基于均值置信区间带的高光谱特征波段选择与树种识别
第３１卷，第９期 ２ ０ １ １年９月 光谱学与光谱分析 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｖｏ１．３１，Ｎｏ．９，ｐｐ２４６２—２４６６ Ｓｅｐｔｅｍｂｅｒ，２０１ １
基于均值置信区间带的高光谱特征波段选择与树种识别
陈永刚，丁丽霞，葛宏立，张茂震，胡 芸
浙江农林大学，浙江省森林生态系统碳循环与固碳减排重点实验室，环境科技学院，浙江临安３１１３００
摘要 以柏木、雷竹和无患子野外高光谱数据为基础，在统计学理论和实践分析的基础上，提出了利用均
值置信区间带筛选树种问最佳特征区分波段及利用Ｍａｎｈａｔｔａｎ距离和Ｍｉｎ－Ｍａｘ区问相似度识别树种的问
题 研究结果表明：（１）柏木与雷竹之间的最佳区分波段为３５８￣３８６，４５２￣１ １４５和１ ３１４￣２ ５００ ｎｉＴｌ，柏木
与无患子之问的最佳区分波段为３５０￣４４６，４９７￣５２７，５５３～１ ３３０，１ ３５５￣２ ４００和２ ４３６￣２ ５００ ｎｌ＇ｎ，雷竹
与无患子之间的最佳区分波段为４３４￣５５５，５８０￣１ ９０３，ｌ ９１４￣２ ０８９，２ １７２￣２ ４５７和２ ４７５￣２ ５００啪；
（２）在最佳区分波段内，同种树种问的Ｍａｎｈａｔｔａｎ距离远小于异种树种间的Ｍａｎｈａｔｔａｎ距离，同种树种间的
ＭｉｎｉＭａｘ区问相似度远大于异种树种问的ＭｉｎｔＭａｘ区问相似度，Ｍａｎｈａｔｔａｎ距离和Ｍｉｎ￣Ｍａｘ区问相似
度可以有效区分和识别不同类型的树种。
关键词置信区间；高光谱；Ｍａｎｈａｔｔａｎ距离；ＭｉｎｉＭａｘ区间相似度
中图分类号：￥７７１．８ 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００—０５９３（２０１１）０９－２４６２－０５
引 言
高光谱遥感技术的出现将为解决森林树种的精细识别难
题提供有效的途径 光谱识别方法的优点是反应迅速、结构
简单、成本低、易形成商业化，光谱识别技术已成为光谱分
析技术的重要组成部分。高光谱数据波段多、数据冗余度
大，利用高光谱数据进行树种识别时，选择提取特征光谱至
关重要ｌ１ ］。Ｃｌａｒｋ等在树种冠层尺度，利用高光谱遥感技术
识别提取热带雨林树种ｒ５］。Ｇｏｎｇ等利用从Ｈｙｐｅｒｉｏｎ高光谱
数据提取的植被指数估算森林植被叶面积指数 ｊ。王渊、王
志辉等分别利用光谱微分技术对油菜、南方常见树种叶片的
高光谱特征进行选择及提取，获得了良好的效果ｎ］。但是鲜
见利用统计区间估计的方法进行特征提取和光谱识别南方树
种的报道。本文提出了在利用均值置信区间带筛选最佳特征
区分波段的基础上，利用Ｍａｎｈａｔｔａｎ距离和Ｍｉｎ￣Ｍａｘ区间
相似度来区分识别树种，并在实验中验证了其有效性和可行
性。
１数据与方法
１．１仪器设备与数据获取
数据采用ＡＳＤ Ｆｉｅｌｄｓｐｅｃ Ｐｒｏ ＦＲ野外光谱辐射仪测量。 光谱仪波长范围为３５０￣２ ５００ Ｄｉｎ，共２ １５１个波段，波长精
度为±１ Ｄ１ＴＩ，具有较高的抽样间隔和光谱分辨率。数据采集
地点为浙江省浙江农林大学校内植物园。以柏木、雷竹、无
患子三种常见的南方树种进行试验，选择向阳的成熟叶片，
每种树种采集４９个叶片样本。数据采集在晴朗的天气进行，
数据采集后立即置于保鲜箱内保鲜，并迅速带到实验室内进
行光谱测量。为了得到准确和稳定的数据，使用光谱仪配套
的植被高密度探头进行测量，每测完ｌ０片树叶进行一次标
准白板的校正。其中以４Ｏ个样本作为光谱基准数据，九个样
本作为测试数据。
１．２均值置信区间带与最佳区分波段筛选
均值是数据集中趋势的主要测度值，均值置信区间估计
是在均值点估计的基础上，而给出总体参数的一个区间范
围［７］。在光谱采集过程中，由于各种因素的影响，数据包含
有随机误差，而均值置信区间估计则将采样误差限制在一定
范围之内。根据统计学的中心极限定理可知，如果样本容量
足够大（”≥３０）时，所有随机分布的均值皆收敛于正态分
