基于高光谱数据的密云水库水生态空间地物精细分类

重点水域水生态空间地物类型分布状况是其健康评估以及生态规划的重要基础.基于高分五号(GF-5)卫星高光谱数据,采用混合式特征选择算法开展北京市密云水库水生态空间地物精细分类研究.采用随机森林算法获取波段重要性排序,经过特征降维将总体分类精度最高的模型对应的特征集作为初始特征子集.利用后向序列选择算法搜索地物精细分类的最佳特征子集,进而开展密云水库水生态空间的地物精细分类.结果表明,高光谱数据可以实现较高精度的地物分类(总体分类精度为93.61%,Kappa系数为91.71%),相比于哨兵二号(S-2)卫星多光谱数据,在精细树种分类方面具有明显的优势.

基于Hyperion高光谱数据的植被覆盖区岩矿蚀变信息提取

植被遮盖增加了地质勘探和资源管理的复杂性。高光谱遥感技术的发展为克服这一挑战提供了新途径,对植被覆盖区域的岩矿蚀变信息提取逐渐引起广泛关注。本文探讨了基于Hyperion高光谱数据的植被覆盖区域岩矿蚀变信息提取方法,具体研究目标包括高光谱数据的预处理、波谱反射率的反演以及野外测试波谱曲线的结合,以像元波谱匹配技术提取特定岩矿蚀变信息。通过研究,旨在为植被覆盖区域岩矿蚀变信息的提取提供新的思路和方法,从而为地质勘探和资源管理等领域的决策提供更准确的数据支持。

苹果冠层/叶片高光谱数据库系统的设计与建立

设计与建立苹果冠层/叶片高光谱数据库,实现苹果冠层/叶片高光谱数据的获取、整理、存储与应用分析,可以为苹果养分含量的高光谱遥感反演提供数据服务和支持。利用ASD Field Spec 3地物光谱仪采集的苹果冠层/叶片高光谱数据,在Microsoft Visual Studio 2010开发环境下,基于C#语言与SQLServer 2008关系型数据库,采用C/S开发模式,设计与建立了苹果冠层/叶片高光谱数据库系统,完成了对高光谱数据批量录入、存储、导出与数据处理多项功能。

基于高光谱数据的小麦叶绿素含量反演

近年来,遥感高光谱技术为获取农作物的某些生理化参数提供了丰富的数据来源。该文使用北京小汤山地区实验获取的小麦高光谱数据,应用偏最小二乘回归方法,建立了冬小麦冠层波谱与叶绿素含量的回归反演计算模型。研究结果显示:模型在350～1060nm波段具有较高的反演精度。本研究为应用高光谱数据反演冬小麦叶绿素含量提供了有效途径。

高光谱数据与水稻农学参数之间的相关分析

通过田间小区试验 ,获取水稻整个生育期内不同氮素处理的叶面积指数 (L AI)、叶片叶绿素含量 (CHL.C)、叶绿素密度 (CHL.D)与高光谱分辨率遥感数据。分析其变化过程 ,并利用微分技术处理水稻群体反射光谱以减少土壤等低频背景光谱噪音的影响。通过单相关分析和逐步回归方法研究水稻LAI、CHL.C、CHL .D分别与光谱反射率、反射率的一阶微分光谱的相关关系。结果表明 ,微分技术能够改善光谱数据与 LAI、CHL .C的相关性 ,而与鲜叶 CHL .D的相关性较低。

利用高光谱数据估测水稻米粉中粗蛋白粗淀粉和直链淀粉含量

【目的】粗蛋白质、粗淀粉和直链淀粉含量是水稻品质的3个重要指标。研究米粉中粗蛋白、粗淀粉和直链淀粉含量的光谱快速检测方法为水稻品质遥感监测提供依据。【方法】通过田间小区试验,获得了5个品种、3个供氮水平处理的米粉样品,提取样品的粗蛋白质、粗淀粉和直链淀粉,测定样品的粗蛋白质、粗淀粉和直链淀粉含量,同时测定相应的高光谱数据及粗蛋白质与粗淀粉混合样品的高光谱数据,分析它们的高光谱特征及其与样品粗蛋白质、粗淀粉和直链淀粉含量之间的相关性,建立相关估测模型。【结果】粗蛋白质和粗淀粉、直链淀粉的光谱有明显的差异,米粉粗蛋白质、粗淀粉和直链淀粉含量与其某些高光谱参量之间存在极显著相关,其中决定系数R2约0.7,相关估测模型的检验精度在80%以上。【结论】高光谱法可以用来估测米粉的粗蛋白、粗淀粉和直链淀粉含量。

