高光谱遥感在植物物种多样性监测中的应用与展望

植物多样性对维持生态系统过程、服务和功能具有重要作用,近年来高光谱遥感技术的蓬勃发展为植物多样性调查评估提供了新的信息源。物种多样性是通过遥感技术监测植物多样性的重要方面,高光谱遥感能够获取丰富的光谱和空间信息,有助于物种的识别和分类,能够提高植物物种多样性估算的精度。基于文献资料调研,本文总结了高光谱遥感在植物物种多样性监测中的应用进展,阐述了高光谱遥感技术监测植物物种多样性的基本原理,梳理了主要的高光谱数据来源、常用的光谱变换技术和物种分类方法,并提出展望。结果表明:①高光谱遥感在植物物种多样性监测中的应用包括物种光谱特征提取、物种识别与分类以及物种多样性估算3类。②光谱变异假说是高光谱遥感用于植物物种多样性测度的重要理论基础,通常利用经验或半经验方法,建立物种多样性与光谱多样性指标间的统计模型,实现物种多样性估算。③高光谱数据来源包括星载、航空和地基平台,常用的光谱变换技术有SG平滑(Savitzky-Golay Smoothing)、包络线去除、导数变换、构建植被指数等,支持向量机、随机森林等是广泛应用的物种分类方法。未来建议加强高光谱遥感尤其是国产数据在植物物种多样性监测中的推广和应用,构建多尺度的植物光谱库,配套发展融合不同平台高光谱数据的智能计算和信息提取算法,以提高植物物种多样性遥感监测的精度和效率。

基于高光谱与遥感影像技术的松材线虫病害监测

随着经济的发展,松材线虫病是当前威胁松树生长的主要病害,如何进行有效的监测和管控是目前松材线虫病治理的主要问题。针对当前松材线虫病识别效果不佳、识别精度不够等问题,提出了一种使用高光谱和遥感技术相结合的松材线虫病监测技术。新技术使用聚类方法和均值滤波提升高光谱数据效果,同时加入特征提取分析遥感影像敏感性提升了影像数据监测和分析能力。结果表明:在光谱波长为400~700 nm和1000~1300 nm之间松树出现较大的滤波系数变化。高光谱聚类均值方法的维度降低效果更好,相较于主成分分析法,其识别精度提升了2.35个百分点。使用混合模型进行数据分析,其Kappa系数识别精度得到提升。

基于张量分解的高光谱图像矿物提取方法研究

矿物提取是高光谱遥感的重要应用之一。仅利用光谱信息进行矿物提取会导致矿物填图精度不理想,为了解决这一问题,本文提出了一种同时利用矿物的光谱信息和空间信息的高光谱图像矿物提取方法,以期提升矿物提取的精度。首先,通过三阶张量分解数学模型对原始的高光谱三维数据进行处理,在保持空间和光谱原始约束的情况下,同时提取矿物的空间特征和光谱特征。其次,联合矿物的空间特征和光谱特征实现从高光谱图像中提取指定的矿物,标识出矿物在图像中的空间分布。实验结果表明:本文提出的方法能够有效提升高光谱图像矿物提取的精度。

基于光流估计的“珠海一号”高光谱卫星遥感数据的固体废弃物识别方法——以河南省济源示范区为例

本文提出了一种基于光流估计的高光谱卫星遥感数据的固体废弃物识别方法。首先,从序列数据的角度看待高光谱数据,引入DeepFlow光流估计技术提取光谱维度的亮度变化信息,作为更具判别性的光谱运动特征;然后,将提取的光谱运动特征与原始光谱特征相结合后输入至常用的支持向量机进行固废识别;最后,进一步提出固废识别后处理方法改善识别效果,并利用“珠海一号”高光谱卫星遥感数据,以河南省济源示范区为研究区展开试验。试验结果表明,本文方法能够对露天堆放的工业固体废弃物进行大范围的快速精准识别,初步锁定济源示范区内存在固废遗留和违规堆放行为的11个地域风险点,且识别精度优于传统的光谱特征提取和分类方法,为后期人工现地勘察固废和“清废”行动显著节省了时间和工作量。

