样本难以获取条件下的湿地高光谱遥感分类方法研究

Wetland is an important ecological system, which is precious and fragile. Wetland bears great pressure from the human development activities. To strengthen the protection and management of wetland, precise and careful monitoring data support is required. Hyperspectral remote sensing has several advantages in environmental monitoring, including wide range, synchronization, fine resolution of land cover types, efficiency and inexpensiveness, thus it is an ideal choice to provide technical support for the fine monitoring of wetland. However, due to the special geographical position and natural environment of wetland area, it is hard to get enough training samples for remote sensing image. In most cases it is even impossible to get one training sample, which is common in wetland hyperspectral remote sensing image classification..To this end, a wetland hyperspectral remote sensing classification method is presented on condition that training samples for classification is difficult to obtain. Firstly, the generation method of classification sample for the selected hyperspectral image based on sparse regression is explored by means of image endmember extraction and the built wetland spectral library. Secondly, the highly robust classification method for hyperspectral remote sensing is explored on condition that sick samples exist. At last, wetland in the Yellow River Delta is taken as the research area, unmanned aerial hyperspectral image is taken as the data source, the classification method presented in this project is validated with the synchronous observation data. The project's research results can open a new way for wetland hyperspectral remote sensing classfication.

湿地是重要的生态系统，宝贵而脆弱，承受着人类开发活动带来的巨大压力。为了加强对湿地的保护和管理，需要精确细致的监测数据支持。高光谱遥感具有大范围、同步、地物分类精细和高效经济的优点，可为湿地精细化监测提供技术支撑。然而，由于湿地地理环境特殊，大部分区域难以进入，所以分类样本获取困难，这是湿地高光谱遥感分类普遍遇到的问题。.为此，本项目提出样本难以获取条件下的湿地高光谱遥感分类方法。首先基于建立的湿地地物光谱数据库，通过影像端元提取，研究针对所用高光谱影像的 基于稀疏回归的分类样本生成方法；其次，研究对病态生成样本具有高鲁棒性的高光谱遥感分类方法；最后，以黄河口湿地为研究区域，以无人机载高光谱影像为数据源，结合现场同步观测数据，对项目提出的方法进行验证。本项目的研究成果可为湿地高光谱遥感分类开辟一条新途径。

项目的背景：湿地是遭受人类活动破坏最为严重的生态系统之一。开展对湿地动态监测技术的研究，对于湿地的保护和可持续发展具有重要的意义。遥感技术尤其是高光谱遥感成为目前湿地大范围检测最主要的技术手段。然而，利用高光谱遥感图像对湿地的地物类型进行分类需要大量的训练样本，这对于大部分区域难以进入的湿地来说是难以做到的。因此，研究样本难以获取条件下的湿地高光谱遥感分类方法研究具有重要的理论意义和应用价值。.主要研究内容：1）黄河口湿地主要地物类型现场光谱数据采集和地物光谱可分性研究；2）高光谱图像端元提取方法在黄河口湿地的适用性研究，以及基于空间—光谱信息的端元提取方法研究；3）基于稀疏与低秩矩阵分解的高光谱图像降噪与分类方法研究；4）稀少样本时基于地物斑块分割的高光谱图像分类方法研究；5）黄河口湿地无人机载高光谱飞行试验。.重要结果：1）建立了芦苇、盐地碱蓬、柽柳等地物的可分性查找表；2）提出了一种优化的迭代误差分析端元提取方法，使得端元提取的质量更高；3）提出了PCA方法和两阶段稀疏与低秩矩阵分解方法相结合的高光谱图像降噪方法；4）提出了多种基于空间—光谱信息和基于基于半监督分类的稀少样本条件下的高光谱图像分类方法；5）获得了黄河口湿地包括野大豆等珍稀物种在内的无人机高光谱图像数据，经过现场踏勘检验，建立了地物分类结果真值图像。.关键数据：采集地物光谱数据种类：15种；采集地物光谱数据数量：1000余组；无人机高光谱图像数据量：245GB；在每个类别只有几十个训练样本的条件下，对于标准高光谱数据集的分类精度可以达到95%以上。.科学意义：高光谱图像普遍信噪比较低，提出的基于PCA和两阶段稀疏与低秩矩阵分解的降噪方法可以显著改善高光谱图像的质量；提出的多种小样本条件下的高光谱图像分类方法可以极大减轻高光谱图像分类对大规模训练样本集的需求，而且生成的高质量的分类结果图可以满足监管部门对湿地动态监测的需求。