导读:本文包含了植被高光谱遥感分类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:光谱,遥感,植被,特征,影像,精度,波谱。
植被高光谱遥感分类论文文献综述
杜保佳[1]（2017）在《基于HSI高光谱遥感影像的向海湿地典型植被群落分类研究》一文中研究指出利用高光谱遥感数据进行特征提取和精细识别是目前遥感领域的研究热点问题。本文以遥感(Remote Sensing,RS)和地理信息系统(Geographic Information System,GIS)作为技术支撑,以向海湿地为研究区,选取芦苇、香蒲、碱蓬和羊草作为研究对象,应用2015年HJ-1A/HSI高光谱影像,结合地面实测的植被高光谱反射率数据,采用波谱角度填图(Spectral Angle Mapper,SAM)和波谱信息散度(Spectral Information Divergence,SID)分类方法,实现研究区典型植被群落的识别分类。首先对野外样地实测的4种典型植被群落反射率数据进行平滑预处理,用作建立植被端元光谱库;其次,对HSI高光谱影像进行预处理,比较了主成分分析法和最小噪声分离法并对HSI高光谱影像进行降维去噪和特征波段选择;再次,对平滑后的光谱反射率数据进行光谱一阶导数计算和连续统去除分析,突出典型植被的光谱反射特征和吸收特征,凸显不同类型植被间的细微光谱差异,用以指导SAM和SID方法对典型植被群落进行精细识别分类。主要研究结果如下:(1)HSI高光谱数据存在明显的斜条纹,前20个波段尤为明显,但总体数量较少。经过条带处理后的影像数据能够真实的反映地表植被的光谱特征,可用来进行植被群落的识别分类。(2)地面实测的典型植被群落反射率数据具有典型健康绿色植物的“两峰叁谷”的光谱特征。运用光谱微分方法,可以突出典型植被群落类型间吸收特征的差异,有利于对其进行高精度识别。在458.4nm处,芦苇和羊草较容易区分,碱蓬和香蒲不易区分;在546.2nm处,碱蓬和香蒲容易区分;在609.5nm处,碱蓬、香蒲容易区分,碱蓬和羊草不易区分;在820.5nm处,碱蓬、芦苇、羊草容易区分;在904nm处,碱蓬、香蒲、羊草容易区分;经过连续统去除分析可知,在576nm,647nm,898nm,920nm4个波段附近,能够较好的识别典型植被群落。(3)分类结果表明:经过MNF变换去噪后的特征影像,运用SAM方法进行分类,总体精度略高于SID方法的分类结果,总体分类精度分别为89.0854%和85.4901%,Kappa系数分别为0.8058和0.7983。综上,研究中通过对地面实测的典型植被群落的高光谱数据进行变换和分析,结合国产HJ-1A/HSI高光谱数据,经过影像预处理能够真实反映向海湿地典型植被群落的光谱特征。运用SAM分类方法能够获得较高的分类精度,为研究干旱半干旱区典型盐沼湿地植被群落高光谱识别分类提供参考依据,从而完善湿地植被信息提取的算法体系。在拓展国产高光谱遥感影像在植被精细识别应用方面具有重要意义。(本文来源于《吉林师范大学》期刊2017-06-01）
史飞飞[2]（2017）在《基于HJ-1A HSI高光谱遥感数据的湟水流域典型植被分类》一文中研究指出本文以青海省湟水流域为研究区,以HJ-1 A星HSI高光谱遥感影像,野外实测植被冠层光谱和其它辅助分类数据为数据源,借助新兴的高光谱遥感技术对研究区内典型植被类型进行高光谱遥感识别和分类研究。上述数据经预处理、光谱数据形式变换、高光谱数据降维和影像分类特征选取后,分别采用支持向量机(SVM)、BP神经网络(BPNN)、最大似然分类(MLC)、CART决策树(CART-DT)和波谱角填图(SAM)共5种分类方法进行典型植被遥感分类。考虑到研究区地形的复杂性、地物类型斑块破碎和植被类型多样性的特点,在分类特征数据中融入了地形辅助分类数据(包括数字高程模型、坡度和坡向)和光谱特征参量数据(绿峰幅值、红谷幅值和红边归一化植被指数)。