基于机器学习法滑坡灾害信息的自动化提取--以汶川县绵虒镇为例
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外滑坡信息提取研究现状 | 第11-13页 |
| 1.2.2 国内滑坡信息提取研究现状 | 第13-15页 |
| 1.3 研究内容和方法 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 技术路线 | 第16页 |
| 1.3.3 章节安排 | 第16-18页 |
| 第2章 研究区概况及数据预处理 | 第18-26页 |
| 2.1 研究区概况 | 第18-19页 |
| 2.2 研究区数据 | 第19页 |
| 2.3 数据预处理 | 第19-24页 |
| 2.3.1 影像校正 | 第19-21页 |
| 2.3.2 影像融合及裁剪 | 第21-23页 |
| 2.3.3 NDVI指数和NDWI指数计算 | 第23页 |
| 2.3.4 坡度和山体阴影的提取 | 第23-24页 |
| 2.4 遥感影像的最优尺度分割 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 随机森林原理 | 第26-33页 |
| 3.1 随机森林概述 | 第26页 |
| 3.2 随机森林基本原理 | 第26-32页 |
| 3.2.1 决策树概述 | 第27-28页 |
| 3.2.2 随机森林的定义 | 第28页 |
| 3.2.3 随机森林的收敛 | 第28页 |
| 3.2.4 随机森林的泛化误差差界 | 第28-30页 |
| 3.2.5 随机森林的估计过程 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第4章 滑坡特征选择 | 第33-43页 |
| 4.1 滑坡影像特征 | 第33-36页 |
| 4.1.1 光谱特征 | 第33-34页 |
| 4.1.2 形状特征 | 第34-35页 |
| 4.1.3 纹理特征 | 第35-36页 |
| 4.2 RF-RFE滑坡特征提取 | 第36-39页 |
| 4.2.1 RFE算法原理 | 第36-37页 |
| 4.2.2 RF-RFE算法原理 | 第37-39页 |
| 4.3 实验结果与分析 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 滑坡采样和分类 | 第43-61页 |
| 5.1 主动学习滑坡采样 | 第43-46页 |
| 5.1.1 主动学习采样算法概述 | 第43-44页 |
| 5.1.2 基于委员会投票选择方法 | 第44-45页 |
| 5.1.3 初始样本选择方法 | 第45-46页 |
| 5.2 RF-QBC滑坡采样策略 | 第46-49页 |
| 5.2.1 RF-QBC方法概述 | 第46-47页 |
| 5.2.2 RF-QBC方法原理 | 第47-49页 |
| 5.3 随机森林滑坡分类 | 第49-50页 |
| 5.4 实验结果与分析 | 第50-60页 |
| 5.4.1 滑坡采样实验 | 第50-52页 |
| 5.4.2 滑坡分类实验 | 第52-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
