结合陆地卫星与森林资源连续清查数据的森林碳密度估算研究
| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 前言 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-14页 |
| 1.2.1 遥感数据 | 第10-12页 |
| 1.2.2 反演模型 | 第12-14页 |
| 第二章 研究内容与研究区基本概况 | 第14-20页 |
| 2.1 研究内容 | 第14页 |
| 2.2 选题依据 | 第14页 |
| 2.3 技术路线图 | 第14-15页 |
| 2.4 使用软件 | 第15页 |
| 2.5 研究区概况与数据来源 | 第15-20页 |
| 2.5.1 研究区概况 | 第15-17页 |
| 2.5.2 数据来源 | 第17-20页 |
| 第三章 数据预处理 | 第20-25页 |
| 3.1 长时间序列Landsat遥感影像预处理 | 第20页 |
| 3.2 样地数据处理 | 第20-25页 |
| 3.2.1 森林碳密度估算 | 第20-21页 |
| 3.2.2 样地筛选 | 第21-23页 |
| 3.2.3 数据分组 | 第23-25页 |
| 第四章 基于非线性回归的森林碳密度反演 | 第25-43页 |
| 4.1 模型自变量的发展 | 第25-28页 |
| 4.1.1 遥感影像光谱特征变换 | 第25-26页 |
| 4.1.2 纹理测度 | 第26-27页 |
| 4.1.3 地理因子 | 第27页 |
| 4.1.4 建模数据提取 | 第27-28页 |
| 4.2 基于随机森林的森林碳密度反演 | 第28-32页 |
| 4.2.1 随机森林原理 | 第28-29页 |
| 4.2.2 随机森林建模 | 第29页 |
| 4.2.3 模型变量的选择 | 第29-32页 |
| 4.3 基于支持向量机的森林碳密度反演 | 第32-34页 |
| 4.3.1 支持向量机原理 | 第32-34页 |
| 4.4 基于BP神经网络的森林碳密度反演 | 第34页 |
| 4.5 模型精度评价 | 第34-35页 |
| 4.6 非线性回归模型精度与验证 | 第35-42页 |
| 4.6.1 模型拟合精度评价 | 第35-37页 |
| 4.6.2 模型验证精度评价 | 第37-42页 |
| 4.7 小结 | 第42-43页 |
| 第五章 基于地统计学的森林碳密度反演 | 第43-55页 |
| 5.1 基于协同克里金的森林碳密度反演 | 第43-45页 |
| 5.1.1 协同克里金原理 | 第43-44页 |
| 5.1.2 模型构建与精度评价 | 第44-45页 |
| 5.2 基于地理加权回归的森林碳密度反演 | 第45-47页 |
| 5.2.1 地理加权回归模型基本原理 | 第45页 |
| 5.2.2 空间权函数的选择 | 第45-46页 |
| 5.2.3 带宽的选择 | 第46页 |
| 5.2.4 模型构建 | 第46-47页 |
| 5.3 地统计学模型精度与验证 | 第47-54页 |
| 5.4 小结与分析 | 第54-55页 |
| 第六章 森林碳密度时空变化分析 | 第55-63页 |
| 6.1 森林碳密度时间序列图 | 第55-58页 |
| 6.2 森林碳密度空间分布分析 | 第58-59页 |
| 6.3 森林碳密度时间变化分析 | 第59-62页 |
| 6.4 森林碳密度变化与政策的分析 | 第62-63页 |
| 第七章 讨论 | 第63-65页 |
| 7.1 结论 | 第63页 |
| 7.2 不足与展望 | 第63-65页 |
| 攻读学位期间发表的学术论文 | 第65-66页 |
| 参考文献 | 第66-71页 |