本文的目标就是对上述5种分类方法的分类结果进行对比分析和精度评价,获取不同分类方法间的优劣性,同时寻求较优的光谱数据变换形式和高光谱影像降维方法,以探索适用于复杂地形区的植被高光谱遥感分类方法。主要研究结论如下:(1)本文采用的5种分类方法中,SVM的分类效果最优,其最高总体分类精度达89.21%,Kappa系数为0.88。BPNN的分类精度次于SVM分类精度,其最优总体分类精度达88.7%,Kappa系数为0.87。CART-DT的分类效果略低于上述两种分类器,其最优总体分类精度为87.69%,Kappa系数为0.85,但采用CART-DT方法的分类效率要显着高于SVM和BPNN分类器,且也能获得较优的分类精度。利用SAM方法分类精度低于上述3种,其最高总体分类精度达到了85.5%,Kappa系数为0.83,SAM分类器是目前广泛应用的高光谱遥感分类方法,对于高光谱影像分类较为适用,但该算法前期的端元光谱选取较为耗时,同时端元光谱的准确选择对于波谱角分类的精度也有较大影响。MLC分类效果最差,其最优总体分类精度为77.91%,Kappa系数为0.74。(2)针对研究区内8种典型植被类型,寒温性常绿针叶林的制图精度最高达86.05%,且5种分类器对于该种植被类型均有较高分类精度。温性落叶阔叶林的最优制图精度达88.00%,SVM和BPNN分类器的对该类型的识别精度要高于CART-DT和SAM,而MLC的识别精度最低,其制图精度仅为72.00%。对于灌丛植被最优制图精度达87.00%,CART-DT对于灌丛类型的识别精度要低于其它4种分类器,且4种分类器对于该种类型的识别精度均保持在86%左右。草原类型的最优制图精度达到88.15%,总体而言5种分类器对于草原类型的识别精度SVM较高,而SAM识别精度略低,其它3种分类器保持在85.00%左右。栽培植被最高制图精度为91.67%,5种分类器对栽培植被的识别效果依次为SVM>BPNN>CART-DT>SAM>MLC。高山流石坡植被的最高制图精度达到94.00%,SVM、BPNN和CART-DT对该种类型识别精度均最优,SAM次之,而MLC分类方法效果最差。无植被覆盖区的最优制图精度达93.85%,5种分类器对于该种类型的识别均能获得较高的精度,MLC和SAM分类法的识别精度要略低于其它分类方法,水体的最优制图精度达到93.33%,SAM对于该类识别效果要略低于其它4种分类器。(3)本文采用了MNF降维结果+辅助分类数据、PCA降维结果+辅助分类数据、ICA降维结果+辅助分类数据共3种分类数据形式,通过对该3种数据类型的12种分类结果分析发现,采用MNF降维结果+辅助分类数据的分类精度要优于其它两种,其平均总体分类精度达86%,采用PCA降维结果+辅助分类数据的分类效果次之,其平均总体分类精度达84%,而采用ICA降维结果+辅助分类数据的平均总体分类精度达81%。因采用的辅助分类数据均相同,所以可以得出文中对HSI高光谱数据采用最小噪声分离(MNF)、主成分分析(PCA)和独立主成分分析(ICA)共3种高光谱降维方法,其降维效果依次为MNF>PCA>ICA。(4)本文经数据形式变换获得原始(R)、倒数(1/R)、对数(log(R))和连续统去除(CR)4种高光谱影像数据,并利用该4种数据类型,采用波谱角填图进行典型植被类型分类,通过精度评价表明,采用CR数据分类精度最优,其总体分类精度达85.5%,Kappa系数为0.83。采用log(R)数据其总体分类精度达84.82%,Kappa系数为0.82。采用R数据其总体分类精度达82.29%,Kappa系数为0.79。而采用1/R数据分类精度较低,其总体分类精度为80.61%,Kappa系数为0.77。结果表明针对原始光谱数据选取较为适用的数据变换形式能够提高分类器的识别精度,4种数据形式进行典型植被分类其效果依次为CR>log(R)>R>1/R。(本文来源于《青海师范大学》期刊2017-03-01）
