一、基于小班取证推理的林业遥感数据分类方法研究（论文文献综述）
马婷[1]（2020）在《基于多源多时相数据的落叶松林识别研究》文中研究说明落叶松是我国北方林区较为常见的林木,其木材材质优良且具有抗压抗腐蚀等诸多优点,具有较高的社会价值和经济效益。近年来,落叶松作为我国林业重点工程建设的树种之一,造林面积逐年增加。目前,林业部门针对落叶松资源的调查愈发重视,如何快速获取落叶松空间位置分布也成为林业研究的难点之一。本研究以多时相的Landsat8和GF-1影像为主要数据源,在分析落叶松季相和光谱特征基础上,确定落叶松识别的关键时期和参数。同时提取多种特征信息,通过不同分类器的选择,探究提取落叶松最佳特征因子和多特征优化的分类策略,为快速获取落叶松空间位置分布提供一种技术参考。具体研究内容和结果如下:（1）为了探究提取落叶松林的关键物候期,实验以黑龙江省孟家岗林场作为重点研究区,采用最大似然法、随机森林法和支持向量机法对不同时相的Landsat8影像进行森林类型分类,筛选出提取落叶松林的最佳时期和方法。研究结果表明,在这三种分类方法中,最大似然法综合效果最好,其次是随机森林法。结合落叶松NDVI时间序列曲线发现,在落叶松生长期和落叶期与其他植被物候差异显着,分类效果较为理想,分类精度均高于80%。其中11月2日影像分类效果最好,精度最高为85.08%,Kappa=0.81。该结论在大孤家林场的实验中得到进一步验证。（2）同单一时相相比,多时相的影像包含更丰富的地物信息,实验在上述单时相影像分类基础上,筛选出分类精度高于80%的影像,并将这些影像进行排列组合,共构建了 69景多时相组合的遥感影像,最后采用最大似然法依次进行森林类型分类。研究结果表明,①相较于单时相的分类结果,多时相组合可以有效地提高分类精度,更有利于落叶松的提取;②在多时相组合分类中,两个时相组合的影像分类效果最佳;③落叶松生长期和落叶期影像组合可以反映出落叶松独特的物候规律,是进行落叶松识别的最佳时相组合,有利于落叶松的高精度提取。在多时相组合分类结果中,落叶松生长期和落叶期组合的影像,分类效果较为理想,精度均高于85%,其中,3月22日影像（生长期）和10月29日影像（落叶期）组合分类效果最佳,分类精度最高为87.46%,Kappa=0.84。上述结论均在大孤家林场实验中得到进一步验证。（3）实验选择时间相近的GF-1和Landsat8影像为数据源,分别提取了不同植被指数的时间序列特征、不同窗口下的纹理特征以及利用DEM数据提取不同的地形因子。最后采用最大似然法和随机森林法进行分类。研究结果表明,①加入特征因子后,分类精度均有所提高,说明特征因子有助于落叶松的提取。②加入植被指数时序特征后,分类效果最为理想,分类精度显着提高。说明植被指数时间序列特征可以较好地描述落叶松的物候节律,反映出落叶松的季相特征,是提取落叶松的最佳特征因子。（4）实验以黑龙江省大兴安岭国有林场作为整体研究区,采用最大似然法、随机森林法和支持向量机法对MODIS-NDVI时序数据集和MODIS-EVI时序数据集进行森林类型分类。结果表明,最大似然法和随机森林法分类效果较好,分类精度均达到70%以上,面积精度均达到85%以上。其中随机森林法分类效果最好,精度最高,MODIS-NDVI时序数据集分类精度为79.91%,Kappa=0.77,MODIS-EVI时序数据集分类精度为78.27%,Kappa=0.76。说明MODIS时序数据集可反映落叶松的季相特征,适合大区域落叶松林的提取。
张京[2]（2020）在《县级森林资源信息提取及管理系统研建》文中研究指明森林资源是林业经营管理的基础。随着计算机、互联网和遥感技术的飞速发展,林业与3S技术的结合越来越密切,各级林业部门对森林资源信息提取和科学管理的需求也日益增高,为实现国家、省、县森林资源“一张图”、“一套数”,“一个体系”监测和“一个平台”管理,掌握森林资源的现状和变化情况,县级森林资源信息有效提取和管理系统的构建变得尤为重要。本研究以江苏省东台市为研究区,从县级森林资源信息提取和森林资源管理信息化建设的需求出发,运用遥感、图像处理、深度学习、地理信息系统和数据库等理论和技术,通过无人机和卫星遥感影像进行小班、林场和县级区域森林资源信息提取,集成多源数据构建多平台县级森林资源管理系统,实现县级森林资源信息科学有效管理。主要研究成果如下:（1）基于无人机影像的林木株数提取。采用微分检测器即高斯拉普拉斯（LoG）算子和高斯差分（DoG）算子对水杉和杨树林地小班处理影像进行斑点检测以获取小班林木株数,结果显示,水杉小班LoG检测获取的林木株数误差率为0.33%,DoG为0.49%;杨树小班LoG检测获取的林木株数误差率为0.24%,DoG为0.48%。基于无人机影像采用斑点检测算法提取林木株数具有可行性,且LoG检测精度高于DoG检测。（2）基于无人机影像的植被信息提取。利用可见光波段差异植被指数（VDVI）进行江苏省东台市东台林场植被信息提取,通过最大类间方差法和实验数据结果对比确定阈值为0.0314,植被提取准确率为93.89%,Kappa系数为0.8522,将提取植被与林场影像进行像素比值计算得到东台林场2016年8月的植被覆盖率为79.65%。（3）基于深度学习的树种分类。选取杨树、水杉和竹子进行林场区域树种分类,采用U-Net全卷积神经网络进行模型训练,获得基于像素的图像分割模型总体精度为93.18%。模型通过ArcGIS深度学习模块执行推理得到林场树种分类图。（4）基于卫星遥感影像的森林变化监测。通过分析森林、农田、草地、荒地4种土地类型的年度归一化植被指数（NDVI）时间曲线,选取0.8作为区分像元是否为森林的阈值。通过Google Earth Engine平台分别获取2015-2019年的NDVI最大值合成影像并进行森林提取与覆盖率计算,结果显示,2015-2019年的森林覆盖率分别为27.79%、31.26%、27.90%、29.77%和33.93%,即近5年东台市森林资源覆盖率呈波动上升趋势。（5）县级森林资源管理系统构建与实现。分析县级林业主管部门、林区管理机构和外业调查人员的用户需求与功能需求,并进行可行性分析;根据“数字林业标准与规范”以及县级森林资源更新管理的要求,设计基础地理数据库、栅格数据库、森林资源数据库和调查更新数据库;采用ArcGIS Enterprise平台构建东台市县级森林资源管理系统,主要分为桌面端、Web端和移动端应用。实现用户与数据管理,县级森林资源数据展示、查询、编辑、更新和统计分析等功能。研究表明,遥感技术的应用可以大幅提高森林资源信息提取的效率和精度,无人机影像可以有效提取林木株数和植被信息并进行树种分类;卫星遥感影像可以在大尺度上监测森林覆盖率的变化;东台市县级森林资源管理系统通过集成提取的森林参数和基础林业信息,基本实现森林资源可视化表达、数字化管理和网络化共享,为县级林业部门调查更新管理森林资源提供功能齐备、互通共享、高效便捷和稳定安全的解决方案。
