广西沿海红树林信息遥感检测技术研究

发布时间：2017-07-04 16:11

  本文关键词：广西沿海红树林信息遥感检测技术研究

  更多相关文章： 红树林 遥感 检测 支持向量机 植被指数 缨帽变换

【摘要】：红树林作为热带和亚热带沿海滩涂上特有的植被类型和生物资源,具有保护海岸带的环境、生态平衡、生物多样性的作用。广西北部湾现存红树林8375 hm2,占全国总面积的37%,是中国红树林三大重点分布区之一。红树林分布于海陆过渡地带的泥质潮滩上,难以用常规野外实测方法进行大规模调查和监测,而遥感技术提供了一种快速监测大面积红树林且经济可行的方法。因此研究遥感检测红树林信息的技术,具有重要的意义。本文研究使用多种遥感特征组合检测红树林、监测其面积变化。对红树林目标进行识别时,特征参数的选择对实验分类效果具有较大影响,不同参数特征对红树林的识别能力不同。因红树林的生长特性等原因,部分特征无法有效区分红树林、海水水体与水田。选取覆盖广西北部湾铁山港湾的美国Landsat卫星遥感图像,其中包括广西山口国家级红树林自然保护区,将目标识别区域划分为五类,分别为：人工用地,红树林,陆生植物,水田和水体。使用灰度共生矩阵法对比度、相关性、能量、熵构成纹理特征向量作为训练集进行支持向量机(SVM)分类测试,实际的分类精度低于30%,不能有效的区分水田与陆生植物。使用绿度指数、亮度指数、差值指数、归一化植被指数等4个特征量进行支持向量机分类测试,能一定程度区分陆生植被与红树林,但水田和红树林的分类结果出现了一定程度的像元混淆,结果不够理想。使用缨帽(KT)变换的亮度指数、绿度植被指数、湿度指数等三个特征量作为红树林植被识别的数据源进行支持向量机分类测试,能一定程度的区分水田与红树林,但对于部分陆生植物和红树林却容易产生像元混合。使用知识规则方法,考虑红树林植被本身所具有的生物特性与生长环境信息,构造具体的知识规则与判断阈值范围,结合缨帽变换法的特征向量值,能有效识别红树林区域,实验结果显示分类效果较好,精度90%左右。此方法较有效提高分类精度与特征信息提取能力,从而对图像特征值进行有效处理。本文利用红树林生长独有的湿度特性、分类类别数量与分类精度的关系,对信息特征进行分步处理。首先提取湿度指数特征与绿度指数特征可作为分类阈值参数以实现减少非红树林样本的目的,然后通过多步的样本分析排除与红树林差别较大的目标区域以提高分类精度。结果表明：多步式红树林分类检测精度显著高于常用的一次性检测多类别的方法,使用分步知识规则的红树林区域检测分类精度较常用方法有着明显的提高,由红树林分类结果区域面积分析,得出红树林植被覆盖面积范围随着时间推移有一定程度的减少。
【关键词】：红树林 遥感 检测 支持向量机 植被指数 缨帽变换
【学位授予单位】：广西师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S771.8;TP751
【目录】：

• 摘要3-5
• Abstract5-9
• 第1章 绪论9-13
• 1.1 国内外的研究进展9-10
• 1.2 研究方法和内容10-12
• 1.2.1 研究方法10-11
• 1.2.2 研究内容11-12
• 1.3 研究的技术路线12-13
• 第2章 红树林植被特征提取方法13-27
• 2.1 地域概况及数据信息预处理13-15
• 2.1.1 研究区域地域概况13
• 2.1.2 遥感数据的预处理13-15
• 2.1.3 植被分类特征常用参数15
• 2.2 植被指数特征15-17
• 2.2.1 植被指数特征参量15-16
• 2.2.2 植被指数特征参量选择16-17
• 2.3 灰度共生矩阵法17-20
• 2.3.1 灰度共生矩阵简介17-19
• 2.3.2 灰度共生矩阵参量提取选择19-20
• 2.4 缨帽变换20-21
• 2.4.1 缨帽变换简介20
• 2.4.2 缨帽变换特征参量提取方法20-21
• 2.5 知识规则21-23
• 2.5.1 知识规则简介21
• 2.5.2 知识规则提取与选择21
• 2.5.3 知识规则的建立21-23
• 2.6 TM遥感图像影像像元亮度值特征23-27
• 2.6.1 遥感影像像元亮度值特征分析24-25
• 2.6.2 分类特征选择及优劣性判断25-27
• 第3章 支持向量机方法的红树林植被分类27-32
• 3.1 树林识别分类算法27-29
• 3.1.1 支持向量机基本理论27-29
• 3.2 基于支持向量机神经网络的红树林分类方法29-32
• 3.2.1 支持向量机分类理论29-30
• 3.2.2 支持向量机分类器核函数选取30-31
• 3.2.3 各个特征值对应的支持向量机分类流程图31-32
• 第4章 红树林分类结果与分析32-45
• 4.1 实验提取特征数据32-39
• 4.1.1 Landsat-TM各波段数据33-35
• 4.1.2 六种地表参量的图像结果35-37
• 4.1.3 四种纹理特征图像37-38
• 4.1.4 缨帽变换特征图像38-39
• 4.2 实验过程39-45
• 4.2.1 参数设定40
• 4.2.2 结果与分析40-43
• 4.2.3 结论与讨论43-45
• 第5章 结论45-47
• 参考文献47-50
• 攻读硕士期间发表的学术论文50-51
• 致谢51-52

