学位论文 > 优秀研究生学位论文题录展示

基于Hyperion高光谱数据的森林类型精细识别研究

作　者: 曾庆伟
导　师: 武红敢
学　校: 中国林业科学研究院
专　业: 森林经理学
关键词: 高光谱遥感 Hyperion 森林类型识别多分类器核典型相关判别分析法
分类号: S771.8
类　型: 硕士论文
年　份: 2010年
下　载: 218次
引　用: 1次
阅　读: 论文下载

内容摘要

树种(组)调查是森林资源调查的重要内容之一,许多森林资源参数都是依靠树种来进行定量估计的。因此,准确地识别出森林树种是获取森林资源信息的关键。遥感技术的发展为森林资源信息的获取提供了新的技术手段,尤其为快速、准确地获取大范围的森林资源信息提供了可能。常规的多光谱遥感,由于光谱分辨率较低,缺乏辨别地物细微光谱差异的能力,难以对森林进行细致的分类。起源于20世纪80年代的高光谱技术,突破了光谱分辨率这一瓶颈因子,在成像过程中,能够获得地物的连续光谱信息,在光谱空间上抑制了许多干扰因素的影响,具有准确地探测各种地物细微光谱差异的能力,为森林的精细识别提供了可能。本文以星载高光谱数据Hyperion影像为数据源,选取山东省徂徕山林场为研究区,开展了基于Hyperion影像的森林类型精细识别研究。针对森林类型精细识别这一目标,首先利用支持向量机与最大似然法组合分类法进行了Hyperion影像的土地覆盖类型提取,然后基于核典型相关判别分析法对有林地区域进行主要树种(组)识别。论文的主要研究成果及结论如下:1、提出了基于支持向量机与最大似然法结合的多分类器组合高光谱遥感分类算法。研究结果表明利用组合分类器对主要土地覆盖类型分类的精度达99.9%,Kappa系数是0.999。说明基于支持向量机与最大似然法结合的多分类器组合能够使分类器更具有稳定性,提高分类精度,在高光谱遥感分类中具有很好的应用前景。2、提出了基于核典型相关判别分析法的高光谱遥感分类方法,选取Hyperion数据的可见光、近红外波段完成森林类型的精细识别。结果表明基于核典型相关判别分析法的森林类型精细识别的总分类精度为89.80%, Kappa系数是0.86。说明基于核典型相关判别分析法的高光谱遥感分类能够很好的解决森林类型的识别问题,对光谱特征相似的森林树种(组)具有很好的区分能力。3、对研究的分类算法进行了模块化开发,为研究成果的应用奠定了很好的基础。

全文目录

摘要  5-6
Abstract  6-13
第一章绪论  13-27
  1.1 引言  13-23
    1.1.1 研究背景  13-14
    1.1.2 国内外研究现状及评述  14-23
    1.1.3 项目经费来源  23
  1.2 研究目标和主要研究内容  23-24
    1.2.1 关键的科学问题与研究目标  23-24
    1.2.2 主要研究内容  24
  1.3 技术路线  24-27
    1.3.1 技术流程  24-25
    1.3.2 论文组织与结构  25-27
第二章研究区概况与数据  27-33
  2.1 研究区概况  27-29
    2.1.1 地理位置与行政区划  27
    2.1.2 研究区森林资源  27-29
  2.2 遥感数据  29-30
    2.2.1 高光谱数据  29
    2.2.2 多光谱数据  29
    2.2.3 航空影像数据  29-30
  2.3 基础地理和林业专题数据  30
  2.4 外业调查及其数据  30-32
  2.5 本章小结  32-33
第三章高光谱影像预处理  33-43
  3.1 SWIR 数据空间漂移校正  34
  3.2 绝对辐射值转换  34-35
  3.3 有效波段选择  35
  3.4 “坏线”修复  35-36
  3.5 垂直条纹去除  36-38
  3.6 Hyperion 影像Smile 效应去除  38-39
  3.7 大气校正  39-41
  3.8 波段选择  41
  3.9 几何校正  41-42
  3.10 本章小结  42-43
第四章基于Hyperion 数据的土地覆盖类型分类  43-57
  4.1 降维处理  44-46
    4.1.1 MNF 变换原理  44-45
    4.1.2 Hyperion 数据的MNF 变换  45-46
  4.2 研究方法  46-49
    4.2.1 支持向量机  46-47
    4.2.2 最大似然法  47-48
    4.2.3 基于支持向量机和最大似然法的组合分类方法  48-49
  4.3 基于支持向量机和最大似然法的土地覆盖分类  49-53
    4.3.1 基于支持向量机和最大似然法组合的算法实现  49-50
    4.3.2 土地覆盖类型的确定  50
    4.3.3 解译标志的建立  50-51
    4.3.4 训练和检验样地的选择  51-52
    4.3.5 训练样本可分性计算  52-53
  4.4 结果与精度分析  53-55
  4.5 本章小结  55-57
第五章基于Hyperion 数据的森林类型精细识别  57-68
  5.1 有林地提取  58
  5.2 研究方法  58-62
    5.2.1 典型相关判别分析法的数学描述  58-61
    5.2.2 核典型相关判别分析法的数学描述  61-62
  5.3 基于核典型相关判别分析的森林类型的精细识别  62-65
    5.3.1 森林主要树种（组）的确定  62-63
    5.3.2 训练和检验样地的选择  63
    5.3.3 训练样本可分性计算  63-64
    5.3.4 森林类型精细识别  64-65
  5.4 精度分析  65-67
  5.5 本章小结  67-68
第六章树种（组）识别算法的模块化实现  68-74
  6.1 模块结构设计  68
  6.2 模块程序实现  68-71
    6.2.1 接口Iclassifier 程序实现  68-70
    6.2.2 类SampleSet 的程序实现  70
    6.2.3 分类算法的程序实现  70-71
  6.3 模块功能界面  71-73
  6.4 本章小结  73-74
第七章结论与讨论  74-77
  7.1 结论  74-75
  7.2 本文的创新点  75
  7.3 存在的问题与展望  75-77
主要参考文献  77-83
附录  83-84
在读期间的学术研究  84-85
致谢  85-86

基于Hyperion高光谱数据的森林类型精细识别研究

内容摘要

全文目录

相似论文