高光谱遥感影像降维及分类方法研究的任务书.docx

高光谱遥感影像降维及分类方法研究的任务书
任务书
高光谱遥感影像降维及分类方法研究
1.问题背景与研究意义
高光谱遥感影像是一种具有很高信息密度的遥感数据，包含数百甚至上千个光谱波段，因此在地物分类和检测方面具有很大的潜力。然而，由于高光谱影像数据量大、维度高的特点，数据处理和分析的难度也较高。因此，如何对高光谱遥感影像进行降维处理，提取有效的特征信息，并通过分类算法对地物进行精准分类，是当前高光谱遥感影像研究的一个重要问题，具有重要的研究意义和实际应用价值。
2.研究目标
（1）探究高光谱遥感影像降维方法的基本理论和理论基础。
（2）分析不同的高光谱遥感影像降维方法，并比较其优劣。
（3）研究高光谱遥感影像分类算法的基本理论和理论基础。
（4）研究高光谱遥感影像分类算法的应用，比较不同的分类算法的优劣。
（5）通过实验验证不同的高光谱遥感影像降维和分类算法的效果。
（6）提出更加有效的高光谱遥感影像降维和分类算法。
3.研究内容
（1）高光谱遥感影像降维方法的理论和实践研究；
（2）基于主成分分析法、线性判别分析法、因式分析法、独立成分分析法等降维方法，分析不同方法的优缺点，比较其实用性和效果。
（3）高光谱遥感影像分类算法的理论和实践研究；
（4）基于支持向量机、决策树、随机森林、神经网络等分类算法，分析不同算法的优缺点，比较其实用性和效果。
（5）利用实验方法对不同的高光谱遥感影像降维和分类算法进行验证，并根据实验结果提出更加有效的降维和分类方法。
4.研究方案与进度安排
（1）阶段一（前期调研和准备，1个月）：
①确定研究方向和目标；
②收集相关文献，深入理解高光谱遥感影像处理和分类的基本理论和方法；
③研究具体实验方案、流程和方法。
（2）阶段二（数据处理和特征提取，2个月）：
①采集高光谱遥感影像数据，对数据进行预处理和校正；
②对数据进行特征提取和选择，优化数据分布和降低数据冗余。
（3）阶段三（降维和分类算法的研究和分析，2个月）：
①比较和评估主成分分析法、线性判别分析法、因式分析法、独立成分分析法等降维方法的优缺点；
②比较和评估支持向量机、决策树、随机森林、神经网络等分类算法的优缺点。
（4）阶段四（算法验证和优化，1个月）：
①利用实验方法对降维和分类算法进行验证，并根据实验结果提出更加有效的降维和分类方法；
②对研究成果进行总结，撰写研究报告。
5.研究成果与预期效果
研究成果主要包括：
（1）高光谱遥感影像降维和分类算法的研究报告；
（2）不同方法的数据降维和分类的比较和分析；
（3）实验结果和数据分析报告；
（4）新的高光谱遥感影像降维和分类算法。
预期效果：
（1）提高高光谱遥感影像处理和分类的精度和效率；
（2）为遥感和地理信息系统应用领域提供技术支持，服务人类社会和经济的发展。
6.参考文献
[1]张新军.高光谱遥感图像分类基础与应用[M].科学出版社,2010.
[2]刘永,金乔乔.高光谱遥感数据压缩方法研究综述[J].四川电子科技职业学院学报,2018(1):4-12.
[3]李海霞,王国平,孙下良,等.多视角高光谱遥感图像分类研究进展[J].农业工程学报,2017,33(4):31-42.
[4]曾跃,王万良,许建军,等.基于PLS算法的高光谱遥感图像波段选择研究[J].电子学报,2016,44(1):193-198.
[5]王晓婷,张志宁,贺梅芳.高光谱遥感图像分类的研究现状[J].遥感学报,2015,19(1):133-151.