【相似文献】

中国期刊全文数据库 前10条

1 甄计国;王义德;赵军;;兴隆山国家级自然保护区的植被指数及其变化特征[J];遥感技术与应用;2006年04期

2 王福民;黄敬峰;王秀珍;;基于水稻背景特性的植被指数参数修正研究[J];农业工程学报;2008年05期

3 陈鹏飞;Nicolas Tremblay;王纪华;Philippe Vigneault;黄文江;李保国;;估测作物冠层生物量的新植被指数的研究[J];光谱学与光谱分析;2010年02期

4 解文欢;张有智;吴黎;;基于植被指数对望奎县粮食作物产量预测方法的研究[J];黑龙江农业科学;2011年04期

5 康耀江;;植被指数在草地遥感中的应用初探[J];湖南农业科学;2011年Z1期

6 夏双;阮仁宗;颜梅春;;基于植被指数模型的淡水湖泊湿地景观信息提取[J];地理空间信息;2012年06期

7 黎夏;二轴土壤背景纠正的植被指数及其在华南水稻遥感估产中的应用[J];环境遥感;1993年03期

8 蔡斌，陆文杰，郑新江;气象卫星条件植被指数监测土壤状况[J];国土资源遥感;1995年04期

9 覃先林,易浩若;MODIS数据在树种长势监测中的应用[J];遥感技术与应用;2003年03期

10 安培浚;刘树林;颉耀文;高峰;;植被指数遥感定量研究——以民勤绿洲为例[J];遥感技术与应用;2005年06期

中国重要会议论文全文数据库 前10条

1 付卓;王锦地;施建成;宋金玲;靳华安;张立新;张钟军;赵少杰;陈柏松;;微波植被指数与光学植被指数在地面尺度上的关系研究[A];遥感定量反演算法研讨会摘要集[C];2010年

2 辛红梅;张杰;马毅;初佳兰;;基于植被指数的赤潮高光谱敏感波段确定方法初探[A];第十四届全国遥感技术学术交流会论文选集[C];2003年

3 范锦龙;;我国晴空分布及对旬合成植被指数的影响[A];推进气象科技创新加快气象事业发展——中国气象学会2004年年会论文集（下册）[C];2004年

4 张树誉;李登科;李星敏;周辉;;遥感植被指数及其在县域生态环境监测评估中的应用[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

5 安培浚;颉耀文;;绿洲植被指数的遥感定量研究-以民勤绿洲为例[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

6 江东;王乃斌;杨小唤;刘红辉;;植被指数—地面温度特征空间及其应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

7 傅军;张杰;辛红梅;马毅;;基于植被指数的高光谱遥感水陆识别方法初探[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

8 肖乾广;肖岚;李亚君;;EOS/MODIS,FY-1D/MVISR,NOAA/AVHRR的归一化植被指数的同化研究[A];全国国土资源与环境遥感应用技术研讨会论文集[C];2009年

9 杨道勇;肖云岫;;利用WT-10接收的1B高分辨云图数据生成植被指数图像[A];中国气象学会2005年年会论文集[C];2005年

10 何全军;曹静;张月维;;基于MODIS的广东省植被指数序列构建与应用[A];中国气象学会2007年年会生态气象业务建设与农业气象灾害预警分会场论文集[C];2007年

中国重要报纸全文数据库 前1条

1 魏景云;气象卫星监测干旱 全国旱情一目了然[N];中国气象报;2003年

中国博士学位论文全文数据库 前4条

1 卫炜;MODIS双星数据协同的耕地物候参数提取方法研究[D];中国农业科学院;2015年

2 张立福;通用光谱模式分解算法及植被指数的建立[D];武汉大学;2005年

3 岳文泽;基于遥感影像的城市景观格局及其热环境效应研究[D];华东师范大学;2005年

4 刘占宇;水稻主要病虫害胁迫遥感监测研究[D];浙江大学;2008年

中国硕士学位论文全文数据库 前10条

1 刘吉凯;基于HJ卫星数据的甘蔗长势监测与估产研究[D];南京信息工程大学;2015年

2 郑亚云;榆林NDVI时空变化及驱动因子研究[D];长安大学;2015年

3 何春萌;经济利益驱动下的工矿开发对人类生存环境的影响[D];内蒙古大学;2015年

4 刘欣伟;基于遥感数据的吉林省旱情监测的研究与应用[D];吉林农业大学;2015年

5 王亚楠;基于涡度相关的农田碳通量及固碳能力遥感监测[D];河南理工大学;2015年

6 王渊博;基于遥感信息的农作物生物质可获取量评估及空间分布研究[D];西南交通大学;2016年

7 李相;绿洲—荒漠交错带浅层地下水埋深遥感提取实验分析[D];新疆大学;2016年

8 李明君;基于冬小麦前期光谱信息的播期遥感监测研究[D];西安科技大学;2015年

9 张菁;不同磷利用效率基因型水稻的高光谱反射表型量化的初步研究[D];浙江大学;2016年

10 张培赢;基于遥感数据的干旱半干旱地区植被指数及影响因子研究[D];东北林业大学;2016年

，

本文编号：518426