植物生育期監(jiān)測與花期預報方法

前言
第1章 基于深度學習的水稻生育期智能識別方法
1.1 水稻生育期智能識別的意義
1.2 水稻生育期智能識別的技術思路
1.3 水稻生育期智能識別模型的構建
1.3.1 圖像資料的準備
1.3.2 圖像資料的增強處理
1.3.3 水稻生育期內有效積溫的計算
1.3.4 構建水稻生育期智能識別的神經(jīng)網(wǎng)絡模型
1.4 結論
參考文獻
第2章 基于衛(wèi)星遙感反演的冬小麥生育期監(jiān)測方法
2.1 遙感監(jiān)測冬小麥生育期的意義
2.2 遙感監(jiān)測冬小麥生育期的步驟和方法
2.2.1 基礎數(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)測結果的驗證
2.2.6 冬小麥關鍵物侯期遙感制圖
2.2.7 冬小麥關鍵物候期遙感反演結果驗證
2.3 結論
參考文獻
第3章 基于機器學習的冬小麥始花期預報方法
3.1 冬小麥始花期預報的意義
3.2 資料與預處理
3.2.1 數(shù)據(jù)資料
3.2.2 資料預處理和區(qū)域劃分
3.3 方法介紹
3.3.1 隨機森林算法
3.3.2 反向神經(jīng)網(wǎng)絡算法
3.3.3 多元線性回歸算法
3.3.4 模型精度評價方法
3.4 冬小麥始花期預報模型的構建
3.4.1 冬小麥始花期基本特征
3.4.2 影響冬小麥始花期的預報因子篩選及其評價
3.4.3 基于3種算法的冬小麥始花期預報模型構建和精度對比
3.5 結論
參考文獻
第4章 基于 化因子相關的油菜開花期預報方法
4.1 油菜開花期預報的意義
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)與海溫場數(shù)據(jù)
4.3 研究方法
4.3.1 開花期觀測數(shù)據(jù)處理
4.3.2 膨化處理
4.3.3 化因子相關分析技術
4.3.4 穩(wěn)定性檢驗與獨立性檢驗
4.4 油菜花期預報模型的構建