| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 DMSP/OLS夜间灯光数据 | 第9-10页 |
| 1.2.2 SVM分类算法 | 第10-11页 |
| 1.3 本文主要工作内容 | 第11-13页 |
| 1.4 本文结构安排 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 支持向量机理论 | 第14-23页 |
| 2.1 统计学习理论 | 第14-17页 |
| 2.2 支持向量机理论 | 第17-22页 |
| 2.2.1 支持向量机简介 | 第17-20页 |
| 2.2.2 核函数理论基础 | 第20-21页 |
| 2.2.3 常用核函数 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 数据预处理 | 第23-39页 |
| 3.1 数据源选择 | 第23-27页 |
| 3.1.1 DMSP/OLS夜间灯光数据 | 第23-26页 |
| 3.1.2 NDVI数据 | 第26页 |
| 3.1.3 Landsat系列影像数据 | 第26-27页 |
| 3.2 试验区 | 第27-28页 |
| 3.3 数据预处理 | 第28-37页 |
| 3.3.1 DMSP/OLS夜间灯光数据处理 | 第28-36页 |
| 3.3.2 NDVI数据处理 | 第36页 |
| 3.3.3 Landsat影像数据处理 | 第36-37页 |
| 3.4 遥感影像分类精度评价 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于改进的SVM城镇边界提取算法 | 第39-51页 |
| 4.1 基于SVM城镇边界提取算法 | 第39-43页 |
| 4.1.1 SVM分类算法简述 | 第39-40页 |
| 4.1.2 核参数确定 | 第40-41页 |
| 4.1.3 基于SVM城镇边界提取算法的步骤 | 第41-43页 |
| 4.2 基于改进的SVM城镇边界提取算法 | 第43-45页 |
| 4.2.1 区域生长算法 | 第43页 |
| 4.2.2 改进的SVM城镇边界提取算法的具体步骤 | 第43-45页 |
| 4.3 实验结果与分析 | 第45-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 长时间序列南京城镇提取分析 | 第51-62页 |
| 5.1 南京城镇扩张总体态势 | 第51-54页 |
| 5.2 南京城镇扩张时空格局 | 第54-58页 |
| 5.2.1 扇形分析 | 第54-56页 |
| 5.2.2 同心圆分析 | 第56-57页 |
| 5.2.3 城镇用地平均中心 | 第57-58页 |
| 5.3 南京城镇扩张预测 | 第58-61页 |
| 5.3.1 GM(1,1)预测模型 | 第58-60页 |
| 5.3.2 预测结果 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间发表的论文和科研项目 | 第68页 |