谢福明[3]（2019）在《基于优化k-NN模型的森林地上生物量遥感估测反演》文中研究指明森林是陆地生态系统的重要组成部分,但由于受气候变化影响,其生长变化会影响生态系统的能量交换、碳循环和水循环。因此,区域尺度的森林地上生物量遥感估测是林业遥感领域的一个研究热点。由于传统的参数统计模型不能有效地描述森林地上生物量与遥感特征变量之间的非线性关系,所以出现了一些非参数化方法,如k-最近邻法（k-NN）、人工神经网络（ANN）和支持向量回归机（SVR）等模型应用于森林生物量的遥感估测。本文以高寒山区香格里拉市作为研究区,以森林生态系统4种典型森林类型（高山松林、云南松林、栎类林和云冷杉林）作为研究对象,以Landsat 8 OLI数据为信息源,结合地面调查角规控制样地,在前期借助MATLAB平台实现k-NN算法和基于遗传算法（Genetic Algorithm,GA）优化的k-最近邻模型实现的基础上,优化k-NN模型参数组合,针对k-NN法的地上生物量估测模型中样本数量大小的不确定性展开了分析与探讨,建立了基于优化的k-NN模型的森林地上生物量遥感估测技术流程。主要研究成果如下:（1）针对传统k-最近邻法在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题。在MATLAB平台上自主编写算法,实现了遗传算法优化的k-最近邻模型,并对k-NN的3个参数（k值,t值和d距离度量方式）进行反复测试优化组合,建立并实现了基于优化k-NN的森林地上生物量遥感估测技术流程。主要算法包括k-NN回归算法和遗传算法:其中,k-NN算法采用留一法交叉验证,利用欧式距离计算特征空间的相似性;遗传算法优化模型的主要操作有进制转换、选择、交叉、变异和适应度值计算等。（2）对Landsat 8 OLI图像进行辐射定标、大气校正和3×3窗口均值滤波等预处理后,提取了像元的光谱特征、纹理特征以及地形因子共计306个空间特征变量用于森林地上生物量估测建模的备选参数。然后,分析了不同树种遥感特征变量与地上生物量间的Pearson相关性,筛选具有强相关性的变量作为建模因子。相关性分析显示,地上生物量与光谱特征和地形因子间的相关性弱,与纹理特征间的相关性强。（3）为探讨定量遥感反演中样本数量的不确定性,本文基于地统计学半变异函数理论、k-NN模型和留一法交叉验证,分析了不同的样本数量对模型精度的影响。结果显示,模型的精度随着样本数量的增加趋向于稳定,样本数量的合理范围介于60到70之间,总体上呈现的规律:当样本数<60时,模型精度不稳定,波动大;当样本数>60时,模型精度波动减小,并趋向于稳定。最后,利用最小二乘法求解出高山松和云冷杉模型精度最佳时的样本数量分别为72和65。（4）基于优化的k-NN模型实现了香格里拉市森林地上生物量估计及空间反演。优化k-NN模型提高了地上生物量的预测精度,云南松、云冷杉、栎类、高山松4个树种的估测相对标准误差RMSE%分别为52.81%、41.64%、48.57%、44.66%。同时,以像元为单位,估测得到研究区高山松林地上生物量为1.21×107Mg,云冷杉林地上生物量为2.911×107Mg,栎类林地上生物量为1.30×107Mg,云南松林地上生物量为0.68×107Mg,并绘制了森林地上生物量空间分布等级图。
傅锋[4]（2018）在《高分二号影像树种识别及龄组划分研究》文中指出本研究以福建将乐国有林场为研究区,以南方集体林区的重要经营树种:杉木、马尾松和毛竹为研究对象,探索我国首颗“亚米”级高空间分辨率的高分二号（简称GF-2）卫星在树种识别和龄组划分上的应用潜力,研究结果对促进国产GF-2卫星影像在森林资源调查和管理的应用提供借鉴。研究结果如下:（1）结合树种分类的需求和预处理研究较少的实际,探索了适宜GF-2影像的预处理流程和融合方法。结果表明:Gram-Schmidt和HCS融合方法最适合GF-2影像,融合效果最佳。（2）实测树种（龄组）的冠层光谱曲线,各树种在光谱上反射差异明显,光谱曲线“红边”高度和斜率均存在差异。结合GF-2波段设置,表明绿波段和近红外波段是马尾松、毛竹和杉木龄组区分的关键。（3）光谱结合四方向纹理的分类方案总体精度最高为87.4%（Kappa=0.85）,优于光谱结合全方向纹理方案的85.2%（Kappa=0.82）。仅利用光谱的分类方案总体精度为78.4%（Kappa=0.75）优于仅利用纹理属性的分类方案低于65%的总体精度。结果表明:结合影像丰富的纹理信息能极大提高分类精度。（4）基于最大似然法、支持向量机和随机森林法三种分类器进行树种分类对比实验。结果表明:在属性筛选下,随机森林法在树种分类上能取得较好分类效果,总体精度为87.4%（Kappa=0.85）;支持向量机在高维属性特征时表现最好,总体精度为86.1%（Kappa=0.86）;而最大似然法导致“休斯”现象表现一般。（5）树种的生长形态和冠层特征决定纹理属性对分类的影响。纹理属性对马尾松的分类精度影响很小,对杉木幼龄林和中龄林的分类精度提高很大。杉木相邻龄组存在混分现象,幼龄林和成熟林完全区分。表明GF-2在树种识别及龄组划分上具有重大潜力,是林分尺度森林资源调查理想的数据源。
