从高光谱遥感影像提取植被信息解析
高光谱遥感影像的提取和处理方法
高光谱遥感影像的提取和处理方法近年来，随着遥感技术的不断发展，高光谱遥感影像的获取成为了现实。
高光谱遥感影像是指通过遥感仪器获取的光谱范围较广的遥感影像，其相较于传统遥感影像具有更高的空间和光谱分辨率。
在许多领域，包括环境保护、农业、城市规划等，高光谱遥感影像的提取和处理方法具有重要的应用价值。
一、高光谱遥感影像的获取高光谱遥感影像的获取需要使用高光谱遥感仪器，该仪器能够捕捉到丰富的光谱信息。
一般来说，高光谱遥感仪器由多个波段的传感器组成，这些传感器能够同时记录多个波段的图像。
获取的高光谱遥感影像通常具有数百个波段，使得我们在遥感影像处理中能够获取更多的光谱信息。
二、高光谱遥感影像的预处理在进行高光谱遥感影像的提取和处理之前，我们需要对其进行预处理。
预处理的目的是提高图像的质量和减小噪声的影响。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正旨在消除遥感影像中的辐射差异，以便更好地比较不同区域的反射率。
大气校正则旨在消除大气引起的影响，使得遥感影像更加准确。
几何校正则是为了将遥感影像的几何形状与地形相匹配。
三、高光谱遥感影像的特征提取高光谱遥感影像的特征提取是指从遥感影像中提取出我们感兴趣的信息。
常见的特征提取方法有以下几种：1. 光谱特征提取光谱特征提取是指通过对高光谱遥感影像每个波段的分析，提取出不同波长下的光谱信息。
这些信息可以用于分类、识别和分析。
常见的光谱特征提取方法包括光谱曲线拟合、波段选择、光谱角等。
2. 空间特征提取空间特征提取是指通过对高光谱遥感影像空间分布的分析，提取出图像上不同位置的信息。
常见的空间特征提取方法包括纹理特征、形状特征、结构特征等。
3. 混合特征提取混合特征提取是指将光谱特征和空间特征相结合，提取出更全面的图像信息。
这种方法更常用于高光谱遥感影像的分类与识别。
四、高光谱遥感影像的分类与识别高光谱遥感影像的分类与识别是利用图像处理和分类算法对遥感影像进行分析，将其划分为不同的类别。
使用高光谱遥感技术进行植被物种分类的技巧与注意事项
使用高光谱遥感技术进行植被物种分类的技巧与注意事项高光谱遥感技术是一种非常有潜力的技术，可以帮助我们进行植被物种分类和监测。
它通过获取植被反射光谱数据，以及其他辅助信息，来帮助区分不同的植被物种。
然而，这种技术在应用中还存在一些技巧和注意事项需要我们重视。
首先，为了成功应用高光谱遥感技术进行植被物种分类，我们需要充分了解被研究地区的植被特点和环境背景。
不同的植物物种在光谱特征上可能存在很大的差异，而且受到土壤、水分等环境因素的影响也可能导致光谱数据的变异。
因此，在使用高光谱遥感技术前，我们需要通过实地调查和样本采集等手段获得准确的植被光谱库，并对其进行分析和处理。
其次，高光谱遥感技术的数据处理也是非常重要的。
在对获取的光谱数据进行分类前，我们需要利用数学和统计方法对数据进行预处理，以消除噪声和杂散光的影响，提高分类的准确性。
常见的数据处理方法包括波段选择、波段转换、特征提取等。
同时，我们还需注意不同植被物种对于不同波长的光的响应差异，以及如何选择合适的分类算法来提取植被物种的特征。
另外，高光谱遥感技术在植被物种分类中也需要充分考虑时间和空间尺度的因素。
植物的生长和发育过程是一个动态变化的过程，不同物种在不同时间和空间上具有不同的光谱特征。
因此，为了提高分类的准确性，我们需要选择合适的时间点进行数据采集，并对不同季节、不同生长阶段的植物进行分类。
同时，在进行分类时，还需要考虑到植被的空间分布，合理划定分类的区域范围，避免因为不同区域之间的差异而导致分类结果不准确。
此外，高光谱遥感技术的应用还需要结合其他信息源进行综合分析。
