植物生育期监测与花期预报方法

　　本书主要通过深度学习、卫星遥感反演、 化因子、需冷量和需热量、周期分析、膨化处理、逐步回归等方法，对水稻、小麦等粮食作物的生育期以及桃、梨等果树的生育期、花期进行监测和预报。利用机器学习等算法为预报作物生育期和花期提供了新的方法和思路，为建立 合理的预报模型提供依据。及时获取精准的作物生育期信息对作物长势监测、田间管理、品质及产量估算等均具有重要意义。本书适用于农业气象工作者学习阅读，也可为农业管理及其研究人员提供参考。

暂缺《植物生育期监测与花期预报方法》作者简介

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 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 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