基于云模型的山区易混淆树种多光谱遥感识别及应用--以泰山油松和侧柏为例
| 中文摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 1 前言 | 第12-21页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究进展 | 第13-19页 |
| 1.2.1 光谱特征在植被分类中的应用 | 第13-15页 |
| 1.2.2 纹理特征在植被分类中的应用 | 第15-17页 |
| 1.2.3 云模型研究现状 | 第17-18页 |
| 1.2.4 泰山森林分类进展 | 第18-19页 |
| 1.2.5 研究评述 | 第19页 |
| 1.3 研究意义 | 第19-20页 |
| 1.4 研究内容 | 第20-21页 |
| 2 数据获取与研究方法 | 第21-34页 |
| 2.1 研究区概况 | 第21-22页 |
| 2.1.1 地理位置 | 第21页 |
| 2.1.2 气候 | 第21页 |
| 2.1.3 地形地貌 | 第21页 |
| 2.1.4 地质岩性 | 第21-22页 |
| 2.1.5 植被概况 | 第22页 |
| 2.2 数据获取 | 第22-25页 |
| 2.2.1 卫星影像数据 | 第22-24页 |
| 2.2.2 训练样本数据 | 第24-25页 |
| 2.3 技术路线 | 第25-26页 |
| 2.4 影像处理和研究方法 | 第26-34页 |
| 2.4.1 正射校正 | 第26-27页 |
| 2.4.2 几何精校正 | 第27页 |
| 2.4.3 地形辐射校正 | 第27页 |
| 2.4.4 光谱指数构建及筛选 | 第27-28页 |
| 2.4.5 云模型 | 第28-31页 |
| 2.4.6 极大判定法 | 第31-32页 |
| 2.4.7 灰度共生矩阵 | 第32-33页 |
| 2.4.8 空间反演方法及精度分析 | 第33-34页 |
| 3 基于光谱特征的云模型构建 | 第34-43页 |
| 3.1 材料与方法 | 第34-35页 |
| 3.1.1 多光谱数据 | 第34页 |
| 3.1.2 样本数据 | 第34页 |
| 3.1.3 影像预处理 | 第34页 |
| 3.1.4 遥感影像的光谱特征提取 | 第34-35页 |
| 3.2 结果与分析 | 第35-41页 |
| 3.2.1 影像反射率 | 第35-36页 |
| 3.2.2 敏感光谱指数的确定 | 第36-37页 |
| 3.2.3 基于光谱特征的一维云模型的建立 | 第37-39页 |
| 3.2.4 基于光谱特征的三维云模型的建立 | 第39-40页 |
| 3.2.5 交叉验证 | 第40页 |
| 3.2.6 精度评价 | 第40-41页 |
| 3.3 小结 | 第41-43页 |
| 4 基于纹理特征的云模型构建 | 第43-47页 |
| 4.1 材料与方法 | 第43页 |
| 4.1.1 多光谱数据 | 第43页 |
| 4.1.2 样本数据 | 第43页 |
| 4.1.3 遥感影像的纹理特征提取 | 第43页 |
| 4.2 结果与分析 | 第43-45页 |
| 4.2.1 基于纹理特征的一维云模型的建立 | 第43-44页 |
| 4.2.2 最佳纹理特征参数的确定 | 第44页 |
| 4.2.3 基于纹理特征的三维云模型的建立 | 第44-45页 |
| 4.2.4 精度评价 | 第45页 |
| 4.3 小结 | 第45-47页 |
| 5 泰山油松和侧柏分布的空间反演 | 第47-51页 |
| 5.1 数据与方法 | 第47页 |
| 5.1.1 多光谱数据 | 第47页 |
| 5.1.2 空间反演方法及精度分析 | 第47页 |
| 5.2 结果与分析 | 第47-49页 |
| 5.2.1 泰山易混淆树种的空间反演 | 第47-48页 |
| 5.2.2 精度分析 | 第48-49页 |
| 5.3 小结 | 第49-51页 |
| 6 结论 | 第51-53页 |
| 6.1 研究结论 | 第51页 |
| 6.2 研究特色 | 第51-52页 |
| 6.3 讨论与展望 | 第52-53页 |
| 7 参考文献 | 第53-58页 |
| 8 致谢 | 第58-59页 |