植物的分类不仅仅依靠光谱数据，还可以结合地形、土壤、气象等多种信息进行分类。
例如，植物的高程分布、土壤类型和含水量等都会对植被物种的分布和生长产生影响。
因此，在进行植被物种分类时，我们需要充分考虑这些因素，并将它们与高光谱遥感数据进行综合分析，以提高分类的精度。
最后，对于高光谱遥感技术在植被物种分类中的应用，我们还需要进行精准验证和评估。
植被信息遥感提取方法
植被信息遥感提取是一种利用遥感技术来获取地表植被信息的方法。
这种方法通过卫星或无人机拍摄地表图像，然后利用图像处理技术和计算机视觉技术，提取出植被的特征信息，如植被覆盖率、植被类型、植被生长状态等。
以下是植被信息遥感提取的基本方法：
1. 图像获取：使用卫星或无人机拍摄地表图像，获取不同分辨率、不同光谱特性的图像数据。
这些图像数据可以提供丰富的植被信息，为后续的植被信息提取提供基础。
2. 图像预处理：对获取的图像进行预处理，包括去噪、增强、裁剪等操作，以提高图像的质量和可读性，为后续的植被信息提取提供更好的基础。
3. 特征提取：利用图像处理技术和计算机视觉技术，从图像中提取植被的特征信息。
常用的特征包括植被覆盖率、植被类型、植被生长状态等。
这些特征可以通过不同的算法和方法进行提取，如基于光谱特征的方法、基于纹理特征的方法、基于机器学习的方法等。
4. 分类识别：将提取的特征进行分类识别，确定植被的类型和生长状态。
常用的分类方法包括监督学习、非监督学习等。
通过对图像中的植被进行分类，可以得到各种植被的信息，如草地的面积、森林的覆盖率等。
5. 结果评估：对植被信息提取的结果进行评估，以确保提取结果的准确性和可靠性。
评估的方法包括人工目视检查、统计分析等。
评估结果可以用于优化植被信息提取的方法和算法，提高结果的准确性和可靠性。
总的来说，植被信息遥感提取是一种综合利用遥感技术、图像处理技术和计算机视觉技术的方法，可以快速、准确地获取地表植被的信息。
这种方法在农业、林业、环境监测等领域具有广泛的应用价值。
高分辨率遥感影像的地物提取
高分辨率遥感影像的地物提取随着现代科技的发展，高分辨率遥感影像的应用越来越广泛，除了科研和监测用途，它还广泛应用于城市规划、自然资源管理、气候变化监测、国土安全等领域。
在遥感影像中，地物提取是一项重要的任务，该任务旨在从遥感影像中自动或半自动地提取感兴趣的地物，如建筑物、道路网络、森林等。
本文将探讨高分辨率遥感影像的地物提取技术。
一、遥感影像与地物提取遥感影像是指使用高分辨率卫星、航空器或无人机拍摄的图像，可以提供广阔的范围和多光谱相交的信息。
遥感影像可以捕捉地表的不同特征，如植被、土壤、建筑物等。
然而，遥感影像并不直接提供地物信息，因此需要对遥感影像进行地物提取。
地物提取是从遥感影像中自动或半自动地识别和提取地物的过程。
它是实现遥感应用的重要基础，如土地利用、资源管理、环境研究等。
在过去，地物提取主要基于人工解释和数字化，随着计算机技术的进步和遥感数据量的增加，由算法自动或半自动地提取地物的方法得到广泛应用。
二、高分辨率遥感影像的地物提取方法高分辨率遥感影像相对于低分辨率遥感影像存在较大差异，因此其地物提取方法也有所不同。
通常，高分辨率遥感影像的地物提取方法主要分为基于像素和基于对象两种。
1. 基于像素的地物提取基于像素的地物提取方法通常将像素分类为地物和非地物，其步骤包括：1）特征提取：通常采用灰度、纹理、形状、方向、局部二值模式等特征提取方法。
2）分类方法：包括二元分类和多元分类。
二元分类通常采用最大似然估计、支持向量机等方法。
多元分类可以使用决策树、随机森林等方法。
基于像素的地物提取方法的优点是运算速度快，可以提防噪声和光照等干扰因素，缺点是无法对地物形状和空间分布进行准确的提取。
