高光谱植被分析工具
高光谱植被分析工具
实验报告二
项目高光谱植被工具分析
姓名郭秋君
学号 2009043073 班级遥感科学与技术092 学院资源环境学院
指导老师夏志业
实验时间 2011年11月22日
高光谱植被工具分析
一．实验目的：
1、掌握应用遥感图像处理软件进行植被指数计算。
2、掌握运用植被指数分析叶面积指数和生物量。
二．实验数据及软件平台：
运用软件为：ENVI4.5
实验数据：大气校正后的图像：JASPERRIDGE98AV_FLAASH_REFL.img
三．实验原理：
利用植被分析工具里面的植被指数计算器，对绿度、光利用率等参数进行计算，再利用植被指数分析工具下的农作物胁迫、易燃分析工具和林木健康分析工具对植被进行分析。
四．实验内容：
（1）通过本实验植被信息的分析工具，对植被的绿度(Greenness)、光利用率(LightUse Efficiency)、氮、干旱或炭衰减(Dry or Senescent Carbon)、叶绿素(Stress Pigments)、冠层水分含量(Canopy Water Content)。
（2）使用农作物胁迫工具能够创建农作物胁迫的空间分布图。
干旱农作物不能有效的利用氮和光能，表现为胁迫较高；而健康生长作物则表现为较低的胁迫。
用户能从农作物胁迫的空间分布图上判断出适合农作物生长的区域，该工具可用于精确农业分析。
（3）易燃性分布分析工具可用于创建某一区域植被易燃性的空间分布图。
易燃性空间分布制图能够用于森林规划，也可用它来分析城郊混合区的火灾风险。
高易燃性分布区域通常由处于干燥和干旱状态的植被构成，水分含量很少；而低易燃性分布区通常由茂盛的绿色植被构成。
（4）林木健康工具用于创建整个森林区域健康程度的空间分布图。
林木健康程度分布图可用于检测病虫害以及枯萎病的发生情况，也可以用于评估某地区的木材收获量。
五．实验过程：
1、打开JASPERRIDGE98AV_FLAASH_REFL.img。
2、选择Spectral→V egetation Analysis→V egetation Index Calculator，打开V egetation Indices Input File窗口，选择输入文件，如图1，再OK。
3、弹出窗口V egetation Indices Parame，根据25个波段信息来计算植被指数；在Biophysical Cross Checking生物量检查处选择on，选择输出路径，点击OK。
如图（2）。
4、农作物胁迫分析：Spectral→V egetation
Analysis→Agricultural Stress，V egetation
Products Calculation Input File窗口弹出，选择原
图，点击OK。
弹出Agricultural Stress Parameters
窗口，分别在绿度指数、光利用效率指数、冠层氮
含量指数选择选项，如图（3）所示：设置输出路径
点击OK即可进行农作物胁迫分析。
图（3）
5、易燃性分布分析：菜单栏Spectral→V egetation
Analysis→Fire Fuels，Fire Fuels Parameters
窗口弹出，点击OK。
图（4）
6、林木健康分析在菜单栏处选择Spectral
→V egetation Analysis→Forest Health，Forest
Health Parameters窗口弹出，如图（5），点击
OK。
图（5）
五．实验结果与分析：
通过以上几个步骤的处理我们得到了四幅处理好的图像，其中植被指数计算的得到的是一个多波段的图像，其它的是单波段的。
在植被指数中每一个波段代表了一个计算参数的值得图像。
1. 植被指数的各种参数
图1 两种植被指数
第一个图反应的是植被的标准差图像，图像灰度值越大的地方就表示植被的差异就越大。
第二个灰度图反应的是植被的简单比例情况。
2. 农业胁迫值
农作物胁迫图