秦进春[3]（2014）在《高光谱遥感影像植被分类提取技术研究》一文中研究指出利用高光谱遥感影像对植被要素进行准确的分类提取是植被高光谱遥感应用研究的重要内容。运用典型高光谱影像地物分类方法对植被进行分类提取时,其提取精度和精细分类程度很难满足实际应用需求。因此,论文系统研究了高光谱植被指数和多核学习方法在植被分类提取技术中的应用,设计并实现了基于加权高光谱植被指数的植被分类提取方法,将多核支持向量机引入植被精细分类提取中,并展开了系统的理论分析和试验验证。论文完成的主要工作和取得的成果如下:1.阐述了植被研究的重要意义和植被遥感的研究对象,对高光谱遥感技术的研究进展和植被高光谱遥感应用情况进行了总结,分析了常用高光谱影像植被分类提取方法,总结归纳了高光谱影像植被分类提取中面临的难点。2.从植被光谱曲线特征、植被光谱变换特征两个方面研究了植被光谱特征,根据高光谱数据波段对植被光谱特征的响应情况,实现了基于植被光谱特征的波段选择方法,试验结果表明该方法能够有效进行数据降维,并且最大限度保留植被分类提取所需的光谱特征信息。3.分析了宽波段植被指数和高光谱植被指数的构建原理,从降低土壤对植被提取的影响、增强植被指数对高光谱数据的适应性出发,设计了一种加权高光谱植被指数,试验结果验证了加权高光谱植被指数用于高光谱植被信息提取的有效性;针对非植被地物对植被分类提取结果的影响,提出基于加权高光谱植被指数的植被分类提取方法,即利用加权高光谱植被指数对高光谱影像植被信息进行提取,在此基础上使用典型分类算法对植被信息作进一步分类,试验结果表明该方法能够有效降低非植被地物对植被分类提取的影响,提高了植被总体分类提取精度。4.介绍了核方法与多核学习原理,分析了支持向量机在复杂情况下采用单核映射方式对所有样本进行处理的不合理性,而利用多核代替单核的学习方法则可以得到较好的处理结果;结合植被精细分类中植被样本分布的特点,论文将多核支持向量机引入植被精细分类提取中,试验验证了多核支持向量机对植被精细分类提取的有效性,分类提取精度相比于单核支持向量机和典型分类方法都有较大改善。(本文来源于《解放军信息工程大学》期刊2014-04-25）
王筱君[4]（2014）在《高光谱遥感在植被分类中的研究》一文中研究指出高光谱遥感的出现是遥感界的一场革命,它能大大地改善对植被类型的识别与分类精度,而寻求快速、高精度的植被高光谱分类方法更具有重要的现实意义。文中将结合具体的高光谱遥感数据,通过在研究区域内选取一定的植被类型和合适的训练样本,得出哪种分类效果较佳以及影响分类精度的因素。(本文来源于《矿山测量》期刊2014年01期）
陈圣波,刘彦丽,杨倩,周超,赵靓[5]（2012）在《植被覆盖区卫星高光谱遥感岩性分类》一文中研究指出植被高覆盖区岩石和土壤在遥感图像上表现为弱信息、小目标,如何利用卫星高光谱遥感提取岩性弱信息是目前遥感地质应用中的最大挑战之一。以黑龙江呼玛地区为例,选择美国EO-1卫星Hyperion高光谱数据。由于植被与下伏岩石-土壤的光谱混合,分别计算研究区含土壤因子和不含土壤因子的植被指数,并对两类不同的植被指数进行主成分分析,以此分离植被和岩石-土壤组分。在含土壤因子植被指数主成分分析的二维组分散点图上,明显区分出背景植被与异常岩石-土壤组分,证实了植被与岩石-土壤组分经主成分分析分离的效果。同时在不添加土壤因子植被指数的分析中,明显区分出植被覆盖信息。通过对实验区典型岩石进行野外光谱测试,然后对光谱进行连续统去除处理,将其作为参考光谱,与分离后的岩石-土壤光谱进行光谱特征拟合(SFF),从而成功地识别出研究区内不同岩石类型,特别是玄武岩、流纹岩、砂砾岩、安山质凝灰岩、大理岩和石英片岩识别效果较好。根据研究区内不同岩石地层单元内岩石组合特征,通过分离后的组分合成图像,成功地实现了岩性分类。与已知地质图迭加,证实通过卫星高光谱数据提取的不同岩石类型颜色边界与地质图岩性界线吻合较好。结果表明:通过植被与岩石-土壤光谱组分分离,结合高光谱遥感的光谱特征拟合,能够识别不同的岩石类型,实现植被覆盖区岩性分类。(本文来源于《吉林大学学报(地球科学版)》期刊2012年06期）
