本書面向當前多時相遙感影像處理分析的學術(shù)前沿與地學應(yīng)用的重大需求，介紹多時相遙感影像處理分析的框架體系和實現(xiàn)過程，對其中涉及的發(fā)展前沿、關(guān)鍵技術(shù)進行了探討和綜述。在常規(guī)遙感變化檢測、多時相信息提取方法的基礎(chǔ)上，引入深度學習、集成學習、遷移學習等新型機器學習理論方法，重點對多時相遙感影像自動變化檢測、多時相遙感影像地表覆蓋與地物智能分類、時間序列遙感影像分析、多時相SAR圖像處理四個方面的內(nèi)容進行深入的闡述，系統(tǒng)介紹了多時相遙感影像處理分析的理論基礎(chǔ)、常用方法、實現(xiàn)策略和典型應(yīng)用。
更多科學出版社服務(wù)，請掃碼獲取。
目錄
第1章 緒論 1
1.1 多時相遙感的機遇與挑戰(zhàn) 1
1.1.1 多源多時相遙感數(shù)據(jù)現(xiàn)狀與機遇 2
1.1.2 地表過程時間維信息需求與挑戰(zhàn) 4
1.2 多時相影像處理框架體系 6
1.2.1 框架體系 6
1.2.2 多時相遙感影像變化檢測 8
1.2.3 多時相遙感影像分類 11
1.2.4 時間序列遙感數(shù)據(jù)分析 12
1.3 多時相遙感影像分析的發(fā)展趨勢 14
參考文獻 16
第2章 多時相遙感影像預(yù)處理 21
2.1 多時相遙感影像預(yù)處理概述 21
2.2 多時相光學遙感影像預(yù)處理 22
2.2.1 多時相光學遙感影像幾何校正 22
2.2.2 多時相光學遙感影像輻射校正 24
2.2.3 多時相光學遙感影像配準 25
2.3 多時相SAR影像預(yù)處理方法 28
2.3.1 多時相SAR影像配準 28
2.3.2 多時相SAR輻射校正 28
2.4 多源遙感影像時空融合 29
2.4.1 時空融合概念 30
2.4.2 基于變換模型的時空融合 30
2.4.3 基于學習模型的時空融合 31
2.4.4 基于重建模型的時空融合 31
2.4.5 新型高分辨率時空融合算法介紹 32
2.4.6 時空融合實例 34
參考文獻 34
第3章 多時相遙感影像變化檢測 37
3.1 變化檢測基本概念與方法演進 37
3.2 多特征融合的變化檢測 40
3.2.1 基本思路與方法 40
3.2.2 多特征提取與融合 41
3.2.3 試驗與分析 44
3.3 多差異信息融合變化檢測 48
3.3.1 基本思路與方法 48
3.3.2 多差異影像生成與融合 49
3.3.3 試驗與分析 53
3.4 多層次融合變化檢測 56
3.4.1 基本思路與方法 56
3.4.2 試驗與分析 58
3.5 聯(lián)合多層次空間特征的變化檢測方法 61
3.5.1 多層次空間特征提取 62
3.5.2 多特征降維 65
3.5.3 訓練樣本優(yōu)化 66
3.5.4 實驗結(jié)果與分析 67
3.6 顧及地表變化邏輯信息的三時相變化檢測方法 73
3.6.1 錯誤檢測判定 74
3.6.2 樣本自動提取 75
3.6.3 錯誤檢測修正 77
3.6.4 實驗結(jié)果與分析 78
3.7 深度學習與多時相變化檢測 82
3.7.1 監(jiān)督型深度學習變化檢測 82
3.7.2 半監(jiān)督型深度學習變化檢測 82
3.7.3 非監(jiān)督型深度學習變化檢測 83
3.7.4 自監(jiān)督型深度學習變化檢測 83
3.7.5 試驗與分析 84
參考文獻 90
第4章 多時相遙感影像分類與應(yīng)用 96
4.1 多時相影像分類基本概念與方法 96
4.1.1 基本概念與方法演進 96
4.1.2 多時相影像特征提取 97
4.1.3 多時相影像分類算法 98
4.1.4 多時相訓練樣本選擇 99
4.2 多時相影像遷移學習與分類 99
4.2.1 遷移學習概述 100
4.2.2 多時相影像知識遷移 101
4.2.3 多時相影像樣本遷移 104
4.2.4 知識遷移與地表覆蓋更新試驗 108
4.3 多時相影像農(nóng)作物分類 112
4.3.1 數(shù)據(jù)集 112
4.3.2 分類方法與實現(xiàn) 113
4.3.3 時間序列特征集構(gòu)建 113
4.3.4 分類體系構(gòu)建與分類器 115
4.3.5 試驗與分析 116
4.4 多時相影像建筑物分類應(yīng)用 123
