遙感技術的發(fā)展,有利于快速高效提取森林資源信息,樹種信息作為森林資源調查中的核心指標,一直是遙感技術在應用方面的研究重點,高光譜遙感能夠準確探測不同樹種光譜間的細微差異,為森林樹種的識別與分類提供了可能性。本文以山東省泰安市徂徠山林場為研究對象,以Hyperion高光譜影像及實測光譜數(shù)據(jù)為基礎數(shù)據(jù),探討了基于光譜數(shù)據(jù)所選的特征波段在樹種識別中的應用效果,以及波譜角分類法的應用潛力,為高光譜數(shù)據(jù)在林業(yè)上的應用提供一定的思路和依據(jù)。針對高光譜數(shù)據(jù)信息量冗余嚴重、樹種間光譜難以區(qū)分的問題,本研究對光譜數(shù)據(jù)進行變換分析、特征波段選擇及樹種識別驗證處理。實驗表明,變換分析方法能有效增強樹種間的光譜差異,特征波段選擇的方法不僅能快速降維,并且所選波段能夠有效識別樹種差異。數(shù)據(jù)經(jīng)一階微分變換后,通過馬氏距離法所得的特征波段在樹種識別驗證中的精度最高,達到96.3%,所選特征波段集中在植被光譜反射強烈的可見光和近紅外區(qū)域。針對特征波段選擇的降維方法在實際樹種分類應用中是否有效的問題,論文以上述特征波段結果為基礎,對Hyperion影像進行降維,運用最大似然法、支持向量機法以及波譜角法進行樹種分類技術研... 

【文章來源】：北京林業(yè)大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 高光譜遙感
        1.2.2 高光譜降維方法
        1.2.3 基于高光譜數(shù)據(jù)的樹種分類方法
    1.3 研究內(nèi)容及技術路線
        1.3.1 研究內(nèi)容
        1.3.2 技術路線
    1.4 論文組織架構
2 研究區(qū)與數(shù)據(jù)處理
    2.1 研究區(qū)概況
    2.2 相關數(shù)據(jù)
        2.2.1 高光譜影像
        2.2.2 實測光譜
        2.2.3 影像光譜
    2.3 高光譜影像預處理
        2.3.1 絕對輻射值轉換
        2.3.2 非正常像元去除
        2.3.3 大氣校正
        2.3.4 幾何校正
        2.3.5 影像裁剪
    2.4 實測光譜處理
        2.4.1 平滑去噪
        2.4.2 水汽吸收波段剔除
        2.4.3 取地物平均曲線
        2.4.4 抽稀
3 高光譜數(shù)據(jù)波段降維
    3.1 光譜變換特征分析
        3.1.1 原始未變換光譜
        3.1.2 一階微分變換
        3.1.3 二階微分變換
        3.1.4 去包絡變換
        3.1.5 對數(shù)一階微分變換
    3.2 特征波段選擇
        3.2.1 特征參量法
        3.2.2 馬氏距離法
        3.2.3 歐式距離法
    3.3 特征波段的識別能力驗證
    3.4 小結
4 樹種分類與精度評價
    4.1 研究區(qū)樹種確定
    4.2 訓練區(qū)選擇
    4.3 高光譜數(shù)據(jù)的樹種分類
        4.3.1 最大似然法
        4.3.2 支持向量機
        4.3.3 改進的波譜角分類法
    4.4 分類精度評價
        4.4.1 精度評價方法
        4.4.2 精度評價結果
    4.5 小結
5 結論與討論
    5.1 結論
    5.2 討論
參考文獻
個人簡介
導師簡介
獲得成果目錄
致謝


【參考文獻】：
期刊論文
[1]基于馬氏距離法的荒漠樹種高光譜識別[J]. 林海軍,張繪芳,高亞琪,李霞,楊帆,周艷飛.  光譜學與光譜分析. 2014(12)
[2]基于光譜特征參數(shù)的果樹樹種的遙感識別[J]. 閆曉勇,王振錫,岳俊.  天津農(nóng)業(yè)科學. 2014(09)
[3]基于圖像歐氏距離的高光譜圖像流形降維算法[J]. 陳宏達,普晗曄,王斌,張立明.  紅外與毫米波學報. 2013(05)
[4]基于光譜特征變量的濕地典型植物生態(tài)類型識別方法——以北京野鴨湖濕地為例[J]. 林川,宮兆寧,趙文吉,樊磊.  生態(tài)學報. 2013(04)
[5]高光譜圖像植被類型的CART決策樹分類[J]. 董連英,邢立新,潘軍,王靜,李麗麗,焦健楠.  吉林大學學報(信息科學版). 2013(01)
[6]基于空間信息的高光譜遙感植被分類技術[J]. 吳見,彭道黎.  農(nóng)業(yè)工程學報. 2012(05)
[7]高光譜遙感圖像分類算法中的應用研究[J]. 張敬,朱獻文,何宇.  計算機仿真. 2012(02)
[8]上海城市植被光譜反射特征分析[J]. 林文鵬,李厚增,黃敬峰,劉冬燕,宗瑋,胡小猛.  光譜學與光譜分析. 2010(11)
[9]荒漠植物含水量的光譜特征分析[J]. 趙釗,李霞,尹業(yè)彪,唐金,周生斌.  光譜學與光譜分析. 2010(09)
[10]高光譜遙感分類與信息提取綜述[J]. 黃瑋.  數(shù)字技術與應用. 2010(05)

博士論文
[1]高光譜數(shù)據(jù)降維算法研究[D]. 高陽.中國礦業(yè)大學 2013
[2]高光譜圖像分類及端元提取方法研究[D]. 齊濱.哈爾濱工程大學 2012
[3]高光譜遙感圖像分類技術研究[D]. 高恒振.國防科學技術大學 2011
[4]基于支持向量機的高光譜遙感影像分類研究[D]. 譚琨.中國礦業(yè)大學 2010
[5]支持向量機分類方法及其在文本分類中的應用研究[D]. 趙暉.大連理工大學 2006

碩士論文
[1]人體運動捕獲數(shù)據(jù)的分析方法研究[D]. 杜戰(zhàn)戰(zhàn).南京理工大學 2015
[2]基于Hyperion高光譜影像土地利用分類[D]. 張倩倩.浙江農(nóng)林大學 2013
[3]基于高分辨率遙感影像的城市環(huán)境結構信息提取研究[D]. 張春鵬.華東師范大學 2007
[4]基于支持向量機算法無創(chuàng)確定組織光學參數(shù)的研究[D]. 林麟.天津大學 2006
[5]夏玉米光譜響應及主要理化信息的遙感提取研究[D]. 譚昌偉.安徽農(nóng)業(yè)大學 2005



本文編號：3262940