基于室内高光谱激光雷达的典型树种叶片光谱观测和分类
发布时间:2020-12-11 13:20
高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650~1000 nm (71个通道)内观测的叶片高光谱和ASD光谱一致(R~2=0.9525~0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650~750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650~750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指...
【文章来源】:红外与毫米波学报. 2020年03期 第372-380页 北大核心
【文章页数】:9 页
【部分图文】:
图1可调谐高光谱激光雷达工作示意图??Fig.?1?Tunable?HSL?system?working?diagram??45
376??红外与毫米波学报??650?700?750?800?850?900?950?1000??Wavelength/nm??图4?10种叶片光谱反射率曲线(可调谐高光谱激光雷达测??量)??Fig.?4?Spectral?reflectance?curves?of?17?kinds?of?leaves?by??HSL??图5是叶片ASD地物光谱仪测量的观测曲线。??可以发现,由于没有使用积分球,同时探头和叶片??的距离和位置(叶脉和叶肉的光谱有差异)有微小??变动,导致每种叶片的光谱曲线存在一定的波动。??3.9卷??波段的反射率,进行叶片分类;然后,筛选出最佳的??波段范围之后,将最佳波段以及对应的植被指数作??为预测变量进行分类,其目的是找到特殊的某些波??段范围,为以后输入参数的波段选择和应用打下基??矗其次,米用bootstrap重米样方法,训练出适用于??该叶片分类的随机森林模型。最后,将选择的波段??和反射率输入到构建的随机森林模型中,预测所属??叶片种类,分类的最终结果按每个决策树分类器的??投票多少决定。??本实验中高光谱激光雷达数据处理的实验方??法可以总体归纳为3步:高光谱数据采集—数据预??处理—叶片分类。其中在高光谱数据采集时,为了??消除噪声的干扰,本实验将激光能量调至最强,只??选取大于5mV的回波信号;并且为了让每个叶片的??数据具有代表性,选取了?8个随机分布的点测量,且??每个点在每个波长时测量8次反射率。数据预处理??过程中,我们采用高斯滤波的方法消除了噪声的影??响。叶片分类过程中,采用具有强大分类能力的随??机森林方法,从而实现对不同树种叶片的分类。??
光讲激圯黹达测W:发射枣??资0??S0??S-0??莒0??苌〇??y=0.6967x+0.0!71??沪=0.9615??0?0?1?0.2?0.3?04?0.5?0.6?0?0.1?0.2?0.3?0.4?0.5?0.6??紫树怀光潸瀲光讲达测61发射氺?银杏尚光湔瀲光茁达测吡发射率??0?0.1?0.2?0.3?0.4?0.5?0.6?0?0.1?0.2?0.3?0.4?0.5?0.6??杜仲崧光讲激光讲达测世发射率?玉兰豳光Itt激光黹达测IS发射車??图6?10种树种叶片的LiDAR光谱和ASD光谱的对比??Fig.?6?Comparison?of?LiDAR?and?ASD?spectrometer?of?10??species?leaves??香、栾树、国槐存在显著差异,银杏与山楂、旱柳、国??槐、栾树、七叶树、杜仲.构树、朵古栎、水杉存在显??著差异。??从reNDV丨的多iT!:比较可以看出,白蜡与其余9??种叶片均存在显著差异,国槐、山桃与其他8种叶片??均存在显著差异,但国槐与山桃之间无显著性??差异。??从V0G丨的多重比较可以看出,国槐、山桃与其??他8种叶片均存在显著差异,但国槐与山桃之间无??显著性差异,其结果与reNDV丨的结果相同。。??究其原因,国槐与山桃叶片的叶脉相比其他树??650?700?750?800?850?900?950?1000??Wavelength/nm??阁5?ASD光谱仪测B叶片光谱曲线??Fig.?5?The?spectral?curves?measured?by?ASD?spectrometer??2.2主被动光谱数据相关性分
本文编号:2910598
【文章来源】:红外与毫米波学报. 2020年03期 第372-380页 北大核心
【文章页数】:9 页
【部分图文】:
图1可调谐高光谱激光雷达工作示意图??Fig.?1?Tunable?HSL?system?working?diagram??45
376??红外与毫米波学报??650?700?750?800?850?900?950?1000??Wavelength/nm??图4?10种叶片光谱反射率曲线(可调谐高光谱激光雷达测??量)??Fig.?4?Spectral?reflectance?curves?of?17?kinds?of?leaves?by??HSL??图5是叶片ASD地物光谱仪测量的观测曲线。??可以发现,由于没有使用积分球,同时探头和叶片??的距离和位置(叶脉和叶肉的光谱有差异)有微小??变动,导致每种叶片的光谱曲线存在一定的波动。??3.9卷??波段的反射率,进行叶片分类;然后,筛选出最佳的??波段范围之后,将最佳波段以及对应的植被指数作??为预测变量进行分类,其目的是找到特殊的某些波??段范围,为以后输入参数的波段选择和应用打下基??矗其次,米用bootstrap重米样方法,训练出适用于??该叶片分类的随机森林模型。最后,将选择的波段??和反射率输入到构建的随机森林模型中,预测所属??叶片种类,分类的最终结果按每个决策树分类器的??投票多少决定。??本实验中高光谱激光雷达数据处理的实验方??法可以总体归纳为3步:高光谱数据采集—数据预??处理—叶片分类。其中在高光谱数据采集时,为了??消除噪声的干扰,本实验将激光能量调至最强,只??选取大于5mV的回波信号;并且为了让每个叶片的??数据具有代表性,选取了?8个随机分布的点测量,且??每个点在每个波长时测量8次反射率。数据预处理??过程中,我们采用高斯滤波的方法消除了噪声的影??响。叶片分类过程中,采用具有强大分类能力的随??机森林方法,从而实现对不同树种叶片的分类。??
光讲激圯黹达测W:发射枣??资0??S0??S-0??莒0??苌〇??y=0.6967x+0.0!71??沪=0.9615??0?0?1?0.2?0.3?04?0.5?0.6?0?0.1?0.2?0.3?0.4?0.5?0.6??紫树怀光潸瀲光讲达测61发射氺?银杏尚光湔瀲光茁达测吡发射率??0?0.1?0.2?0.3?0.4?0.5?0.6?0?0.1?0.2?0.3?0.4?0.5?0.6??杜仲崧光讲激光讲达测世发射率?玉兰豳光Itt激光黹达测IS发射車??图6?10种树种叶片的LiDAR光谱和ASD光谱的对比??Fig.?6?Comparison?of?LiDAR?and?ASD?spectrometer?of?10??species?leaves??香、栾树、国槐存在显著差异,银杏与山楂、旱柳、国??槐、栾树、七叶树、杜仲.构树、朵古栎、水杉存在显??著差异。??从reNDV丨的多iT!:比较可以看出,白蜡与其余9??种叶片均存在显著差异,国槐、山桃与其他8种叶片??均存在显著差异,但国槐与山桃之间无显著性??差异。??从V0G丨的多重比较可以看出,国槐、山桃与其??他8种叶片均存在显著差异,但国槐与山桃之间无??显著性差异,其结果与reNDV丨的结果相同。。??究其原因,国槐与山桃叶片的叶脉相比其他树??650?700?750?800?850?900?950?1000??Wavelength/nm??阁5?ASD光谱仪测B叶片光谱曲线??Fig.?5?The?spectral?curves?measured?by?ASD?spectrometer??2.2主被动光谱数据相关性分
本文编号:2910598
本文链接:https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2910598.html