多角度高光谱遥感森林类型分类方法研究
|
摘要
目前多角度高光谱遥感技术成功应用到了多种学科中,取得了一些研究成果,并展示了其应用潜力。在林业中,国外展开了植被叶面积指数、生物量、植被生化信息、针叶树种识别等方面的研究工作。我国最近两年也在不断的挖掘及开展多角度高光谱遥感在林业中的应用研究。
本文以吉林省长白山为试验区,针对CHRIS/PROBA多角度高光谱遥感数据的特点,对其进行预处理的基础上,首先通过应用最大似然法(MLC)、最小距离法、支持向量机法(SVM)和光谱角填图法(SAM)等几种常用的遥感影像分类方法对CHRIS 0°影像进行森林类型分类,结果进行比较分析获取精度较高的分类方法;然后采用精度最高的分类方法对CHRIS五个角度影像进行分类,结果进行比较分析;之后又采用该方法对多角度组合影像进行分类,结果分析评价;最后波段组合影像采用该分类方法进行分类,结果分析评价。
主要研究结论:采用不同的分类方法对CHRIS 0°进行分类,结果分析比较得出:SVM分类精度最高72.8448%,Kappa系数为0.6770;利用SVM对CHRIS五个角度影像进行分类,结果比较分析得出:分类精度从高到低依次排为FZA=0>FZA=-36>FZA=-55>FZA=36> FZA=55;利用SVM对多角度组合影像进行分类,结果与CHRIS 0°结果分析比较得出:多角度组合影像森林类型总体分类精度低于单角度影像分类精度;利用SVM对波段组合影像进行分类,结果与CHRIS 0°比较分析得出:波段组合影像森林类型总体分类精度很低,效果不如多角度组合分类结果。本研究得出长白山自然保护区森林类型分类研究中采用CHRIS多角度高光谱数据进行分类,应采用SVM方法对CHRIS单角度影像进行分类效果最好。
Multi-angle hyper-spectral remote sensing had been applied successfully in various subjects, and gained some research achievements. The application potential had been showed. In the field of forestry, research works such as LAI, biomass, vegetation biochemical information, coniferous trees identification and so on are under way abroad. Application research of multi-angle hyper-spectral remote sensing in forestry had been carried continuously recent years in China too.
In this paper, Changbai Mountain is selected as study area. According to the characteristic of CHRIS/PROBA multi-angle hyper-spectral remote sensing data, several common remote sensing image processing methods such as Maximum Likelihood Method (MLM), Minimum Distance Method (MDM), Support Vector Machine (SVM) and Spectrum Angle Mapping (SAM) are applied to classify forest types in CHRIS 0-degree image based on pre-processing. Classification method with relatively higher precision is acquired by results comparison. Then the method is applied to classify five angle images of CHRIS and the results are compared and analyzed. Afterward, the method is applied to classify multi-angle combination images and the results are compared and analyzed. Finally, the method is applied to classify band combination images and the results are compared and analyzed.
Main study conclusion:
By comparing and analyzing classification results of different method to CHRIS 0-degree image, SVM has the highest classification precision of 72.8448%, while the Kappa index is 0.6770. By comparing and analyzing classification results of SVM to CHRIS 5 angle images, the classification precisions are sorted as follow: FZA=0>FZA=-36>FZA=-55>FZA=36>FZA=55. By comparing and analyzing the classification results of SVM to multi-angle combination images with CHRIS 0-degree image, the overall tree type classification precision of multi-angle combination is lower than single-angle image. By comparing and analyzing the classification results of SVM to band combination images with CHRIS 0-degree image, the overall tree type classification precision of band combination is very low which is lower than multi-angle combination image classification. It is concluded that, application SVM to CHRIS single-angle image is the best method to classify forest type by CHRIS multi-angle hyper-spectral data in Changbai Mountain natural reserve.
