時序?qū)Φ赜^測大數(shù)據(jù)土地覆蓋制圖

目錄
“地球大數(shù)據(jù)科學論叢”序
序
前言
第1章　引言　1
1.1　時間序列遙感數(shù)據(jù)源的發(fā)展　1
1.2　遙感時間序列分類　4
1.2.1　基于時序相似性的挖掘與分類　4
1.2.2　基于時序統(tǒng)計特征的挖掘與分類　5
1.2.3　基于端到端的深度學習分類　7
1.3　遙感時間序列變化檢測　8
1.4　問題與探索　9
第2章　云與云影識別　11
2.1　數(shù)據(jù)源　12
2.1.1　Landsat-8OLI數(shù)據(jù)　12
2.1.2　全球云及云影驗證數(shù)據(jù)　12
2.2　基于QA云標識的云影識別方法　13
2.2.1　基于QA波段的云識別　14
2.2.2　潛在云影識別　17
2.2.3　云與云影位置匹配　17
2.3　結果與分析　19
2.3.1　基于QA波段云識別評價　19
2.3.2　云影識別精度評價　20
2.3.3　基于L8Biome全球驗證數(shù)據(jù)集的云影識別評價　21
2.4　本章小結　24
第3章　時序數(shù)據(jù)去云降噪處理　25
3.1　數(shù)據(jù)源　26
3.1.1　MODIS數(shù)據(jù)預處理　26
3.1.2　時序MODIS NDVI數(shù)據(jù)生成　29
3.2　基于S-G濾波的NDVI時序去云與重建　30
3.3　結果與分析　33
3.3.1　視覺效果　33
3.3.2　定量評價　34
3.4　本章小結　37
第4章　基于時序相似性的土地覆蓋分類　38
4.1　數(shù)據(jù)來源與處理　39
4.1.1　研究區(qū)概況　39
4.1.2　數(shù)據(jù)及預處理　40
4.1.3　野外數(shù)據(jù)采集　40
4.2　研究方法　42
4.2.1　DTW算法原理　42
4.2.2　基于DTW距離的時序相似性計算　43
4.2.3　閾值分割　46
4.3　結果與分析　49
4.3.1　主要地類DTW距離與分類閾值　49
4.3.2　分類精度驗證　53
4.3.3　土地覆蓋分類制圖　54
4.4　本章小結　55
第5章　基于局部加權動態(tài)時間規(guī)整的耕地提取　56
5.1　開放邊界局部加權DTW　方法　56
5.1.1　模型構建　56
5.1.2　OLWDTW參數(shù)選取方法　58
5.2　結果與分析　59
5.2.1　不同耕地類別的OLWDTW距離計算　59
5.2.2　OLWDTW距離閾值選取　61
5.2.3　耕地作物分類　63
5.2.4　精度分析　64
5.3　討論　66
5.4　本章小結　66
第6章　基于時空信息融合的土地覆蓋分類　67
6.1　遙感數(shù)據(jù)源　67
6.2　基于線性權重賦值法的決策級融合模型　68
6.2.1　算法原理　68
6.2.2　基于線性權重賦值法的決策級融合算法　69
6.2.3　參數(shù)獲取　70
6.3　結果與分析　75
6.3.1　MODIS與Landsat數(shù)據(jù)的模糊分類隸屬度　75
6.3.2　MODIS與Landsat數(shù)據(jù)的融合權重獲取　79
6.3.3　融合分類結果及精度驗證　84
6.4　本章小結　86
第7章　基于時序統(tǒng)計特征的土地覆蓋分類　88
7.1　數(shù)據(jù)收集與處理　88
7.1.1　Sentinel-2數(shù)據(jù)及預處理　89
7.1.2　Sentinel-2時序數(shù)據(jù)堆?！?0
7.1.3　采樣與驗證數(shù)據(jù)　92
7.2　研究方法　92
7.2.1　光譜與紋理特征提取　92
7.2.2　時序統(tǒng)計指標選取　92
7.2.3　隨機森林分類　93
7.3　結果與分析　95
7.3.1　時序統(tǒng)計指標的可分離性　95
7.3.2　特征重要性評估　98
7.3.3　不同特征組合分類結果對比　98
7.4　討論　104
7.4.1　時序統(tǒng)計指標在多云多雨區(qū)土地覆蓋分類中的優(yōu)勢　104
7.4.2　熱帶多云多雨區(qū)精細尺度土地覆蓋分類的難點　105
7.4.3　分類特征重要性選擇　106
7.5　本章小結　107
第8章　基于Sentinel-1時序相似性與統(tǒng)計特征的水稻提取　109
8.1　數(shù)據(jù)源及處理　110
8.1.1　研究區(qū)概況　110
