书籍详情
基于Python的森林资源调查数据分析实践
作者：佃袁勇 著
出版社：科学出版社
出版时间：2021-04-01
ISBN：9787030684882
定价：¥88.00
购买这本书可以去
内容简介
森林资源调查数据涉及森林样地、林班、遥感影像等多种来源不同尺度的数据类型，其数据处理和分析是森林资源、生态环境监测的重要环节。Python是当前热门流行的数据编程处理语言。《基于Python的森林资源调查数据分析实践》结合作者多年的教学和科研体会，针对林业、生态工作者对森林资源数据处理需求，突出以实践应用为主线，构建从森林资源数据清洗及可视化、森林样地空间结构及属性、林班数据统计分析、多源森林资源数据融合分析的全过程数据处理技术和方法，并利用Python语言实现所有的编码工作，力求深入浅出地为读者提供森林资源数据分析的思路、方法和应用途径。
作者简介
暂缺《基于Python的森林资源调查数据分析实践》作者简介
目录
目录
第1章 森林资源调查方式及数据形式 1
1.1 国家森林资源连续清查 1
1.1.1 调查方法 2
1.1.2 样地调查因子及样木信息 3
1.1.3 样地数据形式 4
1.2 森林资源规划设计调查 5
1.2.1 小班边界区划 6
1.2.2 小班因子调查 6
1.2.3 小班数据存储形式 7
1.3 地理空间数据 7
1.3.1 空间坐标系统 7
1.3.2 栅格数据 8
1.3.3 矢量数据 8
第2章 Python基础及相关分析工具 10
2.1 Python开发环境配置 10
2.1.1 Anaconda安装 10
2.1.2 开发环境推荐 10
2.2 常用的库 13
2.2.1 NumPy和SciPy 13
2.2.2 Pandas 13
2.2.3 GDAL 13
2.2.4 Geopandas 13
2.2.5 Scikit-learn 14
2.2.6 Matplotlib 14
2.2.7 Seaborn 14
2.3 Python的编程基础知识 14
2.3.1 Python基本语法 14
2.3.2 Python数据类型 15
2.3.3 Python数据运算 17
2.3.4 Python流程控制语句 19
2.3.5 Python函数设计 20
2.3.6 Python包的导入和使用 21
2.4 Pandas数据处理和分析的主要函数 21
2.4.1 属性字段计算方法 21
2.4.2 groupby统计分析 22
第3章 数据清洗方法及可视化 29
3.1 数据清洗的主要过程 29
3.2 数据读取及输出 29
3.2.1 数据读取 30
3.2.2 数据输出 31
3.3 数据初步探索性分析 32
3.4 脏数据判断 35
3.4.1 缺失值判断 35
3.4.2 重复值检测 37
3.4.3 异常值检测 38
3.5 脏数据处理 39
3.5.1 数据规整化 39
3.5.2 缺失值处理 42
3.5.3 重复值处理 44
3.5.4 异常值处理 45
3.6 数据可视化方法 46
3.6.1 柱状图表示单变量的变化 46
3.6.2 直方图描述单变量的分布 47
3.6.3 箱线图描述变量的分布 48
3.6.4 散点图描述两个变量之间的关系 48
3.6.5 热力图描述两个变量之间的相关性 49
第4章 森林资源样地调查数据的处理和分析 50
4.1 样地属性特征计算 50
4.1.1 平均树高、胸径统计 50
4.1.2 林分蓄积量计算 52
4.1.3 森林生物量计算 53
4.1.4 生物多样性指数 59
4.2 林分结构特征分析 61
4.2.1 林分非空间结构特征 61
4.2.2 林分空间结构特征 68
4.3 基于一类清查数据的总体森林资源统计 76
4.3.1 面积估算 77
4.3.2 蓄积量估算 78
第5章 森林规划设计调查数据处理 80
5.1 林地面积统计表制作 80
5.2 林地蓄积量统计表制作 82
5.3 林种统计表 84
5.4 乔木林面积、蓄积量按龄组统计表 89
5.5 生态公益林（地）统计表 90
第6章 地理空间数据的处理 92
6.1 高程数据处理 92
6.1.1 坡度 92
6.1.2 坡向 95
6.2 遥感影像处理 98
6.2.1 遥感数据处理所需要的包 98
6.2.2 遥感指数计算 100
6.2.3 纹理指标计算 102
6.2.4 计算结果的输入保存 110
6.3 矢量数据处理 112
6.3.1 矢量数据读取 112
6.3.2 数据重投影 113
6.3.3 几何形状处理 114
6.3.4 缓冲区分析 115
6.3.5 叠加分析 116
6.4 根据空间位置提取相应参数 119
6.4.1 矢量裁剪 119
6.4.2 根据空间位置提取遥感参数 122
第7章 多源森林资源数据建模分析 127
7.1 聚类模型 127
7.1.1 k均值聚类 127
7.1.2 Mean Shift聚类 131
7.1.3 DBSCAN 133
7.2 回归模型 136
