来源:中国环境资源网 作者:中国自然资源学会 更新时间:2005-11-21 10:47:26
图 2 数字摄影测量用于测量树冠盖度、高度和监测变化
Fig.2 Digital photo-ecometrics use for measuring cover degree of canopy and tree height and monitoring changes
如果我们按取阈值的方法从原始航片上提取植被盖度,将所得结果与从正射影像上所得结果进行比较,可以得到图 3。图 3 中白线代表从正射影像上获得的树冠边界,而黑线为从原始影像上提取的树冠边界投影在正射影像坐标系中。该区域地形起伏仅 60cm,却产生如此大的边界位移。统计所得面积显示原始图像上计算的面积比正射影像上计算的面积高 9.9%。由此可见,从原始航片上估算植被盖度可能造成的误差。
图 3 阈值法提取的树冠边界(白线为从正射影像上提取的结果,黑线为从原始影像上所得结果)
Fig.3 Canopy borderline extracted by threshold method (The white lines are the result extracted from the orthography and the black lines are the results extracted from the originalimage)
3 针叶树种高光谱识别
传统遥感多光谱分析很难正确区分不同的针叶树种。我们尝试使用野外实测的高光谱数据对 6 种常见的加州针叶树种进行识别。野外高光谱数据采自美国加州大学设在赛拉内华达山区的实验站。使用 OceanOptic 便携光谱仪对 4~7 年幼树从垂直方向采集树冠阴阳两侧的高光谱反射数据。在春、夏、秋三季,在两个立地上按每种树种至少对 5 株幼树从阴阳两侧采集高光谱数据。我们曾在 1995-10-20 从 6 个立地上采集高光谱反射数据。每个立地都对 6 个树种进行采样。使用神经元网络对树种进行分类,得到高于 80% 分类精度[12]。
对三季高光谱反射数据进行平滑处理以减少高频噪音,然后对数据 (R) 进行了 5 种简单变化,它们是取对数 LOG (R)、一阶微分 D(R)、对 LOG (R)微分 D (LOG(R))、对 R 归一化 N (R)、对 N (R)微分 LOG (N (R))、对 N (R)取对数 LOG (N (R))。按每季在不同立地采集数据,对阴阳两侧高光谱反射数据分别进行神经元网络分类[12]。先取采样数据的 1/3 用于训练神经元网络的识别能力。用另外 2/3 的数据验证网络的分类精度。所得结果列入表 1。从阴阳两侧所得分类精度的平均列于表一右侧。
表 1 美国加州 6 种常见针叶树高光谱识别结果
Table1 High resolution spectrum identification result of six kinds of familiar conifer of California
变换 | G 立地10/95 | F 立地10/95 | G 立地6/96 | F 立地6/96 | G 立地11/96 | F 立地11/96 | 平均 | ||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
类型 | 阳 | 阴 | 阳 | 阴 | 阳 | 阴 | 阳 | 阴 | 阳 | 阴 | 阳 | 阴 | 阳 | 阴 | 总平均 |
R | 70.8 | 59.2 | 58.3 | 35.0 | 75.8 | 65.3 | 81.9 | 90.3 | 74.2 | 60.8 | 75.0 | 73.3 | 72.7 | 64.0 | 68.3 |
D(R) | 85.0 | 95.8 | 65.0 | 40.0 | 9.08 | 81.7 | 93.1
栏目导航本类热门阅览相关文章精彩推荐 |
文章评论评论内容只代表网友观点,与本站立场无关!