农作物胁迫图反应的是农作物因为干旱不能很好的利用土地里面的养分造成的叶绿素的变化。
3. 易燃分析
4. 植被健康情况
这个工具利用了植被指数有绿度、冠层水分含量、和光是用效率等。
也是从红色到紫色健康度逐渐递减的。
六．实验总结：
通过植被指数计算可以得到多种指数结果，可根据自己的需要作出不同的选择。
植被分析分为农作物胁迫分析、易燃性分布分析、林木健康分析三种较常用的方法，每种方法的各要素指数分析可以选择不同的分析方式。
在实验过程中我们可以尝试更多的方法进行植被指数分析，并找
出它们之间的共同点及区别，一边以后处理图像可以更好的选择适宜的方法。
高光谱图像处理方法在植物识别中的应用研究
高光谱图像处理方法在植物识别中的应用研究植物是地球上最主要的生物类群之一，其种类繁多且广泛分布，对人类和自然生态系统都起着重要作用。
随着科技的不断进步，高光谱图像处理方法在植物识别中的应用正逐渐成为研究的热点。
本文将探讨高光谱图像处理方法在植物识别中的优势和应用前景。
1. 高光谱技术简介高光谱技术是一种获取和分析物体光谱数据的技术。
与传统的数字相机只能获取红、绿、蓝三个波段的图像不同，高光谱技术可以获取几十甚至上百个波段的图像。
每个波段都包含了物体在该波段上的光谱特征，从而使得植物识别更加准确和可靠。
2. 高光谱图像处理方法的优势2.1. 丰富的光谱信息相比传统图像处理方法，高光谱图像处理方法可以提供丰富的光谱信息。
通过分析不同波段的光谱反射率，可以获取植物的物理性质和化学成分等详细信息。
这为植物的分类和识别提供了更多的参考依据，提高了分类的准确性。
2.2. 高灵敏度和高分辨率高光谱图像处理方法具有高灵敏度和高分辨率的特点。
灵敏度指的是高光谱技术可以对微小变化做出较为精确的反应，而分辨率指的是高光谱图像可以提供更多细节信息。
这使得植物的特征提取和分类更加准确和可靠。
3. 高光谱图像处理方法在植物识别中的应用3.1. 植被类型分类高光谱图像处理方法可以通过分析不同植物的光谱特征，实现对不同植被类型的分类。
例如，在农田监测中，通过采集农作物的高光谱图像，可以准确地识别出不同作物的种类和生长状况。
这对于农作物管理和精确施肥等方面具有重要意义。
3.2. 病虫害检测高光谱图像处理方法可以实现病虫害对植物的影响的监测和评估。
通过分析植物在不同波段上的光谱反射率，可以发现病害或虫害对植物的影响，进而采取相应的防治措施。
这将有助于降低农业生产的损失，提高农作物的质量和产量。
3.3. 植物生理参数估算通过高光谱图像处理方法，可以估算植物的生理参数，如叶绿素含量、水分含量和光合作用强度等。
这些参数对于研究植物的生长状况和环境适应能力具有重要意义。
利用光谱遥感技术进行林木种类研究与分类
利用光谱遥感技术进行林木种类研究与分类光谱遥感技术是一种非常有用的工具，可以帮助我们了解地球上不同地区的植被分布和种类。
在林木种类研究和分类方面，光谱遥感技术在提供高效准确的数据方面有着巨大的潜力。
本文将介绍利用光谱遥感技术进行林木种类研究与分类的方法和应用。
首先，光谱遥感技术可通过分析不同波段的反射率来识别和分类不同种类的林木。
不同种类的植物具有不同的光谱特性，这些特征能够以数字化形式记录在光谱数据中。
通过比较不同种类植物在不同波段的反射率变化，我们可以得到用于分类的重要特征。
在进行林木分类之前，我们需要采集大量的光谱数据。
这些数据可以通过航空或卫星遥感技术获取。
航空遥感技术使用搭载在航空器上的高分辨率光谱仪，可以获取更为详细和准确的光谱数据。
而卫星遥感技术则能够覆盖更大范围的地区。
通过对这些数据进行处理和分析，我们可以了解不同地区的植被类型和林木种类。
利用光谱遥感技术进行林木种类研究与分类需要一些先验知识。
在开始研究时，我们需要进行地面调查和数据采集，确定不同地区的林木种类和分布情况。
这些数据可以作为训练样本，用于开发分类算法和建立模型。
常用的光谱遥感技术中，最常使用的是多光谱遥感技术。
多光谱遥感数据包含了多个波段的信息，从可见光到红外波段。
