At 15:10 on May 6, with the command of "fire" from the Command and Control Center of the Jiuquan Satellite Launch Center, the Tianhui 1-02 satellite was launched by a LM-2D rocket into space. 680 seconds aft...At 15:10 on May 6, with the command of "fire" from the Command and Control Center of the Jiuquan Satellite Launch Center, the Tianhui 1-02 satellite was launched by a LM-2D rocket into space. 680 seconds after the take-off, the satellite separated from the rocket and entered its planned orbit.展开更多
高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法(Generalized Normal D...高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法(Generalized Normal Distribution Optimization,GNDO)的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-102D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元(30、50、100、150、200)基础上,分别利用遗传算法(Genetic Algorithm,GA)、粒子群优化算法(Particle Swarm Optimization,PSO)、灰狼优化算法(Grey Wolf Optimization,GWO)以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林(Random Forest,RF)方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示:蓝波段(400~450 nm)、红边波段(700~750 nm)和红波段(600~650 nm)对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集(GNDO200)获得了最高的总体分类精度(80.44%);随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集(GWO200+TEX)获得了最高的总体分类精度(82.86%)。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。展开更多
文摘At 15:10 on May 6, with the command of "fire" from the Command and Control Center of the Jiuquan Satellite Launch Center, the Tianhui 1-02 satellite was launched by a LM-2D rocket into space. 680 seconds after the take-off, the satellite separated from the rocket and entered its planned orbit.
文摘高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法(Generalized Normal Distribution Optimization,GNDO)的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-102D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元(30、50、100、150、200)基础上,分别利用遗传算法(Genetic Algorithm,GA)、粒子群优化算法(Particle Swarm Optimization,PSO)、灰狼优化算法(Grey Wolf Optimization,GWO)以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林(Random Forest,RF)方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示:蓝波段(400~450 nm)、红边波段(700~750 nm)和红波段(600~650 nm)对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集(GNDO200)获得了最高的总体分类精度(80.44%);随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集(GWO200+TEX)获得了最高的总体分类精度(82.86%)。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。