本文以吉林省长白山为试验区,针对CHRIS/PROBA多角度高光谱遥感数据的特点,对其进行预处理的基础上,首先通过应用最大似然法(MLC)、最小距离法、支持向量机法(SVM)和光谱角填图法(SAM)等几种常用的遥感影像分类方法对CHRIS 0°影像进行森林类型分类,结果进行比较分析获取精度较高的分类方法;然后采用精度最高的分类方法对CHRIS五个角度影像进行分类,结果进行比较分析;之后又采用该方法对多角度组合影像进行分类,结果分析评价;最后波段组合影像采用该分类方法进行分类,结果分析评价。
主要研究结论:采用不同的分类方法对CHRIS 0°进行分类,结果分析比较得出:SVM分类精度最高72.8448%,Kappa系数为0.6770;利用SVM对CHRIS五个角度影像进行分类,结果比较分析得出:分类精度从高到低依次排为FZA=0>FZA=-36>FZA=-55>FZA=36> FZA=55;利用SVM对多角度组合影像进行分类,结果与CHRIS 0°结果分析比较得出:多角度组合影像森林类型总体分类精度低于单角度影像分类精度;利用SVM对波段组合影像进行分类,结果与CHRIS 0°比较分析得出:波段组合影像森林类型总体分类精度很低,效果不如多角度组合分类结果。本研究得出长白山自然保护区森林类型分类研究中采用CHRIS多角度高光谱数据进行分类,应采用SVM方法对CHRIS单角度影像进行分类效果最好。
Multi-angle hyper-spectral remote sensing had been applied successfully in various subjects, and gained some research achievements. The application potential had been showed. In the field of forestry, research works such as LAI, biomass, vegetation biochemical information, coniferous trees identification and so on are under way abroad. Application research of multi-angle hyper-spectral remote sensing in forestry had been carried continuously recent years in China too.
In this paper, Changbai Mountain is selected as study area. According to the characteristic of CHRIS/PROBA multi-angle hyper-spectral remote sensing data, several common remote sensing image processing methods such as Maximum Likelihood Method (MLM), Minimum Distance Method (MDM), Support Vector Machine (SVM) and Spectrum Angle Mapping (SAM) are applied to classify forest types in CHRIS 0-degree image based on pre-processing. Classification method with relatively higher precision is acquired by results comparison. Then the method is applied to classify five angle images of CHRIS and the results are compared and analyzed. Afterward, the method is applied to classify multi-angle combination images and the results are compared and analyzed. Finally, the method is applied to classify band combination images and the results are compared and analyzed.
Main study conclusion:
By comparing and analyzing classification results of different method to CHRIS 0-degree image, SVM has the highest classification precision of 72.8448%, while the Kappa index is 0.6770. By comparing and analyzing classification results of SVM to CHRIS 5 angle images, the classification precisions are sorted as follow: FZA=0>FZA=-36>FZA=-55>FZA=36>FZA=55. By comparing and analyzing the classification results of SVM to multi-angle combination images with CHRIS 0-degree image, the overall tree type classification precision of multi-angle combination is lower than single-angle image. By comparing and analyzing the classification results of SVM to band combination images with CHRIS 0-degree image, the overall tree type classification precision of band combination is very low which is lower than multi-angle combination image classification. It is concluded that, application SVM to CHRIS single-angle image is the best method to classify forest type by CHRIS multi-angle hyper-spectral data in Changbai Mountain natural reserve.
引文
1陈述彭,遥感大辞典[M],科学出版社,1990.
2陈述彭,童庆禧,郭华东,遥感信息机理研究[M],科学出版社,1998.
3唐延林,黄敬峰,农业高光谱遥感研究的现状与发展趋势[J],遥感技术与应用,2001,16(4):248～251.
4郑兰芬,王晋年,成像光谱遥感技术及其图像光谱信息提取分析研究.环境遥感,1992,7(1):49～58.
5刘建贵,高光谱城市地物及人工目标识别与提取[D],中国科学院遥感应用研究所博士论文,1999年8月.
6 Green, A. A., Berman, M., Switzer, P, and Craig, M. D., 1998, A transformation for ordering multispectral data in terms of image quality with implication for noise removal. IEEE Transactions on Geoscience and remote sensing, Vol. 26, No.1, pp65～74.
7 Vane Gregg, Goetz Alexander F H. Terrestrial imaging spectrometry: current status, future trends, Remote Sens. Environ, 1993,44:117～126.
8浦瑞良,宫鹏,高光谱遥感及其应用,高等教育出版社,2000.
9岳跃民,王克林,张兵,陈正超等.高光谱遥感在生态系统研究中的应用进展[J].遥感技术与应用,2008,23(4):471～478.
10童庆禧,张兵,郑兰芬,高光谱遥感原理、技术与应用[M],高等教育出版社,2006.
11 Goetz Alexander F H., et al. 1985. Image spectrometry for earth remote sensing. Science,228(4704):1147～1153.
12童庆禧,郑兰芬,王晋年,湿地植被成像光谱遥感研究,遥感学报,1997,1(1):50～57.
13张宗贵,王润生,基于谱学的成像光谱遥感技术发展与应用,国土资源遥感,2000,3:16～24.