杨芳[5]（2016）在《基于高分辨率遥感影像森林经理小班边界提取》文中研究指明森林经理小班是森林资源调查和经营的基本单位,合理正确的小班区划是森林资源监测的基础性工作之一。传统的森林区划方式是人工“对坡勾绘”小班边界,这种方式工作量大,主观性强,误差较大。基于高分辨率遥感卫星影像,采用支持向量机理论方法自动提取森林小班边界,可望提高森林小班区划的效率和精度。本文利用2015年高分二号卫星遥感影像,在NDVI的提取和主成分分析的基础上进行影像分割。以经过处理的实际小班边界为样本,基于SVM法,选取径向基核函数对影像进行分类并提取森林小班边界。以面积相对误差作为评价指标对提取的森林小班边界进行精度评价。主要研究成果如下:（1）对于郁闭度较大的森林小班边界提取研究,影像分割要适当欠分割,影像分割的最佳分割组合为分割尺度85,合并尺度95。（2）利用SVM的线性核函数,多项式核函数,径向基核函数和Sigmoid核函数分别分类提取森林小班边界,四种核函数分类精度相差不大,径向基核函数的分类提取小班边界面积相对误差最小,分类提取精度最高。（3）SVM法和最大似然法、神经网络法以及马氏距离法三种方法相比,面积相对误差最小,森林小班边界提取精度最高,为87.69%。最大似然法的森林小班边界提取精度仅次于SVM法,为87.46%。（4）以实际小班边界作为样本的SVM法分类提取的小班面积相对误差为12.31%,分类精度为87.69%;以在影像上选取的地物为样本的SVM分类提取的小班面积相对误差为42.65%,分类精度为57.35%,前者比后者精度高30.34%。
易辉[6]（2013）在《基于SPOT5的四川省丘陵区林地遥感分类方法研究》文中指出利用遥感技术调查森林资源具有宏观、全面、短周期、可重复性和低成本的特点,所以遥感技术在森林资源调查和监测中具有重要的作用和地位。但目前遥感技术在森林资源调查和监测中还存在很多技术问题需要解决,特别是在森林分布破碎化程度较高的四川丘陵地区,应用现有的遥感影像分类方法开展森林资源调查,往往造成分类精度不高,分类结果应用性不强,导致分类后需要进行大量的人工目视修改,加大了调查工作量。因此,研究四川省丘陵区林地遥感分类的方法和技术成为了该区域森林资源调查和监测亟待解决的问题。本研究利用SPOT-5遥感数据,以四川省丘陵区南部县建兴镇为研究对象,重点研究了遥感分类中的几个主要问题,包括确定最佳波段组合、遥感分类实现以及最大似然、支持向量机和决策树3种分类方法的精度评价比较。取得了以下主要结果：（1）分别对研究区的SPOT-5影像各波段信息量、标准差、相关性等特征值进行统计分析。通过定性分析和最佳指数因子OIF值计算,结果表明SPOT-5遥感影像的123波段是一种最佳的3波段组合方式,具有最大的信息量和最少的信息冗余度。（2）在ENV14.4遥感处理软件的支持下,选取最大似然分类、支持向量机分类和决策树分类3种不同的分类方法进行了遥感分类试验,得到分类结果图,最后采用总体分类精度和kappa系数对3种方法的分类结果进行精度验证和适用性评价。3种分类方法的总体分类精度大小依次是最大似然分类（80.83%）<支持向量机分类（85%）<决策树分类（89.24%）,3种方法的总体精度计算都达到80%以上,kappa系数也在0.7以上,满足分类要求。（3）适用性分析结果表明：最大似然分类法和支持向量机分类法的精度都较低,决策树分类法的精度最高,乔木林、竹林、疏林地、水域、建设用地和耕地的分类精度分别达到96%、89%、82%、93%、98%和80%。综合分析表明,本次研究最大似然分类法分类精度较低,支持向量机分类法和决策树法分类精度较高,决策树分类的总体分类精度达到89.24%,kappa系数达到0.8581,其适用性精度也达到80%以上。这说明,基于知识结合归一化植被指数和纹理特征值的决策树分类方法适用于四川省丘陵区遥感林地分类。
余国斌[7]（2013）在《基于遥感影像的森林资源智能区划技术研究》文中提出森林资源是一种可培植的、与地域密切相关的重要的自然资源,由于种种原因使用得森林资源的数量、质量和分布处于动态变化当中,基于遥感影像的森林资源监测方法可以在短期内对森林资源进行调查分析,森林资源区划是利用遥感影像进行森林资源监测的重要内容之一。森林资源区划由小班界线勾绘与解译两个部分构成,本文通过模拟森林资源手工勾绘的认知过程,研究开发了稳健的系统软件实现森林资源人机交互式智能区划,提高区划效率和精度,减轻人工进行森林资源区划与解译的劳动强度。所做的工作主要有如下两点。（1）目前获取遥感影像对象的主要方法就是通过遥感影像分割而获得。本文使用均值漂移算法作为遥感影像分割算法,并在64位系统平台下实现并改进了均值漂移算法,提高了均值漂移算法对遥感影像数据量的承载能力,并在使用该算法对遥感影像进行分割之前,通过一次或多次均值漂移滤波来改善直接使用均值漂移分割算法时产生的过分分割现象,实验证明该方法的有效性。（2）鉴于计算机自动解译和目视解译各自的优缺点,本文选用人机交互判读方法对遥感影像进行解译,实现了“将小班边界区划工作交给计算机,将判读工作交给林业调查专家”,从而达到既可满足林业调查工作者对解译精度的需求,又减少纯粹的目视解译工作量的目的。
王婧[8]（2013）在《面向对象的林业遥感信息提取方法研究》文中认为森林植被信息提取是林业资源监测中的核心问题,而面向对象的树种分类作为森林植被信息提取的关键,是目前研究的重点。本文针对面向对象树种分类问题,以福建将乐国有林场为研究区域,ALOS影像为遥感数据源,探讨面向对象分类规则集的建立并进行树种分类。通过构建基于粗糙集规则提取的面向对象分类方法,建立分类规则集,对实验区影像进行分类。本研究初步形成了一套基于面向对象的森林植被信息提取方法与技术。本研究获得的主要结果为：（1）对研究区的实验数据进行了预处理。对遥感影像数据进行了几何校正、最佳波段选择、图像融合及裁剪。通过对不同波段组合进行评价选取最佳波段组合。同时,分析比较了多种影像融合方法并选择最适于ALOS影像融合方法。（2）对面向对象的分割方法进行了详细探讨,重点分析了基于边缘信息的多尺度分割算法并将其应用到研究区的影像分割中,构建不同尺度的影像信息等级结构,完成研究区域影像的分割。（3）在分割形成对象的基础上,运用粗糙集算法进行对象特征的属性约简,从对象的34个特征中约简出最能代表树种分类的13种参数,构建合适的特征空间,建立分类的规则集,来对研究区的树种进行分类。（4）对研究区面向对象分类结果进行了分类精度评价。通过基于粗糙集规则提取的面向对象分类结果与基于最邻近算法的面向对象分类、监督分类的分类结果进行对比,得出基于规则提取的面向对象分类精度最高,总体精度达到80.4509%,Kappa系数达0.7607；其次为基于标准最邻近法的面向对象分类,总体精度为77.2408%,Kappa系数为0.7256,而监督分类的总体精度仅为75.5068%,Kappa系数为0.7062。结果表明：应用粗糙集规则提取的面向对象分类进行森林植被信息提取时,所提取的树种信息与树种的实际分布之间具有较高的形状和属性的一致性,分类精度更高,并有效地避免了常规分类方法中所出现的“椒盐现象”,分类结果更易于解释和理解。
