黃河三角洲濕地典型植被高光譜遙感研究.pdf

1、高光譜遙感數(shù)據(jù)的特征提取和分類工作是高光譜遙感應(yīng)用領(lǐng)域的研究重點(diǎn)和熱點(diǎn)。濱海濕地區(qū)域面積廣闊、地物分布復(fù)雜多樣，且高光譜遙感數(shù)據(jù)本身維度高、數(shù)據(jù)量大，導(dǎo)致傳統(tǒng)的特征提取方法對(duì)于蘊(yùn)含于高光譜數(shù)據(jù)中的光譜特征信息利用有限，對(duì)于專家經(jīng)驗(yàn)知識(shí)和統(tǒng)計(jì)信息以外的潛在特征，難以充分提取，進(jìn)而難以形成適用于濱海濕地高光譜遙感數(shù)據(jù)的高精度分類算法。這不利于高光譜遙感技術(shù)在濱海濕地遙感研究領(lǐng)域的深入發(fā)展。
　　本文的工作主要面向?yàn)I海濕地植被高光譜遙感

2、精細(xì)化監(jiān)測(cè)的需求，以黃河三角洲濕地為研究區(qū)域，利用高光譜遙感影像和現(xiàn)場(chǎng)采集的典型植被現(xiàn)場(chǎng)光譜數(shù)據(jù)，發(fā)展了基于數(shù)據(jù)挖掘技術(shù)的濱海濕地典型植被高光譜特征提取和分類方法，實(shí)現(xiàn)針對(duì)研究區(qū)域典型植被與地物類型的高精度提取和分類。具體內(nèi)容如下:
　　(1)開展了基于光譜可分性與季節(jié)光譜特征差異的現(xiàn)場(chǎng)光譜特征分析
　　針對(duì)研究區(qū)域和高光譜遙感影像的特點(diǎn)，開展黃河三角洲濱海濕地典型植被現(xiàn)場(chǎng)光譜測(cè)量，得到了對(duì)研究區(qū)域植被類型光譜特征代表性良好

3、的現(xiàn)場(chǎng)光譜數(shù)據(jù);利用現(xiàn)場(chǎng)實(shí)測(cè)的典型植被光譜數(shù)據(jù)，開展基于反射率光譜的植被光譜分析和特征提取。為分析不同植被光譜間的可分性特征，發(fā)展了一種基于包絡(luò)線去除光譜差值的特征波段提取方法，獲得了典型植被的波段可分性查找表;為分析不同植被不同季節(jié)的光譜特征差異，基于導(dǎo)數(shù)變換方法開展典型植被春、秋兩季光譜特征分析比較工作，獲得了綠光反射峰、紅光吸收峰、紅邊和近紅外反射峰等4種光譜特征的位置和反射率差異信息。
　　(2)發(fā)展了基于數(shù)據(jù)挖掘的研究區(qū)

4、域典型植被高光譜遙感特征提取技術(shù)針對(duì)PROBACHRIS多視角高光譜遙感衛(wèi)星影像，首先研究了該影像數(shù)據(jù)的預(yù)處理技術(shù)，并對(duì)不同視角影像的成像效果及分類能力進(jìn)行分析研究，確定0°視角影像作為特征提取的數(shù)據(jù)源。在此基礎(chǔ)上，為獲取高光譜遙感影像中典型植被的遙感光譜特征和特征波段組合規(guī)律，指導(dǎo)研究區(qū)域典型植被遙感分類，發(fā)展了一種基于關(guān)聯(lián)規(guī)則挖掘的濱海濕地典型植被高光譜遙感特征提取技術(shù)，利用關(guān)聯(lián)規(guī)則挖掘中的廣義規(guī)則歸納算法，配合關(guān)聯(lián)規(guī)則定量指標(biāo)分析

5、，獲得了研究區(qū)域8類典型植被與地物類型（包括蘆葦、檉柳、堿蓬、大米草、清澈水體、渾濁水體、裸灘、裸地）的高光譜遙感特征集。該技術(shù)能夠充分提取高光譜遙感數(shù)據(jù)中的潛在特征，并滿足光譜特征在分類、波段和信息等多個(gè)維度的獨(dú)立性要求。
　　(3)發(fā)展了基于決策樹的研究區(qū)域典型植被高光譜遙感分層分類方法
　　針對(duì)覆蓋研究區(qū)域的PROBA CHRIS高光譜遙感數(shù)據(jù)，基于本文所建立的典型植被與地物類型高光譜遙感特征集，并結(jié)合現(xiàn)場(chǎng)光譜特征PR

6、OBA CHRIS高光區(qū)域8類典型植被與地物類型高光譜遙感分類規(guī)則，發(fā)展了一種基于決策樹的黃河三角洲典型植被高光譜遙感分層分類方法。利用該方法對(duì)PROBA CHRIS高光譜遙感影像進(jìn)行分類實(shí)驗(yàn)，將整景影像分為8類典型植被與地物類型，利用現(xiàn)場(chǎng)踏勘信息結(jié)合高空間分辨率遙感影像解譯所獲取的標(biāo)準(zhǔn)解譯圖像，對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，并與基于相同訓(xùn)練樣本的SVM分類結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果顯示，本文所發(fā)展的分類方法其分類精度較SVM算法有明顯提高，超過