2. 基于对象的地物提取基于对象的地物提取方法通常将遥感影像分割成不同的对象，再将对象分类为地物和非地物，其步骤包括：1）图像分割：通常采用区域生长、标度空间分割等方法将遥感影像分割成不同的对象。
2）特征提取：通常采用形状、纹理、对称性、光谱等特征提取方法。
高光谱遥感技术在作物生长监测中的应用
高光谱遥感技术在作物生长监测中的应用遥感技术是指通过卫星或飞机等高空观测平台获取地球表面信息的技术。
高光谱遥感技术是其中一种，它可以对物体的反射光谱进行高精度测量和分析，将物体对光的反射光谱分成不同的波段，获取不同波段下物体反射的能力。
这使得高光谱遥感技术成为了作物生长监测的有力工具。
一、高光谱遥感技术在作物生长监测中的基本原理高光谱遥感技术是通过测量远距离目标反射回来的电磁波谱，从而获取地球表面物质的信息。
其基本原理是利用一定波长范围内处于发射状态的伽马矩阵对物体反射光谱进行精细测量和分析。
通过这种方式，可以获得大量的光谱数据，分析出作物主要生长期的生长状态，如叶绿素含量、叶面积指数、植被覆盖率、植被生物量等指标，为研究作物生长提供了可靠的数据依据。
二、高光谱遥感技术在农业生产中的应用非常广泛，尤其在作物生长监测中更是得到了广泛应用。
监测作物的生长状态，是农业生产中的重要环节。
高光谱遥感技术具有非常好的应用前景，可以为我们提供很多有价值的数据指标。
以下是高光谱遥感技术在作物生长监测中的一些应用。
1、植被指数分析植被指数（vi）是利用遥感技术来测量植物的生长状况，其包含了植物叶绿素含量、植被覆盖率、植物生物量等多种参数。
植被指数可以直接反映植物的生长状态，能够在很大程度上反映农作物的生长状态。
通过对植被指数进行分析，农民们可以更加有效地进行农田管理。
2、作物类型分类高光谱遥感技术可以识别出不同形态和特征的植被类型，包括水稻、小麦、玉米、大豆等，能够分别进行精准的作物分类和区别，从而为作物科学监测和长期管理提供了依据。
对于农民而言，它能够减少不必要的浪费和时间成本，提高生产率。
3、水分追踪作物在整个生长周期中，需要不断地吸收水分以维持正常的生长状态。
高光谱遥感技术通过监测地表植物覆盖状态和土壤水分含量，可以在作物生态系统h中追踪水的分布和运动状态。
这种方法可以有效地减少水的浪费，提高水的使用效率，为作物的健康生长提供保障。
高光谱遥感在农作物生长监测的应用研究进展
高光谱遥感在农作物生长监测的应用研究进展高光谱遥感是一种获取大量连续波段光谱信息的遥感技术，具有广泛的应用前景。
在农业方面，高光谱遥感可以用于监测农作物的生长情况和健康状况，为农业管理提供科学依据。
本文将对高光谱遥感在农作物生长监测的应用研究进展进行综述。
农作物生长监测是农业管理的重要内容之一。
传统的农作物生长监测方法主要依靠人工野外观测和定期采集植物样本进行实验室分析，工作量大且费时费力。
而高光谱遥感技术可以在大范围内非接触性地获取农作物的光谱信息，使得农作物生长监测更为高效和精确。
高光谱遥感技术利用设备采集到的大量波段光谱数据，可以提取出丰富的植被信息。
通过对光谱数据的分析和处理，可以获取到农作物的生长状态、光合作用强度、叶绿素含量等指标，进而评估农作物的健康状况和适应性。
2. 农作物营养状态监测。
农作物的营养状态对其生长发育和产量形成有着重要的影响。
高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的叶绿素含量、氮素含量等营养指标，从而评估农作物的营养状况和需肥情况。
通过及时监测和调整农作物的营养状况，可以提高农作物的产量和品质。
3. 农作物病虫害监测。
高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的特征波段，从而识别和监测农作物的病虫害。
通过分析农作物的光谱特征，可以迅速检测到农作物受到的病虫害的严重程度和分布范围，提高农作物病虫害的监测效率，并给出相应的防治措施。
