| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景、目的及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究目的与意义 | 第12页 |
| 1.2 农作物遥感监测国内外研究现状 | 第12-14页 |
| 1.2.1 基于光学遥感的作物识别研究现状 | 第12-13页 |
| 1.2.2 基于雷达遥感的作物识别研究现状 | 第13-14页 |
| 1.2.3 基于多源遥感数据的作物识别研究现状 | 第14页 |
| 1.3 研究方法、内容及技术路线 | 第14-18页 |
| 1.3.1 研究方法、内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-16页 |
| 1.3.3 论文组织结构 | 第16-18页 |
| 第二章 数据源与预处理 | 第18-24页 |
| 2.1 数据源 | 第18-20页 |
| 2.1.1 Sentinel-1雷达影像 | 第18-19页 |
| 2.1.2 Sentinel-2光学影像 | 第19-20页 |
| 2.1.3 地面调查数据 | 第20页 |
| 2.2 数据预处理 | 第20-22页 |
| 2.2.1 辐射校正 | 第20页 |
| 2.2.2 地形辐射校正 | 第20-21页 |
| 2.2.3 滤波处理 | 第21页 |
| 2.2.4 几何地形校正 | 第21-22页 |
| 2.2.5 大气校正 | 第22页 |
| 2.2.6 图像配准 | 第22页 |
| 2.3 评价参数 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于Sentinel多源遥感数据的作物分类 | 第24-49页 |
| 3.1 作物分类研究区域 | 第24-25页 |
| 3.2 训练样本及最佳时相确定 | 第25-26页 |
| 3.2.1 最佳时相及训练样本选择 | 第25-26页 |
| 3.2.2 特征分析 | 第26页 |
| 3.3 监督分类方法 | 第26-33页 |
| 3.3.1 最小距离法 | 第27-28页 |
| 3.3.2 最大似然法 | 第28页 |
| 3.3.3 支持向量机法 | 第28-30页 |
| 3.3.4 BP神经网络法 | 第30-33页 |
| 3.4 Sentinel多源遥感数据作物分类处理结果 | 第33-47页 |
| 3.4.1 无云Sentinel多源遥感数据分类结果 | 第33-41页 |
| 3.4.2 有云Sentinel多源遥感数据分类结果 | 第41-47页 |
| 3.5 分类结果分析 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于Sentinel多源遥感数据的冬小麦种植面积提取 | 第49-59页 |
| 4.1 材料与方法 | 第49-50页 |
| 4.1.1 研究区域 | 第49-50页 |
| 4.1.2 数据选择 | 第50页 |
| 4.1.3 识别方法选择 | 第50页 |
| 4.2 Sentinel多源遥感数据冬小麦识别结果 | 第50-57页 |
| 4.2.1 冬小麦识别 | 第50-52页 |
| 4.2.2 精度分析 | 第52-57页 |
| 4.3 冬小麦面积提取 | 第57页 |
| 4.4 误差分析 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 结论与展望 | 第59-61页 |
| 5.1 结论 | 第59页 |
| 5.2 创新点 | 第59页 |
| 5.3 存在问题及展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
