基于HJ-1A高光谱数据的藏北高原草地分类方法对比

环境减灾星星座A星(HJ-1A)携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少.本文基于HJ-1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA-MLC和HSI-SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ-1A高光谱数据的藏北高原草地分类方法中SPCA-MLC法优于HSI-SAM法.2种方法的分类精度皆大于80％,证明了HJ-1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力.     

HJ-1A高光谱数据预处理方法研究

高光谱遥感数据处理与应用已成为目前遥感应用研究领域的热点和难点之一。介绍了环境与减灾监测预报小卫星中高光谱遥感数据产品命名规则和内容,以及产品数据的主要特点,通过对HSI数据辐射定标、Flaash大气校正和几何精校正等数据预处理方法,得出Flaash大气校正后的HSI数据,提高了高光谱数据的质量,地物光谱曲线更加符合实际情况,为下一步定量遥感研究奠定了基础。     

基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究

利用高光谱遥感技术识别农作物类型已经成为高光谱遥感研究的热点领域。以青海省湟水流域内油菜、小麦和青稞等典型农作物为分类对象,以HJ-1A HSI高光谱数据和GF-1 WFV高分辨率数据为数据源,探讨利用高光谱遥感影像进行农作物类型信息提取的方法。数据经预处理后,首先,利用WFV数据采用面向对象方法提取研究区农作物种植边界,并利用其对HSI高光谱影像进行种植区域提取;其次,将提取后的高光谱影像经数据形式变换获得包括:R、1/R、Log(R)、d(R)、d(Log(R))和CR共6种数据形式;最后,利用上述6种数据形式的全波段数据和经遗传算法GA-SVM进行光谱波段选取后的6种特征数据,采用支持向量机SVM方法进行农作物分类。结果表明:采用基于样本的面向对象分类方法提取耕地信息精度高且实现周期短;利用GA-SVM波段选取后的6种特征数据集进行农作物分类,其精度显著高于全波段数据集分类精度;6种数据变换形式中,d(Log(R))和CR是两种最优的高光谱分类数据形式,其全波段和特征波段数据进行农作物分类均能获得较好的分类精度,总体精度最高分别达88%和86%,而采用1/R、Log(R)和R数据形式需经GA-SVM光谱波段选取后才能获得较优分类精度。     

HJ-1 A高光谱数据的条带噪声去除方法研究

针对环境减灾小卫星的高光谱图像条带的特点,提出了基于光谱空间连续性的倾斜条带去除方法。高光谱数据的光谱分辨率达到纳米级,光谱波段多,在一定范围内可以连续成像,具有光谱空间的连续性,基于光谱空间连续性的条带去除方法利用了光谱空间连续性的这一重要特点。本文在考虑了图像条带噪声的倾斜角度的基础上,成功地将该方法应用于批量的环境减灾小卫星2级高光谱数据,进行了相对辐射校正的研究,并将相邻列均衡方法应用于单幅环境减灾小卫星2级高光谱数据,对比二者的单幅图像条带去除效果,结果证明基于光谱空间连续性的条带去除方法较相邻列均衡方法更适合于对环境减灾小卫星的2级高光谱数据进行条带噪声的去除。     

基于Forman算法HJ-1A高光谱数据实时处理技术研究

采用Forman卷积法,基于GPU硬件平台,完成了实时光谱复原处理系统关键技术研究。试验结果表明:系统处理能力为HJ-1A中高光谱解压后下行数据速率的2.82倍,满足实时初级产品与全分辨率移动图像显示处理的技术需求。基于GPU环境对Forman法与Mertz法进行比较,针对Forman法采用不同处理方法进行比较,为开展实用化系统的研制提供了数据与方法。     

基于HJ-1高光谱数据的植被覆盖度估测方法研究

植被覆盖度是衡量地表植被状况的一个重要参数,在水文、生态等方面有重要意义,同时,也是影响土壤侵蚀与水土流失的主要因子,是评价土地荒漠化最有效的指标。以环境一号(HJ-1)小卫星上搭载的新型传感器HSI获取的高光谱数据为数据源,通过选择合适的植被指数建立了植被覆盖度反演模型——像元二分模型。然后运用该模型提取了新疆石河子地区的植被覆盖度信息。通过与地面样方数据进行交互比较,对HJ-1/HSI数据反演植被覆盖度的精度进行了评价。研究结果表明,HJ-1/HSI数据能够得到较高精度的植被覆盖度反演结果,在植被动态及全球变化研究领域具有潜在应用价值。     

HJ-1A高光谱数据高效大气校正及应用潜力初探

环境与灾害监测预报小卫星于2009年3月30日开始正式交付使用,A星上搭载了我国自主研制的空间调制型干涉高光谱成像仪（HSI）,作为一种新型传感器,HSI数据的应用在我国还处于探索阶段。要充分发挥超光谱数据优势、进行有效的遥感应用,首先需要消除遥感成像过程中的大气影响,获得不同波段的地物真实反射辐射信息。通过使用FLAASH大气辐射传输模型对HSI数据进行大气校正,并与表观反射率进行对比分析,证明了校正后获得的地表光谱反射率的有效性。同时基于校正后得到的光谱反射率图像,进行改良型土壤调整植被指数（MSAVI）与叶面积指数（LAI）的反演,初步展现了HSI数据的实际应用效果。     

高光谱数据分类新方法研究

传统的独立分量分析（ICA）算法无法确定高光谱数据中独立分量的个数,利用概率神经网络（PNN）训练时间短的优点,根据分类精度可以较快地确定出独立分量的个数。提出了一种在确定高光谱数据的维数之后利用支持向量机（SVM）分类的新算法思想,首先利用ICA对高光谱数据降维,并利用PNN确定出独立分量的个数,而后对降维后的数据利用SVM作交叉验证,并采用混合核函数进行分类的算法思想。通过仿真实验表明,该算法可以在保证分类精度的同时大大减少分类的时间。     

基于支持向量机的高维多光谱数据分类

1引言 多光谱技术是人们获取、感知地球表面信息的一种重要手段[1].随着传感器技术的进步,新型多光谱传感器光谱分辨率达到了纳米级,具有几百个(100～300)光谱波段,这为人们提供了丰富的地物信息.然而由于其数据维数高、学习样本数量常常有限,使得高维多光谱数据分类面临许多新的课题.传统模式识别方法在处理高维多光谱数据时,面临着巨大的困难:(1)基于经典统计学的模式识别方法只有当训练样本数量趋于无穷时,性能才能达到最优.当样本数量较少时,通常难以取得很好的结果;(2)传统方法在高维数据分类时Hughes现象十分严重[2];(3)基于Bayes理论的方法需要对数据的概率分布做出假设,且当假设与数据真实概率分布不相符合时,分类精度急剧恶化;(4)神经网络分类器已经被应用于多光谱数据分类[3,4],取得了比Bayes方法更好的结果,但神经网络存在训练速度慢,易陷入局部极小点等缺陷.