4. 农作物气候适应性评估。
不同农作物对气候条件有不同的适应性，高光谱遥感技术可以通过分析植物的光谱数据，提取出植物的光合作用强度、水分利用效率等指标，从而评估农作物对不同气候条件的适应性。
这对于制定适合不同气候条件下的农业管理措施具有重要意义。
高光谱遥感数据分析在农作物识别中的应用研究
高光谱遥感数据分析在农作物识别中的应用研究引言：随着农业现代化的推进和科技的不断发展，高光谱遥感技术在农作物识别中的应用日益广泛。
高光谱遥感是一种通过检测物体在不同波长下的反射或辐射，获得其光谱特性，从而对物体进行识别和分析的技术。
本文将探讨高光谱遥感数据分析在农作物识别中的应用研究，并介绍其原理、方法和现状，以及未来的发展方向。
一、高光谱遥感数据分析的原理高光谱遥感数据分析是基于光谱特性差异的原理进行的。
光谱特性是指物体在不同波长下的反射、吸收和辐射等性质。
农作物在生长过程中会吸收和反射不同波长的光，形成独特的光谱特征。
通过高光谱遥感技术可以获取农田的大量光谱数据，进而分析和识别农作物的类型和状态。
二、高光谱遥感数据分析的方法1. 光谱特征提取：高光谱遥感数据可以采集每一个像素点的光谱信息，这些信息可以通过光谱特征提取方法进行分析。
常用的方法包括主成分分析（PCA）、线性光谱混合模型（LSMM）等。
通过这些方法可以提取出反映不同农作物光谱特征的指标，如NDVI指数、EVI指数等。
2. 农作物分类与识别：利用高光谱数据的光谱特征差异，可以建立分类和识别模型，实现对不同农作物的自动识别。
常见的分类方法包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等。
这些方法可以利用光谱特征和已知样本进行模型训练，从而实现对新样本的分类和识别。
3. 农作物生长监测：高光谱遥感数据不仅可以用于农作物的分类和识别，还可以用于农作物的生长监测。
通过分析不同时间点的高光谱数据，可以评估农作物的生长状态、生长速度、病虫害等情况，为农民提供科学的决策依据。
三、高光谱遥感数据分析在农作物识别中的应用现状高光谱遥感数据分析在农作物识别中已经取得了一些重要的研究成果。
例如，在水稻、小麦、玉米等主要农作物的识别和监测方面，高光谱遥感技术已经取得了很大的进展。
研究表明，高光谱数据的使用可以提高农作物分类和识别的准确度，同时可以提高对农作物生长状态的监测精度。
高光谱遥感林业信息提取技术研究进展
中图分类号 ： Ｐ ９ Ｔ ７
引 言
自２ Ｏ世纪 ６ 年代 开始 ，计算 机技术 、空 间分 析技术 等 ｏ
迅 速 发展 ，加 快 了遥 感 技 术 前 进 的 步 伐 。目前 ，遥 感 技 术 已 经在 林 业 、地 质 、军 事 、海 洋 、气 象 等 众 多 领 域 得 到 了 广 泛
数， 该技 术不仅能削弱大 气吸 收、散射 和辐射 影响 ，消除 系
统 误 差 ，还 能 够 提 取 深 度 、宽 度 、波 长 位 置 等 吸 收 峰 参 数 。
光谱一 、二阶微分的公式为 Ｆ ＤＲ ： Ｉ＿ ｄ Ｒ一
高光谱遥感数据 。 林业 资源管理 和林 业调查监测 有剃结合 是
估、 森林分类 与调查等方面起 到 了举 足轻重 的作用 ，为实 时
而 科 学 的 森林 经 营 管 理 增 添 了 一 种 新 技 术 手 段 。
可 以得到光谱反射率最小 、最大波长位置 以及 拐点等特征参
１ 高光谱遥感技术在林业 中的研究 现状
林业高光谱技术正处于发展阶段 ，已能够 提供多种地 面
究中成为了重要的领先技术之一 。高光谱 遥感是将 光谱技术 和成像技 术相结合 ，以纳米级 的超高 光谱 分辨率对 目标地物 进行成像 ， 同时获取数 十甚至上 百个波 段 ， 成连 续光谱 图 形 像的技术 。高光谱遥感 的光谱分 辨率很 高 ， 般波 段宽度 小 一