布『７］。在１一ｎ置信水平下，第ｉ波段光谱反射率均值 置信
区间与置信水平ｎ的关系为式（１）所示
Ｃ Ｐ Ｊｘ —ｚｄ，２｛≤ ≤Ｘ。＋Ｚｏ／ｚ Ｊｉ Ｉ＝１一口 （１） Ｉ ４ｎ ４ｎ Ｊ
式中：Ｋ为第ｉ波段光谱反射率 次测量的平均值；Ｓ为样
本标准差；ａ为显著性水平。据式（１）可知，第ｉ波段光谱反
收稿日期：２０１０－１２－１４。修订日期：２０１１一Ｏ３—２８
基金项目：国家自然科学基金项目（３０７７１７２５），国家自然科学基金项目（３ｏ９７２３６Ｏ）和浙江省教育厅项目（Ｙ２０１０１７８９１）资助
作者简介：陈永刚，１９８０年生，浙江农林大学环境科技学院讲师 ｅ－ｍａｉｌ：ｃｙｇ＿ｇｉｓ＠１６３．ｃｏｉ
ｎ 第９期 光谱学与光谱分析 ２４６３
射率均值 的置信区间为 ±乙／ｚ堕ｆ－－。因波段ｉ取值范围为 ４ｎ
３５０￣２ ５００ ｎｍ，所有波段的置信区间则构成了光谱反射率
均值置信区间带。同时，第ｉ波段光谱反射率均值 ，为此
树种在第ｉ波段反射率比对的光谱基准。
特征选择是从有Ｎ个特征的原始集合中选择Ｍ（Ｍ＜
Ｎ）个特征子集，以降低特征空间的维度＿８］。高光谱数据波段
多、波段窄，同时，也带来了数据量大、数据冗余度大的问
题。由于高光谱数据波段众多，如不进行特征筛选，那些能
有效区分树种的波段会被“淹没”在其他无用波段的信息中。
以光谱反射率均值置信区间带筛选树种最佳区分波段的原
理，如图１所示。
ａ ｂ Ｃ ｄ Ｗａｖｅｌｅｎｇｔｈ／ｎｍ
Ｆｉｇ．１ Ｏｐｔｉｍａｌ ｄｉｓｃｒｉｍｉｎａｔｉｎｇ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ｏｆ ｔｒｅｅ ｓｐｅｃｉ’ｅｓ
从图１中可以看出，在波段区间 ，６］和［ｃ， ，树种１
和树种２的光谱反射率均值置信区间是重叠的，即在其内不
同树种不容易区分。通过剔除均值置信区间带重叠的部分，
就可以筛选出最佳的树种区分波段，以达到降低波段特征空
间维度且实现特征波段选择的目的。
１．３ Ｍａｎｈａｔｔａｎ距离和Ｍｉｎ￣Ｍａｘ区间相似度
在Ｎ维空间中，数值型数据Ｘ 和Ｘ 之间的相似性，可
以通过Ｘ 和Ｘ，两个数据在特征空间中点之间的欧氏距离、
Ｍａｎｈａｔｔａｎ距离、马氏距离等指标来度量【 ｌｏ３。用欧氏距离
计算时，较大值会更加突出，较小的值就会被淹没，而Ｍａｎ—
ｈａｔｔａｎ距离能使较小的值也占有一定的比重ｌ１ ］。本文使用
Ｍａｎｈａｔｔａｎ距离来度量待测试树种与某种树种光谱基准的接
近程度。Ｍａｎｈａｔｔａｎ距离为式（２）所示。
Ｄ（ ）一∑ｌ 一 Ｉ （２）
式中：Ｄ（ ）为待测试树种与某种树种光谱基准的Ｍａｎｈａｔｔａｎ
距离； 为光谱基准第ｉ波段光谱反射率 次测量的平均
值；ｚ 为待测试树种在第ｉ波段上的光谱反射率；Ａ为经特
征筛选后，波段的集合。Ｍａｎｈａｔｔａｎ距离值越小，表明树种
越相似。
ＭｉｎｉＭａｘ区间相似度是判别测试树种在所有特征波段
上，“落在”已知某种树种基准光谱反射率测量值“束”中的概
率。
一— Ｈ（Ｙｉ） （３）
Ｈ（ｙ，）一』 Ｍｉ Ｙｉ≤Ｍ （４） Ｈ‘ 一｛ｏ ｙ，≥Ｍ
ａ 、ｏｒ Ｙ ＜Ｍａ ’ 式（３）与（４）中：Ｐ为Ｍｉｎ￣Ｍａｘ区间相似度；Ｍ为此树种特
征区分波段的总个数；Ｙｉ为待测试树种样本的第ｉ波段的光
谱反射率；Ｈ（ ）为第ｉ波段反射率是否位于基准光谱数据
第ｉ波段的最小、最大值之内，如果位于Ｍｉ 和ＭａＮ之间
则其值为１，否则，其值为０；其中，Ｍ —Ｍｉｎ（ｘｆｌ，妇，
…， ），Ｍａｘ—Ｍａｘ（ｘ ｚ∞…，ｚ ）。Ｍｉｎ～Ｍａｘ区间相
似度值越大，表明树种越相似。
２试验与分析
２．１光谱曲线均值９５ 置信区间带
对野外测量得到的光谱数据，根据式（１）调用Ｅｘｃｅｌ的
ＶＢＡ宏，以４０个样本作为光谱基准数据，计算柏木、雷竹、
无患子三个树种光谱曲线的均值和均值的９５ 置信区间带，
结果如图２所示。
＾ 一柏木
一要
一三 子
▲ ｌ
－＿，
Ｗａｖｅｌｅｎｇｔｈ／ｎｍ
