| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状与趋势 | 第12-17页 |
| 1.2.1 基于遥感技术进行森林信息估测存在的问题 | 第12页 |
| 1.2.2 基于遥感技术进行森林信息估测的研究现状 | 第12-17页 |
| 1.3 论文研究内容与章节安排 | 第17-19页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 章节安排 | 第18-19页 |
| 2 深度学习理论概述 | 第19-29页 |
| 2.1 从生物神经网络到神经元模型 | 第19页 |
| 2.2 感知机 | 第19-21页 |
| 2.2.1 感知机原理 | 第19-20页 |
| 2.2.2 基于梯度的优化方法 | 第20-21页 |
| 2.3 反向传播算法与BP神经网络 | 第21-24页 |
| 2.3.1 反向传播算法与BP神经网络理论 | 第21-23页 |
| 2.3.2 BP神经网络存在的问题 | 第23-24页 |
| 2.4 深度学习 | 第24-26页 |
| 2.4.1 深度学习的起源 | 第24-25页 |
| 2.4.2 深度信念网络 | 第25-26页 |
| 2.4.3 ReLU激活函数 | 第26页 |
| 2.4.4 深度全连接神经网络 | 第26页 |
| 2.5 Tensorflow深度学习架构 | 第26-29页 |
| 3 研究区概况与数据获取 | 第29-34页 |
| 3.1 研究区概况 | 第29-30页 |
| 3.1.1 祁连山地区自然概况 | 第29页 |
| 3.1.2 祁连山地区行政概况 | 第29页 |
| 3.1.3 大野口地区概况 | 第29-30页 |
| 3.2 研究区数据获取 | 第30-34页 |
| 3.2.1 遥感数据获取 | 第30-32页 |
| 3.2.2 森林地面样地数据获取 | 第32-33页 |
| 3.2.3 DEM数据获取 | 第33-34页 |
| 4 数据分析与预处理 | 第34-40页 |
| 4.1 “高分一号”遥感影像预处理 | 第34-36页 |
| 4.1.1 几何校正及其原理 | 第34-35页 |
| 4.1.2 辐射定标 | 第35-36页 |
| 4.1.3 大气校正 | 第36页 |
| 4.1.4 影像裁剪 | 第36页 |
| 4.2 样地数据预处理 | 第36-40页 |
| 4.2.1 样地选取 | 第36-38页 |
| 4.2.2 样地生物量计算 | 第38-40页 |
| 5 基于深度学习的森林生物量估测模型的构建 | 第40-53页 |
| 5.1 特征提取 | 第40-41页 |
| 5.1.1 光谱信息 | 第40页 |
| 5.1.2 植被指数 | 第40-41页 |
| 5.2 特征分析 | 第41-45页 |
| 5.3 特征变换 | 第45-48页 |
| 5.4 划分训练数据集与验证数据集 | 第48页 |
| 5.5 森林生物量估测 | 第48-49页 |
| 5.5.1 基于BP神经网络的森林生物量估测模型 | 第48-49页 |
| 5.5.2 基于深度全连接神经网络的森林生物量估测模型 | 第49页 |
| 5.6 模型准确度检验方法 | 第49-50页 |
| 5.7 结果与讨论 | 第50-53页 |
| 5.7.1 两种估测模型的估测结果 | 第50-51页 |
| 5.7.2 实验结果分析与讨论 | 第51-53页 |
| 6 结论与讨论 | 第53-55页 |
| 6.1 结论 | 第53页 |
| 6.2 创新点 | 第53页 |
| 6.3 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录 | 第59页 |