于 １ ｌ，在 林 业 的 定 量 监 测 与 分 析 方 面 具 有 很 大 的 潜 力 。 ０ｎ ｌ Ｔ
目前 ， 高光谱技术 在林 业遥感领域取得 了丰 硕的研究成
果 ，主要 包 括 如 下 五 个 方 面 ：（ ）森 林 树 种 高 光 谱 分 类 与 识 １
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第33卷第3期2008年5月测绘科学Sc i ence o f Survey ing and M app i ngV o l 33N o 3M ay作者简介:温兴平(1970- , 男, 山西兴县人, 在读博士, 高级工程师, 研究方向为定量遥感、遥感影像的大气校正。
E -m a i:l w fxyp @sohu co m收稿日期:2007-01-22基金项目:本研究由国土资源大调查(从高光谱遥感影像提取植被信息温兴平, 胡光道, 杨晓峰( 中国地质大学数学地质遥感地质研究所, 武汉 430074; 地质过程与矿产资源国家重点实验室, 武汉 430074; 南京信息工程大学环境科学与工程学院, 南京210044摘要遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。
高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。
植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。
本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM 方法对植被信息进行了提取, 参考光谱使用ASD 光谱辐射仪采集的植被光谱曲线。
文中对高光谱遥感影像的辐射定标和大气校正进行了研究, 针对影响光谱辐射仪采集的主要因素采取了相应的措施, 并对光谱曲线分类及参考光谱曲线的选取进行了研究。
将选取出的参考光谱曲线与大气校正后的遥感影像进行S AM 匹配提取出植被信息, 经过与实地调查资料比较并计算总体精度和kappa 系数, 计算结果达到预期精度。
最后将分类结果转换为矢量图, 经过投影转换为大地坐标后制作出北衙植被分布图。
关键词高光谱遥感; 植被信息; SAM; 提取中图分类号 TP75 文献标识码 A 文章编号 1009-2307(2008 03-0066-03DO I :10 3771/j issn 1009-2307 2008 03 0221 引言遥感技术提取植被信息已经有很长的历史, 遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。
由于植被在不同波段内表现出不同的吸收反射特征, 根据这些特征可以有效地监测出植被的各类信息。
P eterson 等用统计回归方法研究了卫星和机载遥感数据与叶面积指数、生物量和叶生物化学成分之间的关系[1,2], G ong 等用机载成像光谱仪估计森林郁闭度达到较好效果[3]。
早期的研究主要利用植被指数[4-7], 目前文献中已有150多种植被指数, 但这种用植被指数来提取植被信息由于仅使用了部分波段而不能充分利用多光谱数据的全部信息。
高光谱数据最早应用于地质领域[8], 1988年以后成功应用于生态、大气科学、农林业等领域[9]。
高光谱遥感数据有更多的波段, 更高的波谱分辨率, 使得高光谱数据在生态领域有更广泛的应用。
高光谱植被遥感主要研究生态遥感所涉及的植被类型的识别与分类、植物化学成分的估测、植物生态学评价等[10]。
用高光谱遥感数据提取植被信息得到了大量成功的应用[11-16]。
光谱角度填图S AM 是利用高光谱遥感数据提取信息较为成熟的一种方法[17-19]。
