摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-18页 |
1.1 研究背景和意义 | 第12-13页 |
1.2 国内外研究动态 | 第13-16页 |
1.2.1 生物量小尺度研究方法 | 第13-14页 |
1.2.2 生物量大尺度研究方法 | 第14-16页 |
1.3 主要研究内容 | 第16-18页 |
1.3.1 研究内容 | 第16-17页 |
1.3.2 主要创新点 | 第17-18页 |
第2章 数据收集与研究方法 | 第18-26页 |
2.1 研究区域概况 | 第18-19页 |
2.1.1 地理位置 | 第18页 |
2.1.2 地貌 | 第18页 |
2.1.3 气候 | 第18-19页 |
2.1.4 林业生产 | 第19页 |
2.2 数据及预处理 | 第19-22页 |
2.2.1 遥感数据 | 第19-21页 |
2.2.2 遥感数据预处理 | 第21-22页 |
2.3 统计分析 | 第22-26页 |
2.3.1 单因素相关性分析与检验 | 第22页 |
2.3.2 逐步回归分析 | 第22-23页 |
2.3.3 BP神经网络 | 第23-24页 |
2.3.4 Erf-BP神经网络 | 第24页 |
2.3.5 小批量梯度下降BP神经网络 | 第24-26页 |
第3章 基于神经网络模型的针叶林生物量估算方法 | 第26-37页 |
3.1 针叶林生物量与各因子单因素相关性分析 | 第26页 |
3.2 逐步回归估算模型 | 第26-29页 |
3.2.1 模型建立 | 第26-28页 |
3.2.2 模型预测评价 | 第28-29页 |
3.3 普通BP神经网络估算模型 | 第29-31页 |
3.3.1 模型建立 | 第29-30页 |
3.3.2 模型预测评价 | 第30-31页 |
3.4 Erf-BP神经网络估算模型 | 第31-33页 |
3.4.1 模型建立 | 第31-32页 |
3.4.2 模型预测评价 | 第32-33页 |
3.5 小批量梯度下降BP神经网络估算模型 | 第33-35页 |
3.5.1 模型建立 | 第33-34页 |
3.5.2 模型预测评价 | 第34-35页 |
3.6 讨论 | 第35-37页 |
第4章 基于神经网络模型的阔叶林生物量估算方法 | 第37-46页 |
4.1 阔叶林生物量与各因子单因素相关性分析 | 第37页 |
4.2 逐步回归估算模型 | 第37-39页 |
4.2.1 模型建立 | 第37-38页 |
4.2.2 模型预测评价 | 第38-39页 |
4.3 普通BP神经网络估算模型 | 第39-41页 |
4.3.1 模型建立 | 第39-40页 |
4.3.2 模型预测评价 | 第40-41页 |
4.4 Erf-BP神经网络估算模型 | 第41-43页 |
4.4.1 模型建立 | 第41-42页 |
4.4.2 模型预测评价 | 第42-43页 |
4.5 小批量梯度下降BP神经网络阔叶林生物量估算模型构建 | 第43-44页 |
4.5.1 模型建立 | 第43页 |
4.5.2 模型预测评价 | 第43-44页 |
4.6 讨论 | 第44-46页 |
第5章 基于神经网络模型的混交林生物量估算方法 | 第46-54页 |
5.1 混交林生物量与各因子单因素相关性分析 | 第46页 |
5.2 逐步回归估算模型 | 第46-48页 |
5.2.1 模型建立 | 第46-47页 |
5.2.2 模型预测评价 | 第47-48页 |
5.3 普通BP神经网络估算模型 | 第48-50页 |
5.3.1 模型建立 | 第48-49页 |
5.3.2 模型预测评价 | 第49-50页 |
5.4 Erf-BP神经网络估算模型 | 第50-51页 |
5.4.1 模型建立 | 第50页 |
5.4.2 模型预测评价 | 第50-51页 |
5.5 小批量梯度下降BP神经网络估算模型 | 第51-52页 |
5.5.1 模型建立 | 第51页 |
5.5.2 模型预测评价 | 第51-52页 |
5.6 讨论 | 第52-54页 |
第6章 结论与展望 | 第54-56页 |
6.1 结论 | 第54页 |
6.2 展望 | 第54-56页 |
参考文献 | 第56-61页 |
攻读硕士学位期间发表的论文及其它成果 | 第61-62页 |
攻读硕士学位期间参加的科研工作 | 第62-63页 |
致谢 | 第63页 |