4.4.1 基于多時相影像的新增建設(shè)用地提取技術(shù) 123
4.4.2 研究區(qū)與數(shù)據(jù) 126
4.4.3 新增建設(shè)用地提取結(jié)果 127
4.4.4 討論與分析 130
參考文獻 132
第5章 時間序列光學遙感影像分析與應(yīng)用 135
5.1 雙向連續(xù)變化檢測與分類 135
5.1.1 連續(xù)變化檢測與分類方法 135
5.1.2 連續(xù)變化檢測的方向性 136
5.1.3 雙向連續(xù)變化檢測與分類模型構(gòu)建 137
5.1.4 應(yīng)用試驗 141
5.2 基于時序遙感影像的水體演變分析 145
5.2.1 地表水體各要素的地物特征 145
5.2.2 地表水體覆蓋范圍識別方法 146
5.2.3 基于地理知識的地表水體分類 147
5.2.4 地表水體年度分類和精度評價 149
5.2.5 太湖流域地表水體時空變化分析 149
5.3 基于時序遙感影像的土地利用變化分析 154
5.3.1 城鄉(xiāng)要素的分類體系 154
5.3.2 基于SNIC 的城市地表對象分割 155
5.3.3 城鄉(xiāng)用地分類模型 156
5.3.4 城鄉(xiāng)用地年度分類和精度評價 158
5.3.5 太湖流域城鄉(xiāng)土地時空變化分析 159
5.4 基于時序遙感影像的城市擴張與物候響應(yīng)分析 163
5.4.1 基于集成學習的連續(xù)變化檢測與分類方法 163
5.4.2 基于高時空分辨率時序植被指數(shù)的物候提取方法 166
5.4.3 顧及土地覆蓋變化的地表物候分析方法 167
5.4.4 實驗結(jié)果與分析 168
5.5 基于時序遙感影像的冰川變化分析 174
5.5.1 研究方法與技術(shù)路線 174
5.5.2 基于對象的圖像分析 174
5.5.3 基于多層次規(guī)則的分類 175
5.5.4 時間序列處理和變化分析 176
5.5.5 研究區(qū)與數(shù)據(jù) 177
5.5.6 結(jié)果與分析 179
5.6 基于時間序列遙感影像的地表水體分析 184
5.6.1 方法與技術(shù)路線 184
5.6.2 復雜場景水體時序提取指數(shù) 185
5.6.3 多源數(shù)據(jù)融合的水體提取規(guī)則 187
5.6.4 基于時序頻率的水體分類 187
5.6.5 研究區(qū)與數(shù)據(jù) 188
5.6.6 結(jié)果與分析 190
5.7 時序遙感影像深度學習分類與作物識別 195
5.7.1 深度學習時序分類算法 195
5.7.2 注意力機制融合的時間卷積網(wǎng)絡(luò) 196
5.7.3 注意力感知的動態(tài)自聚合網(wǎng)絡(luò) 197
5.7.4 CA-TCN試驗與分析 200
5.7.5 ADSN試驗與分析 202
參考文獻 205
第6章 時間序列SAR 影像分析與應(yīng)用 212
6.1 時間序列InSAR技術(shù)與方法 212
6.1.1 PSInSARTM技術(shù) 212
6.1.2 SBAS-InSAR技術(shù) 213
6.1.3 StaMPS/MTI方法 214
6.1.4 DS-InSAR技術(shù) 215
6.2 融合PSI與PCA 的城市地表形變監(jiān)測分析 216
6.2.1 研究區(qū)與數(shù)據(jù)源 217
6.2.2 研究方法 218
6.2.3 結(jié)果分析與討論 223
6.3 時間序列SAR影像水體月度制圖 227
6.3.1 方法與技術(shù)路線 227
6.3.2 地表水體SAR粗提取 228
6.3.3 基于Sentinel-1的水體變化范圍反演 229
6.3.4 基于連續(xù)變化檢測的水體雙向迭代制圖 230
6.3.5 研究區(qū)與數(shù)據(jù) 231
6.3.6 結(jié)果與分析 232
6.4 時間序列SAR洪災(zāi)動態(tài)監(jiān)測與分析 238
6.4.1 方法與技術(shù)路線 238
6.4.2 汛期初水體精準提取方法 239
6.4.3 基于頻率差異的時序異常檢測及汛情識別 240
6.4.4 結(jié)果與分析 242
參考文獻 248
書單推薦