这些波段各自对应着不同的光谱特征，可以提供丰富的信息用于分类分析。
通过对多光谱数据进行特征提取和处理，例如主成分分析、线性判别分析和神经网络等方法，可以提取出林木种类分类所需的信息。
除了多光谱数据，高光谱遥感数据也被广泛应用于林木种类研究与分类。
高光谱遥感数据包含更多的波段信息，通常涵盖了可见光和近红外波段。
这种数据可以提供更为详细和精确的光谱特征，能够更准确地识别和分类不同种类的林木。
在利用光谱遥感技术进行林木种类研究与分类时，建立一个准确的分类模型是至关重要的。
在模型的建立中，我们通常使用监督学习算法，例如支持向量机、随机森林和人工神经网络等方法。
这些方法能够根据已知的训练样本进行分类模型的训练和测试，然后将学习到的模型应用于未知数据进行林木种类的分类。
高光谱卫星在植被碳汇中的应用
高光谱卫星在植被碳汇中的应用朋友们！今天咱们来聊一聊一个挺神奇的玩意儿——高光谱卫星，以及它在植被碳汇里发挥的那些超酷作用。
你知道吗，咱们生活的这个地球啊，就像一个超级大的生态系统，而植被呢，那可是这个系统里的“大功臣”之一。
它们通过光合作用，就像一群勤劳的小工人，把空气中的二氧化碳吸收进来，然后转化成氧气和有机物质，这个过程就像是给地球来了一场“大扫除”，把多余的二氧化碳给“清理”掉了，这就是所谓的植被碳汇。
那高光谱卫星又是什么呢？简单来说，它就像是一双超级厉害的“眼睛”，能从太空中俯瞰咱们的地球。
和普通卫星不一样的是，高光谱卫星能捕捉到更多、更详细的光谱信息。
就好比我们看一幅画，普通卫星可能只能看到画的大致轮廓和颜色，而高光谱卫星呢，它能看清这幅画里每一笔的细节，每一种颜料的成分，厉害吧！在植被碳汇这个事儿上，高光谱卫星的作用可大了去了。
首先啊，它能精准地识别不同种类的植被。
想象一下，地球上的植被就像一个超级大的“植物王国”，里面有各种各样的植物。
高光谱卫星通过分析不同植被反射回来的光谱特征，就能清楚地知道这片区域长的是大树还是小草，是针叶林还是阔叶林。
这就好比给每一种植物都贴上了一个独特的“标签”，让我们对它们了如指掌。
有了这个“标签”，我们就能更准确地估算植被的碳储量啦。
不同的植被吸收和储存二氧化碳的能力是不一样的，就像有的人胃口大，能吃很多东西，有的人胃口小，吃不了多少。
高光谱卫星可以根据不同植被的生长状况、覆盖面积等信息，算出它们到底能储存多少碳。
这就像是给每个“小工人”做了一个工作能力评估，知道它们各自能为地球的“大扫除”贡献多少力量。
而且啊，高光谱卫星还能实时监测植被的生长变化。
比如说，一场大火烧了一片森林，或者一场干旱让草地变得枯黄，高光谱卫星都能第一时间发现这些变化。
它就像一个忠诚的“守护者”，时刻关注着植被的健康状况。
一旦发现问题，我们就能及时采取措施，保护这些宝贵的植被资源，让它们继续发挥碳汇的作用。
植被光谱分析与植被指数计算解读
植被光谱分析与植被指数计算在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数（vegetation indices ——VI）的计算，植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
本文总结现有植被指数，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。
这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。
包括以下内容：∙∙●植被光谱特征∙∙●植被指数∙∙●HJ-1-HSI植被指数计算1.植被光谱特征植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在<700nm附近强吸收，>700nm高反射。
很多因素影响植被对太阳辐射的吸收和反射，包括波长、水分含量、色素、养分、碳等。
研究植被的波长范围一般为400 nm to 2500 nm，这也是传感器设计选择的波长范围。
