多源遙感及地學數據融合計算

目錄
第1章 緒論1
1.1 地學數據類型1
1.2 不同數據之間的互補性3
1.3 數據融合的定義4
1.4 本書研究內容5
參考文獻7
第2章 亞像素位移影像序列超分辨率融合方法9
2.1 概述9
2.1.1 超分辨率技術的概念9
2.1.2 超分辨率技術的遙感應用10
2.2 超分辨率技術基本理論與方法11
2.2.1 觀測模型11
2.2.2 參數估計12
2.2.3 超分辨率模型13
2.3 基於深度學習的視頻序列超分辨率融合方法15
2.3.1 概述15
2.3.2 時空信息融合網絡16
2.3.3 空間梯度增強網絡18
2.3.4 聯合優化策略20
2.4 視頻影像超分辨率融合實驗21
2.4.1 測試數據與實驗設置21
2.4.2 模擬實驗23
2.4.3 真實實驗28
2.5 本章小結30
參考文獻30
第3章 多傳感器遙感影像空-譜融合方法36
3.1 概述36
3.2 空-譜融合方法體系37
3.2.1 成分替換融合方法37
3.2.2 多分辨率分析融合方法41
3.2.3 變分模型融合方法44
3.2.4 機器學習融合方法46
3.3 基於差值映射的深度殘差捲積融合網絡48
3.3.1 差值映射與梯度輔助策略48
3.3.2 基於差值映射的深度殘差捲積融合方法50
3.4 實驗結果與分析53
3.4.1 定量評價指標54
3.4.2 模擬實驗56
3.4.3 真實實驗60
3.4.4 參數量及復雜度分析65
3.5 本章小結66
參考文獻66
第4章 多源遙感參量數據時-空融合方法73
4.1 概述73
4.2 時-空融合的發展現狀74
4.2.1 線性解混方法75
4.2.2 時空濾波方法75
4.2.3 變分模型方法76
4.2.4 機器學習方法76
4.2.5 混合方法77
4.3 基於非局部濾波的時-空融合方法77
4.3.1 模型框架77
4.3.2 算法流程79
4.3.3 實驗結果與分析81
4.4 深度學習時-空融合方法87
4.4.1 模型框架87
4.4.2 網絡細節與損失函數89
4.4.3 實驗結果與分析91
4.5 多傳感器時-空一體化融合方法99
4.5.1 模型框架99
4.5.2 像元篩選與權重計算100
4.5.3 實驗結果與分析101
4.6 本章小結108
參考文獻108
第5章 多源光學遙感影像時-空-譜一體化融合方法111
5.1 概述111
5.2 時-空-譜一體化變分融合模型112
5.2.1 時-空-譜關系模型112
5.2.2 一體化融合模型115
5.2.3 優化求解算法118
5.3 實驗結果與分析118
5.3.1 超分辨率融合實驗119
5.3.2 空-譜融合實驗120
5.3.3 時-空融合實驗121
5.3.4 時-空-譜一體化融合實驗122
5.4 本章小結126
參考文獻126
第6章 單極化-全極化SAR數據融合方法129
6.1 概述129
6.2 數據組織形式與退化模型130
6.3 機器學習SAR數據融合模型132
6.3.1 高分辨率單極化SAR特徵提取模塊133
6.3.2 低分辨率全極化SAR超分辨率重建模塊134
6.3.3 交叉註意力機制136
6.3.4 融合損失函數138
6.3.5 雙-全極化SAR影像融合方法擴展139
6.4 實驗結果與分析139
6.4.1 實驗數據與預處理140
6.4.2 模擬實驗141
6.4.3 真實實驗144
6.4.4 極化分析實驗145
6.4.5 雙-全極化SAR影像融合實驗150
6.5 本章小結152
參考文獻152
第7章 光學-SAR遙感數據像素級融合方法155
7.1 概述155
7.2 深度循環生成對抗網絡融合方法156
7.2.1 雙向循環融合框架156
7.2.2 生成器與判別器網絡結構158
7.2.3 損失函數160
7.3 實驗結果與分析161
7.3.1 分辨率提升實驗162
7.3.2 厚雲去除實驗166
7.3.3 厚雲去除與分辨率提升聯合處理實驗169
7.4 本章小結173
參考文獻173
第8章 可見光-短波紅外遙感數據融合方法177
8.1 概述177
8.1.1 譜段相關性與互補性177
8.1.2 大氣散射規律180
8.2 捲雲波段輔助的可見光波段校正方法182
8.2.1 捲雲校正模型183
8.2.2 參數求解183
8.2.3 實驗結果與分析187
8.3 基於梯度融合的影像薄雲霧校正方法193
8.3.1 歸一化梯度融合變分模型193