利用高光谱数据快速估算高羊茅牧草光合色素的研究

光合色素是植物体进行初级生产的重要物质,能够间接反映植被的健康状况与光合能力,同时,高光谱遥感为快速、大面积监测植被的色素变化提供了可能。本研究以高羊茅牧草为材料,实测了高羊茅冠层的高光谱反射率与光合色素含量数据,对二者进行了相关分析,从5大类12个高光谱特征变量{Rg、R710、Dλr、Dλ700、D[log(1/iλ)]、Sg、RVIa、RVIb、PSSR、PSND、Rch、CARI}中挑选了光合色素敏感参数,建立了植被指数光合色素估算模型。结果表明,光合色素叶绿素a、叶绿素b、总叶绿素和类胡萝卜素与原始光谱进行相关性比较分析时,叶绿素b效果最好;原始光谱、光谱一阶导和倒数对数一阶导3种光谱形式与光合色素进行比较分析时,光谱一阶导在700 nm附近与光合色素相关性最好,相关系数为-0.897;通过12个高光谱特征变量与光合色素相关性比较,选择达到极显著水平的6个变量:Rg、D7λ00、D[log(1/R730)]、RVIb、Rch、CARI进行光合色素含量的回归模型建立,这为利用物理方法快速、无损伤探测高羊茅牧草的营养状况及牧草质量提供了理论支持。

基于高光谱数据的叶面积指数遥感反演

文中耦合叶片辐射传输模型(PROSPECT)和冠层辐射传输模型(SAILH),基于高光谱载荷通道设置,模拟高光谱冠层反射率数据;利用模拟数据深入分析了不同植被指数与叶面积指数之间的敏感性;通过敏感性分析发现改进型叶绿素吸收植被指数(MCARI2)具备抗土壤背景因素的影响能力,而且对叶面积指数较为敏感,因此该研究建立植被指数MCARI2与叶面积指数之间的经验统计模型,并用于高光谱数据进行叶面积指数反演;最后利用飞行同步测量的叶面积指数对反演模型进行精度分析。结果表明:相比实测叶面积指数,文中建立的反演模型约低估0.42,该反演模型能够较好的反映出地物真实叶面积指数。

棉花各生育期高光谱数据与叶片生物物理生物化学量的相关分析

利用高光谱非成像光谱 (辐射 )仪对北疆棉花 4个生育期 (蕾期、花期、铃期、吐絮期 )的叶片及冠层进行了5°FOV室内、野外 ,2 5°FOV野外高光谱遥感测定 ,试验表明北疆棉花具有绿色植物所特有的反射光谱曲线特征。本文分析了棉花在不同生育期特征光谱变化规律以及棉花叶面积指数 (LAI)与叶绿素 (CH .D)含量、叶片全氮 (TN)含量在整个生育期的变化规律和它们之间的关系 ,应用光谱一阶微分分析技术 ,清晰地描述棉花“红边”变化趋势的特征。通过监测作物生育期内的光谱变化 ,研究作物的反射光谱与叶面积指数 (LAI)、叶绿素密度 (CH .D)等农学参数之间的关系 ,使人们能够定性描述和定量分析作物的生长与遥感光谱数据之间的关系 ,促进高光谱分辨率遥感技术在作物的生长监测和产量估测中的应用。

基于高光谱数据提取水体叶绿素a浓度的混合光谱模型

从模型的精度和稳定性方面,与传统的经验模型比较显示,利用原始数据的一阶微分数据进行叶绿素a浓度混合光谱模型反演最佳。最后,以此模型对三种不同年份测量的地面高光谱数据进行了叶绿素a浓度的提取。实验结果表明混合光谱模型可以作为遥感监测水体叶绿素a含量的定量模型。

