第 3 期赵庆展等 : 基于无人机多光谱影像特征的最佳波段组合研究 243 unsupervisedclassificationandsupervisedclassificationmethodswereusedtoverifytheclasification accuracywiththeopt

Size: px

Start display at page:

Download "第 3 期赵庆展等 : 基于无人机多光谱影像特征的最佳波段组合研究 243 unsupervisedclassificationandsupervisedclassificationmethodswereusedtoverifytheclasification accuracywiththeopt"

耀侗濮
5 years ago
Views:

1 2016 年 3 月农业机械学报第 47 卷第 3 期 doi: /j.issn 基于无人机多光谱影像特征的最佳波段组合研究 1,2 赵庆展刘 1,2 伟 1,2 尹小君 1,2 张天毅 (1. 石河子大学信息科学与技术学院, 石河子 ;2. 兵团空间信息工程技术研究中心, 石河子 ) 摘要 : 针对卫星遥感影像分辨率低时间周期长波段冗余信息多等问题, 利用无人机多光谱数据获取便捷成本低周期短的优势, 以玛纳斯河畔为研究区, 使用固定翼无人机搭载 MicroMCA12Snap 多光谱传感器获取高分辨率多光谱影像通过对多光谱影像数据标准差及相关性进行分析排序, 结合 OIF 方法得到原始波段最佳组合, 使用多种植被及水体指数主成分分析灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段, 提出将光谱特征纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合实验结果表明, 针对 MicroMCA12Snap 多光谱传感器, 可选择波段 NDVI NDWI 以及灰度共生矩阵中的 Mean 参量作为其地物分类的最佳波段组合感兴趣区域内非监督 IsoData 分类精度从 83 57% 提升到 89 80%, 监督的 SVM 分类精度从 95 58% 提升到 99 76% 研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考关键词 : 无人机 ; 多光谱传感器 ; 最佳波段组合 ; 光谱特征 ; 纹理特征中图分类号 :TP751;S23 文献标识码 :A 文章编号 : (2016) SelectionofOptimum BandsCombinationBasedon MultispectralImagesofUAV ZhaoQingzhan 1,2 LiuWei 1,2 YinXiaojun 1,2 ZhangTianyi 1,2 (1.ColegeofInformationScienceandTechnology,ShiheziUniversity,Shihezi832000,China 2.GeospatialInformationEngineeringResearchCenter,XinjiangProductionandConstructionCorps,Shihezi832000,China) Abstract:Withtherapiddevelopmentofunmannedaerialvehicle(UAV),itiswidelyusedinthefield remotesensingwhichisdiferentfromthesateliteremotesensing,andhasmanyadvantagessuchasmore convenient,lowercost,andshorterrevisitcycle.however,efectiveinformationcannotbeextractedfrom themultispectralimagesofuav easilybecauseofthehigh resolutionmulti bandredundantdatawhich canincreasethecomplexityofdataprocesingandconsumealotofcomputationalresources.therefore, thepurposeofthisresearch istostudytheoptimum bandscombination which can beextracted by multispectralimage.manas sriversideinshihezi,xinjiangwasselectedasresearcharea.fixed wing UAVequippedwithMicroMCA12Snapwasusedtoobtainhigh resolutionmultispectralimages.based onthissystem,amethodwasproposedtoselecttheoptimum bandscombinationfortopographicalobjects clasification.first,thestandarddeviationandcorelationcoeficientofthemulti spectralimage sgray valuewereanalyzed;theoriginalbandscombinationsweregotwiththeoifmethod.then,themost informativespectralfeaturebandsandtexturefeaturebandsweredeterminedrespectivelybyusingvariety methods,suchasvegetationandwaterindex,principalcomponentanalysis,andglcm.finaly,the originalbandscombination,spectralfeaturebandsandtexturefeaturebandswerecombinedtoobtainthe finalresult.accordingtotheanalysis,bands1,6,11,ndvi,ndwiandthemeanparameterofglcm combination ofmicro MCA12 Snap multi spectralsensors were selected as the optimum bands combinationfortopographicalobjectsclasification. Afterthe selection ofthe bandscombination, 收稿日期 : 修回日期 : 基金项目 : 国家自然科学基金项目 ( ) 和新疆生产建设兵团科技计划项目 (2015BA006) 作者简介 : 赵庆展 (1972 ), 男, 副教授, 主要从事农业信息化空间信息系统集成与服务研究,E mail:zqz_inf@shzu.edu.cn

