采用不同光谱波段宽度的归一化植被指数估算水稻叶面积指数

通过大田试验,测量了水稻不同生育期的冠层光谱,并通过在TM红光波段和近红外波段范围内不断扩展波段宽度,计算了各个波段宽度对应的归一化植被指数(NDVI)及其与叶面积指数(LAI)的最大相关系数,再根据NDVI与LAI最佳拟合方程的最大R2值随波段宽度的变化特征确定了最佳波段宽度.结果表明:NDVI与LAI的相关系数和最佳拟合方程的最大R2值具有相同的变化趋势,在小于红光波段宽度60nm范围内,均随波段宽度的增大而减小,即窄波段NDVI比宽波段NDVI对LAI的估算效果好;在超过60nm后,由于受近红外波段宽度的影响而略有波动.对R2规律的分析表明,使用NDVI估算水稻LAI的最佳波段宽度为15nm.

基于敏感光谱波段图像特征的冬小麦LAI和地上部生物量监测

叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。

Landsat_8多光谱波段纹理对叶面积指数的影响分析

以北京密云县为例,分析植被纹理特征与叶面积指数的相关性,为叶面积指数模型引入纹理特征提供参考。利用Landsat_8影像多光谱波段间的相关性,将相关性最小的波段4、波段5分别与全色波段融合后提取纹理特征,研究融合后纹理特征对叶面积指数的影响。结果表明,融合后纹理特征与叶面积指数的相关性多数显著高于融合前,其中针叶林融合后纹理特征与叶面积指数的相关系数比阔叶林的高。但在研究阔叶林波段5融合后的纹理值对叶面积指数的影响中,其相关性却比融合前的低。说明融合后的纹理值虽然对叶面积指数模型的构建具有重要作用,但也需考虑不同的林分、波段对叶面积指数的影响。

ETM+全色波段及其多光谱波段图像的融合应用

Landsat-7ETM+的全色波段与多光谱波段有相同的太阳高度角和其他环境条件,影像获取时间一致,两种不同分辨率的数据可以不经配准而实现高精度融合。目前常用的图像融合方法很多,究竟哪种方法更适合于ETM+图像,本次试验采用HIS变换、Brovey变换、SFIM变换、加权融合4种方法,分别实现ETM+Pan与ETM+的多光谱波段的融合,并从空间纹理信息、光谱真实性2个方面进行定量和定性地评价。研究表明,从综合角度出发,基于SFIM变换的融合方法产生的光谱扭曲和失真较小,同时很大程度地保持了高分辨率的全色波段的空间纹理细节信息,是一种适合于ETM+图像融合的较佳方法。

地球敏感器光谱波段对红外带通滤光片的影响

从卫星用红外带通滤光片的膜系设计出发 ,分析了地球敏感器的不同光谱波段 (工作波段 )对锗基片和碲片铅镀膜材料的吸收和透射率的影响 ,以及对滤光片膜系的等效折射率和反射损失的影响。给出了设计结果 ,提出了卫星用地球敏感器的最佳光谱波段。

红外地球敏感器的光谱波段对设计红外带通滤光片的影响

本文从卫星用红外带通滤光片的膜系设计出发,分析了地球敏感器的不同光谱波段(工作波段)对锗基片和碲化铅镀膜材料的吸收和透射率的影响,以及对滤光片膜系的等效折射率和反射损失的影响。给出了设计结果,提出了卫星用地球敏感器的最佳光谱波段。

ALI数据全色及多光谱波段图像融合方法比较研究

ALI(The Advanced Land Imager)数据是通过地球观测卫星-1(EO-1)搭载的高级陆地成像仪所获取的,数据的分辨率可满足遥感影像应用的多个领域,因此对ALI数据应用研究具有重要的意义。随着图像融合技术的迅速发展,融合方法种类较多,由于目前利用ALI数据的全色波段以及多光谱波段进行高精度图像融合的研究较少,本文进行的实验是分别利用HSV变换、主成分分析(PCA)、Brovey变换、Gram-Schmidt变换等融合方法对ALI数据进行图像融合,通过图像融合结果的质量评价指标得出较好融合方法是HSV变换。

