農業(yè)土地系統(tǒng)遙感制圖

序 

前言 

第1章 緒論 1 

1.1 土地系統(tǒng)科學 1 

1.1.1 土地利用 1 

1.1.2 從土地變化科學到土地系統(tǒng)科學 1 

1.2 農業(yè)土地系統(tǒng)科學 4 

1.2.1 農業(yè)土地系統(tǒng)科學研究框架 4 

1.2.2 農業(yè)土地系統(tǒng)科學研究動態(tài) 5 

1.3 農業(yè)土地系統(tǒng)遙感制圖 10 

1.3.1 遙感制圖 10 

1.3.2 農業(yè)土地系統(tǒng)遙感制圖總體框架 12 

1.3.3 農業(yè)土地系統(tǒng)遙感制圖研究動態(tài) 13 

1.4 結語 18 

參考文獻 19 

第2章 耕地遙感制圖 29 

2.1 引言 29 

2.2 已有耕地遙感數據產品 30 

2.2.1 GlobeLand30 31 

2.2.2 GlobCover 32 

2.2.3 MODIS Collection 5/6 32 

2.2.4 GLC2000 33 

2.2.5 CCI-LC 33 

2.3 不同耕地遙感數據產品的一致性分析 34 

2.3.1 數據預處理 34 

2.3.2 對比方法 34 

2.3.3 結果與分析 36 

2.3.4 結論 42 

2.4 耕地遙感制圖方法 44 

2.4.1 基于遙感影像的耕地提取方法 44 

2.4.2 基于遙感產品與統(tǒng)計數據融合方法 45 

2.5 案例1：基于多套耕地產品和地理加權回歸模型的中國耕地制圖 48 

2.5.1 多源數據收集與預處理 49 

2.5.2 地理加權回歸模型運行 51 

2.5.3 中國耕地空間分布制圖結果與精度評定 54 

2.6 案例2：基于多源數據分層優(yōu)化方法的全球耕地制圖 55 

2.6.1 多源數據收集與預處理 56 

2.6.2 多源數據分層優(yōu)化融合方法 58 

2.6.3 融合結果與分析 62 

參考文獻 65 

第3章 灌溉耕地遙感制圖 69 

3.1 引言 69 

3.2 主要灌溉耕地數據集 71 

3.2.1 GMIA 和MIRCA2000 71 

3.2.2 GIAM 和GMRCA 72 

3.2.3 GRIPC 72 

3.2.4 其他產品 73 

3.2.5 數據產品的對比 75 

3.3 灌溉耕地制圖理論依據 80 

3.4 灌溉耕地制圖特征參量 81 

3.4.1 地理特征參量 81 

3.4.2 植被與土壤特征參量 82 

3.4.3 時間特征參量 83 

3.5 灌溉耕地制圖方法 84 

3.5.1 監(jiān)督分類 84 

3.5.2 非監(jiān)督分類 86 

3.5.3 數據融合 87 

3.6 案例：融合遙感與非遙感數據的中國灌溉耕地制圖 87 

3.6.1 理論依據 88 

3.6.2 數據準備 88 

3.6.3 技術流程 88 

3.6.4 制圖結果與精度評價 89 

參考文獻 92 

第4章 農業(yè)種植制度遙感制圖 98 

4.1 引言 98 

4.1.1 耕地復種指數 98 

4.1.2 耕地物候參數 99 

4.2 農業(yè)種植制度遙感提取的理論基礎 101 

4.3 時間序列植被指數重構方法 102 

4.3.1 非對稱高斯函數擬合法 102 

4.3.2 雙邏輯斯諦函數擬合法 102 

4.3.3 Savitzky-Golay 濾波法 103 

4.3.4 時間序列諧波分析法 103 

4.4 農業(yè)種植制度關鍵參數提取方法 103 

4.4.1 閾值法 103 

4.4.2 時間序列法 104 

4.4.3 物候累計頻率法 105 

4.4.4 主成分分析法 106 

