第1章 作物識別方法概述
1.1 引言
1.2 非監(jiān)督、監(jiān)督和半監(jiān)督分類
1.3 單分類器與多分類器集成分類
1.4 硬分類與軟分類
1.5 面向對象與基于像元的分類
1.6 單時相、多時相與時序數據分類
1.6.1 基于單時相數據的分類
1.6.2 基于多時相數據的分類
1.6.3 基于時序數據的分類
1.7 單特征分類與多特征分類
1.8 小結
參考文獻


第2章 農作物識別精度的影響因素
2.1 引言
2.2 樣本數量對識別精度的影響
2.2.1 研究背景
2.2.2 研究區(qū)與數據
2.2.3 研究方法與技術路線
2.2.4 結果分析
2.2.5 結論與討論
2.3 樣本質量對識別精度的影響
2.3.1 研究背景
2.3.2 研究方法與技術路線
2.3.3 結果分析
2.3.4 結論與討論
2.4 數據特征對識別精度的影響
2.4.1 研究背景
2.4.2 研究方法與技術路線
2.4.3 評價指標的選擇
2.4.4 結果分析
2.4.5 結論與討論
2.5 數據尺度對識別精度的影響
2.5.1 研究背景
2.5.2 研究區(qū)與數據
2.5.3 研究方法與技術路線
2.5.4 結果分析
2.5.5 結論與討論
參考文獻


第3章 基于可見光遙感影像的作物類型識別
3.1 引言
3.2 基于單時相數據的作物識別
3.2.1 基于變端元混合像元分解的冬小麥提取
3.2.2 軟硬分類相結合農作物制圖研究
3.2.3 SVDD單目標分類器的作物識別研究
3.2.4 基于集成學習的農作物識別研究
3.3 基于多時相數據的作物識別
3.3.1 支持向量機與分類后驗概率空間變化向量分析法結合的冬小麥識別方法
3.3.2 通過軟硬變化檢測識別冬小麥
3.3.3 圖斑與變化向量分析相結合的秋糧作物遙感提取
3.3.4 構建時空融合模型進行水稻遙感識別
3.4 基于時間序列數據的作物識別
3.4.1 基于相似性分析的中低分辨率復合水稻種植面積測量法
3.4.2 基于典型物候特征的MODIS-EVI時間序列數據冬小麥種植面積提取方法
3.4.3 中低分辨率小波融合的玉米種植面積遙感估算
3.4.4 Landsat 8和MODIS融合構建高時空分辨率數據識別秋糧作物
參考文獻


第4章 基于高光譜影像的作物類型識別
4.1 引言
4.2 基于高光譜遙感數據的相似性測度方法評價
4.2.1 研究背景
4.2.2 研究數據
4.2.3 研究方法與技術路線
4.2.4 結果分析
4.2.5 結論與討論
4.3 基于隨機森林的高光譜遙感數據降維與分類
4.3.1 研究背景
4.3.2 研究區(qū)與數據
4.3.3 研究方法與技術路線
4.3.4 結果分析
4.3.5 結論與討論
4.4 基于人工蜂群算法優(yōu)化的SVM高光譜遙感影像分類
4.4.1 研究背景
4.4.2 數據
4.4.3 研究方法與實驗設計
4.4.4 結果分析
4.4.5 結論與討論
4.5 變端元秋糧作物高光譜識別
4.5.1 研究背景
4.5.2 研究區(qū)與數據
4.5.3 研究方法與技術路線
4.5.4 結果分析
4.5.5 結論與討論
參考文獻


第5章 雷達作物識別
5.1 引言
5.2 基于多時相RADARSAT-2的秋糧作物識別
5.2.1 研究背景
5.2.2 研究區(qū)與數據
5.2.3 研究方法與技術路線
5.2.4 結果分析
5.2.5 結論與討論
5.3 光學影像圖斑支持下多時相雷達旱地秋糧作物提取
5.3.1 研究背景
5.3.2 研究區(qū)與數據
5.3.3 研究方法與技術路線
5.3.4 結果分析
5.3.5 結論與討論
參考文獻
附表
索引