農(nóng)作物監(jiān)測的多源遙感數(shù)據(jù)分析與應(yīng)用

目　錄
第1章　緒論　1　
1.1　農(nóng)作物遙感概述　1　
1.2　多源遙感數(shù)據(jù)類型　3　
1.3　多源遙感數(shù)據(jù)融合　7　
參考文獻　9　
第2章　農(nóng)作物遙感基礎(chǔ)　13　
2.1　農(nóng)作物遙感基本原理　13　
2.1.1　植被冠層輻射傳輸　13　
2.1.2　光譜特征　14　
2.1.3　時序遙感　14　
2.1.4　多角度遙感　15　
2.2　植被光譜特征和冠層光譜特征　15　
2.2.1　植被光譜特征　16　
2.2.2　冠層光譜特征　19　
2.3　農(nóng)作物生理生化指標　23　
2.3.1　植被指數(shù)　23　
2.3.2　葉面積指數(shù)　27　
2.3.3　葉綠素含量　28　
2.3.4　吸收光合有效輻射比　28　
2.3.5　生物量　29　
2.3.6　含水量　30　
2.4　時序遙感數(shù)據(jù)應(yīng)用　31　
2.4.1　農(nóng)作物長勢監(jiān)測　31　
2.4.2　農(nóng)作物類型識別和種植面積提取　32　
參考文獻　33　
第3章　影像融合技術(shù)　38　
3.1　影像融合概述　38　
3.1.1　影像融合概念　38　
3.1.2　影像融合方法和過程　38　
3.1.3　影像融合的遙感應(yīng)用　39　
3.2　影像融合分類　41　
3.2.1　像素級影像融合　41　
3.2.2　特征級影像融合　42　
3.2.3　決策級影像融合　42　
3.3　空間域影像融合方法　43　
3.3.1　Brovey變換融合方法　44　
3.3.2　分塊替代融合方法　44　
3.3.3　基于引導(dǎo)濾波的影像融合方法　45　
3.4　變換域影像融合方法　46　
3.4.1　離散小波變換融合方法　46　
3.4.2　Curvelet變換融合方法　47　
3.4.3　非下采樣Contourlet變換融合方法　52　
3.4.4　混合式影像融合方法　56　
3.5　基于深度學習的影像融合技術(shù)　57　
3.5.1　深度學習　57　
3.5.2　人工神經(jīng)網(wǎng)絡(luò)　58　
3.5.3　卷積神經(jīng)網(wǎng)絡(luò)　64　
3.6　融合評價　73　
3.6.1　有參考影像融合評價　73　
3.6.2　無參考影像融合評價　74　
參考文獻　75　
第4章　農(nóng)作物遙感監(jiān)測數(shù)據(jù)獲取與處理　80　
4.1　遙感數(shù)據(jù)獲取與預(yù)處理概述　81　
4.1.1　遙感數(shù)據(jù)獲取與選擇　81　
4.1.2　時序遙感數(shù)據(jù)構(gòu)建　83　
4.1.3　超分辨率重建　84　
4.2　無人機遙感及其數(shù)據(jù)獲取與預(yù)處理　85　
4.2.1　無人機遙感　85　
4.2.2　無人機遙感數(shù)據(jù)采集與預(yù)處理　88　
4.3　田間調(diào)查取樣與分析　90　
4.3.1　調(diào)查方案及試驗設(shè)計　90　
4.3.2　光譜測量　93　
4.3.3　作物農(nóng)學參數(shù)的調(diào)查與測量　94　
4.4　其他輔助數(shù)據(jù)　98　
4.4.1　氣象數(shù)據(jù)　98　
4.4.2　土壤環(huán)境數(shù)據(jù)　100　
4.4.3　病蟲害數(shù)據(jù)　100　
4.4.4　栽培管理數(shù)據(jù)　102　
4.4.5　社會經(jīng)濟統(tǒng)計數(shù)據(jù)　102　
