农业土地系统遥感制图

本书全面介绍了农业土地系统遥感制图的理论和技术方法。首先，从土地系统科学的角度出发，系统总结了国内外农业土地系统学科的研究动态，提出了农业土地系统遥感制图的研究框架；然后，介绍了耕地遥感制图，灌溉耕地遥感制图，农业种植制度遥感制图，基于低、中、高空间分辨率影像的农作物遥感制图，农作物遥感制图的特征优选，以及协同多源遥感数据的农作物制图的原理和方法，并结合具体应用案例对有关技术流程和应用成效进行了描述；最后，探讨和展望了大数据和人工智能背景下农业土地系统遥感制图的未来发展方向。本书可供从事土地利用科学、农业遥感、自然资源监测等领域的科研人员和管理人员参考使用，也可作为高等院校相关专业的本科生及研究生教材。

序
前言
第1章 绪论 1
1.1 土地系统科学 1
1.1.1 土地利用 1
1.1.2 从土地变化科学到土地系统科学 1
1.2 农业土地系统科学 4
1.2.1 农业土地系统科学研究框架 4
1.2.2 农业土地系统科学研究动态 5
1.3 农业土地系统遥感制图 10
1.3.1 遥感制图 10
1.3.2 农业土地系统遥感制图总体框架 12
1.3.3 农业土地系统遥感制图研究动态 13
1.4 结语 18
参考文献 19
第2章 耕地遥感制图 29
2.1 引言 29
2.2 已有耕地遥感数据产品 30
2.2.1 GlobeLand30 31
2.2.2 GlobCover 32
2.2.3 MODIS Collection 5/6 32
2.2.4 GLC2000 33
2.2.5 CCI-LC 33
2.3 不同耕地遥感数据产品的一致性分析 34
2.3.1 数据预处理 34
2.3.2 对比方法 34
2.3.3 结果与分析 36
2.3.4 结论 42
2.4 耕地遥感制图方法 44
2.4.1 基于遥感影像的耕地提取方法 44
2.4.2 基于遥感产品与统计数据融合方法 45
2.5 案例1：基于多套耕地产品和地理加权回归模型的中国耕地制图 48
2.5.1 多源数据收集与预处理 49
2.5.2 地理加权回归模型运行 51
2.5.3 中国耕地空间分布制图结果与精度评定 54
2.6 案例2：基于多源数据分层优化方法的全球耕地制图 55
2.6.1 多源数据收集与预处理 56
2.6.2 多源数据分层优化融合方法 58
2.6.3 融合结果与分析 62
参考文献 65
第3章 灌溉耕地遥感制图 69
3.1 引言 69
3.2 主要灌溉耕地数据集 71
3.2.1 GMIA和MIRCA2000 71
3.2.2 GIAM和GMRCA 72
3.2.3 GRIPC 72
3.2.4 其他产品 73
3.2.5 数据产品的对比 75
3.3 灌溉耕地制图理论依据 80
3.4 灌溉耕地制图特征参量 81
3.4.1 地理特征参量 81
3.4.2 植被与土壤特征参量 82
3.4.3 时间特征参量 83
3.5 灌溉耕地制图方法 84
3.5.1 监督分类 84
3.5.2 非监督分类 86
3.5.3 数据融合 87
3.6 案例：融合遥感与非遥感数据的中国灌溉耕地制图 87
3.6.1 理论依据 88
3.6.2 数据准备 88
3.6.3 技术流程 88
3.6.4 制图结果与精度评价 89
参考文献 92
第4章 农业种植制度遥感制图 98
4.1 引言 98
4.1.1 耕地复种指数 98
4.1.2 耕地物候参数 99
4.2 农业种植制度遥感提取的理论基础 101
4.3 时间序列植被指数重构方法 102
4.3.1 非对称高斯函数拟合法 102
4.3.2 双逻辑斯谛函数拟合法 102
4.3.3 Savitzky-Golay滤波法 103
4.3.4 时间序列谐波分析法 103
4.4 农业种植制度关键参数提取方法 103
4.4.1 阈值法 103
4.4.2 时间序列法 104
4.4.3 物候累计频率法 105
4.4.4 主成分分析法 106
4.4.5 曲线拟合法 107
4.5 案例1：基于MODIS和GF数据融合的耕地复种频率提取——以鄱阳湖区域为例 107
4.5.1 MODIS和GF数据融合 107
4.5.2 基于二次差分法提取种植频率 112
4.5.3 种植频率提取结果和精度验证 113
4.5.4 种植频率提取的时空不确定性比较 116
4.6 案例2：基于MODIS双星的耕地物候参数提取——以中国北方区域为例 119
4.6.1 MODIS双星数据协同 119
4.6.2 基于阈值法提取关键物候参数 125
4.6.3 耕地物候提取结果 126
4.6.4 耕地物候提取结果的精度验证 133
参考文献 140
第5章 农作物遥感制图的特征选择策略 145
5.1 引言 145
5.2 农作物遥感识别特征类型 146
5.2.1 光谱特征 146
5.2.2 时相特征 148
5.2.3 空间特征 149
5.3 农作物遥感识别特征利用方式 150
5.3.1 基于单一特征 150
5.3.2 基于多特征参量 152
5.3.3 基于特征量的统计模型 154
5.4 农作物遥感识别特征自动优选方法 155
5.4.1 基于分离指数的特征优选方法 155
5.4.2 光谱-时相特征自动优选方法 156
5.4.3 基于随机森林分类模型的特征优选方法 157
5.5 光谱和时相特征对农作物识别的影响评估 161