8.3.2 波段相關性先驗194
8.3.3 有約束的歸一化梯度融合模型195
8.3.4 實驗結果與分析196
8.4 短波紅外波段引導的融合重建方法199
8.4.1 雲區與非雲區分離199
8.4.2 相似像元高精度匹配200
8.4.3 空譜馬爾可夫薄雲校正模型201
8.4.4 實驗結果與分析203
8.5 本章小結204
參考文獻204
第9章 多參量數據融合降尺度方法207
9.1 概述207
9.1.1 空間降尺度207
9.1.2 確定性降尺度208
9.1.3 統計降尺度208
9.2 多元自適應回歸樣條降尺度方法210
9.2.1 前向選擇210
9.2.2 後向剪枝211
9.3 顧及尺度一致約束的捲積網絡降尺度方法212
9.3.1 雙模式交叉註意力模塊213
9.3.2 內嵌註意力的殘差密集捲積模塊214
9.3.3 損失函數設計216
9.4 實驗結果與分析216
9.4.1 研究區域與數據216
9.4.2 實驗方案設計218
9.4.3 模擬實驗219
9.4.4 真實實驗224
9.5 本章小結231
參考文獻231
第10章 遙感與地基觀測數據點-面融合方法236
10.1 概述236
10.1.1 點-面融合基本概念236
10.1.2 大氣PM2.5濃度點-面融合估算238
10.1.3 顧及時空規律的機器學習點-面融合建模240
10.2 研究區域與數據240
10.2.1 地基站點數據241
10.2.2 衛星觀測數據241
10.2.3 氣象再分析資料241
10.2.4 數據預處理242
10.3 時空關聯深度學習點-面融合方法242
10.3.1 深度置信網絡242
10.3.2 時空關聯因子提取244
10.3.3 時空關聯深度學習244
10.3.4 實驗結果與分析246
10.4 時空地理加權學習點-面融合方法249
10.4.1 模型結構250
10.4.2 時空加權方案251
10.4.3 權值優化求解251
10.4.4 模型參數選擇252
10.4.5 實驗結果與分析252
10.5 全局-局部結合時空神經網絡點-面融合方法258
10.5.1 通用時空地理加權學習模型258
10.5.2 全局-局部建模框架259
10.5.3 實驗結果與分析261
10.6 點-面融合方法對比評估266
10.6.1 考慮站點不均勻分佈的驗證方法267
10.6.2 模型評價結果及其對比268
10.7 本章小結270
參考文獻270
第11章 對地觀測與社會感知數據融合方法275
11.1 概述275
11.2 研究區域與數據277
11.3 融合對地觀測與社會感知的PM2.5估算方法279
11.3.1 特徵變量提取279
11.3.2 關系建模與參量估計282
11.4 實驗結果與分析283
11.4.1 描述性統計結果283
11.4.2 定量評價結果284
11.4.3 制圖評價結果286
11.4.4 社會感知變量影響分析289
11.4.5 其他城市擴展應用290
11.5 本章小結293
參考文獻293
第12章 對地觀測數據與動力學模式同化融合方法296
12.1 概述296
12.2 模式-遙感數據同化方法297
12.2.1 數據同化基本原理297
12.2.2 數據同化算法297
12.2.3 模型算子與觀測算子302
12.2.4 研究區、數據與實驗方案304
12.2.5 實驗結果與分析307
12.3 遙感-模式數據融合方法312
12.3.1 基本原理與研究現狀312
12.3.2 遙感-模式一體化融合框架313
12.3.3 研究區與實驗數據317
12.3.4 實驗結果與分析319
12.4 本章小結327
參考文獻327
第13章 多源地學數據廣義時-空-譜一體化融合方法332
13.1 概述332
13.1.1 經典時-空-譜融合框架的局限332
13.1.2 “譜”的內涵延拓333
13.1.3 時-空-譜融合的廣義理解333
13.2 多源異質遙感影像的時-空-譜一體化融合方法334
13.2.1 異質時-空-譜一體化融合框架334
13.2.2 損失函數336
13.2.3 實驗結果與分析337
13.3 面向參量降尺度的廣義時-空-譜一體化融合方法342
13.3.1 土壤水分觀測及其降尺度342
13.3.2 數據介紹343
13.3.3 廣義時-空-譜一體化融合降尺度方法345
13.3.4 實驗結果與分析347
13.4 本章小結351
參考文獻351