期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
多变分模态分解下的湿地植被高光谱识别特征波长优选与模型研究
1
作者
李璇
袁希平
+3 位作者
甘淑
杨敏
龚伟圳
彭翔
《光谱学与光谱分析》
北大核心
2025年第3期601-607,共7页
高光谱数据以其高维度为特征,拥有更丰富的地物信息。在植被分类中,这种高维度数据为提升分类准确性和精度提供了更多机会。传统的特征波长建模往往因输入变量过多而导致分类精度不佳。为了克服这一问题并提高模型对湿地植被细微光谱差...
高光谱数据以其高维度为特征,拥有更丰富的地物信息。在植被分类中,这种高维度数据为提升分类准确性和精度提供了更多机会。传统的特征波长建模往往因输入变量过多而导致分类精度不佳。为了克服这一问题并提高模型对湿地植被细微光谱差异的捕捉能力,以洱海东岸海滨作为研究区域展开探索,测取了3种典型湿地植被(菰、芦、槐叶蘋)的高光谱数据作为目标样本。对样本光谱曲线进行SG平滑后作为原始光谱(OS)、对原始光谱进行包络线去除变换(CR)、一阶微分(FD)并分析其光谱特征;再将原始光谱通过变分模态分解(VMD)为8个尺度。接着,用竞争性自适应重加权(CARS)算法选择出的波长作为特征波长。最后,利用寻找出的最佳参数组合放入经贝叶斯算法优化的支持向量机(Bayes-SVM)进行建模。结果表明:CARS算法提取的特征波长数量减少,且大都分布于植被的吸收特征区间内,降维效果显著;经过分解后的第4模态构建的模型(S_(4)-CARS-Bayes-SVM)分类效果最好,其精确率PR为0.9333,召回率RR为0.8889、F1分数为0.8963、AUC值为0.9286,即此模型具有很强的鲁棒性以及识别性能。
展开更多
关键词
光谱学
湿地植被
变分模态分解
特征波长
支持向量机
贝叶斯算法
在线阅读
下载PDF
职称材料
洱海东岸海滨三种典型湿地植被光谱特征分析与识别建模
被引量：
1
2
作者
李璇
甘淑
+2 位作者
袁希平
杨敏
龚伟圳
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2024年第9期2439-2444,共6页
利用高光谱数据对湿地植被进行识别历来是植被遥感研究的重点之一。高光谱遥感数据包含更加细致的植被光谱特征,为高光谱植被识别提供了强有力的手段。以洱海东岸海滨为研究区,测取了3种典型湿地植被(菰、芦、槐叶蘋)的高光谱数据作为...
利用高光谱数据对湿地植被进行识别历来是植被遥感研究的重点之一。高光谱遥感数据包含更加细致的植被光谱特征,为高光谱植被识别提供了强有力的手段。以洱海东岸海滨为研究区,测取了3种典型湿地植被(菰、芦、槐叶蘋)的高光谱数据作为目标样本。对原始光谱进行一阶微分、包络线去除变换并分析其光谱特征,采用连续投影(SPA)、竞争性自适应重加权采样(CARS)两种特征变量选择算法选取原始光谱及其变换光谱中的特征波长,最后基于全波段数据以及特征波长选取后的数据分别建立支持向量机(SVM)、随机森林(RF)、径向基(RBF)神经网络的识别模型。结果表明:SPA与CARS算法对高光谱数据都有良好的降维效果,选取出的特征波长数量在5~18之间。对比组合不同的光谱变换处理与特征波长提取方法进行模建实验,包络线去除-SPA-SVM模型识别三类目标样本表现最好,其识别精度为0.9375,此时选取用于输入建模的特征波长数量仅为10个,占全波段的4.7%,极大的降低了模型的运算时间,而且选取的特征波长中,70%都位于特征吸收带内,其分布可以较好的反应植被化学成分差异导致的光谱吸收特征规律。实验结果表明利用光谱变换、特征选择后建模的高光谱植被识别是可行的,可以为其他湿地植被识别方法提供参考。
展开更多
关键词
高光谱
湿地植被
光谱变换
特征波段选择
支持向量机
随机森林
在线阅读
下载PDF
职称材料
题名
多变分模态分解下的湿地植被高光谱识别特征波长优选与模型研究
1
作者
李璇
袁希平
甘淑
杨敏
龚伟圳
彭翔
机构
滇西
应用
技术
大学/
云南省
高校
山地实景点云数据处理及
应用
重点实验室
昆明理工大学国土资源
工程
学院
云南省高校高原山区信息测绘技术应用工程研究中心
出处
《光谱学与光谱分析》
北大核心
2025年第3期601-607,共7页
基金
国家自然科学基金项目(62266026)
云南省科技厅基础研究专项(202201AU070108)资助。
文摘