Ｆｉｇ．２ Ｔｈｅ ９５％ｃｏｎｆｉｄｅｎｃｅ ｉｎｔｅｒｖａｌ ｆｏｒ ｍｅａｎ
ｏｆ ｓｐｅｃｔｒｕｍ ｏｆ ｔｈｒｅｅ ｔｒｅｅ ｓｐｅｃｉｅｓ
２．２以置信区问带筛选树种间最佳区分特征波段
利用Ｃ＃开发程序分析３种树种置信区间带数据，剔除
图２中两两树种之间光谱曲线９５ 区间重叠的部分，结果即
为树种的最佳区分波段。提取结果发现：柏木与雷竹之间的
最佳区分特征波段为３５８ ３８６，４５２ ｌ １４５，１ ３１４～２ ５００
ｎｍ；柏木与无患子之间的最佳区分特征波段为３５０～４４６，
４９７￣５２７，５５３～１ ３３０，１ ３５５～２ ４００和２ ４３６～２ ５００ ｎｍ；
雷竹与无患子之问的最佳区分特征波段为４３４￣５５５，５８Ｏ～
１ ９０３，１ ９１４￣２ ０８９，２ １７２￣２ ４５７和２ ４７５￣２ ５００ ｎｎ１。结
果如图３一图５黑色部分所示。
Ｆｉｇ．３ Ｏｐｔｉｍａｌ ｄｉｓｃｒｉｍｉｎａｔｉｎｇ ｂａｎｄ
ｂｅｔｗｅｅｎ Ｂａｉ Ｍｕ ａｎｄ Ｌｅｉ Ｚｈｕ ｏ 蜀暑ｕｏ《 Ｏ ８ ６ ４ ２ ０ １ ０ Ｏ ０ Ｏ 。ｇ甚。岛 Ｈ
２４６４ 光谱学与光谱分析 第３１卷
Ｗａｖｅｌｅｎｇｔｈ］ｎｍ
Ｆｉｇ．４ Ｏｐｔｉｍａｌ ｄｉｓｃｒｉｍｉｎａｔｉｎｇ ｂａｎｄ ｂｅｔｗｅｅｎ
ＢａｉＭｕａｎｄＷｕＨｕａｎＺｉ
２．３以Ｍａｎｈａｔｔａｎ距离和Ｍｉｎ￣Ｍａｘ区间相似度区分识别
树种
分别以每种树种九个样本作为测试数据，对３种树种两
两组成的共６种组合，在特征区分波段下进行树种区分识
别。结果为表１一表６。 Ｗａｖｄｅｎｇｔｈ／ｍｎ
昏５ Ｏｐｔｉｍａｌ ｄｉｓｃｒｉｍｉｎａｔｉｎｇ ｂａｎｄ ｂｅｔｗｅｅｎ
Ｌｅｉ ＺｈＵ ａｎｄⅥ Ｈｕａｎ Ｚｉ
显然，从表ｌ表６可以发现同一树种测试样本和光谱
基准数据间的Ｍａｎｈａｔｔａｎ距离远小于不同树种问的Ｍａｎｈａｔ—
ｔａｎ距离；同一树种测试样本和光谱基准数据间的Ｍｉｎ
Ｍａｘ区间相似度远大于不同树种间的Ｍｉｎ Ｍａｘ区间相似
度。Ｍａｎｈａｔｔａｎ距离和Ｍｉｎ￣Ｍａｘ区间相似度都一致表明，
Ｔａｂｌｅ １ Ｔｈｅ ｍａｎｈａｔｔａｎ ｄｉｓｔａｎｃｅ ａｎｄ ｔｈｅ ＭｉｎｉＭａｘ ｉＩｌｔｅｒｖａＩ ｓｉｍｉｌａｒｉｔｙ ｂｅｔｗｅｎ Ｂａｉ Ｍｕ
ｔｅｓｔ ｓａｍｐｌｅｓ ａｎｄ Ｂａｉ Ｍｕ￣Ｌｅｉ Ｚｈｕ ｒｅｆｅｒｅｎｃｅ ｓｐｅｃｔｒｕｍ
Ｔａｂｌｅ ２ Ｔｈｅ Ｍａｎｈａｔｔａｎ ｄ￣ｔａｎｃｅ ａｎｄ ｔｈｅ １Ｖｌｉｎ￣Ｍａｘ ｉｎｔｅｒｖａＩ ｓｉｍｉｌａｒｉｔｙ ｂｅｔｗｅｎ Ｌｅｉ Ｚｈｕ
ｔｅｓｔ ｓａｍｐｌｅｓａｎｄＢｍＭｕ￣ＬｅｉＺｈｕｒｅｆｅｒｅｎｃｅ ｓｐｅｃｔｒｕｍ
Ｔａｂｌｅ ３ Ｔｈｅ Ｍａｎｈａｔｔａｎ ｄ￣ｔａｎｃｅ ａｎｄ ｔｈｅ ＭｉｎｉＭａｘ ｉＩｌｔｅｒｖａｌ ｓｉｍｉｌａｒｉｔｙ ｂｅｔｗｅｎ Ｂａｉ Ｍｕ
ｔｅｓｔ ｓａｍｐｌｅｓ ａｎｄ Ｂａｉ Ｍｕ￣Ｗｕ Ｈｕａｎ Ｚｉ ｒｅｆｅｒｅｎｃｅ ｓｐｅｃｔｒｕｍ
Ｔａｂｋ ４ Ｔｈｅ Ｍａｎｈａｔｔａｎ ｄ￣ｔａｎｃｅ ａｎｄ ｔｈｅ ＭｉｎｉＭａｘ ｉＩＩｔｅｒｖａｌ ｓｉｍｉｌａｒｉｔｙ ｂｅｔｗｅｅｎ Ｗｕ Ｈｕａｎ Ｚｉ
基于高光谱影像的树种分类
基于高光谱影像的树种分类
于丽柯;于颖;柳向宇;杜一尘;张涵
【期刊名称】《东北林业大学学报》
【年(卷),期】2016(044)009
【摘 要】应用环境与灾害监测预报小卫星(HJ-1A)的超光谱成像仪(HSI)高光谱影像,对大兴安岭地区塔河林区进行树种分类.HSI数据经过去条带和大气校正预处理,获取准确的树种光谱信息,分别采用波谱角填图法和线性波谱分离法进行树种分类.结果表明:在树种识别中,基于线性波谱分离的方法较基于波谱角填图法要优越,线性波谱分离方法的总体精度为72.0％,Kappa系数为0.600;波谱角填图法的总体精度为62.5％,Kappa系数为0.459.
【总页数】5页(P40-43,57)
