基于高光谱遥感数据的树种组分类方法探讨

摘要

随着近年来高光谱技术的不断发展，高光谱数据已经越来越广泛的应用于各行各业中。高光谱数据在林业中的应用在我国还尚处于起步阶段，且研究多集中在对像元级别研究上，远远不能满足实际需求。如何能从高光谱数据快速准确提取森林树种是本文探讨的重点。　　 本文从特征信息提取方法和分类方法两方面分别探讨森林树种高光谱遥感分类问题。特征信息提取包括运用一阶微分、二阶微分、包络线去除等方法对高光谱数据降维和基于图像光谱数据的端元提取。分类方法主要分析比较最大似然法、波谱角填图、线性混合像元分解等。高光谱数据凭借其光谱波段多，光谱分辨率高，图谱合一等突出优势，为森林树种的精确识别提供了可能，然而由于高光谱数据存在数据量大，数据冗余程度高等问题而使其应用受到了阻碍，本文运用原始光谱波段选择、一阶微分、二阶微分、包络线消除等手段结合样地数据，分析评价了有利于森林树种识别的特征波段。准确的端元光谱是运用光谱角分类和线性混合像元分解分类方法应用的基础。本文结合样地调查数据，运用端元纯净指数方法提取了毛竹、雷竹、常绿阔叶林、落叶阔叶林、马尾松的端元波谱。基于此，运用光谱角分类方法对四种特征波段图像和原始图像进行了树种（组）的分类，同时运用线性光谱分解方法和最大似然法对原始图像进行了树种（组）的分类。结果均获得不低于65％的分类精度及0.45以上的Kappa系数，均达到生产精度要求。通过分析比较各种数据处方式及分类方法对分类精度的影响，发现基于原始光谱全波段数据的树种分类（组）精度，波谱角分类方法效果最好，最大似然法次之。波谱角分类方法分别应用于四种波段特征提取方法得到的特征图像和原始图像进行树种（组）分类的精度比较后发现，利用原始全波段数据得到的分类精度明显高于特征波段选择后的分类精度。这有异于一些文献中得到的研究结论，说明在树种分类时常规的一些波段特征选择方法得到的特征波段并没有完全体现不同树种间差异。本文中所选择的特征波段是10个左右，而原始波段有172个，选择的波段数据偏少而使分类精度降低可能是一个原因。总的来讲，运用高光谱遥感数据开展树种分类具有可行性，波谱角分类方法在山区树种（组）高光谱分类应用中有较好的表现。特征波段提取能够减小高光谱数据的冗余度，但是使用不当会把一些有利于树种（组）分类的信息摒弃，不利用于提高分类精度。

目录

声明

摘要

1．引言

1．1 研究背景及意义

1．2 高光谱遥感在森林树种识别中应用的国内外研究现状

1．3 混合像元分解方法及其应用的国内外研究现状

1．3．1 混合像元产生原理

1．3．2 混合像元分解端元获取方法

1．3．3 混合像元分解模型

1．4 研究内容及技术路线

1．4．1 研究目标

1．4．2 研究内容

1．4．3 技术路线

2．研究区概况及高光谱数据预处理

2．1 研究区概况

2．2 高光谱数据介绍

2．3 高光谱影像数据辐射校正

2．3．1 剔除未定标波段

2．3．2 坏线的修复

2．3．3 “smile”效应去除

2．3．4 垂直条带的去除

2．3．5 大气校正

2．3．6 地形辐射校正

2．4 几何精校正

2．5 非林地去除

2．6 样地数据

3．特征波段选择

3．1 原始光谱曲线特征波段提取

3．2 光谱曲线微分特征波段提取

3．2．1 光谱微分原理

3．2．2 光谱曲线一阶微分分析

3．2．3 光谱曲线二阶微分分析

3．3 包络线去除法特征波段提取

3．4 小结

4．端元获取

4．1 最小噪声分离

4．2 PPI方法提取端元

4．2．1 像元纯净指数获取潜在端元

4．2．2 N维可视化工具确定终端端元

5．森林树种组分类

5．1 森林树种组分类

5．1．1 最大似然法

5．1．2 光谱角度填图

5．1．3 线性混合像元分解

5．2 森林树种组分类精度评价

5．2．1 位置精度评价

5．2．2 残差值精度验证

6．结果分析与讨论

6．1 特征波段选择结果分析与讨论

6．2 分类方法的比较分析与讨论

7．总结

7．1 结论

7．2 论文中的不足之处

参考文献

导师简介

个人简介

致谢