4.5　數(shù)據(jù)融合與集成　103　
4.5.1　數(shù)據(jù)融合策略　103　
4.5.2　數(shù)據(jù)集成技術(shù)與平臺　106　
參考文獻　107　
第5章　農(nóng)作物參數(shù)反演建模　111　
5.1　機理模型　112　
5.1.1　PROSAIL模型　113　
5.1.2　DART模型　116　
5.1.3　計算機模擬模型　117　
5.1.4　機理模型的應(yīng)用　119　
5.2　經(jīng)驗統(tǒng)計模型　120　
5.2.1　經(jīng)驗統(tǒng)計建模的過程和步驟　120　
5.2.2　經(jīng)驗統(tǒng)計反演模型的形式　122　
5.2.3　經(jīng)驗統(tǒng)計模型的優(yōu)缺點　124　
5.3　機器學習方法　124　
5.3.1　隨機森林　125　
5.3.2　支持向量機　126　
5.3.3　誤差反向傳播神經(jīng)網(wǎng)絡(luò)　128　
5.4　模型評價　129　
5.4.1　模型驗證　129　
5.4.2　敏感性分析　130　
5.4.3　模型比較和選擇　132　
參考文獻　134　
第6章　冬油菜冠層參數(shù)的光譜估計　139　
6.1　冬油菜冠層光譜及預(yù)處理　139　
6.1.1　冬油菜冠層的反射光譜特點　140　
6.1.2　光譜去噪　141　
6.1.3　光譜變換　142　
6.1.4　光譜特征提取　143　
6.1.5　高光譜植被指數(shù)　144　
6.2　冬油菜LAI的光譜估計　144　
6.2.1　不同施氮水平下LAI的變化　144　
6.2.2　冠層光譜反射率與LAI的相關(guān)性　145　
6.2.3　各生育期冬油菜LAI的估計模型　146　
6.2.4　全生育期冬油菜LAI的估計模型　151　
6.2.5　模型精度分析與建議　152　
6.3　冬油菜冠層葉綠素含量的光譜估計　154　
6.3.1　氮肥施用量與葉綠素含量的關(guān)系　154　
6.3.2　葉綠素含量預(yù)測模型建立與評價結(jié)果　154　
6.4　冬油菜生物量的光譜估計　156　
6.4.1　氮肥施用量對冬油菜生物量積累的影響　156　
6.4.2　生物量預(yù)測模型建立與評價結(jié)果　156　
6.5　基于LUT的冬油菜冠層參數(shù)反演　157　
6.5.1　材料與方法　158　
6.5.2　結(jié)果與分析　161　
6.5.3　討論　168　
參考文獻　169　
第7章　冬油菜遙感監(jiān)測與估產(chǎn)　173　
7.1　無人機多光譜遙感的應(yīng)用　173　
7.1.1　數(shù)據(jù)采集　173　
7.1.2　基于數(shù)字表面模型的株高提取　177　
7.1.3　基于植被指數(shù)和株高的LAI估算　179　
7.1.4　NBI、Chl、Flav植被指數(shù)反演　181　
7.2　作物生長模型與無人機遙感　186　
7.2.1　作物生長模型　186　
7.2.2　APSIM-Canola模型的本地化　187　
7.2.2　長勢參數(shù)與模型調(diào)參結(jié)果　190　
7.3　基于田塊的冬油菜早期模糊聚類識別　193　
7.3.1　研究區(qū)與數(shù)據(jù)采集　193　
7.3.2　模糊聚類方法　195　
7.3.3　冬油菜模糊識別結(jié)果與分析　198　
7.4　基于HJ影像-地面LAI-產(chǎn)量模型的冬油菜產(chǎn)量估計　202　
7.4.1　研究區(qū)與數(shù)據(jù)采集　202　
7.4.2　結(jié)果與分析　203　
參考文獻　210