前言
第1章 基于深度学习的水稻生育期智能识别方法
1.1 水稻生育期智能识别的意义
1.2 水稻生育期智能识别的技术思路
1.3 水稻生育期智能识别模型的构建
1.3.1 图像资料的准备
1.3.2 图像资料的增强处理
1.3.3 水稻生育期内有效积温的计算
1.3.4 构建水稻生育期智能识别的神经网络模型
1.4 结论
参考文献
第2章 基于卫星遥感反演的冬小麦生育期监测方法
2.1 遥感监测冬小麦生育期的意义
2.2 遥感监测冬小麦生育期的步骤和方法
2.2.1 基础数据
2.2.2 数据处理
2.2.3 NDVI数据拟合
2.2.4 冬小麦物候期提取
2.2.5 冬小麦物候期监测结果的验证
2.2.6 冬小麦关键物侯期遥感制图
2.2.7 冬小麦关键物候期遥感反演结果验证
2.3 结论
参考文献
第3章 基于机器学习的冬小麦始花期预报方法
3.1 冬小麦始花期预报的意义
3.2 资料与预处理
3.2.1 数据资料
3.2.2 资料预处理和区域划分
3.3 方法介绍
3.3.1 随机森林算法
3.3.2 反向神经网络算法
3.3.3 多元线性回归算法
3.3.4 模型精度评价方法
3.4 冬小麦始花期预报模型的构建
3.4.1 冬小麦始花期基本特征
3.4.2 影响冬小麦始花期的预报因子筛选及其评价
3.4.3 基于3种算法的冬小麦始花期预报模型构建和精度对比
3.5 结论
参考文献
第4章 基于最优化因子相关的油菜开花期预报方法
4.1 油菜开花期预报的意义
4.2 资料筛选
4.2.1 气象资料
4.2.2 环流特征量数据与海温场数据
4.3 研究方法
4.3.1 开花期观测数据处理
4.3.2 膨化处理
4.3.3 最优化因子相关分析技术
4.3.4 稳定性检验与独立性检验
4.4 油菜花期预报模型的构建
4.4.1 油菜生育期的基本特征
4.4.2 油菜开花期的主要影响因子
4.4.3 油菜开花期中长期建模因子的选择
4.4.4 油菜开花期中长期预测模型的检验
4.5 结论
参考文献
第5章 基于需冷量和需热量的桃树始花期动态预报方法
5.1 需冷量和需热量研究背景
5.2 资料与方法
5.2.1 数据资料
5.2.2 研究方法
5.3 桃树始花期预报方法的建立
5.3.1 以需热量的稳定寻找需冷量
5.3.2 以需冷量的稳定寻找需热量
5.3.3 用需冷量和需热量估算桃树始花期的检验效果
5.4 结论
参考文献
第6章 基于周期分析的桃树始花期预报方法
6.1 桃树始花期预报的意义
6.2 资料与方法
6.2.1 数据资料
6.2.2 桃树开花对生态环境的要求
6.2.3 功率谱分析方法
6.2.4 逐步回归周期分析方法
6.2.5 预报集成法
6.3 桃树始花期预报效果
6.4 结论
参考文献
第7章 基于膨化处理的牡丹始花期预报方法
7.1 牡丹始花期预报的意义
7.2 资料与方法
7.2.1 数据资料
7.2.2 膨化处理
7.2.3 逐步回归
7.3 牡丹始花期预报方法的建立
7.3.1 气象因素对牡丹始花期的影响
7.3.2 备选因子的选取
7.3.3 牡丹始花期预报模型的构建
7.3.4 牡丹始花期预报模型精度检验
7.4 结论
参考文献
第8章 基于逐步回归的植物花期预报方法
8.1 苹果始花期的预报方法
8.1.1 苹果始花期预报的意义
8.1.2 构建苹果始花期预报模型的资料和方法
8.1.3 苹果始花期预报模型的构建
8.1.4 苹果始花期预报的结论
8.2 梨树始花期的预报方法
8.2.1 梨树始花期预报的意义
8.2.2 构建梨树始花期预报模型的资料和方法
8.2.3 梨树始花期预报模型的构建
8.2.4 梨树始花期预报的结论
8.3 悬铃木始花期的预报方法
8.3.1 悬铃木始花期预报的意义
8.3.2 构建悬铃木始花期预报模型的资料和方法
8.3.3 悬铃木始花期预报模型的构建
8.3.4 悬铃木始花期预报的结论
参考文献
展开
