本文選題：高光譜數(shù)據(jù) + PHI��； 參考：《國土資源遙感》2017年02期

【摘要】：近年來,高光譜遙感在林業(yè)方面的應(yīng)用越來越廣泛,尤其在分類方面居多。但機載PHI高光譜數(shù)據(jù)通常用于農(nóng)業(yè)病蟲害監(jiān)測、海洋懸浮物顆粒監(jiān)測等,在林業(yè)方面的應(yīng)用較少。以湖北省荊門市東寶區(qū)為研究區(qū),以機載PHI高光譜遙感數(shù)據(jù)為數(shù)據(jù)源,對森林優(yōu)勢樹種進行了分類研究。首先采用獨立成分分析法(independent component analysis,ICA)對裁剪后的PHI數(shù)據(jù)進行降噪,并利用自適應(yīng)波段選擇法(adaptive band selection,ABS)進行降維,再采用歸一化植被指數(shù)(normalized difference vegetation index,NDVI)區(qū)分林地與非林地,最后利用支持向量機法(support vector machine,SVM)進行森林優(yōu)勢樹種監(jiān)督分類。研究結(jié)果表明,分類精度可達80.70%,Kappa系數(shù)達到0.75;分塊處理PHI數(shù)據(jù)以及采用NDVI區(qū)分林地與非林地,對于減弱"同物異譜"和"異物同譜"現(xiàn)象有較好的作用;ABS與SVM相結(jié)合的分類方法,較適用于PHI數(shù)據(jù)在樹種識別方面的應(yīng)用探索,具有重要意義。
[Abstract]:In recent years, hyperspectral remote sensing has been widely used in forestry, especially in classification.However, airborne PHI hyperspectral data are usually used to monitor agricultural diseases and insect pests and marine suspended matter particles, but are rarely used in forestry.Based on the airborne PHI hyperspectral remote sensing data, the forest dominant tree species were classified in Dongbao District, Jingmen City, Hubei Province.The independent component analysis (ICA) method was used to reduce the noise of the PHI data, and the adaptive band selection method was used to reduce the dimension. Then the normalized difference vegetation index (NDVI) was used to distinguish the forest land from the non-forest land.Finally, support vector machine (SVM) was used to monitor and classify forest dominant tree species.The results show that the classification accuracy can reach 80.70 and the Kappa coefficient can reach 0.75. The classification method of combining PHI data with SVM can be used to reduce the phenomenon of "isomorphism" and "foreign body isospectral" by using NDVI to distinguish woodland and non-forest land.It is of great significance to explore the application of PHI data in tree species identification.
【作者單位】： 中國林業(yè)科學(xué)研究院資源信息研究所;
【基金】：高分辨率對地觀測系統(tǒng)重大專項項目(編號:30-Y20A37-9003-15/17) 國家自然科學(xué)基金青年科學(xué)基金項目“機載激光雷達探測森林冠層高度的機理模型研究”(編號:41201334) 國家高技術(shù)研究發(fā)展計劃(863計劃)子課題“全球林業(yè)定量遙感專題產(chǎn)品生產(chǎn)體系(二)”(編號:2013AA12A302)共同資助
【分類號】：S771;TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 高陽;王雪松;程玉虎;黃飛;;基于非負稀疏嵌入投影的高光譜數(shù)據(jù)降維方法[J];中國礦業(yè)大學(xué)學(xué)報;2012年06期

2 陳新忠;胡匯涓;王雪松;;基于加權(quán)近鄰保持嵌入的高光譜數(shù)據(jù)降維方法[J];中國礦業(yè)大學(xué)學(xué)報;2013年06期

3 王旭紅;肖平;郭建明;;高光譜數(shù)據(jù)降維技術(shù)研究[J];水土保持通報;2006年06期

4 王祥濤;馮燕;陳武;;基于改進獨立分量分析的高光譜數(shù)據(jù)分類研究[J];計算機仿真;2009年11期

5 王祥濤;馮燕;吳政;;高光譜數(shù)據(jù)分類新方法研究[J];計算機工程與應(yīng)用;2010年10期

6 殷岳萌;馮燕;劉萌萌;;基于獨立分量分析和相關(guān)向量機的高光譜數(shù)據(jù)分類[J];現(xiàn)代電子技術(shù);2010年13期

