|
|
|
星机地协同的松材线虫病疫区枯死松树监测方法研究 |
|
论文目录 |
|
摘要 | 第5-6页 | ABSTRACT | 第6-7页 | 1 绪论 | 第12-20页 | 1.1 研究背景与意义 | 第12-13页 | 1.2 国内松材线虫病的时空动态变化 | 第13-15页 | 1.3 松材线虫病疫木遥感监测的国内外研究现状及关键问题 | 第15-16页 | 1.3.1 国内外研究进展 | 第15-16页 | 1.3.2 松材线虫病监测中存在的关键问题 | 第16页 | 1.4 研究内容 | 第16-17页 | 1.5 研究方法及论文组织结构 | 第17-20页 | 1.5.1 研究方法与技术路线 | 第17-19页 | 1.5.2 论文章节安排 | 第19-20页 | 2 研究区域概况与数据来源 | 第20-28页 | 2.1 研究区域概况 | 第20-21页 | 2.1.1 地理位置 | 第20页 | 2.1.2 气候和水文 | 第20-21页 | 2.2 卫星遥感数据 | 第21-22页 | 2.2.1 高分辨率遥感影像数据 | 第21-22页 | 2.2.2 DEM数据 | 第22页 | 2.3 无人机数据 | 第22-23页 | 2.4 地面数据 | 第23-28页 | 2.4.1 样本点位获取 | 第24-25页 | 2.4.2 非成像高光谱测量 | 第25-28页 | 3 基于地面非成像高光谱数据的松针光谱分析 | 第28-36页 | 3.1 地面非成像高光谱数据处理 | 第28-30页 | 3.1.1 敏感波段的筛选方法 | 第28-29页 | 3.1.2 光谱指数的筛选方法 | 第29-30页 | 3.2 不同程度的枯死和健康松针反射光谱特征分析 | 第30-33页 | 3.2.1 光谱特征分析 | 第30-32页 | 3.2.2 敏感波段分析 | 第32-33页 | 3.3 光谱指数可分性分析 | 第33-34页 | 3.4 本章小结 | 第34-36页 | 4 基于星-地数据协同的松材线虫病疫区分级 | 第36-46页 | 4.1 遥感影像的预处理 | 第36-41页 | 4.1.1 精细DEM提取方法 | 第37-39页 | 4.1.2 地形校正模型 | 第39页 | 4.1.3 基于精细DEM的地形校正 | 第39-41页 | 4.2 星-地数据协同的枯死树提取 | 第41-43页 | 4.2.1 基于林业小班面数据的松林分布提取 | 第41-42页 | 4.2.2 基于光谱指数的枯死松树提取 | 第42-43页 | 4.3 松材线虫病疫区分级 | 第43-44页 | 4.3.1 病虫害疫区分级标准 | 第43页 | 4.3.2 研究区域受灾等级划分 | 第43-44页 | 4.4 本章小结 | 第44-46页 | 5 基于深度学习的无人机影像枯死松树监测 | 第46-60页 | 5.1 深度学习方法介绍 | 第47-49页 | 5.1.1 常用的卷积神经网络模型 | 第47-48页 | 5.1.2 深度学习框架及运行环境 | 第48-49页 | 5.2 数据集的制作 | 第49-52页 | 5.2.1 传统的数据集制作方法 | 第49页 | 5.2.2 本文的数据集的制作方法 | 第49-51页 | 5.2.3 数据集的组织结构 | 第51-52页 | 5.3 卷积神经网络模型的训练与测试 | 第52-56页 | 5.3.1 卷积神经网络模型的作业流程 | 第52页 | 5.3.2 卷积神经网络模型的结构 | 第52-54页 | 5.3.3 卷积神经网络模型参数的调优分析 | 第54-56页 | 5.4 枯死松树的识别结果与分析 | 第56-59页 | 5.4.1 精度评价的方法 | 第56页 | 5.4.2 测试区识别结果的精度分析 | 第56-59页 | 5.5 本章小结 | 第59-60页 | 6 结论与展望 | 第60-62页 | 6.1 结论 | 第60页 | 6.2 问题与展望 | 第60-62页 | 致谢 | 第62-64页 | 参考文献 | 第64-68页 | 攻读硕士学位期间的主要学术成果 | 第68-69页 |
|
|
|
|
论文编号BS4288823,这篇论文共69页 会员购买按0.35元/页下载,共需支付24.15元。 直接购买按0.5元/页下载,共需要支付34.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|