基于Hyperion高光譜影像土地利用分類.pdf

1、高光譜遙感以納米級的超高光譜分辨率對目標空間特征成像的同時，對每個像元可在更寬波長范圍上形成幾十個乃至幾百個窄波段連續(xù)的光譜覆蓋，具備辨別地物光譜細微差異的能力，這為某一地區(qū)高光譜影像分類提供了可能。但是高光譜遙感數(shù)據(jù)存在波段數(shù)目多、相關性高、空間分辨率較低等一系列問題，通過面向像元與面向亞像元的分類方法，旨在挖掘高光譜數(shù)據(jù)的應用潛力，為高光譜影像分類深入研究提供幫助;同時，減小高光譜數(shù)據(jù)缺陷帶來的影響，發(fā)揮其光譜優(yōu)勢，最終達到進一步提

2、高土地利用分類精度的目的。
　　 本文以Hyperion高光譜數(shù)據(jù)為數(shù)據(jù)源，選取杭州余杭百丈鎮(zhèn)為試驗區(qū)，圍繞Hyperion高光譜影像分類這一目標展開。第一部分基于Hyperion高光譜預處理數(shù)據(jù)比較了基于像元級別的兩種無參機器學習方法—支持向量機和神經(jīng)網(wǎng)絡在同一訓練樣本條件下的學習結果，結果表明支持向量機優(yōu)于神經(jīng)網(wǎng)絡;第二部分基于Hyperion高光譜遙感預處理數(shù)據(jù)，結合紋理信息，在線性分離的光譜信息基礎上，實現(xiàn)對土地各地物的

3、分類，取得了滿意的分類效果。主要結論如下:
　　 (1)雖然從形式以及分類實質上，支持向量機與神經(jīng)網(wǎng)絡分類有類似之處，但是由于兩者對輸入數(shù)據(jù)樣本要求不同，兩者功能結構不同，參數(shù)設定的復雜程度不盡相同，在假定像元為純凈像元，有限訓練樣本條件下，支持向量機各地物分類的生產(chǎn)精度和用戶精度范圍分別是63.89％-98.67％，67.26％-95.39％，神經(jīng)網(wǎng)絡精度范圍為2.95％-99.21％，33.23％-94.18％，支持向量機能

4、夠取得全局最優(yōu)解，而神經(jīng)網(wǎng)絡只能取得局部最優(yōu)，其馬尾松、櫟類精度均高出支持向量機16％和15％。
　　 (2)紋理分析結合其他輔助要素，在中低空間分辨率高光譜遙感數(shù)據(jù)上也能得到較好的分類結果，在波譜與紋理結合方法操作下，建筑物精度較單源信息光譜角制圖與單源信息支持向量機分別提高了34.13％和17.16％，農(nóng)田提高了19.71％和9.24％，馬尾松則改善了27.09％和5.42％，櫟類精度提高了近3％和10％。要想提高精細植被類