利用高光谱数据预测水稻籽粒粗蛋白含量研究

籽粒粗蛋白含量是水稻营养食味品质的重要指标之一。通过大田小区试验,测定了2个品种、3个供氮水平处理下水稻冠层和旗叶在成熟过程中不同时期的高光谱反射率,及茎、叶、穗和稻米的含氮量及粗蛋白含量,分析了它们之间的相关性。结果表明:稻穗和稻米粗蛋白质含量与孕穗期、灌浆期和乳熟期的茎、叶粗蛋白质含量极显著相关,与灌浆期、乳熟期的冠层光谱ρλ及其一阶导数光谱Dλ、冠层光谱RV I在某些波段也达到极显著相关;稻穗粗蛋白质含量与主茎旗叶某些高光谱指数极显著相关。这表明能用高光谱方法来估测水稻籽粒粗蛋白含量,它将为水稻品质遥感监测提供依据。

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和"红边"植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于"红边"植被指数,由于CIred edge充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI(569.00,654.80)和RSI(597.6,654.80)对LAI估算的效果要优于NDVI与CIred edge,其中,NDSI(569.00,654.80)主要利用了植被光谱"绿峰"和"红谷"附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI(569.00,654.80)之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。

以地物识别和分类为目标的高光谱数据挖掘

高光谱信息挖掘技术是高光谱数据应用延拓与深入的重要环节，其核心在于光谱信息的挖掘。基于高光谱遥感信息的特点，探讨分析以地物识别与分类为目标的高光谱数据挖掘技术，包括基于模式识别的高光谱信息挖掘技术，基于光谱波形特征的挖掘技术，以及亚象元光谱信息挖掘。进一步发展有待于利用挖掘与知识发现的概念与模型，基于地物光谱特征及光谱数据库、知识库，在高光谱超维特征空间充分挖掘地物的光谱信息，以达到地物识别目的。

室内几何测试条件对土壤高光谱数据离散性的影响

利用方差分析方法,研究了光源照射角度、探头距离、光源距离3个几何测试条件对室内土壤高光谱数据离散性的影响.结果表明,探头距离对室内高光谱样本曲线的离散性影响不明显,而光源照射角度、光源距离对室内高光谱样本曲线离散性影响的显著性与选取的研究波段范围有关,除B1波段(400～900nm)外,都达到了极显著水平.在该试验研究条件下,15°的光源照射角度、15cm的探头距离和30cm的光源照射距离是较理想的室内测试几何条件组合.

基于高光谱数据的马尾松松萎蔫病早期监测

选取健康马尾松（Pinusmassnoiana）进行松材线虫接种试验，利用地面光谱仪（350～2500nm）对健康植株及感病植株在不同感病时期的光谱特征进行数据获取，同时对各时期植株叶绿素质量分数变化进行分析。结果表明：健康马尾松与感病马尾松的原始光谱反射率在感病的中后期差异明显，表现在可见光及近红外区域的反射峰与吸收谷特征随病程推移逐渐减弱直至消失；感病植株叶绿素质量分数与波长1405nm处的光谱反射率有显著的相关关系，并以此建立感病马尾松叶绿素质量分数定量模型：CHL＝－1．74（X1405）2＋4．72X1405－0．76；通过波长593nm处光谱反射率的一阶导数光谱特征分析，结合相应时期的叶绿素质量分数定量反演可用于判断马尾松是否感染了松萎蔫病，尤其对肉眼可见感病特征前的早期阶段具有良好的监测效果。

天宫一号高光谱数据探测火情状态敏感谱段分析

为获得利用卫星数据探测明火、焖烧、烟和火烧迹地等四种火情状态信息的敏感波谱范围,利用天宫一号高光谱数据,采用统计和光谱分析相结合的方法,对探测这四种火情状态信息的适宜卫星谱段进行了分析。结果表明:天宫一号高光谱数据对这四种火情状态探测谱段存在明显区别,在高光谱短波红外各通道,明火的反射率比其他三种的反射率都高,而烟的反射率则最低;在高光谱可见近红外和全色传感器对应通道,烟的反射率比其他三种的反射率都高。在谱段选择上,探测明火的较适宜谱段区间为1 000.0～1 956.0和2 020.0～2 400.0nm;用于判识焖烧的适宜谱段范围为930.0～1 000.0和1 084.0～2 400.0nm;检测烟的适宜谱段区间为400.0～920.0nm;检测火烧迹地时适宜选用中心波长900.0～930.0和1 300.0～2 400.0nm等波段进行组合,构建检测模型。

