發(fā)布時(shí)間：2020-12-11 13:20

　　高光譜激光雷達(dá)綜合了高光譜和激光雷達(dá)特征,可為植被生理生化參數(shù)提取提供更加精確的遙感探測(cè),但其應(yīng)用潛力尚未得到充分挖掘。以北京10個(gè)典型樹(shù)種的單葉為樣本,開(kāi)展室內(nèi)高光譜激光雷達(dá)的葉片觀測(cè)試驗(yàn),并進(jìn)行樹(shù)種分類(lèi)研究,為未來(lái)高光譜激光雷達(dá)的林業(yè)應(yīng)用提供基礎(chǔ)。首先進(jìn)行可調(diào)諧高光譜激光雷達(dá)(Hyperspectral LiDAR,HSL)葉片高光譜測(cè)量,并完成與ASD地物光譜儀所測(cè)數(shù)據(jù)對(duì)比實(shí)驗(yàn);其次,應(yīng)用隨機(jī)森林方法實(shí)現(xiàn)10種葉片的分類(lèi)研究,其輸入的特征指數(shù)為融合全部波段、部分敏感波段的光譜指數(shù)。結(jié)果表明:(a)HSL在波段650～1000 nm (71個(gè)通道)內(nèi)觀測(cè)的葉片高光譜和ASD光譜一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分類(lèi)精度為78.31%,其中分類(lèi)貢獻(xiàn)率最大波段的是650～750 nm,使用此波段進(jìn)行分類(lèi)精度為94.18%,表明利用紅邊波段(650～750nm)進(jìn)行樹(shù)種分類(lèi)是十分有效的;(c)對(duì)樹(shù)種敏感的波段為680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)結(jié)合敏感波段光譜指... 

【文章來(lái)源】：紅外與毫米波學(xué)報(bào). 2020年03期 第372-380頁(yè) 北大核心

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖１可調(diào)諧高光譜激光雷達(dá)工作示意圖??Ｆｉｇ．?１?Ｔｕｎａｂｌｅ?ＨＳＬ?ｓｙｓｔｅｍ?ｗｏｒｋｉｎｇ?ｄｉａｇｒａｍ??４５

３７６??紅外與毫米波學(xué)報(bào)??６５０?７００?７５０?８００?８５０?９００?９５０?１０００??Ｗａｖｅｌｅｎｇｔｈ／ｎｍ??圖４?１０種葉片光譜反射率曲線（可調(diào)諧高光譜激光雷達(dá)測(cè)??量）??Ｆｉｇ．?４?Ｓｐｅｃｔｒａｌ?ｒｅｆｌｅｃｔａｎｃｅ?ｃｕｒｖｅｓ?ｏｆ?１７?ｋｉｎｄｓ?ｏｆ?ｌｅａｖｅｓ?ｂｙ??ＨＳＬ??圖５是葉片ＡＳＤ地物光譜儀測(cè)量的觀測(cè)曲線。??可以發(fā)現(xiàn)，由于沒(méi)有使用積分球，同時(shí)探頭和葉片??的距離和位置（葉脈和葉肉的光譜有差異）有微小??變動(dòng)，導(dǎo)致每種葉片的光譜曲線存在一定的波動(dòng)。??３．９卷??波段的反射率，進(jìn)行葉片分類(lèi)；然后，篩選出最佳的??波段范圍之后，將最佳波段以及對(duì)應(yīng)的植被指數(shù)作??為預(yù)測(cè)變量進(jìn)行分類(lèi)，其目的是找到特殊的某些波??段范圍，為以后輸入?yún)��?shù)的波段選擇和應(yīng)用打下基??矗其次，米用ｂｏｏｔｓｔｒａｐ重米樣方法，訓(xùn)練出適用于??該葉片分類(lèi)的隨機(jī)森林模型。最后，將選擇的波段??和反射率輸入到構(gòu)建的隨機(jī)森林模型中，預(yù)測(cè)所屬??葉片種類(lèi)，分類(lèi)的最終結(jié)果按每個(gè)決策樹(shù)分類(lèi)器的??投票多少?zèng)Q定。??本實(shí)驗(yàn)中高光譜激光雷達(dá)數(shù)據(jù)處理的實(shí)驗(yàn)方??法可以總體歸納為３步：高光譜數(shù)據(jù)采集—數(shù)據(jù)預(yù)??處理—葉片分類(lèi)。其中在高光譜數(shù)據(jù)采集時(shí)，為了??消除噪聲的干擾，本實(shí)驗(yàn)將激光能量調(diào)至最強(qiáng)，只??選取大于５ｍＶ的回波信號(hào)；并且為了讓每個(gè)葉片的??數(shù)據(jù)具有代表性，選取了?８?jìng)�(gè)隨機(jī)分布的點(diǎn)測(cè)量，且??每個(gè)點(diǎn)在每個(gè)波長(zhǎng)時(shí)測(cè)量８次反射率。數(shù)據(jù)預(yù)處理??過(guò)程中，我們采用高斯濾波的方法消除了噪聲的影??響。葉片分類(lèi)過(guò)程中，采用具有強(qiáng)大分類(lèi)能力的隨??機(jī)森林方法，從而實(shí)現(xiàn)對(duì)不同樹(shù)種葉片的分類(lèi)。??