2 第 3 期赵庆展等 : 基于无人机多光谱影像特征的最佳波段组合研究 243 unsupervisedclassificationandsupervisedclassificationmethodswereusedtoverifytheclasification accuracywiththeoptimum bandscombinationrespectively.theclasificationaccuracywithisodataof ROI(regionofinterest)wasincreasedfrom83 57% to89 80%,whenitcomestoSVM,theaccuracy wasincreasedfrom95 58% to99 76%.Inaddition,thestudyalsoprovidesefectivereferenceforthe selectionofoptimum bandscombinationwithuavmultispectralimages. Keywords:unmannedaerialvehicle;multi spectralsensors;optimum bandscombination;spectral feature;texturefeature 引言随着无人机 (Unmannedaerialvehicle,UAV) 技术和轻型多光谱相机的发展, 基于无人机的低空多光谱遥感越来越被人们所关注以无人机为飞行平 [1] 台的遥感系统具有起降灵活低空飞行低成本 [2-3] 易维护的特点, 可获得高空间分辨率高光谱分辨率及高时间分辨率的多光谱影像 [4-5] 无人机遥感的先天性优势也使得其在国土测绘 [6-7] 环境灾害 [8-9] [10-15] 农情监测等方面得到广泛应用针对高空间分辨率及光谱分辨率的遥感影像分类一直是影像信息提取的重要步骤, 也是研究热点之一高精度的影像分类对植被覆盖度反演地物识别农田灾害监测等具有重要意义由于光谱分辨率的提高, 多光谱相机相邻波段之间的相关性也大大增加, 因此多个波段之间就会有大量的信息冗余, 这种冗余一方面增加了数据处理复杂度, 另一方面消耗了大量的计算资源因此在实际应用过程中通常采用最佳波段组合的方法对获得的数据进行降 [16-18] [19] 维预处理后再进行分析刘春红等提出了自适应波段选择 (ABS) 的降维方法, 充分考虑了高光谱图像的空间相关性和谱间相关性, 通过计算各个波段的指数来选择信息量大并且与其他波段相关 [20] 性小的波段谭玉敏等使用子空间划分波段指数选择以及 J M 距离判别 3 种数据降维方法获得 [21] 了最佳波段组合张磊等提出了利用稳定系数进行波段初选择, 根据相关系数选择波段组合生成新影像, 并对新影像进行最佳指数因子 (OIF) 计算, 得到 OIF 值最大的波段组合为最佳波段组合姜小 [22] 光等在综合考虑各波段的信息含量波段间的相关性波段的可分性以及地物光谱吸收特性等因素的基础上, 提出了面向对象的选择成像光谱数据最佳波段的基本思路和方法综上所述, 多光谱最佳波段的选择研究已有了很大的进展, 也提出了很多新的方法和理论但是以上方法均通过各种波段指数来进行最佳波段组合的选择, 而未对高分辨率影像的纹理信息进行提取, 造成了有效信息的丢失本文通过计算最佳波段指数以确定原始多光谱相机波段的最佳波段组合, 再利用低空无人机多光谱遥感影像的特点获取纹理信息的特征量与光谱信息的指数特征量, 将 3 组信息结合并选择出最佳波段组合 (Optimalbands combination,obc) 1 研究区域数据获取及预处理 1 1 无人机平台本研究所使用的无人机平台为背推式油动固定翼无人机 ( 远征 6 系列 ), 该无人机翼展 6m, 机身长 3 2m, 机身高度 0 9m, 有效载荷 20kg, 起飞质量 90kg, 巡航速度 90~150km/h, 续航时间 4h, 最大航程 600km, 升限海拔 5000m, 抗风能力 5 级配合加拿大的 MicroPilot 飞行控制器, 可通过地面控制站预先编写程序使无人机按照预定航线进行自主飞行 1 2 多光谱传感器美国 Tetracam 公司生产的 MicroMCA12Snap 多光谱相机具有质量轻体积小及远程触发的特点, 适合在中小型无人机上进行搭载每个波段配备 1 3 兆像素 CMOS 传感器 (6 18mm 4 95mm), 图像分辨率为 1280 像素 1024 像素, 光圈 F3 2, 焦距 9 6mm, 质量 1 3kg, 快门速度可调 (1~3s), 可进行 12 波段 ( 可自由选配 ) 影像数据获取表 1 为其获取波段的波长及波段特征, 前 5 个波段位于可见光区域, 波段 6 7 位于植被反射光谱曲线的红边区域, 最后的 5 个波段位于近红外区域其中波段分别近似 TM 影像的波段, 可进行相应指数的计算 1 3 数据获取及预处理实验以玛纳斯河畔为研究区, 数据获取目标区域长 8km, 宽 1km, 航高 500m, 巡航速度 120km/h, 共 8 条航线, 航向重叠率为 83%, 旁向重叠率为 54%, 满足后期影像处理需求使用 Pix4D Mapper 软件进行无人机影像的拼接处理 [23] 处理过程中首先进行自动空三加密后再通过相应的地面控制点数据进行 3 阶多项式模型对影像校正, 最终输出数字正射影像 (Digitalorthophotomap,DOM), 对得到

