论文题目: 通用光谱模式分解算法及植被指数的建立
论文类型: 博士论文
论文专业: 摄影测量与遥感
作者: 张立福
导师: 张良培
关键词: 高光谱数据,模式分解,特征提取,植被指数,遥感分类
文献来源: 武汉大学
发表年度: 2005
论文摘要: 多时相、多传感器卫星数据为我们在区域乃至全球尺度的环境变化监测提供了丰富的信息。Landsat/TM(ETM+)、Terra(Aqua)/MODIS、ADEOS-Ⅱ/GLI以及其他一些传感器为我们提供了大量多/高光谱数据。由于不同传感器在波段数、波长范围以及中心波长位置等方面存在差异,数据分析结果依赖于传感器,尤其是受波段数和波长的影响。因此,不同传感器得到的分析结果很难进行比较。 本文发展了一种通用光谱模式分解算法(UPDM)。UPDM是一种与传感器无关的多/高光谱遥感数据分析算法。“与传感器无关”是指对同一样本的数据分析结果不受传感器的限制。许多分析方法是依赖于传感器的。例如,主成分分析方法是一种多元统计方法,通过剔除冗余数据来压缩多光谱数据。虽然PCA可以应用于各种传感器,但其结果依赖于传感器。模式分解方法(PDM)是一种线性光谱混合分析方法,它把原始遥感数据每个像素的光谱分解为固定的标准模式(水体、植被、土壤)。虽然PDM方法可以应用于不同的传感器,但PDM系数随传感器而变,即使分析的是同一个目标。 本文第三章介绍了作者发展的通用光谱模式分解算法(UPDM)。卫星传感器记录的每像素的光谱数据,可以通过标准UPDM转换矩阵,转换成用三个(或四个)UPDM特征分量表示。标准模式定义的光谱范围为350～2500nm,即太阳辐射能量波长范围。当应用于不同的传感器时,从标准模式中选择出与传感器波段对应的数值组成转换矩阵即可。一般情况下,使用三种标准模式时,地表反射信息的95.5%可以用转换后的三个UPDM成分表示。每自由度的光谱重构误差为4.2%。但是,对于某些目标,如黄叶,光谱重构误差较大。根据具体的研究目的,可以选择一种附加模式,标准模式数量增加到4个。如果研究目的是植被变化,需要增加黄叶作为附加模式。本研究选择它作为附加模式。 实验选择了652种地面样本的光谱测量数据来研究UPDM。样本包括植被绿叶、黄叶、枯叶,各种土壤,各种水体,建筑材料,等等。利用这些地面测量光谱数据模拟了不同的传感器数据并比较他们的UPDM分析结果,卫星传感器包括Landsat/MSS、ALOS/AVNIR-2、Landsat/ETM+、Terra/MODIS和ADEOS-Ⅱ/GLI等。实验结果证明,UPDM特征转换产生的新特征具有“与传感器无关”的特性。即不同传感器得到的UPDM系数几乎相同。 针对不同的研究目的,人们设计出了各种植被指数。NDVI是一种被普遍采用的植被指数。但NDVI只利用了近红外和红色两个波段。EVI不仅利用了近红外和红色两个波段,还增加了蓝色波段用于纠正气溶胶对红色波段的影响,以及其他几个纠正因子来抵抗气溶胶的影响。基于PDM的植被指数VIPD在反映植被植土覆盖百分比、植被垂直密度和植被类型方面比NDVI和EVI有优势。但PDM含有依赖于传感器的参数。同样不能直接比较不同传感器得到的结果。
论文目录:
摘要
Abstract
第一章 绪论
1.1 高光谱遥感及其发展
1.1.1 高光谱遥感的概念
1.1.2 高光谱遥感的发展
1.2 国内外高光谱遥感研究现状
1.2.1 高光谱遥感的信息处理技术
1.2.2 高光谱遥感的应用现状
1.3 本文主要研究内容及可能的创新之处
本章小结
第二章 光谱数据的获取与预处理
2.1 大气对太阳光谱的影响
2.1.1 大气散射
2.1.2 大气吸收
2.2 卫星光谱数据的获取
