| 摘要 | 第1-7页 |
| ABSTRACT | 第7-16页 |
| 第一章 绪论 | 第16-29页 |
| ·引言 | 第16-25页 |
| ·研究背景 | 第16-17页 |
| ·国内外研究现状及评述 | 第17-25页 |
| ·研究目标与主要研究内容 | 第25-26页 |
| ·研究目标 | 第25页 |
| ·主要研究内容 | 第25-26页 |
| ·研究技术路线 | 第26-28页 |
| ·小结 | 第28-29页 |
| 第二章 试验区与数据 | 第29-41页 |
| ·试验区概况 | 第29页 |
| ·试验区数据获取 | 第29-39页 |
| ·SPOT5 数据 | 第29-34页 |
| ·LiDAR 数据 | 第34-36页 |
| ·地面调查数据 | 第36-39页 |
| ·样地森林AGB 计算方法 | 第39页 |
| ·精度评价方法 | 第39-40页 |
| ·小结 | 第40-41页 |
| 第三章 神经网络用于森林AGB 遥感估测的优化方法 | 第41-56页 |
| ·方法 | 第41-48页 |
| ·人工神经元模型 | 第41-43页 |
| ·人工神经网络模型 | 第43-44页 |
| ·BPNN | 第44-46页 |
| ·RBFNN | 第46-47页 |
| ·随机森林的基本原理 | 第47-48页 |
| ·结果与分析 | 第48-55页 |
| ·基于BPNN 的森林AGB 多源遥感估测结果 | 第48-52页 |
| ·基于RBFNN 的森林AGB 多源遥感估测结果 | 第52-54页 |
| ·两种神经网络的估测结果比较 | 第54-55页 |
| ·小结 | 第55-56页 |
| 第四章 基于KNN 的森林AGB 遥感估测优化方法 | 第56-68页 |
| ·方法 | 第56-58页 |
| ·结果与分析 | 第58-67页 |
| ·KNN 算法最优参数确定 | 第58-63页 |
| ·实验结果 | 第63-67页 |
| ·小结 | 第67-68页 |
| 第五章 基于SVM 的森林AGB 遥感估测优化方法 | 第68-93页 |
| ·基于SVM 的森林AGB 遥感估测流程优化研究 | 第69-81页 |
| ·方法 | 第69-73页 |
| ·结果与分析 | 第73-81页 |
| ·基于SVM 与随机特征选择的组合估测算法 | 第81-90页 |
| ·方法 | 第81-83页 |
| ·结果与分析 | 第83-90页 |
| ·SVM 组合模型与其它非参数化方法的效果比较 | 第90-92页 |
| ·样本可靠时估测精度比较 | 第90页 |
| ·样本不可靠时估测稳健性比较 | 第90-92页 |
| ·小结 | 第92-93页 |
| 第六章 结论和展望 | 第93-96页 |
| ·结论 | 第93-94页 |
| ·展望 | 第94-96页 |
| 参考文献 | 第96-105页 |
| 附录 | 第105-117页 |
| 在读期间的学术研究 | 第117-118页 |
| 致谢 | 第118-119页 |
| 详细摘要 | 第119-121页 |
