植物生育期監(jiān)測(cè)與花期預(yù)報(bào)方法

前言
第1章 基于深度學(xué)習(xí)的水稻生育期智能識(shí)別方法
1.1 水稻生育期智能識(shí)別的意義
1.2 水稻生育期智能識(shí)別的技術(shù)思路
1.3 水稻生育期智能識(shí)別模型的構(gòu)建
1.3.1 圖像資料的準(zhǔn)備
1.3.2 圖像資料的增強(qiáng)處理
1.3.3 水稻生育期內(nèi)有效積溫的計(jì)算
1.3.4 構(gòu)建水稻生育期智能識(shí)別的神經(jīng)網(wǎng)絡(luò)模型
1.4 結(jié)論
參考文獻(xiàn)
第2章 基于衛(wèi)星遙感反演的冬小麥生育期監(jiān)測(cè)方法
2.1 遙感監(jiān)測(cè)冬小麥生育期的意義
2.2 遙感監(jiān)測(cè)冬小麥生育期的步驟和方法
2.2.1 基礎(chǔ)數(shù)據(jù)
2.2.2 數(shù)據(jù)處理
2.2.3 NDVI數(shù)據(jù)擬合
2.2.4 冬小麥物候期提取
2.2.5 冬小麥物候期監(jiān)測(cè)結(jié)果的驗(yàn)證
2.2.6 冬小麥關(guān)鍵物侯期遙感制圖
2.2.7 冬小麥關(guān)鍵物候期遙感反演結(jié)果驗(yàn)證
2.3 結(jié)論
參考文獻(xiàn)
第3章 基于機(jī)器學(xué)習(xí)的冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)方法
3.1 冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)的意義
3.2 資料與預(yù)處理
3.2.1 數(shù)據(jù)資料
3.2.2 資料預(yù)處理和區(qū)域劃分
3.3 方法介紹
3.3.1 隨機(jī)森林算法
3.3.2 反向神經(jīng)網(wǎng)絡(luò)算法
3.3.3 多元線性回歸算法
3.3.4 模型精度評(píng)價(jià)方法
3.4 冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)模型的構(gòu)建
3.4.1 冬小麥?zhǔn)蓟ㄆ诨咎卣?br /> 3.4.2 影響冬小麥?zhǔn)蓟ㄆ诘念A(yù)報(bào)因子篩選及其評(píng)價(jià)
3.4.3 基于3種算法的冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)模型構(gòu)建和精度對(duì)比
3.5 結(jié)論
參考文獻(xiàn)
第4章 基于 化因子相關(guān)的油菜開(kāi)花期預(yù)報(bào)方法
4.1 油菜開(kāi)花期預(yù)報(bào)的意義
4.2 資料篩選
4.2.1 氣象資料
4.2.2 環(huán)流特征量數(shù)據(jù)與海溫場(chǎng)數(shù)據(jù)
4.3 研究方法
4.3.1 開(kāi)花期觀測(cè)數(shù)據(jù)處理
4.3.2 膨化處理
4.3.3 化因子相關(guān)分析技術(shù)
4.3.4 穩(wěn)定性檢驗(yàn)與獨(dú)立性檢驗(yàn)
4.4 油菜花期預(yù)報(bào)模型的構(gòu)建