發(fā)布時間：2020-10-18 02:04

　　 《成都市城市總體規(guī)劃(2016-2035)》中提出要建設城市生態(tài)安全屏障,探索包括高新西區(qū)在內(nèi)的城市綠色發(fā)展新模式,這就對城市綠地系統(tǒng)管護工作提出了新的要求,而正確識別城市綠化樹種、分析其空間分布規(guī)律是對城市綠地系統(tǒng)進行科學管護的基本前提。高分辨率遙感技術的快速發(fā)展為城市綠地信息化建設、綠地資源種類識別提供了新的技術手段。在利用高分辨率遙感影像進行城市喬木綠化樹種識別時,選擇適宜的分類特征和科學分類方法對分類結果和分類精度有著重要影響。本文以成都市高新西區(qū)Pleiades(普萊亞)遙感影像數(shù)據(jù)為研究對象,對其進行了輻射定標、大氣校正、影像融合等預處理,并實測研究區(qū)8種主要喬木綠化樹種空間分布信息,利用遙感影像處理軟件ENVI 5.1提取并分析了8種樹種的光譜特征、植被指數(shù)和紋理特征,最后通過最大似然分類法和支持向量機分類法對8種樹種進行分類與分類精度比較,得到的主要研究結果如下:(1)Pleiades遙感影像最佳波段組合為RGB431,該組合能夠在提供最佳目視效果的同時,減少波段間干擾性,最大程度保留影像數(shù)據(jù)信息;從定性和定量兩個層面上對比分析Gram-Scmidt變換、Pan sharpening變換、主成分(PCA)變換和Brovey變換4種融合方法后,確定了適合本研究Pleiades影像融合的最佳方法為Gram-Scmidt變換,它能夠最好地保留和體現(xiàn)影像的空間信息和光譜信息;(2)無論是在最大似然分類還是支持向量機分類下,同時利用遙感影像的光譜特征、植被指數(shù)和紋理特征均能取得較好的樹種分類精度,優(yōu)于僅利用影像光譜特征、光譜特征結合植被指數(shù)的總體分類精度,表明有效結合各分類特征有利于提高樹種分類識別精度;(3)無論是基于影像光譜特征還是結合多種分類特征,支持向量機分類下的樹種分類精度都優(yōu)于最大似然分類結果,其總體分類精度最高可達85.29%(Kappa系數(shù)0.827),表明其能夠有效挖掘各分類特征的有效信息,分類性能更穩(wěn)定,支持向量機分類為本研究中最佳樹種分類方法;(4)樹種分類結果中,構樹、荷花玉蘭、黃葛樹、垂柳、水杉、天竺桂、垂葉榕和銀杏8個樹種的生產(chǎn)者精度最高分別為71.77%、74.42%、86.11%、75.90%、82.73%、84.54%、78.45%和84.29%,用戶精度最高分別為79.05%、75.96%、84.07%、78.37%、87.29%、78.24%、84.02%和88.79%,樹種分類效果較為理想,其中,黃葛樹、水杉和銀杏的生產(chǎn)者精度和用戶精度均達到了80%以上,是分類效果最好的三類綠化樹種。
【學位單位】：四川農(nóng)業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S731.2
【部分圖文】：

第二章 研究區(qū)概況與研究方案2.1 研究區(qū)概況2.1.1 地理位置成都市高新西區(qū)即成都市高新技術產(chǎn)業(yè)開發(fā)區(qū)西部園區(qū)，位于成都中心城區(qū)西北部，域內(nèi)地勢西北高，東南低，平均海拔 530m，平均坡度為 3‰。本文研究區(qū)大部分位于高新西區(qū)，同時涵蓋了小部分溫江區(qū)和青羊區(qū)，總面積 85.83km2，其地理范圍為東經(jīng) 103°50′17.18″～103°57′64″，北緯 30°42′22″～30°49′12.08″。研究區(qū)位置示意圖如下圖 2-1 所示。

.1 軟件環(huán)境下，導入預處理后的遙感影像，疊加 ROI 矢量圖層和檢驗樣本；影像分類特征分析。利用 ENVI 5.1 統(tǒng)計并分析訓練樣本在 4 個植被指數(shù)及 5 個紋理特征上的差異；研究區(qū)植被區(qū)提取。結合面向?qū)ο蠓诸惡筒煌O(jiān)督分類方法，的最佳分類組合方法，從而得到研究區(qū)綠地與非綠地信息，并于后續(xù)綠化樹種分類；研究區(qū)主要喬木綠化樹種分類。在提取出的植被覆蓋區(qū)域內(nèi)，持向量機分類兩種方法，選取不同分類特征進行喬木樹種分類較。路線線如下圖所示。