4.4.5 曲線擬合法 107 

4.5 案例1：基于MODIS 和GF 數據融合的耕地復種頻率提取——以鄱陽湖區(qū)域為例 107 

4.5.1 MODIS 和GF 數據融合 107 

4.5.2 基于二次差分法提取種植頻率 112 

4.5.3 種植頻率提取結果和精度驗證 113 

4.5.4 種植頻率提取的時空不確定性比較 116 

4.6 案例2：基于MODIS 雙星的耕地物候參數提取——以中國北方區(qū)域為例 119 

4.6.1 MODIS 雙星數據協同 119 

4.6.2 基于閾值法提取關鍵物候參數 125 

4.6.3 耕地物候提取結果 126 

4.6.4 耕地物候提取結果的精度驗證 133 

參考文獻 140 

第5章 農作物遙感制圖的特征選擇策略 145 

5.1 引言 145 

5.2 農作物遙感識別特征類型 146 

5.2.1 光譜特征 146 

5.2.2 時相特征 148 

5.2.3 空間特征 149 

5.3 農作物遙感識別特征利用方式 150 

5.3.1 基于單一特征 150 

5.3.2 基于多特征參量 152 

5.3.3 基于特征量的統(tǒng)計模型 154 

5.4 農作物遙感識別特征自動優(yōu)選方法 155 

5.4.1 基于分離指數的特征優(yōu)選方法 155 

5.4.2 光譜-時相特征自動優(yōu)選方法 156 

5.4.3 基于隨機森林分類模型的特征優(yōu)選方法 157 

5.5 光譜和時相特征對農作物識別的影響評估 161 

5.5.1 特征情景設計 162 

5.5.2 基于不同特征的農作物識別 163 

5.5.3 特征質量對農作物識別影響 165 

5.5.4 特征數量對農作物識別影響 167 

5.6 案例1：基于STAFS 方法的玉米*優(yōu)特征篩選 168 

5.6.1 STAFS 方法參數化過程 168 

5.6.2 玉米*優(yōu)特征和識別結果 169 

5.6.3 玉米*優(yōu)特征解釋性 173 

5.6.4 STAFS 泛化應用分析 174 

5.6.5 STAFS 擴展性分析 175 

5.7 案例2：基于隨機森林模型的農作物特征選擇 175 

5.7.1 隨機森林模型構建與參數優(yōu)化 175 

5.7.2 隨機森林特征重要性打分 177 

5.7.3 基于不同特征組合的農作物識別結果 179 

參考文獻 182 

第6章 基于中低空間分辨率影像的農作物制圖 188 

6.1 引言 188 

6.2 中低空間分辨率遙感數據 189 

6.2.1 MODIS 衛(wèi)星影像 189 

6.2.2 VIIRS 衛(wèi)星影像 191 

6.2.3 AVHRR 衛(wèi)星影像 193 

6.2.4 SPOT-VEGETATION 衛(wèi)星影像 194 

6.3 長時間序列遙感影像處理 195 

6.3.1 長時序遙感影像收集與預處理 195 

6.3.2 長時序植被指數構建 199 

6.3.3 長時序多光譜特征優(yōu)選 200 

6.4 亞像元農作物面積百分比提取方法 203 

6.4.1 硬分類與軟分類定義 203 

6.4.2 光譜線性分解方法 203 

6.4.3 光譜非線性分解方法 206 

6.4.4 時相線性分解方法 209 

6.4.5 地理加權回歸模型方法 210 

6.4.6 隨機森林回歸模型方法 210 

6.5 案例1：基于MODIS 和地理加權回歸模型的大豆豐度制圖 211 

6.5.1 候選特征變量構建 212 

6.5.2 地理加權回歸模型構建與優(yōu)化 212 

6.5.3 黑龍江大豆豐度分布圖與精度評估 213 

6.6 案例2：基于MODIS 和隨機森林回歸模型的作物豐度制圖 217 

