02高光谱遥感原理概述.ppt

SFF在植被覆盖研究中的应用 采用基于光谱吸收特征匹配的光谱特征拟合SFF方法从高光谱遥感影像中提取植被覆盖度,参考光谱采用ASD光谱仪在影像覆盖地区采集的植被光谱,通过将参考光谱与像元光谱连续统去除处理后进行SFF匹配,完成植被覆盖度的提取并生成植被覆盖度图。研究结果与植被指数、光谱夹角映射方法及实地调查资料之间存在较高一致性。 导数光谱特征在分类中的应用 运用导数光谱分析技术,研究了不同氮肥水平下不同品种油菜(Brassica napus)的叶面积指数(Leaf area index,LAI)及角果皮面积指数(Pod area index,PAI)与冠层导数光谱及其衍生参数的定量关系。结果表明,油菜导数光谱与花前LAI和花后PAI均有良好的相关关系,在750nm附近相关关系最好,相关系数达到0.9左右。三边参数与油菜LAI和PAI的相关性顺序为:红边黄边蓝边,面积参数振幅参数位置参数。油菜红边导数光谱的双峰现象降低了红边位置对油菜LAI和PAI的敏感程度,利用线性外推法拟合红边位置能提高其对油菜LAI和PAI的敏感程度。在三边参数及其衍生参数中,红边面积及其与蓝边面积的差与LAI及PAI的相关性最好,且适用于该研究中使用的不同品种。因此,750nm处的一阶导数光谱、红边面积及其与蓝边面积的差可用于有效地监测油菜的光合器官面积。 模糊识别在高光谱图像分类中的应用 模糊识别一般步骤 最大隶属度原则 阈值原则 模式识别的间接方法－－择近原则 模糊识别一般步骤 提取特征 提取已知地物光谱，建立光谱库 建立地物类型隶属函数 后面介绍 建立识别判别准则 最大隶属度原则和择近原则 最大隶属度原则 即最接近光谱库中的某个光谱即属于某种地物（详见教材120页） 阈值原则 实际是对“最大隶属度原则”在多个低相似和多个高相似情况下的处理方法 两种详见（教材120页） 择近原则 选择光谱库中“贴近度”最近的地物 隶属函数 相似系数法（5种） 距离法（7种） 分类结果统计和精度评价指标 基于分类统计结果进行，尽量多的像元参与统计，至少要多于50个像元。 包括：各类中像元点数、每个波段的均值、标准差、类别之间的协方差矩阵等。 误差矩阵 遥感图像分类之后，产生一幅分类结果图像，把它与相应地物真实分布图对比，就可以计算误差矩阵，然后计算总体精度、KAPPA系数、错分和漏分概率以及各类精度。（参见教材123页表5.5） 精度指标 分类精度 总精度＝对角线和/总像元数 制图精度 被分类器标识为A类，分类结果也属于A类的精度 用户判别精度 分类器正确标识的像元数与地面实际像元数的比值 KAPPA系数最能全面反映总体精度（教材124页） 指标评价（教材125页） 不同分类识别方法精度比较 模糊识别的方法中相似系数法、绝对指数法、相对指数法、夹角余弦的精度比较稳定而且均比较高 其它方法效果不理想 原图像分辨率决定了混合像元比例，混合像元较少的高光谱图像上分类精度比较高。 不同地区分类识别精度比较 分类方法、地物光谱、分布范围 枣园试验区，地块狭小、相互间杂，混合像元占了很大比例，分类精度低 靖边，地块大，长宽通常在30M之上，分类精度高出10～20个百分点 汝箕沟，地物地层分布不规则，但是面积大，各类地物差异明显，所以分类精度也比较高 同一地区不同地物分类精度比较 常规地物分类比较；提高图像空间分辨率是提高分类精度的最有效手段 对植物种类的分类精度比较；作为植物群落，获取综合光谱参与分类，能有效提高精度 对植物长势的分类，在同一类植物生长区，高光谱图像能有效地反演植物长势，在长势调查、农业估产、退耕还林、还草监测等方面有着独到的优势。例如对枣园镇和延安机场附近农田的光谱角填图，就达到了这个目的，长势不同的玉米和树龄不同的苹果园得到了有效区分。 分类识别误差原因分析与提高精度的方法 分类识别误差原因分析 提高分类精度措施 高光谱遥感分类注意事项 分类识别误差原因分析 传感器的性能、稳定性、分辨率、成像观测条件等 对原始数据的初级处理精度，包括利用辅助数据如：大气条件进行的系数校正和补偿、波段配准误差等 与参考图件和成像区域背景密切相关的训练区的代表性，包括如何定义以及各类地物的尺寸、形态、分布、出现的频率等 分类方法的选择 其它（见教材129页） 提高分类精度的措施 做好同步测试，以便准确定标 对优势物种生长期跟踪测试，建立主要物种不同生长期、不同长势的波谱库，使之具有广泛的适用性，能够应用于不同时相的高光谱图像分析 应考虑地理位置、坡度、坡向、湿度等提高分类精度 对于植被的不同时期，选择高光谱图像的成像时期 加强采样分析与化验，严格标定高光谱的细微差异与地物成分的关系 对各类分类识别方法要多实验、对比，选择最佳方法批量处理 条件许可时，引入DTM参与图像的分类