| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 研究意义与选题背景 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-25页 |
| 1.2.1 遥感影像时间序列分类方法 | 第17-20页 |
| 1.2.2 遥感影像时间序列变化检测方法 | 第20-23页 |
| 1.2.3 存在的问题 | 第23-25页 |
| 1.3 研究概述 | 第25-27页 |
| 1.3.1 研究对象 | 第25页 |
| 1.3.2 研究目标 | 第25-26页 |
| 1.3.3 研究内容 | 第26-27页 |
| 1.4 论文组织结构 | 第27-29页 |
| 第二章 RNN基本理论、算法以及应用 | 第29-39页 |
| 2.1 RNN的基本思想 | 第29-30页 |
| 2.2 RNN的变种 | 第30-34页 |
| 2.2.1 长短期记忆单元神经网络 | 第31-33页 |
| 2.2.2 门限循环单元神经网络 | 第33-34页 |
| 2.3 RNN的应用 | 第34-39页 |
| 2.3.1 RNN模型的模式以及应用 | 第34-36页 |
| 2.3.2 RNN在遥感图像处理中的应用 | 第36-39页 |
| 第三章 研究区域及数据处理 | 第39-59页 |
| 3.1 研究区域 | 第39-40页 |
| 3.2 实验数据 | 第40-44页 |
| 3.2.1 MODIS时间序列 | 第40-43页 |
| 3.2.2 Landsat-8时间序列 | 第43-44页 |
| 3.3 数据处理 | 第44-59页 |
| 3.3.1 MODIS时间序列重构 | 第44-48页 |
| 3.3.2 Landsat-8影像去云处理 | 第48-50页 |
| 3.3.3 训练样本和测试样本选取 | 第50-59页 |
| 第四章 基于深度循环神经网络模型的遥感影像时间序列分类 | 第59-90页 |
| 4.1 概述 | 第59-61页 |
| 4.2 基于深度RNN模型的土地覆盖分类 | 第61-68页 |
| 4.2.1 深度栈式LSTM模型 | 第61-63页 |
| 4.2.2 深度双向LSTM模型 | 第63-65页 |
| 4.2.3 数据增强 | 第65-68页 |
| 4.3 实验与分析 | 第68-88页 |
| 4.3.1 实验设置 | 第68-69页 |
| 4.3.2 分类精度评价方法 | 第69-71页 |
| 4.3.3 模型结构参数的确定 | 第71-73页 |
| 4.3.4 数据增强的重要性 | 第73-77页 |
| 4.3.5 实验结果与精度评价 | 第77-88页 |
| 4.4 小结 | 第88-90页 |
| 第五章 基于Seq2Seq模型的遥感影像时间序列变化检测 | 第90-114页 |
| 5.1 概述 | 第90-92页 |
| 5.2 相关基础理论介绍 | 第92-97页 |
| 5.2.1 Seq2Seq模型 | 第92-95页 |
| 5.2.2 注意力机制 | 第95-97页 |
| 5.3 基于Seq2Seq模型的建设用地占用耕地检测 | 第97-104页 |
| 5.3.1 Seq2Seq模型构建 | 第97-99页 |
| 5.3.2 训练数据生成和扩增 | 第99-101页 |
| 5.3.3 建设用地占用耕地检测 | 第101-104页 |
| 5.4 实验与分析 | 第104-112页 |
| 5.4.1 实验设置 | 第104-106页 |
| 5.4.2 变化检测精度评价方法 | 第106-107页 |
| 5.4.3 模型结构参数的确定 | 第107-108页 |
| 5.4.4 实验结果与精度评价 | 第108-112页 |
| 5.5 小结 | 第112-114页 |
| 第六章 总结与展望 | 第114-119页 |
| 6.1 全文总结 | 第114-115页 |
| 6.2 主要创新点 | 第115-116页 |
| 6.3 存在的问题及后续研究展望 | 第116-119页 |
| 参考文献 | 第119-131页 |
| 硕博期间发表论文及申请专利 | 第131-132页 |
| 硕博期间参与科研与工程项目 | 第132-133页 |
| 致谢 | 第133-134页 |