这个波长范围可范围以下四个部分：∙∙●可见光（Visible）：400 nm to 700 nm∙∙●近红外（Near-infrared——NIR）：700 nm to 1300 nm∙∙●短波红外1（Shortwave infrared 1—— SWIR-1）：1300 nm to 1900 nm∙∙●短波红外2（Shortwave infrared 2——SWIR-2）：1900 nm to 2500 nm其中NIR和SWIR-1的过渡区（1400nm附近）是大气水的强吸收范围，卫星或者航空传感器一般不获取这范围的反射值。
ENVI高光谱分析技术
ENVI高光谱分析技术ENVI高光谱分析技术指的是利用ENVI软件和高光谱数据对地球表面进行分析和解译的技术。
高光谱分析技术是一种通过检测和记录地球表面上的物质反射和辐射特征来获取地物信息的方法。
通过分析不同波长的光谱数据，可以对地表进行分类、监测和测量，同时提供了对地球表面物质和环境变化的深入理解。
ENVI软件是一款功能强大、易于使用的高光谱遥感图像处理和分析软件。
它可以对高光谱数据进行校正、预处理、分割、分类、特征提取和变化检测等操作，进一步提取和分析高光谱数据中的信息。
ENVI软件可以处理来自多个传感器和平台的高光谱数据，包括卫星、航空和地面平台。
高光谱分析技术的主要步骤包括：1.数据获取和预处理：包括获取高光谱数据源，对数据进行几何校正、大气校正和辐射校正等预处理，以消除大气和仪器引起的影响。
2.高光谱数据展示和可视化：通过ENVI软件可以将高光谱数据以图像或光谱曲线的形式进行可视化，直观展示不同波段的反射率或辐射亮度。
3.特征提取和分类：通过ENVI软件中的分类算法，可以对高光谱数据进行地物分类，将不同类型的地物分开并标记出来。
常用的分类算法包括最大似然分类、支持向量机分类等。
4.目标检测和提取：通过高光谱分析技术，可以识别和提取特定目标或特征，如植被指数、污染物浓度等。
5.变化检测和监测：通过对不同时期的高光谱数据进行比较，可以检测地表发生的变化，如土地利用变化、植被覆盖变化等。
6.数据分析和解释：通过对高光谱数据中的光谱曲线进行分析，可以推断地表物质的成分和性质，并进行解释和评估。
高光谱分析技术在许多领域中得到广泛应用。
在农业领域，可以通过分析作物的生长状态、养分含量和病虫害情况，提供精准的农作物管理和决策支持。
在环境监测领域，可以监测水质、土壤质量、植被变化等环境指标，提供环境保护和可持续发展的数据支持。
在城市规划和土地管理领域，可以分析土地利用类型、城市扩张和更新等信息，为城市发展提供科学依据。
植物冠层测量
植物冠层测量是研究植物生态系统结构和功能的重要手段之一，可以帮助了解植物群落的空间分布、生长状态、生态位等信息。
以下是植物冠层测量的一些常见方法和技术：
1.激光扫描（LiDAR）：激光雷达可以从飞行器或地面扫描植物冠层，生成高分辨率的三维点云数据。
这些数据可以用来重建植被的三维结构，包括植物的高度、密度和空间分布。
2.结构方程模型（SEM）：结构方程模型通过测量不同层次的植物冠层信息（如植物高度、叶面积指数等），并建立相应的模型来解释植物群落结构和功能之间的关系。
3.相机图像分析：使用无人机或固定相机对植物群落进行拍摄，然后通过图像分析技术提取植物的生长状态、叶片面积等信息。
4.高光谱遥感：高光谱遥感技术可以测量不同波段的植被反射光谱，从而提取植物的生理和化学信息，如叶绿素含量、植物水分状况等。
5.点拍法：在研究区域中随机选择多个点位，测量植物冠层在每个点位的高度、密度等信息，从而获得整体植被的统计特征。
6.遥感数据分析：利用遥感数据，如卫星影像或航空影像，可以通过像元级别的光谱信息分析来推测植物冠层的性质和变化。
7.地面调查：在植物群落中进行地面调查，测量不同植物个体的高度、直径、叶片面积等信息，以及不同种群的空间分布情况。
8.植物模型：使用植物生长模型，基于植物的生长特性和环境条件，推测植物冠层的结构和变化。
