基于室內(nèi)高光譜激光雷達的典型樹種葉片光譜觀測和分類
發(fā)布時間：2020-12-11 13:20
高光譜激光雷達綜合了高光譜和激光雷達特征,可為植被生理生化參數(shù)提取提供更加精確的遙感探測,但其應用潛力尚未得到充分挖掘。以北京10個典型樹種的單葉為樣本,開展室內(nèi)高光譜激光雷達的葉片觀測試驗,并進行樹種分類研究,為未來高光譜激光雷達的林業(yè)應用提供基礎(chǔ)。首先進行可調(diào)諧高光譜激光雷達(Hyperspectral LiDAR,HSL)葉片高光譜測量,并完成與ASD地物光譜儀所測數(shù)據(jù)對比實驗;其次,應用隨機森林方法實現(xiàn)10種葉片的分類研究,其輸入的特征指數(shù)為融合全部波段、部分敏感波段的光譜指數(shù)。結(jié)果表明:(a)HSL在波段650～1000 nm (71個通道)內(nèi)觀測的葉片高光譜和ASD光譜一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分類精度為78.31%,其中分類貢獻率最大波段的是650～750 nm,使用此波段進行分類精度為94.18%,表明利用紅邊波段(650～750nm)進行樹種分類是十分有效的;(c)對樹種敏感的波段為680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)結(jié)合敏感波段光譜指...
【文章來源】：紅外與毫米波學報. 2020年03期 第372-380頁 北大核心
【文章頁數(shù)】：9 頁
【部分圖文】：
圖１可調(diào)諧高光譜激光雷達工作示意圖??Ｆｉｇ．?１?Ｔｕｎａｂｌｅ?ＨＳＬ?ｓｙｓｔｅｍ?ｗｏｒｋｉｎｇ?ｄｉａｇｒａｍ??４５
３７６??紅外與毫米波學報??６５０?７００?７５０?８００?８５０?９００?９５０?１０００??Ｗａｖｅｌｅｎｇｔｈ／ｎｍ??圖４?１０種葉片光譜反射率曲線（可調(diào)諧高光譜激光雷達測??量）??Ｆｉｇ．?４?Ｓｐｅｃｔｒａｌ?ｒｅｆｌｅｃｔａｎｃｅ?ｃｕｒｖｅｓ?ｏｆ?１７?ｋｉｎｄｓ?ｏｆ?ｌｅａｖｅｓ?ｂｙ??ＨＳＬ??圖５是葉片ＡＳＤ地物光譜儀測量的觀測曲線。??可以發(fā)現(xiàn)，由于沒有使用積分球，同時探頭和葉片??的距離和位置（葉脈和葉肉的光譜有差異）有微小??變動，導致每種葉片的光譜曲線存在一定的波動。??３．９卷??波段的反射率，進行葉片分類；然后，篩選出最佳的??波段范圍之后，將最佳波段以及對應的植被指數(shù)作??為預測變量進行分類，其目的是找到特殊的某些波??段范圍，為以后輸入?yún)?shù)的波段選擇和應用打下基??矗其次，米用ｂｏｏｔｓｔｒａｐ重米樣方法，訓練出適用于??該葉片分類的隨機森林模型。最后，將選擇的波段??和反射率輸入到構(gòu)建的隨機森林模型中，預測所屬??葉片種類，分類的最終結(jié)果按每個決策樹分類器的??投票多少決定。??本實驗中高光譜激光雷達數(shù)據(jù)處理的實驗方??法可以總體歸納為３步：高光譜數(shù)據(jù)采集—數(shù)據(jù)預??處理—葉片分類。其中在高光譜數(shù)據(jù)采集時，為了??消除噪聲的干擾，本實驗將激光能量調(diào)至最強，只??選取大于５ｍＶ的回波信號；并且為了讓每個葉片的??數(shù)據(jù)具有代表性，選取了?８個隨機分布的點測量，且??每個點在每個波長時測量８次反射率。數(shù)據(jù)預處理??過程中，我們采用高斯濾波的方法消除了噪聲的影??響。葉片分類過程中，采用具有強大分類能力的隨??機森林方法，從而實現(xiàn)對不同樹種葉片的分類。??
