文摘
英文文摘
1 绪论
1.1 高光谱遥感简介
1.1.1 高光谱遥感概念与特征
1.1.2 高光谱遥感发展概况
1.1.3 高光谱遥感在林业研究中的应用
1.2 高光谱遥感提取植被生化组分研究
1.2.1 高光谱遥感提取植被生化组分原理
1.2.2 高光谱遥感提取植被生化组分研究方法
1.3 高光谱遥感反演叶绿素含量研究
1.3.1 提取植被叶绿素含量的意义
1.3.2 高光谱遥感反演叶绿素含量研究进展
1.4 研究背景、意义和内容
1.4.1 课题背景
1.4.2 研究目的与意义
1.4.3 研究内容
2 材料与方法
2.1 试验点概况
2.2 技术路线
2.3 研究方法
2.3.1 样本数据采集
2.3.2 光谱数据采集
2.3.3 叶绿素含量测定
2.3.4 数据预处理
2.3.5 红边参数定义
2.3.6 多元线性回归模型简介
2.3.7 人工神经网络简介
2.3.8 BP神经网络简介
2.3.9 遗传算法
2.3.10估算模型的精度检验
3 杉木红边参数估算叶绿素含量可行性分析
3.1 杉木冠层光谱特征
3.1.1 杉木冠层反射光谱特征
3.1.2 杉木冠层一阶微分光谱特征
3.1.3 杉木冠层光谱与叶绿素含量间相关性分析
3.2 红边参数间相关性分析
3.3 红边参数与叶绿素含量间相关性分析
4 杉木红边参数估算叶绿素含量统计回归模型
4.1 样本相关性分析
4.2 杉木红边参数估算叶绿素含量一元统计回归模型
4.2.1 基于红边位置的统计回归模型
4.2.2 基于红边振幅的统计回归模型
4.2.3 基于红边面积的统计回归模型
4.2.4 基于红边幅值各向异性指数的统计回归模型
4.2.5 基于红边宽度的统计回归模型
4.2.6 一元统计回归模型精度检验
4.3 杉木红边参数估算叶绿素含量多元线性统计回归模型
4.3.1 估算叶绿素含量的多元线性统计回归模型的建立
4.3.2 多元线性回归模型精度检验
5 杉木红边参数估算叶绿素含量GA-BP神经网络模型
5.1 主成分分析
5.1.1 主成分分析定义
5.1.2 主成分分析原理
5.2 基于PCA的GA-BP神经网络估算叶绿素含量模型建立
5.2.1 估算模型建立流程
5.2.2 主成分分析实现
5.2.3 遗传算法实现
5.2.4 网络模型实现
5.3 模型预测精度检验
6 结论与讨论
6.1 结论
6.2 讨论
参考文献
附录 A:遗传算法得到的最优初始权值和阈值
附录 B:攻读学位期间的主要学术成果
致谢