| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 基于光谱特征的作物分类方法现状 | 第14-15页 |
| 1.2.2 基于光谱-空间特征的作物分类方法现状 | 第15-16页 |
| 1.2.3 基于光谱-时相特征的作物分类方法现状 | 第16-17页 |
| 1.3 多光谱时间序列分类存在的问题 | 第17-19页 |
| 1.4 论文研究内容与章节安排 | 第19-21页 |
| 第2章 遥感信息提取相关算法 | 第21-44页 |
| 2.1 遥感影像特征提取 | 第21-33页 |
| 2.1.1 特征提取的基本概念及意义 | 第21-22页 |
| 2.1.2 特征提取相关算法 | 第22-33页 |
| 2.2 遥感影像分类识别 | 第33-43页 |
| 2.2.1 遥感影像分类的基本概念及意义 | 第33-34页 |
| 2.2.2 遥感影像分类相关算法及精度评价 | 第34-43页 |
| 2.3 本章小结 | 第43-44页 |
| 第3章 多维遥感数据时空谱特征提取算法研究 | 第44-68页 |
| 3.1 光谱特征提取——修改的局部保留嵌入算法 | 第44-60页 |
| 3.1.1 光谱特征提取概述 | 第44-46页 |
| 3.1.2 修改的局部保留嵌入算法 | 第46-49页 |
| 3.1.3 实验数据和设置 | 第49-52页 |
| 3.1.4 结果与讨论 | 第52-60页 |
| 3.1.5 结论 | 第60页 |
| 3.2 时相特征提取——基于DTW度量的拉普拉斯映射算法 | 第60-64页 |
| 3.2.1 时相特征提取概述 | 第60-62页 |
| 3.2.2 基于DTW的LE降维算法 | 第62-64页 |
| 3.3 空间特征提取——基于DTW度量的最小生成树分割算法 | 第64-67页 |
| 3.3.1 空间特征提取概述 | 第64-65页 |
| 3.3.2 基于DTW的最小生成树分割算法 | 第65-67页 |
| 3.4 本章小结 | 第67-68页 |
| 第4章 基于多维遥感特征的分类方法研究 | 第68-95页 |
| 4.1 多维遥感数据组织 | 第68-73页 |
| 4.2 挖掘全部可用数据 | 第73-74页 |
| 4.3 基于光谱-时相和空间特征的分类方法——STS | 第74-75页 |
| 4.4 验证实验 | 第75-93页 |
| 4.4.1 研究区 | 第75页 |
| 4.4.2 Landsat数据 | 第75-77页 |
| 4.4.3 参考数据 | 第77-80页 |
| 4.4.4 结果与讨论 | 第80-92页 |
| 4.4.5 结论 | 第92-93页 |
| 4.5 本章小结 | 第93-95页 |
| 第5章 中国东北三省遥感作物精细分类研究 | 第95-114页 |
| 5.1 研究区概况 | 第95-97页 |
| 5.2 数据 | 第97-104页 |
| 5.2.1 遥感数据 | 第97-102页 |
| 5.2.2 其他数据 | 第102-104页 |
| 5.3 研究方法 | 第104-108页 |
| 5.3.1 数据预处理 | 第105-106页 |
| 5.3.2 多光谱时间序列数据构建 | 第106页 |
| 5.3.3 主动学习训练样本 | 第106-108页 |
| 5.3.4 分类及精度验证 | 第108页 |
| 5.4 结果与讨论 | 第108-112页 |
| 5.4.1 分类结果与精度评价 | 第108-109页 |
| 5.4.2 误差分析 | 第109-110页 |
| 5.4.3 东北三省作物分布的地域特征 | 第110-112页 |
| 5.5 结论 | 第112页 |
| 5.6 本章小结 | 第112-114页 |
| 第6章 结论与展望 | 第114-118页 |
| 6.1 本文主要工作及创新点 | 第114-116页 |
| 6.1.1 主要研究工作 | 第114-116页 |
| 6.1.2 论文创新点 | 第116页 |
| 6.2 研究展望 | 第116-118页 |
| 参考文献 | 第118-134页 |
| 附录 | 第134-135页 |
| 个人简介 | 第135-136页 |
| 攻读博士学位期间发表的学术论文与研究成果 | 第136-137页 |
| 致谢 | 第137-139页 |