14盛业华,郭达志.工矿城市地面热场的遥感调查及其对大气污染的影响[J].环境学报,1995,16(3):19～22.
15王志民,范心圻.航天遥感在城市热环境调查中的应用[J].航天技术与民品,1995,5:43～46.
16邓孺孺,田国良,孙荃等.北京市污染定量遥感方法及其在长江三角洲的应用[J].红外与毫米波,2003,22(3):181～185.
17疏小舟,汪骏发.航空成像光谱水质遥感研究[J].红外与毫米波学报,2000,19(4):273～276.
18王青华、王润生、郭小方等.高光谱遥感技术在岩石识别中的应用[J].国土资源遥感,2000,4:39～43.
19盖利亚,刘正军,张继贤,CHRIS/PROBA高光谱数据的预处理[J].测绘工程,2008,17(1):40～43.
20 Price, J.C.,1993. Estimating leaf area index from satellite data, IEEE Trans. Geoscience. Remote Sensing,31,727～734.
21张良培,郑兰芬,童庆禧,利用高光谱对生物变量进行估计[J]。遥感学报,1997,1(2):111～114.
22宫鹏,浦瑞良,郁彬,不同季相针叶树种高光谱数据识别分析[J].遥感学报,1998,2(3):211～217.
23 Martin M E, et al. 1998. Determining forest species composition using high spectral resolution remote sensing data, Remote sens. Environ., 65:249～254.
24 Pu Ruiliang, Peng Gong.2004. Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping. Remote Sensing of Environment ,91,212～224.
25浦瑞良,宫鹏,森林生物化学与CASI高光谱分辨率遥感数据的相关分析[J].遥感学报,1997,1(2):115～123.
26 Wessman, C.A., Aber, J.D. and Peterson, D.L. 1989. An evalustion of imaging spectrometry for estimating forest canopy chemistry. Int. J. Remote Sens. 10:1293～1316.
27谭炳香,高光谱遥感森林群落识别及其郁闭度定量估测研究[D].中国林业科学院资源信息所博士论文,2006年6月.
28吴培中,从地球观测卫星看21世纪卫星新技术.国际太空,2001,年8月(总第272期).
29朱娟娟,多角度遥感现状与发展[J].技术论坛.(中国高新技术企业)
30 Deuze J L,Brbon F M, Deschamps P Y, et al. Analysis of the POLDER(Polarization and Directionality of the Earth’s Reflectances)Airborne Instrument Observations over Land Surfaces.Remote Sens Environ,1993,45:137～154.
31何莜萍,易浩若,归一化植被指数(NDVI)在林火监测中的应用[J].林业科技通讯,1997,8:18～20.
32周广胜,全球碳循环[M],北京气象出版社,2003.
33 Diner,D.J.,et al.,New Directions in Earth Observing:Scientific Applications of Multiangle Remote Sensing.Bulletin of the American Meteorological Society,1999,80(11):2209～2228.
34 Friedl,M.,Global land cover mapping from MODIS algorithms and early results.Remote Sensing of Environment,2002.83(1):287～302.
35 Chopping,M.,et al.,Mapping shrub abundance in desert grasslands using geometric-optical modeling and multi-angle remote sensing with CHRIS/PROBA.Remote Sensing of Environment,2006,104(1):62～73.
36 Deferis R S,Townshend J R G,NDVI-derived Land Cover Classification at a Global Scale[J].International Journal of Remote Sensing,1994,15:3567～3586.
37李晓兵,史培军,基于NOAA/AVHRR数据的中国主要植被类型NDVI变化规律研究[J].植被学报,1999,41(3):314～324.
38孙红雨,王长耀,牛铮,中国地表植被覆盖变化及其与气候因子关系——基于NOAA时间序列数据分析[J].遥感学报,1998,2:204～209.
39夏露,刘咏梅,柯长青等.基于SPOT4数据的黄土高原植被动态变化研究[J].遥感技术与应用,2008,23(1):67～71.
40谭炳香,李增元,陈尔学等.高光谱遥感森林信息提取研究进展[J].林业科学研究,2008,21:105～111.
41 http://baike.baidu.com/view/85006.htm
42 http://hdf.ncsa.uiuc.edu/
43 http:/www.rsad.co.uk/chris/mission/instrument/pg/pgproba-chris.ml.
44董广香,张继贤,刘正军.CHRIS/PROBA数据条带噪声去除方法比较[J].遥感信息,2006,6:36～39,49.
