Identifying Typical Crop Types from Ground Hyper-spectral Data：A Case Study in the Huangshui River Basin,Qinghai Province 作者：史飞飞;高小红;杨灵玉;贾伟;何林华 作者机构：青海师范大学生命与地理科学学院,青海省自然地理与环境过程重点实验室,青藏高原环境与资源教育部重点实验室,青海西宁810008 出版物刊名：地理与地理信息科学 页码：32-39页 年卷期：2016年 第2期 主题词：高光谱 作物识别 光谱变换 光谱特征变量 BPNN模型 摘要：高光谱技术运用于农作物识别与分类目前已成为农业遥感应用领域前沿课题之一。使用ASD FieldSpec4地物光谱仪实测青海省湟水流域大豆、青稞、土豆、小麦和油菜5种典型作物冠层光谱,经数据预处理,利用1/R、d（R）、N（R）、log（R）、d（log（R））、d（N（R））6种光谱数据变换形式和在＂绿峰＂、＂红谷＂、＂红边＂、＂光谱吸收特征区＂提取的16种光谱特征变量的6种选取结果,分别构建基于BP神经网络的典型作物类型识别模型,通过模型精度比较以寻求用于高光谱农作物分类的有效光谱数据形式和光谱特征变量。结果表明：1/R、d（R）、log（R）、d（log（R））及d（N（R））5种数据变换形式能显著提高模型识别精度,以d（N（R））变换数据构建BPNN模型其辨识精度最高,总体分类精度达88%;在提取的16种光谱特征变量中,以变量数分别为16、14、12的3种选取方案构建BPNN模型其辨识精度较优,总体分类精度分别为88%、86%、84%;BPNN模型能较好地识别5种作物光谱,且采用选取光谱特征变量方法构建BPNN模型其网络训练效率和模型稳定性优于光谱数据变换方法构建BPNN模型。 本文来源：https://www.wddqw.com/doc/bcfadc8bad1ffc4ffe4733687e21af45b207fef2.html