基于HJ-1A高光谱数据的藏北高原草地分类方法对比

环境减灾星星座A星(HJ-1A)携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少.本文基于HJ-1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA-MLC和HSI-SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ-1A高光谱数据的藏北高原草地分类方法中SPCA-MLC法优于HSI-SAM法.2种方法的分类精度皆大于80％,证明了HJ-1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力.     

基于HJ-1A高光谱数据的藏北高原草地分类方法对比

环境减灾星星座A星（HJ 1A）携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少。本文基于HJ 1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA MLC和HSI SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ 1A高光谱数据的藏北高原草地分类方法中SPCA MLC法优于HSI SAM法。2种方法的分类精度皆大于80%,证明了HJ 1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力。     

HJ-1A高光谱数据预处理方法研究

高光谱遥感数据处理与应用已成为目前遥感应用研究领域的热点和难点之一。介绍了环境与减灾监测预报小卫星中高光谱遥感数据产品命名规则和内容,以及产品数据的主要特点,通过对HSI数据辐射定标、Flaash大气校正和几何精校正等数据预处理方法,得出Flaash大气校正后的HSI数据,提高了高光谱数据的质量,地物光谱曲线更加符合实际情况,为下一步定量遥感研究奠定了基础。     

基于Forman算法HJ-1A高光谱数据实时处理技术研究

采用Forman卷积法,基于GPU硬件平台,完成了实时光谱复原处理系统关键技术研究。试验结果表明:系统处理能力为HJ-1A中高光谱解压后下行数据速率的2.82倍,满足实时初级产品与全分辨率移动图像显示处理的技术需求。基于GPU环境对Forman法与Mertz法进行比较,针对Forman法采用不同处理方法进行比较,为开展实用化系统的研制提供了数据与方法。     

HJ-1 A高光谱数据的条带噪声去除方法研究

针对环境减灾小卫星的高光谱图像条带的特点,提出了基于光谱空间连续性的倾斜条带去除方法。高光谱数据的光谱分辨率达到纳米级,光谱波段多,在一定范围内可以连续成像,具有光谱空间的连续性,基于光谱空间连续性的条带去除方法利用了光谱空间连续性的这一重要特点。本文在考虑了图像条带噪声的倾斜角度的基础上,成功地将该方法应用于批量的环境减灾小卫星2级高光谱数据,进行了相对辐射校正的研究,并将相邻列均衡方法应用于单幅环境减灾小卫星2级高光谱数据,对比二者的单幅图像条带去除效果,结果证明基于光谱空间连续性的条带去除方法较相邻列均衡方法更适合于对环境减灾小卫星的2级高光谱数据进行条带噪声的去除。     

基于HJ-1高光谱数据的植被覆盖度估测方法研究

植被覆盖度是衡量地表植被状况的一个重要参数,在水文、生态等方面有重要意义,同时,也是影响土壤侵蚀与水土流失的主要因子,是评价土地荒漠化最有效的指标。以环境一号(HJ-1)小卫星上搭载的新型传感器HSI获取的高光谱数据为数据源,通过选择合适的植被指数建立了植被覆盖度反演模型——像元二分模型。然后运用该模型提取了新疆石河子地区的植被覆盖度信息。通过与地面样方数据进行交互比较,对HJ-1/HSI数据反演植被覆盖度的精度进行了评价。研究结果表明,HJ-1/HSI数据能够得到较高精度的植被覆盖度反演结果,在植被动态及全球变化研究领域具有潜在应用价值。     

高光谱遥感数据光谱特征提取算法与分类研究

针对高光谱数据的特点,探讨了高光谱数据特征提取的若干算法,重点研究了导数光谱和光谱编码技术,并从地物光谱曲线中提取了其光谱吸收特征.对同类曲线特征求交得到识别地物的有效特征;对不同类曲线特征求交得到区分不同类地物的有效特征.最后基于提取的特征建立了地物识别决策树,从而达到快速识别分类地物的目的,能够实现依据地物光谱特征的地物识别与分类.     

基于贝叶斯树算法的高光谱遥感数据分类

文章针对高光谱波段数众多、信息冗余量大的特点,首先对高光谱曲线进行光谱特征参数提取,然后再选择合适的吸收峰波段作为输入向量,在VS2008平台上实现了采用贝叶斯树（NBTree）算法对铀矿床高光谱数据进行分类。     

HJ-1A高光谱数据高效大气校正及应用潜力初探

环境与灾害监测预报小卫星于2009年3月30日开始正式交付使用,A星上搭载了我国自主研制的空间调制型干涉高光谱成像仪（HSI）,作为一种新型传感器,HSI数据的应用在我国还处于探索阶段。要充分发挥超光谱数据优势、进行有效的遥感应用,首先需要消除遥感成像过程中的大气影响,获得不同波段的地物真实反射辐射信息。通过使用FLAASH大气辐射传输模型对HSI数据进行大气校正,并与表观反射率进行对比分析,证明了校正后获得的地表光谱反射率的有效性。同时基于校正后得到的光谱反射率图像,进行改良型土壤调整植被指数（MSAVI）与叶面积指数（LAI）的反演,初步展现了HSI数据的实际应用效果。     

HJ-1A/B星CCD多光谱遥感数据特征评价及应用研究

我国现有的风云系列卫星、资源卫星及海洋卫星都可实现多种性能的对地观测,在灾害与环境监测方面发挥了很好的作用。然而,面对复杂多样的自然灾害及环境问题,这些卫星却都难以完全满足灾害和环境监测与预报所需的空间分辨率、时间分辨率和光谱分辨率以及全天候的要求。主要对环境与灾害监测预报小卫星A、B(HJ-1A/B)星多光谱遥感数据进行了质量评价,提取数据特征,以便为该数据的推广应用提供参考。     

