| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题的背景 | 第10-11页 |
| 1.2 土地利用回归模型研究进展 | 第11-13页 |
| 1.3 大气污染物浓度预测的人工神经网络方法 | 第13-14页 |
| 1.4 大气颗粒物的遥感反演研究进展 | 第14-15页 |
| 1.5 大气颗粒物浓度与土地利用数据的关系研究进展 | 第15页 |
| 1.6 大气颗粒物浓度与气象因子的关系研究进展 | 第15-16页 |
| 1.7 研究内容与技术路线 | 第16-18页 |
| 第二章 建模数据 | 第18-22页 |
| 2.1 研究区域特征分析 | 第18页 |
| 2.2 MODIS AOD卫星数据 | 第18-19页 |
| 2.3 地基气象数据 | 第19页 |
| 2.4 数据处理和匹配 | 第19页 |
| 2.5 缓冲半径和预测变量 | 第19-21页 |
| 2.6 插值方法 | 第21-22页 |
| 第三章 基于主成分分析（PCA）的GWR算法和OLS算法 | 第22-29页 |
| 3.1 研究区域地基数据 | 第22页 |
| 3.2 地理加权回归和全域最小二乘回归算法的原理 | 第22-23页 |
| 3.3 站点因子筛选 | 第23-24页 |
| 3.4 模型的建立与结果 | 第24-29页 |
| 3.4.1 浙江地区全局最小二乘回归及地理加权回归模型分析 | 第24-26页 |
| 3.4.2 杭州地区全局最小二乘回归及地理加权回归模型分析 | 第26-29页 |
| 第四章 基于GWR算法模拟杭州市PM_(2.5)空间分布 | 第29-36页 |
| 4.1 研究区域地基数据 | 第29页 |
| 4.2 部分建模数据统计特征描述 | 第29-32页 |
| 4.3 杭州地区的预测模型建立 | 第32-34页 |
| 4.4 杭州地区PM_(2.5)浓度空间分布 | 第34-36页 |
| 第五章 基于多元逐步线性回归算法和BP人工神经网络建模 | 第36-44页 |
| 5.1 研究区域地基数据 | 第36页 |
| 5.2 建模数据分析 | 第36-37页 |
| 5.3 多元逐步统计回归原理 | 第37-38页 |
| 5.4 BP人工神经网络模型原理 | 第38-39页 |
| 5.5 建立多元逐步回归模型和BP人工神经网络模型 | 第39-44页 |
| 5.5.1 多元回归逐步分析法 | 第40-42页 |
| 5.5.2 BP人工神经网络分析法 | 第42-44页 |
| 第六章 结论与讨论 | 第44-48页 |
| 6.1 主要结论 | 第44-45页 |
| 6.2 讨论 | 第45-48页 |
| 参考文献 | 第48-54页 |
| 致谢 | 第54-55页 |
| 个人简介 | 第55页 |
