| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究进展 | 第9-11页 |
| 1.2.1 蓄积量研究概况 | 第9-10页 |
| 1.2.2 机器学习算法研究概况 | 第10-11页 |
| 1.3 研究内容与技术路线 | 第11-14页 |
| 1.3.1 研究内容 | 第11-13页 |
| 1.3.2 技术路线 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 研究区数据与机器学习算法 | 第15-26页 |
| 2.1 研究区概况 | 第15页 |
| 2.2 研究数据 | 第15-17页 |
| 2.2.1 森林资源二类调查数据 | 第15-16页 |
| 2.2.2 数字高程模型数据 | 第16页 |
| 2.2.3 遥感数据 | 第16-17页 |
| 2.3 研究数据预处理 | 第17-19页 |
| 2.3.1 数字高程模型数据预处理 | 第17-18页 |
| 2.3.2 遥感数据预处理 | 第18-19页 |
| 2.4 机器学习算法 | 第19-25页 |
| 2.4.1 随机森林算法 | 第19-21页 |
| 2.4.2 梯度提升算法 | 第21-22页 |
| 2.4.3 极端梯度提升算法 | 第22-24页 |
| 2.4.4 Stacking集成学习算法 | 第24-25页 |
| 2.4.5 精度评价 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 信息因子提取 | 第26-35页 |
| 3.1 遥感因子提取 | 第26-29页 |
| 3.2 地形因子提取 | 第29-30页 |
| 3.3 实地调查因子提取 | 第30页 |
| 3.4 特征选择 | 第30-34页 |
| 3.4.1 相关性分析 | 第30-31页 |
| 3.4.2 逐步线性回归分析 | 第31-32页 |
| 3.4.3 Boruta特征选择 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 基于单一算法蓄积量建模与分析 | 第35-44页 |
| 4.1 建模过程 | 第35-37页 |
| 4.2 建模结果分析 | 第37-42页 |
| 4.2.1 特征集为所有建模因子组合的估测精度 | 第37-38页 |
| 4.2.2 基于相关性特征选择后的估测结果 | 第38-39页 |
| 4.2.3 基于逐步线性回归特征选择后的估测结果 | 第39-41页 |
| 4.2.4 基于Boruta特征选择后的估测结果 | 第41-42页 |
| 4.3 本章小结 | 第42-44页 |
| 5 基于Stacking集成学习算法蓄积量建模与分析 | 第44-48页 |
| 5.1 Stacking算法建模过程 | 第44页 |
| 5.2 Stacking算法估测结果分析 | 第44-46页 |
| 5.3 集成学习算法与单一算法估测结果比较 | 第46-47页 |
| 5.4 本章小结 | 第47-48页 |
| 6 结论与展望 | 第48-50页 |
| 6.1 研究结论 | 第48-49页 |
| 6.2 研究展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 个人简介 | 第55-56页 |
| 致谢 | 第56页 |