高光谱与深度迁移学习在水稻氮素反演中的应用.docxVIP

高光谱与深度迁移学习在水稻氮素反演中的应用

目录

一、内容概述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．4

1.1研究背景与意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．6

1.1.1水稻生产概况．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．7

1.1.2氮素养分管理的重要性．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．9

1.1.3高光谱遥感技术概览．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．10

1.1.4深度学习与迁移学习发展概述．．．．．．．．．．．．．．．．．．．．．．．．．．11

1.2国内外研究现状．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．14

1.2.1高光谱遥感在作物氮素监测方面的研究进展．．．．．．．．．．．．．．15

1.2.2深度学习在农业遥感影像分析中的应用．．．．．．．．．．．．．．．．．．18

1.2.3迁移学习技术在遥感影像分析中的探索．．．．．．．．．．．．．．．．．．23

1.3研究思路与主要内容．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．25

1.4技术路线与方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．27

1.5论文结构安排．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．30

二、高光谱遥感技术及其在水稻氮素监测中的应用．．．．．．．．．．．．．33

2.1高光谱遥感基本原理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．34

2.1.1高光谱信息特征．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．36

2.1.2高光谱数据采集方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．37

2.2高光谱数据预处理技术．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．38

2.2.1光谱平滑算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．42

2.2.2光谱校正方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．43

2.2.3光谱特征选择．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．46

2.3基于高光谱的水稻氮素信息提取．．．．．．．．．．．．．．．．．．．．．．．．．．48

2.3.1光谱指数构建．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．50

2.3.2氮素含量反演模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．52

2.3.3不同模型性能比较．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．54

三、深度学习与迁移学习模型构建．．．．．．．．．．．．．．．．．．．．．．．．．．．57

3.1深度学习模型概述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．58

3.1.1卷积神经网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．64

3.1.2循环神经网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．66

3.1.3深度信念网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．67

3.2迁移学习基本理论．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．71

3.2.1迁移学习概念与动机．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．72

3.2.2迁移学习类型与评价指标．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．75

3.3基于迁移学习的深度学习模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．78

3.3.1预训练模型及其应用．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．80

3.3.2多任务学习策略．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．82

3.3.3参数迁移与特征迁移．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．85

四、高光谱与深度迁移学习在水稻氮素反演中的应用实践．．．．．．．88

4.1实验区概况与数据采集．．．．．．．．．．．．．．．．．．．