朱子先[6]（2012）在《基于高光谱遥感影像的扎龙湿地植被分类研究》一文中研究指出湿地是地球上最重要的生态系统之一，它具有巨大的生态价值、经济价值。但是随着人类经济的快速发展和水资源的不合理利用，我国自然湿地的面积正在逐年减少，原始景观格局遭到破坏，结果直接影响到湿地内部各种植被的分布情况。进二十年来人们对湿地的价值有了重新的认识，因此湿地中各种植被的综合研究与保护越来越受到重视。传统的湿地植被分类方法一般都基于多光谱影像，当不同地物的光谱特征接近时难以将其区分开来，造成在分类结果上的混淆。而高光谱影像具有上百个较窄的波段，它使得获取传统宽波段遥感中不可探测或难以区分的地物信息变成可能，从而提高了研究区植被分类的精度。在对国内外湿地植被分类研究的总结研究的基础上，本文以扎龙湿地为研究区展开了以下工作：在野外实地采集了本研究分类体系中湿地主要植被类型的光谱曲线样本作为分类过程中的主要依据，其中包括，杂草类草甸、羊草、耕地、水田、芦苇、蒲草、沉水植被的地物光谱曲线；对应用到的遥感影像做了几何校正、大气校正等预处理工作；为了提高高光谱遥感影像的分辨率以便获得更多的分类依据，将其与同卫星搭载的电耦合元件传感器（Charge Coupled Device, CCD）拍摄的影像进行融合处理，应用到的融合算法有HSI变换、主成分分析、Brovey变换及Gram-Schmidt变换，根据融合的目的，从提高空间分辨率、保持光谱性质、提高清晰度和提高信息量四个方面，本文选取了五个评价指标，包括均值、标准差、信息熵、平均梯度和相关系数评价了几种融合方法的优劣性；在融合影像的基础上采用监督分类与非监督分类方法中的ISODATA算法、K-means算法、最大似然法、最小距离法以及光谱角填图法对研究区的植被分布进行了划分，根据总体分类精度和Kappa系数比较分析了不同分类方法的分类精度。在应用以上研究方法的基础上本文主要得出以下研究结论：（1）研究区的主要植被类型（杂草类草甸、羊草、耕地、水田、芦苇、蒲草、沉水植被）的光谱特征存在明显差异，其中杂草类草甸的反射率最高，沉水植被的反射率最低，因此可以作为基于高光谱遥感影像分类的主要依据。（2）多源遥感影像的融合结果可以为影像分类提供更全面、更精确、更为可靠的参考信息。遥感影像融合后，既提高了空间分辨率又保持了原来的高光谱优势，这使得分类的结果可以为日后的决策、规划提供更有意义的参考。在对遥感影像进行融合的过程中Gram-Schmidt变换得到的融合影像的每个客观评价指标都相对较高不存在明显的不足，因此本文利用该方法获得的融合遥感影像对扎龙湿地植被进行分类。（3）在所有的分类方法中最大似然法的总体分类精度和Kappa系数最低，推断其原因可能是由于样本的光谱特征较正态分布有一定的偏差所引起的；在ISODATA算法中，芦苇、蒲草、水田叁种植被类型被错分成草甸的像元数目较多，可能是由于这叁种植被类型的光谱特征与草甸的光谱特征（尤其当草甸土壤背景含水量较大时）较为接近所引起的；在K-means算法中，有29.5%的沉水植被类型被错分为芦苇和蒲草，这叁种植被类型都以水体作为背景，其原因很可能是由于水体的光谱特征影响了这叁种植被的区分；另外最小距离分类法中有较多的水田和蒲草被错分成了芦苇，不过该分类方法的总体精度较高，达到了80.71%（Kappa系数=0.775），在其他条件下的植被分类中也值得尝试；光谱角填图法的总体分类精度为89.86%（Kappa系数=0.8817）明显高于其他分类方法的分类精度。(本文来源于《哈尔滨师范大学》期刊2012-06-01）
吴见,彭道黎[7]（2012）在《基于空间信息的高光谱遥感植被分类技术》一文中研究指出高光谱数据常带有噪声,传统的仅考虑光谱信息的遥感植被分类方法效果不佳,融入空间信息进行植被分类显得尤为重要。以NDVI阈值法提取植被信息后,采用最小噪声变换对Hyperion高光谱影像进行压缩处理,取前60个分量数据,并采用一种空间与光谱信息相结合的高光谱影像植被分类法,完成研究区植被分类。结果表明,对各植被类型的平均分类精度达90.3%,而最大似然法的平均分类精度仅为70.0%。融入空间信息的高光谱遥感植被分类方法能有效地削弱噪声,在一定程度上提高了分类精度,在实际应用中有一定的参考价值。(本文来源于《农业工程学报》期刊2012年05期）