航空高光谱遥感技术在铀矿找矿中的典型应用——以新疆雪米斯坦地区为例

高光谱遥感技术是地质矿产勘查领域的重要新技术、新方法。近些年,航空高光谱遥感技术及其在铀矿找矿中的应用得到核地质系统的重视并开展深入研究。在分析前人铀矿找矿思路基础上,阐述了CASI/SASI航空高光谱遥感技术在新疆雪米斯坦地区的铀矿找矿新思路及其典型应用效果。首先深入剖析了白杨河铀矿床及其周围的航空高光谱遥感特征,识别了铀矿床产出的区域热液活动中心、铀成矿高铝绢云母蚀变等区域找矿关键要素,提出“区域热液活动中心识别-铀矿化航空高光谱蚀变组合发育地段确定-蚀变、构造、有利岩性等要素复合地段优选”的航空高光谱遥感铀矿找矿新思路;然后根据全区的航空高光谱遥感信息进行了找矿远景区筛选和野外查证,新发现了铀矿化异常。新发现的铀矿化异常地段航空高光谱遥感特征明显,地表铀异常显著,控矿断裂构造发育,地质环境有利,铀矿找矿前景良好。其是笔者对如何充分挖掘高光谱遥感铀矿找矿信息,提升高光谱遥感技术更好服务铀矿找矿应用效果的深入思考与探索,也是在地表岩石裸露程度良好的地区利用高光谱遥感技术直接寻找热液型矿产的良好例证,希冀为广大地质工作者开展找矿方法创新和应用提供参考。

高光谱遥感技术在矿山地质环境调查中的应用

矿山地质环境受矿产资源开采活动的影响而产生剧烈变化,直接或间接影响了生态环境的可持续发展。近年来,高光谱遥感技术因其具备高光谱分辨率、空间信息与光谱信息合一的优势,解决了传统遥感技术仅能识别大致地物的问题,被广泛应用于矿山地质环境研究与监测。在梳理相关文献的基础上,介绍了高光谱遥感技术原理及发展现状,归纳了高光谱遥感技术在矿区植被、矿区水体、矿区土壤和矿区大气等方面的应用与监测;对矿区高光谱发展前景进行展望,认为未来随着遥感技术的发展对矿山地质环境的监测将逐渐有序化、长期化。

联合FOD-sCARS的土壤有机质高光谱机器学习估测模型

土壤有机质(SOM)含量是表征土壤质量的关键指标,在全球碳循环系统中发挥重大作用。快速准确的SOM估算和空间制图对土壤碳库估算、作物生长监测和耕地规划管理具有重要意义。利用传统方法监测区域性SOM含量耗时费力,基于高光谱遥感影像建立SOM估测模型是现在较为合理有效的方法。为探索解决目前高光谱遥感影像建立SOM含量估测模型存在光谱数据冗余、光谱数据特征提取精度低、小样本模型泛化能力不强的问题,选择位于青海省湟中县的研究区,共采集67个土壤样本。获取资源1号02D(ZY1-02D)高光谱遥感影像并进行预处理得到样点像元光谱数据,采用分数阶微分变换(FOD)方法挖掘与SOM含量具有响应关系的敏感波段,以0.2为一个步长,利用相关性阈值法对比分析不同阶次微分处理数据挖掘能力;运用稳定性竞争性自适应重加权采样算法(sCARS)去除高光谱冗余数据获取建模特征波段,选择随机森林(RF)、极端梯度提升树、极限学习机和岭回归机器学习作为建模算法,以全波段和特征波段光谱数据分别作为模型输入变量构建SOM估测模型进行高光谱反演研究工作;最后根据最优特征变量和建模算法,基于ZY1-02D遥感影像进行了SOM空间分布制图。结果表明:采用FOD变换相比整数阶可以大大提高波段与SOM含量间的相关性,挖掘出更多细微的与SOM含量产生响应关系的光谱波段,其中0.8阶微分变换效果最优,较原始波段相比相关系数最大值提高了0.546;相较于全波段光谱数据,采用sCARS特征提取方法获取特征波段构建模型的估测精度得到较大提升,说明sCARS可以有效提升建模数据的质量,提升模型预测精度。建模算法中RF表现最优,R_(p)^(2)(模型决定系数)达到0.766,RPD达到1.86,较全波段建模结果R_(p)^(2)提升约7.58%;基于FOD-sCARS和RF实现了区域SOM含量估测制图。研究进一步验证利用星载高光谱遥感影像是实现区域SOM估测制图的可靠途径,研究结果可为估测区域SOM含量提供新思路,为利用星载高光谱遥感影像绘制SOM含量空间分布图提供了数据支持。