农２４４业机表１ＭＭＣＡ１２Ｓ传感器波长及波段特征械学报２０１６年性系数其中标准差代表了像元灰度的离散程度Ｔｂ１Ｗｖｌｇｈｄｂｄｆｕｆｍ标准差越大表示灰度与均值差越大所能反映的图ＭＣＡ１２Ｓ像信息量越多标准差越小反映的图像信息量越波段波长ｍ波宽ｍ小波段间相关性系数代表了

3 农２４４业机表１ＭＭＣＡ１２Ｓ传感器波长及波段特征械学报２０１６年性系数其中标准差代表了像元灰度的离散程度Ｔｂ１Ｗｖｌｇｈｄｂｄｆｕｆｍ标准差越大表示灰度与均值差越大所能反映的图ＭＣＡ１２Ｓ像信息量越多标准差越小反映的图像信息量越波段波长ｍ波宽ｍ小波段间相关性系数代表了２个波段之间数据的波段特征１４７０区分植被和土壤岩石表层重叠度相关性越大表示数据重叠度越高冗余信２５１５可见光光谱中的绿波波峰息越多相关性越小表示数据重叠度越低冗余信３５５０对水质浊度变化敏感４６植被光谱反射曲线中红光初始波段５６５６重新归一化植被指数６７植被光谱反射曲线的初始上坡位置７７６０植被光谱反射曲线的近红外初始波段８８００归一化植被指数重新归一化植被指数９８３０区别植被种类８６０与植物总叶绿素含量显著相关１１９００２０计算特定作物水分敏感指数１２９５０４０计算水波段指数息越少２２２４灰度标准差及波段间相关系数计算公式分别为ＸＳＸ２１槡１ＸＸＸｊＸｊ１ＲｊＸ槡Ｘ２１的影像再利用ＥＮＶＩ软件对其进行几何校正预处理结束后最终选取玛纳斯河畔附近地物类别明显约２式中像元总个数ＸＸ像元灰度Ｘ波段灰度平均值进行最佳波段组合的研究研究区地物大致可分为Ｘｊ波段ｊ灰度平均值耕地林地水体砂石裸地及建筑物６类如图１Ｘ波段中第像元灰度技术流程图Ｘｊ２槡像元序号ｊ１０１２３ｋｍ的２块对照区域地面分辨率为０２２６ｍ所示图２为无人机遥感系统最佳波段组合选择的２Ｘｊ波段ｊ中第像元灰度对研究区域进行统计分析得到波段１１２的标准差分别为４４７９３１２４３４３９４２６３７８５２最佳波段选择２９２７３６６７３３７２４０４２３７０３１０７１７９７最佳波段选择应满足波段信息量越大越好波各波段标准差从可见光到近红外区域整体呈逐渐降段间相关性越小越好地物对所选取的波段组合具低的趋势但部分波段有回升并且第４７１１波有较大的光谱差异３个基本条件段是明显的４个峰值标准差从大到小依次为２１原始波段组合选择４５７３８２１９１２以区域Ａ为例首先对特征影像进行统计分析得到各波段像元的灰度标准差及波段间的相关通过计算得到波段间相关系数矩阵如表２所示由表２可看出根据相关系数可将波段分为２组图１研究区域ＡＢＦｇ１ＲｈＡｄｂ