8.1.2　遙感數(shù)據(jù)處理　110
8.1.3　驗證數(shù)據(jù)　111
8.2　研究方法　111
8.2.1　后向散射系數(shù)時序曲線構建　112
8.2.2　時序特征參數(shù)提取　113
8.2.3　基于DTW時序曲線相似性計算　113
8.2.4　隨機森林分類與驗證　113
8.3　結果與分析　113
8.3.1　典型地物后向散射系數(shù)參考曲線特征　113
8.3.2　時序統(tǒng)計參數(shù)特征　115
8.3.3　分類結果及精度評價　115
8.4　討論　119
8.5　本章小結　120
第9章　協(xié)同Sentinel-1/2時序特征的城市不透水面提取　121
9.1　數(shù)據(jù)及處理　122
9.1.1　研究區(qū)　122
9.1.2　數(shù)據(jù)處理　123
9.2　研究方法　124
9.2.1　城市用地提取　124
9.2.2　城市擴展分析　126
9.3　結果與分析　127
9.3.1　不同統(tǒng)計指標對不透水面的區(qū)分能力　127
9.3.2　城市用地提取和精度評估　128
9.3.3　萬象市城市化動態(tài)　130
9.3.4　萬象市城市擴張模式　132
9.4　討論　133
9.4.1　光學和SAR數(shù)據(jù)的互補性　133
9.4.2　萬象市城市擴張動態(tài)　135
9.4.3　城市化進程與可持續(xù)發(fā)展挑戰(zhàn)　136
9.5　本章小結　137
第10章　融合Sentinel-1時序統(tǒng)計特征與Sentinel-2光譜特征的橡膠林信息提取　138
10.1　研究區(qū)與數(shù)據(jù)處理　138
10.2　研究方法　140
10.2.1　Sentinel-2光譜指數(shù)計算及優(yōu)選　140
10.2.2　Sentinel-2紋理特征計算及優(yōu)選　143
10.2.3　特征組合及隨機森林分類　144
10.3　結果與分析　144
10.3.1　Sentinel-2光譜波段及光譜指數(shù)對橡膠林提取的貢獻　144
10.3.2　Sentinel-2紋理特征重要性評估　146
10.3.3　不同特征組合橡膠林提取結果比較　148
10.3.4　橡膠林空間分布格局　150
10.4　討論　152
10.5　本章小結　154
第11章　基于深度學習的時間序列遙感作物分類　155
11.1　數(shù)據(jù)與處理　156
11.1.1　實驗區(qū)介紹　156
11.1.2　數(shù)據(jù)獲取與處理　157
11.2　研究方法　159
11.2.1　雙向長短期記憶網(wǎng)絡模型構建　159
11.2.2　模型泛化能力評估　160
11.2.3　精度評價　161
11.2.4　基于不同長度時間序列遙感的作物早期識別　161
11.3　結果與分析　161
11.3.1　基于全時間序列遙感的作物分類精度評估　161
11.3.2　模型泛化精度　164
11.3.3　時間序列長度對作物分類精度的影響　166
11.4　討論　168
11.4.1　基于時序遙感數(shù)據(jù)深度學習分類的優(yōu)勢　168
11.4.2　模型泛化能力　168
11.5　本章小結　169
第12章　基于時間序列Landsat影像的橡膠林變化檢測　170
12.1　數(shù)據(jù)與處理　171
12.1.1　Landsat數(shù)據(jù)收集及處理　171
12.1.2　NDVI時序構建　172
12.2　基于shapelets的橡膠林變化自動識別模型構建　172
12.2.1　橡膠林NDVI年際變化特征分析　174
12.2.2　橡膠林NDVI時間序列shapelet的確定　177
12.2.3　橡膠林NDVI時間序列分類　178
12.2.4　基于shapelet橡膠林種植年份自動檢測　179
12.2.5　基于shapelet的初始土地狀態(tài)自動檢測　180
12.3　結果與分析　181
12.3.1　橡膠林種植年份識別　181
12.3.2　橡膠林種植空間擴展特征　183
12.3.3　橡膠林種植海拔分布特征　188
12.3.4　橡膠林種植對土地利用的侵占　189
12.4　討論　191
12.4.1　方法優(yōu)勢　191
12.4.2　橡膠林擴張主要驅(qū)動因素　192
12.5　本章小結　193
參考文獻　195