收藏本站
《中国地质大学(北京)》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

基于Hyperion影像的高光谱数据线性解混与目标检测—土地覆被识别实证

王曦  
【摘要】:高光谱遥感数据丰富的光谱信息有助于更准确的描述土地覆被的类型,但由于传感器的空间分辨率较低,当以城市、郊区为研究对象时高光谱影像中混合像元的存在不可避免。本文模拟高光谱数据混合光谱的解混,对端元不同所带来的解混误差进行了详细的分析;以北京市为研究区,利用Hyperion高光谱数据,结合V-I-S模型和线性光谱混合分析对北京市区、郊区的土地覆被进行了研究;通过信息检测算法,对特定地物目标的识别进行了实验验证,并给出了改良方法。本文对中等空间分辨率的高光谱影像在城市/郊区遥感方面的利用进行了比较全面的分析。论文研究的主要内容和结论如下:(1)利用光谱库的光谱数据模拟由植被、土壤、不透水层构成的混合光谱,使用不同的端元组合对混合光谱线性解混,提出适用于高光谱数据的复合端元解混方法。在同类地物光谱曲线幅度差异较大的情况下,使用复合端元做全约束的线性解混可以有效减少误差,提高相关系数。(2)基于V-I-S模型,利用单端元组合、复合端元组合对Hyperion高光谱影像进行了线性解混。结果显示,复合端元的组合有更小的误差。从真实的高光谱影像上证明了在对影像覆盖面积较大的高光谱数据做全约束的线性解混时,更宜采用复合端元的组合。(3)在遥感影像的处理中,利用植被指数在城市的不同区域发现了与植被丰度相关性更高的波段组合的特征。从整体上看,更靠近植被光谱“红边”区域的波段计算的NDVI与植被丰度的相关性更显著,植被指数与植被丰度的二次多项式拟合相关性更显著。(4)通过对2004年和2010年Hyperion影像的解混,揭示了北京南、北部区域土地覆被的变化特征。土地覆被的变化显示出2004年~2010年间北京南部和北部区域均有一定程度的植被、土壤向不透水层的转变,越靠近市区变化越明显,在离市区较远的区域不透水层主要沿干道向两侧扩张。(5)利用高光谱数据通过信息检测的方法,对小的目标进行了识别。利用多种信息检测方法对Hyperion数据进行了实验,优化了信息检测输出的方法,并改良了一种多目标识别方法的应用,使其可以更有效的检测Hyperion影像中的目标信号。
【关键词】:高光谱影像 线性光谱混合分析 土地覆被 目标检测
【学位授予单位】:中国地质大学(北京)
【学位级别】:博士
【学位授予年份】:2017
【分类号】:P237
【目录】:
  • 摘要5-6
  • Abstract6-11
  • 1 绪论11-24
  • 1.1 研究背景11-13
  • 1.2 研究目的与意义13-14
  • 1.3 国内外研究现状与进展14-21
  • 1.3.1 高光谱遥感应用研究综述14-16
  • 1.3.2 高光谱数据的算法研究综述16-18
  • 1.3.3 光谱混合分析研究综述18-20
  • 1.3.4 国内外研究评述20-21
  • 1.4 研究内容与方法21-24
  • 1.4.1 研究内容21
  • 1.4.2 研究方法21-24
  • 2 背景信息与数据预处理24-35
  • 2.1 相关概念24-27
  • 2.1.1 城市与郊区24-25
  • 2.1.2 空间分辨率与光谱分辨率25-26
  • 2.1.3 土地覆被和土地利用26-27
  • 2.2 研究区概况27-28
  • 2.3 ENVI光谱库数据28-30
  • 2.4 Hyperion数据特点30-31
  • 2.5 Hyperion数据的预处理31-35
  • 3 约束条件下线性混合像元解混的模拟35-51
  • 3.1 解混理论35-37
  • 3.1.1 线性混合模型(LMM)35-37
  • 3.1.2 最小二乘(LSE)37
  • 3.2 植被-土壤(V-S)混合像元解混的模拟37-46
  • 3.2.1 一种植被与一种土壤混合39-43
  • 3.2.2 两种植被与一种土壤的混合43-46
  • 3.2.3 植被与土壤混合的结果分析46
  • 3.3 植被-不透水层-土壤(V-I-S)混合像元解混模拟46-50
  • 3.4 小结50-51
  • 4 Hyperion高光谱影像的线性光谱解混51-64
  • 4.1 确定端元51-58
  • 4.1.1 主成分变换(PCT)51-54
  • 4.1.2 端元选取54-58
  • 4.2 解混结果58-60
  • 4.3 精度检测60-62
  • 4.4 小结62-64
  • 5 丰度的利用与分析64-80
  • 5.1 基于丰度特征的聚类64-66
  • 5.1.1 常用非监督分类的问题64-65
  • 5.1.2 考虑空间特征的非监督分类65-66
  • 5.2 植被丰度分析66-75
  • 5.2.1 中部区域的植被丰度68-70
  • 5.2.2 北部区域的植被丰度70-72
  • 5.2.3 南部区域的植被丰度72-74
  • 5.2.4 植被丰度的综合比较74-75
  • 5.3 城区周边的土地覆被的变化75-79
  • 5.4 小结79-80
  • 6 基于Hyperion数据的特定目标信息检测应用80-97
  • 6.1 目标信息识别方法80-82
  • 6.1.1 正交子空间投影(OSP)及其衍生方法80-81
  • 6.1.2 线性约束最小方差(LCMV)81-82
  • 6.2 小目标识别82-91
  • 6.2.1 目标光谱提取82-83
  • 6.2.2 Hyperion影像中的目标识别83-89
  • 6.2.3 精度检验89-91
  • 6.3 多目标识别91-95
  • 6.3.1 有完全先验知识的多目标识别92-93
  • 6.3.2 无完全先验知识的多目标识别93-95
  • 6.3.3 精度检验95
  • 6.4 小结95-97
  • 7 结论与展望97-100
  • 7.1 研究结论97-98
  • 7.2 主要创新点98
  • 7.3 研究的不足98
  • 7.4 展望98-100
  • 致谢100-101
  • 参考文献101-112
  • 附录112