三维卷积与Transformer支持下联合空谱特征的高光谱影像分类

由于CNN对局部特征提取能力强,目前仍是高光谱影像处理和分析中的主流深度模型,但是CNN感受野有限,无法建立长距离依赖关系,学习全局语义信息受限。Transformer的自注意力机制可以对输入序列中的每个位置进行注意力计算,从而能有效获取全局上下文信息。如何实现CNN和Transformer的技术耦合并充分利用空间信息和光谱信息进行高光谱遥感影像分类是一个重要的待研问题。鉴于此,提出一种新的基于三维卷积和Transformer的高光谱遥感影像分类方法,尝试联合空谱特征实现解译能力的提升。使用主成分分析方法对高光谱遥感影像沿垂直方向降维;用非负矩阵分解算法对降维后遥感影像沿水平方向进行空间特征提取,将两种工具处理后遥感影像进行拼接,以充分保留信息;再用三维卷积核对拼接后遥感影像进行空间特征和光谱特征的综合提取;用Transformer的注意力机制对提取空间信息和光谱信息的遥感影像序列建立长距离依赖关系并使用多层感知机完成分类任务。实验表明,所提方法在WHU-Hi龙口、汉川、洪湖以及雄安新区马蹄湾村数据集上均表现出比对比方法更优异的分类性能,表明该方法具有一定的泛化性和稳健性。

基于多特征核的高光谱遥感影像分类方法

支持向量机(SVM)的核函数选取是制约其分类性能的重要因素,而当前的核函数大多以光谱距离作为构核元素,而忽略了光谱角度这一光谱特征。文章提出一种均衡化光谱距离与光谱角多特征组合核(ESAD)的SVM分类器,对2003年意大利帕维亚大学的ROSIS高光谱数据作分类处理,并对影像的分类精度作评价分析。实验结果表明:ESAD核SVM整体分类精度相较于光谱距离核SVM和光谱角核SVM分别提升8.88%和11.03%,分类精度理想,一定程度上抑制了“同谱异物”现象。

基于无人机高光谱遥感的水体CHL-a反演

无人机平台搭载高光谱传感器获取的高光谱数据具有高分辨率、波谱丰富的特点,本研究基于实测采样点光谱特征、采样点CHL-a浓度,采用相关性分析的方法选取最优波段,构建水体CHL-a反演模型,应用于无人机高光谱数据进行CHL-a的反演监测。结果表明:通过分析单波段、一阶微分值与CHL-a参数,发现使用674 nm、570nm波长构建的一阶微分与水体CHL-a构建的线性反演模型,具有较高的相关性与精度,可满足对小中型地表水体叶绿素的快速反演监测。基于反演结果构建空间分布图,实现水质参数的可视化。

基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究

为提高冬小麦叶面积指数(LAI)的遥感估测精度,以实现其无损快速测定目标,在田块尺度设置多年定点不同冬小麦品种氮梯度试验,测定其不同生育时期冠层高光谱数据和LAI,通过原始冠层光谱数据与一阶导数预处理(first-derivative, FD)组合竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)、无信息变量消除(uninformative variable elimination, UVE)和随机蛙跳(random frog, RF)三种特征波段选择方法进行偏最小二乘回归(partial least squares regression, PLSR)高光谱估测模型构建。结果表明,一阶导数预处理在简化波段数量和提升模型精度上具有较好作用。经过与全波段数据及六种组合内部建模预测精度对比,RF在简化波段方面效果最好,FD-RF组合筛选波段数量为6个,建模的R^(2)和RMSE分别达到0.850和0.730,预测的R^(2)和RMSE分别为0.704和1.005;FD-CARS组合达到了最佳建模精度,R^(2)和RMSE分别为0.876和0.641;FD-UVE组合达到了最佳预测精度,R^(2)和RMSE分别为0.755和0.672。这说明基于特征波段选择可以进行冬小麦叶面积指数高光谱遥感模型建立与有效估测。

基于改进2DCNN的高光谱遥感图像处理研究

针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96%,达到3DCNN的同等水平(99.36%),较改进前(97.28%)提高2.68个百分点;处理速度(5 s/epoch)和1DCNN位于同一量级,快于3DCNN(96 s/epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。