高光谱遥感分类方法研究

高光谱遥感是近二十年发展起来的遥感前沿技术。本文探讨了高光谱遥感分类方法,比较分析各种方法与传统方法的优缺点。     

RSM组合方法用于高光谱遥感数据的分类研究

RSM(Random Subspace Method)是一种新型的组合方法,利用随机挑选的特征子集生成每个基模型(Base Model),因此对于高维数据,RSM具有很大的应用潜力.本文将RSM方法应用于高光谱数据分类中,验证了RSM方法的有效性,并采用遗传算法(Genetic Algorithm)选择部分基模型构成组合来进一步提高分类精度.本文的工作为进一步在高光谱领域开展组合算法研究起到了很好的示范作用.     

基于独立成分分析和神经网络的高光谱遥感数据分类

高光谱遥感数据以数据量大、含混度高、地面样本数据少的特点给分类处理带来了困难。将独立成分分析技术与多层前向神经网络相结合, 得到一种新的分类算法。独立成分分析在提取有效光谱特征的同时, 大大降低了数据的维数。神经网络作为分类器, 分类精度显著高于传统的bayes 分类器。通过对220 波段的高光谱数据进行实验, 得到了良好的效果。     

HJ-1A/1B CCD数据湖泊水体污染遥感监测

针对新型国产卫星数据源HJ-1A/1B多光谱数据特点,进行内陆湖泊水污染定性及半定量化的遥感监测。根据水体污染所产生的光谱特性变化进行水体污染的识别与分析。通过实验表明,HJ-1A/1B多光谱数据能够有效地进行湖泊水污染变化监测与应用分析。     

基于HJ-1卫星CCD遥感数据的作物秸秆光谱识别模型与提取方法研究

作物秸秆信息的准确提取对于农业可持续发展与秸秆焚烧火点的探测有重要意义。本文在野外作物秸秆光谱采集与光谱特征分析的基础上,以江苏省扬州市区为典型研究区,依照HJ卫星CCD相机多光谱遥感波段进行光谱重采样,并结合HJ卫星CCD遥感数据,建立了作物秸秆光谱识别乘积指数(SMI),最后通过改进PSO最大类间方差算法对SMI影像进行"动态-全局"阈值分割,实现了作物秸秆信息的有效提取。     

基于决策树的高光谱遥感影像分类方法研究

为了验证将决策树算法用于高光谱遥感影像分类的可行性,提出了一种二叉决策树自动构建算法用于高光谱遥感影像分类.通过对高光谱遥感影像进行现场采样、对样本进行统计和训练,生成了一棵二叉决策树,从决策树中提取出分类规则,并对高光谱遥感影像进行分类.生成的决策树简单明了,分类规则易于理解,分类效率和精度都比较高,实现了高光谱遥感影像从数据降维、样本选择、样本训练、决策树生成、影像分类的“一体化”和“自动化”.     

高光谱数据分类新方法研究

传统的独立分量分析（ICA）算法无法确定高光谱数据中独立分量的个数,利用概率神经网络（PNN）训练时间短的优点,根据分类精度可以较快地确定出独立分量的个数。提出了一种在确定高光谱数据的维数之后利用支持向量机（SVM）分类的新算法思想,首先利用ICA对高光谱数据降维,并利用PNN确定出独立分量的个数,而后对降维后的数据利用SVM作交叉验证,并采用混合核函数进行分类的算法思想。通过仿真实验表明,该算法可以在保证分类精度的同时大大减少分类的时间。     

基于HJ-1B卫星遥感数据的水稻识别技术研究

为快速、准确地在遥感图像上识别水稻作物的信息,满足县级尺度水稻遥感监测的需要,以野外实地调查资料、1∶5万地形图数据为辅助,通过光谱分析法,分析研究HJ-1B星CCD数据的水稻作物的光谱反射特性,建立水稻作物遥感信息识别模型。采用决策树分类方法提取水稻作物信息,并将该技术方法应用于广西宾阳县水稻作物信息提取研究。采用实测样地数据,利用混淆矩阵进行精度评价验证,总精度为94.9%,Kappa系数为0.8533。研究表明,该水稻作物的识别技术,可以为了解我国水稻种植情况,进行水稻长势监测和产量估测提供技术参考。     

高光谱植被遥感数据光谱特征分析

利用植被的光谱数据,探讨了植被冠层的光谱反射特征和诊断性光谱吸收特征。根据植被光谱特征和连续统去除法(CR),介绍了识别植被种类和预测植被冠层营养元素等生化组分含量的可能性。运用一阶微分反射比(FDR)和从连续统去除的光谱吸收特征中获得的波段深度(BD)、连续统去除后微分反射比(CRDR)、波段深度比(BDR)和归一化波段深度指数(NBDI)等变量,利用逐步线性回归模型并基于光谱吸收特征的变量来选择波长,并通过相关分析来预测植被冠层生化组分。     

基于随机森林的高光谱遥感图像分类

为了充分利用高光谱图像的光谱信息和空间结构信息,提出了一种新的基于随机森林的高光谱遥感图像分类方法,首先,利用主成分分析降低数据的维数,并对主成分进行独立成分分析提取其光谱特征,同时消除像元的空间相关性,再采用形态学分析提取像元的空间结构特征,然后,根据像元的谱域和空域特征分别构造随机森林,并引入空间连续性对像元点的预测结果进行约束修正,最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明,所提方法的分类性能要优于传统的高光谱图像分类方法,且分类精度高于基于单一特征的方法。