无码精品一区二区三区在线,欲性游乐场(高H),日日橹狠狠爱欧美视频,欧美日韩精品

0 引 言   

近年來，隨著遙感、計算機軟硬件技術的發展和完善，以及響應的高光譜遙感分析處理技術的不斷發展，使得高光譜遙感應用的寬度和廣度越來越大。高光譜遙感已在植被研究中取得了很好的進展，其中以森林樹種的高光譜遙感識別為甚。高光譜森林樹種識別主要包括兩個方面內容：森林樹種類型識別和森林樹種生理生化特性識別。

1  森林樹種類型識別
樹種類型識別是高光譜樹種識別研究中備受關注的應用領域。森林樹種類型之間不僅具有高度相似性和空間變異性，更具有時間動態性強的特點。充分發揮、利用高光譜遙感數據，不僅能夠提供更多的森林樹種類型間的差異信息，而且在識別結果上也具有更高的精確性和可靠性，進而滿足森林樹種類型識別的要求。

1.1 樹種類型識別環境

森林樹種類型識別是高光譜樹種類型識別研究的核心。森林樹種類型識別的主要目的是提取森林樹種的專題信息，為劃分森林類型、繪制林相圖和清查森林資源提供基礎和依據。

有學者利用航空高光譜數據或光譜儀實測的光譜數據進行森林樹種類型的識別研究，還有學者通過利用波段組合、Logistics回歸、建立光譜信息模型等方法，進行森林主要樹種類型的識別，均取得了與地面數據相吻合的結果。宮鵬等在利用記載CASI高光譜數據對美國加州的6種針葉樹種進行識別研究，通過利用光譜微分計算成功地識別出6種針葉樹種，向人們展示了高光譜數據在進行樹種識別方面的強大能力，Zhang等利用小波變換方法處理HYDICE高光譜數據，對處理后的結果進行熱帶森林的樹種的識別精度；一研究人員利用Hyperion高光譜數據和地面觀測數據，比較了幾種高光譜統計模式識別方法，結果發現采用二階統計量方法，同時結合空間上下文信息和光譜信息分類法（ECHO）可以有效地提高森林樹種的識別精度；還有研究人員利用地物光譜儀測量了杉木、雪松、小葉樟樹和桂花等4個樹種光譜數據，并利用光譜微分、波段選擇等技術成功識別出了這幾個樹種。

1.2 外來入侵樹種識別環境
外來入侵樹種所導致的環境、經濟問題已成為全球關注的焦點話題。高光譜識別外來入侵樹種已經有很多成功的案例。在北美中心部，研究者基于高光譜數據，對外來入侵樹種（如闊葉大戟、撐柳、黃薊等的識別和制圖）開展了廣泛而深入的研究。澳大利亞學者利用高光譜數據對其境內的黑莓入侵進行空間分布和擴散規律研究，成功地繪制出黑莓的空間分布圖；臺灣學者利用星載高光譜數據成功地識別出臺灣恒春地區境內的外來物種——銀合歡。相關研究表明。只要入侵樹種覆蓋率超過30%~40%時，就可以通過高光譜數據進行有效地識別。

2  森林樹種生理生化特性識別

在森林樹種的生理生化特征識別中，主要涉及葉面積指數、生物量、水分含量、郁閉度、光合有效輻射、葉綠素、各種營養成分（N、P、K等），（半）纖維、木質素、淀粉和蛋白質等。一研究人員通過不同尺度下冠層光譜模擬，獲得了隨葉綠素含量變化的一些規律。發現MCARI/OSAVI能有效去除土壤背景對植被葉綠素含量估測的影響，利用MCARI/OSAVI植被指數進行葉綠素（a+b）含量的估測可達到預想效果。Dury等的研究中，是用包絡線去除遙感數據對桉樹進行監測，發現利用高光譜數據反演的氮含量估測值與同步實測冠層葉片的氮含量具有一致性。宮鵬等利用高光譜數據對美國俄勒岡州針葉樹的LAI進行了估測實驗。結果發現LAI與歸一化植被指數（NDVI）之間的雙曲線關系是估計LAI最合適的方法。還有研究人員利用進行一階導數運算處理后的高光譜數據對生物量進行估計，其結果很好地反映了地面的實際情況。