德国MOMS—02传感器全色波段和光谱波段的设计

德国在八十年代初研制的多光谱立体相机是一种推扫式地面遥感CCD测量仪,第一代产品是MOMS-01型两通道系统,瞬时视场20m。在1994年装载在用航天飞机发射的Pallet小型卫星上,执行STS-7/11任务。 MOMS-02是第二代产品,是由德国Messerschmitt Bolkow-Blohm有限公司与德国航空航天研究部签定合同,由德国研究技术部投资。MOMS-02型测量相机有三个可见波段和一个近红外波段。有一个星下相机和两个星下点前、后倾角为21.

高光谱波段筛选技术在小麦含水率反演中的应用

近年来,高光谱遥感技术日渐成熟,人工智能和机器学习技术逐渐应用于农作物生化参量反演领域,传统的人工测量农作物长势、叶片含水率和叶绿素含量等逐渐由自动化、智能化机器所替代,该技术在农作物叶片含水率反演方面发挥了重要作用,但仍有一定局限性。目前,限制高光谱技术主要应用于农作物生化参量反演中高光谱波段数较多、冗余度高的问题。笔者参考国内外学者提出各种筛选敏感波段的方法,以灌浆期小麦叶片高光谱数据和叶片含水率(Leaf Water Content,LWC)为对象,就目前较为热门和有效的差值植被指数法、归一化植被指数法、比值植被指数法、竞争性自适应重加权采样算法(CARS)、连续投影法(SPA)和随机蛙跳算法(Random Frog,RF)等方法进行对比分析。研究结果表明:可从等势图和算法运行过程得出,波段筛选方法获取的波段组合,与小麦叶片含水率有高相关性和较低的均方根误差,均能在一定程度上优化高光谱遥感技术在反演农作物生化参量上的应用。

基于量子遗传光谱角分类算法的高光谱植被特征波段选取

高光谱数据往往具有数百个连续的窄波段,能够反应地物必要且详细的光谱反射信息,因而被广泛应用于地物精细分类中。然而,由于高光谱窄波段间较强的相关性和冗余性,将整个原始高光谱数据应用于实际分类中,并不能获得令人满意的精度。因此,特征波长或波段选择一直以来都是高光谱实际应用的关键和难点所在。前期的特征波段选择方法不仅计算效率低,容易陷于局部优化,而且波段指向性和解释性不强。以鄱阳湖湿地连续极端干旱情况下1月—5月份枯水期植被物种精细分类中的特征波段选择为例,采用便携式地物光谱仪(SVC HR1024)实测的包括青蓼、藜蒿、紫云英、风花菜、长刺酸模、看麦娘、虉草、苔草、南荻、芦苇等10种湿地植物物种的高光谱反射数据,引入量子遗传算法(QGA),综合基于k近邻分类器的光谱角分类方法(KNN-SAM),提出基于量子遗传k近邻光谱角分类算法(QGA-KNN-SAM),获取适用于湿地植被高光谱精细分类的特征波长,同时采用k中心点聚类算法确定特征波段区间。该算法与基于传统遗传k近邻光谱角分类算法(GA-KNN-SAM)进行对比实验发现,QGA-KNN-SAM的平均分类精度为95%左右,明显高于GA-KNN-SAM的平均分类精度90%;且基于QGA-KNN-SAM算法的特征波长点及波段相对聚焦,其跨度为589~634.4 nm,明显低于GA-KNN-SAM的1107.6~1205 nm。与传统植被的精细分类不同,湿地植被的精细分类除考虑反应植被的光谱波段外,还需要考虑反应地表水文特征的波段信息。与目前常见的多光谱及高光谱卫星影像的波段分布对比发现,QGA-KNN-SAM算法选取的特征波段的指向性和可解释性更优。该算法既提高了波段选择的计算效率和可解释性,又弥补了在波段选择研究中QGA方法的缺失,可为同类研究提供科学支撑。

