时序对地观测大数据土地覆盖制图

　　随着空间科技的飞速发展，多时空对地观测数据更易获取，遥感数据的时间分辨率显著提高，多时相乃至稠密时间序列遥感数据正以前所未有的规模和速度产生，基于时序遥感大数据的土地覆盖分类与变化检测研究越来越流行。本书以多云多雨的中南半岛为主要研究区，对面向土地覆盖信息提取的遥感大数据时间序列挖掘技术与方法进行了探索。主要研究内容包括：遥感时间序列分析中的影像云污染处理、遥感时间序列相似性度量、时间序列遥感统计特征挖掘、时间序列遥感深度学习分类，以及基于子序列的时间序列变化检测。

暂缺《时序对地观测大数据土地覆盖制图》作者简介

目录
“地球大数据科学论丛”序
序
前言
第1章　引言　1
1.1　时间序列遥感数据源的发展　1
1.2　遥感时间序列分类　4
1.2.1　基于时序相似性的挖掘与分类　4
1.2.2　基于时序统计特征的挖掘与分类　5
1.2.3　基于端到端的深度学习分类　7
1.3　遥感时间序列变化检测　8
1.4　问题与探索　9
第2章　云与云影识别　11
2.1　数据源　12
2.1.1　Landsat-8OLI数据　12
2.1.2　全球云及云影验证数据　12
2.2　基于QA云标识的云影识别方法　13
2.2.1　基于QA波段的云识别　14
2.2.2　潜在云影识别　17
2.2.3　云与云影位置匹配　17
2.3　结果与分析　19
2.3.1　基于QA波段云识别评价　19
2.3.2　云影识别精度评价　20
2.3.3　基于L8Biome全球验证数据集的云影识别评价　21
2.4　本章小结　24
第3章　时序数据去云降噪处理　25
3.1　数据源　26
3.1.1　MODIS数据预处理　26
3.1.2　时序MODIS NDVI数据生成　29
3.2　基于S-G滤波的NDVI时序去云与重建　30
3.3　结果与分析　33
3.3.1　视觉效果　33
3.3.2　定量评价　34
3.4　本章小结　37
第4章　基于时序相似性的土地覆盖分类　38
4.1　数据来源与处理　39
4.1.1　研究区概况　39
4.1.2　数据及预处理　40
4.1.3　野外数据采集　40
4.2　研究方法　42
4.2.1　DTW算法原理　42
4.2.2　基于DTW距离的时序相似性计算　43
4.2.3　阈值分割　46
4.3　结果与分析　49
4.3.1　主要地类DTW距离与分类阈值　49
4.3.2　分类精度验证　53
4.3.3　土地覆盖分类制图　54
4.4　本章小结　55
第5章　基于局部加权动态时间规整的耕地提取　56
5.1　开放边界局部加权DTW　方法　56
5.1.1　模型构建　56
5.1.2　OLWDTW参数选取方法　58
5.2　结果与分析　59
5.2.1　不同耕地类别的OLWDTW距离计算　59
5.2.2　OLWDTW距离阈值选取　61
5.2.3　耕地作物分类　63
5.2.4　精度分析　64
5.3　讨论　66
5.4　本章小结　66
第6章　基于时空信息融合的土地覆盖分类　67
6.1　遥感数据源　67
6.2　基于线性权重赋值法的决策级融合模型　68
6.2.1　算法原理　68
6.2.2　基于线性权重赋值法的决策级融合算法　69
6.2.3　参数获取　70
6.3　结果与分析　75
6.3.1　MODIS与Landsat数据的模糊分类隶属度　75
6.3.2　MODIS与Landsat数据的融合权重获取　79
6.3.3　融合分类结果及精度验证　84
6.4　本章小结　86
第7章　基于时序统计特征的土地覆盖分类　88
7.1　数据收集与处理　88
7.1.1　Sentinel-2数据及预处理　89
7.1.2　Sentinel-2时序数据堆栈　90
7.1.3　采样与验证数据　92
7.2　研究方法　92
7.2.1　光谱与纹理特征提取　92
7.2.2　时序统计指标选取　92
7.2.3　随机森林分类　93
7.3　结果与分析　95
7.3.1　时序统计指标的可分离性　95
7.3.2　特征重要性评估　98
7.3.3　不同特征组合分类结果对比　98
7.4　讨论　104
7.4.1　时序统计指标在多云多雨区土地覆盖分类中的优势　104
7.4.2　热带多云多雨区精细尺度土地覆盖分类的难点　105