6.6.1 候選特征變量構建 218 

6.6.2 隨機森林回歸模型構建與優(yōu)化 218 

6.6.3 黑龍江農作物豐度分布圖與精度評估 219 

參考文獻 226 

第7章 基于中高空間分辨率影像的農作物制圖 232 

7.1 引言 232 

7.2 中高空間分辨率遙感數據 233 

7.2.1 美國陸地資源（Landsat）系列衛(wèi)星 233 

7.2.2 歐盟哨兵（Sentinel）系列衛(wèi)星 235 

7.2.3 中國環(huán)境（HJ）系列衛(wèi)星 237 

7.2.4 中國高分（GF）系列衛(wèi)星 239 

7.3 基于像素分類方法 242 

7.4 面向對象分類方法 243 

7.4.1 面向對象的定義 243 

7.4.2 圖像分割方法 245 

7.5 逐月優(yōu)化的農作物制圖策略 247 

7.6 案例：基于GF-1 數據與面向對象分類方法的多階段農作物制圖 248 

7.6.1 數據準備 249 

7.6.2 多尺度分割 250 

7.6.3 多特征選擇 253 

7.6.4 隨機森林分類模型參數化 256 

7.6.5 農作物識別結果及精度驗證 257 

參考文獻 258 

第8章 基于高空間分辨率影像的農作物制圖 262 

8.1 引言 262 

8.2 高空間分辨率遙感影像 266 

8.2.1 QuickBird 衛(wèi)星影像 266 

8.2.2 Google Earth 衛(wèi)星影像 267 

8.2.3 無人機航拍影像 268 

8.3 針對高空間分辨率影像的特征構建 269 

8.3.1 農作物可見光植被指數提取分析 269 

8.3.2 農作物可見光紋理特征提取分析 270 

8.3.3 農作物空間高度特征提取分析 270 

8.4 機器學習分類算法 271 

8.4.1 SVM 算法介紹 271 

8.4.2 深度學習算法 271 

8.4.3 卷積神經網絡算法 272 

8.5 案例：基于無人機影像和SVM 算法的農作物識別 273 

8.5.1 研究區(qū)與數據 273 

8.5.2 技術路線 278 

8.5.3 農作物分類特征的選取 278 

8.5.4 農作物分類流程及結果 289 

參考文獻 292 

第9章 基于多源數據融合的農作物制圖研究 298 

9.1 引言 298 

9.2 多源數據融合技術 298 

9.2.1 提高空間分辨率 299 

9.2.2 提高時間分辨率 300 

9.3 多源遙感數據融合模式 301 

9.3.1 光學遙感數據的融合 301 

9.3.2 光學遙感與微波遙感數據的融合 302 

9.4 遙感數據與統(tǒng)計數據融合 303 

9.4.1 SPAM 模型 304 

9.4.2 GAEZ 模型 305 

9.5 遙感數據與其他數據融合 306 

9.6 案例：基于SPAM 模型提取東北地區(qū)玉米種植面積 307 

9.6.1 數據來源及處理 307 

9.6.2 SPAM 模型參數化過程 309 

9.6.3 東北地區(qū)玉米分布圖及精度評定 315 

參考文獻 319 

第10章 農作物空間分布遙感制圖發(fā)展方向探討 325 

10.1 引言 325 

10.2 農作物空間分布遙感制圖策略 325 

10.2.1 制圖目標呈現多元化 325 

10.2.2 制圖單元從像元到地塊 326 

10.2.3 樣本信息采集從線下到線上 327 

10.2.4 制圖方法從自動學習到深度學習 328 

10.2.5 遙感數據源的協同利用 329 

10.3 農作物空間分布遙感數據產品研制 330 

10.4 農作物空間分布數據產品的共享與服務 331 

參考文獻 332