基于无人机高光谱遥感数据的冬小麦生物量估算

以植被指数和红边参数为模型因子,利用多元线性回归(MLR),构建冬小麦不同生育期的生物量估算模型,从而有效和更好地监测冬小麦的长势情况,为精准农业中作物的快速监测提供技术手段。首先分析植被指数(VI)和红边参数(REPS)与冬小麦生物量的相关性,然后运用MLR分别建立模型MLR+VI、MLR+REPS和MLR+VI+REPS,最后将优选的冬小麦生物量估算模型应用于无人机高光谱影像中,验证模型的可行性。结果表明,利用单个植被指数或红边参数构建的估算模型在孕穗期、开花期和灌浆期估算精度最高的植被指数分别是归一化植被指数(NDVI)、简单比值指数(SR)和增强型土壤调节植被指数(MSAVI),精度最高的红边参数分别为红边振幅/最小振幅、红边振幅和红边振幅;通过MLR分别以植被指数、红边参数和植被指数结合红边参数为因子构建的模型MLR+VI、MLR+REPS与MLR+VI+REPS效果优于单个植被指数或红边参数建立的模型,3种模型在不同生育期的验证结果也较好,其中MLR+VI+REPS模型精度最高,模型决定系数(R 2)、标准均方根误差(NRMSE)分别为0.7832与12.13%。

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。

基于高光谱特征吸收峰的煤岩识别方法

煤炭是我国重要的自然资源,在工业和国民经济发展上起到重要的作用。在井下开采过程中,传统的人工识别煤岩界面采煤机切割煤岩效率较为低下,识别准确度较差,存在较多不确定因素。“无人化”逐渐成为未来井下开采的技术发展趋势。实现无人开采首先需要准确高效的确定煤岩界面,煤岩识别的算法将成为无人化设备的“大脑”。高光谱是近年来发展迅速的一种新兴的技术,在物质识别、分类中具有广泛的应用之处。以高光谱作为煤岩识别的技术手段,采集煤岩高光谱数据,通过对高光谱特征波段的提取来设计算法实现煤岩的识别。煤岩识别是基于煤岩组分的不同,建立在对煤岩的物质构成属性特征上的。煤与岩石元素组分中Al元素的存在形式不同,煤样中的Al元素的存在形式为Al_(2)O_(3),而岩样中Al元素的存在形式为Al(OH)_(3)。Al—OH的晶格的振动使得其在2130~2250 nm波段产生强吸收峰,Al_(2)O_(3)在此波段间不具有强吸收峰,因此以2130~2250 nm作为光谱波段设计算法。以淮南地区矿区为研究区,在多个矿区进行采样,获取焦煤、气煤、瘦煤等煤样23组;获取底板泥岩、砂岩、页岩等岩样25组。对样品进行研磨处理后使用美国ASD公司生产的FieldSpec4光谱仪,采集煤与岩石样本350~2500 nm间的反射光谱,通过预处理之后使用连续统去除法、一阶微分法、二阶微分法和SCA-SID模型法对煤岩特征波段2130~2250 nm进行特征提取,将提取到的特征向量用随机森林和SVM算法进行训练并将模型应用在测试集上进行分类。最终,测试集上的表现良好,整体识别率较高,一阶微分和连续统去除法的识别为83.3%,Kappa系数分别为0.66和0.68。二阶微分法和SCA-SID模型法的识别率都在90%以上,Kappa系数均为0.83。从模型的时间复杂度和空间复杂上来说,二阶微分法较SCA-SID模型法更具有高效性和可靠性。这些识别的方法为实际工程中井下自动化煤岩识别技术提供了应用参考。

基于蛙跳PSO-Richards模型的地表沉降动态预计

基于地表沉降变形规律和实际情况,分析预计地表沉降动态演化全过程的时间函数应具有的特征。针对采动区地表沉降Richards模型参数选取较为复杂的问题,引入蛙跳PSO算法思想,提出采动区地表沉降动态预计的蛙跳PSO-Richards模型。工程实例分析表明,蛙跳PSO-Richards模型符合理想时间函数特征,能够较好地预计采动区地表动态沉降全过程,具有较好的适用性。