4 第 3 期赵庆展等 : 基于无人机多光谱影像特征的最佳波段组合研究 245 图 2 无人机遥感系统最佳波段组合选择技术流程图 Fig.2 Bestbandcombinationselectionprocess technologyofuavsystem 其中第 1 组波段 1~6 为可见光区域, 波段之间相关系数均值较低, 数值分布为 0 35~0 48 相关系数均值从小到大依次为 ; 第 2 组波段 7~ 12 为近红外区域, 波段之间相关性系数均值较高, 数值分布为 0 44~0 52 相关性系数均值从小到大依次为 ; 这 2 组波段间的相关性系数均低于 2 组波段内部之间的相关性系数, 除了第 6 波段与第 2 组波段之间相关性系数均值呈正相关为 0 23, 其他波段与第 2 组波段间均呈负相关关系最佳指数因子 [24-25] (Optimum index factor, OIF) 是基于波段信息量标准差及波段间相关性系数提出的并且能反映波段组合信息质量的方法, 计算公式为 R OIF = S 1 +S 2 +S 3 (3) R 12 +R 13 +R 23 式中 S 1 S 2 S 3 为 12 个波段中任意 3 个波段的标准差, R 12 R 13 R 23 为任意选择的 3 个波段间相关性系数选择 3 个波段组合并计算其 OIF 值,OIF 值越大, 波段标准差越小, 波段间相关性系数越小, 说明波段组合数据质量最优针对多光谱相机的 12 个波段, 共产生 220 个 3 波段组合, 采用 C++ 编程计算其 OIF 值, 数值前 10 位的组合如表 3 所示由表 3 可看出,OIF 值排序第一的波段组合中,1 6 波段的标准差较大,12 波段标准差却最小, 反而排序第二的 11 波段标准差较大而 1 6 波段正好与波段分别处于相关性小的 2 组波段中, 且 1 6 波段与波段分别是各自波段组合中相关性最小的波段综合考虑以上信息, 初步选择 , 和波段组合进行后续对照实验 2 2 影像特征信息选择表 2 研究区域 A12 波段间相关系数遥感影像的特征变量是影像分类和识别过程中的主要依据影像的各个波段灰度是其基本特征变量, 通过波段运算或 K L 变换 K T 变换等即可得到新的特征变量针对 MicroMCA12Snap 多光谱相机所具有的波段和高分辨率特征, 分别提取影像的光谱特征变量和纹理特征变量再利用标准差进行特征信息的选择, 达到既能降低数据处理复杂度, 又能提高地物分类精度的目的目前遥感领域提出的各种指数多达数百种, 针 Tab.2 Correlationcoeficientsbetween12bandsinresearchareaA 波段均值

5 246 农业机械学报 2016 年表 3 研究区域 A OIF 值前 10 位的波段组合 Tab.3 Top10bandcombinationofOIFvalue inresearchareaa 序号波段组合 OIF 对研究区域地物种类及多光谱相机可选波段, 本研究选择计算植被敏感相关指数及水体敏感相关指数, 分别为归一化植被指数 (NDVI) 红边归一化植被指数 (NDVI 710 ) 比值植被指数 (RVI) 以及归一化差分水体指数 (NDWI) 水波段指数 (WBI) 进行指数计算之后对 RVI 及 WBI 进行数据归一化并统计其标准差计算公式及结果如表 4 所示表 4 研究区域光谱特征信息计算 Tab.4 Informationcalculationofspectralcharacteristics inresearcharea 指数名称计算公式标准差归一化植被指数 R NDVI = ρ 800 -ρ 656 ρ 800 +ρ 656 红边归一化植被指数 R