7.4.3　分类特征重要性选择　106
7.5　本章小结　107
第8章　基于Sentinel-1时序相似性与统计特征的水稻提取　109
8.1　数据源及处理　110
8.1.1　研究区概况　110
8.1.2　遥感数据处理　110
8.1.3　验证数据　111
8.2　研究方法　111
8.2.1　后向散射系数时序曲线构建　112
8.2.2　时序特征参数提取　113
8.2.3　基于DTW时序曲线相似性计算　113
8.2.4　随机森林分类与验证　113
8.3　结果与分析　113
8.3.1　典型地物后向散射系数参考曲线特征　113
8.3.2　时序统计参数特征　115
8.3.3　分类结果及精度评价　115
8.4　讨论　119
8.5　本章小结　120
第9章　协同Sentinel-1/2时序特征的城市不透水面提取　121
9.1　数据及处理　122
9.1.1　研究区　122
9.1.2　数据处理　123
9.2　研究方法　124
9.2.1　城市用地提取　124
9.2.2　城市扩展分析　126
9.3　结果与分析　127
9.3.1　不同统计指标对不透水面的区分能力　127
9.3.2　城市用地提取和精度评估　128
9.3.3　万象市城市化动态　130
9.3.4　万象市城市扩张模式　132
9.4　讨论　133
9.4.1　光学和SAR数据的互补性　133
9.4.2　万象市城市扩张动态　135
9.4.3　城市化进程与可持续发展挑战　136
9.5　本章小结　137
第10章　融合Sentinel-1时序统计特征与Sentinel-2光谱特征的橡胶林信息提取　138
10.1　研究区与数据处理　138
10.2　研究方法　140
10.2.1　Sentinel-2光谱指数计算及优选　140
10.2.2　Sentinel-2纹理特征计算及优选　143
10.2.3　特征组合及随机森林分类　144
10.3　结果与分析　144
10.3.1　Sentinel-2光谱波段及光谱指数对橡胶林提取的贡献　144
10.3.2　Sentinel-2纹理特征重要性评估　146
10.3.3　不同特征组合橡胶林提取结果比较　148
10.3.4　橡胶林空间分布格局　150
10.4　讨论　152
10.5　本章小结　154
第11章　基于深度学习的时间序列遥感作物分类　155
11.1　数据与处理　156
11.1.1　实验区介绍　156
11.1.2　数据获取与处理　157
11.2　研究方法　159
11.2.1　双向长短期记忆网络模型构建　159
11.2.2　模型泛化能力评估　160
11.2.3　精度评价　161
11.2.4　基于不同长度时间序列遥感的作物早期识别　161
11.3　结果与分析　161
11.3.1　基于全时间序列遥感的作物分类精度评估　161
11.3.2　模型泛化精度　164
11.3.3　时间序列长度对作物分类精度的影响　166
11.4　讨论　168
11.4.1　基于时序遥感数据深度学习分类的优势　168
11.4.2　模型泛化能力　168
11.5　本章小结　169
第12章　基于时间序列Landsat影像的橡胶林变化检测　170
12.1　数据与处理　171
12.1.1　Landsat数据收集及处理　171
12.1.2　NDVI时序构建　172
12.2　基于shapelets的橡胶林变化自动识别模型构建　172
12.2.1　橡胶林NDVI年际变化特征分析　174
12.2.2　橡胶林NDVI时间序列shapelet的确定　177
12.2.3　橡胶林NDVI时间序列分类　178
12.2.4　基于shapelet橡胶林种植年份自动检测　179
12.2.5　基于shapelet的初始土地状态自动检测　180
12.3　结果与分析　181
12.3.1　橡胶林种植年份识别　181
12.3.2　橡胶林种植空间扩展特征　183
12.3.3　橡胶林种植海拔分布特征　188
12.3.4　橡胶林种植对土地利用的侵占　189
12.4　讨论　191
12.4.1　方法优势　191
12.4.2　橡胶林扩张主要驱动因素　192
12.5　本章小结　193
参考文献　195