高光谱数据以其高维度为特征,拥有更丰富的地物信息。在植被分类中,这种高维度数据为提升分类准确性和精度提供了更多机会。传统的特征波长建模往往因输入变量过多而导致分类精度不佳。为了克服这一问题并提高模型对湿地植被细微光谱差异的捕捉能力,以洱海东岸海滨作为研究区域展开探索,测取了3种典型湿地植被(菰、芦、槐叶蘋)的高光谱数据作为目标样本。对样本光谱曲线进行SG平滑后作为原始光谱(OS)、对原始光谱进行包络线去除变换(CR)、一阶微分(FD)并分析其光谱特征;再将原始光谱通过变分模态分解(VMD)为8个尺度。接着,用竞争性自适应重加权(CARS)算法选择出的波长作为特征波长。最后,利用寻找出的最佳参数组合放入经贝叶斯算法优化的支持向量机(Bayes-SVM)进行建模。结果表明:CARS算法提取的特征波长数量减少,且大都分布于植被的吸收特征区间内,降维效果显著;经过分解后的第4模态构建的模型(S_(4)-CARS-Bayes-SVM)分类效果最好,其精确率PR为0.9333,召回率RR为0.8889、F1分数为0.8963、AUC值为0.9286,即此模型具有很强的鲁棒性以及识别性能。
关键词
光谱学
湿地植被
变分模态分解
特征波长
支持向量机
贝叶斯算法
Keywords
Spectroscopy
Wetland vegetation
Variational mode decomposition
Characteristic wavelength
Support vector machines
Bayes algorithm
分类号
O433 [机械工程—光学工程]
在线阅读
下载PDF
职称材料
题名
洱海东岸海滨三种典型湿地植被光谱特征分析与识别建模
被引量：
1
2
作者
李璇
甘淑
袁希平
杨敏
龚伟圳
机构
昆明理工大学国土资源
工程
学院
云南省高校高原山区信息测绘技术应用工程研究中心
滇西
应用
技术
大学
滇西
应用
技术
大学/
云南省
高校
山地实景点云数据处理及
应用
重点实验室
出处
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2024年第9期2439-2444,共6页
基金
国家自然科学基金项目(62266026)
云南省科技厅基础研究专项(202201AU070108)资助。
文摘
利用高光谱数据对湿地植被进行识别历来是植被遥感研究的重点之一。高光谱遥感数据包含更加细致的植被光谱特征,为高光谱植被识别提供了强有力的手段。以洱海东岸海滨为研究区,测取了3种典型湿地植被(菰、芦、槐叶蘋)的高光谱数据作为目标样本。对原始光谱进行一阶微分、包络线去除变换并分析其光谱特征,采用连续投影(SPA)、竞争性自适应重加权采样(CARS)两种特征变量选择算法选取原始光谱及其变换光谱中的特征波长,最后基于全波段数据以及特征波长选取后的数据分别建立支持向量机(SVM)、随机森林(RF)、径向基(RBF)神经网络的识别模型。结果表明:SPA与CARS算法对高光谱数据都有良好的降维效果,选取出的特征波长数量在5~18之间。对比组合不同的光谱变换处理与特征波长提取方法进行模建实验,包络线去除-SPA-SVM模型识别三类目标样本表现最好,其识别精度为0.9375,此时选取用于输入建模的特征波长数量仅为10个,占全波段的4.7%,极大的降低了模型的运算时间,而且选取的特征波长中,70%都位于特征吸收带内,其分布可以较好的反应植被化学成分差异导致的光谱吸收特征规律。实验结果表明利用光谱变换、特征选择后建模的高光谱植被识别是可行的,可以为其他湿地植被识别方法提供参考。
关键词
高光谱
湿地植被
光谱变换
特征波段选择
支持向量机
随机森林
Keywords
Hyperspectral
Wetland vegetation
Spectral transformation
Feature band selection
Support vector machine
Random forests
分类号
O433.4 [机械工程—光学工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
多变分模态分解下的湿地植被高光谱识别特征波长优选与模型研究
李璇
袁希平
甘淑
杨敏
龚伟圳
彭翔
《光谱学与光谱分析》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
洱海东岸海滨三种典型湿地植被光谱特征分析与识别建模
李璇
甘淑
袁希平
杨敏
龚伟圳
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