杨可明等用SAM 方法成功对小麦条锈病的病害信息进行了提取[20]。
童庆禧等用光谱波形的匹配模型从高光谱分辨率图像上有效定量提取出植被生物物理参量, 并进行了湿地植被类型识别。
该算法在鄱阳湖湿地成功地识别出各种湿地植被类型, 并完成了湿地植被分类图[21]。
本文基于EO-1H yperion 高光谱遥感数据, 参考光谱用A SD 便携式野外光谱辐射仪采集到的植被光谱曲线, 用SAM 方法对植被类型信息进行识别,经计算分类结果的总体精度和K appa 系数均达到了预期目标。
2 高光谱影像资料的大气校正EO-1H yper i on 高光谱遥感数据的刈幅宽度为7 5KM, 可见光35个波段、近红外35个波段和短波红外172个波段, 波谱范围400-2500n m, 星下点分辨率为30m 。
S AM 是基于参考光谱与像元光谱进行匹配, 从而实现对目标信息的提取。
而遥感影像数据在数据采集过程中会受到大气的干扰, 因而在提取之前对遥感影像进行大气校正是十分重要的。
数据在大气校正前首先要对数据进行预处理, 包括坏线和死线处理和辐射定标。
高光谱辐射仪在扫描过程中会出现坏线和死线, 影响影像的识别, 所以在校正前须进行处理。
高光谱遥感数据中有一个MA S K 字段用来标识数据接收状态, 通过MA SK 数据段可以找出死线和坏线在影像中的位置, 然后将这些死线和坏线用周边2个像点的平均值代替。
高光谱成像仪在数据存贮时对可见光和近红外波段乘以40的比例因子, 对于短波红外波段乘以80的比例因子, 所以只需将波段数字值DN 除以相应的比例因子即可转换为辐射率[22]。
高光谱遥感影像的大气校正较为成熟的方法有FLAAS H 、A CRON 和ATRE M 等。
FLAA S H 整合了M ODT-RAN [23]大气辐射传输模型, 可以精确地计算出大气对辐射的影响并考虑了邻近效应的影响, 可以对图像进行精确的大气校正[24]。
本次研究采用FLAA S H 对影像资料进行大气校正。
校正过程中使用参数为:传感器高度705KM, 地面高程2KM, 星下点分辨率30米, 时间为2004年11月11日, 卫星越境世界时为03:36:42。
气溶胶模式选农村模式, 大气模式为中纬度夏季, 能见度为40KM 。
中心经纬度为100 8 和26 3 , 对应云南省大理至鹤庆一带。
影像校正后, 经过统计值计算发现极个别波段有少量数据的反射率出现负值, 将这些负值做了清零处理, 处理后显示影像光谱曲线时发现光谱存在强烈的吸收带。
大气中引起辐射吸收的主要成分有臭氧、二氧化碳、水汽等, 但前二者在波谱上仅有吸收谷, 而水汽强烈吸收带波段处过分响的波第3期温兴平等从高光谱遥感影像提取植被信息为56-79; 120-127; 167-181, 对应中心波长为935n m, 1130n m, 1900n m [25], 这些通道数据由于水汽的强烈吸收成为不规则的噪声, 所以在研究之前必须将这些波段排除。
校正后对影像上四点光谱曲线进行采样, 分别对应地面植被、水体、道路、土壤。
图1是不同地物影像光谱辐射率曲线图, 图2为大气校正后的不同地物光谱反射率曲线。
从图2可以看出, 校正后不同地物的光谱曲线特征明显, 与标准参考库内地物光谱曲线类似, 水体的反射率几乎全为零, 校正过程达到了预期效果。
3 植被光谱的选取A SD 便携式野外光谱辐射仪是由美国分析光谱仪器公司制造, 光谱范围是350~2500n m, 它能以0 1s 的速度记录一个350~2500n m 范围的光谱, 非常适合于地面光谱采集。
光谱采样时间为2004年7月中旬, 虽然与影像成像时间有一定间隔, 但由于当地气候条件, 本地的植被信息在两个时段基本类似。
