CASI与SASI高光谱数据融合提升北方森林树种识别精度

本研究论文聚焦于"整合机载CASI和SASI高光谱数据的北方森林树种填图"这一主题。机载CASI (Compact Airborne Spectroscopy Imager) 和 SASI (Space-borne Active Sensor for Land Imaging) 是两种高光谱遥感技术，它们能够提供丰富的光谱信息，对于森林树种的识别具有重要意义，尤其是在北方地区，由于其高覆盖度的森林分布，传统的识别方法可能受限。 文章首先强调了整合这两种传感器数据的优势，即同时获取可见光、近红外和短波红外的窄波段地物光谱，且能保持较高的空间分辨率。然而，CASI和SASI传感器的光谱响应存在差异，导致接收到的辐射值有较大差异，这为数据的有效整合带来了挑战。为解决这个问题，作者采用经验线性法和辐射传输模型MODTRAN进行大气校正，通过校正过程，复原出地物光谱的真正反射率，以消除大气对光谱的影响。 进一步，论文提出了一种处理方法，即去除反射率光谱的包络线，利用Savitzky-Golay滤波函数对归一化的光谱曲线进行平滑处理，以此来减少噪声和异常点，实现了CASI和SASI数据的融合。通过与实测光谱曲线的对比，整合后的CASI+SASI光谱曲线显示出更高的匹配度，并且信息更为丰富，有助于更准确地区分不同的树种。 研究者采用光谱微分和曲线匹配技术，结合支持向量机(SVM)分类器，对研究区进行了树种填图。实验结果显示，整体分类精度达到了86.21%，Kappa系数为0.8297，这证明了所提出的整合方法是有效可行的。这项研究成果为后续的森林树种识别和遥感数据分析提供了重要的参考依据，展示了高光谱数据融合在森林生态研究中的巨大潜力和实际应用价值。