| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-13页 |
| 1. 绪论 | 第13-27页 |
| ·前言 | 第13页 |
| ·研究背景 | 第13-21页 |
| ·森林立地研究进展 | 第13-16页 |
| ·森林资源信息多元化研究进展 | 第16-17页 |
| ·数据挖掘与知识发现研究现状 | 第17-21页 |
| ·数据挖掘与知识发现相关概念 | 第17-18页 |
| ·数据挖掘的任务与表达 | 第18-20页 |
| ·数据挖掘在林业中的应用现状 | 第20-21页 |
| ·本文研究的意义、方法与内容 | 第21-24页 |
| ·选题的依据及意义 | 第21-23页 |
| ·立地研究的重要性 | 第21-22页 |
| ·林业信息化的深入 | 第22页 |
| ·数据挖掘的技术支持 | 第22-23页 |
| ·研究的技术方法与技术路线 | 第23-24页 |
| ·研究拟解决的关键问题 | 第24-27页 |
| 2. 多元林业信息特征 | 第27-35页 |
| ·多元林业信息获取 | 第27-28页 |
| ·获取途径 | 第27-28页 |
| ·技术手段 | 第28页 |
| ·多元林业信息构成 | 第28-32页 |
| ·多源异构的森林资源数据 | 第28-32页 |
| ·多元数据融合方法 | 第32页 |
| ·多元林业信息与知识之间的关系 | 第32-35页 |
| 3. 研究区概况及数据选取 | 第35-43页 |
| ·实验样区概况 | 第35-37页 |
| ·地理位置 | 第35页 |
| ·自然条件 | 第35-36页 |
| ·地貌、水文、气候 | 第35-36页 |
| ·岩石和土壤 | 第36页 |
| ·植被 | 第36页 |
| ·森林资源状况 | 第36-37页 |
| ·基础数据组成 | 第37-43页 |
| ·森林资源小班调查数据 | 第37-38页 |
| ·DEM数据 | 第38-39页 |
| ·遥感影像数据 | 第39-43页 |
| ·研究区影像几何精校正 | 第39-41页 |
| ·基础影像生成 | 第41-43页 |
| 4. 基于DEM和多光谱遥感影像的森林立地空间数据挖掘 | 第43-63页 |
| ·森林立地空间数据挖掘的研究思路 | 第43-46页 |
| ·地形因子的挖掘思路 | 第43-45页 |
| ·研究依据 | 第43-44页 |
| ·地形因子提取类型 | 第44-45页 |
| ·生物因子的挖掘思路 | 第45-46页 |
| ·研究依据 | 第45-46页 |
| ·生物因子提取类型 | 第46页 |
| ·森林立地空间数据挖掘 | 第46-62页 |
| ·微观地形因子提取 | 第46-54页 |
| ·海拔 | 第46-47页 |
| ·坡度 | 第47-49页 |
| ·坡向 | 第49-51页 |
| ·坡度变率 | 第51-52页 |
| ·坡向变率 | 第52-54页 |
| ·宏观地形因子提取 | 第54-58页 |
| ·地形起伏度 | 第54-55页 |
| ·粗糙度 | 第55-58页 |
| ·生物因子提取 | 第58-62页 |
| ·差值植被指数 | 第58-59页 |
| ·比值植被指数 | 第59-60页 |
| ·归一化植被指数 | 第60-61页 |
| ·转换型土壤调节植被指数 | 第61-62页 |
| ·小结 | 第62-63页 |
| 5. 基于数据挖掘技术的立地宜林性预测 | 第63-143页 |
| ·立地宜林性概述 | 第63-65页 |
| ·宜林性的衡量标准 | 第63-64页 |
| ·立地指数 | 第63-64页 |
| ·平均材积生长量 | 第64页 |
| ·经典的宜林途径 | 第64-65页 |
| ·研究方法 | 第65-77页 |
| ·决策树 | 第66-72页 |
| ·决策树概述 | 第66页 |
| ·决策树生成 | 第66-67页 |
| ·决策树剪枝 | 第67-70页 |
| ·C5.0决策树 | 第70-72页 |
| ·人工神经网络(Artificial Neural Network, ANN) | 第72-77页 |
| ·人工神经网络概述 | 第72-73页 |
| ·人工神经网络分类 | 第73-75页 |
| ·BP神经网络 | 第75-77页 |
| ·预测模型的建立原则 | 第77页 |
| ·数据预处理 | 第77-83页 |
| ·立地因子的选取 | 第77-78页 |
| ·地形因子选取 | 第78页 |
| ·生物因子选取 | 第78页 |
| ·土壤因子选取 | 第78页 |
| ·初步分析 | 第78-80页 |
| ·数据预处理 | 第80-83页 |
| ·结果与分析 | 第83-142页 |
| ·基于决策树的宜林性能预测 | 第84-103页 |
| ·方案一 | 第84-87页 |
| ·C5.0决策树的优化 | 第87-88页 |
| ·方案二 | 第88-91页 |
| ·方案三 | 第91-96页 |
| ·方案四 | 第96-101页 |
| ·决策树预测小结 | 第101-103页 |
| ·基于神经网络的立地指数预测 | 第103-142页 |
| ·方案一 | 第103-112页 |
| ·方案二 | 第112-122页 |
| ·FB神经网络与CF神经网络结果比较 | 第122-123页 |
| ·方案三 | 第123-131页 |
| ·改进的CF神经网络模型 | 第131-132页 |
| ·方案四 | 第132-139页 |
| ·神经网络预测小结 | 第139-142页 |
| ·小结 | 第142-143页 |
| 6. 森林立地空间离散场相关知识挖掘 | 第143-161页 |
| ·相关概念 | 第143-146页 |
| ·空间场 | 第143-144页 |
| ·信息熵 | 第144页 |
| ·基于信息熵的空间离散场相关指数计算 | 第144-146页 |
| ·立地的离散空间场相关指数提取 | 第146-158页 |
| ·立地的离散空间场类型 | 第146-151页 |
| ·立地离散空间场相关指数计算 | 第151-158页 |
| ·立地离散空间场信息熵提取 | 第151-153页 |
| ·立地离散空间场联合熵提取 | 第153-158页 |
| ·立地离散空间场相关指数分析 | 第158页 |
| ·小结 | 第158-161页 |
| 7. 结论与展望 | 第161-165页 |
| ·结论 | 第161-163页 |
| ·多元林业信息的立地空间数据挖掘 | 第161-162页 |
| ·立地宜林性能预测模型 | 第162页 |
| ·森林立地空间离散场相关知识 | 第162-163页 |
| ·创新点 | 第163页 |
| ·讨论与展望 | 第163-165页 |
| 参考文献 | 第165-175页 |
| 个人简介 | 第175-177页 |
| 导师简介 | 第177-179页 |
| 致谢 | 第179页 |