45刘建贵,吴长山,张兵,郑兰芬,童庆禧,PHI成像光谱图像反射率转换,2003.
46熊桢,“高光谱遥感图像分类技术研究”,中科院遥感应用研究所博士学位论文,2000.
47徐萌,郁凡,李亚春,王成刚等,6S模式对EOS/MODIS数据进行大气校正的方法[J].南京大学学报:自然科学版,2006,42(6):582～589.
48杨静学,王云鹏,杨勇.基于高程或气溶胶厚度与6S模型校正参数回归方程的遥感图像大气校正模型[J].遥感技术与应用,2009,3:331～340.
49文彦福,张宏飞,基于高分辨率影像的数字正射影像图的制作[J].新疆有色金属,2007:55～57.
50刘云碧,汪虹,陈健,山地、高山地卫星影像的正射处理与质量控制[J].地理空间信息,2009,7(3):18～20.
51刘善伟,张杰,马毅,控制点数量与DEM分辨率对海岸带遥感影像正射校正精度影响分析[J],海洋科学,2009,33(4):9～13.
52 ENVI User’s Guide,Chapter10,Research Systems Inc,2003.
53姜小光,成像光谱遥感农作物信息提取与挖掘研究—以北京顺义区为例[D].中国科学院遥感应用研究所博士论文,2000年7月.
54 http://kepu.ccut.edu.cn/100k/read-htm-tid-2423.html.
55 Vladimir N. Vapnik著,张学工译.统计学习理论的本质[M].北京:清华大学出版社,2000.
56贾萍,李海涛,顾海燕,等.基于SVM的多源遥感影像分类研究[J].测绘科学,2008,7,33(4):21～23.
57钟达夫,唐懿芳,主成分分析方法对数据进行预处理[J].广西师范大学学报,2002:322～324.
58谭炳香,高光谱遥感森林应用研究探讨.世界林业研究,2003,16(2):33～37.
59万华伟,王锦地,肖志强等.MISR多角度遥感数据的组件库处理方法及数据分析[J].遥感应用,2007,4:16～20.
60高峰,朱启疆。植被冠层多角度遥感研究进展[J].地理科学,1997,17(4):346～355.
61汪骏发,高晓萍,陈志峰等.多角度遥感及其航空成像仪[J].红外与毫米波学报,2001,20(5):329～334.
62赵新振,朱登强,黄家荣等.矿区植被遥感调查最佳波段组合的选择[J].山地农业生物学报,2008,27(5):464～466.
63李谢辉,郑奕.基于最优波段组合的土地利用/覆盖遥感信息提取研究[J].安徽农业科学,2009,37(14):6696～6699.
64肖辉军,蒋恩松,丁树文.基于SVM的IRS-P6卫星影像分类方法[J].陕西科技大学学报,2008,26(6):154～158.
65苏红军,杜培军,盛业华.高光谱遥感数据光谱特征提取算法与分类研究[].计算机应用研究,2008,25(2):390～394.
66申茜,张兵,李俊生等.航天高光谱遥感CHRIS的水体图像大气校正[J].测绘学报,2008,37(4):476～488.
67俞旭升.基于Cyberland与PCI的高分辨率卫星影像几何纠正比较研究[J].技术应用,2006,6:52～55.
68范文义,徐程扬,叶荣华,王君厚等.高光谱遥感在荒漠化监测中的应用[J].东北林业大学学报,2000,28(5):139～141.
69郑明国,蔡强国.一种新的土地覆盖类别面积估计方法及其在最大似然分类法中的应用[J].资源科学,2007,29(3):214～220.
70陶秋香.植被高光谱遥感分类方法研究[J].山东科技大学学报,2007,26(5):61～65.
71李爽,丁圣彦,许叔明.遥感影像分类方法比较研究[J].河南大学学报,2002,32(2):70～73.
72王旭红,小肖平,郭建明.高光谱数据降维技术研究[J].水土保持通报,2006,26(6):89～91.
73陈亮,刘希,张元.结合光谱角的最大似然法遥感影像分类[J].测绘工程,2007,16(3):40～43.
74刘秀英,林辉,熊建利,熊育久,孙华等.森林树种高光谱波段的选择[J].遥感信息,2005,80:41～44.
75申彦波,王标,石广玉.2006年春季我国东部海域气溶胶光学厚度与沙尘天气[J].地球科学进展,2008,23(3):290～298.
76佘红伟,张艳宁,袁和金.一种无监督高光谱图像分类算法[J].中国图像图形学报,2008,13(6):1123～1127.