NDVI710 = ρ 760 -ρ 710 ρ 760 +ρ 710 比值植被指数 R RVI = ρ 800 ρ 656 归一化差分水体指数 R NDWI = ρ 550 -ρ 950 ρ 550 +ρ 950 水波段指数 R WBI = ρ 900 ρ 950 注 :ρ 800 表示波长 800nm 处的反射率针对植被指数, 其标准差由大到小排列依次为 NDVI NDVI 710 RVI, 水体指数标准差由大到小依次排列为 NDWI WBI 故选取 NDVI 和 NDWI 作为最终光谱特征信息随着多光谱影像分辨率的逐渐提高, 地物纹理信息与光谱信息一样非常重要, 可尽量避免光谱信息识别过程中可能存在的同物异谱和异物同谱现象, 从而提高分类识别精度实验首先采用协方差矩阵作为变换矩阵进行主成分变换 (Principalcomponentanalysis,PCA) 获得多组图像序列并按照信息量从大到小排列, 然后利用第 1 主成分 ( 包含了图像信息的 85 5%) 获得影像的灰度共生矩阵 (Graylevelco occurencematrix,glcm) 的 8 个主要参量 ( 均值方差同源性对比度相异度熵二阶距相关性 ), 对信息量进行统计的结果分别为 , 因此选取均值为最终纹理特征信息综上多光谱影像原始波段的选择以及影像特征信息的选择, 得到针对 MicroMCA12Snap 多光谱相机的初步波段组合分别为 NDVI NDWI 均值 (Mean), NDVI NDWI Mean 和 NDVI NDWI Mean 3 实验及结果分析通过以上分析得到空谱信息与 OIF 指数相结合的 3 组波段组合, 对研究区域 A B 分别设计 8 组 ( 共 16 组 ) 实验, 对同一研究区域分别使用 3 组波段组合和原始 12 波段进行非监督的 IsoData (Iterativeselforganizingdataanalysis) 分类及监督的支持向量机 (Supportvectormchine,SVM) 分类其中 SVM 分类时采用 RadialBasisFunction 构建分类器, 且模型参数 γ=0 083, 惩罚系数 C=100 最后以总体分类精度和 Kappa 系数作为评价分类效果的指标所有实验组合分类结果的精度评价如表 5 所示其中研究区域 A B 以 NDVI NDWI Mean 为最佳波段组合的分类结果, 如图 3 所示针对不同波段组合 : 以 A 区域为例说明, 原始波段进行 SVM 分类的总体分类精度为 95 58%, Kappa 系数而 3 种波段组合 SVM 分类总体精度分别为 99 07% 99 76% 99 65%,Kappa 系数分别为 , 各组实验对比原始波段的分类精度均得到了提升 SVM 分类实验的总体分类精度由大到小排序为 : NDVI NDWI Mean, NDVI NDWI Mean, NDVI NDWI Mean, 原始波段组合 B 区域反映出一致结果针对不同研究区域 : 对比研究区域 A B 来看, 使用 3 种波段组合和原始波段组合的 IsoData 和 SVM 分类总体精度和 Kappa 系数由大到小均为 : NDVI NDWI Mean, NDVI NDWI Mean, NDVI NDWI Mean, 原始波段组合, 其中 IsoData 分类时的总体精度分别为 A:86 94% 89 80% 88 72% 83 57%;B:86 24% 88 48% 87 36% 84 37% SVM 分类 3 种波段组合的总体精度分别为 A:99 07% 99 76% 99 65% 95 58%; B:99 27% 99 57% 99 46% 95 27% 针对不同分类方法 : 以 A 区域为例说明,SVM

