论文部分内容阅读
遥感作为新型的综合性探测技术,具有客观、实时、无损的特性,在植被类型判别和长势监测中发挥了其显著的优势,为及时、准确地获取大范围的植被分布信息提供了数据支持。尤其在高光谱分辨率、高空间分辨率以及高时间分辨率卫星遥感技术快速发展的背景下,加之与地理信息系统技术的结合,使得植被遥感监测的精度逐步提高。本文首先分析了基于监督分类的植被遥感识别方法的识别能力,其次,结合物理传输模型数据对植被的一个重要物理参数——叶面积指数(LAI)进行反演,最后在以上研究的基础上生成了一款LAI反演系统以简化数据的处理流程。本文的主要研究内容及实验结果如下:1)研究采用基于像元的监督分类方法(支持向量机、最大似然和马氏距离)和面向对象方法(基于对象属性的支持向量机分类)进行植被的遥感识别并对分类结果进行对比分析。结果表明:在3种基于像元光谱信息的监督分类算法中,支持向量机算法的识别精度相对较高,表现在这一类型的生产者精度和用户精度均大于另外2种算法,并且,该算法的总体分类精度也最高(81.15%),明显优于最大似然(73.33%)和马氏距离(61.77%)。然而,融入了空间信息进行分类的面向对象方法(合并尺度97)的总体识别精度高达89.24%,并且随着对象合并尺度的增大,错分和漏分比例明显降低。这一结果表明支持向量机的分类方法的识别效果较好,且通过引入对象的空间纹理属性,能够进一步削弱噪声、提高识别精度。2)提出以物理模型(PROS AIL)数据为建模数据,分别构建了基于归一化植被指数(NDVI)、比值植被指数(RVI)和基于支持向量机(SVM)的多光谱LAI反演模型:NDVI-LAI、RVI-LAI及SVM-LAI,并通过实测数据进行LAI的反演。通过与实测LAI对比验证发现:NDVI-LAI和RVI-LAI的反演效果不佳(R2<0.61, RMSE>1.1),且具有饱和效应;SVM-LAI模型的反演精度高于基于植被指数的反演模型,对于ASD数据和TM5数据反演结果的决定系数(R2)都较高,分别为0.7858和0.7447,有很好的抗饱和能力。最后使用降维算法(LLE和PCA)对高光谱数据进行降维,构建了两种高光谱LAI反演方法(LLE-SVM和PCA-SVM),通过验证结果发现,模型数据与实测值之间的差异性导致降维变换后的数据反演效果不理想(R2<0.48, RMSE>1.5)。3)使用.NET平台的C#语言和外部算法库(GDAL和LIBSVM)生成一个LAI反演系统。系统功能包括:植被盖度提取、图像的多通道显示、植被指数的计算、LAI的反演、批量处理、输出数据的可视化分析等。系统算法中集成了基于植被指数(NDVI和RVI)的LAI反演算法以及基于SVM的分类和LAI反演方法。该系统简化了反演数据的处理流程,提升LAI反演和数据分析的效率。