77李石华,王金亮,陈姚,朱妙园.多光谱遥感数据最佳波段选择方法试验研究[J].云南地理环境研究,2005,17(6):29～33.
78李璇琼,何政伟,许辉熙.甘肃省文县地震前后TM图像增强处理方法比较研究[J].安徽农业科学,2009,37(5):2018～2021.
79李玮,康晓光,陈雷.一种MODIS遥感图像大气校正的快速算法[J].信号处理,2007,23(5):751～754.
80赵广社,张希仁.基于主成分分析的支持向量机分类方法研究[J].计算机工程与应用,2004,3:37～39.
81徐红敏,杨天行.基于支持向量机分类算法的湖泊水质评价研究[J].吉林大学学报,2006,36(4):570～573.
82姚云军,秦其明,张自力,李百寿.高光谱技术在农业遥感中的应用研究进展[J].农业工程学报,2008,24(7):301～306.
83王秀明.高分辨率卫星遥感数据处理及其应用研究[J].闽西职业技术学院学报,2008,10(1):102～106.
84孙钊.高光谱要遥感的应用[J].贵州教育学院学报,2004,15(4):58～61.
85王志平,杨建峰,薛彬,陈永聪.利用高光谱数据进行地物识别分类研究[J].光子学报,2008,37(3):561～565.
86 John D.Armston, Peter F.Scarth, Stuart.Phinn,Tim J.Danaher.Analysis of multi-data MISR-measurements for forest and woodland communities,Queensland,Australia.SicenceDirect.2007,107:287～298.
87赵英时.遥感应用分析原理与方法[M].科学出版社,2007.
88赵文吉,段福州,刘晓萌,徐智勇等.ENVI遥感影像处理教程[M].中国环境科学出版社,2008.
89熊桢,童庆禧,郑兰芬.用于高光谱遥感图像分类的一种高阶神经网络算法[J].中国图象图形学报,2000,5(3):196～201.
90陈旭,徐佐荣,余世孝.基于对象的QuickBird遥感图像多层次森林分类[J].遥感技术与应用,2009,24(1):22～25.
91邓芳,秦军,李鉴.提高遥感影像分类精度方法的研究[J].铁路航测,2003,2:4～7.
92张鹰,张东,顾燕,陶菲.GCP分布对海岸带TM影像几何校正精度的影响研究[J].海洋学报,2007,29(1):31～37.
93白玉祥,黄耀春,唐军利.关于遥感影像几何校正与配准的探讨[J].黑龙江国土资源,2007,10:48.
94陶秋香,张连蓬,李红梅.植被高光谱遥感分类中训练样本的选择方法[J].国土资源遥感,2005,2:33～35.
95张丰,熊桢,寇宁.高光谱遥感数据用于水稻精细分类研究[J].武汉理工大学学报,2002,24(10):36～39.
96张振勇,王萍,朱鲁,陈香菱.eCognition技术在高分辨率遥感影像信息提取中的应用[J].信息技术,2007,2:15～17.
97于祥,赵冬至,张丰收,肖忠峰.红树林高光谱分析技术研究[J].滨州学院学报,2006,22(6):53～56.
98刘亮,姜小光,李显彬,唐伶俐.利用高光谱遥感数据进行农作物分类方法研究[J].中国科学院研究生院学报,2006,23(4):484～487.
99陈波,张友静,陈亮.结合纹理的SVM遥感影像分类研究[J].测绘工程,2007,16(5):23～27.
100蒋之富,和爱军,岳彩荣,袁华.Quick Bird卫星影像几何校正方法研究[J].中南林业调查规划,2008,27(2):41～44.
2陈述彭,童庆禧,郭华东,遥感信息机理研究[M],科学出版社,1998.
3唐延林,黄敬峰,农业高光谱遥感研究的现状与发展趋势[J],遥感技术与应用,2001,16(4):248～251.
4郑兰芬,王晋年,成像光谱遥感技术及其图像光谱信息提取分析研究.环境遥感,1992,7(1):49～58.
5刘建贵,高光谱城市地物及人工目标识别与提取[D],中国科学院遥感应用研究所博士论文,1999年8月.
6 Green, A. A., Berman, M., Switzer, P, and Craig, M. D., 1998, A transformation for ordering multispectral data in terms of image quality with implication for noise removal. IEEE Transactions on Geoscience and remote sensing, Vol. 26, No.1, pp65～74.