光講激圯黹達測Ｗ：發(fā)射棗??資０??Ｓ０??Ｓ－０??莒０??萇〇??ｙ＝０．６９６７ｘ＋０．０�。罚�??滬＝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??紫樹懷光潸瀲光講達測６１發(fā)射氺?銀杏尚光湔瀲光茁達測吡發(fā)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??杜仲崧光講激光講達測世發(fā)射率?玉蘭豳光Ｉｔｔ激光黹達測ＩＳ發(fā)射車??圖６?１０種樹種葉片的ＬｉＤＡＲ光譜和ＡＳＤ光譜的對比??Ｆｉｇ．?６?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ＬｉＤＡＲ?ａｎｄ?ＡＳＤ?ｓｐｅｃｔｒｏｍｅｔｅｒ?ｏｆ?１０??ｓｐｅｃｉｅｓ?ｌｅａｖｅｓ??香、欒樹、國槐存在顯著差異，銀杏與山楂、旱柳、國??槐、欒樹、七葉樹、杜仲．構(gòu)樹、朵古櫟、水杉存在顯??著差異。??從ｒｅＮＤＶ丨的多ｉＴ�。罕容^可以看出，白蠟與其余９??種葉片均存在顯著差異，國槐、山桃與其他８種葉片??均存在顯著差異，但國槐與山桃之間無顯著性??差異。??從Ｖ０Ｇ丨的多重比較可以看出，國槐、山桃與其??他８種葉片均存在顯著差異，但國槐與山桃之間無??顯著性差異，其結(jié)果與ｒｅＮＤＶ丨的結(jié)果相同。。??究其原因，國槐與山桃葉片的葉脈相比其他樹??６５０?７００?７５０?８００?８５０?９００?９５０?１０００??Ｗａｖｅｌｅｎｇｔｈ／ｎｍ??閣５?ＡＳＤ光譜儀測Ｂ葉片光譜曲線??Ｆｉｇ．?５?Ｔｈｅ?ｓｐｅｃｔｒａｌ?ｃｕｒｖｅｓ?ｍｅａｓｕｒｅｄ?ｂｙ?ＡＳＤ?ｓｐｅｃｔｒｏｍｅｔｅｒ??２．２主被動光譜數(shù)據(jù)相關(guān)性分
本文編號：2910598
【文章來源】：紅外與毫米波學報. 2020年03期 第372-380頁 北大核心
【文章頁數(shù)】：9 頁
【部分圖文】：
圖１可調(diào)諧高光譜激光雷達工作示意圖??Ｆｉｇ．?１?Ｔｕｎａｂｌｅ?ＨＳＬ?ｓｙｓｔｅｍ?ｗｏｒｋｉｎｇ?ｄｉａｇｒａｍ??４５
３７６??紅外與毫米波學報??６５０?７００?７５０?８００?８５０?９００?９５０?１０００??Ｗａｖｅｌｅｎｇｔｈ／ｎｍ??圖４?１０種葉片光譜反射率曲線（可調(diào)諧高光譜激光雷達測??量）??Ｆｉｇ．?４?Ｓｐｅｃｔｒａｌ?ｒｅｆｌｅｃｔａｎｃｅ?ｃｕｒｖｅｓ?ｏｆ?１７?ｋｉｎｄｓ?ｏｆ?ｌｅａｖｅｓ?ｂｙ??ＨＳＬ??圖５是葉片ＡＳＤ地物光譜儀測量的觀測曲線。??可以發(fā)現(xiàn)，由于沒有使用積分球，同時探頭和葉片??的距離和位置（葉脈和葉肉的光譜有差異）有微小??變動，導致每種葉片的光譜曲線存在一定的波動。??３．９卷??波段的反射率，進行葉片分類；然后，篩選出最佳的??波段范圍之后，將最佳波段以及對應的植被指數(shù)作??為預測變量進行分類，其目的是找到特殊的某些波??段范圍，為以后輸入?yún)?shù)的波段選擇和應用打下基??