首页--农业科学论文--林业论文--林业基础科学论文--森林生物学论文--森林生态学论文

基于PSO-SVM的森林地上生物量遥感估测与空间分析--以泰山景区为例

符号说明第4-8页
中文摘要第8-10页
Abstract第10-11页
1 绪论第12-20页
    1.1 研究目的意义第12-13页
    1.2 国内外研究现状第13-17页
        1.2.1 基于统计回归模型的森林地上生物量遥感估算第13-14页
        1.2.2 基于神经网络模型的森林地上生物量遥感估算研究现状第14-16页
        1.2.3 基于基准样地法(KNN)的森林地上生物量遥感估算研究现状第16页
        1.2.4 基于支持向量机(SVM)的森林地上生物量遥感估算研究现状第16-17页
    1.3 森林地上生物量遥感估算研究现状总结第17-18页
    1.4 研究内容第18-20页
2 支持向量机模型原理第20-25页
    2.1 支持向量机模型相关理论基础第20-21页
        2.1.1 统计学习理论第20页
        2.1.2 VC维第20-21页
        2.1.3 结构风险最小化准则第21页
    2.2 支持向量机模型第21-25页
        2.2.1 支持向量机原理第21-23页
        2.2.2 核函数第23页
        2.2.3 支持向量回归机第23-25页
3 数据获取与模型参数提取第25-35页
    3.1 研究区域概况第25页
    3.2 模型参数第25-26页
    3.3 数据获取第26-28页
        3.3.1 野外调查及样地数据资料第26-27页
        3.3.2 遥感影像数据资料第27-28页
    3.4 数据预处理第28-31页
        3.4.1 样地数据处理第28-29页
        3.4.2 遥感数据处理第29-31页
        3.4.3 其他数据处理第31页
    3.5 模型参数选取第31-34页
        3.5.1 参数提取第31-32页
        3.5.2 模型参数选取第32-34页
    3.6 小结第34-35页
4 基于PSO-SVM森林地上生物量遥感估测第35-42页
    4.1 估测方法第35-37页
        4.1.1 交叉验证(CV,Cross Validation)第35-36页
        4.1.2 粒子群优化算法(PSO)第36-37页
    4.2 估测结果与分析第37-42页
        4.2.1 归一化第37-38页
        4.2.2 分类前后第38-39页
        4.2.3 核函数选择第39-40页
        4.2.4 参数寻优第40-41页
        4.2.5 估测结果第41-42页
5 森林地上生物量主要遥感估测模型对比第42-50页
    5.1 多元线性回归模型第42-43页
    5.2 GA-BP神经网络模型第43-45页
    5.3 KNN模型第45-46页
    5.4 模型对比分析第46-50页
        5.4.1 模型比较第46-47页
        5.4.2 估测精度比较第47-50页
6 泰山景区森林地上生物量空间分析第50-63页
    6.1 森林地上生物量高程分布分析第50-54页
        6.1.1 森林面积高程分布定量分析第50-51页
        6.1.2 森林林种高程分布分析第51-53页
        6.1.3 森林地上生物量随高程分布分析第53-54页
    6.2 森林地上生物量坡度分布分析第54-58页
        6.2.1 森林面积坡度分布定量分析第54-55页
        6.2.2 森林林种坡度分布分析第55-57页
        6.2.3 森林地上生物量随坡度分布分析第57-58页
    6.3 森林地上生物量坡向分布分析第58-63页
        6.3.1 森林面积坡向分布定量分析第58-59页
        6.3.2 森林林种坡向分布分析第59-61页
        6.3.3 森林地上生物量随坡向分布分析第61-63页
7 结论第63-66页
    7.1 总结第63-64页
    7.2 创新点第64-65页
    7.3 展望第65-66页
参考文献第66-70页
致谢第70-72页
研究生期间发表论文及参与项目第72页

论文共72页,点击 下载论文
上一篇:山东沿海某地废弃盐田修复技术研究
下一篇:基于World Wind的南海海洋信息集成服务系统研究与实现