7 Vane Gregg, Goetz Alexander F H. Terrestrial imaging spectrometry: current status, future trends, Remote Sens. Environ, 1993,44:117～126.
8浦瑞良,宫鹏,高光谱遥感及其应用,高等教育出版社,2000.
9岳跃民,王克林,张兵,陈正超等.高光谱遥感在生态系统研究中的应用进展[J].遥感技术与应用,2008,23(4):471～478.
10童庆禧,张兵,郑兰芬,高光谱遥感原理、技术与应用[M],高等教育出版社,2006.
11 Goetz Alexander F H., et al. 1985. Image spectrometry for earth remote sensing. Science,228(4704):1147～1153.
12童庆禧,郑兰芬,王晋年,湿地植被成像光谱遥感研究,遥感学报,1997,1(1):50～57.
13张宗贵,王润生,基于谱学的成像光谱遥感技术发展与应用,国土资源遥感,2000,3:16～24.
14盛业华,郭达志.工矿城市地面热场的遥感调查及其对大气污染的影响[J].环境学报,1995,16(3):19～22.
15王志民,范心圻.航天遥感在城市热环境调查中的应用[J].航天技术与民品,1995,5:43～46.
16邓孺孺,田国良,孙荃等.北京市污染定量遥感方法及其在长江三角洲的应用[J].红外与毫米波,2003,22(3):181～185.
17疏小舟,汪骏发.航空成像光谱水质遥感研究[J].红外与毫米波学报,2000,19(4):273～276.
18王青华、王润生、郭小方等.高光谱遥感技术在岩石识别中的应用[J].国土资源遥感,2000,4:39～43.
19盖利亚,刘正军,张继贤,CHRIS/PROBA高光谱数据的预处理[J].测绘工程,2008,17(1):40～43.
20 Price, J.C.,1993. Estimating leaf area index from satellite data, IEEE Trans. Geoscience. Remote Sensing,31,727～734.
21张良培,郑兰芬,童庆禧,利用高光谱对生物变量进行估计[J]。遥感学报,1997,1(2):111～114.
22宫鹏,浦瑞良,郁彬,不同季相针叶树种高光谱数据识别分析[J].遥感学报,1998,2(3):211～217.
23 Martin M E, et al. 1998. Determining forest species composition using high spectral resolution remote sensing data, Remote sens. Environ., 65:249～254.
24 Pu Ruiliang, Peng Gong.2004. Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping. Remote Sensing of Environment ,91,212～224.
25浦瑞良,宫鹏,森林生物化学与CASI高光谱分辨率遥感数据的相关分析[J].遥感学报,1997,1(2):115～123.
26 Wessman, C.A., Aber, J.D. and Peterson, D.L. 1989. An evalustion of imaging spectrometry for estimating forest canopy chemistry. Int. J. Remote Sens. 10:1293～1316.
27谭炳香,高光谱遥感森林群落识别及其郁闭度定量估测研究[D].中国林业科学院资源信息所博士论文,2006年6月.
28吴培中,从地球观测卫星看21世纪卫星新技术.国际太空,2001,年8月(总第272期).
29朱娟娟,多角度遥感现状与发展[J].技术论坛.(中国高新技术企业)
30 Deuze J L,Brbon F M, Deschamps P Y, et al. Analysis of the POLDER(Polarization and Directionality of the Earth’s Reflectances)Airborne Instrument Observations over Land Surfaces.Remote Sens Environ,1993,45:137～154.
31何莜萍,易浩若,归一化植被指数(NDVI)在林火监测中的应用[J].林业科技通讯,1997,8:18～20.
32周广胜,全球碳循环[M],北京气象出版社,2003.
33 Diner,D.J.,et al.,New Directions in Earth Observing:Scientific Applications of Multiangle Remote Sensing.Bulletin of the American Meteorological Society,1999,80(11):2209～2228.
34 Friedl,M.,Global land cover mapping from MODIS algorithms and early results.Remote Sensing of Environment,2002.83(1):287～302.
35 Chopping,M.,et al.,Mapping shrub abundance in desert grasslands using geometric-optical modeling and multi-angle remote sensing with CHRIS/PROBA.Remote Sensing of Environment,2006,104(1):62～73.
36 Deferis R S,Townshend J R G,NDVI-derived Land Cover Classification at a Global Scale[J].International Journal of Remote Sensing,1994,15:3567～3586.
37李晓兵,史培军,基于NOAA/AVHRR数据的中国主要植被类型NDVI变化规律研究[J].植被学报,1999,41(3):314～324.
