高光谱数据森林类型识别波段宽度适宜性研究

摘要

高光谱遥感是继常规遥感技术之后出现的新型遥感技术。它突破了传统遥感光谱分辨率低、波段数少、难以表达地物详细光谱特性等缺陷，具有高的光谱分辨率、信息量大、光谱曲线连续等突出优势，因此，高光谱遥感在农业、林业、大气、地质等诸多领域应用广泛。
　　由于高光谱影像波段较多，信息量大，为地物的精细识别提供优势的同时，也带来了数据量多，波段间相关性大，处理精度和效率下降的问题，而且在遥感分类中并不是使用的通道越多波段越窄越好，而寻求适宜遥感分类的波段宽可以有效的提高分类精度。因此有必要探讨高光谱波段选择方案，进行图像降维，在光谱分辨率与地物识别能力之间寻求最佳的平衡点。基于此，本研究结合多光谱数据，改变高光谱数据波段宽，将若干窄波段合并成宽波段，对研究区影像进行森林类型分类识别研究，寻求适宜类型识别的光谱范围。论文的主要研究成果及结论如下:
　　1.高斯函数模拟高光谱数据的光谱响应函数方法是有效可行的，通过与Landsat8数据原始光谱响应函数对比分析，趋势走向基本吻合，可在很大程度上近似地模拟真实的光谱。
　　2.采用小波分析法通过伸缩和平移可以很好的从信号中提取有用的成分。小波分解提取光谱特征时，相比于从光谱特征的整体形态出发的传统光谱特征处理，小波分解可以做到有选择的突出目标特征并抑制非相关特征的影响。小波变换具有很好的重构能力，在分解过程中不但减少了信息损失而且降低了冗余度，因此能够提取具有最大可分性的地物光谱特征。
　　3.采用支持向量机(Support Vector Machine，SVM)对两种方法生成的结果影像分类识别时，均具有良好的分类效果，分类精度都高于80％。
　　选用高斯函数模拟光谱响应函数时，10nm影像的分类精度为85.68％，20nm影像的分类精度为85.19％，30nm影像的分类精度为84.92％，40nm影像的分类精度为84.79％，Hyperion数据模拟Landsat8数据的分类精度为82.60％，Landsat8数据的分类精度为79.51％。选用小波分析生成两种尺度影像时，尺度2的分类精度为84.79％，尺度3的分类精度为83.94％。对于第一种方法，随着波段宽度增加，影像分类精度降低，10nm和20nm影像分类结果差异不大，Landsat8模拟数据的分类精度高于Landsat8真实数据，EO-1Hyperion数据的森林树种识别能力优于Landsat8的OLI数据。在采用SVM分类情况下，小波分析稍高于高斯函数模拟光谱响应函数的方法，说明小波分析一定程度上可以改善分类精度。

目录

声明

摘要

图目录

表目录

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 高光谱遥感特点与优势

1．2．2 高光谱遥感森林类型分类方法

1．2．3 高光谱遥感降维研究现状

1．2．4 项目经费来源

1．3 研究目的和内容

1．3．1 关键的科学问题和研究目的

1．3．2 研究内容

1．4 技术路线

1．4．1 技术流程

1．4．2 论文组织与结构

2．1．1 地理位置

2．1．2 地势状况

2．1．3 气候状况

2．1．4 森林资源

2．2 遥感数据获取

2．2．1 高光谱数据获取

2．2．2 多光谱数据获取

2．3 外业调查数据

2．4 本章小结

第三章 数据预处理

3．1 高光谱数据预处理

3．1．1 去除未定标及受水汽影响波段

3．1．2 辐射定标

3．1．3 非正常像元的修复

3．1．4 大气校正

3．1．5 几何校正

3．2 多光谱数据预处理

3．2．1 辐射校正

3．2．2 图像裁剪

3．3 本章小结

第四章 波段融合降维与森林类型识别方法

4．1 融合绛维算法

4．1．1 高斯函数模拟光谱响应函数

4．1．2 小波分析

4．2 分类识别

4．2．1 森林分类系统

4．2．2 支持向量机法

4．3 本章小结

第五章 波段融合降维算法森林类型识别结果分析

5．1 高光谱数据降维结果

5．1．1 利用光谱响应函数的融合降维结果

5．1．2 小波分析结果

5．2 分类识别结果

5．2．1 SVM分类精度评价

5．2．2 SVM分类结果图

5．3 本章小结

第六章 结论与展望

6．1 结论

6．2 创新点

6．3 存在的问题与展望

参考文献

在读期间的学术研究

致谢