高光谱数据降维对马铃薯分类的影响

高光谱仪器采集光谱数据的波长范围大、波段数据多。如果将这些波段作为模型的输入,数据量大、计算太复杂,必然会影响建模的速度,因此有必要采取合适的算法对高光谱图像的光谱数据进行降维处理。采用主成分分析(principal component analysis,简称PCA)、逐步判别分析、连续投影(successive projections algorithm,简称SPA)方法对马铃薯的光谱数据进行降维处理。主成分分析选出8个特征波段,逐步判别分析选出8个特征波段,连续投影法选出6个特征波段。将降维后的特征波段作为输入,分别建立支持向量机(support vector machine,简称SVM)模型,这3种降维方法的识别准确率均为100%,由于连续投影法选择的波段数少,所以连续投影法是一种较好的降维方法。

空间数据压缩的高光谱降维技术比较

针对从波段数目较多的海量高光谱遥感影像数据中高效地检索出所需信息这一迫切需要解决的问题,将空间数据压缩算法引入到光谱数据降维中,以规则树分组和曲线数据综合技术为基础,设计了十六叉树状变换、垂距光谱检索、偏角光谱检索、道格拉斯-普克光谱检索算子。采用相对光谱识别概率、相对光谱识别熵、相对光谱识别力3种统计学方法,从不同角度通过与常规的光谱角度制图和光谱信息熵进行比较分析发现:利用新的检索算子提取光谱曲线特征向量,进行相似性测度,降低了光谱检索的时间频率。在保证相近识别能力的条件下,能够大大提供高程序的检索效率,是几种快速有效的高光谱特征匹配和检索算子。

南疆农田土壤全氮含量的中红外光谱反演模型

快速准确监测农田土壤全氮含量,可显著提高土壤肥力诊断与评价工作的效率。传统测定土壤全氮的方法存在耗时费力、成本高、环境污染等缺点,而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言,具有更多的波段数和信息量,如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。为了探索中红外光谱对土壤全氮监测的可行性,以新疆南疆地区采集的246个农田土样为研究对象,以室内测定的全氮含量和中红外光谱反射率数据为数据源,分析了不同全氮含量土样的中红外光谱特征差异,以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。研究结果表明:(1)土壤在中红外波段光谱反射率随全氮含量的增加而增加,在3620,2520,1620和1420 cm^(-1)附近存在明显的吸收谷;将中红外光谱数据进行最大值归一化处理后,可明显提高土壤光谱反射率与全氮含量的相关性。(2)对比两种数据降维方法,PCA和SPA分别使模型变量数减少了99.8%和97.5%,但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型,因此以PCA提取的主成分建模更适于土壤全氮模型的构建。(3)在建模集中,PLSR和SVM模型以全波段建模精度最高,但建模变量数多,建模效率较低,而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下,可显著提高建模效率;在预测集中,基于PCA降维数据的BPNN模型预测能力最高,R2和RMSE分别为0.78和0.12 g·kg^(-1),RPD和RPIQ值分别为2.33和3.54,模型具备较好的预测能力。研究结果可为农田土壤全氮含量快速估测提供一定的参考价值。