目錄
第1章 農作物面積遙感研究背景 1
1.1 引言 1
1.2 農業(yè)遙感監(jiān)測的理論基礎 2
1.3 農作物面積遙感監(jiān)測國內外研究現(xiàn)狀 5
1.4 農作物面積遙感監(jiān)測主要技術方法簡介 7
1.4.1 目視解譯 8
1.4.2 非監(jiān)督分類 8
1.4.3 監(jiān)督分類 9
1.4.4 面向對象分類 10
1.4.5 決策樹分類 11
1.4.6 混合像元分解 12
1.4.7 空間抽樣法 13
1.4.8 單時相及多時相分類法 13
第2章 農作物面積遙感監(jiān)測數(shù)據(jù)源 15
2.1 引言 15
2.2 主要遙感數(shù)據(jù)源介紹 16
2.2.1 MODIS影像 17
2.2.2 Landsat影像 17
2.2.3 RapidEye衛(wèi)星影像 18
2.2.4 WorldView衛(wèi)星影像 19
2.2.5 Sentinel哨兵系列衛(wèi)星影像 20
2.2.6 環(huán)境（HJ）系列衛(wèi)星影像 21
2.2.7 資源（ZY）系列衛(wèi)星影像 22
2.2.8 高分系列衛(wèi)星影像 23
2.2.9 Google Earth影像 24
2.2.10 無人機影像 24
2.3 農作物分類輔助數(shù)據(jù) 25
2.3.1 基礎地理信息數(shù)據(jù) 25
2.3.2 統(tǒng)計年鑒資料 25
2.3.3 地面實測數(shù)據(jù) 26
第3章 基于高分數(shù)據(jù)的農作物面積遙感監(jiān)測總體技術路線 30
第4章 農作物面積遙感監(jiān)測影像預處理技術研究 33
4.1 引言 33
4.2 基于6S大氣輻射傳輸模型的GF-1影像快速大氣校正 34
4.2.1 研究背景 34
4.2.2 6S模型大氣校正概述 35
4.2.3 試驗數(shù)據(jù)獲取 36
4.2.4 基于6S模型的GF-1衛(wèi)星影像大氣校正 37
4.2.5 結果與分析 41
4.2.6 小結 46
4.3 基于RPC參數(shù)區(qū)域網(wǎng)平差的GF-1衛(wèi)星影像幾何校正 47
4.3.1 研究背景 47
4.3.2 幾何校正概述 48
4.3.3 試驗數(shù)據(jù)獲取 49
4.3.4 研究方案 51
4.3.5 結果與分析 53
4.3.6 小結 58
第5章 農作物面積遙感監(jiān)測地面樣方獲取技術研究 59
5.1 引言 59
5.2 無人機遙感數(shù)據(jù)的農作物面積提取 59
5.2.1 研究背景 59
5.2.2 研究區(qū)概況 61
5.2.3 研究方案 61
5.2.4 數(shù)據(jù)獲取與應用 62
5.2.5 農作物識別 68
5.2.6 小結 70
5.3 Google Earth影像輔助的農作物面積地面樣方調查 71
5.3.1 研究背景 71
5.3.2 研究區(qū)概況 72
5.3.3 數(shù)據(jù)獲取與處理 73
5.3.4 研究方案 74
5.3.5 結果與分析 75
5.3.6 小結 77
第6章 農作物遙感監(jiān)測分類技術方法研究 79
6.1 引言 79
6.2 基于目視解譯方法的糧豆輪作項目實施效果遙感監(jiān)測 79
6.2.1 研究背景 79
6.2.2 研究區(qū)概況 80
6.2.3 數(shù)據(jù)獲取與處理 80
6.2.4 研究方案 84
6.2.5 結果與分析 88
6.2.6 小結 91
6.3 基于HJ時序影像的多種農作物種植面積同時提取 92
6.3.1 研究背景 92
6.3.2 研究區(qū)概況 93
6.3.3 研究方案 93
6.3.4 結果與分析 97
6.3.5 小結 101
6.4 基于分層決策樹的高分時序影像農作物面積提取 102
6.4.1 研究背景 102
6.4.2 研究區(qū)概況 102
6.4.3 數(shù)據(jù)獲取與處理 102
6.4.4 研究方案 105
6.4.5 結果與分析 109
6.4.6 小結 110
6.5 短波紅外波段對農作物面積提取精度影響的研究 111
6.5.1 研究背景 111
6.5.2 研究區(qū)概況 112
6.5.3 數(shù)據(jù)獲取與處理 113
6.5.4 地面樣方調查 113
6.5.5 研究方案 114
6.5.6 結果與分析 116
6.5.7 小結 121
6.6 紅邊波段對農作物面積提取精度影響的研究 122
6.6.1 研究背景 122
6.6.2 研究區(qū)概況 123
6.6.3 數(shù)據(jù)獲取與處理 124
6.6.4 研究方案 126
6.6.5 結果與分析 127
6.6.6 小結 132
6.7 基于隨機森林分類算法的農作物精細識別及面積提取應用研究 133
6.7.1 研究背景 133
6.7.2 研究區(qū)概況 134
6.7.3 數(shù)據(jù)獲取與處理 134
6.7.4 研究方案 135
6.7.5 結果與分析 138
6.7.6 小結 141
第7章 區(qū)域農作物面積識別與提取 143
7.1 研究背景 143
7.2 研究區(qū)域 144
7.3 數(shù)據(jù)獲取及預處理 145
7.3.1 GF-1衛(wèi)星影像預處理 145
7.3.2 基于分類單元的NDVI合成 146
7.3.3 訓練及區(qū)域驗證樣本的獲取 146
7.4 研究方案 150
7.4.1 技術路線 150
7.4.2 中國冬小麥物候特點 150
7.4.3 冬小麥面積指數(shù)影像構建 151
7.4.4 最優(yōu)WWAI提取閾值自適應確定 153
7.4.5 種植面積提取精度驗證 153
7.5 結果與分析 153
7.5.1 重點研究區(qū)冬小麥識別提取及精度驗證 153
7.5.2 區(qū)域冬小麥面積提取與精度驗證 156
7.6 小結 157
第8章 尺度效應對農作物面積提取的影響研究 159
8.1 研究背景 159
8.2 研究區(qū)概況 160
8.3 數(shù)據(jù)獲取與處理 161
8.4 研究方案 162
8.4.1 技術思路 162
8.4.2 地面調查 163
8.4.3 景觀破碎度計算 163
8.4.4 精度驗證方式 163
8.5 研究過程和結果 163
8.5.1 冬小麥面積識別精度的尺度效應 163
8.5.2 冬小麥識別精度與景觀破碎度的關系 165
8.5.3 冬小麥像元可識別程度的尺度效應 166
8.5.4 冬小麥斑塊大小的尺度效應 167
8.5.5 冬小麥光譜變化的尺度效應 168
8.6 小結 169
第9章 農作物面積遙感監(jiān)測硬件平臺和軟件環(huán)境 170
9.1 開發(fā)背景 170
9.2 硬件環(huán)境建設 170
9.2.1 硬件結構概述 170
9.2.2 并行計算集群 170
9.2.3 存儲 174
9.2.4 網(wǎng)絡 175
9.3 管理平臺開發(fā) 175
9.3.1 群管理平臺 175
9.3.2 數(shù)據(jù)庫管理平臺 175
9.3.3 數(shù)據(jù)調度平臺 178
9.4 運行效率測試 181
9.4.1 并行能力 181
9.4.2 計算效率 182
9.5 小結 182
第10章 展望 183
參考文獻 185