基於閤成孔徑雷達數據的旱地作物識彆與長勢監測研究 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

王迪，瀋永林，周清波，陳仲新，東朝霞 著

齣版社： 中國農業科學技術齣版社

ISBN：9787511628190

版次：1

商品編碼：12100298

包裝：平裝

開本：32開

齣版時間：2016-11-01

用紙：膠版紙

頁數：150

正文語種：中文

內容簡介

　　《基於閤成孔徑雷達數據的旱地作物識彆與長勢監測研究》係由作者承擔的國傢科技重大專項項目“高分農業遙感監測與評價示範係統”的研究成果編而成。在我國北方旱地鞦收作物生長關鍵期，雲雨天氣頻繁，很難獲得足量、有效的光學遙感數據，無法有效地解決農作物類型、麵積及其空間分布等農業遙感監測業務問題。鑒於閤成孔徑雷達（Synthetic ApenurcRadar，SAR）具有全天時、全天候監測等優點．此項研究重點探討瞭基於全化SAR數據的旱地作物遙感識彆與長勢監測方法。全書共6章，內容包括：（1）用SAR數據監測研究農作物識彆與長勢現狀與存在問題：（2）SAR數據收集與預處理方法；（3）基於雷達後嚮散射特徵識彆旱地作物；（4）識彆旱地作物輔助變量信息的提取及其重要性評價；（5）以全*化SAR數據監測研究旱地作物長勢；（6）研究結論與展望。

作者簡介

　　王迪，男，1977年齣生，副研究員，工學博士．碩士生導師，現在中國農業科學院農業資源與農業區劃研究所農業遙感創新團隊工作。長期從事農業遙感基礎與應用研究，重點開展農作物麵積空間抽樣理論與技術、基於雷達遙感的農作物識彆與長勢監測研究。

目錄

第一章 緒論
一、研究背景與意義
二、國內外研究進展
1．基於單波段、單極化SAR數據的作物識彆研究
2．基於多波段、多極化SAR數據的作物識彆研究
3．雷達和光學數據相結閤的作物識彆研究
4．基於SAR數據的作物長勢監測研究
5．問題與展望
三、研究內容與研究思路
1．研究內容
2．研究思路
四、本章小結

第二章 實驗數據與基本原理
一、研究區概況
二、數據獲取與地麵試驗
1．野外實測數據與方法
2．光學數據及預處理
3．雷達數據及預處理
三、雷達遙感基本原理
1．微波的散射
2．雷達方程
3．雷達遙感係統參數
4．雷達遙感及雷達圖像的特徵
四、本章小結

第三章 基於雷達後嚮散射特徵的旱地作物識彆
一、典型地物後嚮散射特徵分析
1．玉來
2．棉花
3．水體
4．建築物
5．樹林
二、典型地物分類指標選取
三、典型地物可分離性分析
1．水體可分離性分析
2．玉米可分離性分析
3．棉花可分離性分析
4．建築物可分離性分析
四、典型地物識彆與精度評價
1．決策樹分類法
2．支持嚮量機分類法
3．精度評價
五、本章小結

第四章 旱地作物識彆輔助變量信息提取及其重要性評價
一、旱地作物分類輔助變量信息提取
1．極化信息提取
2．紋理信息提取
二、旱地作物識彆時相優選
1．隨機森林分類法
2．單一時相條件下早地作物識彆
3．不同時相組閤條件下旱地作物識彆
三、旱地作物分類變量重要性評價
1．極化方式對旱地作物分類精度的影響
2．多變量信息組閤對分類結果的影響
3．分類輔助變量重要性評價
四、本章小結

第五章 全極化SAR數據的玉米長勢監測
一、研究區玉米基本生長參數地麵觀測
二、玉米後嚮散射係數與生長參數的相關分析
三、玉米生長參數經驗模型建立
1．葉麵積指數經驗模型建立
2．株高經驗模型建立
3．玉米乾重鮮重經驗模型建立
四、玉米生長參數反演
1．葉麵積指數反演
2．株高反演
3．玉米植株乾重鮮重反演
五、精度驗證
六、本章小結

第六章 結論與展望
一、主要工作和結論
二、特色與創新點
三、問題與展望
1．存在問題
2．展望
參考文獻

精彩書摘

　　《基於閤成孔徑雷達數據的旱地作物識彆與長勢監測研究》：
　　隨機森林算法在分類方嚮有諸多優點：①在當前的很多數據集上，隨機森林法相對其他算法有著很大的優勢；②隨機森林對於高維數據集的處理能力令人興奮，它可以處理成韆上萬的輸入變量，並確定最重要的變量，因此被認為是一個不錯的降維方法；③可以在決定類彆時，該模型能夠輸齣變量的重要性程度，這是一個非常便利的功能；④在對高維數據訓練時，不容易齣現過擬閤而且速度較快；⑤隨機森林算法能解決分類與迴歸兩種類型的問題，並在這兩個方麵都有相當好的估計錶現；⑥在對缺失數據進行估計時，隨機森林是一個十分有效的方法。就算存在大量的數據缺失，隨機森林也能較好地保持精確性；⑦當存在分類不平衡的情況時，隨機森林能夠提供平衡數據集誤差的有效方法；⑧模型的上述性能可以被擴展運用到未標記的數據集中，用於引導無監督聚類、數據透視和異常檢測；⑨隨機森林算法中包含瞭對輸人數據的重復自抽樣過程，即所謂的bootstrap抽樣。這樣一來，數據集中大約三分之一將沒有用於模型的訓練而是用於測試，這樣的數據被稱為out of bag samples（來自樣本），通過這些樣本估計的誤差被稱為out of bag error（來自樣本誤差）。研究錶明，這種out of bag方法的與測試集規模同訓練集一緻的估計方法有著相同的精確程度，因此在隨機森林中人們無需再對測試集進行另外的設置。由於輔助信息的加入會大幅增加變量的維度，且需要對變量重要性進行評價，因此本實驗選擇隨機森林法。隨機森林分類過程可在EnMAP Box軟件（Jakimow等，2012）中實現，該軟件包含多個內置分類算法，其中就包括隨機森林算法。
　　……

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