Urban Remote Sensing(精装版)

在全球城市化背景下， 城市遥感技术在城市观测、 监测、规划、建设和管理等 方面发挥了重要作用。本书 介绍了城市多源遥感大数据 获取原理、城市遥感图像处 理方法和城市遥感在相关行 业的具体应用。具体内容涵 盖城市遥感现状和发展趋势 、城市遥感空天地多平台传 感器的数据特性，重点包括 城市遥感“时空谱角”观测模 型、城市遥感图像解译原理 和方法、城市遥感图像预处 理和信息提取方法、基于深 度学习模型的城市遥感图像 处理方法、城市遥感变化检 测和动态监测，以及城市生 态环境遥感监测技术与实践 。 本书内容包括遥感基础 知识和城市遥感当前研究方 向，可以作为高等院校遥感 、测绘、地理信息及相关专 业本科生和研究生教材，也 可供城市遥感领域的科学工 作者参考。

邵振峰，1976年生，武汉大学博士，二级教授，测绘遥感信息工程国家重点实验室工作，摄影测量与遥感专业博士生导师，现担任美国摄影测量与遥感会刊Photogrammetry Engineering & Remote Sensing副主编，主要研究城市遥感。先后入选教育部“新世纪优秀人才”（2012年）、湖北省自然科学基金“杰青人才”计划（2013年）、武汉市“晨光计划”（2015年）、科技部“中青年科技创新领军人才”和“全国优秀科技工作者”（2016年）、中组部“万人计划”科技创新领军人才（2017年），主持国家重点研发计划战略性国际科技创新合作重点专项项目、香港联合基金项目、国家自然科学基金面上项目多项，参与国家重点研发计划项目和重大基金项目多项。先后在美国纽约州立大学布法罗分校（2013年）、印第安纳州立大学（2016年）和加利福尼亚大学默塞德分校（2017年）作访问学者，已发表学术论文100余篇，其中SCI检索80余篇，出版专著《城市遥感》。已获美国授权发明专利2项，中国授权国家发明专利32项、软件著作权11项，获国际学术会议最佳论文奖4项（其中2014年获得美国摄影测量与遥感领域Talbert Abrams Award）、国家科技进步一等奖1项（2020年）、国家科技进步二等奖1项（2015年）、省部级一等奖5项（2012～2019年）、中国专利优秀奖1项（2018年），并获得王之卓青年科学家奖（2019年）。

Preface About the Author Chapter 1 Urban Spatio-Temporal-Spectral-Angular Observation Model 1.1 Urban Remote Sensing Observation Demand 1.1.1 The observation objects of urban remote sensing 1.1.2 The demand for urban application services for remote sensing platform 1.1.3 The demand for sensor diversity in urban remote sensing 1.1.4 Remote sensing platform for various urban ouтeapplications 1.2 Multi-platform Multi-sensor Collaborative Network Observation Mode of Space-Air-Ground for Urban Service Demand 1.3 Theoretical Model of Urban Spatio-Temporal-Spectral-Angular Observation 1.4 Urban Remote Sensing Observation Services Questions References Chapter 2 Big Data Characteristics of Urban Remote Sensing 2.1 Multi-source Heterogeneous Remote Sensing Big Data withLong Time Series 2.1.1 Urban satellite imagery 2.1.2 Urban aerial imagery 2.1.3 Urban UAV imagery 2.1.4 Urban mobile mapping system 2.1.5 Urban crowdsourcing images 2.2 Data Characteristics of Urban Visible Panchromatic Remote Sensing Imagery 2.2.1 Image characteristics of urban houses 2.2.2 Image characteristics of urban roads 2.2.3 Image characteristics of urban green space 2.2.4 Image characteristics of urban water bodies 2.3 Data Characteristics of Urban Multi-spectral Remote Sensing Images 2.3.1 Data characteristics of urban green space 2.3.2 Data characteristics of urban water bodies 2.4 Data Characteristics of Urban Hyperspectral Imagery 2.5 Data Characteristics of Urban Thermal Infrared Images 2.6 Data Characteristics of Urban Microwave Remote Sensing Images 2.7 Data Characteristics of Urban LiDAR Data 2.8 Data Characteristics of Urban Nighttime Light Remote Sensing Imagery 2.9 Data Characteristics of Urban Crowdsourcing Images Questions References Chapter 3 Principles and Methods of Urban Remote Sensing Image Interpretation 3.1 The Task of Urban Remote Sensing Imagery Interpretation 3.2 The Objects of Urban Remote Sensing Imagery Interpretation 3.2.1 Image spatial interpretation 3.2.2 Interpretation of spectrum space 3.2.3 Interpretation of feature space 3.3 The Mechanism of Urban Remote Sensing Imagery Interpretation 3.3.1 Direct interpretation signs 3.3.2 Indirect interpretation signs 3.4 Methods of Urban Remote Sensing Imagery Interpretation 3.4.1 Visual interpretation 3.4.2 Semi-automatic interpretation 3.4.3 Automatic interpretation based on machine learning 3.4.4 Automatic interpretation based on deep learning 3.4.5 Interpretation of remote sensing big data Questions References Chapter 4 Preprocessing Methods of Urban Remote Sensing Imagery 4.1 Cloud Detection Methods for Urban Remote Sensing Imagery 4.2 Shadow Detection Methods for Urban Remote Sensing Imagery 4.3 Image Enhancement Methods for Urban Remote Sensing Imagery 4.4 Super-Resolution Reconstruction Methods for Urban Remote Sensing Imagery 4.5 Fusion Demands of Urban Remote Sensing Imagery 4.5.1 Spatial-spectral fusion methods 4.5.2 Spatio-temporal fusion methods Questions References Chapter 5 Classification and Information Extraction Methods for Urban Remote Sensing Imagery 5.1 Classification and Information Extraction Demands for Urban Remote Sensing Imagery 5.2 Unsupervised Classification Methods for Urban Remote Sensing Imagery 5.3 Supervised Classification Methods for Urban Remote Sensing Imagery 5.4 New Classification Methods for Urban Remote Sensing Imagery 5.5 Urban Road Extraction Methods Based on Remote Sensing Imagery 5.5.1 Automatic extraction method of urban roads 5.5.2 Road extraction method based on deep learning models 5.6 Urban Building Extraction Methods Based on Remote Sensing Imagery 5.7 Urban Lake Extraction Methods Based on Remote SensingImagery Questio