5.5.1 特征情景设计 162
5.5.2 基于不同特征的农作物识别 163
5.5.3 特征质量对农作物识别影响 165
5.5.4 特征数量对农作物识别影响 167
5.6 案例1：基于STAFS方法的玉米很优特征筛选 168
5.6.1 STAFS 方法参数化过程 168
5.6.2 玉米很优特征和识别结果 169
5.6.3 玉米很优特征解释性 173
5.6.4 STAFS 泛化应用分析 174
5.6.5 STAFS 扩展性分析 175
5.7 案例2：基于随机森林模型的农作物特征选择 175
5.7.1 随机森林模型构建与参数优化 175
5.7.2 随机森林特征重要性打分 177
5.7.3 基于不同特征组合的农作物识别结果 179
参考文献 182
第6章 基于中低空间分辨率影像的农作物制图 188
6.1 引言 188
6.2 中低空间分辨率遥感数据 189
6.2.1 MODIS卫星影像 189
6.2.2 VIIRS卫星影像 191
6.2.3 AVHRR卫星影像 193
6.2.4 SPOT-VEGETATION卫星影像 194
6.3 长时间序列遥感影像处理 195
6.3.1 长时序遥感影像收集与预处理 195
6.3.2 长时序植被指数构建 199
6.3.3 长时序多光谱特征优选 200
6.4 亚像元农作物面积百分比提取方法 203
6.4.1 硬分类与软分类定义 203
6.4.2 光谱线性分解方法 203
6.4.3 光谱非线性分解方法 206
6.4.4 时相线性分解方法 209
6.4.5 地理加权回归模型方法 210
6.4.6 随机森林回归模型方法 210
6.5 案例1：基于MODIS和地理加权回归模型的大豆丰度制图 211
6.5.1 候选特征变量构建 212
6.5.2 地理加权回归模型构建与优化 212
6.5.3 黑龙江大豆丰度分布图与精度评估 213
6.6 案例2：基于MODIS和随机森林回归模型的作物丰度制图 217
6.6.1 候选特征变量构建 218
6.6.2 随机森林回归模型构建与优化 218
6.6.3 黑龙江农作物丰度分布图与精度评估 219
参考文献 226
第7章 基于中高空间分辨率影像的农作物制图 232
7.1 引言 232
7.2 中高空间分辨率遥感数据 233
7.2.1 美国陆地资源（Landsat）系列卫星 233
7.2.2 欧盟哨兵（Sentinel）系列卫星 235
7.2.3 中国环境（HJ）系列卫星 237
7.2.4 中国高分（GF）系列卫星 239
7.3 基于像素分类方法 242
7.4 面向对象分类方法 243
7.4.1 面向对象的定义 243
7.4.2 图像分割方法 245
7.5 逐月优化的农作物制图策略 247
7.6 案例：基于GF-1数据与面向对象分类方法的多阶段农作物制图 248
7.6.1 数据准备 249
7.6.2 多尺度分割 250
7.6.3 多特征选择 253
7.6.4 随机森林分类模型参数化 256
7.6.5 农作物识别结果及精度验证 257
参考文献 258
第8章 基于高空间分辨率影像的农作物制图 262
8.1 引言 262
8.2 高空间分辨率遥感影像 266
8.2.1 QuickBird卫星影像 266
8.2.2 Google Earth卫星影像 267
8.2.3 无人机航拍影像 268
8.3 针对高空间分辨率影像的特征构建 269
8.3.1 农作物可见光植被指数提取分析 269
8.3.2 农作物可见光纹理特征提取分析 270
8.3.3 农作物空间高度特征提取分析 270
8.4 机器学习分类算法 271
8.4.1 SVM算法介绍 271
8.4.2 深度学习算法 271
8.4.3 卷积神经网络算法 272
8.5 案例：基于无人机影像和SVM算法的农作物识别 273
8.5.1 研究区与数据 273
8.5.2 技术路线 278
8.5.3 农作物分类特征的选取 278
8.5.4 农作物分类流程及结果 289
参考文献 292
第9章 基于多源数据融合的农作物制图研究 298
9.1 引言 298
9.2 多源数据融合技术 298
9.2.1 提高空间分辨率 299
9.2.2 提高时间分辨率 300
9.3 多源遥感数据融合模式 301
9.3.1 光学遥感数据的融合 301
9.3.2 光学遥感与微波遥感数据的融合 302
9.4 遥感数据与统计数据融合 303
9.4.1 SPAM模型 304
9.4.2 GAEZ模型 305
9.5 遥感数据与其他数据融合 306
9.6 案例：基于SPAM模型提取东北地区玉米种植面积 307
9.6.1 数据来源及处理 307
9.6.2 SPAM模型参数化过程 309
9.6.3 东北地区玉米分布图及精度评定 315
参考文献 319
第10章 农作物空间分布遥感制图发展方向探讨 325
10.1 引言 325
10.2 农作物空间分布遥感制图策略 325
10.2.1 制图目标呈现多元化 325
10.2.2 制图单元从像元到地块 326
10.2.3 样本信息采集从线下到线上 327
10.2.4 制图方法从自动学习到深度学习 328
10.2.5 遥感数据源的协同利用 329
10.3 农作物空间分布遥感数据产品研制 330
10.4 农作物空间分布数据产品的共享与服务 331
参考文献 332