| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景 | 第16-17页 |
| 1.1.1 高分辨率遥感影像分类发展 | 第16页 |
| 1.1.2 景观格局研究发展 | 第16-17页 |
| 1.2 研究目的与意义 | 第17-18页 |
| 1.3 研究现状 | 第18-22页 |
| 1.3.1 遥感分类方法研究现状 | 第18-21页 |
| 1.3.2 景观格局分析研究现状 | 第21-22页 |
| 1.4 研究内容与技术路线 | 第22-24页 |
| 1.4.1 研究内容 | 第22-23页 |
| 1.4.2 技术路线 | 第23-24页 |
| 1.5 论文结构 | 第24-25页 |
| 1.6 本章小节 | 第25-26页 |
| 第二章 研究区概况及数据资料 | 第26-29页 |
| 2.1 研究区概况 | 第26-27页 |
| 2.1.1 自然地理概况 | 第26-27页 |
| 2.1.2 社会经济概况 | 第27页 |
| 2.2 研究区训练数据获取 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于多分类器集成的遥感影像分类 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 集成学习理论 | 第29页 |
| 3.3 多分类器集成系统的建立 | 第29-31页 |
| 3.3.1 确定系统结构 | 第29-30页 |
| 3.3.2 基分类器的构造方式 | 第30页 |
| 3.3.3 系统的组合策略 | 第30-31页 |
| 3.4 基于多分类器集成的遥感影像分类方法 | 第31-38页 |
| 3.4.1 Boosting | 第33-34页 |
| 3.4.2 Bagging | 第34-36页 |
| 3.4.3 RandomForest | 第36-38页 |
| 3.5 实验结果及分析 | 第38-44页 |
| 3.5.1 实验目的 | 第38页 |
| 3.5.2 实验数据准备 | 第38-39页 |
| 3.5.3 实验内容 | 第39-44页 |
| 3.5.4 结果与讨论 | 第44页 |
| 3.6 本章小节 | 第44-45页 |
| 第四章 合肥市包河区景观格局变化分析研究 | 第45-60页 |
| 4.1 引言 | 第45页 |
| 4.2 景观格局指标的选取及生态学意义 | 第45-49页 |
| 4.2.1 选取景观格局指标 | 第45-46页 |
| 4.2.2 景观格局指标的介绍 | 第46-49页 |
| 4.3 合肥市包河区景观格局变化分析 | 第49-56页 |
| 4.3.1 数据获取与处理 | 第49-51页 |
| 4.3.2 斑块类别层级景观格局分析 | 第51-54页 |
| 4.3.3 总体景观层级景观格局分析 | 第54-55页 |
| 4.3.4 结果与讨论 | 第55-56页 |
| 4.4 驱动力定性分析 | 第56-59页 |
| 4.4.1 人口变化 | 第56-57页 |
| 4.4.2 经济影响 | 第57-58页 |
| 4.4.3 政策导向 | 第58-59页 |
| 4.4.4 科技水平 | 第59页 |
| 4.4.5 资源管理 | 第59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 基于卷积神经网络迁移学习的高分影像分类方法 | 第60-68页 |
| 5.1 引言 | 第60页 |
| 5.2 分类原理与方法 | 第60-63页 |
| 5.2.1 卷积神经网络 | 第60-61页 |
| 5.2.2 Inception-v3模型 | 第61页 |
| 5.2.3 迁移学习 | 第61-62页 |
| 5.2.4 基于卷积神经网络迁移学习的遥感影像分类流程 | 第62-63页 |
| 5.3 实验结果与分析 | 第63-67页 |
| 5.3.1 实验目的 | 第63页 |
| 5.3.2 实验数据准备 | 第63-64页 |
| 5.3.3 实验内容 | 第64-66页 |
| 5.3.4 结果与讨论 | 第66-67页 |
| 5.4 场景分类结果在景观格局分析应用 | 第67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 结论与展望 | 第68-70页 |
| 6.1 论文总结 | 第68-69页 |
| 6.2 工作展望 | 第69页 |
| 6.3 本章小结 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第75-76页 |