严恩萍[9]（2011）在《中高分辨率遥感影像阔叶林信息提取研究》文中研究表明森林是地球上最大的陆地生态系统,是人类赖以生存和发展的必要基础,它不仅给人类提供丰富的木材和林副产品,而且在调节气候、涵养水源、保护环境等方面均起到重要作用。因此,开展森林资源调查,掌握森林资源现状及其变化,对于提高林业发展决策水平,促进林业和社会经济乃至全球环境的可持续发展等具有极为重要的意义。与传统方法相比,遥感影像智能解译因其宏观性、短周期性、可重复性等优点,被广泛应用于森林资源监测中。现有遥感影像解译算法很多,并已成功应用于诸多领域,特别是地物光谱特征和多源遥感数据相结合进行分类已成为研究热点。本文使用ALOS遥感数据,通过单波段、多波段统计方法分析波段数据特征,获得对影像的整体认识；运用归一化植被指数、主成分分析以及最佳指数法计算不同植被类型的光谱特征,通过与最大似然法对比,结合实地调查数据,构造出理想的决策树算法规则,研究广西壮族自治区平南县内的植被分类问题,同时还将调整的算法应用于TM、SPOT5遥感数据,旨在为中低分辨率森林类型信息的快速提取提供参考。主要研究结论如下：（1）由相关性水平和信息量统计可知,ALOS数据4个波段中,波段1、2、3的相关性显着,而波段4与其他波段相关性较低,说明其具有很大的独立性,在进一步遥感信息提取中是必选波段,其次是3、2、1波段。（2）最佳指数分析表明,ALOS数据理论最佳RGB合成为1-3-5（NDVI）波段,但考虑信息量、地类可区分度和色彩丰富度,其效果均不如4-3-2波段组合。（3）通过分析ALOS影像原始波段发现,各植被类型在部分波段上走势相近,不易区分。但加入NDVI及主成分分析后,植被类型间的区分度显着增强,从而为构造阔叶林遥感信息提取的波段组合提供参考。（4）对于ALOS数据,决策树分类算法总体精度达89.94%,kappa系数为0.8787,与最大似然法相比,分类精度显着提高,其中阔叶林制图精度为88.14%,用户精度为88.89%,说明根据ALOS影像光谱特征规律,采用决策树算法选择合适的阈值提取植被信息是可行的。（5）基于ALOS的最大似然法阔叶林提取精度达到83.90%,但竹林、灌木林、农田等类型提取误差较大,依然存在错分和漏分现象,而决策树算法可以在很大程度上克服混合分类现象,提高阔叶林提取的精度。（6）误差矩阵分析表明,基于TM和SPOT5数据的决策树算法分类质量较理想,总体精度分别为86.05%,90.61%,说明决策树分类算法不仅可以对植被进行分类与识别,而且对于不同数据源的植被分类具有一定的普适性,为实现植被类型的自动化提取提供理论依据和方法。本文得到了“林分结构与生长模拟技术研究（201104028）”项目的支持。
李广水[10]（2010）在《基于服务的森林资源调查数据挖掘系统的研究》文中指出森林资源调查是林业工作的重要方面,而随着数字化林业的发展,林业基础调查数据的积累呈现快速增长的趋势,如何从海量数据中提取有价值的信息正是林业资源调查数据挖掘所应对的主要问题。在Internet的全球发展战略的影响下,基于WEB服务的应用集成已成为当前及未来信息系统的一个主要趋势,本研究探讨了WEB服务下森林资源调查数据挖掘系统的设计及实现。首先对近年来常用的数据挖掘算法在森林资源调查中的应用进行了归纳总结,概括了不同的挖掘算法在相关领域的应用特点及场景要求,随后对相关技术进行了介绍,在分析了基于WEB服务的数据挖掘模式及其特点的基础上,依据.Net平台分别在不同的模式下开发了数据挖掘的WEB服务：实现属性相关分析的本地数据挖掘和改进的Aprior算法对远程数据的频繁项集的查找,着重研究了针对大数据集的访问、网络资源占用、代码的可伸缩性等方面的系统设计。在此基础上,针对九曲水林场实验区构建了基于小班林分因子调查数据的决策树判定系统,并提出了特征数据集的品质这一概念,在属性约简过程中依此进行了约简阈值的设定,并基于.Net和WSBPEL进行了系统设计；针对决策树构建过程中易于出现数据碎片、子树重复等问题,进一步提出了基于分形维构建特征数据集的方法,分析了依据分形维数和信息增益对冗余属性的删除以及特征集的信息损失对决策树构建的影响；本部分的最后,依据实验数据比较分析了两种决策树归纳的特点。作为服务于大面积区域调查的一个重要数据来源,遥感数据在森林资源调查中的应用占据着越来越重要的位置,为此,基于WCS标准,分别研究了面向服务的遥感数据挖掘模式及其基于工作流的分布式系统架构,并采用.Net体系及WSBPEL流程建模语言,具体设计了一个遥感影像纹理关联规则的挖掘系统。基于此,提出了基于频繁项集的遥感图像特征抽取,该方法首先依据项集的频繁度及空间分布筛选候选频繁项集,再定义每一个频繁项集的空间表达能力值构建特征集。仿真在遥感图像上进行测试检验,针对EM算法对初始设置比较敏感的特点,采用了对同一特征集指定不同聚类数目并比较对数似然值确定最终聚类结果的方法。试验结果表明,本文提出的频繁集对研究区的林区具有较好的判别之后,在分析了支持向量算法的特点及协同训练理论的基础上,依据遥感影像的纹理特征,提出了基于纹理特征值及像素灰度值构建的两个训练集上协同训练支持向量机的算法CTSVMTRS,并具体设计了分布式CTSVMTRS系统。论文主要分析了如何针对一般森林资源调查的事务数据和遥感数据构建基于WEB服务上的数据挖掘系统,从对一些经典算法的系统设计过程中探讨了具体实现过程中的关键技术及算法改进策略,并对相关的设计进行了实验分析,仿真主要从两个方面进行：WEB系统的可行性及改进算法的有效性,实验结果证明了相关的观念,也表明了本研究在林业信息化应用集成方面具有一定的参考价值。
二、基于小班取证推理的林业遥感数据分类方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小班取证推理的林业遥感数据分类方法研究（论文提纲范文）
（1）基于多源多时相数据的落叶松林识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 研究路线 |
| 1.5 论文结构 |
| 1.6 本章小结 |
| 2 数据与方法 |
| 2.1 重点研究区概况 |
| 2.2 整体研究区概况 |
| 2.3 数据获取情况 |
| 2.3.1 重点研究区 |
| 2.3.2 验证研究区 |
| 2.3.3 整体研究区 |
| 2.4 数据预处理 |
| 2.4.1 辐射定标 |
| 2.4.2 大气校正 |
