农作物类型遥感识别方法与应用

第1章 作物识别方法概述 1

1.1 引言 1

1.2 非监督、监督和半监督分类 2

1.3 单分类器与多分类器集成分类 4

1.4 硬分类与软分类 6

1.5 面向对象与基于像元的分类 8

1.6 单时相、多时相与时序数据分类 11

1.6.1 基于单时相数据的分类 11

1.6.2 基于多时相数据的分类 12

1.6.3 基于时序数据的分类 19

1.7 单特征分类与多特征分类 22

1.8 小结 25

参考文献 27

第2章 农作物识别精度的影响因素 41

2.1 引言 41

2.2 样本数量对识别精度的影响 43

2.2.1 研究背景 43

2.2.2 研究区与数据 44

2.2.3 研究方法与技术路线 46

2.2.4 结果分析 49

2.2.5 结论与讨论 55

2.3 样本质量对识别精度的影响 56

2.3.1 研究背景 56

2.3.2 研究方法与技术路线 57

2.3.3 结果分析 60

2.3.4 结论与讨论 63

2.4 数据特征对识别精度的影响 64

2.4.1 研究背景 64

2.4.2 研究方法与技术路线 65

2.4.3 评价指标的选择 69

2.4.4 结果分析 69

2.4.5 结论与讨论 73

2.5 数据尺度对识别精度的影响 74

2.5.1 研究背景 74

2.5.2 研究区与数据 75

2.5.3 研究方法与技术路线 76

2.5.4 结果分析 81

2.5.5 结论与讨论 92

参考文献 93

第3章 基于可见光遥感影像的作物类型识别 97

3.1 引言 97

3.2 基于单时相数据的作物识别 98

3.2.1 基于变端元混合像元分解的冬小麦提取 98

3.2.2 软硬分类相结合农作物制图研究 110

3.2.3 SVDD单目标分类器的作物识别研究 128

3.2.4 基于集成学习的农作物识别研究 143

3.3 基于多时相数据的作物识别 151

3.3.1 支持向量机与分类后验概率空问变化向量分析法结合的冬小麦识别方法 151

3.3.2 通过软硬变化检测识别冬小麦 161

3.3.3 图斑与变化向量分析相结合的秋粮作物遥感提取 172

3.3.4 构建时空融合模型进行水稻遥感识别 180

3.4 基于时间序列数据的作物识别 200

3.4.1 基于相似性分析的中低分辨率复合水稻种植面积测量法 200

3.4.2 基于典型物候特征的MODIS-EVI时间序列数据冬小麦种植面积提取方法 209

3.4.3 中低分辨率小波融合的玉米种植面积遥感估算 223

3.4.4 Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物 232

参考文献 249

第4章 基于高光谱影像的作物类型识别 262

4.1 引言 262

4.2 基于高光谱遥感数据的相似性测度方法评价 268

4.2.1 研究背景 268

4.2.2 研究数据 269

4.2.3 研究方法与技术路线 272

4.2.4 结果分析 276

4.2.5 结论与讨论 279

4.3 基于随机森林的高光谱遥感数据降维与分类 280

4.3.1 研究背景 280

4.3.2 研究区与数据 280

4.3.3 研究方法与技术路线 281

4.3.4 结果分析 285

4.3.5 结论与讨论 291

4.4 基于人工蜂群算法优化的SVM高光谱遥感影像分类 292

4.4.1 研究背景 292

4.4.2 数据 293

4.4.3 研究方法与实验设计 295

4.4.4 结果分析 300

4.4.5 结论与讨论 304

4.5 变端元秋粮作物高光谱识别 304

4.5.1 研究背景 304

4.5.2 研究区与数据 306

4.5.3 研究方法与技术路线 311

4.5.4 结果分析 322

4.5.5 结论与讨论 328

参考文献 329

第5章 雷达作物识别 337

5.1 引言 337

5.2 基于多时相RADARSAT-2的秋粮作物识别 340

5.2.1 研究背景 340

5.2.2 研究区与数据 342

5.2.3 研究方法与技术路线 345

5.2.4 结果分析 358

5.2.5 结论与讨论 361

5.3 光学影像图斑支持下多时相雷达旱地秋粮作物提取 361

5.3.1 研究背景 361

5.3.2 研究区与数据 362

5.3.3 研究方法与技术路线 363

5.3.4 结果分析 365

5.3.5 结论与讨论 374

参考文献 375

附表 381

索引 409