基于普莱亚数据的成都市高新西区主要乔木绿化树种分类方法研究

发布时间：2020-10-18 02:04

　　 《成都市城市总体规划(2016-2035)》中提出要建设城市生态安全屏障,探索包括高新西区在内的城市绿色发展新模式,这就对城市绿地系统管护工作提出了新的要求,而正确识别城市绿化树种、分析其空间分布规律是对城市绿地系统进行科学管护的基本前提。高分辨率遥感技术的快速发展为城市绿地信息化建设、绿地资源种类识别提供了新的技术手段。在利用高分辨率遥感影像进行城市乔木绿化树种识别时,选择适宜的分类特征和科学分类方法对分类结果和分类精度有着重要影响。本文以成都市高新西区Pleiades(普莱亚)遥感影像数据为研究对象,对其进行了辐射定标、大气校正、影像融合等预处理,并实测研究区8种主要乔木绿化树种空间分布信息,利用遥感影像处理软件ENVI 5.1提取并分析了8种树种的光谱特征、植被指数和纹理特征,最后通过最大似然分类法和支持向量机分类法对8种树种进行分类与分类精度比较,得到的主要研究结果如下:(1)Pleiades遥感影像最佳波段组合为RGB431,该组合能够在提供最佳目视效果的同时,减少波段间干扰性,最大程度保留影像数据信息;从定性和定量两个层面上对比分析Gram-Scmidt变换、Pan sharpening变换、主成分(PCA)变换和Brovey变换4种融合方法后,确定了适合本研究Pleiades影像融合的最佳方法为Gram-Scmidt变换,它能够最好地保留和体现影像的空间信息和光谱信息;(2)无论是在最大似然分类还是支持向量机分类下,同时利用遥感影像的光谱特征、植被指数和纹理特征均能取得较好的树种分类精度,优于仅利用影像光谱特征、光谱特征结合植被指数的总体分类精度,表明有效结合各分类特征有利于提高树种分类识别精度;(3)无论是基于影像光谱特征还是结合多种分类特征,支持向量机分类下的树种分类精度都优于最大似然分类结果,其总体分类精度最高可达85.29%(Kappa系数0.827),表明其能够有效挖掘各分类特征的有效信息,分类性能更稳定,支持向量机分类为本研究中最佳树种分类方法;(4)树种分类结果中,构树、荷花玉兰、黄葛树、垂柳、水杉、天竺桂、垂叶榕和银杏8个树种的生产者精度最高分别为71.77%、74.42%、86.11%、75.90%、82.73%、84.54%、78.45%和84.29%,用户精度最高分别为79.05%、75.96%、84.07%、78.37%、87.29%、78.24%、84.02%和88.79%,树种分类效果较为理想,其中,黄葛树、水杉和银杏的生产者精度和用户精度均达到了80%以上,是分类效果最好的三类绿化树种。
【学位单位】：四川农业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S731.2
【部分图文】：

第二章 研究区概况与研究方案2.1 研究区概况2.1.1 地理位置成都市高新西区即成都市高新技术产业开发区西部园区，位于成都中心城区西北部，域内地势西北高，东南低，平均海拔 530m，平均坡度为 3‰。本文研究区大部分位于高新西区，同时涵盖了小部分温江区和青羊区，总面积 85.83km2，其地理范围为东经 103°50′17.18″～103°57′64″，北纬 30°42′22″～30°49′12.08″。研究区位置示意图如下图 2-1 所示。

.1 软件环境下，导入预处理后的遥感影像，叠加 ROI 矢量图层和检验样本；影像分类特征分析。利用 ENVI 5.1 统计并分析训练样本在 4 个植被指数及 5 个纹理特征上的差异；研究区植被区提取。结合面向对象分类和不同监督分类方法，的最佳分类组合方法，从而得到研究区绿地与非绿地信息，并于后续绿化树种分类；研究区主要乔木绿化树种分类。在提取出的植被覆盖区域内，持向量机分类两种方法，选取不同分类特征进行乔木树种分类较。路线线如下图所示。