【相似文献】
中国期刊全文数据库 前10条
1 陈君颖;田庆久;亓雪勇;刘晓臣;管仲;;基于Hyperion影像的水稻冠层生化参量反演[J];遥感学报;2009年06期
2 申晋利;丁树柏;齐小平;邢学文;;利用Hyperion数据提取海洋烃渗漏信息研究初探[J];遥感信息;2010年04期
3 丰明博;牛铮;;基于经验模型的Hyperion数据植被叶绿素含量反演[J];国土资源遥感;2014年01期
4 沈渊婷;倪国强;徐大琦;蒋丽丽;贺金平;;利用多项式拟合方法去除Hyperion数据条带噪声[J];光学技术;2007年S1期
5 傅锦;韩晓青;张杰林;裴承凯;;基于Hyperion数据的岩矿蚀变信息的特征峰提取法[J];世界核地质科学;2008年01期
6 梁继;王建;;Hyperion高光谱影像的分析与处理[J];冰川冻土;2009年02期
7 张苗;蒋志荣;;Hyperion影像的辐射处理方法[J];地理空间信息;2013年05期
8 唐菲;徐涵秋;;高光谱与多光谱遥感影像反演地表不透水面的对比——以Hyperion和TM/ETM+为例[J];光谱学与光谱分析;2014年04期
9 沈渊婷;倪国强;徐大琦;蒋丽丽;贺金平;;利用Hyperion短波红外高光谱数据勘探天然气的研究[J];红外与毫米波学报;2008年03期
10 潘洁;张鹰;;基于Hyperion影像的射阳河口无机氮磷浓度反演研究[J];遥感信息;2011年03期
中国重要会议论文全文数据库 前2条
1 林志垒;;Hyperion高光谱影像的特征提取研究[A];中国地理学会百年庆典学术论文摘要集[C];2009年
2 詹远增;王迪峰;毛志华;;基于Hyperion卫星高光谱影像的溢油信息提取研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
中国重要报纸全文数据库 前10条
1 本报记者 小白;Hyperion财务合并推新平台[N];计算机世界;2005年
2 本报记者 吴萍;布道BPM[N];计算机世界;2004年
3 于翔;BPM步入整合时代[N];网络世界;2006年
4 张承东;Oracle“多吃”才能“多占”[N];网络世界;2007年
5 本报记者 周蓉蓉;BPM:走过理念到实际应用[N];计算机世界;2005年
6 ;强化BI能力 Oracle 33亿美元收购海波龙[N];网络世界;2007年
7 ;Hyperion Essbase分析型应用软件平台[N];中国计算机报;2002年
8 振;甲骨文Oracle Hyperion透视企业成本[N];电脑商报;2008年
9 吴晓伟;Hyperion深挖BPM的中国价值[N];计算机世界;2003年
10 本报记者 吴晓伟;完整BPM应用要兼具五个特征[N];计算机世界;2004年
中国博士学位论文全文数据库 前2条
1 唐菲;基于多源遥感影像数据的不透水面信息提取[D];福州大学;2014年
2 王曦;基于Hyperion影像的高光谱数据线性解混与目标检测—土地覆被识别实证[D];中国地质大学(北京);2017年
中国硕士学位论文全文数据库 前10条
1 柳萍萍;基于Hyperion数据的森林类型识别[D];中南林业科技大学;2012年
2 董连英;Hyperion影像森林植被分类方法与应用研究[D];吉林大学;2013年
3 黄楠;基于Hyperion数据的地物分类方法研究[D];东北林业大学;2006年
4 张倩倩;基于Hyperion高光谱影像土地利用分类[D];浙江农林大学;2013年
5 郭啸川;基于降维的Hyperion高光谱数据的树种识别研究[D];福建师范大学;2013年
6 刘衍宏;基于高光谱Hyperion数据的粘土矿信息提取应用研究[D];中国地质大学(北京);2010年
7 周燕;基于Hyperion数据的浅海地形和海洋光学参数反演方法研究[D];中国海洋大学;2010年
8 刘津怿;基于Hyperion数据的农田土壤有机质含量提取方法[D];吉林大学;2012年
9 翟羽娟;基于Hyperion影像的玉米叶面积指数反演[D];吉林大学;2013年
10 周利鹏;基于Hyperion高光谱影像的松散堆积物矿物识别[D];兰州大学;2014年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026