摘要 | 第1-5页 |
Abstrast | 第5-7页 |
目录 | 第7-9页 |
第一章 绪论 | 第9-17页 |
1.1 研究现状 | 第9-13页 |
1.1.1 城市植被的遥感调查现状 | 第9-10页 |
1.1.2 城市植被的遥感分类算法研究现状 | 第10-11页 |
1.1.3 城市植被生态效应评价的发展 | 第11-13页 |
1.2 研究目的与研究内容 | 第13-14页 |
1.3 研究方法与技术路线 | 第14-15页 |
1.3.1 “3S”技术 | 第14页 |
1.3.2 地面调查 | 第14页 |
1.3.3 神经网络分析 | 第14页 |
1.3.4 景观生态分析 | 第14页 |
1.3.5 研究技术路线 | 第14-15页 |
1.4 研究数据与研究区概况 | 第15-17页 |
1.4.1 研究数据 | 第15-16页 |
1.4.2 研究区概况 | 第16-17页 |
第二章 IKONOS影像的预处理 | 第17-25页 |
2.1 几何校正 | 第17-18页 |
2.2 辐射校正 | 第18-23页 |
2.2.1 建筑物阴影校正 | 第19-22页 |
2.2.2 山体阴影校正 | 第22-23页 |
2.3 本章小结 | 第23-25页 |
第三章 城市植被信息遥感提取与分析 | 第25-44页 |
3.1 KPCA算法与SAM算法 | 第25-30页 |
3.1.1 核函数方法概述 | 第25-26页 |
3.1.2 Mercer核函数 | 第26页 |
3.1.3 核主成分分析(KPCA)方法 | 第26-28页 |
3.1.4 光谱角度制图(SAM)分类方法 | 第28-30页 |
3.2 基于KPCA的SAM城市植被分类模型构建 | 第30-36页 |
3.2.1 模型构建及具体分类步骤 | 第30-31页 |
3.2.2 核函数、核函数参数与训练样本数选择分析 | 第31-36页 |
3.3 城市植被覆盖遥感分类 | 第36-41页 |
3.3.1 植被覆盖分类体系 | 第36页 |
3.3.2 玄武区植被覆盖分类 | 第36-38页 |
3.3.3 分类精度评价 | 第38-40页 |
3.3.4 分类结果分析与探讨 | 第40-41页 |
3.4 园林绿地类型划分 | 第41-42页 |
3.4.1 园林绿地分类体系 | 第41页 |
3.4.2 玄武区园林绿地分类 | 第41-42页 |
3.5 本章小结 | 第42-44页 |
第四章 城市绿量信息遥感提取与分析 | 第44-67页 |
4.1 研究方法 | 第44-55页 |
4.1.1 抽样与样本点绿量计算 | 第44-46页 |
4.1.2 自变量的选择 | 第46-51页 |
4.1.3 自变量与绿量间的相关性分析 | 第51-55页 |
4.2 绿量逐步回归估算模型的建立 | 第55-57页 |
4.2.1 多元回归与逐步回归分析方法 | 第55-56页 |
4.2.2 拟合优度与回归方程的显著性检验 | 第56页 |
4.2.3 玄武区绿量逐步回归估算模型的建立 | 第56-57页 |
4.3 绿量神经网络估算模型的建立 | 第57-64页 |
4.3.1 人工神经网络原理 | 第57-60页 |
4.3.2 B-P神经网络 | 第60-61页 |
4.3.3 玄武区绿量神经网络估算模型的建立 | 第61-64页 |
4.4 绿量遥感估算结果与分析 | 第64-66页 |
4.4.1 绿量遥感估算结果 | 第64页 |
4.4.2 方法对比分析 | 第64-65页 |
4.4.3 绿量遥感估算精度讨论 | 第65-66页 |
4.5 本章小结 | 第66-67页 |
第五章 玄武区植被生态评价与景观分析 | 第67-75页 |
5.1 玄武区绿地生态评价 | 第67-69页 |
5.1.1 绿地生态评价主要指标 | 第67-68页 |
5.1.2 玄武区绿地生态评价 | 第68-69页 |
5.1.3 结果和建议 | 第69页 |
5.2 玄武区植被景观分析 | 第69-74页 |
5.2.1 景观生态学与城市植被景观 | 第69-70页 |
5.2.2 玄武区植被景观分析 | 第70-74页 |
5.2.3 结果和建议 | 第74页 |
5.3 本章小结 | 第74-75页 |
第六章 结论与展望 | 第75-77页 |
6.1 结论 | 第75-76页 |
6.2 展望 | 第76-77页 |
参考文献 | 第77-81页 |
附图 | 第81-85页 |
附表 | 第85-87页 |
致谢 | 第87页 |