利用高光谱识别草地种类的研究——以锡林郭勒草原为例北大核心CSCD

以锡林郭勒草原典型的羊草、针茅、日阴菅、隐子草为研究对象,测量4种草地光谱,利用光谱微分法对原始光谱数据进行处理,在提取草地光谱7个特征参数的基础上,采用相关性分析和主成分分析方法精选红边斜率、绿峰位置、绿峰值和红谷位置4个参数。基于所选的4个光谱特征参数,采用多层感知神经网络模型对草地种类进行识别,精度达到80.3%,同时对比7个特征参数与4个特征参数对草地种类识别精度的影响,发现草地种类识别精度从69.0%提高到80.3%。本研究可为大面积草地物种资源的遥感调查和监测提供科学依据。     

基于光谱特征的雅鲁藏布江源区草地类型识别

以雅鲁藏布江源区为研究对象,以Landsat5 TM图像为数据源,根据不同草地类型的波段组合特征,结合源区1∶100万植被类型图、DEM和NDVI数据,构建草地判别规则,利用决策树分类法对雅鲁藏布江源区草地类型进行遥感识别。研究结果表明:①不同类型草地因其生境不同,利用不同波段组合特征进行草地类型识别能够达到较好的效果;②与传统的监督分类法相比,基于波段组合特征的决策树分类法具有较高的识别精度(总体精度提高了15.4%,Kappa系数提高了0.225);③在海拔4 400～5 000 m区域内,固沙草草原面积最大,其次为矮嵩草和小嵩草混生草甸,再次为变色锦鸡儿和金露梅灌丛,藏北嵩草草甸面积最小。     

沉水植物水蕴草盖度高光谱遥感估算研究

以美国萨克拉门托-圣华金三角洲为研究区,提取高光谱遥感影像上沉水植物水蕴草的光谱数据,计算水蕴草的光谱特征参数,将水蕴草盖度与光谱特征参数进行相关性分析,得到R725、BD602.9和NBDI587.53个特征参量,与水蕴草盖度建立估算模型,并对模型进行精度检验。结果表明,以NBDI587.5为变量建立的盖度估算模型具有较高的精度。     

高光谱吸收特征参数反演草地光合有效辐射吸收率

在植被光合有效辐射吸收率(FAPAR)遥感估算中被广泛采用的植被指数法,其估算精度往往受到"红波段吸收峰"峰值点光谱反射率易饱和特征的影响。考虑到高光谱吸收特征参数能较好地诠释地物光谱吸收特征的细节信息,基于微分法与包络线去除法研发"高光谱曲线特征吸收峰自动识别法"识别对FAPAR敏感的特征吸收峰,再结合连续统去除法以及光谱吸收指数(SAI)提取FAPAR的高光谱吸收特征参数,构建估算天然草地冠层水平FAPAR的高光谱吸收特征参数模型。结果表明:(1)天然草地冠层FAPAR与高光谱吸收特征参数具有很好的相关性,其中,"红波段吸收峰"SAI对FAPAR变化最为敏感,在植被覆盖度较高时,其饱和性相比"红波段吸收峰"峰值点反射率与归一化植被(NDVI)值有较大的提升。(2)以"红波段吸收峰"SAI为变量的对数方程为FAPAR的最佳估算模型,在植被覆盖度处于中与高时,其FAPAR预测精度比NDVI模型有不同程度的提高。研究采用的高光谱吸收特征参数一定程度上弥补了部分植被指数因饱和问题在估算FAPAR时的不足,可作为植被FAPAR反演的新参数,适用于中、高覆盖度的天然草地FAPAR监测。     

基于光谱重建的高光谱特征参数选择方法——以苏北地区Hyperion数据为例

高光谱遥感能提供数十至数百个窄波段的光谱信息,从而能够依据地物的诊断性光谱特征进行地物识别。然而,高光谱遥感在提供丰富光谱信息的同时,波段间的相关性和冗余性制约着高光谱遥感的应用。因此,特征参数选择是高光谱遥感分类中最关键的环节之一。首先讨论EO-1/Hyperion的传感器特征,并对其L1R数据进行辐射校正、去条纹、Smile效应纠正等预处理工作。其次利用从图像中提取的典型地物的光谱曲线,采用光谱重建理论获得用于逼近光谱曲线的基函数及其对应的光谱区间。然后采用逐步增加光谱区间,并调整波段中心位置和宽度的方法,得到稳定的光谱区间。最后将光谱区间内的几个原始高光谱波段合成一个宽的波段,得到几个较宽波段的仿真图像,并对其进行分类。结果表明,基于光谱重建的特征参数选择方法获得的分类,总体精度高达92%,充分说明了该方法的有效性。     

