光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2009年
7期
1937-1940
,共4页
光谱分析%果树树种%辨识%卫星传感器%植被指数%BP神经网络模型
光譜分析%果樹樹種%辨識%衛星傳感器%植被指數%BP神經網絡模型
광보분석%과수수충%변식%위성전감기%식피지수%BP신경망락모형
利用冠层光谱反射率数据(Rλ),对处于果实成熟期的七种挂果果树的树种进行了辨识研究.通过光谱数据重采样、植被指数求算等相关数据处理,比较了六种卫星传感器与四种植被指数对果树树种的辨识效能,并在优选数据形式、优化模型参数的基础上,建立了辨识果树树种的BP神经网络模型.主要结论为:(1)六种卫星传感器辨识果树树种的效能由强到弱的排列顺序为:MODIS,ASTER,ETM+,HRG,QUICKBIRD,IKONOS;(2)在四种植被指数中,RVI对果树树种的辨识效能最强,其次是NDVI,SAVI与DVI的辨识效能相对较弱;(3)用MODIS或ETM+传感器的近红外通道与红光通道上的反射率数据,求算的RVI与NDVI对果树树种的辨识效能相对较强;(4)在Rλ及其22种变换数据中,波长间隔设为9 nm的d1[log(1/Rλ)],是建立BP神经网络模型的首选数据形式;(5)利用波长间隔设为9 nm的d1[log(1/Rλ)]这一数据形式,建立了辨识果树树种的3层BP神经网络模型.
利用冠層光譜反射率數據(Rλ),對處于果實成熟期的七種掛果果樹的樹種進行瞭辨識研究.通過光譜數據重採樣、植被指數求算等相關數據處理,比較瞭六種衛星傳感器與四種植被指數對果樹樹種的辨識效能,併在優選數據形式、優化模型參數的基礎上,建立瞭辨識果樹樹種的BP神經網絡模型.主要結論為:(1)六種衛星傳感器辨識果樹樹種的效能由彊到弱的排列順序為:MODIS,ASTER,ETM+,HRG,QUICKBIRD,IKONOS;(2)在四種植被指數中,RVI對果樹樹種的辨識效能最彊,其次是NDVI,SAVI與DVI的辨識效能相對較弱;(3)用MODIS或ETM+傳感器的近紅外通道與紅光通道上的反射率數據,求算的RVI與NDVI對果樹樹種的辨識效能相對較彊;(4)在Rλ及其22種變換數據中,波長間隔設為9 nm的d1[log(1/Rλ)],是建立BP神經網絡模型的首選數據形式;(5)利用波長間隔設為9 nm的d1[log(1/Rλ)]這一數據形式,建立瞭辨識果樹樹種的3層BP神經網絡模型.
이용관층광보반사솔수거(Rλ),대처우과실성숙기적칠충괘과과수적수충진행료변식연구.통과광보수거중채양、식피지수구산등상관수거처리,비교료륙충위성전감기여사충식피지수대과수수충적변식효능,병재우선수거형식、우화모형삼수적기출상,건립료변식과수수충적BP신경망락모형.주요결론위:(1)륙충위성전감기변식과수수충적효능유강도약적배렬순서위:MODIS,ASTER,ETM+,HRG,QUICKBIRD,IKONOS;(2)재사충식피지수중,RVI대과수수충적변식효능최강,기차시NDVI,SAVI여DVI적변식효능상대교약;(3)용MODIS혹ETM+전감기적근홍외통도여홍광통도상적반사솔수거,구산적RVI여NDVI대과수수충적변식효능상대교강;(4)재Rλ급기22충변환수거중,파장간격설위9 nm적d1[log(1/Rλ)],시건립BP신경망락모형적수선수거형식;(5)이용파장간격설위9 nm적d1[log(1/Rλ)]저일수거형식,건립료변식과수수충적3층BP신경망락모형.
