| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-20页 |
| ·研究背景和意义 | 第12-14页 |
| ·土壤遥感自动分类的研究现状 | 第14-17页 |
| ·特征变换与特征选择 | 第14-16页 |
| ·土壤遥感自动分类方法 | 第16-17页 |
| ·国内基于系统分类体系的土壤遥感分类研究现状 | 第17-18页 |
| ·本文的研究内容和结构 | 第18-20页 |
| ·本文的研究内容 | 第18页 |
| ·技术路线 | 第18-19页 |
| ·论文的结构 | 第19-20页 |
| 第2章 研究区概况及遥感图像 | 第20-33页 |
| ·研究区概况 | 第20-25页 |
| ·地形地貌特征 | 第20-21页 |
| ·气候特征 | 第21页 |
| ·植被覆盖特征 | 第21-24页 |
| ·地质特征 | 第24页 |
| ·土壤类型 | 第24-25页 |
| ·遥感图像 | 第25-32页 |
| ·图像预处理 | 第26页 |
| ·遥感图像的光谱信息特征 | 第26-32页 |
| 本章小结 | 第32-33页 |
| 第3章 遥感图像的土壤信息增强——线性光谱混合分解法 | 第33-50页 |
| ·遥感图像混合像元的问题 | 第33-35页 |
| ·线性光谱混合模型的原理 | 第35-36页 |
| ·线性光谱混合分解算法 | 第36-38页 |
| ·FCLS算法 | 第36-37页 |
| ·UFCLS方法 | 第37-38页 |
| ·去除植被增强土壤信息 | 第38-42页 |
| ·方法原理 | 第38页 |
| ·实验结果 | 第38-42页 |
| ·土壤分类效果分析 | 第42-49页 |
| ·去除植被前后的光谱差异分析 | 第42-43页 |
| ·土壤分类结果 | 第43-49页 |
| 本章小结 | 第49-50页 |
| 第4章 融合结构化地学知识DTM的土壤遥感自动分类 | 第50-72页 |
| ·DTM数据的融合 | 第50-52页 |
| ·DTM在土壤分类中的应用 | 第50-51页 |
| ·DTM与遥感图像融合的方式 | 第51-52页 |
| ·融合DTM的最大似然法土壤分类 | 第52-60页 |
| ·最大似然分类器 | 第52-55页 |
| ·土壤分类实验 | 第55-60页 |
| ·融合DTM的RBF神经网络土壤分类 | 第60-71页 |
| ·前言 | 第60-61页 |
| ·RBF映射理论 | 第61-65页 |
| ·基于Matlab的RBFNN函数newrb的土壤分类 | 第65-71页 |
| 本章小结 | 第71-72页 |
| 第5章 基于D-S证据理论的土壤遥感多分类器集成 | 第72-94页 |
| ·多分类器集成方法概述 | 第72-73页 |
| ·证据推理基本理论 | 第73-75页 |
| ·证据组合规则的推论 | 第75-76页 |
| ·多分类器集成方案 | 第76-80页 |
| ·分类器输出信息的不确定性表征 | 第76-77页 |
| ·组合分类器的筛选准则 | 第77-80页 |
| ·多分类器组合及结果输出 | 第80页 |
| ·实验与分析 | 第80-85页 |
| ·组合分类器筛选准则的有效性 | 第82-83页 |
| ·多分类器集成的结果 | 第83-85页 |
| 本章小结 | 第85-94页 |
| 第6章 融合非结构化地学知识的土壤遥感自动分类 | 第94-111页 |
| ·前言 | 第94-95页 |
| ·非结构化地学知识与遥感分类模型的融合 | 第95-96页 |
| ·地学专家知识的获取 | 第96-97页 |
| ·地学专家知识的表示 | 第97-100页 |
| ·地理辅助数据的生成 | 第100页 |
| ·D-S证据推理机 | 第100-106页 |
| ·基本概率分配函数BPA的构造 | 第101-103页 |
| ·推理策略 | 第103-104页 |
| ·决策规则 | 第104-106页 |
| ·实验结果 | 第106-110页 |
| 本章小结 | 第110-111页 |
| 第7章 总结与展望 | 第111-114页 |
| ·全文总结 | 第111-112页 |
| ·论文创新点 | 第112-113页 |
| ·研究展望 | 第113-114页 |
| 参考文献 | 第114-127页 |
| 攻读博士学位期间发表的论文和参加的科研项目 | 第127-128页 |
| 致谢 | 第128页 |
