论文部分内容阅读
随着高光谱遥感技术的发展,传统多光谱遥感难以实现的树种识别和分类已成为可能。同时,面对高光谱遥感的巨大数据量,如何高效率、高精度完成目标识别与分类,已成为完善遥感应用理论、发展新的分类算法的重大机遇和挑战。本文在分析现有高光谱遥感分类算法的基础上,针对南方主要乔木树种的高光谱数据降维分类,开展了深入研究。为寻找便于识别南方主要乔木树种高光谱数据的敏感波段,以及合理的降维分类算法组合。本文历时6年多,对杉木、马尾松、樟树和马褂木进行定点定期观测,共采集数据3000多条,经过整理最终获取有效光谱数据310条,同时测量了与光谱数据相对应的树木枝叶的叶绿素、类胡萝卜素和叶黄素的含量。本文利用以上测量数据,对主成分降维、独立主成分降维、遗传算法结合支持向量机降维、二进制粒子群算法结合支持向量机降维等算法进行了系统的比较与分析,并用乔木树种主要色素与野外实测地面光谱数据进行相关性分析。在此基础上,对野外实测地面光谱数据进行降维,然后利用五种常用的分类算法,即支持向量机、BP神经网络、马氏距离判别法、贝叶斯分类法及光谱角度制图法,对降维后的数据进行分类精度比较,进而得到最合理的降维与分类组合。最后,利用成像高光谱数据Hyperion,对上述组合分类算法进行验证。本文取得的主要研究成果如下：(1)针对野外实测乔木树种地面光谱数据的降维与分类,研究得到对数和对数一阶微分变换为最理想的光谱数据预处理方法。(2)针对野外实测地面光谱数据降维或波段选择,得出适合南方主要乔木树种高光谱数据降维分类的算法是主成分降维算法。(3)发现适用于南方乔木树种遥感分类的最佳波段组合是：403nm、457nm、505nm、517nm、529nm、538nm、553nm、622nm、667nm、679nm、703nm、730nm、763nm、853nm。(4)利用野外实测地面光谱数据与树木枝叶主要色素含量进行相关性分析,发现光谱数据与叶绿素含量相关性最高的波段是401～504nm和659-686nm,分类实验结果精度达到90%以上；发现类胡萝卜素和叶黄素与高光谱数据相关性小。(5)基于成像光谱数据Hyperion的验证结果显示,遗传算法结合支持向量机给出的波段选择结果,对空间分辨率为30米的成像光谱数据具有较好的适用性。