对应的天气状况与影像采集时的天气状况相同, 采集时间为上午11时与影像成像时间大致一致便于比较。
植被反射光谱曲线主要由叶面所含叶绿素、水份、氮等其他生物化学成分对光谱的吸收形成的, 所以不同种类的植被有明显不同的光谱特征, 据此可以通过光谱特征将不同植被信息区分。
植被样本的采集选取了当地有代表的十几种类型的植被, 如松树、槐树、橛类植物、灌木林、草地等。
光谱仪在采集光谱时会受到许多因素的干扰, 如光照条件、光谱仪与目标物的距离、光谱仪测量角度、周边环境等诸多因素。
为尽量减少这些因素的干扰, 在采集时对同一植被类型在不同光照条件、距离、采集角度、地点进行了采样。
植被参考光谱的选取是比较重要的环节, 研究中所采用的方法是首先将所有植被样本分为4类:针叶林、阔叶林、密低矮植被、稀疏低矮植被。
然后把所有同类型植被的光谱与影像进行SAM 匹配, 匹配后通过统计值计算, 选取匹配面积最大的光谱曲线作为此类植被的参考光谱。
图3 ASD 光谱辐射仪采集的不同植被的光谱曲线A SD 便携式野外光谱辐射仪的光谱分辨率在350~1000n m 之间为3n m, 在1000~2500nm 之间为10n m, 而EO-1H yper i on 高光谱遥感数据的光谱分辨率约为10n m, 由于二者分辨率不同, 在进行比较前须对采集的光谱进行重采样。
重采样后的四类植被的参考光谱曲线如图3。
从图3上看出, 不同类型的植被光谱曲线在不同波段有明显的差异, 稀疏低矮植被光谱明显带有混合光谱特征, 光谱曲线接近土壤光谱曲线。
4 用S A M 对植被信息进行提取SAM (Spectra l ang l e m apper 方法是通过计算一个测试光谱(像元光谱与一个参考光谱之间的角度来确定两者之间的相似性, 夹角越小, 两条光谱越相似[10]。
SAM 将光谱数据看作空间矢量, 矢量维度等于波段总数。
由于S AM 计算的是光谱矢量之间的夹角, 增加或减小像元点的亮度仅会导致光谱曲线反射率总体增加或减小而不会改变光谱矢量的方向, 因而光照条件对SAM 方法的计算结果影响较小。
采集地区位于多山地带, 阴影区明显, 因而用这种方法提取目标信息较为理想。
S AM 的计算用公式(1 [26], 计算后选择一定的光谱夹角阈值, 即可完成提取工作。
cos =A BA B=Ni=1A iBi i=1A iAii=1B iBi(1式中N 为光谱采样波, A i 和B i 为光谱矢量, 为光谱夹角。
研究中阈限值取co s =0 995, 即 =5 73 。
当计算值大于时即认为光谱不匹配。
匹配计算完成后对分类精度进行了评价。
光谱仪在采集光谱的同时对采集目标进行了实地拍照, 并用GPS 定位仪记录了采集地点的经纬度。
将这些资料处理后与遥感影像进行叠加, 并结合遥感影像上像元点的波谱曲线与不同波段组合的目视解译在图上选取出参考样本数据, 而后生成混淆矩阵, 计算出的总体精度和K appa 系数[27]见表1。
然后对分类结果进行了分类后处理, 过滤掉一些散点, 并对一些相邻同类分区进行了合并处理。
表1 分类精度评价结果参考样本数据针叶林阔叶林密低矮植被稀疏低矮植被总和分类影像未分类1819102370针叶林976121161005阔叶林010*********密低矮植被1009260936稀疏低矮植被300988991总和1007105596210174041总体精度=96 8572% Kappa 系数=0 95835 制作植被分布图首先将分类结果转换成矢量图, 然后对矢量图进行投影转换为大地坐标。
投影时采用高斯-克吕格3度带投影,带号为33, 中心经度为99 , 大地基准面为西安1980。
最后制作的植被分布图见图4。
图4 北衙植被分布图67测绘科学第33卷6 结束语文中介绍了基于高光谱遥感数据用S AM 方法对植被信息进行提取的方法与步骤。