其檢驗(yàn)
8.3.3 稻米粗蛋白質(zhì)和直鏈淀粉含量的綜合監(jiān)測(cè)模型及其檢驗(yàn)
8.4 小結(jié)
第9章 水稻遙感信息提取最佳波段
9.1 基于主成分分析的波段選擇
9.2 基于波段自相關(guān)的波段選擇
9.3 基于導(dǎo)數(shù)相關(guān)系數(shù)的波段選擇(一階、二階)
9.4 基于植被指數(shù)估算模型決定系數(shù)的波段選擇
9.5 基于逐步回歸方法的波段選擇
9.6 小結(jié)
9.6.1 水稻葉面積指數(shù)監(jiān)測(cè)光譜區(qū)間的確定
9.6.2 水稻葉面積指數(shù)監(jiān)測(cè)光譜波段的確定
第10章 水稻冠層二向反射模型
10.1 水稻冠層二向反射率的一般規(guī)律
10.1.1 水稻冠層二向反射率隨觀測(cè)天頇角和方位角的變化規(guī)律
10.1.2 不同冠層結(jié)構(gòu)下水稻冠層二向反射率的變化
10.2 水稻BRDF模型
10.2.1 水稻冠層葉傾角分布模擬
10.2.2 水稻葉片反射率模擬
10.2.3 水稻冠層二向反射率的模擬
10.3 小結(jié)
第11章 植被高光譜數(shù)據(jù)處理系統(tǒng)的設(shè)計(jì)和開(kāi)發(fā)
11.1 程序的總體設(shè)計(jì)
11.1.1 設(shè)計(jì)目標(biāo)
11.1.2 設(shè)計(jì)原則
11.1.3 結(jié)構(gòu)設(shè)計(jì)
11.1.4 功能設(shè)計(jì)
11.1.5 開(kāi)發(fā)方式
11.1.6 系統(tǒng)的軟硬件環(huán)境
11.2 系統(tǒng)功能模塊介紹
11.2.1 光譜變換數(shù)據(jù)分析模塊
11.2.2 數(shù)據(jù)分析建模模塊
11.2.3 波段位置、寬度分析模塊
11.2.4 其他模塊
11.3 小結(jié)
第12章 水稻高光譜遙感實(shí)驗(yàn)設(shè)計(jì)與參數(shù)測(cè)定
12.1 小區(qū)實(shí)驗(yàn)設(shè)計(jì)和數(shù)據(jù)獲取
12.1.1 1999-2000年水稻田間實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)獲取
12.1.2 2002年水稻田間實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)獲取
12.1.3 2003年水稻田間實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)獲取
12.1.4 2004年水稻田間實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)獲取
12.2 水稻生物理化參數(shù)測(cè)定方法
12.2.1 水稻生物物理參數(shù)測(cè)定方法
12.2.2 水稻生物化學(xué)參數(shù)測(cè)定方法
12.3 小結(jié)
附錄研究組發(fā)表的相關(guān)論文
參考文獻(xiàn)