掺铥光纤激光放大器在宽波段吸收光谱技术中的应用

利用掺铥光纤在2μm波段的宽带发射特性和光纤可饱和吸收体的线宽压缩特性,研制了宽带调谐窄线宽掺铥光纤激光放大器,该激光放大器可将窄线宽、宽带可调谐种子光源的功率放大至290 mW,放大后的光源连续运行30 min,均方根稳定性优于1%。利用激光放大器输出的32路激光中的任意一路测试了水分子在2μm波段的宽吸收光谱,并利用测试结果反演得到了该光源在动态扫描过程中的线宽约为0.06 nm。利用该激光放大器分别测试了空气和酒精火焰中温度和水分子摩尔分数。结果表明:常温下,空气和酒精火焰中温度的平均值分别为301.2,1263.3 K,相对偏差分别为1.28%,3.08%,水分子的摩尔分数平均值分别为2.11%,5.58%。利用该光源可有效获取水分子在2μm波段的宽波段激光吸收光谱,利用这些吸收光谱数据能够较为精确的反演出环境温度、水分子摩尔分数等信息,结果验证了该激光光源在燃烧流场2维层析诊断测量应用中的可行性。

基于GA-PLS-SPA的辣椒叶片叶绿素含量高光谱估测

叶绿素对辣椒的长势评估和营养状况管理具有重要的意义,针对高光谱存在数据量大和冗余度高的问题,探究不同特征选择算法相结合进行高光谱叶绿素含量估测的可行性。以贵州省遵义市栽培辣椒为研究对象,采集盛果期辣椒冠层高光谱数据,通过卷积平滑(SG)、一阶微分(FD)、二阶微分(SD)和多元散射校正(MSC)处理原始光谱数据,比较不同预处理方法下的贝叶斯优化随机森林(BO-RF)估测效果,以MSC预处理后的数据为基础,运用遗传偏最小二乘算法结合连续投影算法(GA-PLS-SPA)进行最优特征波段选取,最后以GA-PLS、SPA和GA-PLS-SPA分别选取的特征波段作为输入变量,建立BO-RF、RF和BP神经网络模型来验证GA-PLS-SPA的普适性和广泛性。结果表明,MSC相比其他预处理方法对叶绿素含量的反演效果最好;相同估测模型条件下,基于GA-PLS-SPA建立的估测模型精度最高,选取特征波段数量最少,为7个,GA-PLS-SPA-BO-RF是估测叶绿素含量的最佳模型,训练集的R^(2)、RMSE和RPD分别为0.896、2.791和3.124,测试集的R^(2)、RMSE和RPD分别为0.913、2.965和3.414;相同算法建模条件下,BO-RF的精度明显高于RF和BP神经网络。MSC处理后的光谱能极大程度提取出辣椒叶片的叶绿素信息,GA-PLS-SPA能有效实现特征波段选取,降低模型复杂度,BO-RF具有良好的叶绿素含量反演能力。

基于近红外光谱与双权重竞争特征搜索策略的橡胶树叶片氮素检测

本研究旨在解决传统近红外光谱分析在橡胶树叶片氮含量(LNC)检测中模型精度和稳定性的局限。通过对180张橡胶树叶片进行定量分析,提出了一种改进的重加权采样算法,即双权重竞争性自适应重加权采样(DWCARS)。该方法综合运用回归系数和变量投影重要性(VIP)2种权重评价标准,并通过竞争性机制优化特征选择。比较分析结果表明,与传统CARS和差分进化(DE)等方法相比,DWCARS能够提取出更少且预测精度更高的波长变量。在测试集上,DWCARS模型展现了显著性能优势,其决定系数(R_(P)^(2))为0.9367,均方根误差(RMSE_(P))为0.1215,相比于CARS算法建立的预测模型RMSE P值降低了21.66%。表明DWCARS算法在提高橡胶树叶片氮含量检测的准确性和稳定性方面表现卓越,适用于精确监测橡胶树生长阶段的氮素状况。

