无人机高光谱波段选择的叶面积指数反演

叶面积指数(LAI)是评价作物长势和作物产量的重要参数。为有效利用高光谱信息,优选出最佳波段进而构建新型双波段指数来提高LAI估测精度,以冬小麦为研究对象,获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据,开展冬小麦LAI反演研究。首先采用连续投影算法(SPA)、最佳指数法(OIF)以及逐波段组合法(E)分别进行无人机高光谱数据最佳波段筛选,进而将所选最佳波段构建新型双波段指数(VI_OIF,VI_SPA,VI_E);然后将构建的新型双波段指数和常规双波段指数(VI_F)与LAI进行相关性对比分析,最后结合支持向量回归(SVR)、偏最小二乘回归(PLSR)和随机森林回归模型(RFR)进行LAI估算,并对比分析常规双波段指数的估算精度,验证最佳波段选择方法构建新型双波段指数的最佳回归模型反演LAI的可行性。结果表明:(1)新构建双波段指数VI_OIF,VI_SPA,VI_E和VI_F与冬小麦LAI的相关性均达到0.05的显著水平,其中VI_SPA和VI_E与LAI的相关系数高于0.65,且RSI_SPA和RSI_E与LAI的相关性较高(r>0.71);(2)对比分析VI_OIF、VI_SPA、VI_E和VI_F构建的SVR模型、PLSR模型和RFR模型的冬小麦LAI估测精度,VI_SPA_PLSR模型估测精度最高,R^(2)和RMSE分别为0.75和0.90。该方法可为无人机高光谱数据波段选择以及冬小麦LAI反演提供技术支持和理论参考。

基于特征优选随机森林算法的农耕区土地利用分类

为了提高农耕区土地利用分类精度,该文采用较高空间分辨率和丰富光谱信息的Sentinel-2数据生成光谱特征、无红边波段的植被指数、红边指数和纹理特征4种基本特征变量,并对以上特征变量优选后进行特征重要性排序,进而构建7种特征组合方案,基于随机森林算法和支持向量机对农耕区土地利用信息进行提取并对比验证分类精度。研究结果表明:通过特征优选的随机森林算法进行土地利用信息提取效果最佳,总体精度达到88.24%,Kappa系数为0.84,精度优于相同特征变量下的支持向量机分类方法。该方法能够有效提高农耕区土地利用分类精度,可为土地资源监测、管理提供技术支持和理论参考。

基于布尔莎模型的坐标转换算法

随着我国空间技术的发展,我国建立了2000国家大地坐标系,但大多数的测量成果使用的是1980西安坐标系,而2000国家大地坐标系的精度优于1980西安坐标系,因此实际中常进行这两种坐标系的转换。针对测量成果坐标系转换到2000国家大地坐标系的问题,采用了布尔莎模型进行坐标系转换,通过实例验证了布尔莎模型转换的可行性。

多源数据小麦条锈病预测研究

小麦条锈病是导致小麦大规模减产的气传性病害,其传播扩散过程受多种因素影响,常用的作物病害气象预测模型难以准确模拟。为实现小麦条锈病发病率的精准预测,提出一种基于气象和遥感数据建立的SEIR-StripeRust动态预测模型。以甘肃省陇南地区为研究区,首先基于气象数据和MODIS遥感数据分别构建气象因子和植被指数,然后与发病率进行相关性分析筛选敏感因子并耦合基本感染率,进而建立SEIR-StripeRust模型,最后采用后向传播神经网络(BPNN)、支持向量回归(SVR)和多元线性回归(MLR)模型对比验证SEIR-StripeRust模型的有效性。结果表明:平均气温、相对湿度和归一化植被指数与小麦条锈病发病率显著相关,其建立的SEIRStripeRust模型预测精度最高,决定系数R~2达到0.79,均方根误差RMSE为0.10,平均绝对误差MAE为0.09,均优于相同特征变量下的BPNN、SVR和MLR模型。研究结果表明SEIRStripeRust模型能够有效预测小麦条锈病发病率,并为县域尺度的小麦条锈病预测和精确防控提供技术支持。