| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景与选题意义 | 第11-13页 |
| 1.2 国内外研究综述 | 第13-18页 |
| 1.2.1 高光谱遥感技术概述 | 第13-14页 |
| 1.2.2 高光谱遥感技术的发展与应用现状 | 第14-16页 |
| 1.2.3 高光谱遥感分类方法研究现状 | 第16-17页 |
| 1.2.4 高光谱遥感植被分类研究现状 | 第17-18页 |
| 1.3 研究目标与内容 | 第18-19页 |
| 1.3.1 研究目标 | 第18页 |
| 1.3.2 研究内容 | 第18-19页 |
| 1.4 技术路线与论文框架 | 第19-21页 |
| 1.4.1 技术路线 | 第19-21页 |
| 1.4.2 论文框架 | 第21页 |
| 1.5 研究特色、创新与难点 | 第21-23页 |
| 1.5.1 研究特色与创新 | 第21-22页 |
| 1.5.2 研究难点 | 第22-23页 |
| 第二章 高光谱遥感影像分类方法 | 第23-35页 |
| 2.1 传统非监督分类方法 | 第23-25页 |
| 2.1.1 K均值聚类算法 | 第24页 |
| 2.1.2 ISODATA分类算法 | 第24-25页 |
| 2.1.3 SAALT聚类算法 | 第25页 |
| 2.2 传统监督分类方法 | 第25-27页 |
| 2.2.1 最小距离分类算法 | 第25-26页 |
| 2.2.2 马氏距离分类算法 | 第26-27页 |
| 2.2.3 最大似然分类算法 | 第27页 |
| 2.3 基于光谱相似性度量分类算法 | 第27-28页 |
| 2.3.1 波谱角填图 | 第28页 |
| 2.4 人工神经网络分类算法 | 第28-30页 |
| 2.4.1BPNN模型 | 第29-30页 |
| 2.5 支持向量机分类算法 | 第30-33页 |
| 2.5.1 SVM基本原理 | 第31-33页 |
| 2.6 决策树分类算法 | 第33-35页 |
| 2.6.1 决策树基本原理 | 第33-34页 |
| 2.6.2 决策树构建 | 第34-35页 |
| 第三章 研究区概况 | 第35-38页 |
| 3.1 研究区自然地理特征 | 第35-37页 |
| 3.1.1 地理位置与范围 | 第35页 |
| 3.1.2 气候特征 | 第35-36页 |
| 3.1.3 地形地貌特征 | 第36页 |
| 3.1.4 植被与土壤特征 | 第36-37页 |
| 3.1.5 河流水系特征 | 第37页 |
| 3.2 社会经济特征 | 第37-38页 |
| 第四章 数据源与数据预处理 | 第38-48页 |
| 4.1 数据类型与数据源 | 第38-41页 |
| 4.1.1 HJ-1A高光谱遥感数据 | 第38-39页 |
| 4.1.2 植被冠层野外光谱数据采集 | 第39-40页 |
| 4.1.3 野外验证数据采集 | 第40-41页 |
| 4.1.4 辅助分类数据 | 第41页 |
| 4.2 数据预处理 | 第41-48页 |
| 4.2.1 HSI高光谱影像预处理 | 第41-45页 |
| 4.2.2 野外冠层光谱数据预处理 | 第45-46页 |
| 4.2.3 辅助分类数据预处理 | 第46-48页 |
| 第五章 植被高光谱特征分析 | 第48-61页 |
| 5.1 地物光谱特征及其原理 | 第48-58页 |
| 5.1.1 植被光谱特征分析 | 第49-58页 |
| 5.2 光谱数据库构建 | 第58-61页 |
| 第六章 典型植被类型高光谱遥感分类 | 第61-90页 |
| 6.1 研究区植被分类系统 | 第61-65页 |
| 6.1.1 植被分类系统确定 | 第61-63页 |
| 6.1.2 植被分类解译标志建立 | 第63-64页 |
| 6.1.3 训练样本选取 | 第64-65页 |
| 6.2 植被高光谱分类特征选取 | 第65-71页 |
| 6.2.1 高光谱影像数据降维 | 第65-69页 |
| 6.2.2 其它辅助分类特征 | 第69-71页 |
| 6.3 典型植被高光谱遥感分类 | 第71-90页 |
| 6.3.1 支持向量机分类 | 第71-75页 |
| 6.3.2 BP神经网络分类 | 第75-79页 |
| 6.3.3 最大似然法分类 | 第79-83页 |
| 6.3.4 CART决策树分类 | 第83-86页 |
| 6.3.5 波谱角填图分类 | 第86-90页 |
| 第七章 分类结果精度评价与对比分析 | 第90-108页 |
| 7.1 混淆矩阵 | 第90-91页 |
| 7.2 Kappa系数 | 第91-92页 |
| 7.3 精度评价与分析 | 第92-104页 |
| 7.3.1 支持向量机分类结果精度评价与对比分析 | 第92-95页 |
| 7.3.2 BP神经网络分类结果精度评价与对比分析 | 第95-97页 |
| 7.3.3 最大似然法分类结果精度评价与对比分析 | 第97-99页 |
| 7.3.4 CART决策树分类结果精度评价与对比分析 | 第99-101页 |
| 7.3.5 波谱角填图分类结果精度评价与对比分析 | 第101-104页 |
| 7.4 分类精度对比分析 | 第104-108页 |
| 7.4.1 基于不同分类方法和数据形式间的精度比较 | 第104-107页 |
| 7.4.2 基于不同植被类型间的精度比较 | 第107-108页 |
| 第八章 结论与展望 | 第108-112页 |
| 8.1 主要结论 | 第108-109页 |
| 8.2 问题与展望 | 第109-112页 |
| 参考文献 | 第112-118页 |
| 致谢 | 第118-119页 |
| 个人简历 | 第119页 |