第３期赵庆展等基于无人机多光谱影像特征的最佳波段组合研究２４７表５研究区域ＡＢ各组分类结果精度Ｔｂ５ＣｌｆｕｙｍｂｗｈＡｄｂ最佳波段组合区域波段选择指标ＮＤＶＩＭＡ１ＮＤＶＩＭ１２ＮＤＶＩＭＮＤＶＩＭＢ１ＮＤＶＩＭ１２ＮＤＶＩＭ原始波段组合ＩＤＳＶＭ８６９４９９０７Ｋ系数０８４９７０

6 第３期赵庆展等基于无人机多光谱影像特征的最佳波段组合研究２４７表５研究区域ＡＢ各组分类结果精度Ｔｂ５ＣｌｆｕｙｍｂｗｈＡｄｂ最佳波段组合区域波段选择指标ＮＤＶＩＭＡ１ＮＤＶＩＭ１２ＮＤＶＩＭＮＤＶＩＭＢ１ＮＤＶＩＭ１２ＮＤＶＩＭ原始波段组合ＩＤＳＶＭ８６９４９９０７Ｋ系数０８４９７０９８１６指标ＩＤＳＶＭ８９８０９９７６８３５７９５５８Ｋ系数０８６８５０９９５６Ｋ系数０８３２５０９５４７８８７２９９６５Ｋ系数０８５７２０９８７８８６２４９９２７０９８０４Ｋ系数０８４２５８８４８９９５７８４３７９５２７Ｋ系数０８６１５０９９４７Ｋ系数０８４３６０９６２３８７３６９９４６Ｋ系数０８５３２０９８４１图３研究区域ＡＢ分类结果１ＮＤＶＩＭＦｇ３ＣｌｆｕｌｆｈＡｄｂ１６１１ＮＤＶＩＮＤＷＩＭ分类与ＩＤ分类结果总体精度由大到小均为息量最大１２波段信息量最小波段４７１１信息１ＮＤＶＩＭ１２ＮＤＶＩ量有较明显的峰值ＭＮＤＶＩＭ原始波段组合ＭＣＡ１２Ｓ多光谱相机在本研究２由Ｍ其中ＳＶＭ分类方法的以上３种组合及原始波段组区中所获取的数据基本可分为２个组第１组波段合分类精度分别为９９７６９９６５９９０７１６为可见光区域波段间相关性较低信息重叠９５５８ＩＤ分类方法的以上３种组合及原始度较低冗余度小第２组波段７１２为近红外区波段组合分类精度分别为８９８０８８７２域波段间相关性较高信息重叠度较高冗余度大８６９４８３５７Ｂ区域反映出一致结果４结论１针对本研究区ＭＭＣＡ１２Ｓ多光谱数据的标准差从可见光到近红外区域整体呈逐渐降Ｆ指数计算无法得到质量最优的３简单的ＯＩ波段组合数据针对基于无人机搭载ＭＭＣＡ１２Ｓ的数据特点提取出影像光谱特征信息和纹理Ｆ选择的波段组合相结合确定最佳特征信息与ＯＩ波段组合是一种有效方法低的趋势但部分波段有升高同时表明从可见光到４通过设计的对比实验看出不论是不同实近红外波段所含信息量呈降低趋势其中１波段信验区域不同分类方法还是不同波段组合根据以上