基于高光谱数据和RBF神经网络方法的草地叶面积指数反演

基于中国农业科学院在呼伦贝尔草原实测的120组草地冠层光谱反射率及相应的叶面积指数(LAI)数据,在进行主成分分析(PCA)实现降维处理的基础上,利用径向基函数(radial basis function,RBF)神经网络方法对草地LAI进行了高光谱反演研究。PCA结果表明,前9个主成分的累积贡献率达到了99.782%,能包含原光谱数据的绝大部分信息。将120组LAI及相应的9个主成分样本数据随机分为校正集数据(90组)和预测集数据(30组),分别用于神经网络模型的建立和LAI的预测。所构建的神经网络模型的模拟结果表明,RBF神经网络模型对校正集样本的模拟准确率达到100%(RMSE=0.009 6,R2=0.999);预测集样本的实测LAI和模拟LAI之间的均方误差和决定系数分别为0.218 6和0.839,取得了较好的模拟效果,有效提高了传统的多元线性回归方程(RMSE=0.416 5,R2=0.570)的计算精度。

机载LiDAR和高光谱数据融合提取冰川雪线

以西藏那曲县境内的"中习一号"冰川为研究区,对2011年8月获取的机载激光雷达点云进行预处理和滤波分类,提取研究区数字高程模型(digital elevation model,DEM);将DEM数据分别与同期获取的机载高光谱栅格数据和提取出的冰川矢量数据进行三维地形模拟,利用DEM数据对高光谱最大似然法分类结果进行正射纠正,从而获取研究区的数字正射影像(digital orthophoto map,DOM);最后结合研究区DOM和机载点云数据提取"中习一号"冰川的雪线。结果表明:融合机载高光谱和机载激光雷达2种数据的优势,能更方便地提取出冰川雪线,而且能很好地显示雪线的高度。

星载LiDAR与HJ-1A/HSI高光谱数据联合估测区域森林冠层高度

【目的】将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,借助HSI高光谱数据提供的连续高分辨率光谱信息,实现区域森林冠层高度的估测,降低由于GLAS光斑呈离散条带状分布无法覆盖整个研究区造成的估测误差。【方法】首先,从平滑后的ICESat-GLAS波形数据中提取波形参数(波形长度W和地形坡度参数TS),基于W和TS建立GLAS森林冠层高度估测模型,并利用此模型计算研究区所有GLAS光斑内的森林冠层高度;然后,采用最小噪声分离法(MNF)对HJ-1A/HSI高光谱数据进行降维,提取前3个MNF分量(MNF1,MNF2,MNF3);最后,基于支持向量回归机(SVR)算法,利用GLAS估测的森林冠层高度和3个MNF分量建立区域森林冠层高度SVR估测模型,并估测研究区内无GLAS光斑覆盖区域的森林冠层高度,生成森林冠层高度分布图。【结果】从ICESat-GLAS波形数据中提取的地形坡度参数TS与野外实测地形坡度具有显著线性关系(R2=0.78);基于W和TS建立的GLAS森林冠层高度估测模型的R^2=0.78,RMSE=2.51 m,模型验证的R^2=0.85,RMSE=1.67 m;基于支持向量回归机算法建立的SVR模型建模的R2=0.70,RMSE=3.62 m,模型验证的R2=0.67,RMSE=4.42 m。采用野外数据对最终得到的森林冠层高度分布图的估测误差进行分析,结果估测误差最大值为7.10 m,最小值为0.07 m,平均值为1.78 m,估测误差的标准差为1.49 m,Q1为0.75 m,Q3为2.31 m。【结论】从ICESat-GLAS波形数据中提取的地形坡度参数TS能够很好地反映地形坡度的变化,本研究建立的线性关系模型可克服对数关系模型在平坦地区解释困难的问题。基于支持向量回归机算法,将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,可克服ICESat-GLAS由于光斑呈离散条带状分布无法实现区域森林冠层高度估测的不足,实现对区域森林冠层高度的高精度估测。

星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量

以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量。从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型。由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图。研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R^2=0.78,RMSE=2.51m,模型验证的adj.R^2=0.85,RMSE=1.67m。地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R^2=0.64,RMSE=0.13,模型验证的adj.R^2=0.65,RMSE=0.12。利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R^2=0.62,RMSE=10.88 t/hm^2,模型验证的adj.R^2=0.60,RMSE=11.52 t/hm^2。基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R^2=0.62,RMSE=11.11 t/hm^2),能够满足林业应用的需要。因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度。