《時序對地觀測大數據土地覆蓋製圖》是2023年科學出版社出版的圖書。
基本介紹
- 中文名：時序對地觀測大數據土地覆蓋製圖
- 作者：黃翀
- 出版時間：2023年3月1日
- 出版社：科學出版社
- ISBN：9787030734143
內容簡介,圖書目錄,
內容簡介
隨著空間科技的飛速發展，多時空對地觀測數據更易獲取，遙感數據的時間解析度顯著提高，多時相乃至稠密時間序列遙感數據正以前所未有的規模和速度產生，基於時序遙感大數據的土地覆蓋分類與變化檢測研究越來越流行。《時序對地觀測大數據土地覆蓋製圖》以多雲多雨的中南半島為主要研究區，對面向土地覆蓋信息提取的遙感大數據時間序列挖掘技術與方法進行了探索。主要研究內容包括：遙感時間序列分析中的影像雲污染處理、遙感時間序列相似性度量、時間序列遙感統計特徵挖掘、時間序列遙感深度學習分類，以及基於子序列的時間序列變化檢測。
圖書目錄
“地球大數據科學論叢”序
序
前言
第1章 引言 1
1.1 時間序列遙感數據源的發展 1
1.2 遙感時間序列分類 4
1.2.1 基於時序相似性的挖掘與分類 4
1.2.2 基於時序統計特徵的挖掘與分類 5
1.2.3 基於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 雲與雲影識別 11
2.1 數據源 12
2.1.1 Landsat-8OLI數據 12
2.1.2 全球雲及雲影驗證數據 12
2.2 基於QA雲標識的雲影識別方法 13
2.2.1 基於QA波段的雲識別 14
2.2.2 潛在雲影識別 17
2.2.3 雲與雲影位置匹配 17
2.3 結果與分析 19
2.3.1 基於QA波段雲識別評價 19
2.3.2 雲影識別精度評價 20
2.3.3 基於L8Biome全球驗證數據集的雲影識別評價 21
2.4 本章小結 24
第3章 時序數據去雲降噪處理 25
3.1 數據源 26
3.1.1 MODIS數據預處理 26
3.1.2 時序MODIS NDVI數據生成 29
3.2 基於S-G濾波的NDVI時序去雲與重建 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 基於時序相似性的土地覆蓋分類 38
4.1 數據來源與處理 39
4.1.1 研究區概況 39
4.1.2 數據及預處理 40
4.1.3 野外數據採集 40
4.2 研究方法 42
4.2.1 DTW算法原理 42
4.2.2 基於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 土地覆蓋分類製圖 54
4.4 本章小結 55
第5章 基於局部加權動態時間規整的耕地提取 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 基於時空信息融合的土地覆蓋分類 67
6.1 遙感數據源 67
6.2 基於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 基於線性權重賦值法的決策級融合算法 69
6.2.3 參數獲取 70
6.3 結果與分析 75
6.3.1 MODIS與Landsat數據的模糊分類隸屬度 75
6.3.2 MODIS與Landsat數據的融合權重獲取 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 基於時序統計特徵的土地覆蓋分類 88
7.1 數據收集與處理 88
7.1.1 Sentinel-2數據及預處理 89
7.1.2 Sentinel-2時序數據堆疊 90
7.1.3 採樣與驗證數據 92
7.2 研究方法 92
7.2.1 光譜與紋理特徵提取 92
7.2.2 時序統計指標選取 92
7.2.3 隨機森林分類 93
7.3 結果與分析 95
7.3.1 時序統計指標的可分離性 95
7.3.2 特徵重要性評估 98
7.3.3 不同特徵組合分類結果對比 98
7.4 討論 104
7.4.1 時序統計指標在多雲多雨區土地覆蓋分類中的優勢 104
7.4.2 熱帶多雲多雨區精細尺度土地覆蓋分類的難點 105
7.4.3 分類特徵重要性選擇 106
7.5 本章小結 107
第8章 基於Sentinel-1時序相似性與統計特徵的水稻提取 109
8.1 數據源及處理 110
8.1.1 研究區概況 110
8.1.2 遙感數據處理 110
8.1.3 驗證數據 111
8.2 研究方法 111
8.2.1 後向散射係數時序曲線構建 112
8.2.2 時序特徵參數提取 113
8.2.3 基於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 典型地物後向散射係數參考曲線特徵 113
8.3.2 時序統計參數特徵 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 協同Sentinel-1/2時序特徵的城市不透水面提取 121
9.1 數據及處理 122
9.1.1 研究區 122
9.1.2 數據處理 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 不同統計指標對不透水面的區分能力 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 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數據的互補性 133
9.4.2 萬象市城市擴張動態 135
9.4.3 城市化進程與可持續發展挑戰 136
9.5 本章小結 137
第10章 融合Sentinel-1時序統計特徵與Sentinel-2光譜特徵的橡膠林信息提取 138
10.1 研究區與數據處理 138
10.2 研究方法 140
10.2.1 Sentinel-2光譜指數計算及優選 140
10.2.2 Sentinel-2紋理特徵計算及優選 143
10.2.3 特徵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對橡膠林提取的貢獻 144
10.3.2 Sentinel-2紋理特徵重要性評估 146
10.3.3 不同特徵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 基於深度學習的時間序列遙感作物分類 155
11.1 數據與處理 156
11.1.1 實驗區介紹 156
11.1.2 數據獲取與處理 157
11.2 研究方法 159
11.2.1 雙向長短期記憶網路模型構建 159
11.2.2 模型泛化能力評估 160
11.2.3 精度評價 161
11.2.4 基於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 基於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 基於時序遙感數據深度學習分類的優勢 168
11.4.2 模型泛化能力 168
11.5 本章小結 169
第12章 基於時間序列Landsat影像的橡膠林變化檢測 170
12.1 數據與處理 171
12.1.1 Landsat數據收集及處理 171
12.1.2 NDVI時序構建 172
12.2 基於shapelets的橡膠林變化自動識別模型構建 172
12.2.1 橡膠林NDVI年際變化特徵分析 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 基於shapelet橡膠林種植年份自動檢測 179
12.2.5 基於shapelet的初始土地狀態自動檢測 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徵 183
12.3.3 橡膠林種植海拔分布特徵 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 方法優勢 191
12.4.2 橡膠林擴張主要驅動因素 192
12.5 本章小結 193
參考文獻 195