三江源典型区草地退化Hyperion高光谱遥感识别研究

三江源草地退化直接影响当地及长江、黄河和澜沧江中上游地区的生态安全、水资源合理利用、经济可持续发展和社会稳定,一直是人们关注的焦点问题。近年来,该地区草地群落毒杂草组分增大,退化严重。高光谱遥感具有精细识别草地种群的潜在能力,如何利用其进行草地群落组成信息探测并进行退化识别是当前研究的热点和难点问题。利用卫星高光谱Hyperion影像和地面实测高光谱遥感数据,通过多端元混合像元分解技术,提取可食牧草、毒杂草以及裸土组分信息;以此为指标对研究区草地退化程度进行分类识别,依次为:未退化、轻度退化、中度退化、重度退化和极度退化。利用野外样方实测数据验证监测结果,精度达到84.2%,表明高光谱遥感对草地退化探测具有良好的应用潜力。     

一种草地高光谱图像分类方法北大核心CSCD

针对传统的大规模草地牧草的识别,不仅浪费大量的人力、物力,还浪费大量的时间和经费。该文提出了一种基于高光谱成像采集系统的草地动态监测新手段,利用采集到的可见-近红外光谱(范围400~1 000nm)图像和光谱信息进行自动分类。该方法主要包括预处理、特征波段提取以及分类识别3个步骤。(1)利用ENVI(4.7)提取图片的感兴趣区域光谱数据,由于存在大量的数据冗余以及外界的噪声干扰等因素,因此采用多元散射校正去除散射,增强与成分含量相关的光谱吸收信息。(2)采用连续投影选取出13个特征波段消除数据冗余。(3)采用支持向量机对选取的特征波段进行分类,分类识别率可达100%。结果表明,采用高光谱成像技术对野外牧草种类的无损识别是可行的,SPA提取光谱特征波段及SVM进行判别野外田间牧草种类取得较好的效果。     

一种草地高光谱图像分类方法

针对传统的大规模草地牧草的识别,不仅浪费大量的人力、物力,还浪费大量的时间和经费。该文提出了一种基于高光谱成像采集系统的草地动态监测新手段,利用采集到的可见-近红外光谱(范围400~1 000nm)图像和光谱信息进行自动分类。该方法主要包括预处理、特征波段提取以及分类识别3个步骤。(1)利用ENVI(4.7)提取图片的感兴趣区域光谱数据,由于存在大量的数据冗余以及外界的噪声干扰等因素,因此采用多元散射校正去除散射,增强与成分含量相关的光谱吸收信息。(2)采用连续投影选取出13个特征波段消除数据冗余。(3)采用支持向量机对选取的特征波段进行分类,分类识别率可达100%。结果表明,采用高光谱成像技术对野外牧草种类的无损识别是可行的,SPA提取光谱特征波段及SVM进行判别野外田间牧草种类取得较好的效果。     

基于光谱特征的湿地植物种类识别

光谱特征的选择对于湿地植被的识别精度和效率有直接的影响作用。以美国舍曼(Sherman)岛水域为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分光谱和光谱吸收特征,利用逐步判别分析法筛选识别精度较好的光谱特征参数参与C4.5决策树分类。结果表明:4种湿地植被的一阶导数光谱特征差异较小,吸收特征差异性相对较大;基于一阶微分光谱特征和光谱吸收特征利用C4.5决策树进行分类,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。     

基于HICO高光谱的黄河口湿地植被识别方法

湿地植被制图是湿地自然资源管理过程中的一项重要任务。文中选取黄河口湿地为研究区,应用海岸带高光谱成像仪影像,提出了一种基于包络线去除的改进型光谱角匹配(Spectral Angle Mapper based on Continuum Removal,SAM_CR)方法,对芦苇、狄草、碱蓬和怪柳等湿地典型植被进行分类提取。结果表明,SAM_CR湿地典型植被种类识别的总体精度由传统SAM方法的74.87%提高到80.61%。     

