论文部分内容阅读
高光谱遥感是一种被动光学遥感技术,具有光谱分辨率高、信息量大等优点,能够反映不同地物的连续光谱特征,识别精细地物类型,在林业、海洋、大气、地质等领域得到广泛应用。本文使用机载PHI高光谱数据进行优势树种识别,考虑到高光谱数据对植被非敏感波段的信息量偏低,特别是高光谱两端波段的噪声显著,需要进行去噪和降维处理,降维方法包括自适应波段选择法和微分法。为了消除非森林地物对分类的干扰,选择分层分类的策略,先根据NDVI阈值区分森林与非森林,然后采用SVM和SAM法在森林类别中进一步区分不同优势树种。论文的主要研究成果及结论如下:(1)基于独立分量分析法的降噪方法能有效去除高光谱数据噪声、冗余波段信息,大大减小运算量。通过对波段选择前后影像、光谱曲线的比较,都能明显看出降噪后的数据质量优于未降噪前的数据质量。(2)利用NDVI指数区分森林与非森林,效果较好。由于数据获取时相为冬季,落叶树种都已经落叶,此时植被光谱特征表现不明显,其NDVI值与落叶灌草接近,还有一些树种与非林地地类(如农田或道路)光谱信息接近,因此,本研究中首先区分出林地与非林地,在此基础上对林地进行树种识别。试验表明,本研究中采用的分层分类策略能够有效识别常绿、落叶的针、阔及非林地类别,且总体精度较好。(3)选用自适应波段选择法降维时,支持向量机法的精度是82.2%,光谱角填图法的精度是78.1%;选用一阶微分法降维时,支持向量机法的精度是75.8%,光谱角填图法的精度是73.3%;选用二阶微分进行降维时,支持向量机法的精度是79.1%,光谱角填图法的精度是77.3%。对比同种降维方式的两种分类结果,不难发现,支持向量机的分类结果比光谱角填图法的精度更高。此外,对于三种降维方法来说,自适应波段选择法比微分法更适合PHI高光谱数据的降维,同时,微分法中的二阶微分法比一阶微分法的降维效果好,其中自适应波段选择法与支持向量机法结合,分类结果精度达到80%以上。(4)PHI高光谱数据适用于树种单一、林相整齐的森林类型的分类识别。从六种研究结果的精度可以看出,五种研究结果的精度均在75%以上,可以得出PHI高光谱数据对于树种组单一、林相整齐的森林树种识别,具有很好的可行性。