7 姜小光,唐伶俐,王長耀,王成;高光譜數(shù)據(jù)的光譜信息特點及面向?qū)ο蟮奶卣鲄?shù)選擇——以北京順義區(qū)為例[J];遙感技術(shù)與應(yīng)用;2002年02期

8 張遠飛;吳德文;張艮中;朱谷昌;李紅;;高光譜數(shù)據(jù)的波段序結(jié)構(gòu)分析與應(yīng)用研究[J];國土資源遙感;2010年01期

9 肖海燕;曾輝;昝啟杰;白鈺;程好好;;基于高光譜數(shù)據(jù)和專家決策法提取紅樹林群落類型信息[J];遙感學(xué)報;2007年04期

10 曹揚;趙慧潔;黃四牛;李娜;張佩;;基于高效置信傳播的改進馬爾可夫隨機場高光譜數(shù)據(jù)分類算法[J];模式識別與人工智能;2014年03期

相關(guān)會議論文 前7條

1 郭宇龍;李云梅;;環(huán)境1號衛(wèi)星高光譜數(shù)據(jù)重建及其精度分析[A];第十七屆中國環(huán)境遙感應(yīng)用技術(shù)論壇論文集[C];2013年

2 李云梅;蔣建軍;韋玉春;;利用地面實測高光譜數(shù)據(jù)評價太湖富營養(yǎng)化狀態(tài)[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

3 張霞;張兵;胡方超;童慶禧;;CHRIS高光譜數(shù)據(jù)大氣自校正與儀器定標(biāo)精度評價[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

4 董廣軍;;PHI高光譜數(shù)據(jù)光譜重建及城市分類應(yīng)用研究[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

5 曹揚;胡榮;金彬;張佩;;一種準(zhǔn)確快速的高光譜數(shù)據(jù)光譜混合分析方法[A];第二屆高分辨率對地觀測學(xué)術(shù)年會論文集[C];2013年

6 張萌;趙慧潔;李娜;;高光譜數(shù)據(jù)光譜分辨率對礦物識別的影響分析[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

7 倪金生;譚靖;余莉;;國產(chǎn)遙感軟件進展與應(yīng)用展望[A];第十七屆中國遙感大會摘要集[C];2010年

相關(guān)博士學(xué)位論文 前2條

1 李興;高光譜數(shù)據(jù)庫及數(shù)據(jù)挖掘研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2006年

2 邢東興;基于高光譜數(shù)據(jù)的果樹理化性狀信息提取研究[D];西北農(nóng)林科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 鄭思遠;面向異常檢測的高光譜數(shù)據(jù)線性子空間估計[D];國防科學(xué)技術(shù)大學(xué);2013年

2 姜含露;基于卷積神經(jīng)網(wǎng)的高光譜數(shù)據(jù)特征提取及分類技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

3 李素婧;面向大規(guī)模高光譜數(shù)據(jù)的半監(jiān)督地物分類方法[D];西安電子科技大學(xué);2015年

4 蘇樂樂;改進型人工免疫系統(tǒng)及其在高光譜數(shù)據(jù)處理中的應(yīng)用[D];中國地質(zhì)大學(xué)（北京）;2009年

5 喬宇;基于松馳聚類假設(shè)的高光譜數(shù)據(jù)分類研究[D];西安電子科技大學(xué);2014年

6 王鑫祿;城市高光譜數(shù)據(jù)的頻譜空間分類方法研究[D];吉林大學(xué);2010年

7 范瀟;基于高光譜數(shù)據(jù)解譯的近海岸要素分析及應(yīng)用分析[D];哈爾濱工業(yè)大學(xué);2011年

8 張川;基于環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)的我國北方農(nóng)業(yè)干旱遙感監(jiān)測技術(shù)研究[D];中國地質(zhì)大學(xué)（北京）;2010年

9 陳雪華;基于高光譜數(shù)據(jù)的海岸帶水體及環(huán)境要素監(jiān)測研究[D];哈爾濱工業(yè)大學(xué);2011年

10 金鵬磊;空—譜聯(lián)合高光譜數(shù)據(jù)降維與分類方法研究[D];西安電子科技大學(xué);2014年

，

本文編號：1735049