多种特征信息在高分辨率遥感影像目标识别中的应用研究

以Quickbird影像为研究对象,探讨了利用多种特征信息识别地物目标的技术方法.首先采用区域生长法将影像分割为若干个具有语义信息的对象,然后在此基础上提取对象的光谱、形状和纹理特征并进行描述,最后根据提取的特征参数,采用最近邻方法将影像分为建筑物、公路、铁路、水塘、耕地、林地和荒地7类地物目标,综合分类精度达到91.03%.研究表明,多种特征信息的综合利用,在目标分类与识别方面明显优于传统的基于单一光谱特征的方法,在一定程度内提升了遥感信息的智能化水平.     

基于多分类器集成的GF-1影像围填海地物识别

围填海是人类获取海洋资源的重要方式。监测围填海的变化是海岸带管理、海岸带演变研究中一项非常重要的任务。然而,围填海地物复杂多变,给利用遥感技术监测围填海带来困难。为此,通过构造识别地物类别的10个特征因子(GF-1的Band1—4波段的均值特征、波段均值的均值、对象面积、对象周长、外接矩形面积、对象面积与外接矩形面积之比和对象周长与对象面积之比),提出一种识别GF-1影像中围填海地物的多分类器集成算法;对特征因子进行集成,构建出单个特征分类器模型、光谱特征分类器模型、形态特征分类器模型和所有特征集成分类器模型4种组合特征分类器模型;对每种分类器模型进行试验研究,并对比分析4种集成模型的多分类器围填海地物识别精度。结果表明,单个特征分类器模型识别精度最高达到82.03%,光谱特征分类器模型识别精度为63.28%,形态特征分类器模型识别精度为87.50%,所有特征集成分类器模型识别精度为80.47%。本研究结果可为监测围填海变化提供较好的解决方案。     

高光谱遥感城市植被识别方法研究

传统的植被状况调查方式费时、费力,并且更新困难,而高光谱遥感数据图谱合一,能够更精细、准确地进行遥感地物识别和分类,因此采用Hyperion高光谱数据来研究地物混合严重并且呈零星碎片状的城市植被。利用混合像元分解思想改进Gram-Schmidt融合算法,将Hyperion高光谱和ALI全色波段进行融合,提高光谱数据的空间分辨率,来解决城市植被像元混合严重和分布过于零散破碎难题,进而提高植被识别精度。为了避免高光谱植被识别陷入维数灾难,采用主成分分析对融合后的高光谱数据进行数据降维。最后,在地面光谱成像仪获取的纯净像元光谱信息辅助下,选取训练样本进行最小距离分类,完成植被类型识别,总体精度达到84.9%。     

时序Sentinel-2A影像光谱特征的茶园提取应用

针对当前茶园遥感识别研究未充分分析利用光谱特征提取茶园的问题,该文详细探讨了光谱时间变化特征在茶园遥感识别中的应用潜力。研究利用时序Sentinel-2A影像,分析7种典型地物的时序光谱变化与NDVI变化,发掘出可用于区分茶园与其他地物的特征波段——红边2、红边3、近红外、红边4、短波红外1、短波红外2。基于上述波段或NDVI构造18个茶园提取特征,最终确定14个茶园提取特征,并基于每种特征分别构建决策树,实现茶园提取,并验证每种特征的可行性。结果表明,分类精度较高的前3个特征分别为SR-SWIR2-NIR_(_May)、SD-NIR-SWIR2_(_May)、SR-NDVI_(_MayDec);总体精度依次为96.71%、94.24%、93.43%。     

用人机交互方式进行卫星图像的草地分类与制图

本文探讨了利用计算机分析MSS数据在新疆天山北坡进行草地分类和制图的方法。在研究草地卫星光谱特征和各种地类光谱可分性的基础上,通过选择不同高度地带上的地物类型,分地带分类,分出42种类型,其中有27种草地类型。检验表明,86％地类的分类精度在80％以上,草地分类深度达到亚类和组级。用计算机成图方法将分类结果绘制成1:10万草地类型图,速度比人工成图提高200—300倍。本文还研究了通过扫描数字化等高线图建立数字地形模型的方法。利用数字地形模型改善山区草地分类精度,取得了良好的效果。     