基于无人机高光谱遥感与机器学习的小麦品系产量估测研究

为快速、准确地估测小麦产量,有效提高育种工作效率,本文以小麦品系为研究对象,收集小麦灌浆期无人机高光谱数据和产量数据。首先基于递归特征消除法筛选出特征波长作为模型输入变量,然后利用岭回归(Ridge regression,RR)、偏最小二乘回归(Partial least squares regression,PLS)、多元线性回归(Multiple linear regression,MLR)3种线性算法和随机森林(Random forest,RF)、梯度提升回归(Gradient boosting regression,GBR)、极限梯度提升(eXtreme gradient boosting,XGB)、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)、K最邻近算法(K-nearest neighbor,KNN)6种非线性算法构建单一算法产量估测模型并进行精度比较,最后基于Stacking算法构建多模型集成组合,筛选最佳集成模型。结果表明,基于不同算法的产量估测模型精度差异显著,非线性模型优于线性模型,基于GBR的产量估测模型在单一模型中表现最优,训练集R^(2)为0.72,RMSE为534.49 kg/hm^(2),NRMSE为11.10%,测试集R^(2)为0.60,RMSE为628.73 kg/hm^(2),NRMSE为13.88%。基于Stacking算法构建的集成模型性能与初级模型和次级模型的选择密切相关,以KNN、RR、SVR为初级模型组合,GBR为次级模型的集成模型有效提高了估测精度,相比单一模型GBR,训练集R^(2)提高1.39%,测试集R^(2)提高3.33%。本研究可为基于高光谱技术的小麦品系产量估测提供应用参考。

高光谱遥感图像端元提取的零空间光谱投影算法

端元提取技术是高光谱遥感图像光谱解混的关键.在线性光谱混合分析中,首先引入了高光谱遥感图像经过零空间光谱投影后具有单形体的凸不变性.在此基础上,提出了零空间光谱投影算法,通过设计各种度量和准则,制定不同的单次端元提取策略,灵活地实现算法.经过证明,零空间光谱投影算法是对基于子空间投影距离算法(包括零空间投影距离算法与经典正交子空间投影算法)的进一步延伸,提供了更多的端元提取策略.实验结果表明,零空间光谱投影算法在模拟图像以及真实高光谱遥感图像中都能够有效地提取出图像中的各种端元.

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高(空间)分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。

高光谱遥感及其影像空间结构特征分析

分析了高光谱遥感技术相对于传统的低光谱分辨率遥感的特点,以及其在环境监测等领域的应用。然后分析了高光谱影像的空间结构特征,并指出高光谱影像的空间结构特征在实际应用中也具有很重要的意义。最后,本文使用了统计学分析方法对实验影像的空间结构特征进行了分析,并提出了一个可用于描述高光谱影像空间特征的统计学参数。

基于随机子空间核极端学习机集成的高光谱遥感图像分类

结合随机子空间和核极端学习机集成提出了一种新的高光谱遥感图像分类方法。首先利用随机子空间方法从高光谱遥感图像数据的整体特征中随机生成多个大小相同的特征子集;然后利用核极端学习机在这些特征子集上进行训练从而获得基分类器;最后将所有基分类器的输出集成起来,通过投票机制得到分类结果。在高光谱遥感图像数据集上的实验结果表明:所提方法能够提高分类效果,且其分类总精度要高于核极端学习机和随机森林方法。

地物空间分布特性的高光谱遥感图像解混算法

在高光谱遥感图像中,地物的空间分布往往呈现两种特征:一是都有各自的主导区域;二是在地表空间上分布连续.利用这两种先验信息,分别引入了对丰度的正交约束与平滑约束,提出了一种基于丰度约束的非负矩阵分解算法.为进一步地提高算法的性能,另外还提出了一种新的算法停止准则及权重因子调整策略,以适应信噪比以及像元混合程度的变化.在仿真数据和实测数据上的实验结果表明,该算法不仅能很好地表征地物的分布特征,提高解混精度,而且在信噪比较低,无纯像元的条件下,仍然能得到较好的解混结果.

基于再生核Hilbert空间小波核函数支持向量机的高光谱遥感影像分类

针对支持向量机用于高光谱遥感影像分类存在的分类精度不高、参数选择困难等问题,提出一种再生核Hilbert空间的小波核。其可以逼近任意非线性函数,能够有效改进参数估计的效果,进而实现基于再生核Hilbert空间的小波核函数支持向量机(小波支持向量机)。并选取北京昌平地区的国产高光谱数据operational modular imaging spec-trometer II(OMIS II)和意大利Pavia大学ROSIS高光谱数据进行试验。结果表明,应用Coiflet小波核函数时能获得较高分类精度。