| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-16页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究进展 | 第8-12页 |
| 1.2.1 森林AGB传统方法估测 | 第8-9页 |
| 1.2.2 森林AGB机器学习建模 | 第9-11页 |
| 1.2.3 森林AGB特征优选建模 | 第11-12页 |
| 1.3 关键科学问题和主要内容 | 第12-13页 |
| 1.3.1 关键科学问题 | 第12页 |
| 1.3.2 研究主要内容 | 第12-13页 |
| 1.4 章节安排及技术路线 | 第13-16页 |
| 1.4.1 章节安排 | 第13-14页 |
| 1.4.2 技术路线 | 第14-16页 |
| 第二章 研究区概况及试验数据 | 第16-27页 |
| 2.1 研究区概况 | 第16页 |
| 2.2 数据及预处理 | 第16-20页 |
| 2.2.1 样地数据 | 第17-18页 |
| 2.2.2 多源遥感数据 | 第18-20页 |
| 2.3 遥感特征因子提取 | 第20-25页 |
| 2.3.1 植被指数 | 第20-21页 |
| 2.3.2 K-T变换因子 | 第21-22页 |
| 2.3.3 纹理 | 第22-25页 |
| 2.3.4 地形因子 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于常规k-NN法的森林AGB遥感估测 | 第27-35页 |
| 3.1 k-NN森林地上生物量遥感估测 | 第27-28页 |
| 3.2 交叉验证 | 第28-30页 |
| 3.2.1 Holdout验证 | 第28页 |
| 3.2.2 k-折验证 | 第28-29页 |
| 3.2.3 留一验证 | 第29-30页 |
| 3.3 精度评价指标 | 第30页 |
| 3.4 样本数据提取 | 第30-31页 |
| 3.5 结果与分析 | 第31-33页 |
| 3.5.1 不同特征类型森林AGB的k-NN估测精度 | 第31-32页 |
| 3.5.2 不同纹理类型森林AGB的k-NN估测精度 | 第32-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第四章 基于快速迭代特征选择k-NN法的森林AGB遥感估测 | 第35-41页 |
| 4.1 特征选择 | 第35-36页 |
| 4.2 KNN-FIFS森林地上生物量遥感估测 | 第36-37页 |
| 4.3 结果与分析 | 第37-39页 |
| 4.4 本章小结 | 第39-41页 |
| 第五章 森林AGB遥感估测特征优选方法对比分析 | 第41-58页 |
| 5.1 多元线性逐步回归 | 第41-42页 |
| 5.1.1 SMLR基本原理 | 第41-42页 |
| 5.1.2 SMLR估测结果 | 第42页 |
| 5.2 Pearson相关系数特征选择+k-NN建模 | 第42-45页 |
| 5.2.1 Pearson相关系数 | 第43-44页 |
| 5.2.2 Pearson+k-NN估测结果 | 第44-45页 |
| 5.3 RF特征选择+k-NN建模 | 第45-49页 |
| 5.3.1 RF特征选择 | 第46-47页 |
| 5.3.2 RF+k-NN估测结果 | 第47-49页 |
| 5.4 支持向量回归 | 第49-54页 |
| 5.4.1 SVR基本原理 | 第49-52页 |
| 5.4.2 SVR参数优化及特征选择 | 第52-53页 |
| 5.4.3 SVR估测结果 | 第53-54页 |
| 5.5 五种方法对比分析 | 第54-56页 |
| 5.6 本章小结 | 第56-58页 |
| 总结与展望 | 第58-62页 |
| 结论 | 第58-59页 |
| 讨论 | 第59-60页 |
| 特色与创新点 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-69页 |
| 附录 | 第69-75页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第75-76页 |