2.3 地面光谱数据的获取
2.3.1 光谱数据的测量
2.3.2 非光谱数据的测量
2.4 地物光谱分析
2.5 光谱数据的预处理
2.5.1 几何纠正
2.5.2 辐射定标
2.5.3 大气纠正
2.5.4 反射率反演
本章小结
第三章 通用光谱模式分解算法UPDM
3.1 常用特征提取算法
3.1.1 主成分分析
3.1.2 穗帽变换
3.1.3 典型分析变换
3.2 通用光谱模式分解算法UPDM
3.2.1 模式分解算法PDM
3.2.2 通用模式分解算法UPDM
3.2.3 研究使用的数据
3.2.4 实验结果与分析
本章小结
第四章 通用植被指数VIUPD
4.1 植被指数的发展
4.2 几种常见的植被指数
4.2.1 归一化差值植被指数NDVI
4.2.2 土壤调节植被指数SAVI
4.2.3 增强植被指数EVI
4.3 植被指数VIPD
4.4 植被指数VIUPD
4.4.1 研究使用的数据
4.4.2 VIUPD的定义
4.4.3 实验结果与分析
本章小结
第五章 用MODIS和ETM+数据验证UPDM
5.1 数据获取与处理
5.1.1 数据使用
5.1.2 卫星数据预处理
5.1.3 UPDM子空间转换
5.2 实验结果与分析
5.2.1 UPDM系数与空间分辨率的线性关系
5.2.2 UPDM的“与传感器无关”特性验证
5.2.3 VIUPD的“与传感器无关”特性验证
本章小结
第六章 UPDM在图像分类中的应用
6.1 UPDM子空间转换
6.1.1 UPDM子空间转换原理
6.2 常用分类方法
6.2.1 监督分类
6.2.2 非监督分类
6.2.3 混合分类
6.3 高光谱数据分类方法
6.4 UPDM分类结果比较
6.5 UPDM分类精度评价
本章小结
第七章 总结与下一步研究
参考文献
附录
致谢
发布时间: 2006-03-27
参考文献
- [1].四川盆周山地土地利用/覆盖景观空间格局演替研究[D]. 陈刚.成都理工大学2011
- [2].植被覆盖度遥感估算及其真实性检验研究[D]. 丁艳玲.中国科学院研究生院（东北地理与农业生态研究所）2015
- [3].面向应用的国产光学卫星数据应用性能评价研究[D]. 魏香琴.中国科学院大学(中国科学院遥感与数字地球研究所)2017
- [4].遥感数据时域滤波与重建的谐波分析扩展方法研究[D]. 杨刚.武汉大学2016
- [5].基于遥感技术的河口三角洲湿地景观生态健康评价[D]. 吴涛.上海师范大学2010
相关论文
- [1].高光谱遥感土壤信息提取与挖掘研究[D]. 刘伟东.中国科学院研究生院（遥感应用研究所）2002
- [2].土地质量高光谱遥感监测方法研究[D]. 何挺.武汉大学2003
- [3].高光谱遥感图像目标探测与分类技术研究[D]. 耿修瑞.中国科学院研究生院（遥感应用研究所）2005
- [4].面向目标探测的高光谱影像特征提取与分类技术研究[D]. 路威.中国人民解放军信息工程大学2005
- [5].地学知识辅助遥感进行山地丘陵区基于系统分类标准的土壤自动分类方法研究[D]. 罗红霞.武汉大学2005
- [6].植被生化组分高光谱遥感定量反演研究[D]. 沈艳.南京信息工程大学2006
- [7].高光谱遥感图像数据分类技术研究[D]. 吴昊.国防科学技术大学2004
- [8].基于EOS MODIS数据的遥感干旱预警模型研究[D]. 刘良明.武汉大学2004
- [9].基于投影寻踪的多（高）光谱影像分析方法研究[D]. 易尧华.武汉大学2004
- [10].高光谱遥感影像滤波和边缘提取方法研究[D]. 杜辉强.武汉大学2004