本文選題：柑橘識別 + EO-�。� 參考：《遙感技術與應用》2017年04期

【摘要】：為及時準確地監(jiān)測柑橘種植信息,以江西省會昌縣作為研究區(qū),采用EO-1 Hyperion高光譜影像作為數(shù)據(jù)源,構建了基于混合像元分解的高光譜影像柑橘識別方法。首先,針對EO-1 Hyperion高光譜影像提供了242個波段,光譜范圍廣的特點,在波段選擇、大氣校正等預處理的基礎上,提取研究區(qū)典型地物端元光譜曲線;然后,利用全約束線性光譜混合模型進行混合像元分解,提取出柑橘端元的豐度值,并通過對照高分遙感影像,構建柑橘端元豐度與柑橘實際種植的對應的關系。結果表明:由于典型地物端元提取中不可避免的誤差及柑橘冠層覆蓋度的差異,柑橘種植的準確識別與其柑橘端元豐度閾值存在對應關系。在經(jīng)過反復試驗的條件下,研究區(qū)柑橘端元豐度閾值設定在0.30~0.45范圍之內,總精度達到90%以上,能夠滿足柑橘種植識別要求。
[Abstract]:In order to monitor citrus planting information accurately and timely, a hyperspectral image recognition method based on mixed pixel decomposition was constructed in Huichang County, Jiangxi Province, using EO-1 Hyperion hyperspectral image as data source. First of all, aiming at the characteristics of 242 bands and wide spectrum range of EO-1 Hyperion hyperspectral image, based on the pretreatment of band selection and atmospheric correction, the end component spectral curves of typical ground objects in the study area are extracted. The full constrained linear spectral mixing model is used to decompose the mixed pixel to extract the abundance value of the end component of citrus and to construct the relationship between the abundance of citrus end point and the actual planting of citrus by comparing the high score remote sensing images. The results showed that due to the inevitable error in the extraction of the end components of typical ground objects and the difference of canopy coverage, the accurate identification of citrus planting had a corresponding relationship with the threshold of citrus end-element abundance. Under the condition of repeated experiments, the threshold value of end element abundance of citrus in the study area was set in the range of 0.30 ~ 0.45, and the total precision was more than 90%, which could meet the requirement of citrus planting recognition.
【作者單位】： 江西理工大學建筑與測繪工程學院;中國科學院遙感與數(shù)字地球研究所數(shù)字地球重點實驗室;
【基金】：國家自然科學基金項目(41561091) 江西省教育廳科技課題(GJJ150659) 江西省社會科學規(guī)劃課題(14YJ20)資助
【分類號】：S666;TP751

【相似文獻】

相關期刊論文 前10條

1 劉永懷;;混合像元分解的理論與方法——以神木縣為例[J];遙感技術與應用;1992年01期

2 張彥,邵美珍;基于徑向基函數(shù)神經(jīng)網(wǎng)絡的混合像元分解[J];遙感學報;2002年04期

3 唐世浩,朱啟疆,李小文,王錦地,閻廣建;高光譜與多角度數(shù)據(jù)聯(lián)合進行混合像元分解研究[J];遙感學報;2003年03期

4 惠巍巍;衣德萍;廖彩霞;曲林;;混合像元分解研究綜述[J];林業(yè)科技情報;2007年01期

5 劉俊;姚國清;;混合像元分解方法的研究[J];電腦知識與技術;2009年13期

6 趙小鋒;邱全毅;;4種混合像元分解方法在沿海丘陵城市地表組分分析中的比較研究[J];遙感技術與應用;2009年06期

7 詹錫蘭;吳波;;一種基于高斯馬爾可夫隨機場模型的混合像元分解方法[J];福州大學學報(自然科學版);2011年01期

8 呂長春,王忠武,錢少猛;混合像元分解模型綜述[J];遙感信息;2003年03期

9 范渭亮;杜華強;周國模;徐小軍;崔瑞蕊;董德進;;模擬真實場景的混合像元分解[J];遙感學報;2010年06期

10 吳波;周小成;高海燕;;面向混合像元分解的光譜維小波特征提取[J];華僑大學學報(自然科學版);2008年01期

相關會議論文 前4條

1 王強;黃楠;;混合像元分解研究綜述[A];中國地理信息系統(tǒng)協(xié)會第四次會員代表大會暨第十一屆年會論文集[C];2007年

2 胡霞;雷星松;;基于時序的遙感影像混合像元分解模型的研究[A];第十七屆中國遙感大會摘要集[C];2010年

3 張良培;叢浩;;一種可選端元的混合像元分解方法[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

4 俞晨;鄒偉;余先川;;遙感圖像混合像元分解方法研究[A];第十二屆全國圖象圖形學學術會議論文集[C];2005年

相關博士學位論文 前2條

1 孔祥兵;基于同質區(qū)分析的高光譜影像混合像元分解[D];武漢大學;2012年

2 李華麗;高光譜遙感影像自動混合像元分解研究[D];武漢大學;2012年

相關碩士學位論文 前10條

1 徐雙雙;基于混合像元分解的高光譜圖像去霧方法的研究[D];南京理工大學;2015年

2 崔媛;高光譜圖像混合像元分解技術研究[D];沈陽航空航天大學;2016年

3 羅恩湖;基于進化多目標優(yōu)化的高光譜稀疏混合像元分解技術研究[D];西安電子科技大學;2015年

4 李君;線性與非線性混合像元分解模型的比較研究[D];東北林業(yè)大學;2008年

5 黃競鋮;基于因子分析的混合像元分解方法研究[D];吉林大學;2012年

6 鐘曉姣;高光譜數(shù)據(jù)混合像元分解與光譜匹配驗證算法[D];南京理工大學;2013年

7 鄭麗;混合像元分解及其應用研究[D];重慶交通大學;2010年

8 陶雪濤;線性模型下多通道遙感圖像混合像元分解方法研究[D];復旦大學;2008年

9 劉雪松;基于非負矩陣分解的高光譜遙感圖像混合像元分解研究[D];復旦大學;2011年

10 蔡薇;基于MODIS遙感數(shù)據(jù)混合像元分解的小麥識別及其面積估算[D];山東師范大學;2010年

，

本文編號：2009938