38孙红雨,王长耀,牛铮,中国地表植被覆盖变化及其与气候因子关系——基于NOAA时间序列数据分析[J].遥感学报,1998,2:204～209.
39夏露,刘咏梅,柯长青等.基于SPOT4数据的黄土高原植被动态变化研究[J].遥感技术与应用,2008,23(1):67～71.
40谭炳香,李增元,陈尔学等.高光谱遥感森林信息提取研究进展[J].林业科学研究,2008,21:105～111.
41 http://baike.baidu.com/view/85006.htm
42 http://hdf.ncsa.uiuc.edu/
43 http:/www.rsad.co.uk/chris/mission/instrument/pg/pgproba-chris.ml.
44董广香,张继贤,刘正军.CHRIS/PROBA数据条带噪声去除方法比较[J].遥感信息,2006,6:36～39,49.
45刘建贵,吴长山,张兵,郑兰芬,童庆禧,PHI成像光谱图像反射率转换,2003.
46熊桢,“高光谱遥感图像分类技术研究”,中科院遥感应用研究所博士学位论文,2000.
47徐萌,郁凡,李亚春,王成刚等,6S模式对EOS/MODIS数据进行大气校正的方法[J].南京大学学报:自然科学版,2006,42(6):582～589.
48杨静学,王云鹏,杨勇.基于高程或气溶胶厚度与6S模型校正参数回归方程的遥感图像大气校正模型[J].遥感技术与应用,2009,3:331～340.
49文彦福,张宏飞,基于高分辨率影像的数字正射影像图的制作[J].新疆有色金属,2007:55～57.
50刘云碧,汪虹,陈健,山地、高山地卫星影像的正射处理与质量控制[J].地理空间信息,2009,7(3):18～20.
51刘善伟,张杰,马毅,控制点数量与DEM分辨率对海岸带遥感影像正射校正精度影响分析[J],海洋科学,2009,33(4):9～13.
52 ENVI User’s Guide,Chapter10,Research Systems Inc,2003.
53姜小光,成像光谱遥感农作物信息提取与挖掘研究—以北京顺义区为例[D].中国科学院遥感应用研究所博士论文,2000年7月.
54 http://kepu.ccut.edu.cn/100k/read-htm-tid-2423.html.
55 Vladimir N. Vapnik著,张学工译.统计学习理论的本质[M].北京:清华大学出版社,2000.
56贾萍,李海涛,顾海燕,等.基于SVM的多源遥感影像分类研究[J].测绘科学,2008,7,33(4):21～23.
57钟达夫,唐懿芳,主成分分析方法对数据进行预处理[J].广西师范大学学报,2002:322～324.
58谭炳香,高光谱遥感森林应用研究探讨.世界林业研究,2003,16(2):33～37.
59万华伟,王锦地,肖志强等.MISR多角度遥感数据的组件库处理方法及数据分析[J].遥感应用,2007,4:16～20.
60高峰,朱启疆。植被冠层多角度遥感研究进展[J].地理科学,1997,17(4):346～355.
61汪骏发,高晓萍,陈志峰等.多角度遥感及其航空成像仪[J].红外与毫米波学报,2001,20(5):329～334.
62赵新振,朱登强,黄家荣等.矿区植被遥感调查最佳波段组合的选择[J].山地农业生物学报,2008,27(5):464～466.
63李谢辉,郑奕.基于最优波段组合的土地利用/覆盖遥感信息提取研究[J].安徽农业科学,2009,37(14):6696～6699.
64肖辉军,蒋恩松,丁树文.基于SVM的IRS-P6卫星影像分类方法[J].陕西科技大学学报,2008,26(6):154～158.
65苏红军,杜培军,盛业华.高光谱遥感数据光谱特征提取算法与分类研究[].计算机应用研究,2008,25(2):390～394.
66申茜,张兵,李俊生等.航天高光谱遥感CHRIS的水体图像大气校正[J].测绘学报,2008,37(4):476～488.
67俞旭升.基于Cyberland与PCI的高分辨率卫星影像几何纠正比较研究[J].技术应用,2006,6:52～55.
68范文义,徐程扬,叶荣华,王君厚等.高光谱遥感在荒漠化监测中的应用[J].东北林业大学学报,2000,28(5):139～141.
69郑明国,蔡强国.一种新的土地覆盖类别面积估计方法及其在最大似然分类法中的应用[J].资源科学,2007,29(3):214～220.
70陶秋香.植被高光谱遥感分类方法研究[J].山东科技大学学报,2007,26(5):61～65.
