| 中文摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第16-25页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 研究进展 | 第17-20页 |
| 1.2.1 遥感影像分类方法 | 第17-19页 |
| 1.2.2 遥感影像多分类器组合方法 | 第19-20页 |
| 1.3 研究思路与方法 | 第20-22页 |
| 1.4 论文结构框架 | 第22-24页 |
| 1.5 本章小结 | 第24-25页 |
| 第二章 遥感影像分类原理及实验 | 第25-93页 |
| 2.1 单分类器影像分类原理 | 第26-36页 |
| 2.1.1 最小距离分类 | 第29页 |
| 2.1.2 最大似然分类 | 第29-31页 |
| 2.1.3 光谱角制图分类 | 第31-32页 |
| 2.1.4 神经网络分类 | 第32-33页 |
| 2.1.5 支持向量机分类 | 第33-36页 |
| 2.2 单分类器分类精度评价 | 第36-39页 |
| 2.2.1 分类精度的评价 | 第36-38页 |
| 2.2.2 分类精度的提高 | 第38-39页 |
| 2.3 单分类器分类实验 | 第39-55页 |
| 2.3.1 最小距离分类分类结果 | 第39-41页 |
| 2.3.2 最大似然法分类结果 | 第41-44页 |
| 2.3.3 马氏距离分类结果 | 第44-47页 |
| 2.3.4 光谱角制图分类结果 | 第47-50页 |
| 2.3.5 支持向量机分类结果 | 第50-53页 |
| 2.3.6 神经网络分类结果 | 第53-55页 |
| 2.4 单分类器分类精度分析 | 第55-57页 |
| 2.5 多分类器组合分类 | 第57-92页 |
| 2.5.1 多分类器集成原理 | 第57-59页 |
| 2.5.2 组合分类器的构建方法 | 第59-61页 |
| 2.5.3 多分类器融合理论 | 第61-63页 |
| 2.5.4 基于D-S理论的组合分类 | 第63-67页 |
| 2.5.5 基于随机森林的分类 | 第67-74页 |
| 2.5.6 多分类器差异性度量 | 第74-75页 |
| 2.5.7 多分类器集成分类实验 | 第75-92页 |
| 2.6 本章小结 | 第92-93页 |
| 第三章 遥感影像分类器组合设计与实验 | 第93-109页 |
| 3.1 基于投票法的多分类器组合分类 | 第94页 |
| 3.2 基于证据D-S理论的遥感影像分类 | 第94-100页 |
| 3.3 基于随机森林的遥感影像分类 | 第100-106页 |
| 3.3.1 随机森林分类影像分类步骤 | 第101-102页 |
| 3.3.2 随机森林分类实验 | 第102-106页 |
| 3.4 分类器组合设计 | 第106-108页 |
| 3.5 本章小结 | 第108-109页 |
| 第四章 遥感影像分类工具研制 | 第109-115页 |
| 4.1 工具设计 | 第109-112页 |
| 4.1.1 投票法分类器集成 | 第111-112页 |
| 4.1.2 证据D-S理论多分类器集成 | 第112页 |
| 4.2 工具实现 | 第112-113页 |
| 4.3 本章小结 | 第113-115页 |
| 第五章 案例研究 | 第115-127页 |
| 5.1 研究区概况 | 第116页 |
| 5.2 遥感数据选择与处理 | 第116-118页 |
| 5.2.1 影像镶嵌及裁剪 | 第117页 |
| 5.2.2 影像分类及解译 | 第117-118页 |
| 5.3 土地利用变化预测方法 | 第118-121页 |
| 5.3.1 CA-Markov模型 | 第119-120页 |
| 5.3.2 青海湖流域CA-Markov模型的构建 | 第120-121页 |
| 5.4 研究结果 | 第121-124页 |
| 5.4.1 2001年—2011年土地利用时空变化分析 | 第121-123页 |
| 5.4.2 青海湖流域2016年土地利用类型变化趋势预测分析 | 第123-124页 |
| 5.5 讨论 | 第124-125页 |
| 5.6 本章小结 | 第125-127页 |
| 第六章 结论与展望 | 第127-131页 |
| 6.1 主要成果与结论 | 第127-128页 |
| 6.2 创新点 | 第128-129页 |
| 6.3 展望 | 第129-131页 |
| 致谢 | 第131-132页 |
| 参考文献 | 第132-138页 |
| 附录 攻读博士期间发表论文 | 第138页 |