宽波段光谱成像系统杂散光分析及抑制

宽波段光谱成像系统(0.4~1.7μm)在食品检测、农业生产、医学分析、刑事侦查等领域有广泛需求,光栅因其具有高色散本领和高环境稳定性的特点,成为宽波段光谱成像系统主流分光元件,但采用光栅分光的光谱成像系统存在多级次衍射光谱互相串扰问题,严重影响仪器的探测能力,为了得到准确的光谱信息,需对其进行有效的抑制。文中利用Tracepro光学分析软件对宽波段光谱成像系统的多级次衍射杂散光进行仿真分析,发展了利用分区域滤光片和线性渐变带通滤光片来抑制多级衍射杂散光的方法,并分析比较了它们对多级衍射杂散光的抑制效果。仿真分析结果表明:线性渐变带通滤光片能够有效地抑制多级次衍射带来的杂散光,光谱成像系统杂散光系数降低至10^(-4)量级,满足宽波段光谱成像系统对杂散光抑制要求。

基于去除土壤效应的烤烟叶面积指数及烟碱含量的无人机高光谱监测研究

[目的]土壤背景在无人机遥感监测中存在干扰作用,本文旨在对烟草长势和品质无人机高光谱监测进行去土壤效应的研究。[方法]通过实施2个品种、4个施氮水平互作处理的烤烟田间试验,利用无人机平台搭载的高光谱相机获取大田关键生育期的烤烟冠层反射光谱数据,并分别使用土壤植被组分光谱分解(3SV)算法与植被指数阈值法去除土壤效应后的各小区平均光谱,利用植被指数优化算法进行全生育期烤烟叶面积指数和烟碱含量的高光谱监测模型构建。[结果]在使用3SV算法后,波段组合与烟叶烟碱相关关系较高的区域分布在λ1:450~500 nm和λ2:580~660 nm组合以及λ1:630~670 nm和λ2:680~700 nm;波段组合与叶面积指数相关关系较高的区域分布于λ1:730~770 nm和λ2:750~800 nm组合以及λ1:510~600 nm和λ2:680~700 nm。基于3SV算法的烟叶烟碱含量与叶面积指数监测模型验证精度均较植被指数阈值算法处理后有不同程度提高,‘云烟87’烟碱的模型验证决定系数R 2从0.64提高到0.88,RMSE从0.71%降低至0.29%,效果最为明显。利用3SV算法与波段优化算法,筛选出与‘云烟87’和‘K326’叶面积指数关系最佳的指数分别为NDLI_(515,691)和NDLI_(764,799);与‘云烟87’和‘K326’烟碱含量关系最佳的指数分别为NDNI_(450,658)和NDNI_(456,654),并建立了适用于监测大田生育期的叶面积指数与叶片烟碱含量的模型。[结论]通过比较不同去除土壤背景算法,发现3SV算法提高了烟草叶面积指数与烟碱监测模型的精度,为无人机高光谱大面积监测烟草长势与品质提供了技术支持。

光谱波段宽度对森林叶片叶绿素含量反演的影响分析

随着传感器技术的发展,高光谱数据光谱的波段宽度逐渐变窄,如何从海量的光谱数据中找到最优的光谱波段反演叶绿素含量,成为研究的难点问题。本文在测量华中农业大学狮子山6种主要树种的光谱数据和叶绿素含量的基础上,利用叶绿素指数(CI)和回归方法反演叶绿素含量,并分析了波段宽度对反演叶绿素含量结果的影响,结果发现波段宽度会影响到叶绿素反演的精度,当波段宽度为30nm时,叶绿素含量与"红边"区域(700nm-730nm)和近红外区域(770nm-800nm)叶绿素指标(CI)间的线性关系较好,决定系数可达到77.62%,均方根误差为10.6ug/cm2。

