机载AISA Eagle Ⅱ高光谱数据在温带天然林树种分类中的应用

以内蒙古根河地区的温带天然林试验区为研究对象,采用支持向量机(SVM)方法,对经过大气校正后的机载AISA Eagle Ⅱ高光谱地表反射率影像分航带进行树种分类,将地面光谱测量与高光谱同平台的高分辨率航空相片结合,进行训练样本的选择,使用地面样地数据对分类结果进行验证。结果表明:利用AISA Eagle Ⅱ高光谱影像对温带天然林区分类的总体精度和kappa系数分别达到了96.71%和0.95;灌木分类精度最高,其制图精度和用户精度分别达到了98.07%和98.31%;落叶松和白桦的用户精度分别为98%和94%。

基于AISA Eagle II机载高光谱数据的普洱市山区森林分类

山区森林的精细分类一直是遥感研究的一个难点,而利用高光谱技术识别地物和树种具有巨大潜力。山区的AISA Eagle II机载高光谱数据需经过大气校正和地形辐射校正后才能获得准确的树种光谱信息。采用Support Vector Machine(SVM)方法对山区森林按照森林类型以及树种进行分类,分类结果与实测样地数据和CCD高分辨率影像验证表明:利用AISA Eagle II机载高光谱数据对试验区的森林类型区分具有较好的分类结果,总体精度为97.74%;在树种分类方面也同样具有不错的分类潜力,总体精度为92.11%,但在阔叶树种间存在错分、漏分的现象。

基于AISA Eagle Ⅱ机载高光谱数据的森林可燃物类型识别方法

为形成林场级森林可燃物类型遥感精细识别方法,以内蒙古大兴安岭根河林业局潮查林场为试验区,结合地面调查和森林资源调查等资料,建立了该区域的森林可燃物类型机载高光谱影像数据分类体系;通过对各类型的原始光谱曲线、一阶微分曲线、二阶微分曲线和包络线消除曲线进行分析,得到了适用于各类型识别的特征波段;并基于生成的特征波段的主成分分析分量(信息量95%以上)及其纹理特征影像,采用随机森林方法对该区域的森林可燃物类型进行了识别。利用机载高光谱遥感数据与其他数据相结合,研究形成了林场级森林可燃物类型随机森林识别方法,识别总体精度达86.31%,Kappa系数0.836;兴安落叶松和白桦的制图精度分别达到95.58%、94.34%,表明该方法适宜用于乔木可燃物的细分,可为林场级森林可燃物更新管理、森林火灾的科学预防及扑救提供技术支撑。

机载AISA Eagle Ⅱ高光谱数据处理——以额济纳旗试验区为例

机载AISA EagleⅡ传感器为"黑河综合遥感联合试验(HiWATER)"额济纳旗试验区提供航空高光谱影像。介绍了高光谱原始数据的辐射定标、几何校正、大气校正等预处理过程。根据研究区地形差异以及数据使用目的的多样性,几何校正中可选择是否加高精度DEM产品,大气校正的选择策略可分为平坦地形无DEM的大气校正和起伏地形添加DEM大气校正。本试验数据采用加载高精度DEM的几何校正和平坦地形大气校正方法,经过预处理后的高光谱数据产品,其地理坐标与高分辨率的CCD影像对比,地理位置信息较为准确;与实测地物光谱对比,影像光谱能较好地体现地物光谱的特性,数据可用作定量遥感进一步的研究。

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。