不同的测量方法可以结合使用，以获取更全面和准确的植物冠层信息。
选择适当的方法取决于研究的目标、研究区域的特点以及可用的技术设备。
ENVI4.8版本中高光谱遥感——SPEAR Tools简介
高光谱遥感——ENVI 4.8版本中的SPEAR Tools简介SPEAR Tools全称是光谱处理与分析工具（Spectral Processing Exploitation and Analysis Resource），在这里ENVI提供了一系列的处理工具，并形成向导引导使用者按照ENVI的标准处理影像。
SPEAR包含以下10个流程化处理模块：异常检测模块：搜索光谱不同的背景（谱异常）目标变化检测模块：检测统一地区不同时段光谱变化的异常谷歌地球桥接器：提供一个简单的方法将ENVI中的图像或矢量文件输出到Google Earth中道路提取模块：从影像中流程化提取道路信息水体提取模块：从影像中流程化提取河流，隐蔽水沟信息水的相对深度模块：从高光谱数据中快速获取感兴趣水域水的相对深度信息影像植被指数提取模块：快捷容易地确定植被的存在情况，并用多光谱图像可视化该植被的活力水平。
船只提取模块：船只提取模块，利用水和船的对比度。
以及船的纹理特征来提取船只信息。
1 异常检测模块（SPEAR Anomaly Detection）异常检测提供了一种方法来搜索光谱不同的背景（谱异常）目标，ENVI使用RXD异常探测算法来检测光谱信息异于影像背景值的目标。
由于植被在一些地区（比如在干燥的区域）光谱异常比较明显，SPEAR 异常检测模块提供了能够抑制植被的操作。
SPEAR异常检测模块能够依靠设定阈值来减小绝对误差。
SPEAR异常检测模块同时提供了滤波、核查和精度评定工具。
如果得出满意的结果，可以将其输出成shp文件的矢量格式。
从影像中提取异常信息操作流程如下：1.在ENVI主菜单栏下，选择Spectral > SPEAR Tools > Anomaly Detection。
弹出文件显示对话框，选择输入文件。
（输入的文件必须是能被ENVI识别的多光谱数据）设定保存路径。
2.设定算法模型，包括RXD、UTD、RXD-UTD。
高光谱成像技术在农业领域的应用
高光谱成像技术在农业领域的应用高光谱成像技术是一种非常强大的工具，可以用来检测并分析物体表面的光谱反射率。
农业领域是高光谱成像技术的一个很好的应用场景。
高光谱成像技术可以帮助农民在农业生产中更好地管理土壤、作物、水资源等，提高农业生产效率，降低成本。
本文将介绍高光谱成像技术在农业领域的应用。
1、土壤肥力评估在作物生长的过程中，土壤肥力扮演着非常重要的角色。
农民如何更好地管理土壤肥力，是提高农业生产效率的一个关键因素。
高光谱成像技术可以通过对土壤进行扫描，获取各个波长段的反射率，从而得出土壤的物理、化学和微生物性质。
进而为农民提供有针对性的土壤管理策略，以优化土壤肥力。
比如，如果发现土壤某些元素浓度不足，农民可以通过施肥来补充这些元素，从而提高土壤肥力。
2、作物健康状况评估作物的健康状况是影响农业生产的关键因素之一。
高光谱成像技术可以通过检测作物不同波段的反射率差异来评估作物的健康状况。
比如，如果发现某些植物叶片在红外波段下反射率高，说明这些植物可能受到某种病害的侵袭，需要及时采取措施进行防治。
而如果发现植物在可见光波段下反射率较低，说明这些植物可能受到了光合作用的抑制，需要通过调整灌溉量和施肥量来优化植物生长环境，从而提高其健康状况。
3、水资源管理水是农业生产中不可或缺的资源。
高光谱成像技术可以通过检测水体的反射率来评估水资源的利用情况。
比如，通过对河流、湖泊等水体的高光谱成像，在某些波段上会产生明显的反射峰。
利用这些反射峰可以对水体的营养物质、悬浮物质等进行检测，为相关部门提供关于水质的有用信息，从而制定出科学合理的水资源管理策略。
4、干旱监测干旱是影响农业生产的一个重要挑战。
高光谱成像技术可以通过检测植被在不同波段下的反射率，来评估作物的干旱状况。