7.2.1 线性回归 137
7.2.2 非线性回归 139
7.2.3 支持向量机回归 143
7.2.4 随机森林回归 146
7.3 分类模型 148
7.3.1 k近邻算法分类 152
7.3.2 决策树分类 153
7.3.3 支持向量机分类 155
7.3.4 随机森林分类 156
7.4 图像分类精度评价 158
7.4.1 混淆矩阵 158
7.4.2 评价指标 159
参考文献 163
第1章 森林资源调查方式及数据形式 1
1.1 国家森林资源连续清查 1
1.1.1 调查方法 2
1.1.2 样地调查因子及样木信息 3
1.1.3 样地数据形式 4
1.2 森林资源规划设计调查 5
1.2.1 小班边界区划 6
1.2.2 小班因子调查 6
1.2.3 小班数据存储形式 7
1.3 地理空间数据 7
1.3.1 空间坐标系统 7
1.3.2 栅格数据 8
1.3.3 矢量数据 8
第2章 Python基础及相关分析工具 10
2.1 Python开发环境配置 10
2.1.1 Anaconda安装 10
2.1.2 开发环境推荐 10
2.2 常用的库 13
2.2.1 NumPy和SciPy 13
2.2.2 Pandas 13
2.2.3 GDAL 13
2.2.4 Geopandas 13
2.2.5 Scikit-learn 14
2.2.6 Matplotlib 14
2.2.7 Seaborn 14
2.3 Python的编程基础知识 14
2.3.1 Python基本语法 14
2.3.2 Python数据类型 15
2.3.3 Python数据运算 17
2.3.4 Python流程控制语句 19
2.3.5 Python函数设计 20
2.3.6 Python包的导入和使用 21
2.4 Pandas数据处理和分析的主要函数 21
2.4.1 属性字段计算方法 21
2.4.2 groupby统计分析 22
第3章 数据清洗方法及可视化 29
3.1 数据清洗的主要过程 29
3.2 数据读取及输出 29
3.2.1 数据读取 30
3.2.2 数据输出 31
3.3 数据初步探索性分析 32
3.4 脏数据判断 35
3.4.1 缺失值判断 35
3.4.2 重复值检测 37
3.4.3 异常值检测 38
3.5 脏数据处理 39
3.5.1 数据规整化 39
3.5.2 缺失值处理 42
3.5.3 重复值处理 44
3.5.4 异常值处理 45
3.6 数据可视化方法 46
3.6.1 柱状图表示单变量的变化 46
3.6.2 直方图描述单变量的分布 47
3.6.3 箱线图描述变量的分布 48
3.6.4 散点图描述两个变量之间的关系 48
3.6.5 热力图描述两个变量之间的相关性 49
第4章 森林资源样地调查数据的处理和分析 50
4.1 样地属性特征计算 50
4.1.1 平均树高、胸径统计 50
4.1.2 林分蓄积量计算 52
4.1.3 森林生物量计算 53
4.1.4 生物多样性指数 59
4.2 林分结构特征分析 61
4.2.1 林分非空间结构特征 61
4.2.2 林分空间结构特征 68
4.3 基于一类清查数据的总体森林资源统计 76
4.3.1 面积估算 77
4.3.2 蓄积量估算 78
第5章 森林规划设计调查数据处理 80
5.1 林地面积统计表制作 80
5.2 林地蓄积量统计表制作 82
5.3 林种统计表 84
5.4 乔木林面积、蓄积量按龄组统计表 89
5.5 生态公益林（地）统计表 90
第6章 地理空间数据的处理 92
6.1 高程数据处理 92
6.1.1 坡度 92
6.1.2 坡向 95
6.2 遥感影像处理 98
6.2.1 遥感数据处理所需要的包 98
6.2.2 遥感指数计算 100
6.2.3 纹理指标计算 102
6.2.4 计算结果的输入保存 110
6.3 矢量数据处理 112
6.3.1 矢量数据读取 112
6.3.2 数据重投影 113
6.3.3 几何形状处理 114
6.3.4 缓冲区分析 115
6.3.5 叠加分析 116
6.4 根据空间位置提取相应参数 119
6.4.1 矢量裁剪 119
6.4.2 根据空间位置提取遥感参数 122
第7章 多源森林资源数据建模分析 127
7.1 聚类模型 127
7.1.1 k均值聚类 127
7.1.2 Mean Shift聚类 131
7.1.3 DBSCAN 133
7.2 回归模型 136
7.2.1 线性回归 137
7.2.2 非线性回归 139
7.2.3 支持向量机回归 143
7.2.4 随机森林回归 146
7.3 分类模型 148
7.3.1 k近邻算法分类 152
7.3.2 决策树分类 153
7.3.3 支持向量机分类 155
7.3.4 随机森林分类 156
7.4 图像分类精度评价 158
7.4.1 混淆矩阵 158
7.4.2 评价指标 159
参考文献 163
猜您喜欢