像數(shù)據(jù)預處理des 影像數(shù)據(jù)進行預處理，其步驟主要包括多光譜影像和全正、正射校正和圖像融合等。標記錄的電壓或數(shù)字量化值（DN）轉換成絕對輻射亮度值表面溫度等物理量有關的相對值的過程就是輻射定標[62]。 ENVI5.1 中輻射定標工具（Radiometric Calibration）對 P像分別進行輻射定標，輸入原始影像數(shù)據(jù)后 ENVI 便可以據(jù)，并自動給出設定參數(shù)，從而可以流程化完成輻射定標示。研究區(qū)局部多光譜影像輻射定標前后對比圖見下圖 3輻射定標前后的反射波譜曲線對比圖見圖 3-3。研究區(qū)局比圖見下圖 3-4。
【相似文獻】

相關期刊論文 前10條

1 張翔;;基于光譜特征增強的高光譜圖像地物目標識別[J];紅外技術;2010年12期

2 何鳴皋,張樹;氙燈紫外區(qū)光譜特征的研究[J];計量學報;1988年03期

3 楊柏林;巖礦光譜特征在遙感地質(zhì)找礦中的作用[J];地質(zhì)地球化學;1989年05期

4 成世炳;紫外可見分光光度計波長的校準及國產(chǎn)鐠釹玻璃吸收光譜特征的應用[J];環(huán)境與健康雜志;1989年02期

5 G. Asrar;趙曉英;;北美高草草原光譜特征的日變化和季節(jié)變化[J];國外畜牧學.草原與牧草;1990年04期

6 梁樹能;甘甫平;閆柏琨;魏紅艷;肖晨超;;綠泥石礦物成分與光譜特征關系研究[J];光譜學與光譜分析;2014年07期

7 林金科,鐘天英,熊發(fā)順,蔡桂輝;適制烏龍茶品種茶樹葉綠素吸收光譜特征探討[J];茶葉科學技術;1998年03期

8 暢文娟;何明一;;高光譜圖像組合光譜特征研究[J];現(xiàn)代電子技術;2013年14期

9 張宏名;農(nóng)田作物光譜特征及其應用[J];光譜學與光譜分析;1994年05期

10 李曉明;韓霽昌;李娟;;典型半干旱區(qū)土壤鹽分高光譜特征反演[J];光譜學與光譜分析;2014年04期

相關博士學位論文 前10條

1 高占國;長江口鹽沼植被的光譜特征研究[D];華東師范大學;2006年

2 周廣柱;銅礦區(qū)植物光譜特征與信息提取[D];山東科技大學;2007年

3 高穎;植被背景仿生材料研制及其光譜特征形成機制研究[D];中國科學技術大學;2017年

4 任紅艷;寶山礦區(qū)農(nóng)田土壤—水稻系統(tǒng)重金屬污染的遙感監(jiān)測[D];南京農(nóng)業(yè)大學;2008年

5 姚付啟;冬小麥高光譜特征及其生理生態(tài)參數(shù)估算模型研究[D];西北農(nóng)林科技大學;2012年

6 劉琦;小麥條銹病潛育期遙感監(jiān)測及分子檢測技術研究[D];中國農(nóng)業(yè)大學;2016年

7 鄒維娜;上海地區(qū)典型沉水植物光譜特征研究及其應用[D];華東師范大學;2014年

8 楊燕;基于高光譜成像技術的水稻稻瘟病診斷關鍵技術研究[D];浙江大學;2012年

9 刁萬英;基于可見-近紅外波段反射率估算表層土壤含水量[D];中國農(nóng)業(yè)大學;2016年

10 劉丙新;基于高光譜特征的水上油膜提取與分析研究[D];大連海事大學;2013年

相關碩士學位論文 前10條

1 曹子騫;基于普萊亞數(shù)據(jù)的成都市高新西區(qū)主要喬木綠化樹種分類方法研究[D];四川農(nóng)業(yè)大學;2018年

2 王心辰;不同品種瑪瑙的熱處理及光譜特征差異研究[D];中國地質(zhì)大學(北京);2019年

3 鄭煜;油菜高光譜特征及其農(nóng)學參數(shù)遙感監(jiān)測[D];西北農(nóng)林科技大學;2019年

4 歐彬;離子型稀土礦區(qū)復墾地植被光譜特征提取及葉綠素含量反演研究[D];江西理工大學;2018年

5 劉潔;基于全球葉片波譜數(shù)據(jù)庫葉片光譜特征分析[D];電子科技大學;2018年

6 劉雪艷;銅、鋅單一及復合脅迫對小麥生理生化及光譜特征的影響[D];青島科技大學;2018年

7 孫勃巖;油菜的高光譜特征及其生理參數(shù)估算模型研究[D];西北農(nóng)林科技大學;2017年

8 張宣宣;玉米鐵毒脅迫的光譜特征與葉綠素含量反演實驗研究[D];東北大學;2014年

9 靳志偉;煙葉的光譜特征及品質(zhì)無損檢測技術研究[D];河南農(nóng)業(yè)大學;2005年

10 陶文曠;脅迫下植物光譜特征識別及生理指標估算研究[D];中國礦業(yè)大學;2017年

本文編號：2845633