基于光谱指数的高温目标识别方法

基于光谱指数的高温目标识别方法

论文摘要

目前,高温目标遥感识别研究所采用的波段或光谱指数大多局限于定性分析,缺乏定量评价指标与筛选方法。为建立具有普适性的波段筛选原则及评判指标筛选方法,实现高温目标的有效识别,根据方差分析思想,构建可分性度量指标对高温目标与各类常温地物分别进行特征波段筛选,确定高温目标识别的若干有效波段,结合地物波谱特性构建并筛选高温目标最优识别指数。研究表明,经定量筛选综合确定的最优光谱指数能有效将高温目标与绝大多数常温地物区分开;在此基础上,再利用区分高温目标与易与其混淆的彩钢地物的最优识别指数进行二次识别,可进一步提高识别精度,高温目标2次识别精度分别为95. 4%和97. 6%。

论文目录

  • 0 引言
  • 1 高温目标识别原理及光谱特性
  •   1.1 高温目标识别原理
  •   1.2 高温目标光谱特性
  • 2 高温目标识别光谱指数构建
  •   2.1 方差分析原理
  •     2.1.1 组内离差和组间离差
  •     2.1.2 可分性度量
  •   2.2 高温目标识别特征波段筛选
  •   2.3 高温目标识别光谱指数构建
  •     2.3.1 光谱指数构建形式
  •     2.3.2 光谱指数构建及筛选
  • 3 高温目标识别实验
  •   3.1 研究区概况
  •   3.2 高温目标信息提取
  •   3.3 高温目标识别效果检验
  • 4 结论
  • 文章来源

    类型: 期刊论文

    作者: 郑覃,潘军,蒋立军,邢立新,季悦,于一凡,王鹏举,仲伟敬

    关键词: 高温目标,方差分析,可分性度量,特征波段,光谱指数

    来源: 国土资源遥感 2019年03期

    年度: 2019

    分类: 基础科学,工程科技Ⅱ辑,信息科技

    专业: 自然地理学和测绘学,工业通用技术及设备,自动化技术

    单位: 吉林大学地球探测科学与技术学院

    基金: 高等学校博士学科点专项科研基金新教师类资助课题(编号:20110061120067)资助

    分类号: TP79;P237

    页码: 51-58

    总页数: 8

    文件大小: 723K

    下载量: 104

    相关论文文献

    • [1].干旱区典型盐碱土壤含盐量估算的最佳高光谱指数研究[J]. 水土保持通报 2012(06)
    • [2].利用三维光谱指数定量估算土壤有机质含量:以新疆艾比湖流域为例[J]. 光谱学与光谱分析 2020(05)
    • [3].基于高光谱指数的天然胡杨叶绿素遥感建模研究[J]. 干旱区资源与环境 2014(10)
    • [4].基于光谱指数波段优化算法的小麦玉米冠层含氮量估测[J]. 光谱学与光谱分析 2016(04)
    • [5].基于高光谱指数的棉花冠层等效水厚度估算[J]. 中国农业科学 2019(24)
    • [6].基于高光谱指数的水稻砷污染胁迫多重判别模型[J]. 环境科学 2010(10)
    • [7].基于光谱指数的枸杞叶片水分含量遥感监测研究[J]. 地理与地理信息科学 2019(05)
    • [8].基于分数阶微分优化光谱指数的土壤电导率高光谱估算[J]. 生态学报 2019(19)
    • [9].基于光谱指数优选的土壤盐分定量光谱估测[J]. 水土保持通报 2018(03)
    • [10].MODIS光谱指数在中国西南干旱监测中的应用[J]. 遥感学报 2014(02)
    • [11].一种估测小麦冠层氮含量的新高光谱指数[J]. 生态学报 2011(21)
    • [12].基于光谱指数的蜜橘成熟度评价模型研究[J]. 中国光学 2018(01)
    • [13].基于光谱指数的遥感影像岩性分类[J]. 地球科学(中国地质大学学报) 2015(08)
    • [14].基于通用光谱模式分解(UPDM)算法的光谱指数一致性研究[J]. 江苏农业科学 2018(24)
    • [15].基于光谱指数的不同叶倾角分布下玉米冠层叶绿素含量反演[J]. 光谱学与光谱分析 2019(07)
    • [16].基于穗光谱指数的水稻产量预测[J]. 浙江农业学报 2018(02)
    • [17].基于优化光谱指数的新疆春小麦冠层叶绿素含量估算[J]. 麦类作物学报 2019(02)
    • [18].不同健康状况松针反射光谱特征分析[J]. 北京测绘 2019(03)
    • [19].光谱指数趋势面的城市地表温度降尺度转换[J]. 遥感学报 2014(06)
    • [20].草坪绿度光谱指数研究初报[J]. 云南农业大学学报(自然科学版) 2010(06)
    • [21].优化光谱指数的露天煤矿区土壤重金属含量估算[J]. 光谱学与光谱分析 2019(08)
    • [22].高光谱技术联合归一化光谱指数估算土壤有机质含量[J]. 光谱学与光谱分析 2017(11)
    • [23].城市河网尺度的水体光谱指数适宜性分析研究[J]. 光谱学与光谱分析 2019(11)
    • [24].基于高光谱成像技术的油菜叶片叶绿素含量预测[J]. 中国农业科技导报 2020(05)
    • [25].基于光谱变换的高光谱指数土壤盐分反演模型优选[J]. 农业工程学报 2018(01)
    • [26].一种角度光谱指数及其在干旱监测中的应用[J]. 科技风 2018(22)
    • [27].光谱指数的植被叶片含水量反演[J]. 光谱学与光谱分析 2018(05)
    • [28].基于叶绿素荧光光谱指数的温室黄瓜病害预测[J]. 光谱学与光谱分析 2016(06)
    • [29].许昌地区冬小麦长势空间变异研究[J]. 湖北农业科学 2014(15)
    • [30].基于星载通道光谱指数与小麦冠层叶片氮素营养指标的定量关系[J]. 应用生态学报 2013(02)

    标签:;  ;  ;  ;  ;  

    基于光谱指数的高温目标识别方法
    下载Doc文档

    猜你喜欢