基于航拍遥感数据的松材线虫病区域检测与分析方法研究
发布时间：2021-02-11 16:11
对于松树来说,松材线虫病（Bursaphelenchus xylophilus）的危害是致命的,情况严重时甚至会摧毁森林系统原有的生态平衡。松树占我国森林资源的25%,它的健康与林业的发展有着密切的联系。松材线虫病传播速度快,致死率高,具有很大的防治难度。现如今,对于松材线虫病的识别与检测,国内外专家学者并未给出很好的解决方法。虽然从航空录像和卫星遥感图像中识别病虫害能够获得不错的效果,但是依然存在成本较高和精确度不足的问题,导致在农林病虫害检测领域的推广应用的效果并不理想。随着直升机技术发展日趋成熟,其性能也得到了不断地完善和提升,已在军事和民用领域占据了相当大的份额。以直升机为遥感平台,搭载多光谱传感器采集遥感数据的解决方案,在森林防火、土地利用情况调查、煤矿资源勘测、环境保护等方面发挥着重要的作用。特别是我国近些年自然灾害的不断爆发,使得其在农林病虫害监测的研究方面得到了相应的发展。但是航拍遥感图像数据量大,地物信息复杂,如何从如此庞大且复杂的遥感图像中快速分析并准确识别出病虫害信息,是当前松材线虫病识别与检测研究的最主要课题。本文以直升机搭载多光谱相机,获取待检测林区的可见光和...
【文章来源】：长江大学湖北省
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本文研究内容
1.4 论文的组织结构
第2章 遥感数据理论基础
2.1 遥感数据概述
2.2 遥感图像的分类方法
2.3 遥感光谱图像的监督分类概述
2.4 本章小结
第3章 研究区概况及遥感数据分析
3.1 研究区概况
3.2 ENVI软件简介
3.3 遥感数据预处理
3.4 植被的光谱特征
3.5 植被指数提取
3.6 遥感图像上的纹理特征
3.7 利用ENVI分析纹理
3.8 遥感图像上的空间特征
3.9 本章小结
第4章 基于ENVI的遥感图像分类
4.1 样本选择和可分离性计算
4.2 基于支持向量机的遥感图像分类
4.3 分类后处理
4.4 分类结果评价
4.5 本章小结
第5章 基于规则的面向对象分类
5.1 面向对象的遥感图像分类
5.2 C#结合GDAL组件处理遥感数据
5.3 实验结果分析
5.4 本章小结
第6章 总结与展望
6.1 全文工作总结
6.2 展望
致谢
参考文献
个人简介
【参考文献】：
期刊论文
[1]变色立木的无人机遥感监测技术[J]. 武红敢,王成波,常原飞. 中国森林病虫. 2019(04)
[2]我国松材线虫病疫区现状及管理对策[J]. 李娟,姚翰文. 中国森林病虫. 2019(03)
[3]基于航拍数据的松材线虫病区域检测[J]. 李丰毅,余光柱,陈宪超. 电脑知识与技术. 2018(29)
[4]基于GDAL库实现高分二号遥感影像融合质量评价[J]. 徐鹏,胡吉平,谭衢霖,王斌. 测绘与空间地理信息. 2017(07)
[5]地物波谱数据库建设进展及应用现状[J]. 张莹彤,肖青,闻建光,游冬琴,窦宝成,唐勇,彭实. 遥感学报. 2017(01)
[6]浅谈植被指数的分类与应用[J]. 沈夏炯,韩道军,侯柏成,马瑞. 计算机时代. 2016(12)
[7]基于ENVI的遥感图像自动解译分类结果优化[J]. 杨柯. 世界有色金属. 2016(18)
[8]Landsat8影像在土地利用分类中的最佳波段组合研究——以湖北省恩施市为例[J]. 张金龙,常胜. 湖北民族学院学报(自然科学版). 2015(04)
[9]分析数据挖掘中决策树算法及其应用[J]. 戴艳丽. 科技传播. 2015(23)
[10]基于GDAL的多类型遥感影像文件标准接口设计与实现[J]. 王亚楠,赖积保,周珂,刘云莉,罗晓丽. 河南大学学报(自然科学版). 2012(06)
博士论文
[1]基于高光谱成像技术的茄子叶片色差值检测和早疫病识别方法研究[D]. 谢传奇.浙江大学 2015
[2]干旱地区稀疏植被覆盖度高光谱遥感定量反演研究[D]. 李晓松.中国林业科学研究院 2008
[3]时空信息辅助下的高光谱数据挖掘[D]. 张兵.中国科学院研究生院（遥感应用研究所） 2002
硕士论文
[1]基于光学遥感影像的特定目标检测及识别[D]. 洪韬.电子科技大学 2018
[2]土地利用景观格局时空变化及驱动力分析[D]. 张柏秀.成都理工大学 2018
[3]基于ENVI的遥感图像特征分析及图像分类[D]. 陈楠.山东大学 2017
[4]全色遥感影像地物信息自动分类方法研究[D]. 高洋洋.长春理工大学 2017