7 248 农业机械学报 2016 年方法确定的波段组合进行分类所得到的分类精度均高于原始波段组合的分类精度针对 MicroMCA12 Snap, 其中 NDVI NDWI Mean 组合的分类精度要比其他波段组合都高, 为最优的分类波段组合同时也间接说明 OIF 指数最大的组合与分类精度最高组合之间不是严格的对应关系参考文献 1 史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望 [J]. 农业机械学报,2015,46(2): SHIZhou,LIANGZongzheng,YANGYuanyuan,etal.Statusandprospectofagriculturalremotesensing[J].Transactionsofthe ChineseSocietyforAgriculturalMachinery,2015,46(2): (inChinese) 2 汪沛, 罗锡文, 周志艳, 等. 基于微小型无人机的遥感信息获取关键技术综述 [J]. 农业工程学报,2014,30(18):1-12. WANGPei,LUOXiwen,ZHOU Zhiyan,etal.KeytechnologyforremotesensinginformationacquisitionbasedonmicroUAV [J].TransactionsoftheCSAE,2014,30(18):1-12.(inChinese) 3 田振坤, 傅莺莺, 刘素红, 等. 基于无人机低空遥感的农作物快速分类方法 [J]. 农业工程学报,2013,29(7): , 295. TIANZhenkun,FU Yingying,LIU Suhong,etal.RapidcropsclassificationbasedonUAV low altituderemotesensing[j]. TransactionsoftheCSAE,2013,29(7): ,295.(inChinese) 4 王利民, 刘佳, 杨玲波, 等. 基于无人机影像的农情遥感监测应用 [J]. 农业工程学报,2013,29(18): WANGLimin,LIU Jia,YANG Lingbo,etal.Applicationsofunmannedaerialvehicleimagesonagriculturalremotesensing monitoring[j].transactionsofthecsae,2013,29(18): (inchinese) 5 王青山. 简述无人机在遥感技术中的应用 [J]. 测绘与空间地理信息,2010,33(3): ,104. WANGQingshan.UAV applicationsinremotesensingtechnology[j]. Geomatics& SpatialInformationTechnology,2010, 33(3): ,104.(inChinese) 6 王洛飞. 无人机低空摄影测量在城市测绘保障中的应用前景 [J]. 测绘与空间地理信息,2014,37(2): ,222. WANGLuofei.Unmannedaerialsystem applicationsandprospectsintheurbansurveyandmapping[j].geomatics& Spatial InformationTechnology,2014,37(2): ,222.(inChinese) 7 毕凯, 李英成, 丁晓波, 等. 轻小型无人机航摄技术现状及发展趋势 [J]. 测绘通报,2015(3):27-31,48. BIKai, LIYingcheng, DING Xiaobo, etal. AerialphotogrammetrictechnologyoflightsmalUAV: statusand trend of development[j].buletinofsurveyingandmapping,2015(3):27-31,48.(inchinese) 8 雷添杰, 李长春, 何孝莹. 无人机航空遥感系统在灾害应急救援中的应用 [J]. 自然灾害学报,2011,20(1): LEITianjie,LIChangchun,HEXiaoying.Applicationofaerialremotesensingofpilotlessaircrafttodisasteremergencyrescue [J].JournalofNaturalDisasters,2011,20(1): (inChinese) 9 韩文权, 任幼蓉, 赵少华. 无人机遥感在应对地质灾害中的主要应用 [J]. 地理空间信息,2011,9(5):6-8, 冯家莉, 刘凯, 朱远辉, 等. 无人机遥感在红树林资源调查中的应用 [J]. 热带地理,2015,35(1): FENGJiali,LIUKai,ZHU Yuanhui,etal.Applicationofunmannedaerialvehiclestomangroveresourcesmonitoring[J]. TropicalGeography,2015,35(1):35-42.(inChinese) 11 何诚, 张思玉, 姚树人. 旋翼无人机林火点定位技术研究 [J]. 测绘通报,2014(12): HECheng,ZHANG Siyu,YAO Shuren.ForestfireslocatingtechnologybasedonrotorUAV[J].BuletinofSurveyingand Mapping,2014(12):24-27.(inChinese) 12 HERWITZ S,JOHNSON L,DUNAGAN S,etal.Imagingfrom anunmannedaerialvehicle:agriculturalsurveilanceand decisionsupport[j].computersandelectronicsinagriculture,2004,44(1): RANGO A,LALIBERTEA,HERRICK JE,etal.Unmannedaerialvehicle basedremotesensingforrangelandassessment, monitoring,andmanagement[j].journalofappliedremotesensing,2009,3(1): LALIBERTEAS,GOFORTH M A,STEELECM,etal.Multispectralremotesensingfrom unmannedaircraft:imageprocessing workflowsandapplicationsforrangelandenvironments[j].remotesensing,2011,3(11): 刘峰, 刘素红, 向阳. 园地植被覆盖度的无人机遥感监测研究 [J]. 农业机械学报,2014,45(11): LIUFeng,LIUSuhong,XIANGYang.Studyonmonitoringfractionalvegetationcoverofgardenplotsbyunmannedaerialvehicles [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2014,45(11): (inChinese) 16 IFARRAGUERRIA,PRAIRIEM W.Visualmethodforspectralbandselection[J].GeoscienceandRemoteSensingLeters, IEEE,2004,1(2): 刘雪松, 葛亮, 王斌, 等. 基于最大信息量的高光谱遥感图像无监督波段选择方法 [J]. 红外与毫米波学报,2012,31(2): ,176. LIUXuesong,GE Liang,WANG Bin,etal.Anunsupervisedbandselectionalgorithm forhyperspectralimagerybasedon maximalinformation[j].journalofinfraredandmilimeterwaves,2012,31(2): ,176.(inchinese) 18 WANGL,GUY,ZHANGY.Bandselectionmethodbasedoncombinationofsupportvectormachinesandsubspatialpartition [J].SystemsEngineeringandElectronics,2005,27(6): ( 下转第 291 页 )

