基于合成孔径雷达数据的旱地作物识别与长势监测研究 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

王迪，沈永林，周清波，陈仲新，东朝霞 著

出版社： 中国农业科学技术出版社

ISBN：9787511628190

版次：1

商品编码：12100298

包装：平装

开本：32开

出版时间：2016-11-01

用纸：胶版纸

页数：150

正文语种：中文

内容简介

　　《基于合成孔径雷达数据的旱地作物识别与长势监测研究》系由作者承担的国家科技重大专项项目“高分农业遥感监测与评价示范系统”的研究成果编而成。在我国北方旱地秋收作物生长关键期，云雨天气频繁，很难获得足量、有效的光学遥感数据，无法有效地解决农作物类型、面积及其空间分布等农业遥感监测业务问题。鉴于合成孔径雷达（Synthetic ApenurcRadar，SAR）具有全天时、全天候监测等优点．此项研究重点探讨了基于全化SAR数据的旱地作物遥感识别与长势监测方法。全书共6章，内容包括：（1）用SAR数据监测研究农作物识别与长势现状与存在问题：（2）SAR数据收集与预处理方法；（3）基于雷达后向散射特征识别旱地作物；（4）识别旱地作物辅助变量信息的提取及其重要性评价；（5）以全*化SAR数据监测研究旱地作物长势；（6）研究结论与展望。

作者简介

　　王迪，男，1977年出生，副研究员，工学博士．硕士生导师，现在中国农业科学院农业资源与农业区划研究所农业遥感创新团队工作。长期从事农业遥感基础与应用研究，重点开展农作物面积空间抽样理论与技术、基于雷达遥感的农作物识别与长势监测研究。

目录

第一章 绪论
一、研究背景与意义
二、国内外研究进展
1．基于单波段、单极化SAR数据的作物识别研究
2．基于多波段、多极化SAR数据的作物识别研究
3．雷达和光学数据相结合的作物识别研究
4．基于SAR数据的作物长势监测研究
5．问题与展望
三、研究内容与研究思路
1．研究内容
2．研究思路
四、本章小结

第二章 实验数据与基本原理
一、研究区概况
二、数据获取与地面试验
1．野外实测数据与方法
2．光学数据及预处理
3．雷达数据及预处理
三、雷达遥感基本原理
1．微波的散射
2．雷达方程
3．雷达遥感系统参数
4．雷达遥感及雷达图像的特征
四、本章小结

第三章 基于雷达后向散射特征的旱地作物识别
一、典型地物后向散射特征分析
1．玉来
2．棉花
3．水体
4．建筑物
5．树林
二、典型地物分类指标选取
三、典型地物可分离性分析
1．水体可分离性分析
2．玉米可分离性分析
3．棉花可分离性分析
4．建筑物可分离性分析
四、典型地物识别与精度评价
1．决策树分类法
2．支持向量机分类法
3．精度评价
五、本章小结

第四章 旱地作物识别辅助变量信息提取及其重要性评价
一、旱地作物分类辅助变量信息提取
1．极化信息提取
2．纹理信息提取
二、旱地作物识别时相优选
1．随机森林分类法
2．单一时相条件下早地作物识别
3．不同时相组合条件下旱地作物识别
三、旱地作物分类变量重要性评价
1．极化方式对旱地作物分类精度的影响
2．多变量信息组合对分类结果的影响
3．分类辅助变量重要性评价
四、本章小结

第五章 全极化SAR数据的玉米长势监测
一、研究区玉米基本生长参数地面观测
二、玉米后向散射系数与生长参数的相关分析
三、玉米生长参数经验模型建立
1．叶面积指数经验模型建立
2．株高经验模型建立
3．玉米干重鲜重经验模型建立
四、玉米生长参数反演
1．叶面积指数反演
2．株高反演
3．玉米植株干重鲜重反演
五、精度验证
六、本章小结

第六章 结论与展望
一、主要工作和结论
二、特色与创新点
三、问题与展望
1．存在问题
2．展望
参考文献

精彩书摘

　　《基于合成孔径雷达数据的旱地作物识别与长势监测研究》：
　　随机森林算法在分类方向有诸多优点：①在当前的很多数据集上，随机森林法相对其他算法有着很大的优势；②随机森林对于高维数据集的处理能力令人兴奋，它可以处理成千上万的输入变量，并确定最重要的变量，因此被认为是一个不错的降维方法；③可以在决定类别时，该模型能够输出变量的重要性程度，这是一个非常便利的功能；④在对高维数据训练时，不容易出现过拟合而且速度较快；⑤随机森林算法能解决分类与回归两种类型的问题，并在这两个方面都有相当好的估计表现；⑥在对缺失数据进行估计时，随机森林是一个十分有效的方法。就算存在大量的数据缺失，随机森林也能较好地保持精确性；⑦当存在分类不平衡的情况时，随机森林能够提供平衡数据集误差的有效方法；⑧模型的上述性能可以被扩展运用到未标记的数据集中，用于引导无监督聚类、数据透视和异常检测；⑨随机森林算法中包含了对输人数据的重复自抽样过程，即所谓的bootstrap抽样。这样一来，数据集中大约三分之一将没有用于模型的训练而是用于测试，这样的数据被称为out of bag samples（来自样本），通过这些样本估计的误差被称为out of bag error（来自样本误差）。研究表明，这种out of bag方法的与测试集规模同训练集一致的估计方法有着相同的精确程度，因此在随机森林中人们无需再对测试集进行另外的设置。由于辅助信息的加入会大幅增加变量的维度，且需要对变量重要性进行评价，因此本实验选择随机森林法。随机森林分类过程可在EnMAP Box软件（Jakimow等，2012）中实现，该软件包含多个内置分类算法，其中就包括随机森林算法。
　　……

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