马心璐,任志远,王永丽[8]（2009）在《支持向量机在高光谱遥感图像植被分类中的应用》一文中研究指出在分析传统统计模式识别分类方法分类精度不高的现状的基础上,以OMIS-I影像为例,采用基于支持向量机的方法对延河流域枣园地区植被信息进行提取,取得了很好的实验结果。与传统的最大似然分类提取方法相比,基于支持向量机的方法提取精度达90.50%,Kappa系数也超过了0.87,比单纯的最大似然分类方法提取精度高得多,而且该方法具有很强的操作性和实用性。图6,表2,参6。(本文来源于《农业系统科学与综合研究》期刊2009年02期）
陶秋香[9]（2007）在《植被高光谱遥感分类方法研究》一文中研究指出结合具体的OMIS I高光谱遥感数据,对各种常用植被高光谱遥感分类方法进行分类训练,通过比较分类性能,得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上,提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。(本文来源于《山东科技大学学报(自然科学版)》期刊2007年05期）
邵军勇,潘泉[10]（2005）在《高光谱遥感在植被精细分类中的应用》一文中研究指出文章论述了高光谱技术在植被遥感应用领域的若干问题,如植被“红边”定量分析及其应用、植被生物化学成分反演、植被研究中导数光谱的意义等;还利用高光谱遥感技术进行了植被生物量制图和植物精细分类试验,验证了高光谱遥感技术在植被研究中的巨大作用。(本文来源于《微电子学与计算机》期刊2005年10期）
植被高光谱遥感分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文以青海省湟水流域为研究区,以HJ-1 A星HSI高光谱遥感影像,野外实测植被冠层光谱和其它辅助分类数据为数据源,借助新兴的高光谱遥感技术对研究区内典型植被类型进行高光谱遥感识别和分类研究。上述数据经预处理、光谱数据形式变换、高光谱数据降维和影像分类特征选取后,分别采用支持向量机(SVM)、BP神经网络(BPNN)、最大似然分类(MLC)、CART决策树(CART-DT)和波谱角填图(SAM)共5种分类方法进行典型植被遥感分类。考虑到研究区地形的复杂性、地物类型斑块破碎和植被类型多样性的特点,在分类特征数据中融入了地形辅助分类数据(包括数字高程模型、坡度和坡向)和光谱特征参量数据(绿峰幅值、红谷幅值和红边归一化植被指数)。本文的目标就是对上述5种分类方法的分类结果进行对比分析和精度评价,获取不同分类方法间的优劣性,同时寻求较优的光谱数据变换形式和高光谱影像降维方法,以探索适用于复杂地形区的植被高光谱遥感分类方法。主要研究结论如下:(1)本文采用的5种分类方法中,SVM的分类效果最优,其最高总体分类精度达89.21%,Kappa系数为0.88。BPNN的分类精度次于SVM分类精度,其最优总体分类精度达88.7%,Kappa系数为0.87。CART-DT的分类效果略低于上述两种分类器,其最优总体分类精度为87.69%,Kappa系数为0.85,但采用CART-DT方法的分类效率要显着高于SVM和BPNN分类器,且也能获得较优的分类精度。利用SAM方法分类精度低于上述3种,其最高总体分类精度达到了85.5%,Kappa系数为0.83,SAM分类器是目前广泛应用的高光谱遥感分类方法,对于高光谱影像分类较为适用,但该算法前期的端元光谱选取较为耗时,同时端元光谱的准确选择对于波谱角分类的精度也有较大影响。MLC分类效果最差,其最优总体分类精度为77.91%,Kappa系数为0.74。