71李爽,丁圣彦,许叔明.遥感影像分类方法比较研究[J].河南大学学报,2002,32(2):70～73.
72王旭红,小肖平,郭建明.高光谱数据降维技术研究[J].水土保持通报,2006,26(6):89～91.
73陈亮,刘希,张元.结合光谱角的最大似然法遥感影像分类[J].测绘工程,2007,16(3):40～43.
74刘秀英,林辉,熊建利,熊育久,孙华等.森林树种高光谱波段的选择[J].遥感信息,2005,80:41～44.
75申彦波,王标,石广玉.2006年春季我国东部海域气溶胶光学厚度与沙尘天气[J].地球科学进展,2008,23(3):290～298.
76佘红伟,张艳宁,袁和金.一种无监督高光谱图像分类算法[J].中国图像图形学报,2008,13(6):1123～1127.
77李石华,王金亮,陈姚,朱妙园.多光谱遥感数据最佳波段选择方法试验研究[J].云南地理环境研究,2005,17(6):29～33.
78李璇琼,何政伟,许辉熙.甘肃省文县地震前后TM图像增强处理方法比较研究[J].安徽农业科学,2009,37(5):2018～2021.
79李玮,康晓光,陈雷.一种MODIS遥感图像大气校正的快速算法[J].信号处理,2007,23(5):751～754.
80赵广社,张希仁.基于主成分分析的支持向量机分类方法研究[J].计算机工程与应用,2004,3:37～39.
81徐红敏,杨天行.基于支持向量机分类算法的湖泊水质评价研究[J].吉林大学学报,2006,36(4):570～573.
82姚云军,秦其明,张自力,李百寿.高光谱技术在农业遥感中的应用研究进展[J].农业工程学报,2008,24(7):301～306.
83王秀明.高分辨率卫星遥感数据处理及其应用研究[J].闽西职业技术学院学报,2008,10(1):102～106.
84孙钊.高光谱要遥感的应用[J].贵州教育学院学报,2004,15(4):58～61.
85王志平,杨建峰,薛彬,陈永聪.利用高光谱数据进行地物识别分类研究[J].光子学报,2008,37(3):561～565.
86 John D.Armston, Peter F.Scarth, Stuart.Phinn,Tim J.Danaher.Analysis of multi-data MISR-measurements for forest and woodland communities,Queensland,Australia.SicenceDirect.2007,107:287～298.
87赵英时.遥感应用分析原理与方法[M].科学出版社,2007.
88赵文吉,段福州,刘晓萌,徐智勇等.ENVI遥感影像处理教程[M].中国环境科学出版社,2008.
89熊桢,童庆禧,郑兰芬.用于高光谱遥感图像分类的一种高阶神经网络算法[J].中国图象图形学报,2000,5(3):196～201.
90陈旭,徐佐荣,余世孝.基于对象的QuickBird遥感图像多层次森林分类[J].遥感技术与应用,2009,24(1):22～25.
91邓芳,秦军,李鉴.提高遥感影像分类精度方法的研究[J].铁路航测,2003,2:4～7.
92张鹰,张东,顾燕,陶菲.GCP分布对海岸带TM影像几何校正精度的影响研究[J].海洋学报,2007,29(1):31～37.
93白玉祥,黄耀春,唐军利.关于遥感影像几何校正与配准的探讨[J].黑龙江国土资源,2007,10:48.
94陶秋香,张连蓬,李红梅.植被高光谱遥感分类中训练样本的选择方法[J].国土资源遥感,2005,2:33～35.
95张丰,熊桢,寇宁.高光谱遥感数据用于水稻精细分类研究[J].武汉理工大学学报,2002,24(10):36～39.
96张振勇,王萍,朱鲁,陈香菱.eCognition技术在高分辨率遥感影像信息提取中的应用[J].信息技术,2007,2:15～17.
97于祥,赵冬至,张丰收,肖忠峰.红树林高光谱分析技术研究[J].滨州学院学报,2006,22(6):53～56.
98刘亮,姜小光,李显彬,唐伶俐.利用高光谱遥感数据进行农作物分类方法研究[J].中国科学院研究生院学报,2006,23(4):484～487.
99陈波,张友静,陈亮.结合纹理的SVM遥感影像分类研究[J].测绘工程,2007,16(5):23～27.
100蒋之富,和爱军,岳彩荣,袁华.Quick Bird卫星影像几何校正方法研究[J].中南林业调查规划,2008,27(2):41～44.