基于微分变换的高光谱马尾松和杉木识别

高光谱遥感能分辨出地物间微小反射光谱差异信息,可用于解决林种遥感分类光谱识别的难题。利用Hyperion高光谱遥感影像,结合地面实测林种样地,对安徽省黄山市五城镇林区的马尾松和杉木进行识别。通过对Hyperion影像进行一阶、二阶微分变换,优化组合487～559 nm和681～742 nm光谱范围中反射差异明显的波段,再结合支持向量机(support vector machine,SVM)模型进行林种间分类识别。基于Hyperion影像像元反射率及其一阶和二阶微分光谱的分类识别总体精度分别达到76. 50%,81. 42%和88. 52%,对应Kappa系数分别为0. 528 4,0. 625 7和0. 769 1。结果表明,基于二阶微分变换的高光谱数据,通过SVM模型,可有效提高马尾松和杉木的识别精度,为高光谱遥感针叶林种分类识别提供了一种技术途径。     

高光谱土壤有机质估测模型对比研究

应用高光谱技术探讨土壤有机质含量定量估测方法,对发展精细农业具有重要意义。本文利用陕西省横山县的实测数据,采用对数的一阶微分变换方法对土样的高光谱数据进行处理,分别采用线性回归分析法、BP神经网络法、模糊识别法建立高光谱土壤有机质含量估测模型,并对比分析其精度,确定最优的光谱反演模型。实验结果表明:模糊识别模型的决定系数达到0.973,RMSE为0.0468%;比线性模型和BP神经网络模型精度都高。研究表明,土壤有机质光谱反演不仅要重视机理研究,同时要加强光谱反演建模方法创新。     

昆明冬季典型作物的高光谱特征对比研究

为开展昆明市冬季典型作物高光谱特征对比研究,借助SOC 710vp便携式光谱仪,获取白萝 卜和云南大苦菜的高光谱数据,对比原始、一阶微分及连续统去除光谱,并构建光谱特征参数.结果表明:①两种作物的原始光谱曲线走势相似但白萝 卜的反射率较高;②500～760 nm两种作物的一阶微分值差异较为显著,红边位置、光谱幅值和面积特征参数区分效果较好;③经连续统去除后,可见光范围内作物间可分性增强,划分波段范围并结合吸收特征参数,可有效辨别.可见,利用光谱曲线和特征参数区分作物是可行的,将为云贵高原地区作物精细识别和高原特色现代农业建设提供理论依据.     

基于光谱指数的高温目标识别方法

目前,高温目标遥感识别研究所采用的波段或光谱指数大多局限于定性分析,缺乏定量评价指标与筛选方法。为建立具有普适性的波段筛选原则及评判指标筛选方法,实现高温目标的有效识别,根据方差分析思想,构建可分性度量指标对高温目标与各类常温地物分别进行特征波段筛选,确定高温目标识别的若干有效波段,结合地物波谱特性构建并筛选高温目标最优识别指数。研究表明,经定量筛选综合确定的最优光谱指数能有效将高温目标与绝大多数常温地物区分开;在此基础上,再利用区分高温目标与易与其混淆的彩钢地物的最优识别指数进行二次识别,可进一步提高识别精度,高温目标2次识别精度分别为95. 4%和97. 6%。     

基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究

高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,在多领域中具有广阔的应用前景。利用Google Earth高分辨率遥感影像作为数据源,对其红、绿、蓝通道图像,以及三通道取平均的全色通道图像进行建筑物角点检测,并根据建筑物在影像上具有几何角点的特点,对Harris算法的一阶梯度算子进行4种方向上的改进。对Google Earth的红、绿、蓝、全色4种图像进行试验,从4个检测方向上检测并累加,结果表明红色通道的图像检测效果较好。利用4种改进梯度算子进行累加的建筑物角点识别,识别正确率可到74.75%,识别效果较好。结果表明,该方法可以很好地实现高分辨率影像建筑物的角点检测,具有一定的理 论研究和实际应用价值,可为建筑物自动识别提供技术参考。