| 2.4.3 正射校正 |
| 2.4.4 图像镶嵌和裁剪 |
| 2.4.5 图像配准 |
| 2.4.6 图像融合 |
| 2.5 基本方法与原理 |
| 2.5.1 最大似然法 |
| 2.5.2 随机森林法 |
| 2.5.3 支持向量机法 |
| 2.5.4 C5.0决策树 |
| 2.5.5 精度评价方法 |
| 2.6 本章小结 |
| 3 基于不同时相落叶松林识别分析 |
| 3.1 解译样地布设 |
| 3.2 基于单时相落叶松林识别 |
| 3.2.1 单时相落叶松林分类实验 |
| 3.2.2 分类结果及分析 |
| 3.3 基于多时相组合落叶松林识别 |
| 3.3.1 双时相组合落叶松林分类实验 |
| 3.3.2 分类结果与分析 |
| 3.3.3 多时相组合落叶松林实验 |
| 3.3.4 分类结果与分析 |
| 3.4 本章小结 |
| 4 特征提取与分析 |
| 4.1 光谱特征提取 |
| 4.2 植被指数时间序列特征提取 |
| 4.3 纹理特征提取 |
| 4.4 地形因子提取 |
| 4.5 本章小结 |
| 5 基于不同特征的落叶松林识别 |
| 5.1 基于单特征落叶松松林识别 |
| 5.1.1 单特征落叶松林分类实验 |
| 5.1.2 分类结果与分析 |
| 5.2 基于多特征组合落叶松林识别 |
| 5.2.1 多特征组合落叶松分类实验 |
| 5.2.2 分类结果与分析 |
| 5.3 错分、漏分现象分析 |
| 5.4 本章小结 |
| 6 基于时序遥感影像的落叶松林识别 |
| 6.1 基于大孤家林场的落叶松林识别 |
| 6.1.1 解译样地布设 |
| 6.1.2 单时相落叶松林研究 |
| 6.1.3 多时相组合的落叶松林研究 |
| 6.2 基于大兴安岭地区的落叶松林识别 |
| 6.2.1 样地布设 |
| 6.2.2 数据预处理 |
| 6.2.3 大兴安岭林场落叶松林识别 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）县级森林资源信息提取及管理系统研建（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 森林资源信息提取 |
| 1.2.2 森林资源管理系统 |
| 1.3 研究目标与主要内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 第二章 研究区与数据来源 |
| 2.1 研究区概况 |
| 2.2 森林资源调查数据 |
| 2.3 卫星遥感影像 |
| 2.3.1 遥感影像数据集 |
| 2.3.2 Landsat卫星影像 |
| 2.4 无人机遥感影像 |
| 2.5 本章小结 |
| 第三章 关键技术 |
| 3.1 3S技术 |
| 3.2 Python |
| 3.3 ArcGIS Enterprise |
| 3.4 ArcGIS Runtime |
| 3.5 Web App Builder for ArcGIS |
| 3.6 本章小结 |
| 第四章 森林资源信息提取技术 |
| 4.1 基于无人机影像的林木株数提取 |
| 4.1.1 斑点检测 |
| 4.1.2 小班株数提取 |
| 4.2 基于无人机影像的植被信息提取 |
| 4.2.1 可见光波段差异植被指数(VDVI) |
| 4.2.2 林场植被信息提取 |
| 4.3 基于深度学习的树种分类 |
| 4.3.1 提取训练样本 |
| 4.3.2 模型训练 |
| 4.3.3 林场树种分类 |
| 4.4 基于卫星遥感影像的森林变化监测 |
| 4.4.1 归一化植被指数(NDVI) |
| 4.4.2 森林提取与年度变化分析 |
| 4.5 本章小结 |
| 第五章 森林资源管理系统构建与实现 |
| 5.1 需求分析 |
| 5.1.1 用户需求 |
| 5.1.2 功能需求 |
| 5.1.3 可行性分析 |
| 5.2 系统设计 |
| 5.2.1 数据库设计 |
| 5.2.2 系统开发模式 |
| 5.2.3 系统总体框架 |
| 5.2.4 系统功能设计 |
| 5.3 系统实现 |
| 5.3.1 用户与数据管理 |
| 5.3.2 应用构建与展示 |
| 5.3.3 数据查询与显示 |
| 5.3.4 数据编辑与更新 |
| 5.3.5 图表与统计分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 攻读学位期间发表的学术论文 |
| 参考文献 |
（3）基于优化k-NN模型的森林地上生物量遥感估测反演（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 生物量遥感估测模型研究进展 |
| 1.2.1 国内研究进展 |
| 1.2.2 国外研究进展 |
| 1.3 生物量遥感估测不确定性研究现状 |
| 1.4 林业遥感的新挑战与新方法 |
| 1.5 研究目标和研究内容 |
| 1.5.1 研究目标 |
| 1.5.2 研究内容 |
| 1.6 技术路线 |
| 1.7 论文结构 |
| 1.8 课题来源与经费支持 |
| 2 研究区概况与数据采集 |
| 2.1 研究区概况 |
| 2.1.1 地理区位 |
| 2.1.2 自然地理特征 |
| 2.1.3 人文社会特征 |
| 2.2 数据采集 |
| 2.2.1 遥感数据采集与处理 |
| 2.2.2 地面调查数据采集 |
| 2.2.3 其他数据 |
| 3 研究方法 |
| 3.1 k-NN回归原理 |
| 3.2 优化k-最近邻法(Improved k-NN,ik-NN) |
| 3.3 精度评价方法 |
| 4 建模因子提取与特征选择 |
| 4.1 建模因子提取 |
| 4.1.1 光谱特征提取 |
| 4.1.2 纹理特征提取 |
| 4.1.3 地形因子 |
| 4.2 特征选择 |
| 4.2.1 栎类地上生物量与遥感特征变量的相关性分析 |
| 4.2.2 云冷杉地上生物量与遥感特征变量的相关性分析 |
| 4.2.3 云南松地上生物量与遥感特征变量的相关性分析 |
| 4.2.4 高山松地上生物量与遥感特征变量的相关性分析 |
| 4.3 小结 |
| 5 基于优化k-NN模型的森林地上生物量的估测 |
| 5.1 k-NN模型参数优化 |