8 第 3 期李美清等 : 基于光谱特征和生理特征的番茄磷营养诊断方法 291 technology[j].transactionsofthecsae,2015,31(supp.1): (inchinese) 12 CHENM J,LIJ,DAIX,etal.Efectofphosphorusandtemperatureonchlorophylacontentsandcelsizesofscenedesmus obliquusandmicrocystisaeruginosa[j].journaloflimnology,2011,12(2): BOWNH E,MASON EG,CLINTON PW,etal.ChlorophylfluorescenceresponseofPinusradiateclonestonitrogenand phosphorussupply[j].cienciaeinvestigacionagraria,2009,4(3): MARCHIVEC,YEHANDAI RESHEFFS,GERMAIN A,etal.Abnormalphysiologicalandmolecularmutantphenotypeslink chloroplastpolynucleotidephosphorylasetothephosphorusdeprivationresponseinarabidopsis[j].plantphysiology,2009,151(10): CAIH G,CHUQ,YUANLX,etal.Identificationofquantitativetraitlociforleafareaandchlorophylcontentinmaize(Zea mays)underlownitrogenandlowphosphorussupply[j].molecularbreeding,2012,30(1): 王磊, 白由路. 基于光谱理论的作物营养诊断研究进展 [J]. 植物营养与肥料学报,2006,12(6): WANGLei,BAIYoulu.Researchadvanceonplantnutritiondiagnosisbasedonspectraltheory[J].PlantNutritionand FertilizerScience,2006,12(6): (inChinese) 17 余文贵, 赵统敏. 番茄栽培新技术 [M]. 福州 : 福建科学技术出版社, 刘伟, 刘长虹, 郑磊. 基于支持向量机的多光谱成像稻谷品种鉴别 [J]. 农业工程学报,2014,30(10): LIUWei,LIUChanghong,ZHENGLei.Discriminationinvarietiesofriceseedswithmultispectralimagingusingsupportvector machine[j].transactionsofthecsae,2014,30(10): (inchinese) 19 IWASAKIN,YASUDA K,UENO G.Dynamicparametertuningofparticleswarm optimization[j].ieee Transactionson ElectricalandElectronicEngineering,2006,1(4): GUDISE V G, VENAYAGAMOORTHY G K. Comparison ofparticleswarm optimization and backpropagation astraining algorithmsforneuralnetworks[c] Proceedingsofthe2003IEEE,Swarm InteligenceSymposium,2003: PENG X,VENAYAGAMOORTHY G K,CORZINEK A.Combinedtrainingofrecurentneuralnetworkswithparticleswarm optimizationandbackpropagationalgorithmsforimpedanceidentification[c] Proceedingsofthe2007IEEE,Swarm Inteligence Symposium,2007: ( 上接第 248 页 ) 19 刘春红, 赵春晖, 张凌雁. 一种新的高光谱遥感图像降维方法 [J]. 中国图象图形学报,2005,10(2): LIU Chunhong,ZHAO Chunhui,ZHANG Lingyan.A newmethodofhyperspectralremotesensingimagedimensionalreduction [J].JournalofImageandGraphics,2005,10(2): (inChinese) 20 谭玉敏, 夏玮. 基于最佳波段组合的高光谱遥感影像分类 [J]. 测绘与空间地理信息,2014,37(4): TANYumin,XIA Wei.Optimum bandcombinationbasedhyperspectralremotesensingimageclassification[j].geomatics& SpatialInformationTechnology,2014,37(4):19-22.(inChinese) 21 张磊, 邵振峰. 改进的 OIF 和 SVM 结合的高光谱遥感影像分类 [J]. 测绘科学,2014,39(11): ,66. ZHANGLei,SHAOZhenfeng.HyperspectralremotesensingimageclassificationbasedonimprovedOIFandSVM algorithm[j]. ScienceofSurveyingandMapping,2014,39(11): ,66.(inChinese) 22 姜小光, 王长耀, 王成. 成像光谱数据的光谱信息特点及最佳波段选择以北京顺义区为例 [J]. 干旱区地理,2000, 23(3): JIANGXiaoguang,WANGChangyao,WANG Cheng.Optimum bandselectionofhyperspectralremotesensingdata[j].arid LandGeography,2000,23(3): (inChinese) 23 董梅, 苏建东, 杨举田, 等. 大区域无人机影像快速无缝拼接方法 [J]. 测绘科学,2014,39(11): DONGMei,SUJiandong,YANGJutian,etal.AfastseamlessimagemosaicmethodforUAVimagesinlargeareas[J].Science ofsurveyingandmapping,2014,39(11): (inchinese) 24 马娜, 胡云锋, 庄大方, 等. 基于最佳波段指数和 J M 距离可分性的高光谱数据最佳波段组合选取研究以环境小卫星高光谱数据在东莞市的应用为例 [J]. 遥感技术与应用,2010,25(3): MANa,HUYunfeng,ZHUANGDafang,etal.DeterminationontheoptimumbandcombinationofHJ 1Ahyperspectraldatain thecaseregionofdongguanbasedonoptimum indexfactorandj M distance[j].remotesensingtechnologyandapplication, 2010,25(3): (inChinese) 25 李石华, 王金亮, 陈姚, 等. 多光谱遥感数据最佳波段选择方法实验研究 [J]. 云南地理环境研究,2005,17(6): LIShihua,WANGJinliang,CHENYao,etal.Experimentalstudiesaboutmethodsonoptimalbandsselectionofmultispectrum remotesensingdatasets[j].yunnangeographicenvironmentresearch,2005,17(6):31-35.(inchinese)

第期李伟等用方法对中国历史气温数据插值可行性讨论

第期李伟等用方法对中国历史气温数据插值可行性讨论李伟李庆祥江志红使用插值方法对已经过质量控制和均一化的年月年月中国全部基本基准站气温资料逐月进行空间插值通过站点的实际序列与插值后格点序列进行比较针对相关系数和线性趋势等多个量来检验方法对气候资料插值的

第 3 期 赵庆展等 : 基于无人机多光谱影像特征的最佳波段组合研究 243 unsupervisedclassificationandsupervisedclassificationmethodswereusedtoverifytheclasification accuracywiththeopt

第 3 期赵庆展等 : 基于无人机多光谱影像特征的最佳波段组合研究 243 unsupervisedclassificationandsupervisedclassificationmethodswereusedtoverifytheclasification accuracywiththeopt