复杂地表景观区域水稻面积遥感精确提取与时空变化分析
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 引言 | 第11-28页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-24页 |
| 1.2.1 遥感影像分类 | 第12-18页 |
| 1.2.2 水稻信息提取 | 第18-19页 |
| 1.2.3 遥感影像变化检测 | 第19-24页 |
| 1.3 研究内容 | 第24-25页 |
| 1.4 论文组织结构与技术路线 | 第25-28页 |
| 1.4.1 论文组织结构 | 第25页 |
| 1.4.2 技术路线 | 第25-28页 |
| 第二章 研究区与数据 | 第28-38页 |
| 2.1 地理位置及行政区划 | 第28-29页 |
| 2.2 研究区概况 | 第29-32页 |
| 2.2.1 自然地理概况 | 第29-30页 |
| 2.2.2 社会经济概况 | 第30-32页 |
| 2.2.3 生态环境概况 | 第32页 |
| 2.3 数据与预处理 | 第32-38页 |
| 2.3.1 影像数据 | 第32-36页 |
| 2.3.2 数据预处理 | 第36-38页 |
| 第三章 引入预训练机制的卷积神经网络分类模型构建 | 第38-58页 |
| 3.1 人工神经网络基本原理 | 第38-40页 |
| 3.2 深度学习方法 | 第40-49页 |
| 3.2.1 深度置信网络 | 第40-43页 |
| 3.2.2 卷积神经网络 | 第43-45页 |
| 3.2.3 预训练深度神经网络 | 第45-49页 |
| 3.3 预训练卷积神经网络的模型构建 | 第49-58页 |
| 3.3.1 预训练数据集的选择 | 第49-52页 |
| 3.3.2 预训练数据集的扩充 | 第52页 |
| 3.3.3 预训练卷积神经网络参数设置 | 第52-58页 |
| 第四章 结合物候信息与深度学习方法的遥感影像分类 | 第58-72页 |
| 4.1 物候信息概述 | 第59-60页 |
| 4.2 遥感影像的物候信息提取 | 第60-61页 |
| 4.2.1 植被指数 | 第60页 |
| 4.2.2 物候指标与提取方法 | 第60-61页 |
| 4.3 采用分层分类策略的分类模型 | 第61-63页 |
| 4.3.1 初步分类过程 | 第62页 |
| 4.3.2 最终分类过程 | 第62-63页 |
| 4.4 分类实验结果与精度评价 | 第63-72页 |
| 4.4.1 精度评价方法 | 第63-67页 |
| 4.4.2 初步分类结果与精度评价 | 第67-70页 |
| 4.4.3 进一步分类结果与精度评价 | 第70-72页 |
| 第五章 时空变化检测及分析方法的对比研究 | 第72-85页 |
| 5.1 时序变化异常检测方法 | 第72-76页 |
| 5.1.1 累积和检测法 | 第72-73页 |
| 5.1.2 Mann-Kendall趋势检验方法 | 第73-74页 |
| 5.1.3 BFAST突变检测方法 | 第74-76页 |
| 5.2 空间格局分析方法 | 第76-80页 |
| 5.2.1 半方差分析 | 第76-77页 |
| 5.2.2 Getis系数 | 第77-78页 |
| 5.2.3 LocalMoran’sI | 第78-80页 |
| 5.3 实验结果与分析 | 第80-85页 |
| 5.3.1 时序变化异常检测结果与讨论 | 第80-83页 |
| 5.3.2 空间格局分析结果与讨论 | 第83-85页 |
| 第六章 复杂地表景观区域水稻时空变化检测及分析 | 第85-98页 |
| 6.1 时间序列数据预处理 | 第85-89页 |
| 6.1.1 时间序列选择 | 第85-86页 |
| 6.1.2 时间序列插值 | 第86-87页 |
| 6.1.3 时间序列平滑 | 第87-89页 |
| 6.2 时间序列变化检测 | 第89-95页 |
| 6.3 空间格局变化分析 | 第95-98页 |
| 第七章 总结与展望 | 第98-101页 |
| 7.1 主要工作与结论 | 第98-99页 |
| 7.2 研究特色与创新 | 第99页 |
| 7.3 研究展望 | 第99-101页 |
| 参考文献 | 第101-112页 |
| 致谢 | 第112-113页 |
| 附录 | 第113页 |
