基于叶片光谱的农业区域植物分类策略研究

发布时间：2023-08-01 19:10

　　传统的植物调查方式费时费力、更新困难,而利用多光谱遥感数据容易出现异物同谱的现象,只能区分植物、水体和裸地等光谱差异较大的地物类别,无法满足植物在物种水平上的分类要求。相比之下,高光谱遥感数据具有光谱分辨率高、波段数量多等显著优势,提供了更加细致的地物光谱信息,故而能够更加精细、准确地对植物进行分类。目前综合比较不同类型光谱变换、光谱特征变量和机器学习算法对农业区域植物进行分类的研究还较少,难以为研究者推荐合理的方法组合或分类策略。本文以江苏宜兴农业区域的8种植物为研究对象,采用实验室测量的叶片光谱数据对农业区域植物进行分类策略研究。首先,在叶片光谱数据预处理基础上,运用一阶微分和包络线去除等方法提取出三类光谱特征变量(包括三边参数、吸收特征参数和植被指数);其次,对三类全波段光谱(包括原始、一阶微分和包络线去除光谱)进行离散小波分解,为避免利用高光谱数据进行植物分类陷入维数灾难,采用主成分分析法对三类全波段光谱及它们的第一至八层细节光谱数据进行降维;最后,将单一的光谱特征变量、全波段光谱和它们各层细节光谱的前10个主成分分别作为分类变量,运用三种机器学习算法(K最近邻、支持向量机和随...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 背景与意义
    1.2 国内外研究现状
    1.3 研究目的、内容与组织结构
第2章 植物遥感分类基本理论与方法
    2.1 植物光谱特性
    2.2 植物光谱分析方法
        2.2.1 光谱特征变量
        2.2.2 主成分分析
        2.2.3 离散小波变换
    2.3 植物分类算法
        2.3.1 K最近邻
        2.3.2 支持向量机
        2.3.3 随机森林
    2.4 小结
第3章 叶片光谱数据获取及预处理
    3.1 叶片光谱数据获取
    3.2 叶片光谱数据预处理
    3.3 光谱特征变量的提取
    3.4 小结
第4章 基于光谱特征变量和主成分分析的植物分类策略
    4.1 前言
    4.2 方法
    4.3 结果
        4.3.1 基于光谱特征变量的植物分类
        4.3.2 基于主成分分析的植物分类
        4.3.3 植物遥感分类精度综合评价
    4.4 讨论
    4.5 小结
第5章 基于离散小波变换和主成分分析的植物分类策略
    5.1 前言
    5.2 方法
    5.3 结果
        5.3.1 基于离散小波变换的光谱曲线特征分析及主成分分析
        5.3.2 基于离散小波变换和主成分分析的植物分类
    5.4 讨论
    5.5 小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3838191