| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1.绪论 | 第13-21页 |
| 1.1 农业遥感研究现状 | 第13-14页 |
| 1.2 农业遥感影像研究现状 | 第14-16页 |
| 1.3 农业遥感提取研究现状 | 第16-17页 |
| 1.4 研究目标与主要内容 | 第17页 |
| 1.4.1 研究目标 | 第17页 |
| 1.4.2 研究内容 | 第17页 |
| 1.5 技术路线及论文组织框架 | 第17-21页 |
| 1.5.1 本文技术路线 | 第17-18页 |
| 1.5.2 论文组织框架 | 第18-21页 |
| 2.实验区简介与数据预处理 | 第21-39页 |
| 2.1 研究区概况 | 第21-22页 |
| 2.2 卫星介绍 | 第22页 |
| 2.3 影像预处理 | 第22-25页 |
| 2.4 特征提取 | 第25-35页 |
| 2.4.1 光谱特征 | 第25-27页 |
| 2.4.2 光谱差值特征 | 第27-28页 |
| 2.4.3 植被指数特征 | 第28-30页 |
| 2.4.4 植被指数差值特征 | 第30-31页 |
| 2.4.5 灰度共生矩阵 | 第31-35页 |
| 2.5 实验区地物类型调查 | 第35-36页 |
| 2.6 精度评价指标 | 第36-37页 |
| 2.7 本章小结 | 第37-39页 |
| 3.基于SVM-RFE-CV模型的分类算法 | 第39-53页 |
| 3.1 SVM-RFE-CV模型简介 | 第39-43页 |
| 3.1.1 SVM分类器模型 | 第39-40页 |
| 3.1.2 SVM-RFE算法原理与流程 | 第40-42页 |
| 3.1.3 交叉验证(Cross-validation) | 第42页 |
| 3.1.4 k折交叉验证流程 | 第42-43页 |
| 3.1.5 基于SVM-RFE-CV模型分类 | 第43页 |
| 3.2 实验结果与分析 | 第43-46页 |
| 3.2.1 实验方案设计 | 第43-44页 |
| 3.2.2 实验方案 | 第44-46页 |
| 3.3 实验分析 | 第46-51页 |
| 3.3.1 分类图对比 | 第46-47页 |
| 3.3.2 精度对比分析 | 第47-51页 |
| 3.4 本章小节 | 第51-53页 |
| 4.基于RF-MDA模型的分类算法 | 第53-67页 |
| 4.1 随机森林与MDA的原理与方法 | 第53页 |
| 4.2 随机森林 | 第53-55页 |
| 4.2.1 决策树的设置 | 第53-54页 |
| 4.2.2 随机森林算法基本步骤 | 第54-55页 |
| 4.2.4 MDA重要性的估计 | 第55页 |
| 4.3 实验结果与分析 | 第55-59页 |
| 4.3.1 实验方案设计 | 第55-56页 |
| 4.3.2 实验方案 | 第56-57页 |
| 4.3.3 特征优选方式分析 | 第57-59页 |
| 4.4 实验分析 | 第59-65页 |
| 4.4.1 分类图对比 | 第59-61页 |
| 4.4.2 精度对比分析 | 第61-65页 |
| 4.5 本章小节 | 第65-67页 |
| 5.两种特征选择算法对比 | 第67-71页 |
| 5.1 特征参数对比 | 第67页 |
| 5.2 分类结果对比 | 第67-68页 |
| 5.3 精度对比分析 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6.结论及展望 | 第71-73页 |
| 6.1 结论 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |