掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
四千年農夫 中國、朝鮮和日本的永續農業
-
>
(精)中華古樹名木(全2冊)
-
>
線辣椒優質高產栽培
-
>
生命的藝術:動物解剖學的神秘歷史之旅
-
>
正確使用農藥知識問答
-
>
龍眼譜:外二種
-
>
迷你花園:打造你的玻璃生態瓶
中國大宗農作物時序遙感制圖 版權信息
- ISBN：9787030718648
- 條形碼：9787030718648 ; 978-7-03-071864-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
中國大宗農作物時序遙感制圖 內容簡介
本書針對大范圍長時序農作物自動/半自動制圖面臨的瓶頸與挑戰，圍繞植被一農作物一復種指數一三大糧食作物等逐步深入，從時序遙感數據平滑、時序遙感指數、農作物制圖方法設計與實踐逐步深入，系統闡述了若干基于時序遙感影像的農作物制圖研究思路與技術流程方法。遙感時間序列分析領域方興未艾，本書從植被生長時序特征出發，基于時序遙感數據構建植被/農作物制圖新方法，通過詳細的方法闡述，使讀者能夠更好地理解和推廣應用。 本書可供從事農業遙感領域及其相關領域科研人員參考，也可為相關專業研究生和本科生學習時序遙感分析方法、農作物制圖相關理論與技術方法提供參考。 審圖號：GS(2020)4234號
中國大宗農作物時序遙感制圖 目錄
目錄
前言
第1章 緒論 1
1.1 農作物遙感監測的研究意義 1
1.2 時序遙感分析技術研究進展 1
1.2.1 長時序遙感數據帶來新契機 1
1.2.2 時序遙感分析技術方法 2
1.3 農作物遙感監測面臨的挑戰 3
1.4 本書內容與章 節安排 4
1.5 本書的相關數據說明 7
第2章 基于連續小波變換的時序遙感數據平滑方法評估 9
2.1 研究背景 9
2.2 基于連續小波變換的時序遙感數據平滑步驟 10
2.3 平滑方法評估指標的設計 11
2.3.1 時序曲線平滑效果方面的評估指標 11
2.3.2 植被物候參數估計方面的評估指標 12
2.4 研究區概況與數據來源 13
2.4.1 研究區概況 13
2.4.2 數據來源 14
2.5 基于時序曲線數據平滑效果方面的方法評估 14
2.5.1 基于視覺效果的方法評估 14
2.5.2 基于保真度和平滑度的方法性能評估 16
2.6 基于植被物候參數估計方面的應用效果評估 17
2.7 討論與結論 22
第3章 基于自適應時頻域的植被遙感監測方法 23
3.1 方法概述 23
3.2 特征提取和相似度計算 24
3.2.1 連續小波變換 24
3.2.2 時間維/尺度維小波方差曲線 24
3.2.3 *大分離度區間選取及相似度計算 26
3.3 植被遙感分類流程 26
3.4 黑河流域植被遙感監測 28
3.4.1 研究區概況與數據來源 28
3.4.2 地物標準小波方差曲線 28
3.4.3 植被空間分布圖 30
3.4.4 精度評價 30
3.5 結論 31
第4章 基于時序離散度的植被遙感制圖方法 32
4.1 研究背景 32
4.2 方法概述 33
4.2.1 植被指數時序曲線 33
4.2.2 時序指標設計 34
4.2.3 植被遙感分類流程 35
4.3 研究區概況與數據來源 37
4.4 我國中東部13個省（直轄市）植被空間分布圖 38
4.5 精度評估驗證 38
4.6 啟示與意義 42
第5章 基于小波譜頂點的耕地復種指數遙感監測方法 43
5.1 研究背景 44
5.2 方法概述 45
5.2.1 小波系數譜 45
5.2.2 基于小波系數譜的特征提取 46
5.2.3 不同熟制的特征圖譜分析 49
5.2.4 耕地復種指數判別流程 49
5.3 全國耕地復種指數遙感監測 51
5.3.1 研究區概況與數據來源 51
5.3.2 1980年以來4個年份全國耕地復種指數空間分布格局 52
5.3.3 方法精度評估 60
5.4 近40年中國耕地復種指數逐年變化態勢評估 61
5.4.1 全國耕地復種指數逐年變化態勢評估 61
5.4.2 重點農業區耕地復種指數逐年變化態勢評估 63
5.5 基于時序分析方法的我國耕地復種指數演變趨勢分析 67
5.5.1 時間序列趨勢分析與突變點檢測方法 67
5.5.2 20世紀末全國耕地復種指數演變趨勢分析 68
5.5.3 21世紀初全國耕地復種指數演變趨勢分析 70
5.5.4 21世紀初全國耕地復種指數變化模式分析 72
5.6 全國耕地復種指數演變驅動機制分析 74
5.7 全國MODIS時序影像數據云覆蓋情況評估 77
5.8 結論 80
第6章 基于極差比指數的水稻制圖方法 82
6.1 研究背景 82
6.2 方法思路與指標設計 83
6.3 CCVS水稻制圖方法 86
6.3.1 雙季稻指標的改進 86
6.3.2 水稻判別規則 87
6.421 世紀初我國東南九省一市水稻遙感制圖 87
6.4.1 研究區概況與數據來源 87
6.4.2 2001～2013年水稻空間分布圖 88
6.4.3 CCVS水稻制圖方法精度評估與驗證 90
6.5 21世紀初我國東南九省一市水稻分布格局時空演變分析 91
6.5.1 2001～2013年我國東南九省一市水稻種植面積變化特征 91
6.5.2 不同海拔區間水稻縮減面積變化特征 93
6.5.3 水稻空間分布重心演變軌跡分析 93
6.5.4 水稻縮減或擴展變化模式分析 94
6.6 水稻種植密度與種植強度的演變分析 95
6.6.1 逐年水稻種植密度與累計種植密度的計算 95
6.6.2 水稻種植密度的演變分析 96
6.6.3 水稻種植強度的演變分析 98
6.6.4 不同海拔區間水稻種植密度與種植強度演變規律 98
6.7 結論 100
第7章 基于數據可獲得性的自適應水稻制圖方法 101
7.1 研究背景 101
7.2 研究區概況及數據來源 102
7.2.1 研究區概況 102
7.2.2 數據來源與數據預處理 103
7.3 ARMM方法 104
7.3.1 CCVS水稻制圖方法適用性和不確定性評估 105
7.3.2 自適應影像特征選取 106
7.3.3 分區策略和遙感影像對象特征提取 107
7.3.4 水稻分類流程 108
7.3.5 方法精度評估 109
7.4 結果分析 110
7.4.1 依據數據可獲得性進行分區 110
7.4.2 遙感影像特征提取 110
7.4.3 水稻空間分布圖 111
7.4.4 方法精度評估結果 112
7.5 討論與結論 115
7.5.1 ARMM方法的意義和啟示 115
7.5.2 時序遙感分類方法面臨的挑戰與應對策略 116
第8章 基于生長期植被指數變化量的冬小麥制圖方法 117
8.1 常用冬小麥遙感監測方法 117
8.1.1 相似性度量法 117
8.1.2 冬季生長峰判別法 118
8.2 農作物植被指數時序曲線分析 118
8.2.1 冬小麥類內異質性分析 118
8.2.2 冬小麥與其他植被的相似性和差異性分析 119
8.3 冬小麥制圖技術流程 120
8.3.1 冬小麥關鍵物候期趨勢面模型 120
8.3.2 生長期植被指數變化量指標 122
8.3.3 冬小麥判別標準 123
8.4 研究區概況與數據來源 124
8.4.1 研究區概況 124
8.4.2 數據來源 125
8.5 2012～2013年華北十省（直轄市）冬小麥空間分布圖 127
8.6 方法精度評估驗證 128
8.6.1 基于統計數據的精度驗證 128
8.6.2 基于農作物調研點位的精度驗證 129
8.6.3 基于Landsat影像解譯結果的精度驗證 130
8.6.4 與其他方法對比評估 130
8.7 冬小麥制圖方法的跨年代推廣應用 131
8.7.1 2001年以來華北十省（直轄市）冬小麥遙感制圖 131
8.7.2 方法精度評估驗證 132
8.8 結論 135
第9章 基于生長盛期NMDI增減比值指數的玉米制圖方法 136
9.1 研究背景 136
9.2 研究區概況與數據來源 137
9.2.1 研究區概況 137
9.2.2 數據來源 137
9.3 玉米制圖方法 139
9.3.1 農作物生長盛期NMDI時序曲線變化特征 139
9.3.2 生長盛期NMDI增減比值指數 141
9.3.3 玉米判別標準 142
9.4 全國玉米空間分布圖 142
9.5 方法精度評價 145
9.5.1 基于農業統計年鑒數據的精度評估 145
9.5.2 基于農作物分布調研點位數據的精度驗證 146
9.5.3 基于Landsat影像解譯結果的精度驗證 147
9.6 2005～2015年全國玉米種植面積擴展態勢分析 149
9.6.1 2005～2015年全國玉米種植面積劇增 149
9.6.2 2005～2015年全國玉米擴張導致農業結構失衡 150
9.7 2015～2018年全國玉米空間分布格局演變分析 152
9.7.1 全國玉米分布呈現東減西增、總體縮減態勢 152
9.7.2 東部改種其他旱作農作物縮減玉米面積而中西部提高復種實現玉米擴展 153
9.7.3 “鐮刀彎”政策效果評估 156
9.8 結論 158
第10章 基于哨兵2號色素指數的大尺度花生自動制圖 160
10.1 研究背景 160
10.2 研究區概況與數據來源 161
10.2.1 研究區概況 161
10.2.2 數據來源 162
10.3 花生制圖方法 165
10.3.1 光譜指數計算 165
10.3.2 基于色素指數的花生制圖算法 167
10.3.3 閾值敏感性分析 169
10.3.4 精度評估 169
10.4 東北地區20m花生空間分布圖 171
10.5 方法精度評價 173
10.5.1 基于農業統計年鑒數據的精度評估 173
10.5.2 基于農作物分布調研點位數據的精度驗證 174
10.5.3 指標有效性與閾值敏感性評估 175
10.6 討論與結論 177
第11章 棄耕開墾與復種變化信息提取方法 181
11.1 研究背景 181
11.2 研究區概況與數據來源 182
11.2.1 研究區概況 182
11.2.2 數據來源 183
11.3 研究方法 184
11.3.1 數據預處理 184
11.3.2 時序指標設計 184
11.3.3 植被變化檢測算法 186
11.3.4 算法精度驗證 191
11.4 結果分析 192
11.4.1 研究區時序指標與植被變化分布圖 192
11.4.2 方法精度評價 194
11.4.3 研究區植被類型變化分析 194
11.5 討論與結論 201
11.5.1 AMMC算法的意義 201
11.5.2 AMMC算法的不確定性分析 202
11.5.3 中國中東部地區植樹造林、耕地開墾和復種變化 204
第12章 研究總結與展望 206
12.1 引言 206
12.2 創新農作物種植制度遙感制圖研究框架 207
12.2.1 常規研究框架 207
12.2.2 新型研究框架 208
12.3 拓展農作物遙感監測的數據基礎 210
12.3.1 融合多源數據 210
12.3.2 拓展農作物時序遙感特征參數 211
12.4 集成領域知識與深度學習方法優勢 214
12.5 發展時序遙感變化檢測技術 216
參考文獻 219
附表 241
附圖 251
前言
第1章 緒論 1
1.1 農作物遙感監測的研究意義 1
1.2 時序遙感分析技術研究進展 1
1.2.1 長時序遙感數據帶來新契機 1
1.2.2 時序遙感分析技術方法 2
1.3 農作物遙感監測面臨的挑戰 3
1.4 本書內容與章 節安排 4
1.5 本書的相關數據說明 7
第2章 基于連續小波變換的時序遙感數據平滑方法評估 9
2.1 研究背景 9
2.2 基于連續小波變換的時序遙感數據平滑步驟 10
2.3 平滑方法評估指標的設計 11
2.3.1 時序曲線平滑效果方面的評估指標 11
2.3.2 植被物候參數估計方面的評估指標 12
2.4 研究區概況與數據來源 13
2.4.1 研究區概況 13
2.4.2 數據來源 14
2.5 基于時序曲線數據平滑效果方面的方法評估 14
2.5.1 基于視覺效果的方法評估 14
2.5.2 基于保真度和平滑度的方法性能評估 16
2.6 基于植被物候參數估計方面的應用效果評估 17
2.7 討論與結論 22
第3章 基于自適應時頻域的植被遙感監測方法 23
3.1 方法概述 23
3.2 特征提取和相似度計算 24
3.2.1 連續小波變換 24
3.2.2 時間維/尺度維小波方差曲線 24
3.2.3 *大分離度區間選取及相似度計算 26
3.3 植被遙感分類流程 26
3.4 黑河流域植被遙感監測 28
3.4.1 研究區概況與數據來源 28
3.4.2 地物標準小波方差曲線 28
3.4.3 植被空間分布圖 30
3.4.4 精度評價 30
3.5 結論 31
第4章 基于時序離散度的植被遙感制圖方法 32
4.1 研究背景 32
4.2 方法概述 33
4.2.1 植被指數時序曲線 33
4.2.2 時序指標設計 34
4.2.3 植被遙感分類流程 35
4.3 研究區概況與數據來源 37
4.4 我國中東部13個省（直轄市）植被空間分布圖 38
4.5 精度評估驗證 38
4.6 啟示與意義 42
第5章 基于小波譜頂點的耕地復種指數遙感監測方法 43
5.1 研究背景 44
5.2 方法概述 45
5.2.1 小波系數譜 45
5.2.2 基于小波系數譜的特征提取 46
5.2.3 不同熟制的特征圖譜分析 49
5.2.4 耕地復種指數判別流程 49
5.3 全國耕地復種指數遙感監測 51
5.3.1 研究區概況與數據來源 51
5.3.2 1980年以來4個年份全國耕地復種指數空間分布格局 52
5.3.3 方法精度評估 60
5.4 近40年中國耕地復種指數逐年變化態勢評估 61
5.4.1 全國耕地復種指數逐年變化態勢評估 61
5.4.2 重點農業區耕地復種指數逐年變化態勢評估 63
5.5 基于時序分析方法的我國耕地復種指數演變趨勢分析 67
5.5.1 時間序列趨勢分析與突變點檢測方法 67
5.5.2 20世紀末全國耕地復種指數演變趨勢分析 68
5.5.3 21世紀初全國耕地復種指數演變趨勢分析 70
5.5.4 21世紀初全國耕地復種指數變化模式分析 72
5.6 全國耕地復種指數演變驅動機制分析 74
5.7 全國MODIS時序影像數據云覆蓋情況評估 77
5.8 結論 80
第6章 基于極差比指數的水稻制圖方法 82
6.1 研究背景 82
6.2 方法思路與指標設計 83
6.3 CCVS水稻制圖方法 86
6.3.1 雙季稻指標的改進 86
6.3.2 水稻判別規則 87
6.421 世紀初我國東南九省一市水稻遙感制圖 87
6.4.1 研究區概況與數據來源 87
6.4.2 2001～2013年水稻空間分布圖 88
6.4.3 CCVS水稻制圖方法精度評估與驗證 90
6.5 21世紀初我國東南九省一市水稻分布格局時空演變分析 91
6.5.1 2001～2013年我國東南九省一市水稻種植面積變化特征 91
6.5.2 不同海拔區間水稻縮減面積變化特征 93
6.5.3 水稻空間分布重心演變軌跡分析 93
6.5.4 水稻縮減或擴展變化模式分析 94
6.6 水稻種植密度與種植強度的演變分析 95
6.6.1 逐年水稻種植密度與累計種植密度的計算 95
6.6.2 水稻種植密度的演變分析 96
6.6.3 水稻種植強度的演變分析 98
6.6.4 不同海拔區間水稻種植密度與種植強度演變規律 98
6.7 結論 100
第7章 基于數據可獲得性的自適應水稻制圖方法 101
7.1 研究背景 101
7.2 研究區概況及數據來源 102
7.2.1 研究區概況 102
7.2.2 數據來源與數據預處理 103
7.3 ARMM方法 104
7.3.1 CCVS水稻制圖方法適用性和不確定性評估 105
7.3.2 自適應影像特征選取 106
7.3.3 分區策略和遙感影像對象特征提取 107
7.3.4 水稻分類流程 108
7.3.5 方法精度評估 109
7.4 結果分析 110
7.4.1 依據數據可獲得性進行分區 110
7.4.2 遙感影像特征提取 110
7.4.3 水稻空間分布圖 111
7.4.4 方法精度評估結果 112
7.5 討論與結論 115
7.5.1 ARMM方法的意義和啟示 115
7.5.2 時序遙感分類方法面臨的挑戰與應對策略 116
第8章 基于生長期植被指數變化量的冬小麥制圖方法 117
8.1 常用冬小麥遙感監測方法 117
8.1.1 相似性度量法 117
8.1.2 冬季生長峰判別法 118
8.2 農作物植被指數時序曲線分析 118
8.2.1 冬小麥類內異質性分析 118
8.2.2 冬小麥與其他植被的相似性和差異性分析 119
8.3 冬小麥制圖技術流程 120
8.3.1 冬小麥關鍵物候期趨勢面模型 120
8.3.2 生長期植被指數變化量指標 122
8.3.3 冬小麥判別標準 123
8.4 研究區概況與數據來源 124
8.4.1 研究區概況 124
8.4.2 數據來源 125
8.5 2012～2013年華北十省（直轄市）冬小麥空間分布圖 127
8.6 方法精度評估驗證 128
8.6.1 基于統計數據的精度驗證 128
8.6.2 基于農作物調研點位的精度驗證 129
8.6.3 基于Landsat影像解譯結果的精度驗證 130
8.6.4 與其他方法對比評估 130
8.7 冬小麥制圖方法的跨年代推廣應用 131
8.7.1 2001年以來華北十省（直轄市）冬小麥遙感制圖 131
8.7.2 方法精度評估驗證 132
8.8 結論 135
第9章 基于生長盛期NMDI增減比值指數的玉米制圖方法 136
9.1 研究背景 136
9.2 研究區概況與數據來源 137
9.2.1 研究區概況 137
9.2.2 數據來源 137
9.3 玉米制圖方法 139
9.3.1 農作物生長盛期NMDI時序曲線變化特征 139
9.3.2 生長盛期NMDI增減比值指數 141
9.3.3 玉米判別標準 142
9.4 全國玉米空間分布圖 142
9.5 方法精度評價 145
9.5.1 基于農業統計年鑒數據的精度評估 145
9.5.2 基于農作物分布調研點位數據的精度驗證 146
9.5.3 基于Landsat影像解譯結果的精度驗證 147
9.6 2005～2015年全國玉米種植面積擴展態勢分析 149
9.6.1 2005～2015年全國玉米種植面積劇增 149
9.6.2 2005～2015年全國玉米擴張導致農業結構失衡 150
9.7 2015～2018年全國玉米空間分布格局演變分析 152
9.7.1 全國玉米分布呈現東減西增、總體縮減態勢 152
9.7.2 東部改種其他旱作農作物縮減玉米面積而中西部提高復種實現玉米擴展 153
9.7.3 “鐮刀彎”政策效果評估 156
9.8 結論 158
第10章 基于哨兵2號色素指數的大尺度花生自動制圖 160
10.1 研究背景 160
10.2 研究區概況與數據來源 161
10.2.1 研究區概況 161
10.2.2 數據來源 162
10.3 花生制圖方法 165
10.3.1 光譜指數計算 165
10.3.2 基于色素指數的花生制圖算法 167
10.3.3 閾值敏感性分析 169
10.3.4 精度評估 169
10.4 東北地區20m花生空間分布圖 171
10.5 方法精度評價 173
10.5.1 基于農業統計年鑒數據的精度評估 173
10.5.2 基于農作物分布調研點位數據的精度驗證 174
10.5.3 指標有效性與閾值敏感性評估 175
10.6 討論與結論 177
第11章 棄耕開墾與復種變化信息提取方法 181
11.1 研究背景 181
11.2 研究區概況與數據來源 182
11.2.1 研究區概況 182
11.2.2 數據來源 183
11.3 研究方法 184
11.3.1 數據預處理 184
11.3.2 時序指標設計 184
11.3.3 植被變化檢測算法 186
11.3.4 算法精度驗證 191
11.4 結果分析 192
11.4.1 研究區時序指標與植被變化分布圖 192
11.4.2 方法精度評價 194
11.4.3 研究區植被類型變化分析 194
11.5 討論與結論 201
11.5.1 AMMC算法的意義 201
11.5.2 AMMC算法的不確定性分析 202
11.5.3 中國中東部地區植樹造林、耕地開墾和復種變化 204
第12章 研究總結與展望 206
12.1 引言 206
12.2 創新農作物種植制度遙感制圖研究框架 207
12.2.1 常規研究框架 207
12.2.2 新型研究框架 208
12.3 拓展農作物遙感監測的數據基礎 210
12.3.1 融合多源數據 210
12.3.2 拓展農作物時序遙感特征參數 211
12.4 集成領域知識與深度學習方法優勢 214
12.5 發展時序遙感變化檢測技術 216
參考文獻 219
附表 241
附圖 251
展開全部
中國大宗農作物時序遙感制圖 節選
第1章 緒論 1.1 農作物遙感監測的研究意義 人類面臨的*大挑戰之一，是如何在未來和更長時間內可持續地養活每一個人（Lu et al.，2017；劉毅，2011）。中國的糧食安全問題由來已久，紛繁復雜，備受關注。在全球氣候變化、耕地流失加劇、農村青壯年勞動力進城務工、國際糧價走低等多重國際與社會大背景下，糧食安全將成為我國重要長久的戰略任務。糧食安全與生態可持續性問題紛繁復雜，需要結合耕地面積、種植強度、農業種植結構等多方面開展系統性研究。耕地種植強度與農作物種植結構具有復雜的時空異質性特征。耕地遙感監測面臨著合理消除不確定性因素、提高自動監測水平等諸多挑戰（Massey et al.，2017；Skakun et al.，2017）。雖然我國乃至全球已經投入大量人力、物力、財力，開展了多輪具有重要歷史意義的土地利用/覆蓋變化監測研究工作，但形成的耕地時空分布數據集時效性、一致性、總體精度均有很大提升空間（Deng and Li，2016； Skakun et al.，2017）。相關領域研究學者對大范圍長時序土地利用強度與變化過程的重視度依然不足，并且缺乏適用于大范圍多年時空連續變化研究的理論與觀測技術方法（Bégué et al.，2018；Rounsevell et al.，2012；Verburg et al.，2011）。大范圍準確及時獲取農作物時空連續分布數據，對于農業可持續發展從而確保糧食與生態安全非常重要（Busetto et al.，2019；Defourny et al.，2019）。相對于土地利用/覆蓋，大范圍農作物時空分布數據相對匱乏，并且數據獲取更具挑戰性（Wardlow et al.，2007；Zhang et al.，2017）。因此，開展大范圍長時序農作物遙感監測研究具有重要的理論與現實意義。 1.2 時序遙感分析技術研究進展 1.2.1 長時序遙感數據帶來新契機 時序遙感數據的年際、年內時序信息，為更深入地揭示地表屬性時空演變特征提供了前所未有的機遇（Gómez et al.，2016；Wang et al.，2018）。年內時序遙感數據提供了不同地表覆蓋方式的年內變化信息（如植物物候），有助于識別微小的差異。年際時序遙感數據提供了中長期土地覆蓋光譜特征，有助于更好地解讀土地覆蓋/利用細微調整或類型變化。時序遙感數據的年內變異性，對判別具有明顯的植被物候特征的土地覆蓋方式特別有效，如利用物候差異識別農作物、森林、草原等不同植被類型（Massey et al.，2017；Senf et al.，2015）。多年時序軌跡數據能有效地刻畫各種土地覆蓋要素隨時間變化的光譜特征。基于時間維的變量和多種遙感指數的時序軌跡，為刻畫與土地利用覆蓋類型相關的各種生物物理屬性的狀態及其變化帶來了極大機遇。隨著時序遙感數據的不斷積累，時序變化遙感監測近年來成為遙感技術與應用的研究熱點（Wang et al.，2018；趙忠明等，2016）。未來的土地變化科學，不僅僅是土地覆蓋類型轉換（landcover con-version），更多地關注包括土地管理方式、種植制度等土地覆蓋屬性變化（Lambin et al.，2003）。對地表屬性多年時序變化及其空間特征的探索分析，將有助于人們對土地覆蓋變化科學的深層次理解（Lambin and Linderman，2006）。 1.2.2 時序遙感分析技術方法 盡管關于集成長時序遙感數據給連續監測地表生態系統的狀態和動態變化帶來機遇已經達成廣泛共識，但充分挖掘利用長時序遙感影像信息的新型分類與變化檢測技術的研究仍然相對匱乏（Bégué et al.，2018；Gómez et al.，2016）。常規遙感分類與變化檢測技術難以高效地分析和處理長時序遙感數據。例如，基于聚類的非監督分類算法，處理高維數據或大數據時花費時間特別長（Jia et al.，2014）。常規監督分類方法，如*大似然法、*小距離法等，很難用于處理具有多模態特征的時序數據（Glanz et al.，2014）。面對長時序遙感影像數據帶來的機遇與挑戰，國內外學者相繼提出了相關時序遙感分析算法。按照實現策略與研究思路，大體可以分為以下3種：①基于時序軌跡的研究方法；②基于機器學習的研究方法；③基于時空模型預測的方法。 基于時序軌跡的研究方法，依據其實現策略不同，大致可以分為兩種類型：基于時序分割的方法和基于時序分解的方法。基于時序分割的方法，通過將原始時間序列分割為一系列互不重復的子序列，然后分別解讀不同子序列的含義。這種基于時序分割的代表性研究方法有識別干擾與植被恢復的趨勢算法（Landsat-based detection of trends in disturbance and recovery，LandTrendr）（Kennedy et al.，2010）、植被變化探測器（vegetation change tracker，VCT）（Huang et al.，2009）、斷點檢測與分割算法（detecting breakpoints and estimating segments in trend，DBEST）（Jamali et al.，2015）等。LandTrendr方法利用 Landsat時序遙感影像，通過時間序列分割與重構，實現對包括林火、病蟲害等因素帶來的森林干擾的監測。 VCT可用于重建森林變化軌跡， 實現森林變化自動監測（Huang et al.，2009）。基于時序分解的方法，將時序軌跡分解為若干平穩的（如季節性的）和非平穩的過程。相關的代表性研究方法如 BFAST（breaks for additive seasonal and trend）（Verbesselt et al.，2010）。在 BFAST方法中，首先將植被演變時間序列分解為漸進的線性變化趨勢、季節變化以及突變等三方面，并分別賦予一定的含義，如將前兩者映射為干擾（火災和蟲災）和植被物候變化（如土地覆蓋變化），然后通過迭代檢測突變點，實現森林動態變化監測（Schmidt et al.，2015）。目前，這些基于時序軌跡的遙感時序變化檢測算法能快速直接地獲取變化區域，在森林干擾等土地變化遙感監測中取得了很好的應用成效。 基于機器學習的研究方法，通常包括人工神經網絡、支持向量機、隨機森林算法等。機器學習方法展示出一定的自學習能力，近年來發展迅速并且獲得了很好的應用（Belgiu and Dr.gut，2016；Chen et al.，2015a；Zhu et al.，2017）。基于機器學習的研究方法不足之處在于，通常對訓練樣本數據的要求比較高，并且因其判別過程的黑箱問題，不具備可解釋能力（Shih et al.，2015）。如何巧妙建立合理刻畫地表變化過程的指標，通過各種途徑高效獲取可信賴的訓練樣本數據，提高遙感時序變化檢測算法的精度和應用推廣能力，將是基于機器學習的研究方法未來的核心發展方向。 基于時空模型預測的方法，通常包括差分自回歸移動平均模型（autoregressive integrated moving average model，ARIMA）、馬爾可夫模型以及季節趨勢模型等。 ARIMA基于自身序列特征進行估計，具有良好的預測結果，但無法對調控因子、趨勢與異常特征進行描述。而帶控制量的差分自回歸移動平均模型（autoregressive integrated moving average model with explanatory variable，ARIMAX）能納入其他獨立變量，靈活性更強。基于時空模型預測的代表性方法，如連續變化檢測與分類（continuous change detection and classification，CCDC）算法（Zhu and Woodcock，2014），基于 Landsat原始時序數據和利用季節趨勢模型進行時序擬合與預測，然后通過模型預測值與實際值的殘差檢測變化，并且進一步利用預測模型的系數、殘差等一系列參數開展土地覆蓋分類。又如，多尺度時空建模（multi-scale spatiotemporal modeling，MSSTM）工具，能顧及像元、時間和空間尺度異質性，針對年份、季節、月份等不同尺度變異分別選取不同時序分析模型建模（Qiu et al.，2016a）。基于時空模型預測的方法靈活性強，很適合進行連續變化監測，但其不足之處在于對原始時序數據的要求比較高（數據完整性與質量等），數據的缺失或噪聲可能會給預測結果帶來較大的影響。 1.3 農作物遙感監測面臨的挑戰 相對于土地利用/覆蓋，大范圍農作物遙感監測更具挑戰性（King et al.，2017；Tang et al.，2018）。植被覆蓋受到人與自然復雜交互作用的影響，具有顯著時空非平穩性特征。植被演變存在復雜時空異質性，表現為在不同尺度、不同區域、不同要素/因子以及不同階段過程中植被生長狀態和制約因素存在明顯差異。植被光譜類內異質性嚴重阻礙了大范圍高精度高效率的植被遙感信息提取。 農作物遙感監測算法先后經歷了以下4個發展階段（以水稻為例）（Dong and Xiao，2016）：階段一，基于反射率數據和影像統計的研究方法；階段二，基于植被指數和增強影像的統計方法；階段三，基于植被指數多時相分析方法；階段四，基于植被物候的研究方法（基于時間序列分析研究方法）。雖然前3種方法均認同農作物關鍵生長期在農作物遙感監測中的作用，但關鍵生長期的識別未采用遙感數據直接獲取。第4種基于植被物候的研究方法通過直接識別并利用農作物關鍵生長期特征，可以提高農作物遙感監測效率與精度。 基于植被物候的農作物遙感監測方法所面臨的挑戰來自兩個方面：其一，不同農作物植被指數時序曲線的相似性；其二，同種農作物植被指數時序曲線的類內異質性（Qiu et al.，2017c）。農作物植被指數時序曲線的類內異質性問題備受關注（Qiu et al.，2016b；Wardlow et al.，2007）。農作物植被指數時序曲線的類內異質性至少包括以下3種形式（Qiu et al.，2016c）：物候期推移/變化引起的不同區域植被指數時序曲線推移/變化；土壤肥力、灌溉條件以及耕作管理措施引起的植被指數時序曲線增強或減弱（如肥力好的地方，植被生長好，植被指數偏高）；農作物物候歷、地形氣候以及其他自然條件或人為措施引起的更復雜的變化形式，都將導致該區域植被指數時序曲線產生變異性（Lunetta et al.，2010；Qiu et al.，2015）。 雖然近年來基于植被物候的農作物遙感監測方法取得了很好的應用效果（Dong and Xiao，2016），但建立大范圍快速自動的農作物遙感監測方法依然面臨諸多技術瓶頸。目前很多農作物遙感監測方法多適用于小區域和特定年份，急需建立適用于大范圍長時序農作物分布自動提取方法（Bégué et al.，2018；Rounsevell et al.，2012）。 1.4 本書內容與章節安排 本書通過自適應時頻域、動態鎖定關鍵物候期、集成多種遙感指數以及知識遷移學習等研究策略，設計構建了耕地復種指數和水稻、冬小麥、玉米等農業遙感制圖方法，為實現大尺度長時序農作物時空演變分析提供有力保障。本書的研究框架見圖1.1，具體內容如下。 圖1.1 本書研究框架圖 第1章，闡述農作物遙感監測的重要性、發展趨勢及其面臨的挑戰，引出本書的研究內容。 第2章，研究一種兼具保真度和平滑度的時序遙感數據平滑方法。平滑的時序遙感數據，對于植被遙感信息提取與應用非常重要。本書所提出的時序遙感數據平滑方法，參數設置簡單且可重用，能適用于各種氣候條件下自然植被與多種熟制農作物的時序遙感數據平滑處理以及相關物候參數提
書友推薦
- >
史學評論
- >
李白與唐代文化
- >
唐代進士錄
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
【精裝繪本】畫給孩子的中國神話
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