光講激圯黹達(dá)測(cè)Ｗ：發(fā)射棗??資０??Ｓ０??Ｓ－０??莒０??萇〇??ｙ＝０．６９６７ｘ＋０．０！７１??滬＝０．９６１５??０?０?１?０．２?０．３?０４?０．５?０．６?０?０．１?０．２?０．３?０．４?０．５?０．６??紫樹(shù)懷光潸瀲光講達(dá)測(cè)６１發(fā)射氺?銀杏尚光湔瀲光茁達(dá)測(cè)吡發(fā)射率??０?０．１?０．２?０．３?０．４?０．５?０．６?０?０．１?０．２?０．３?０．４?０．５?０．６??杜仲崧光講激光講達(dá)測(cè)世發(fā)射率?玉蘭豳光Ｉｔｔ激光黹達(dá)測(cè)ＩＳ發(fā)射車(chē)??圖６?１０種樹(shù)種葉片的ＬｉＤＡＲ光譜和ＡＳＤ光譜的對(duì)比??Ｆｉｇ．?６?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ＬｉＤＡＲ?ａｎｄ?ＡＳＤ?ｓｐｅｃｔｒｏｍｅｔｅｒ?ｏｆ?１０??ｓｐｅｃｉｅｓ?ｌｅａｖｅｓ??香、欒樹(shù)、國(guó)槐存在顯著差異，銀杏與山楂、旱柳、國(guó)??槐、欒樹(shù)、七葉樹(shù)、杜仲．構(gòu)樹(shù)、朵古櫟、水杉存在顯??著差異。??從ｒｅＮＤＶ丨的多ｉＴ�。罕容^可以看出，白蠟與其余９??種葉片均存在顯著差異，國(guó)槐、山桃與其他８種葉片??均存在顯著差異，但國(guó)槐與山桃之間無(wú)顯著性??差異。??從Ｖ０Ｇ丨的多重比較可以看出，國(guó)槐、山桃與其??他８種葉片均存在顯著差異，但國(guó)槐與山桃之間無(wú)??顯著性差異，其結(jié)果與ｒｅＮＤＶ丨的結(jié)果相同。。??究其原因，國(guó)槐與山桃葉片的葉脈相比其他樹(shù)??６５０?７００?７５０?８００?８５０?９００?９５０?１０００??Ｗａｖｅｌｅｎｇｔｈ／ｎｍ??閣５?ＡＳＤ光譜儀測(cè)Ｂ葉片光譜曲線??Ｆｉｇ．?５?Ｔｈｅ?ｓｐｅｃｔｒａｌ?ｃｕｒｖｅｓ?ｍｅａｓｕｒｅｄ?ｂｙ?ＡＳＤ?ｓｐｅｃｔｒｏｍｅｔｅｒ??２．２主被動(dòng)光譜數(shù)據(jù)相關(guān)性分


本文編號(hào)：2910598