| 5.2 遗传算法优化结果 |
| 5.3 基于k-NN模型的样本数量不确定性分析 |
| 5.3.1 实验目的与方法 |
| 5.3.2 实验结果分析 |
| 5.4 基于k-NN和优化k-NN模型的地上生物量估测精度分析 |
| 5.5 森林地上生物量空间反演制图 |
| 5.4.1 森林地上生物量估测 |
| 5.4.2 森林地上生物量空间反演 |
| 6 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 参考文献 |
| 附录 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（4）高分二号影像树种识别及龄组划分研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 基于像元的遥感影像分类 |
| 1.2.2 面向对象的遥感影像分类 |
| 1.2.3 随机森林法遥感分类研究现状 |
| 1.3 存在问题及发展趋势 |
| 1.4 研究目的及内容 |
| 1.4.1 目的意义 |
| 1.4.2 研究内容 |
| 1.5 研究方法与技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 2 研究区概况与数据准备 |
| 2.1 研究区概况 |
| 2.2 地面数据获取 |
| 2.2.1 标准地调查 |
| 2.2.2 冠层光谱测定 |
| 2.3 遥感影像 |
| 2.3.1 影像基本情况 |
| 2.3.2 统计特征分析 |
| 2.4 影像预处理 |
| 2.4.1 辅助数据的提取 |
| 2.4.2 辐射定标与大气校正 |
| 2.4.3 正射校正 |
| 2.4.4 图像融合 |
| 2.4.5 地形校正 |
| 2.4.6 研究区裁剪 |
| 3 图像分割及属性选择 |
| 3.1 面向对象的多尺度分割 |
| 3.1.1 异质性最小准则 |
| 3.1.2 分割参数设置 |
| 3.2 属性提取 |
| 3.3 分类方案 |
| 3.4 属性选择及参数优化 |
| 3.4.1 属性选择 |
| 3.4.2 参数优化 |
| 3.5 精度评价 |
| 4 基于GF-2影像的树种分类 |
| 4.1 随机森林算法 |
| 4.2 属性选择及参数优化结果 |
| 4.3 随机森林分类结果 |
| 4.3.1 分类精度及定量分析 |
| 4.3.2 混淆矩阵和分类结果 |
| 4.4 多分类器精度对比 |
| 5 结论和讨论 |
| 5.1 结论 |
| 5.2 特色与创新 |
| 5.3 讨论 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
（5）基于高分辨率遥感影像森林经理小班边界提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据和意义 |
| 1.2 国内外研究进展 |
| 1.3 研究方法、内容及技术路线 |
| 第2章 研究区概况及数据预处理 |
| 2.1 研究区范围 |
| 2.2 研究区自然状况 |
| 2.3 遥感数据收集及预处理 |
| 2.4 实测数据收集及预处理 |
| 2.5 森林资源数据收集及预处理 |
| 2.6 小结 |
| 第3章 影像特征分析及样本集构建 |
| 3.1 影像特征分析 |
| 3.2 样本集构建 |
| 3.3 小结 |
| 第4章 基于SVM分类研究 |
| 4.1 影像分割 |
| 4.2 影像分类 |
| 4.3 小结 |
| 第5章 精度评价 |
| 5.1 两种样本SVM分类小班提取的比较 |
| 5.2 与其他分类算法的比较 |
| 5.3 小结 |
| 第6章 结论与展望 |
| 6.1 结语 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（6）基于SPOT5的四川省丘陵区林地遥感分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 前言 |
| 1 文献综述 |
| 1.1 遥感影像分类概述 |
| 1.2 遥感影像分类方法 |
| 1.2.1 目视解译 |
| 1.2.2 计算机自动分类方法 |
| 1.2.3 遥感分类新方法 |
| 1.2.4 几种遥感分类方法的原理 |
| 1.3 森林植被遥感分类研究进展 |
| 1.3.1 国外研究进展 |
| 1.3.2 国内研究进展 |
| 2 研究目的意义和研究区域概况 |
| 2.1 研究目的意义 |
| 2.2 研究区域概况 |
| 3 研究内容、材料和研究方法 |
| 3.1 研究内容 |
| 3.2 研究材料 |
| 3.2.1 基础材料 |
| 3.2.2 应用软件 |
| 3.3 技术路线 |
| 3.4 研究方法 |
| 3.4.1 遥感影像预处理 |
| 3.4.2 分类波段组合 |
| 3.4.3 信息提取 |
| 3.4.4 分类样本的确定 |
| 3.4.5 解译标志 |
| 3.4.6 分类方法 |
| 3.4.7 精度评价 |
| 4 结果与分析 |
| 4.1 波段组合选择 |
| 4.1.1 单波段数据统计 |
| 4.1.2 多波段数据统计 |
| 4.1.3 最佳指数 |
| 4.2 分类结果 |
| 4.2.1 最大似然分类结果 |
| 4.2.2 支持向量机分类结果 |
| 4.2.3 决策树分类结果 |
| 4.3 精度评价结果 |
| 4.3.1 分类精度评价结果 |
| 4.3.2 分类适用性评价结果 |
| 5 讨论与结论 |
| 5.1 讨论 |
| 5.1.1 波段组合选择 |
| 5.1.2 遥感分类 |
| 5.2 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
（7）基于遥感影像的森林资源智能区划技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 课题来源、研究内容与意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究内容 |
| 1.1.3 研究意义 |
| 1.1.4 研究区域概况 |
| 1.2 研究背景 |
| 1.2.1 遥感技术发展概况 |
| 1.2.2 国内外研究现状 |
