基于机器学习和零膨胀模型估算大兴安岭树种生物量
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景与研究意义 | 第10-11页 |
| 1.2 森林地上生物量研究进展 | 第11-14页 |
| 1.2.1 森林生物量估算数据的研究现状 | 第11-12页 |
| 1.2.2 森林生物量估算方法的研究现状 | 第12-14页 |
| 1.3 研究内容与技术路线 | 第14-16页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 技术路线 | 第14-16页 |
| 第二章 研究区与研究数据 | 第16-23页 |
| 2.1 研究区概况 | 第16-17页 |
| 2.2 数据来源 | 第17-19页 |
| 2.2.1 样本数据 | 第17页 |
| 2.2.2 遥感数据 | 第17-19页 |
| 2.2.3 环境数据 | 第19页 |
| 2.3 数据处理与分析 | 第19-23页 |
| 2.3.1 样本数据处理 | 第19页 |
| 2.3.2 样本数据统计分析 | 第19-20页 |
| 2.3.3 遥感数据处理 | 第20-23页 |
| 第三章 建模特征提取与建模方法 | 第23-34页 |
| 3.1 模型变量选择 | 第23-25页 |
| 3.1.1 单波段信息 | 第23页 |
| 3.1.2 植被指数 | 第23-24页 |
| 3.1.3 纹理信息 | 第24-25页 |
| 3.2 建模方法 | 第25-34页 |
| 3.2.1 K阶最近邻 | 第25-26页 |
| 3.2.2 分类回归树 | 第26-27页 |
| 3.2.3 支持向量机 | 第27-30页 |
| 3.2.4 随机森林 | 第30-31页 |
| 3.2.5 随机梯度提升 | 第31-34页 |
| 第四章 树种生物量估算模型比较 | 第34-45页 |
| 4.1 建模过程概述 | 第34-35页 |
| 4.1.1 超参数调优 | 第34页 |
| 4.1.2 交叉验证 | 第34-35页 |
| 4.2 模型评估 | 第35-40页 |
| 4.2.1 最优模型选择 | 第35-38页 |
| 4.2.2 基于最优模型的拟合精度评价 | 第38-40页 |
| 4.3 模型优化 | 第40-45页 |
| 4.3.1 零膨胀模型 | 第40-41页 |
| 4.3.2 樟子松生物量模型优化 | 第41-42页 |
| 4.3.3 云杉生物量模型优化 | 第42-44页 |
| 4.3.4 最优模型评价 | 第44-45页 |
| 第五章 树种生物量空间分布 | 第45-51页 |
| 5.1 树种生物量的空间分布特征 | 第45-48页 |
| 5.1.1 大兴安岭森林生物量空间分布 | 第45页 |
| 5.1.2 不同树种森林生物量空间分布 | 第45-48页 |
| 5.2 生物量分布影响因素分析 | 第48-51页 |
| 5.2.1 随机森林特征重要性评价 | 第48页 |
| 5.2.2 特征因子重要性分析 | 第48-51页 |
| 第六章 结论与展望 | 第51-53页 |
| 6.1 结论 | 第51页 |
| 6.2 问题与展望 | 第51-53页 |
| 参考文献 | 第53-60页 |
| 后记 | 第60页 |
