傳統(tǒng)的植物調(diào)查方式費(fèi)時費(fèi)力、更新困難,而利用多光譜遙感數(shù)據(jù)容易出現(xiàn)異物同譜的現(xiàn)象,只能區(qū)分植物、水體和裸地等光譜差異較大的地物類別,無法滿足植物在物種水平上的分類要求。相比之下,高光譜遙感數(shù)據(jù)具有光譜分辨率高、波段數(shù)量多等顯著優(yōu)勢,提供了更加細(xì)致的地物光譜信息,故而能夠更加精細(xì)、準(zhǔn)確地對植物進(jìn)行分類。目前綜合比較不同類型光譜變換、光譜特征變量和機(jī)器學(xué)習(xí)算法對農(nóng)業(yè)區(qū)域植物進(jìn)行分類的研究還較少,難以為研究者推薦合理的方法組合或分類策略。本文以江蘇宜興農(nóng)業(yè)區(qū)域的8種植物為研究對象,采用實驗室測量的葉片光譜數(shù)據(jù)對農(nóng)業(yè)區(qū)域植物進(jìn)行分類策略研究。首先,在葉片光譜數(shù)據(jù)預(yù)處理基礎(chǔ)上,運(yùn)用一階微分和包絡(luò)線去除等方法提取出三類光譜特征變量(包括三邊參數(shù)、吸收特征參數(shù)和植被指數(shù));其次,對三類全波段光譜(包括原始、一階微分和包絡(luò)線去除光譜)進(jìn)行離散小波分解,為避免利用高光譜數(shù)據(jù)進(jìn)行植物分類陷入維數(shù)災(zāi)難,采用主成分分析法對三類全波段光譜及它們的第一至八層細(xì)節(jié)光譜數(shù)據(jù)進(jìn)行降維;最后,將單一的光譜特征變量、全波段光譜和它們各層細(xì)節(jié)光譜的前10個主成分分別作為分類變量,運(yùn)用三種機(jī)器學(xué)習(xí)算法(K最近鄰、支持向量機(jī)和隨...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究目的、內(nèi)容與組織結(jié)構(gòu)
第2章 植物遙感分類基本理論與方法
    2.1 植物光譜特性
    2.2 植物光譜分析方法
        2.2.1 光譜特征變量
        2.2.2 主成分分析
        2.2.3 離散小波變換
    2.3 植物分類算法
        2.3.1 K最近鄰
        2.3.2 支持向量機(jī)
        2.3.3 隨機(jī)森林
    2.4 小結(jié)
第3章 葉片光譜數(shù)據(jù)獲取及預(yù)處理
    3.1 葉片光譜數(shù)據(jù)獲取
    3.2 葉片光譜數(shù)據(jù)預(yù)處理
    3.3 光譜特征變量的提取
    3.4 小結(jié)
第4章 基于光譜特征變量和主成分分析的植物分類策略
    4.1 前言
    4.2 方法
    4.3 結(jié)果
        4.3.1 基于光譜特征變量的植物分類
        4.3.2 基于主成分分析的植物分類
        4.3.3 植物遙感分類精度綜合評價
    4.4 討論
    4.5 小結(jié)
第5章 基于離散小波變換和主成分分析的植物分類策略
    5.1 前言
    5.2 方法
    5.3 結(jié)果
        5.3.1 基于離散小波變換的光譜曲線特征分析及主成分分析
        5.3.2 基于離散小波變換和主成分分析的植物分類
    5.4 討論
    5.5 小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果



本文編號：3838191