典型文献
数学形态学辅助下基于光谱指数的作物冠层组分分类
文献摘要：
近地遥感常被用于获取作物冠层组分信息,但在提取叶片反射率时常受到土壤背景、穗和阴影效应的影响.为准确分类并提取作物冠层组分信息,该研究通过分析小麦冠层各组分(光照/阴影叶片、土壤、穗)的光谱及纹理差异,提出了一种光谱指数与数学形态学结合的作物冠层组分分类方法,探讨不同生育时期的最佳冠层组分分类方法,并定量分析不同组分的归一化光谱指数与小麦叶片氮含量的关系.结果表明:光谱指数法能较好地区分小麦抽穗前的不同冠层组分,而抽穗期的分类效果易受麦穗影响;光谱指数与数学形态学结合的分类方法能较好地消除麦穗对光照/阴影叶片提取的干扰(总体分类精度为97.80％,Kappa系数为0.97,运行时间3.87 min),该方法的分类精度及运行效率均优于传统分类方法(迭代自组织数据分析算法(Iterative Selforganizing Data Analysis Techniques Algorithm,ISODATA)和最大似然估计(Maximum Likelihood Estimation,MLE));而且,基于光照和阴影叶片的归一化光谱指数对叶片氮含量最敏感.研究结果可为其他作物冠层组分分类和精准农业中农学参数的定量反演提供技术参考.
文献关键词：
冠层组分;光谱指数;数学形态学;高光谱影像;光照叶片;阴影叶片
中图分类号：
作者姓名：
张羽;杨涛;马吉锋;黄宇;郑恒彪;程涛;田永超;朱艳;姚霞
作者机构：
南京农业大学国家信息农业工程技术中心/江苏省信息农业重点实验室/农业农村部农作物系统分析与决策重点实验室/智慧农业教育部工程研究中心/现代作物生产省部共建协同创新中心,南京 210095
文献出处：
引用格式：
[1]张羽;杨涛;马吉锋;黄宇;郑恒彪;程涛;田永超;朱艳;姚霞-.数学形态学辅助下基于光谱指数的作物冠层组分分类)[J].农业工程学报,2022(07):163-170
A类：
冠层组分,阴影叶片,迭代自组织数据分析算法,Selforganizing,光照叶片
B类：
数学形态学,近地遥感,分信,反射率,土壤背景,阴影效应,小麦冠层,分类方法,不同生育时期,不同组分,小麦叶片,叶片氮含量,光谱指数法,抽穗期,分类效果,麦穗,分类精度,Kappa,运行时间,Iterative,Data,Analysis,Techniques,Algorithm,ISODATA,最大似然估计,Maximum,Likelihood,Estimation,MLE,指数对,精准农业,中农,农学参数,定量反演,高光谱影像
AB值：
0.260047
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