【作 者】于丽柯;于颖;柳向宇;杜一尘;张涵
【作者单位】东北林业大学,哈尔滨,150040;东北林业大学,哈尔滨,150040;东北林业大学,哈尔滨,150040;东北林业大学,哈尔滨,150040;东北林业大学,哈尔滨,150040
【正文语种】中 文
【中图分类】S771.8
【相关文献】
1.基于高光谱影像的舟曲曲瓦沟树种识别 [J], 周利鹏;马金辉
2.云阴影区机载高光谱影像森林树种分类 [J], 李军玲; 庞勇; 李增元; 荚文 3.基于无人机高光谱影像的典型农作物精细分类研究 [J], 郑西方
4.基于无人机高光谱影像的典型农作物精细分类研究 [J], 郑西方
5.结合多尺度纹理特征的高光谱影像面向对象树种分类 [J], 吴艳双;张晓丽
因版权原因，仅展示原文概要，查看原文内容请购买
基于高光谱的南疆红枣病虫害特征谱段选择模式
一１０８一 江苏农业科学２０１３年第４１卷第４期
周 鹏，张小刚，徐彪，等．基于高光谱的南疆红枣病虫害特征谱段选择模式［Ｊ］．江苏农业科学，２０１３，４１（４）：１０８—１ｌ１
基于高光谱的南疆红枣病虫害特征谱段选择模式
周 鹏 ，张小刚 ，徐彪 ，施明登 ’。
（１．塔里木大学信息工程学院，新疆阿拉尔８４３３００；２．浙江大学计算机科学与技术学院，浙江杭州３１００５８）
摘要：利用高光谱成像技术（３５０～８５０ ｎｍ）并结合主成分分析波段选择算法识别南疆红枣枣锈病、枣疯病、黑斑
病、缩果病和无病区域。创建一个利用高光谱图像采集的系统以分析图像，达到诊断红枣病变的目的，提出了利用均
值置信区间带筛选红枣病虫害高光谱特征谱段的方法，并运用逐步判别法进行降维。以该系统获得的光谱参数作为
研究南疆红枣病虫害的参数，然后在逐步判别法的指导下进行重复试验，实现对病虫害的深层把握。此外，利用典型
判别法可以实现对南疆红枣病虫害百分之百的了解与把握。研究确立了南疆红枣病虫害特征谱段选择的最佳模式。
关键词：高光谱成像技术；主成分分析；红枣病虫害；谱段选择；逐步判别法
中图分类号ｉ Ｓ４１２；０４３３．４ 文献标志码：Ａ 文章编号：１００２—１３０２（２０１３）０４—０１０８—０３
南疆是中国最大的红枣生产基地，目前红枣病虫害已经
成为制约南疆红枣产业发展的主要因素。受到病虫干扰后，
红枣内部会发生一系列变化，这种变化积累到一定程度后会 直接表现在外观上，甚至会引起枣树发生变化，例如严重的病
虫害会导致枣树的树叶发生病变。众所周知，植物进行光合
作用依靠的就是绿叶，一旦绿叶受损，将会严重影响有机物积
累，使得果实甚至果树的生长发育受到威胁。病变会使红枣
的光谱发生变化，因此利用高光谱系统可以对红枣病虫害实
现最有效的监管。同时，利用内部的转换可以实现对红枣病
变部位详细定位，能够区分受病虫害胁迫的红枣与健康红枣。 最常见的方法为波段选择法，其运算的流程为：从高频光系统
基于信息熵高光谱波段选择方法
基于信息熵高光谱波段选择方法
基于信息熵的高光谱波段选择方法是一种用于从高光谱数据中提取最具信息量的波段的技术。信息熵是一种用来衡量数据不确定性的指标，高信息熵表示数据具有更高的不确定性，低信息熵表示数据具有更低的不确定性。在高光谱图像中，不同波段的信息熵可以反映出该波段包含的信息量大小，高信息熵对应着更多的信息。
这种方法的基本思想是通过计算每个波段的信息熵，然后根据信息熵的大小来选择最具代表性的波段。一般来说，信息熵越高的波段包含的信息越丰富，对目标的识别和分类有更大的贡献。
具体而言，高光谱波段选择方法可以分为以下几个步骤：
1. 数据预处理，包括去除椒盐噪声、大气校正、辐射校正等，以保证数据的准确性和可靠性。
2. 计算信息熵，对每个波段的像素值进行统计，然后利用信息熵的计算公式来计算每个波段的信息熵。
3. 波段排序，根据计算得到的信息熵对波段进行排序，将信息熵高的波段排在前面。
4. 波段选择，根据需要选择排在前面的若干个波段作为最终的高光谱波段集合。
