学位论文 > 优秀研究生学位论文题录展示

毛竹专题信息高光谱特征指数反演技术研究

作　者: 缪丽娟
导　师: 刘健
学　校: 福建农林大学
专　业: 森林经理学
关键词: 高光谱遥感降维毛竹信息提取指数模型遥感反演
分类号: S795
类　型: 硕士论文
年　份: 2011年
下　载: 39次
引　用: 0次
阅　读: 论文下载

内容摘要

竹产业的迅速发展迫切要求遥感技术提供给其快速、准确的毛竹空间分布信息。高光谱遥感作为遥感科学的研究前沿和热点,具有图像——光谱合一的特点,能够克服多光谱遥感的不足,可通过其精细光谱优势提高毛竹专题信息提取的精度和准确性。当前可利用的高光谱遥感数据源少,尤其在南方地区受地形复杂、气候多变等因素影响获取的影像数据质量往往难以满足植被识别的要求,且影像成像空间范围小;而多光谱数据源丰富,影像成像空间范围大。为充分利用多光谱和高光谱的优势,开展基于多光谱的高光谱特征指数反演技术研究是具有现实意义的。同时,植物的光谱特征都是由其化学和形态学特征决定的,使得基于多光谱的高光谱特征指数反演成为可能。本文以福建省闽清、德化、永泰县的部分区域为研究区,以开窗口方式建立研究对象,利用HyperionEO-1高光谱遥感数据和TM多光谱数据,围绕毛竹专题信息高光谱特征指数反演技术这一主题,开展了高光谱数据降维,识别毛竹的最佳高光谱特征确定,基于识别毛竹最佳高光谱特征、TM影像数据、相关的植被指数、地形因子等遥感信息的高光谱特征指数模型构建,基于高光谱特征指数的毛竹专题信息提取等研究,得到如下结论:(1)高光谱遥感数据分析可得:可用于研究的高光谱共计122个波段,其中31~50、54~68、75~89、94~122波段子集包含的信息量较多,是理想的候选波段子集,波段122是最优波段。光谱特性上,在任一波段上经济林与其它地物的可分性大;在1~25波段、31~50波段、58~66波段、74~85波段、92~122波段、80~85波段,竹林、杉木、阔叶林、经济林的DN值差异较明显是理想的波段子集,26~30波段、51~57波段、67~73波段、86-91波段重叠现象严重。(2)采用波段指数法、自适应波段选择法、均值间的标准距离法、OIF指数法、主成分分析法等方法对高光谱数据进行降维,得到的分类特征组合分别为:36、63、122波段组合;63、111、122波段组合;6、97、122波段组合;44、82、122波段组合;可见光区间的第一主成分(Y1)、近红外区间的第二主成分(Y4)、短波红外区间的第二主成分(Y6)组合。(3)各组合分类特征的分类结果表明:基于主成分分析法选择的分类特征分类的总精度和毛竹精度最高,总精度为80.36%,毛竹精度为88.70%;基于波段指数法、自适应波段选择法、均值标准距离法和OIF指数法选择的分类特征分类的总精度分别为64.97%、65.66%、71.29%、66.62%;毛竹精度分别为71.75%、72.32%、82.49%、72.32%。即确定主成分分析法选择的分类特征(Y1、Y4和Y6)作为识别毛竹的最佳特征,并作为构建模型的因变量。(4)分析了毛竹与其它树种在多光谱(TM)、植被指数、地形因子等上的差异,在此基础上,选择TM(1、2、3、4、5、7等波段)、植被指数(NDVI、RVI、PVI)、高程、坡度和坡向为自变量,Y1、Y4、Y6为因变量,利用逐步回归,构建高光谱特征指数模型,分别为:其中Y1、Y4、Y6为高光谱中能有效识别毛竹的分类特征,Z6是Y6经过Box-Cox变换的结果;B1、B2、B3、B4为TM影像的第一、二、三、四波段;RVI为比值植被指数;NDVI为归一化比值植被指数;高程3为高程800~1200 m;缓坡为坡度6~15°;陡坡为坡度26~35°;急坡为坡度36~45°。(5)通过所建立的指数模型,尝试了对高光谱特征的反演,并在反演结果图上进行了毛竹专题信息的提取,分类结果与传统基于多光谱数据的分类比较获得了较高的分类精度,具体为:基于高光谱特征指数分类的总精度为73.18%,Kappa系数为0.6552;基于TM原始数据分类的总精度为62.48%,Kappa系数为0.5170;二者比较,前者比后者总精度提高了10.70个百分点,Kappa系数提高了0.1382。同时,前者的毛竹分类精度达到86.52%,而后者的毛竹分类精度为74.47%,前者比后者毛竹精度提高了12.05个百分点,其它树种的分类精度也都有不同程度的提高,其中,杉木精度提高了43.44个百分点,马尾松精度提高了5.73个百分点,阔叶林精度提高了1.51个百分点,经济林精度提高了9.41个百分点。

