基于三维光谱指数的春小麦SPAD高光谱估算

为探讨三维光谱指数(TBI)对春小麦(Triticum aestivum L.)SPAD(Soil and plant analyzer development)估算的可行性,在田间尺度上以春小麦为目标,采集抽穗期冠层高光谱数据并计算任意波段组合的三维光谱指数,构建基于最优三维光谱指数的春小麦SPAD估算模型。结果表明,在400~1300 nm波段处三维光谱指数TBI-1_((849、850、850 nm))、TBI-2_((849、850、997 nm))、TBI-3_((850、849、850 nm))、TBI-4_((849、849、850 nm))分别与SPAD呈极显著相关(P<0.01);采用人工神经网络(ANN)、K近邻(KNN)、支持向量机(SVM)3种机器学习算法,建立春小麦SPAD估算模型,通过模型的估算对比发现,KNN算法构建的模型估算效果(R^(2)=0.79,RMSE=2.68,RPD=2.25)优于ANN、SVR算法。

基于实测光谱和国产高分五号高光谱卫星的铁尾矿表层含水率遥感反演方法研究

尾矿库作为高势能的人造泥石流危险源,在尾砂含水量过高时有溃坝风险,低含水量状态下产生扬尘则会危害周围环境。尾砂含水量实时、动态监测对于尾矿库安全状况及矿区环境保护具有重要意义。相比传统采样化验手段,高光谱遥感拥有观测面积大、数据实时易获取、光谱信息丰富的特点,为快速、高精度尾矿水分监测提供了手段。以鞍山-本溪铁矿群中的高硅型铁尾矿为研究区,实地采集尾砂样品77个,利用可见光-近红外(350~2500 nm)光谱仪获取其光谱数据,分析不同含水率尾砂光谱特征及机理;引入竞争性自适应加权重采样法(CARS)筛选水分敏感波段,并基于敏感波段建立三维波段光谱指数(TBI),结合随机森林(RF)、粒子群优化的极限学习机(PSO-ELM)及卷积神经网络(CNN)算法建立尾砂水分反演模型,以国产高分五号高光谱卫星为数据源进行模型应用,获取尾矿库表层含水时空分布特征。结果表明:(1)尾砂光谱反射率随含水率升高明显下降,在1455和1930 nm处出现O—H吸收特征,吸收深度随含水率减小而逐渐减小;(2)基于CARS方法能够对高光谱数据(305波段)有效降维,筛选出18个水分敏感波段,进一步利用敏感波段构建不同形式的尾砂含水率TBI指数集,其中三维差值指数TBI5=(R1097.47-R1990.67)-(R1990.67-R437.39),与水分含量相关性最高,达到0.84;(3)对比RF,PSO-ELM及CNN方法以及不同形式的输入数据,基于尾砂含水率TBI指数联合反射率数据集作为输入数据进行CNN建模,室内光谱模型达到验证精度R2=0.92,相对分析误差RPD=3.43,基于该模型利用高分五号卫星数据反演可获取研究区尾砂含水率空间分布结果,实地验证R2达到0.79,相对分析误差RPD=2.20,获得较好的预测效果。可为基于高光谱技术的铁尾矿水分含量大面积实时快速监测提供参考。

基于不同卫星光谱模拟的土壤电导率估算研究

土壤电导率(Electrical conductivity,EC)是评价土壤盐渍化的重要指标。通过实测新疆艾比湖湿地自然保护区土壤EC及可见光-近红外光谱数据,利用波谱响应技术模拟Landsat 8 OLI、Sentinel 2、Sentinel 3卫星的宽波段数据。构建宽波段模拟数据及其5种预处理后的三维光谱指数(Three-dimensional spectral index,TDSI),采用梯度提升回归树算法(Gradient boosting regression tree, GBRT)建立3种卫星土壤EC估算模型,并比对加入TDSI后模型精度的变化。结果表明:在不同土壤EC条件下,3种卫星具有相似的光谱趋势,均在红、近红外波段附近反射率较高;TDSI与土壤EC相关性基本均在0.4以上,最大程度保留了与土壤EC敏感度高的红、绿、蓝、近红外、短波红外波段信息;GBRT对于土壤EC估算能力表现突出,3种卫星对土壤EC的最佳预测精度R2分别为0.831、0.847、0.903,在加入TDSI后,R2分别提高至0.835、0.857、0.935,综合分析发现,Sentinel 3对土壤EC估算效果最佳(R2=0.935,均方根误差RMSE=2.986 mS·cm-1,赤池信息准则AIC=57.500)。通过利用波谱响应技术结合TDSI深度挖掘波段间的协同信息,采用GBRT验证了不同卫星对土壤EC的估算效果,二者相结合可以有效提升模型预测精度,为干旱区土壤盐渍化定量监测与防控提供有利指导。