(2)针对研究区内8种典型植被类型,寒温性常绿针叶林的制图精度最高达86.05%,且5种分类器对于该种植被类型均有较高分类精度。温性落叶阔叶林的最优制图精度达88.00%,SVM和BPNN分类器的对该类型的识别精度要高于CART-DT和SAM,而MLC的识别精度最低,其制图精度仅为72.00%。对于灌丛植被最优制图精度达87.00%,CART-DT对于灌丛类型的识别精度要低于其它4种分类器,且4种分类器对于该种类型的识别精度均保持在86%左右。草原类型的最优制图精度达到88.15%,总体而言5种分类器对于草原类型的识别精度SVM较高,而SAM识别精度略低,其它3种分类器保持在85.00%左右。栽培植被最高制图精度为91.67%,5种分类器对栽培植被的识别效果依次为SVM>BPNN>CART-DT>SAM>MLC。高山流石坡植被的最高制图精度达到94.00%,SVM、BPNN和CART-DT对该种类型识别精度均最优,SAM次之,而MLC分类方法效果最差。无植被覆盖区的最优制图精度达93.85%,5种分类器对于该种类型的识别均能获得较高的精度,MLC和SAM分类法的识别精度要略低于其它分类方法,水体的最优制图精度达到93.33%,SAM对于该类识别效果要略低于其它4种分类器。(3)本文采用了MNF降维结果+辅助分类数据、PCA降维结果+辅助分类数据、ICA降维结果+辅助分类数据共3种分类数据形式,通过对该3种数据类型的12种分类结果分析发现,采用MNF降维结果+辅助分类数据的分类精度要优于其它两种,其平均总体分类精度达86%,采用PCA降维结果+辅助分类数据的分类效果次之,其平均总体分类精度达84%,而采用ICA降维结果+辅助分类数据的平均总体分类精度达81%。因采用的辅助分类数据均相同,所以可以得出文中对HSI高光谱数据采用最小噪声分离(MNF)、主成分分析(PCA)和独立主成分分析(ICA)共3种高光谱降维方法,其降维效果依次为MNF>PCA>ICA。(4)本文经数据形式变换获得原始(R)、倒数(1/R)、对数(log(R))和连续统去除(CR)4种高光谱影像数据,并利用该4种数据类型,采用波谱角填图进行典型植被类型分类,通过精度评价表明,采用CR数据分类精度最优,其总体分类精度达85.5%,Kappa系数为0.83。采用log(R)数据其总体分类精度达84.82%,Kappa系数为0.82。采用R数据其总体分类精度达82.29%,Kappa系数为0.79。而采用1/R数据分类精度较低,其总体分类精度为80.61%,Kappa系数为0.77。结果表明针对原始光谱数据选取较为适用的数据变换形式能够提高分类器的识别精度,4种数据形式进行典型植被分类其效果依次为CR>log(R)>R>1/R。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
植被高光谱遥感分类论文参考文献
[1].杜保佳.基于HSI高光谱遥感影像的向海湿地典型植被群落分类研究[D].吉林师范大学.2017
[2].史飞飞.基于HJ-1AHSI高光谱遥感数据的湟水流域典型植被分类[D].青海师范大学.2017
[3].秦进春.高光谱遥感影像植被分类提取技术研究[D].解放军信息工程大学.2014
[4].王筱君.高光谱遥感在植被分类中的研究[J].矿山测量.2014
[5].陈圣波,刘彦丽,杨倩,周超,赵靓.植被覆盖区卫星高光谱遥感岩性分类[J].吉林大学学报(地球科学版).2012
[6].朱子先.基于高光谱遥感影像的扎龙湿地植被分类研究[D].哈尔滨师范大学.2012
[7].吴见,彭道黎.基于空间信息的高光谱遥感植被分类技术[J].农业工程学报.2012
[8].马心璐,任志远,王永丽.支持向量机在高光谱遥感图像植被分类中的应用[J].农业系统科学与综合研究.2009
[9].陶秋香.植被高光谱遥感分类方法研究[J].山东科技大学学报(自然科学版).2007
[10].邵军勇,潘泉.高光谱遥感在植被精细分类中的应用[J].微电子学与计算机.2005
论文知识图