此外，我們還可以通過森林生理生化特性的識別得到不同森林樹種間的差異信息，利用這些差異信息進行樹種類型識別研究，可以更為有效地提高樹種類型識別的精度。如結合不同森林樹種之同特有的生化特性，將高光譜數據 ( 航空可見光/紅外成像光譜儀)與簇葉化學成分之間建立關系，成功鑒別了 10 種森林類型(紅楓、紅櫟、闊葉混交林、白松 、鐵杉、針葉混交林、挪威云杉、紅松、云杉沿澤林及落葉闊葉沼澤林)。

另外，在遙感信息處理過程中主要還是依靠人機交互進行,智能化程度不高，可操作性不強，費時費力。因此,進行自動識別端元，提取端元光譜信息，自適應濾波完成混合 光譜的分解，最小人工參與數據的自動處理等都是高光譜遙感森林樹種識別研究中急需解決的問題。

3  存在的主要問題

高光譜遙感以其自身特有的優勢，已經廣泛地應用于森林樹種識別及森林制圖，其識別分類效果比常規遙感有了顯著的提高，成為高光譜植被遙感研究的熱點。然而，對于每個新興的研究領域都存在諸多有待完善的方面。數據處理和分析算法的相對滯后，在一定程度上影響了其在行業應用中的發展，這也無疑將是今后研究中的重點。

3.1 數據質量與保障性環境

首先,機載高光譜傳感器的高成本和覆蓋范圍的局限性，是機載高光譜用于更大尺度、更廣范圍的森林樹種識別研究的主要障礙之一。隨著高光譜傳感器通道數的增加，其與空間平臺數據傳輸資源之間的矛盾日益突出，也嚴重地阻礙了機載高光譜數據在森林樹種識別中的發展。其次,星載高光譜數據受空間分辨率的限制，很難滿足那些森林樹種精細研究的成用要求，再加上星載高光譜數據還需要編程訂購，時間間期長，數掃量大,遙感作業效牽較低,也在一定程度上限制了它的廣泛應用。再次,高光譜用于森林樹種識別還需地面輔助調查,尤其是對于森林類型復雜、森林樹種混交程度較高的山區，由于缺乏重直空間信息和訓練樣本的支持，大大限制了其應用的深度與廣度。目前,森林樹種識別研究主要集中在那些生境條件較為理想的區域，并且研究的對象也僅局限于為數不多的幾種樹種類型。

3.2 有效處理算法缺乏環境

人們在獲取海量高光譜數據的同時，也面臨著如何處理這些高光譜數據的難題，數據處理效果是影響高光譜應用的決定性因素。由于高光譜數據量大和信息的冗余性，利用高光譜數據進行森林樹種識別依然任重道遠。目前的遙感識別算法多是基于統計分析進行的，利用這些傳統的模式識別算法進行高光譜森林樹種識別具有很多難以克服的困難，如運算量太大，樣本需求很多，會遇到“維數災難”，難以獲取合適的類型特征，無法得到各種類型的先驗概率和概率分布，難以形成復雜的判別函數和判別決策面等。隨著高光譜研究的深入，結合高光譜數據特點研究一些基于光譜和光譜模型的識別算法將是未來高光譜識別的重點。

另外，在遙感信息處理過程中主要還是依靠人機交互進行，智能化程度依舊不夠。因此進行識別端元，提取端元光譜信息，自適應濾波完成混合光譜的分解，最小人工參與數據的自動處理等都是高光譜遙感森林識別研究中需要解決的問題。