| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 英文缩略表 | 第16-17页 |
| 第一章 引言 | 第17-31页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 农作物遥感识别的理论基础 | 第18-19页 |
| 1.3 国内外研究进展 | 第19-26页 |
| 1.3.1 基于单一影像的农作物遥感识别方法 | 第19-20页 |
| 1.3.2 基于时间序列影像的农作物遥感识别方法 | 第20-25页 |
| 1.3.3 遥感与统计数据融合的农作物识别方法 | 第25-26页 |
| 1.4 农作物遥感识别存在的主要问题 | 第26-27页 |
| 1.5 本论文研究方案 | 第27-31页 |
| 1.5.1 研究选题与目标 | 第27页 |
| 1.5.2 主要研究内容 | 第27-28页 |
| 1.5.3 研究框架 | 第28-29页 |
| 1.5.4 论文结构 | 第29-31页 |
| 第二章 研究区域与数据准备 | 第31-37页 |
| 2.1 研究区介绍 | 第31-33页 |
| 2.1.1 研究区自然地理概况 | 第31-32页 |
| 2.1.2 研究区农业布局特点 | 第32-33页 |
| 2.2 研究数据介绍 | 第33-37页 |
| 2.2.1 时序MODIS影像 | 第33-35页 |
| 2.2.2 训练样本和验证样本 | 第35页 |
| 2.2.3 土地利用覆盖数据 | 第35-36页 |
| 2.2.4 野外实地数据 | 第36页 |
| 2.2.5 农业统计数据 | 第36-37页 |
| 第三章 光谱和时序特征对农作物遥感识别的影响评估 | 第37-48页 |
| 3.1 研究方法 | 第38-42页 |
| 3.1.1 特征情景设计 | 第38-39页 |
| 3.1.2 基于分离性指数的特征选取 | 第39-40页 |
| 3.1.3 支持向量机分类 | 第40页 |
| 3.1.4 精度评定 | 第40-42页 |
| 3.2 研究结果与分析 | 第42-46页 |
| 3.2.1 光谱和时序特征优先级 | 第42-44页 |
| 3.2.2 特征质量对农作物分类结果影响 | 第44-45页 |
| 3.2.3 特征数量对农作物分类结果影响 | 第45-46页 |
| 3.3 讨论 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 全局SI指数扩展方法在农作物特征选取中的潜力评估 | 第48-59页 |
| 4.1 SIave和SImin分方法介绍 | 第48-49页 |
| 4.1.1 类对分离指数 | 第48-49页 |
| 4.1.2 两类全局分离指数扩展法 | 第49页 |
| 4.2 实验设计 | 第49-51页 |
| 4.2.1 SIave和SImin计算 | 第50页 |
| 4.2.2 支持向量机分类 | 第50-51页 |
| 4.2.3 时相自相关性分析 | 第51页 |
| 4.3 研究结果 | 第51-57页 |
| 4.3.1 SIave和SImin特征解释性 | 第51-54页 |
| 4.3.2 SIave和SImin分类精度 | 第54-56页 |
| 4.3.3 两类方法精度差归因分析 | 第56-57页 |
| 4.4 讨论 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于SI指数的时序光谱特征自动优选方法研究(STAFS) | 第59-71页 |
| 5.1 研究方法 | 第59-62页 |
| 5.1.1 STAFS特征优选方法 | 第59-61页 |
| 5.1.2 支持向量机实现软分类和硬分类 | 第61-62页 |
| 5.1.3 玉米分类图的精度评定 | 第62页 |
| 5.2 研究结果与分析 | 第62-68页 |
| 5.2.1 分离玉米与其它地类的类对最优特征 | 第62-64页 |
| 5.2.2 识别玉米的全局最优特征 | 第64-65页 |
| 5.2.3 玉米空间分布图与精度评估结果 | 第65-68页 |
| 5.3 讨论 | 第68-70页 |
| 5.3.1 玉米最优特征解释性 | 第68-69页 |
| 5.3.2 STAFS范化应用分析 | 第69页 |
| 5.3.3 STAFS扩展性分析 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 遥感数据与统计数据融合提取农作物亚像素比例的方法研究 | 第71-88页 |
| 6.1 训练和验证样本准备 | 第72页 |
| 6.2 研究方法 | 第72-77页 |
| 6.2.1 随机森林回归模型 | 第72-76页 |
| 6.2.2 精度评定 | 第76页 |
| 6.2.3 基于县级统计数据纠正遥感亚像素提取结果(IAGA) | 第76-77页 |
| 6.3 研究结果与分析 | 第77-85页 |
| 6.3.1 农作物亚像素提取的最优特征量 | 第77-79页 |
| 6.3.2 随机森林回归模型精度评估结果 | 第79-81页 |
| 6.3.3 基于统计数据调整的MODIS亚像素提取结果 | 第81-84页 |
| 6.3.4 纠正后的MODIS亚像素分类图精度评估 | 第84-85页 |
| 6.4 讨论 | 第85-87页 |
| 6.4.1 基于不同尺度的统计数据纠正结果比较 | 第85-86页 |
| 6.4.2 IAGA方法的优点与潜在扩展性分析 | 第86-87页 |
| 6.5 本章小结 | 第87-88页 |
| 第七章 全文研究结论与展望 | 第88-91页 |
| 7.1 研究结论 | 第88-89页 |
| 7.2 创新点 | 第89页 |
| 7.3 展望 | 第89-91页 |
| 参考文献 | 第91-101页 |
| 致谢 | 第101-103页 |
| 作者简历 | 第103-105页 |
