| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的与意义 | 第11页 |
| 1.3 森林生物量研究现状 | 第11-15页 |
| 1.3.1 传统方法估测生物量 | 第12页 |
| 1.3.2 遥感技术估测生物量 | 第12-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 技术路线 | 第16-17页 |
| 2 研究区域与数据处理 | 第17-24页 |
| 2.1 研究区概况 | 第17-18页 |
| 2.1.1 地理位置 | 第17页 |
| 2.1.2 地形地貌 | 第17页 |
| 2.1.3 水文气候 | 第17-18页 |
| 2.1.4 植被资源 | 第18页 |
| 2.2 遥感数据获取与处理 | 第18-20页 |
| 2.2.1 Landsat数据 | 第18-19页 |
| 2.2.2 数据处理 | 第19-20页 |
| 2.3 野外调查数据获取与处理 | 第20-23页 |
| 2.3.1 样地布设 | 第20-21页 |
| 2.3.2 数据采集 | 第21-22页 |
| 2.3.3 样地生物量实验计算 | 第22-23页 |
| 2.4 地理数据与处理平台 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于Landsat数据的森林类型识别 | 第24-32页 |
| 3.1 特征提取 | 第24-25页 |
| 3.1.1 光谱特征 | 第24-25页 |
| 3.1.2 纹理特征 | 第25页 |
| 3.2 分类方法 | 第25-27页 |
| 3.3 结果与分析 | 第27-30页 |
| 3.3.1 特征参数分析 | 第27页 |
| 3.3.2 分类结果评价 | 第27-30页 |
| 3.4 分类统计 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 森林生物量线性模型反演 | 第32-43页 |
| 4.1 参数选择 | 第32-34页 |
| 4.1.1 遥感变量 | 第32-34页 |
| 4.1.2 地学变量 | 第34页 |
| 4.2 参数提取 | 第34-35页 |
| 4.3 逐步回归法模型反演 | 第35-37页 |
| 4.4 模型诊断与评价 | 第37-42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 森林生物量非线性模型反演 | 第43-56页 |
| 5.1 BP神经网络模型反演 | 第43-49页 |
| 5.1.1 BP神经网络方法研究 | 第43-45页 |
| 5.1.2 BP神经网络森林生物量系统建立 | 第45-49页 |
| 5.2 回归型支持向量机模型反演 | 第49-54页 |
| 5.2.1 SVR方法研究 | 第49-51页 |
| 5.2.2 SVR森林生物量系统建立 | 第51-54页 |
| 5.3 模型诊断与评价 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 森林生物量反演及空间分布格局分析 | 第56-65页 |
| 6.1 森林生物量数理统计变化分析 | 第56-60页 |
| 6.2 森林生物量空间分布格局分析 | 第60-64页 |
| 6.2.1 森林生物量随海拔分布分析 | 第60-62页 |
| 6.2.2 森林生物量随坡度分布分析 | 第62-64页 |
| 6.3 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-74页 |
| 附录1 生物量模型部分R程序代码示例 | 第74-76页 |
| 附录2 神经网络生物量模型部分MATLAB程序代码 | 第76-78页 |
| 附录3 支持向量机生物量模型部分MATLAB程序代码 | 第78-80页 |
| 攻读学位期间发表的学术论文 | 第80-81页 |
| 致谢 | 第81-82页 |