这种方法的优点是能够充分利用高光谱数据中的信息，提取出最具代表性和区分性的波段，有利于提高数据处理和分析的效率和准确性。然而，也需要注意到信息熵高的波段并不一定就是最有效的波段，因此在实际应用中还需要结合具体的任务需求和领域知识来进行综合考虑和选择。
总的来说，基于信息熵的高光谱波段选择方法是一种有效的数据处理技术，可以帮助提取出最具代表性的波段，对于高光谱数据的分析和应用具有重要意义。
高光谱遥感数据最佳波段的选择
高光谱遥感数据最佳波段的选择根据自己对具体影像解译的要求进行波段的选择，以提高解译的速度和精度。
若要获得丰富的地质信息和地表环境信息，可以选择TM(7、4、1)波段的组合，TM(7、4、1)波段组合后的影像清晰度高，干扰信息少，地质可解译程度高，各种构造形迹(褶皱及断裂)显示清楚；
若要获得监测火灾前后变化分析的影像，可以选择TM(7、4、3)波段的组合，它们组合后的影像接近自然彩色，所以可通过TM(7、4、3)彩色合成图的分析来掌握林火蔓延与控制及灾后林木的恢复状况；
若要获得砂石矿遥感调查情况，可以选择TM(5、4、1)波段组合；用TM影像编制洲地芦苇资源图时，宜用TM(3、4、5)波段组合的影像，分辨率最高，信息最丰富；用MSS图像编制土地利用地图，通常采用MSS(4、5、7)波段的合成影像；
若要再区分林、灌、草，则需要选用MSS(5、6、7)波段的组合影像。
遥感影像时相的选择 :
遥感影像的成像季节直接影响专题内容的解译质量。对其时相的选择，既要根据地物本身的属性特征，又要考虑同地物不同地域间的差异。例如解译农作物的种植面积最好选8、9月份，因为这时作物成熟了，但还没有收割，方便各种作物的区别；解译海滨地区的芦苇地及其面积宜用5、6月份的影像；解译黄淮海地区盐碱土分布图宜用3、4月份的影像。
高分辨率影像的选择 : 分辨率的选择要符合自己的实际需要，分辨率高对解译速度和精度都有很大帮助。随着科技的不断发展，已经有了15～30m分辨率的ETM／TM影像、2．5～5．0m分辨率的SPORT影像、2m分辨率的福卫二号、lm分辨率的ORBVIEW3／IKONOS、0．6m分辨率的QUICK BIRD等。法国SPOT-5卫星影像分辨率可达到2．5m，并可获得立体像对，进行立体观测。SPOT5卫星上的主要遥感设备是2台高分辨率几何成像仪(HRVIR)，其工作谱段有4个，主要任务是监测自然资源分布，特别是监测农业、林业和矿产资源，观测植被生长状态与农田含水量等项，对农作物进行估产，了解城市建设与城市土地利用状况等。卫星遥感传感器和遥感数据处理技术发展很快，些传感器的立体观测，各类遥感数据分辨率的提高，为遥感影像解译标志和遥感影像信息模型的开发、研究提供了有利条件，为快速和精确地进行解译提供了便利。
基于机载激光雷达和高光谱数据的树种识别方法
基于机载激光雷达和高光谱数据的树种识别方法
陶江玥;刘丽娟;庞勇;李登秋;冯云云;王雪;丁友丽;彭琼;肖文惠
【摘 要】训练样本的选取是影响监督分类精度的直接原因之一,数据空间分辨率越高,训练样本要求越准确,而人机交互训练样本选取推广力有限.利用机载高光谱(AISA)和激光雷达(LiDAR)主被动遥感数据,探讨基于高分辨率影像的训练样本自动提取技术以及适合树种识别的遥感变量.根据树木的结构和高度差异,开展树高分层掩膜试验,并计算光谱间夹角,在每个高度层中自动化优选树种的高纯度训练样本.计算植被指数、主成分分析等特征变量,基于支持向量机分类器对研究区进行树种精细分类.实验表明:通过对阔叶林、马尾松Pinus massoniana,毛竹Phyllostachys
edulis,杉木Cunninghamia lanceolata,油茶Camellia oleifera的训练样本分层自动提取后再进行分类,激光雷达和不敏感色素指数变量能有效提高树种分类精度.其中高光谱+激光雷达+结构不敏感色素指数变量组合的分类精度最高,其总体精度和Kappa系数分别为89.12%和0.86,阔叶林、马尾松、毛竹、杉木、油茶的用户精度分别为75.00%, 100.00%, 86.36%, 90.91%和96.55%.该方法对本研究区森林树种的识别是有效的.%Selection of training samples, a direct factor