波段分区的数码喷墨印花机光谱特性化模型

为提高数码喷墨印花技术颜色复制质量,研究了数码喷墨印花机的光谱特性化模型,提出基于光谱反射率的波段分区的数码喷墨印花机特性化模型。该模型针对31维光谱反射率数据与喷墨印花设备驱动值间的非线性关系,按照反射率波段进行分区,在不同波段分区中使用高次多项式拟合喷墨印花设备输出驱动值与颜色光谱数据的转换,通过转换矩阵实现数码喷墨印花设备的光谱特性化,将该光谱特性化模型应用于蚕丝织物输出实验。结果表明:90%的蚕丝织物喷墨印花色样的测量结果与光谱特性化估算结果的均方根误差都小于0. 001 2,其中最大误差为0. 001 9,平均误差值为0. 000 8; 90%的喷墨印花色样与估算结果的色差小于1. 0 NBS,最大色差为5. 709 9 NBS,平均色差为0. 570 0 NBS。

基于近红外光谱技术和混合学习框架的橡胶树叶片氮含量估算

叶片氮含量(LNC)是判断橡胶树营养状态的一个重要量化指标,快速准确地检测橡胶树的叶片氮含量对于保证橡胶树的生长和天然橡胶的产量是非常十分必要的。利用近红外光谱技术对119片橡胶叶片的叶面氮含量进行了定量分析,建立了高精度的预测模型,实现了对橡胶叶片氮含量的快速精准检测。采集海南橡胶叶作物实验对象,首先使用GaiaField-F-N17E光谱仪测量橡胶叶片的近红外光反射率数据,波长范围为942~1680 nm。然后,消除光谱数据中的异常样本,分别使用了三种不同的预处理方法对数据进行处理并比较它们对模型精度的提升效果。由于橡胶叶片的近红外光谱数据存在着大量的冗余信息和高度共线的光谱特征波段,因此,提出了一种基于改进后的模因框架(IMF)的结合竞争自适应重加权采样(CARS)和近邻搜索(NNS)的混合变量选择方法,采用该算法消除光谱中的冗余信息并进行二次优化,从全波段中提取28个作为建模波段。最后,使用偏最小二乘回归(PLSR)和最终选取的波段建立橡胶叶片的LNC估算模型。为了验证所提方法的优越性,进一步使用CARS,连续投影(SPA)和传统模因算法(MA)的变量选择算法建立模型作为对比。结果表明,多元防散射效正(MSC)处理后的光谱曲线和基于IMF框架的CARS-NNS算法所建立的模型在预测集上的表现最佳:均方根误差(RMSEp)达到0.116,决定系数(R_(p)^(2))为0.951,两项评价指标均优于其他的预测模型。综上所述,基于近红外光谱技术和使用混合学习IMF框架构建的预测模型能够很好地揭示光谱数据与橡胶树叶片氮含量两者之间的关系,可为橡胶林的养分诊断提供必要的技术支持,保证橡胶树的良好生长,以提升天然橡胶的产量和质量。

基于近邻子空间划分的高光谱影像波段选择方法

在降低高光谱遥感影像数据的冗余度方面,波段选择一直是一种有效的方法.近年来,提出了许多用于高光谱波段选择的聚类算法,但大多数算法只有在选择足够多的聚类中心时才能够表现出良好的性能.在选择少量波段时,往往效果很不理想,不能满足实际使用的目的.而且,随着聚类中心数量的增加,大多数波段选择算法的精度存在不同程度的下降趋势.针对当前基于聚类的波段选择方法存在对聚类中心数的强敏感性和选择的特征波段子集高相关性的问题,提出了一种基于近邻子空间划分的波段选择方法(SEASP).该方法主要包括近邻子空间划分和特征波段选取两个步骤.考虑到高光谱波段之间的有序性,SEASP首先计算出相邻波段之间的相关系数,得到相关系数向量.若两个波段之间的相关性在某个区间内最小,即相关系数的变化率在该区间内最大,说明这两个波段在很大概率上不属于同一组,为两个相邻分组之间的分割点.因此,在相关系数向量的基础上,计算出其对应的若干个极小值,通过极小值的选取来确定最终划分的子空间.最后以信息熵为度量标准从划分的子空间中选出特征波段子集.在3个公开数据集的实验结果表明,提出的SEASP算法与其他算法相比,不仅原理简单,而且在精度和计算效率方面,均表现出了更好的效果.