第一章 绪论 | 第1-28页 |
·研究意义 | 第9-11页 |
·国内外研究现状 | 第11-27页 |
·雪光谱特征 | 第11-12页 |
·积雪遥感进展 | 第12-27页 |
·积雪遥感监测数据源 | 第12-15页 |
·雪盖填图算法 | 第15-20页 |
1.传统的监督和非监督多光谱图像分类 | 第16页 |
2.光谱比率和阈值 | 第16页 |
3.线性拟和 | 第16-17页 |
4.混合光谱分解 | 第17-20页 |
·存在的问题 | 第20-27页 |
1.MODIS二值雪填图算法中存在的问题 | 第20-25页 |
2.目前混合像元分解算法中存在的问题 | 第25-27页 |
·研究内容 | 第27-28页 |
第二章 混合像元分解 | 第28-48页 |
·硬分类 | 第28-29页 |
·混合像元分解 | 第29-45页 |
·混合像元 | 第29-31页 |
·线性混合模型 | 第31-35页 |
·光谱吸收指数(SAI)及单一散射反照率(SSA) | 第35-38页 |
·高斯混合模型 | 第38-39页 |
·几何光学模型 | 第39-41页 |
·随机几何模型 | 第41-42页 |
·模糊模型 | 第42-43页 |
·神经网络模型 | 第43页 |
·支持向量机模型 | 第43-45页 |
·小节 | 第45-48页 |
第三章 端元选取 | 第48-61页 |
·端元组分 | 第48-49页 |
·影像端元选取方法 | 第49-60页 |
·凸面几何理论 | 第49-51页 |
·选取有效光谱维 | 第51-52页 |
·散点图 | 第52-53页 |
·凸体几何分析 | 第53-54页 |
·N-FINDER算法 | 第54页 |
·单个体进化策略 | 第54-57页 |
·纯净像元指数(PPI) | 第57-58页 |
·迭代误差分析 | 第58页 |
·自动形态学端元提取 | 第58-59页 |
·光学实时适应光谱识别系统(ORASIS) | 第59页 |
·其他方法 | 第59-60页 |
·小结 | 第60-61页 |
第四章 线性混合分析、模糊C均值、神经网络及支持向量机 | 第61-130页 |
·影像数据及预处理 | 第61-66页 |
·Terra(EOS-AM1) | 第61-62页 |
·中分辨率成像光谱仪(MODIS) | 第62-64页 |
·高级星载地球热发射反照辐射计(ASTER) | 第64-65页 |
·ASTER数据预处理 | 第65-66页 |
·线性混合像元分解 | 第66-74页 |
·全最小二乘原理 | 第67-69页 |
·全最小二乘的解 | 第69-74页 |
·模糊c-均值聚类 | 第74-83页 |
·K-均值聚类 | 第75-76页 |
·ISODATA聚类 | 第76-79页 |
·模糊c-均值聚类 | 第79-83页 |
·模糊c-均值聚类原理 | 第79-81页 |
·模糊c-均值聚类算法步骤 | 第81-83页 |
·神经网络 | 第83-88页 |
·支持向量机 | 第88-91页 |
·模拟数据 | 第91-102页 |
·数据准备 | 第91-94页 |
·线性混合分解 | 第94-95页 |
·神经网络 | 第95-97页 |
·模糊c-均值聚类 | 第97-102页 |
·MODIS影像混合像元分解 | 第102-129页 |
·影像数据 | 第102-103页 |
·混合像元分解 | 第103-129页 |
·线性混合分解与神经网络 | 第104-105页 |
·线性混合分解与模糊C均值聚类 | 第105-108页 |
·线性混和分解与支持向量机 | 第108-109页 |
·线性混合像元分解精度分析 | 第109-129页 |
·小节 | 第129-130页 |
第五章 MODIS亚像元雪填图 | 第130-156页 |
·多种雪端元与非雪端元分解 | 第130-132页 |
·端元选择 | 第132-135页 |
·稳定性 | 第135-136页 |
·地形影响 | 第136-141页 |
·地形校正 | 第136-138页 |
·非负全最小二乘 | 第138-141页 |
·自动Modis亚像元雪填图算法精度分析 | 第141-143页 |
·青藏高原MODIS亚像元雪填图 | 第143-154页 |
·小节 | 第154-156页 |
第六章 结论与讨论 | 第156-159页 |
主要参考文献 | 第159-169页 |
攻读博士期间以第一作者发表的论文 | 第169-170页 |
致谢 | 第170页 |