[5]基于不同生长条件的南方草地生长发育及高光谱遥感监测[D]. 田婷.扬州大学 2014
[6]基于遥感图像的松材线虫病区域检测算法研究[D]. 吴琼.安徽大学 2013
[7]面向对象与基于像素的高分辨率遥感影像分类在土地利用分类中的应用比较[D]. 梁艳.太原理工大学 2012
[8]支持向量机遥感图像分类的研究[D]. 梁怀翔.长安大学 2011
[9]高光谱遥感图像光谱特征提取与匹配技术研究[D]. 芶盛.成都理工大学 2011
本文编号：3029371
【文章来源】：长江大学湖北省
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本文研究内容
1.4 论文的组织结构
第2章 遥感数据理论基础
2.1 遥感数据概述
2.2 遥感图像的分类方法
2.3 遥感光谱图像的监督分类概述
2.4 本章小结
第3章 研究区概况及遥感数据分析
3.1 研究区概况
3.2 ENVI软件简介
3.3 遥感数据预处理
3.4 植被的光谱特征
3.5 植被指数提取
3.6 遥感图像上的纹理特征
3.7 利用ENVI分析纹理
3.8 遥感图像上的空间特征
3.9 本章小结
第4章 基于ENVI的遥感图像分类
4.1 样本选择和可分离性计算
4.2 基于支持向量机的遥感图像分类
4.3 分类后处理
4.4 分类结果评价
4.5 本章小结
第5章 基于规则的面向对象分类
5.1 面向对象的遥感图像分类
5.2 C#结合GDAL组件处理遥感数据
5.3 实验结果分析
5.4 本章小结
第6章 总结与展望
6.1 全文工作总结
6.2 展望
致谢
参考文献
个人简介
【参考文献】：
期刊论文
[1]变色立木的无人机遥感监测技术[J]. 武红敢,王成波,常原飞. 中国森林病虫. 2019(04)
[2]我国松材线虫病疫区现状及管理对策[J]. 李娟,姚翰文. 中国森林病虫. 2019(03)
[3]基于航拍数据的松材线虫病区域检测[J]. 李丰毅,余光柱,陈宪超. 电脑知识与技术. 2018(29)
[4]基于GDAL库实现高分二号遥感影像融合质量评价[J]. 徐鹏,胡吉平,谭衢霖,王斌. 测绘与空间地理信息. 2017(07)
[5]地物波谱数据库建设进展及应用现状[J]. 张莹彤,肖青,闻建光,游冬琴,窦宝成,唐勇,彭实. 遥感学报. 2017(01)
[6]浅谈植被指数的分类与应用[J]. 沈夏炯,韩道军,侯柏成,马瑞. 计算机时代. 2016(12)
[7]基于ENVI的遥感图像自动解译分类结果优化[J]. 杨柯. 世界有色金属. 2016(18)
[8]Landsat8影像在土地利用分类中的最佳波段组合研究——以湖北省恩施市为例[J]. 张金龙,常胜. 湖北民族学院学报(自然科学版). 2015(04)
[9]分析数据挖掘中决策树算法及其应用[J]. 戴艳丽. 科技传播. 2015(23)
[10]基于GDAL的多类型遥感影像文件标准接口设计与实现[J]. 王亚楠,赖积保,周珂,刘云莉,罗晓丽. 河南大学学报(自然科学版). 2012(06)
博士论文
[1]基于高光谱成像技术的茄子叶片色差值检测和早疫病识别方法研究[D]. 谢传奇.浙江大学 2015
[2]干旱地区稀疏植被覆盖度高光谱遥感定量反演研究[D]. 李晓松.中国林业科学研究院 2008
[3]时空信息辅助下的高光谱数据挖掘[D]. 张兵.中国科学院研究生院（遥感应用研究所） 2002
硕士论文
[1]基于光学遥感影像的特定目标检测及识别[D]. 洪韬.电子科技大学 2018
[2]土地利用景观格局时空变化及驱动力分析[D]. 张柏秀.成都理工大学 2018
[3]基于ENVI的遥感图像特征分析及图像分类[D]. 陈楠.山东大学 2017
[4]全色遥感影像地物信息自动分类方法研究[D]. 高洋洋.长春理工大学 2017
[5]基于不同生长条件的南方草地生长发育及高光谱遥感监测[D]. 田婷.扬州大学 2014
[6]基于遥感图像的松材线虫病区域检测算法研究[D]. 吴琼.安徽大学 2013
[7]面向对象与基于像素的高分辨率遥感影像分类在土地利用分类中的应用比较[D]. 梁艳.太原理工大学 2012
[8]支持向量机遥感图像分类的研究[D]. 梁怀翔.长安大学 2011
[9]高光谱遥感图像光谱特征提取与匹配技术研究[D]. 芶盛.成都理工大学 2011
本文编号：3029371
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3029371.html