像数据预处理des 影像数据进行预处理，其步骤主要包括多光谱影像和全正、正射校正和图像融合等。标记录的电压或数字量化值（DN）转换成绝对辐射亮度值表面温度等物理量有关的相对值的过程就是辐射定标[62]。 ENVI5.1 中辐射定标工具（Radiometric Calibration）对 P像分别进行辐射定标，输入原始影像数据后 ENVI 便可以据，并自动给出设定参数，从而可以流程化完成辐射定标示。研究区局部多光谱影像辐射定标前后对比图见下图 3辐射定标前后的反射波谱曲线对比图见图 3-3。研究区局比图见下图 3-4。
【相似文献】

相关期刊论文 前10条

1 张翔;;基于光谱特征增强的高光谱图像地物目标识别[J];红外技术;2010年12期

2 何鸣皋,张树;氙灯紫外区光谱特征的研究[J];计量学报;1988年03期

3 杨柏林;岩矿光谱特征在遥感地质找矿中的作用[J];地质地球化学;1989年05期

4 成世炳;紫外可见分光光度计波长的校准及国产镨钕玻璃吸收光谱特征的应用[J];环境与健康杂志;1989年02期

5 G. Asrar;赵晓英;;北美高草草原光谱特征的日变化和季节变化[J];国外畜牧学.草原与牧草;1990年04期

6 梁树能;甘甫平;闫柏琨;魏红艳;肖晨超;;绿泥石矿物成分与光谱特征关系研究[J];光谱学与光谱分析;2014年07期

7 林金科,钟天英,熊发顺,蔡桂辉;适制乌龙茶品种茶树叶绿素吸收光谱特征探讨[J];茶叶科学技术;1998年03期

8 畅文娟;何明一;;高光谱图像组合光谱特征研究[J];现代电子技术;2013年14期

9 张宏名;农田作物光谱特征及其应用[J];光谱学与光谱分析;1994年05期

10 李晓明;韩霁昌;李娟;;典型半干旱区土壤盐分高光谱特征反演[J];光谱学与光谱分析;2014年04期

相关博士学位论文 前10条

1 高占国;长江口盐沼植被的光谱特征研究[D];华东师范大学;2006年

2 周广柱;铜矿区植物光谱特征与信息提取[D];山东科技大学;2007年

3 高颖;植被背景仿生材料研制及其光谱特征形成机制研究[D];中国科学技术大学;2017年

4 任红艳;宝山矿区农田土壤—水稻系统重金属污染的遥感监测[D];南京农业大学;2008年

5 姚付启;冬小麦高光谱特征及其生理生态参数估算模型研究[D];西北农林科技大学;2012年

6 刘琦;小麦条锈病潜育期遥感监测及分子检测技术研究[D];中国农业大学;2016年

7 邹维娜;上海地区典型沉水植物光谱特征研究及其应用[D];华东师范大学;2014年

8 杨燕;基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D];浙江大学;2012年

9 刁万英;基于可见-近红外波段反射率估算表层土壤含水量[D];中国农业大学;2016年

10 刘丙新;基于高光谱特征的水上油膜提取与分析研究[D];大连海事大学;2013年

相关硕士学位论文 前10条

1 曹子骞;基于普莱亚数据的成都市高新西区主要乔木绿化树种分类方法研究[D];四川农业大学;2018年

2 王心辰;不同品种玛瑙的热处理及光谱特征差异研究[D];中国地质大学(北京);2019年

3 郑煜;油菜高光谱特征及其农学参数遥感监测[D];西北农林科技大学;2019年

4 欧彬;离子型稀土矿区复垦地植被光谱特征提取及叶绿素含量反演研究[D];江西理工大学;2018年

5 刘洁;基于全球叶片波谱数据库叶片光谱特征分析[D];电子科技大学;2018年

6 刘雪艳;铜、锌单一及复合胁迫对小麦生理生化及光谱特征的影响[D];青岛科技大学;2018年

7 孙勃岩;油菜的高光谱特征及其生理参数估算模型研究[D];西北农林科技大学;2017年

8 张宣宣;玉米铁毒胁迫的光谱特征与叶绿素含量反演实验研究[D];东北大学;2014年

9 靳志伟;烟叶的光谱特征及品质无损检测技术研究[D];河南农业大学;2005年

10 陶文旷;胁迫下植物光谱特征识别及生理指标估算研究[D];中国矿业大学;2017年

本文编号：2845633