affecting the accuracy of supervised classification, with a higher spatial
resolution image, requires more accurate training samples, but the human-computer interaction capabilities in the selection of training samples is
高光谱遥感数据最佳波段的选择根据自己对具体影像解译的要求进行波段的选择
高光谱遥感数据最佳波段的选择根据自己对具体影像解译的要求进行波段的选择，以提高解译的速度和精度。
若要获得丰富的地质信息和地表环境信息，可以选择TM(7、4、1)波段的组合，TM(7、4、1)波段组合后的影像清晰度高，干扰信息少，地质可解译程度高，各种构造形迹(褶皱及断裂)显示清楚；
若要获得监测火灾前后变化分析的影像，可以选择TM(7、4、3)波段的组合，它们组合后的影像接近自然彩色，所以可通过TM(7、4、3)彩色合成图的分析来掌握林火蔓延与控制及灾后林木的恢复状况；
若要获得砂石矿遥感调查情况，可以选择TM(5、4、1)波段组合；用TM影像编制洲地芦苇资源图时，宜用TM(3、4、5)波段组合的影像，分辨率最高，信息最丰富；用MSS图像编制土地利用地图，通常采用MSS(4、5、7)波段的合成影像；
若要再区分林、灌、草，则需要选用MSS(5、6、7)波段的组合影像。
遥感影像时相的选择 :
遥感影像的成像季节直接影响专题内容的解译质量。对其时相的选择，既要根据地物本身的属性特征，又要考虑同一地物不同地域间的差异。例如解译农作物的种植面积最好选在8、9月份，因为这时作物成熟了，但还没有收割，方便各种作物的区别；解译海滨地区的芦苇地及其面积宜用5、6月份的影像；解译黄淮海地区盐碱土分布图宜用3、4月份的影像。
高分辨率影像的选择 :
分辨率的选择要符合自己的实际需要，分辨率高对解译速度和精度都有很大帮助。随着科技的不断发展，已经有了15～30m分辨率的ETM／TM影像、2．5～5．0m分辨率的SPORT影像、2m分辨率的福卫二号、lm分辨率的ORBVIEW一3／IKONOS、0．6m分辨率的QUICK BIRD等。法国SPOT-5卫星影像分辨率可达到2．5m，并可获得立体像对，进行立体观测。SPOT一5卫星上的主要遥感设备是2台高分辨率几何成像仪(HRVIR)，其工作谱段有4个，主要任务是监测自然资源分布，特别是监测农业、林业和矿产资源，观测植被生长状态与农田含水量等项，对农作物进行估产，了解城市建设与城市土地利用状况等。卫星遥感传感器和遥感数据处理技术发展很快，一些传感器的立体观测，各类遥感数据分辨率的提高，为遥感影像解译标志和遥感影像信息模型的开发、研究提供了有利条件，为快速和精确地进行解译提供了便利。
基于冠层高光谱数据与马氏距离的马铃薯品种识别
基于冠层高光谱数据与马氏距离的马铃薯品种识别
王卓卓;孙静;何英彬;罗善军;段丁丁;张远涛;朱娅秋;于金宽;张胜利;徐飞
【摘 要】为丰富高光谱数据在精细农业中的应用,本研究基于冠层光谱数据进行不同马铃薯品种区分研究.利用田间实测的6-8月的马铃薯原始光谱数据以及经过一阶微分、对数一阶微分、包络线去除处理后的光谱,采用马氏距离法选择3种马铃薯光谱差异显著波段,再利用逐步判别法检验波段识别精度.结果表明,7月份经过对数一阶微分变换选取的特征波段识别精度最高,达87.7％.不同生育期内,多种预处理方法下的光谱识别能力有差异.6月份包络线去除法的识别精度最高,7月份对数一阶微分处理下的识别精度最高,而8月份原始光谱的识别精度最高.提取的特征波段多位于红光及近红外波段.研究结果表明基于高光谱数据,借助马氏距离与逐步判别法可以区分马铃薯品种.