比如，如果发现植物在红外波段下反射率降低，而在可见光波段下反射率上升，说明作物可能受到了干旱的影响，需要及时采取浇水、增加土地覆盖等措施进行调节。
基于高光谱遥感影像的森林识别与分类
森林识别与分类研究现状
基于高光谱遥感影像的森林识 别与分类研究已取得了一定的 进展，但仍存在一些挑战和难 点。
目前的研究主要集中在图像预 处理、特征提取和分类算法等 方面，取得了不少成果。
但仍存在一些问题，如图像噪 声干扰、特征提取不充分、分 类精度不高等。
消除传感器和大气因素的影响 ，将原始辐射亮度转换为反射
率或辐射率。
几何校正
纠正影像的几何变形，使影像 与地图坐标系统一致。
噪声去除
去除影像中的噪声，提高影像 质量。
波段组合
根据需要选择不同波段的高光 谱影像进行组合，提高分类精
度。
影像质量评价
分辨率
评价高光谱影像的空间分辨率 ，即单个像素所表示的实际地
）、梯度提升决策树（GBDT）等。
非监督分类算法
无需已知样本进行训练，通过聚类分析将影像划分为不同 的类别。常见的算法有K-均值聚类、层次聚类等。
混合分类算法
结合监督分类和非监督分类的优点，先用非监督分类对未 知区域进行初步分类，再用监督分类对初步分类结果进行
优化。
分类结果评估指标
精度评估
通过比较分类结果与实际结果，计算分类精度、混淆矩阵等指标 ，评估分类算法的性能。
森林健康状况评估
高光谱遥感影像可以获取森林的 健康状况，包括叶绿素含量、水 分含量等参数，为森林健康评估 提供依据。
生态环境保护应用案例
1 2
森林生态系统服务功能评估
利用高光谱遥感影像，可以评估森林生态系统的 服务功能，包括水源涵养、土壤保持、气候调节 等。
生态环境质量监测
通过对高光谱遥感影像的分析，可以监测生态环 境的质量状况，包括空气质量、水质等参数。
环境遥感科学中的高光谱数据处理与分析
环境遥感科学中的高光谱数据处理与分析高光谱数据是环境遥感科学中一种重要的数据源，具有丰富的光谱信息，可以提供大量的物质特征和光谱反射率数据。
高光谱数据处理与分析是环境遥感科学中的一个关键步骤，它可以帮助我们深入理解地球表面的环境状况，监测环境变化，并提供支持环境保护、资源管理和气候变化研究的科学依据。
本文将介绍高光谱数据处理与分析的基本方法和技术，并探讨其在环境遥感科学中的应用。
高光谱数据处理的主要目标是从原始数据中提取有用的信息。
在高光谱数据处理过程中，我们需要进行数据预处理、特征提取和分类等步骤。
首先，数据预处理是高光谱数据处理的第一步，它的主要目的是消除数据中的噪声和杂散信息，提高数据质量。
数据预处理包括大气校正、辐射校正和几何校正等。
大气校正能够消除大气传输的影响，使得地表反射率数据更加准确。
辐射校正可以消除太阳辐射的影响，得到物体的真实辐射率数据。
几何校正则用于减少图像变形和畸变，使图像和数据能够准确地对应。
特征提取是高光谱数据处理的关键步骤之一，它可以从高光谱数据中提取出地物的光谱、空间和时间特征。
特征提取是确定地物种类和状态的重要手段，对于环境遥感科学的研究具有重要意义。
常用的特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）和光谱指数等。
主成分分析是一种常见的无监督特征提取方法，能够通过线性变换将高维的高光谱数据转化为低维的主成分影像，保留了原始数据中的主要信息。
线性判别分析则是一种有监督的特征提取方法，它通过寻找线性变换，使得不同类别的地物样本在新的特征空间中更加分散，提高了分类的准确性。
分类是高光谱数据处理的最终目标，它利用提取的特征将地物进行分类，帮助我们了解地表环境的类型和分布。
分类方法可以分为监督分类和非监督分类。
监督分类需要事先准备好地物样本，通过训练分类器来实现对新数据的分类。
常用的监督分类方法有最大似然分类、支持向量机（SVM）和随机森林等。
非监督分类则是在没有事先准备地物样本的情况下，将像素按相似度进行聚类，常用的非监督分类方法有K-means聚类算法和自组织映射等。