發(fā)布時(shí)間：2017-07-06 15:20

  本文關(guān)鍵詞：基于紋理特征的人工梭梭林生物量遙感估測(cè)研究

  更多相關(guān)文章： 高分一號(hào) 植被指數(shù) 灰度共生矩陣 生物量 紋理

【摘要】：對(duì)干旱生態(tài)系統(tǒng)植被生物量的動(dòng)態(tài)變化監(jiān)測(cè),不僅與生態(tài)環(huán)境保護(hù)密切相關(guān),而且對(duì)于農(nóng)業(yè)經(jīng)濟(jì)和社會(huì)的可持續(xù)發(fā)展有現(xiàn)實(shí)意義。為了探索干旱區(qū)稀疏植被生物量估算的有效方法,本研究以高分一號(hào)(GF-1)多光譜和全色影像及野外調(diào)查獲得的樣方生物量數(shù)據(jù)為數(shù)據(jù)源,研究了甘肅省民勤縣綠洲邊緣人工梭梭林地上生物量的估算方法。本研究中,以影像原始反射率、主成分分析獲得的主分量及植被指數(shù)數(shù)據(jù)為基礎(chǔ)數(shù)據(jù),分別基于灰度共生矩陣、灰度-梯度共生矩陣、變差函數(shù)和灰度差分向量、局部二值模式等提取紋理特征,分別將光譜特征、紋理特征與實(shí)測(cè)生物量數(shù)據(jù)建立回歸模型,比較基于光譜信息與紋理信息估測(cè)梭梭林生物量的能力差異。對(duì)于8m空間分辨率多光譜數(shù)據(jù),原始反射率與樣地實(shí)測(cè)生物量數(shù)據(jù)建立的多元逐步回歸模型的R2較高,而歸一化植被指數(shù)(NDVI)與實(shí)測(cè)生物量數(shù)據(jù)建立的多項(xiàng)式模型的R2比其他兩種植被指數(shù)模型的R2值高;紋理特征與實(shí)測(cè)生物量擬合的結(jié)果中,NDVI的灰度共生矩陣(GLCM)紋理特征與實(shí)測(cè)生物量數(shù)據(jù)建立的多元回歸模型R2值最高,達(dá)0.703,模型驗(yàn)證的均方根誤差(RMSE)為0.0574(kg/m2),精度(EA)達(dá)77.61%;其次為NDVI的灰度差分向量紋理特征與實(shí)測(cè)生物量建立的多元線性回歸模型,R2值達(dá)0.661,模型驗(yàn)證的均方根誤差RMSE為0.0665(kg/m2),精度EA=73.18%;而基于灰度-梯度共生矩陣與變差函數(shù)的紋理特征與實(shí)測(cè)生物量的擬合效果較差,R2都未達(dá)到0.5。對(duì)于2m全色與8m多光譜數(shù)據(jù)融合數(shù)據(jù),波段反射率的灰度共生紋理特征所建立的模型精度最高,R2為0.607,模型驗(yàn)證的RMSE為0.0490(kg/m2),精度EA=78.67%;其次為NDVI的灰度差分向量紋理特征與實(shí)測(cè)生物量建立的回歸模型,R2值達(dá)到0.601,模型驗(yàn)證的RMSE為0.0719(kg/m2),精度EA=71.92%。綜上所述,基于NDVI紋理特征估測(cè)人工梭梭林生物量的能力高于用單一的植被指數(shù)和其他紋理特征估測(cè)的能力,在干旱區(qū)植被生物量估測(cè)中有廣泛的應(yīng)用前景。
【關(guān)鍵詞】：高分一號(hào) 植被指數(shù) 灰度共生矩陣 生物量 紋理
【學(xué)位授予單位】：內(nèi)蒙古師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP751
【目錄】：

• 摘要3-5
• Abstract5-11
• 1 緒論11-22
• 1.1 研究目的和意義11-15
• 1.1.1 研究目的11
• 1.1.2 研究意義11-15
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)15-20
• 1.2.0 光學(xué)遙感生物量反演研究狀況15-17
• 1.2.1 基于光學(xué)遙感估測(cè)植被生物量研究進(jìn)展17
• 1.2.2 紋理信息遙感應(yīng)用上的研究現(xiàn)狀17-20
• 1.3 本文的研究?jī)?nèi)容與技術(shù)路線20-22
• 1.3.1 研究?jī)?nèi)容20-21
• 1.3.3 技術(shù)路線21-22
• 2 數(shù)據(jù)與研究方法22-43
• 2.1 研究區(qū)22-26
• 2.2 數(shù)據(jù)獲取及預(yù)處理26-31
• 2.2.1 遙感數(shù)據(jù)26
• 2.2.2 遙感數(shù)據(jù)預(yù)處理26-30
• 2.2.3 地面數(shù)據(jù)及其預(yù)處理30-31
• 2.3 研究方法31-43
• 2.3.1 基于共生矩陣的紋理特征提取方法32-37
• 2.3.2 基于灰度差分向量的紋理特征提取方法37-38
• 2.3.3 基于變差函數(shù)的紋理特征提取方法38-41
• 2.3.4 基于局部二值模式的紋理特征提取方法41-43
• 3 基于GF-1 梭梭林生物量估測(cè)43-61
• 3.1 光譜特征提取43-44
• 3.2 紋理特征提取44-46
• 3.2.1 提取單波段灰度圖像44
• 3.2.2 灰度級(jí)量化44-45
• 3.2.3 計(jì)算特征值45-46
• 3.2.4 紋理特征值的計(jì)算及紋理特征影像的生成46
• 3.3 自變量的篩選46-47
• 3.4 回歸模型建立與檢驗(yàn)47-49
• 3.5 基于光譜特征的梭梭林生物量估測(cè)49-50
• 3.6 基于紋理特征的梭梭林生物量估測(cè)50-57
• 3.7 模型驗(yàn)證與精度評(píng)價(jià)57-61
• 4 結(jié)論與展望61-63
• 4.1 結(jié)論61-62
• 4.2 展望62-63
• 參考文獻(xiàn)63-69
• 致謝69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 郭仕德,林旭東,馬廷;高空間分辨率遙感環(huán)境制圖的幾個(gè)關(guān)鍵技術(shù)研究[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年01期

2 史文中,朱長(zhǎng)青,王昱;從遙感影像提取道路特征的方法綜述與展望[J];測(cè)繪學(xué)報(bào);2001年03期

3 駱劍承;遙感影像智能圖解及其地學(xué)認(rèn)知問(wèn)題探索[J];地理科學(xué)進(jìn)展;2000年04期

4 楊秀春;徐斌;朱曉華;陶偉國(guó);劉天科;;北方農(nóng)牧交錯(cuò)帶草原產(chǎn)草量遙感監(jiān)測(cè)模型[J];地理研究;2007年02期

5 侯群群;王飛;嚴(yán)麗;;基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J];國(guó)土資源遙感;2013年04期

6 張小琪;盛建東;武紅旗;谷海斌;龔雙鳳;;典型草地地上生物量遙感反演模型的建立[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2013年04期

7 王正興;劉闖;陳文波;林昕;;MODIS增強(qiáng)型植被指數(shù)EVI與NDVI初步比較[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2006年05期

8 高添;徐斌;楊秀春;金云翔;馬海龍;李金亞;于海達(dá);;內(nèi)蒙古西部草原地上生物量的遙感估算[J];中國(guó)沙漠;2013年02期

，

本文編號(hào)：526740