| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 引言 | 第9-21页 |
| ·研究背景与意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·项目来源与经费支持 | 第11页 |
| ·国内外研究现状及发展趋势 | 第11-18页 |
| ·树种适宜性研究现状 | 第11-15页 |
| ·数据挖掘技术研究现状 | 第15-16页 |
| ·数据挖掘在林业数据分析中的应用现状 | 第16-17页 |
| ·发展趋势 | 第17页 |
| ·存在问题 | 第17-18页 |
| ·主要研究内容 | 第18-19页 |
| ·研究方法与技术路线 | 第19-21页 |
| 2 研究区概况与数据集成 | 第21-29页 |
| ·研究区概况 | 第21-23页 |
| ·多源森林资源小班数据集成 | 第23-29页 |
| ·基于森林资源小班调查数据的树种适宜性特征因子提取 | 第23-24页 |
| ·基于DEM的地形因子提取 | 第24-25页 |
| ·气象因子提取 | 第25-28页 |
| ·土壤数据 | 第28-29页 |
| 3 储备林树种适宜性数据挖掘技术体系综合分析 | 第29-37页 |
| ·储备林树种适宜性的理论研究 | 第29-30页 |
| ·储备林树种的特殊性需求 | 第29页 |
| ·树种适宜性评价指标选取 | 第29-30页 |
| ·树种适宜性评价的原则 | 第30页 |
| ·数据挖掘基本理论 | 第30-32页 |
| ·数据挖掘的基本概念 | 第30-31页 |
| ·数据挖掘一般步骤 | 第31页 |
| ·数据挖掘经典算法 | 第31-32页 |
| ·储备林树种适宜性数据挖掘分析 | 第32-36页 |
| ·储备林树种适宜性评价指标构建 | 第32-34页 |
| ·树种适宜性研究数据挖掘流程分析 | 第34-35页 |
| ·树种适宜性研究数据挖掘算法选择 | 第35-36页 |
| ·小结 | 第36-37页 |
| 4 树种适宜性评价维归约建模 | 第37-41页 |
| ·属性约简概述 | 第37页 |
| ·粗糙集算法 | 第37-39页 |
| ·以树种适宜性为决策属性的属性约简 | 第39-40页 |
| ·小结 | 第40-41页 |
| 5 树种适宜性评价分类预测建模 | 第41-47页 |
| ·树种适宜性数据挖掘算法概述 | 第41-44页 |
| ·人工神经网络概述 | 第41-42页 |
| ·决策树概述 | 第42-44页 |
| ·树种适宜性数据挖掘算法实现 | 第44-45页 |
| ·BP人工神经网络算法实现 | 第44页 |
| ·C5.0决策树算法实现 | 第44-45页 |
| ·小结 | 第45-47页 |
| 6 实验与结果分析 | 第47-59页 |
| ·实验方案设计 | 第47页 |
| ·基于多元线性回归模型的树种适宜性预测模型 | 第47-51页 |
| ·多元线性回归建模 | 第47-48页 |
| ·精度和性能评价 | 第48-51页 |
| ·基于人工神经网络的储备林树种适宜性预测模型 | 第51-55页 |
| ·BP神经网络建模 | 第51-52页 |
| ·精度及性能评价 | 第52-55页 |
| ·基于决策树的储备林树种适宜性等级评价模型 | 第55-57页 |
| ·C5.0决策树建模 | 第55页 |
| ·精度及性能评价 | 第55-57页 |
| ·模型应用 | 第57-58页 |
| ·小结 | 第58-59页 |
| 7 结论与展望 | 第59-61页 |
| ·主要结论 | 第59页 |
| ·展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 个人简介 | 第65-67页 |
| 导师简介 | 第67-69页 |
| 获得成果目录清单 | 第69-71页 |
| 致谢 | 第71页 |