基于地面高光谱数据的典型作物类型识别方法——以青海省湟水流域为例

发布时间：2017-11-09 17:16

  本文关键词：基于地面高光谱数据的典型作物类型识别方法——以青海省湟水流域为例

  更多相关文章： 高光谱 作物识别 光谱变换 光谱特征变量 BPNN模型

【摘要】：高光谱技术运用于农作物识别与分类目前已成为农业遥感应用领域前沿课题之一。使用ASD FieldSpec4地物光谱仪实测青海省湟水流域大豆、青稞、土豆、小麦和油菜5种典型作物冠层光谱,经数据预处理,利用1/R、d(R)、N(R)、log(R)、d(log(R))、d(N(R))6种光谱数据变换形式和在"绿峰"、"红谷"、"红边"、"光谱吸收特征区"提取的16种光谱特征变量的6种选取结果,分别构建基于BP神经网络的典型作物类型识别模型,通过模型精度比较以寻求用于高光谱农作物分类的有效光谱数据形式和光谱特征变量。结果表明:1/R、d(R)、log(R)、d(log(R))及d(N(R))5种数据变换形式能显著提高模型识别精度,以d(N(R))变换数据构建BPNN模型其辨识精度最高,总体分类精度达88%;在提取的16种光谱特征变量中,以变量数分别为16、14、12的3种选取方案构建BPNN模型其辨识精度较优,总体分类精度分别为88%、86%、84%;BPNN模型能较好地识别5种作物光谱,且采用选取光谱特征变量方法构建BPNN模型其网络训练效率和模型稳定性优于光谱数据变换方法构建BPNN模型。
【作者单位】： 青海师范大学生命与地理科学学院青海省自然地理与环境过程重点实验室青藏高原环境与资源教育部重点实验室;
【基金】：国家自然科学基金项目(40861022) 青海省重点实验室发展专项:青海省自然地理与环境过程重点实验室(2014-Z-Y24;2015-Z-Y01)
【分类号】：S127
【正文快照】： 0引言作物识别和分类是农业遥感的基础,是实现农业资源监测的关键,实时、准确地获取作物类型、结构和分布信息对于国家粮食安全、社会经济稳定、农业生态功能和服务均具有重要意义[1]。遥感技术与常规地面调查统计方法相比具有快速、高效和大面积同步观测等特点,已成为作物识

【相似文献】

中国期刊全文数据库 前8条

1 张艳彬;王玉;杨忠芳;陈岳龙;;成都经济区土壤光谱特征及其意义[J];世界地质;2007年01期

2 罗清;;青藏高原季节湖土壤光谱特征研究[J];西南大学学报(自然科学版);2012年07期

3 张琳,刘培君,常萍,艾力西尔·库尔班;阜康试验区主要地物光谱特征及其分析[J];新疆气象;1995年05期

4 韩阳;赵云升;王野乔;;不同含水量土壤偏振光谱特征定量分析[J];遥感学报;2013年05期

5 李章成;周清波;江道辉;吕新;林海荣;李茂松;;棉花苗期冻害高光谱特征研究[J];棉花学报;2008年04期

6 姚付启;蔡焕杰;王海江;张倩;王健;;冬小麦冠层高光谱特征与覆盖度相关性研究[J];农业机械学报;2012年07期

7 杨雪红;;土壤粒径对土壤光谱特征的影响[J];科技信息;2010年25期

8 ;[J];;年期

，

本文编号：1162818