【期刊名称】《江苏农业学报》
【年(卷),期】2018(034)005
【总页数】6页(P1036-1041)
【关键词】高光谱;马氏距离;马铃薯;品种识别
【作 者】王卓卓;孙静;何英彬;罗善军;段丁丁;张远涛;朱娅秋;于金宽;张胜利;徐飞
【作者单位】天津工业大学管理学院,天津 300387;吉林省蔬菜花卉科学研究院,吉林 长春 130033;天津工业大学管理学院,天津 300387;中国农业科学院农业资源与农业区划研究所,北京 100081;天津工业大学管理学院,天津 300387;中国农业科学院农业资源与农业区划研究所,北京 100081;天津工业大学管理学院,天津 300387;天津工业大学管理学院,天津 300387;中国农业科学院农业资源与农业区划研究所,北京 100081;吉林省蔬菜花卉科学研究院,吉林 长春 130033;吉林省蔬菜花卉科学研究院,吉林 长春 130033
【正文语种】中 文
【中图分类】TP79
关键字：高光谱； 马氏距离； 马铃薯； 品种识别
基于BP神经网络的高光谱果树树种识别研究
基于BP神经网络的高光谱果树树种识别研究
摘要：高光谱具有波段窄、波段多的特点，能够提供比多光谱遥感更精细的地物光谱信息，为识别光谱性质相似的森林树种提供了有效途径。对南疆盆地4种主栽果树树种（苹果、香梨、核桃、红枣）的冠层光谱数据进行测量，用BP神经网络对原始光谱数据及其经一阶微分、对数一阶微分、归一化一阶微分变换后的光谱数据进行分类识别，结果表明：对数一阶微分和归一化一阶微分变换后树种识别精度分别为94%和88%以上；红边区的光谱波段包含了大量树种识别的信息；采用BP神经网络能够对南疆盆地主栽果树进行基于冠层光谱的分类，而且分类精度相对较高。
关键词：高光谱数据；波段选择；BP神经网络；树种识别；果树
中图分类号： S126；TP391.4文献标志码： A文章编号：1002-1302（2016）05-0410-04
在南疆特色林果产业化的进程中，其信息化建设明显滞后，传统调查方式以多光谱遥感和地面辅助调查为主，不仅分辨率具有局限性，而且费时、耗力、周期长[1]。自1980年以来，高光谱遥感冲破技术障碍，在对地观测方面获得了重大突破，相比多光谱遥感技术，它具有波段窄、数量多的特征，可以提供更详细的目标光谱信息，为研究地物的细微特征提供了快速、准确、有效的途径[2]。因此林果树种的高光谱遥感识别对新疆南疆盆地特色林果产业的可持续经营具有重要的现实意义[3-5]。目前，我国已有一些基于高光谱遥感技术进行森林树种识别的研究。宫鹏等通过对6种主栽针叶树种的高光谱实地测量，开展了不同季节（夏、秋季）针叶树种的高光谱数据分类研究[6]。王志辉等利用测量的4种树种叶片光谱数据，进行了可识别性波段的选择与光谱特征参量的分析[7]。于祥等对广西红树林进行高光谱实测，通过多种光谱分类方法对多个红树林树种进行了分类研究[8]。
高光谱遥感技术在为树种的精细识别带来可能性的同时，也带来了数据冗余度大的问题。怎样在高光谱数据信息利用最大化的基础上，高效处理高光谱数据成为高光谱研究领域的焦点和未来发展的重要方向[9-11]。刘秀英等利用分层聚类法和逐步判别分析进行波段选择，对桂花树、小叶樟树、雪松和杉木4个树种的识别进行了研究，取得了较好的效果[12]。藏卓等利用对雪松、黑松、马尾松、杉木等针叶树种的高光谱实测，通过主成分分析和遗传算法两种波段选择方法对树种识别进行比较研究，有一定的实用性[13]。此外，许多学者基于遥感影像对森林类型进行分类时，使用了最佳指数法、波段指数法、灰度值法等几种常用的高光谱遥感影像的波段选择方法，认为最佳指数法用于高光谱遥感的树种识别具有一定可行性和优越性[14-16]。因此，本研究采用最佳指数法对高光谱数据进行波段选择，并利用BP神经网络对波段选择数据进行分类，从而对新疆南疆盆地4种主栽果树树种进行分类识别，为探索星载高光谱遥感树种识别提供技术支持。
基于叶片高光谱特性分析的树种识别