全文目录

摘要  8-10
ABSTRACT  10-12
1 前言  12-21
  1.1 研究意义及国内外研究现状  12-17
    1.1.1 研究意义  12-13
    1.1.2 竹资源的遥感研究现状  13-14
    1.1.3 高光谱遥感的研究现状  14-16
    1.1.4 专题信息提取反演的基础  16-17
    1.1.5 存在的问题  17
  1.2 研究区域概况  17-19
  1.3 研究目标、内容与技术路线  19-21
    1.3.1 研究目标  19
    1.3.2 研究内容  19
    1.3.3 研究方法  19-20
    1.3.4 技术路线  20-21
2 资料收集及图像预处理  21-32
  2.1 研究数据  21
    2.1.1 非遥感数据资料  21
    2.1.2 Hyperion 高光谱遥感影像  21
    2.1.3 TM 遥感影像  21
    2.1.4 分类系统的确定  21
  2.2 高光谱遥感影像预处理  21-30
    2.2.1 未定标和受水汽影响波段的去除  22-24
    2.2.2 坏线修复  24
    2.2.3 像元值到绝对辐射值的转换  24-25
    2.2.4 垂直条纹去除  25-26
    2.2.5 大气校正  26-30
    2.2.6 几何校正  30
  2.3 TM 影像的预处理  30
  2.4 林地信息提取  30-32
3 基于毛竹信息提取的高光谱数据降维  32-49
  3.1 高光谱遥感数据分析  32-35
    3.1.1 图像的标准差  32-33
    3.1.2 相关性  33-34
    3.1.3 光谱特性  34-35
  3.2 基于信息量的最佳波段选择  35-39
    3.2.1 波段指数法  35-37
    3.2.2 自适应波段选择（ABS）  37-39
  3.3 基于类间可分性的最佳波段选择  39-45
    3.3.1 均值间的标准距离  40-43
    3.3.2 光谱混合距离和OIF 指数  43-45
  3.4 主成分分析（PCA）  45-48
  3.5 本章小结  48-49
4 高光谱遥感影像的分类及识别毛竹的最佳高光谱特征的确定  49-61
  4.1 分类方法介绍  49-50
  4.2 基于特征空间的信息提取  50-59
    4.2.1 基于波段指数法的信息提取  50-51
    4.2.2 基于自适应波段选择法的信息提取  51-52
    4.2.3 基于均值标准距离法的信息提取  52-53
    4.2.4 基于OIF 指数法的信息提取  53-54
    4.2.5 基于主成分分析法的信息提取  54-55
    4.2.6 分类结果精度评价  55-59
  4.3 识别毛竹的最佳高光谱特征的确定  59-60
  4.4 本章小结  60-61
5 高光谱特征指数模型的构建研究  61-81
  5.1 多光谱数据上的毛竹光谱特性分析  61-66
    5.1.1 植被指数特征分析  61-63
    5.1.2 地形因子特征分析  63-66
  5.2 高光谱特征指数模型的构建  66-75
    5.2.1 自变量设置与提取  66-67
    5.2.2 因变量提取  67
    5.2.3 自变量的筛选  67-71
    5.2.4 因变量的Box-Cox 变换  71-74
    5.2.5 指数模型的建立  74
    5.2.6 指数模型评价  74-75
  5.3 基于高光谱特征指数模型的毛竹信息提取  75-79
    5.3.1 高光谱信息的遥感反演  75-77
    5.3.2 毛竹信息提取结果  77-78
    5.3.3 结果分析  78-79
  5.4 本章小结  79-81
6 结论与研究展望  81-84
  6.1 主要结论  81-82
  6.2 创新点  82
  6.3 研究展望  82-84
参考文献  84-89
附录  89-92
致谢  92

毛竹专题信息高光谱特征指数反演技术研究

内容摘要

全文目录

相似论文