| 中文摘要 | 第6-7页 |
| 英文摘要 | 第7-8页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究目的意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 基于过滤式(Filter)评价策略的特征选择算法 | 第10-11页 |
| 1.2.2 基于封装式(Wrapper)评价策略的特征选择算法 | 第11-12页 |
| 1.2.3 基于嵌入式(Embedded)评价策略的特征选择算法 | 第12-15页 |
| 1.2.4 特征选择的国内研究现状总结 | 第15-16页 |
| 1.3 研究内容 | 第16-18页 |
| 2 随机森林原理及改进的随机森林算法 | 第18-27页 |
| 2.1 随机森林相关理论基础 | 第18-20页 |
| 2.1.1 集成学习的定义 | 第18-19页 |
| 2.1.2 Bagging与Boosting算法 | 第19-20页 |
| 2.1.3 决策树 | 第20页 |
| 2.2 随机森林归回原理 | 第20-23页 |
| 2.2.1 随机森林回归的基本思想 | 第21页 |
| 2.2.2 随机森林的产生 | 第21-22页 |
| 2.2.3 随机特征选取 | 第22-23页 |
| 2.3 改进的随机森林算法用于特征选择 | 第23-27页 |
| 2.3.1 迭代的特征评价 | 第23-24页 |
| 2.3.2 随机森林回归的特征重要度 | 第24-25页 |
| 2.3.3 后向迭代的随机森林用于特征选择 | 第25-27页 |
| 3 数据来源与数据预处理 | 第27-40页 |
| 3.1 研究区域概况 | 第27-28页 |
| 3.2 数据来源 | 第28-29页 |
| 3.2.1 样地数据资料 | 第28页 |
| 3.2.2 遥感影像数据资料 | 第28-29页 |
| 3.3 数据预处理 | 第29-34页 |
| 3.3.1 样地数据处理 | 第30-32页 |
| 3.3.2 遥感数据处理 | 第32-34页 |
| 3.3.3 DEM数据处理 | 第34页 |
| 3.4 模型特征参数提取 | 第34-37页 |
| 3.5 结合纹理信息和光谱信息的资源三号遥感影像的森林识别 | 第37-40页 |
| 3.5.1 用于森林识别的纹理信息的提取 | 第38页 |
| 3.5.2 激流河林场的森林类型识别 | 第38-40页 |
| 4 森林生物量遥感特征选择实验分析 | 第40-52页 |
| 4.1 RF-RFE算法用于森林生物量遥感特征选择 | 第40-42页 |
| 4.1.1 RF-RFE算法参数设置 | 第40页 |
| 4.1.2 RF-RFE算法特征选择过程 | 第40-41页 |
| 4.1.3 RF-RF算法样地分类前后结果对比分析 | 第41-42页 |
| 4.2 与常用的森林生物量遥感特征选择方法对比 | 第42-45页 |
| 4.2.1 逐步回归分析方法用于特征选择 | 第42-43页 |
| 4.2.2 SVM-RFE算法用于特征选择 | 第43-44页 |
| 4.2.3 算法对比 | 第44-45页 |
| 4.3 RF-RFE算法用于激流河林场特征选择分析 | 第45-52页 |
| 4.3.1 样地未分类时的特征选择 | 第45-48页 |
| 4.3.2 样地分类后的特征选择 | 第48-52页 |
| 5 结论与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 创新之处 | 第53页 |
| 5.3 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 研究生期间发表论文及参与项目 | 第60页 |