第３０卷，第７期 ２ ０ １ ０年７月 光谱学与光谱分析 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｖｏ１．３０，Ｎｏ．７，ｐｐ１８２５—１８２９ Ｊｕｌｙ，２０１０
基于叶片高光谱特性分析的树种识别
王志辉，丁丽霞
浙江农林大学，浙江省森林生态系统碳循环与固碳减排重点实验室，环境科技学院，浙江ｌ临安 ３１ １ ３００
摘要高光谱遥感技术的出现将为解决森林树种的精细识别难题提供有效的途径。利用高光谱遥感技术 进行树种鉴别时，光谱特征的选择及提取是个非常重要的过程。与多光谱数据相比，高光谱数据具有波段
多、数据量大、冗余度大等特点。该文利用光谱微分法对原始光谱数据进行处理，分析不同树种原始光谱、
光谱一阶微分和光谱二阶微分曲线图，从中选择差异较大的波段用于鉴别不同树种。最后利用欧氏距离对
所选择的波段进行检验识别不同树种的效果，检验的结果显示选择的波段能有效地区分不同树种。区分不
同树种的有效波段大都位于近红外波段，并且差异最大的波段也是近红外波段，其分别为１ ６５７～１ ６６６和
１ ８６８～ｌ ８７７ ｒｉｍ
关键词树种；高光谱；光谱微分；欧氏距离
中图分类号：￥７７１．８ 文献标识码：Ａ
引 言
高光谱遥感技术是２０世纪８Ｏ年代以来在对地观测方面
取得的重大技术突破之一，它具有波段窄、波段多的特点，
能够提供比多光谱遥感技术更细致的地物光谱信息［１］，为研
究地物的细微特征提供了有效的途径。目前高光谱遥感技术
已被广泛地用于植物研究，与多光谱相比，能有效地提高物 种分类精度＿２］，而且能够估测各种植物化学成分，如植物叶
内的Ｎ、Ｐ、Ｋ、糖类、淀粉、蛋白质、纤维素和叶绿素等的估 测［３］，进行植物长势评价、植被生物量估测 】。在植物物种
的识别方面也有一些成功的实验，例如，浦瑞良等［４３利用小
型机载成像光谱仪（ｃｏｍ－ｐａｃｔ ａｉｒｂｏｒｎｅ ｓｐｅｃｔｒｏｇｒａｐｈｉｃ ｉｍａｇｅｒ，
基于均值置信区间带的湿地植被高光谱特征波段选择
第３３卷第１期 ２０１３年１月 中南林业科技大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｏｒｅｓｔｒｙ＆Ｔｅｃｈｎｏｌｏｇｙ Ｖｂ１．３３ Ｎ０．１ Ｊａｎ．２０１３
基于均值置信区间带的湿地植被高光谱
特征波段选择
邱琳，林辉，臧卓，孙华，莫登奎
（中南林业科技大学林业遥感信息工程研究中心，湖南长沙４１０００４）
摘 要：以东洞庭湖苔草、泥蒿、芦苇、辣蓼与柳树５种典型湿地植被为研究对象，采用基于均值置信区间估计原理 筛选特征波段，并结合Ｍａｎｈａｔｔａｎ距离法检验植被识别的效果。研究结果表明：（１）剔除５种湿地植被类型中两两植 被置信区间带重合率大的波段，得到光谱特征差异显著的特征波段，为６８０、７６０、８７０、１ ５７０、２ ０３０ ｎｎｌ。 （２）５种 植被类型的光谱反射率Ｍａｎｈａｔｔａｎ距离值分别为０．１２６ ８、Ｏ．１１３ ４、Ｏ．１１３ ９、０．２６３ ９、０．２３５ ０，同种植被的Ｍａｎｈａｔｔａｎ距离 值显著小于异种植被。 （３）通过对苔草、泥蒿、芦苇、辣蓼与柳树５种植被光谱反射率（ ）进行数学变换发现，采 用ＬＯＧ（１／Ｒ）变换后的Ｍａｎｈａｔｔａｎ值分别为０．９４５ ６、０．６０９ ９、０．５２５ ６、０．９５２ ８、１．０３６ ５，显著大于ｄ（固与ｄ［ＬＯＧ（１／Ｒ）］变 换方法后的Ｍａｎｈａｔｔａｎ值，表明ＬＯＧ（１闻变换方法对这５种植被的识别效果优于ｄ（固与ｄ［ＬＯ￣Ｉ／Ｒ）］方法。 关键词：高光谱特征波段；湿地植被；置信区间；东洞庭湖 中图分类号：￥７７１．８ 文献标志码：Ａ 文章编号：１６７３—９２３Ｘ（２０１３）０１．００４１．０５
Ｈｙｐｅｒ－ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ｗｅｔｌａｎｄ ｖｅｇｅｔａｔｉｏｎ
ｂａｓｅｄ ｏｎ ｍｅａｎ ｃｏｎｆｉｄｅｎｃｅ ｉｎｔｅｒｖａｌ