矗其次，米用ｂｏｏｔｓｔｒａｐ重米樣方法，訓練出適用于??該葉片分類的隨機森林模型。最后，將選擇的波段??和反射率輸入到構(gòu)建的隨機森林模型中，預測所屬??葉片種類，分類的最終結(jié)果按每個決策樹分類器的??投票多少決定。??本實驗中高光譜激光雷達數(shù)據(jù)處理的實驗方??法可以總體歸納為３步：高光譜數(shù)據(jù)采集—數(shù)據(jù)預??處理—葉片分類。其中在高光譜數(shù)據(jù)采集時，為了??消除噪聲的干擾，本實驗將激光能量調(diào)至最強，只??選取大于５ｍＶ的回波信號；并且為了讓每個葉片的??數(shù)據(jù)具有代表性，選取了?８個隨機分布的點測量，且??每個點在每個波長時測量８次反射率。數(shù)據(jù)預處理??過程中，我們采用高斯濾波的方法消除了噪聲的影??響。葉片分類過程中，采用具有強大分類能力的隨??機森林方法，從而實現(xiàn)對不同樹種葉片的分類。??
光講激圯黹達測Ｗ：發(fā)射棗??資０??Ｓ０??Ｓ－０??莒０??萇〇??ｙ＝０．６９６７ｘ＋０．０�。罚�??滬＝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??紫樹懷光潸瀲光講達測６１發(fā)射氺?銀杏尚光湔瀲光茁達測吡發(fā)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??杜仲崧光講激光講達測世發(fā)射率?玉蘭豳光Ｉｔｔ激光黹達測ＩＳ發(fā)射車??圖６?１０種樹種葉片的ＬｉＤＡＲ光譜和ＡＳＤ光譜的對比??Ｆｉｇ．?６?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ＬｉＤＡＲ?ａｎｄ?ＡＳＤ?ｓｐｅｃｔｒｏｍｅｔｅｒ?ｏｆ?１０??ｓｐｅｃｉｅｓ?ｌｅａｖｅｓ??香、欒樹、國槐存在顯著差異，銀杏與山楂、旱柳、國??槐、欒樹、七葉樹、杜仲．構(gòu)樹、朵古櫟、水杉存在顯??著差異。??從ｒｅＮＤＶ丨的多ｉＴ�。罕容^可以看出，白蠟與其余９??種葉片均存在顯著差異，國槐、山桃與其他８種葉片??均存在顯著差異，但國槐與山桃之間無顯著性??差異。??從Ｖ０Ｇ丨的多重比較可以看出，國槐、山桃與其??他８種葉片均存在顯著差異，但國槐與山桃之間無??顯著性差異，其結(jié)果與ｒｅＮＤＶ丨的結(jié)果相同。。??究其原因，國槐與山桃葉片的葉脈相比其他樹??６５０?７００?７５０?８００?８５０?９００?９５０?１０００??Ｗａｖｅｌｅｎｇｔｈ／ｎｍ??閣５?ＡＳＤ光譜儀測Ｂ葉片光譜曲線??Ｆｉｇ．?５?Ｔｈｅ?ｓｐｅｃｔｒａｌ?ｃｕｒｖｅｓ?ｍｅａｓｕｒｅｄ?ｂｙ?ＡＳＤ?ｓｐｅｃｔｒｏｍｅｔｅｒ??２．２主被動光譜數(shù)據(jù)相關(guān)性分
本文編號：2910598
本文鏈接：http://www.wukwdryxk.cn/kejilunwen/xinxigongchenglunwen/2910598.html
最近更新
教材專著