| 1.2.3 森林资源区划概念 |
| 1.3 本文组织结构 |
| 2 基于遥感影像分割的小班勾绘 |
| 2.1 遥感影像预处理 |
| 2.2 RGB颜色空间与LUV颜色空间 |
| 2.2.1 RGB颜色空间 |
| 2.2.2 LUV颜色空间 |
| 2.2.3 RGB转LUV颜色空间 |
| 2.3 中高分辨遥感影像分割概述 |
| 2.3.1 影像分割方法概述 |
| 2.3.2 遥感影像分割存在的问题 |
| 2.4 基于Mean Shift算法的遥感影像分割 |
| 2.4.1 Mean Shift算法原理 |
| 2.4.2 基于Mean Shift的遥感影像滤波 |
| 2.4.3 基于Mean Shift的遥感影像分割 |
| 2.5 基于64位平台的中高分辨率遥感影像分割 |
| 2.6 本章小结 |
| 3 遥感影像解译 |
| 3.1 解译原理 |
| 3.2 人机交互判读 |
| 3.2.1 分割影像矢量化处理 |
| 3.2.2 人工选择样本 |
| 3.2.3 计算机自动识别分类 |
| 3.2.4 实验结果 |
| 3.3 本章小结 |
| 4 中高分辨率遥感影像智能区划系统实现 |
| 4.1 软件系统目标 |
| 4.2 软件系统开发环境 |
| 4.3 软件系统功能实现 |
| 4.3.1 遥感影像小班勾绘实现 |
| 4.3.2 遥感影像解译人机交互判读实现 |
| 4.4 软件系统实现效果 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 攻读学位期间的主要学术成果 |
| 致谢 |
（8）面向对象的林业遥感信息提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 遥感图像森林分类研究 |
| 1.2.2 面向对象森林植被分类研究现状及存在问题 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 2 研究区概况与影像数据源 |
| 2.1 研究区概况 |
| 2.1.1 地理概况 |
| 2.1.2 经营状况 |
| 2.2 数据来源 |
| 2.3 ALOS遥感数据简介 |
| 3 数据预处理 |
| 3.1 几何校正 |
| 3.1.1 选择控制点 |
| 3.1.2 建立几何校正模型 |
| 3.1.3 重采样内插 |
| 3.2 最佳波段选择 |
| 3.2.1 各波段灰度直方图 |
| 3.2.2 影像统计特征 |
| 3.2.3 最佳波段组合的确定 |
| 3.3 图像融合 |
| 3.3.1 IHS变换 |
| 3.3.2 主成分变换 |
| 3.3.3 Brovey变换 |
| 3.3.4 Gram-Schmidt变换 |
| 3.3.5 融合结果 |
| 3.4 图像裁剪 |
| 4 基于规则提取的面向对象森林分类 |
| 4.1 面向对象分类介绍 |
| 4.1.1 面向对象分类简介 |
| 4.1.2 基于规则提取的面向对象分类技术流程 |
| 4.2 多尺度分割 |
| 4.2.1 影像分割方法概述 |
| 4.2.2 图像分割方法 |
| 4.2.3 基于边缘信息的多尺度分割算法 |
| 4.2.4 影像分割的尺度 |
| 4.3 基于粗糙集的特征参数选择 |
| 4.3.1 粗糙集的重要理论 |
| 4.3.2 特征参数的提取 |
| 4.3.3 基于粗糙集的连续属性离散化 |
| 4.3.4 用RS论进行属性约简 |
| 4.4 分类规则的建立 |
| 4.5 分类后优化 |
| 5 基于标准最邻近法的面向对象分类 |
| 5.1 标准最邻近法 |
| 5.2 分类结果 |
| 5.2.1 样本对象的选择 |
| 5.2.2 分类 |
| 6 监督分类 |
| 6.1 训练样本的选取 |
| 6.2 分类器的选择 |
| 6.3 监督分类结果 |
| 7 精度评价 |
| 7.1 精度评价理论 |
| 7.2 分类结果 |
| 7.3 分类结果精度分析 |
| 8 结论与讨论 |
| 8.1 结论 |
| 8.2 讨论 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（9）中高分辨率遥感影像阔叶林信息提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.1.3 课题来源 |
| 1.2 遥感在森林资源监测中的应用 |
| 1.3 遥感信息提取研究概述 |
| 1.3.1 目视解译 |
| 1.3.2 基于像元的分类方法 |
| 1.3.3 其他的一些新方法 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 拟解决的关键问题 |
| 1.4.4 技术路线 |
| 1.5 论文结构 |
| 2 研究区概况 |
| 2.1 自然条件概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 气候 |
| 2.1.4 植被 |
| 2.1.5 土壤 |
| 2.2 社会经济概况 |
| 2.2.1 人口概况 |
| 2.2.2 财政收入 |
| 2.2.3 交通条件 |
| 3 数据获取及预处理 |
| 3.1 数据获取 |
| 3.1.1 遥感数据 |
| 3.1.2 其他数据 |
| 3.2 数据预处理 |
| 3.2.1 辐射校正 |
| 3.2.2 几何校正 |
| 3.2.3 图像镶嵌与裁剪 |
| 3.2.4 影像增强和变换 |
| 4 ALOS影像特征分析 |
| 4.1 影像波段特征分析 |
| 4.1.1 传感器波段特征分析 |
| 4.1.2 单波段统计分析量 |
| 4.1.3 多波段统计分析量 |
| 4.2 影像光谱特征分析 |
| 4.2.1 植被指数 |
| 4.2.2 主成分分析 |
| 4.2.3 最佳波段合成 |
| 4.2.4 森林分类体系的确定 |
| 4.2.5 典型地物光谱特征分析 |
| 5 阔叶林遥感信息提取 |
| 5.1 监督分类 |
| 5.1.1 训练样本的选择 |
| 5.1.2 基于最大似然法的阔叶林信息提取 |
| 5.2 决策树分类 |
| 5.2.1 决策树分类原理 |
| 5.2.2 决策树的构建 |
| 5.2.3 决策树分类结果与分析 |
| 5.3 阔叶林遥感信息提取精度评价 |
| 5.3.1 精度评价原理 |
| 5.3.2 精度评价分析 |
| 6 试验研究 |
| 6.1 试验一 |
| 6.1.1 Landsat-5 TM数据介绍 |
| 6.1.2 Landsat-5 TM影像波段特征分析 |
| 6.1.3 TM影像光谱特征分析 |
| 6.1.4 基于TM的阔叶林遥感信息提取 |
| 6.2 试验二 |
| 6.2.1 试验区介绍 |
| 6.2.2 试验方法 |
| 6.2.3 结果分析 |
| 7 结论与讨论 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 讨论与展望 |
| 参考文献 |
| 附录 攻读硕士学位期间的主要学术成果 |
| 致谢 |
（10）基于服务的森林资源调查数据挖掘系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 前言 |
| 0.1 立题依据及研究的目的和意义 |
| 0.2 研究内容 |
| 0.3 研究方法和技术路线 |
| 第一章 数据挖掘在森林资源调查中的现状及发展趋势 |
| 1.1 基于数据库或数据仓库的数据挖掘系统 |
| 1.2 不同挖掘算法在森林资源调查中的应用 |
| 1.2.1 C4.5或C5决策树 |
| 1.2.2 贝叶斯分类 |
| 1.2.3 回归统计分析 |
| 1.2.4 聚类分析 |
| 1.2.5 其它分析方法 |
| 1.2.6 多方法的结合使用 |
| 1.3 存在的不足 |
| 1.4 构建森林资源调查数据分析服务平台 |
| 第二章 相关技术介绍 |
| 2.1 SOA及其发展 |
| 2.2 WEB服务及相关规范 |
| 2.2.1 WEB服务 |
| 2.2.2 XML语言 |
| 2.2.3 SOAP,WSDL,UDDI |
| 2.2.4 WEB服务调用 |
| 2.3 .Net平台 |
| 2.3.1 .Net特点 |
| 2.3.2 与组件的互操作性 |
| 2.3.3 .Net对数据的访问 |
| 2.3.4 .Net对WEB服务的支持 |
| 2.4 WSBPEL建模语言 |
| 第三章 基于WEB服务数据挖掘的设计及其关键实现技术 |
| 3.1 .Net操纵WEB数据库的特点 |
| 3.2 基于WEB服务的数据挖掘结构设计 |
| 3.3 对WEB数据库本地的数据挖掘服务 |
| 3.4 远程WEB数据库的数据挖掘服务 |
| 3.4.1 关联规则 |
| 3.4.2 系统实现 |
| 3.5 仿真实验及分析 |
| 第四章 九曲水林场的决策树分类系统 |
| 4.1 研究区概况及研究数据特征 |
| 4.1.1 九曲水林场概况 |
| 4.1.2 研究数据 |
| 4.2 决策树构建的一般原理 |
| 4.3 基于.Net的WEB服务决策树判定系统的实现 |
| 4.3.1 对小班调查数据进行属性约减 |
| 4.3.2 对远程数据集进行决策树归纳 |
| 4.3.3 利用WSBPEL进行服务集成 |
| 4.4 实际应用 |
| 第五章 基于分形维的决策树构建 |
| 5.1 相关研究 |
| 5.2 利用分形理论构建特征数据集 |
| 5.2.1 相关属性分组 |
| 5.2.2 生成特征数据集 |
| 5.3 实际应用 |
| 5.4 实验分析 |
| 第六章 基于WEB服务的遥感影像关联规则的挖掘 |
| 6.1 相关研究 |
| 6.1.1 对遥感影像的数据挖掘 |
| 6.1.2 面向服务的遥感影像处理 |
| 6.1.3 WEB服务下遥感数据挖掘的系统设计 |
| 6.2 遥感影像关联规则挖掘 |
| 6.2.1 遥感影像纹理关联规则挖掘原理 |
| 6.2.2 构建WEB服务下的遥感影像纹理关联规则挖掘系统 |
| 6.3 实际应用及结果分析 |
| 6.3.1 试验素材及实验设计 |
| 6.3.2 实验及结果分析 |
| 第七章 基于频繁特征集判定有林区域比例 |
| 7.1 基于频繁项的特征抽取 |
| 7.1.1 找出候选频繁项集 |
| 7.1.2 定义候选频繁项集的相关属性 |
| 7.2 实验设计 |
| 7.2.1 基于EM的聚类设计 |
| 7.2.2 试验素材及过程 |
| 7.3 结果分析 |
| 第八章 分布式协同训练支持向量机对遥感影像的分类 |
| 8.1 支持向量机及其在遥感中的应用 |
| 8.1.1 支持向量机 |
| 8.1.2 支持向量在遥感中的应用 |
| 8.2 协同训练向量机 |
| 8.2.1 半监督理论及应用研究 |
| 8.2.2 协同训练支持向量机对遥感影像的分类 |
| 8.3 分布式协同训练向量机系统 |
| 8.3.1 系统设计 |
| 8.3.2 系统实现 |
| 8.4 实验及结果分析 |
| 8.4.1 CTSVMTRS算法对遥感影像的分类 |
| 8.4.2 基于WEB服务的协同训练 |
| 第九章 结论与展望 |
| 9.1 结论 |
| 9.2 主要创新点 |
| 9.3 展望 |
| 参考文献 |
| 博士在读期间的主要科研成果 |
| 详细摘要 |
四、基于小班取证推理的林业遥感数据分类方法研究（论文参考文献）
- [1]基于多源多时相数据的落叶松林识别研究[D]. 马婷. 西安科技大学, 2020(01)
- [2]县级森林资源信息提取及管理系统研建[D]. 张京. 南京林业大学, 2020(01)
- [3]基于优化k-NN模型的森林地上生物量遥感估测反演[D]. 谢福明. 西南林业大学, 2019(08)
- [4]高分二号影像树种识别及龄组划分研究[D]. 傅锋. 北京林业大学, 2018(04)
- [5]基于高分辨率遥感影像森林经理小班边界提取[D]. 杨芳. 新疆农业大学, 2016(03)
- [6]基于SPOT5的四川省丘陵区林地遥感分类方法研究[D]. 易辉. 四川农业大学, 2013(03)
- [7]基于遥感影像的森林资源智能区划技术研究[D]. 余国斌. 中南林业科技大学, 2013(S1)
- [8]面向对象的林业遥感信息提取方法研究[D]. 王婧. 北京林业大学, 2013(S2)
- [9]中高分辨率遥感影像阔叶林信息提取研究[D]. 严恩萍. 中南林业科技大学, 2011(05)
- [10]基于服务的森林资源调查数据挖掘系统的研究[D]. 李广水. 南京林业大学, 2010(02)