基于光谱特征变量的湿地典型植物生态类型识别方法--以北京野鸭湖湿地为例

光谱特征变量的选择对于湿地植被识别的精度和效率有着直接的影响作用。以华北地区典型的淡水湿地——野鸭湖湿地为研究区,采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植物的冠层光谱。以野外高光谱数据为基础,首先利用一阶导数与包络线去除的方法,分析和对比不同植物生态类型的光谱特征,选定了用于识别植物生态类型的光谱特征变量,选定的8个光谱特征变量为红边位置WP_r、红边幅值Dr、绿峰位置WP_g、绿峰幅值Rg、510 nm附近的吸收深度DEP-510和吸收面积AREA-510、675 nm附近的吸收深度DEP-675和吸收面积AREA-675。其中,7种植物生态类型的一阶导数光谱特征差异较小,吸收特征差异性相对较大。除WP_r和WP_g外,沉水植物Rg和Dr平均值最低,湿生植物的Rg平均值最高,达到0.164,栽培植物的Dr平均值最高,达到0.012。7种植物生态类型在675 nm附近的DEP-675和AREA-675均高于510 nm附近的DEP-510与AREA-510,除去栽培植物,随着水分梯度的变化,其他6种植物生态类型的吸收深度和吸收面积都表现出先升高后降低的趋势。然后利用单因素方差分析(One-way ANOVA)验证了所选光谱特征变量的区分度,在P≤0.01的置信水平下,选取的8个光谱特征变量都能够较好的区分7种植物生态类型,区分度的最小值为13,最大值为18,并且吸收特征参数的区分度优于一阶导数参数。最后应用非线性的反向传播人工神经网络(BP-ANN)与线性判别分析(FLDA)的类型识别方法,利用选定的8个光谱特征变量进行湿地植物生态类型识别,取得了较好的识别精度,两种方法的总分类精度分别达到85.5%和87.98%。单因素方差分析(One-way ANOVA)和不同分类器的分类精度表明,所选的8个光谱特征变量具有一定的普适性和可靠性。

浒苔藻体全生命周期反射光谱特征参量的时间谱趋势分析

要实现浒苔灾害的大尺度遥感动态监测,掌握浒苔藻体的反射光谱是根本。选取连云港海域浒苔藻体,在实验控制条件下,从孢子期、幼苗期、成熟期至死亡期的全生命周期培养,测试其生长期中的反射光谱,提取红边位置、红边幅值等22个光谱特征参量;并采用曲线估计方法对这些光谱特征变量的时间谱演变趋势进行研究。结果表明:所有光谱特征参量的时间谱曲线模拟中,近红外平台面积时间谱模拟精度最高,判定系数可达0.918,估算标准差为0.006;17个光谱特征参量的时间谱均可用适当函数模拟其演变趋势。该研究为大尺度动态监测浒苔灾害提供重要光谱参考和算法理论依据。

高光谱结合离散二进制粒子群算法对久保桃可溶性固形物含量的检测

可溶性固形物(SSC)是评价久保桃内部品质的重要指标。传统的SSC检测有损、费时、费力;快速、无损检测久保桃的SSC含量对于其品质分级有着重要意义。离散二进制粒子群算法(BPSO)是在标准粒子群算法(PSO)的基础上,更新速度公式得到的,具有精度高,收敛快的特点,多用于离散空间的优化问题。基于高光谱技术结合BPSO算法及BPSO的组合特征波长选择算法对久保桃的SSC含量预测进行研究。首先采集198个久保桃样本的高光谱信息,获取久保桃900~1700nm范围内的光谱信息,计算感兴趣区域的平均光谱作为有效光谱数据,同时测量久保桃的SSC值。采用K-S(Kennard-Stone)算法将样本划分为校正集(147个)和预测集(51个)。使用BPSO特征波长选择算法对久保桃的原始光谱数据进行特征波长提取,并与竞争性自适应重加权算法(CARS)、连续投影法(SPA)、无信息变量选择法(UVE)等特征波长选择算法比较。同时为了避免单一算法建模中的不稳定问题,提出了基于BPSO的一次组合(BPS0+CARS、BPSO+SPA、BPSO+UVE)和二次组合[(BPSO+CARS)-SPA]、[(BPSO+SPA)-SPA]、[(BPSO+UVE)-SPA]特征波长提取方法。基于上述10种特征波长提取方法分别建立支持向量机(LS-SVM)模型和遗传算法(GA)优化的支持向量机模型(GA-SVM)模型。结果表明,基于BPSO算法提取特征波长建立的模型预测性能均高于其他单一特征波长方法,建立的两种模型预测集决定系数R_(p)^(2)均达到0.97以上;基于BPSO的组合算法中,二次组合(BPSO+SPA)-SPA算法建立的LS-SVM在特征波长数量较少的情况下对久保桃SSC含量预测性能最高,校正集和预测集决定系数R_(c)^(2)为0.982,R_(p)^(2)为0.955,均方根误差RMSEC为0.108,RMSEP为0.139。该模型预测性能略低于BPSO算法,但其仅用了22个特征波长进行建模,极大地简化了模型。说明(BPSO+SPA)-SPA是一种有效的特征波长提取方法,为水果SSC含量的无损检测提供了新的检测方法。

利用高光谱数据快速估算高羊茅牧草光合色素的研究

光合色素是植物体进行初级生产的重要物质,能够间接反映植被的健康状况与光合能力,同时,高光谱遥感为快速、大面积监测植被的色素变化提供了可能。本研究以高羊茅牧草为材料,实测了高羊茅冠层的高光谱反射率与光合色素含量数据,对二者进行了相关分析,从5大类12个高光谱特征变量{Rg、R710、Dλr、Dλ700、D[log(1/iλ)]、Sg、RVIa、RVIb、PSSR、PSND、Rch、CARI}中挑选了光合色素敏感参数,建立了植被指数光合色素估算模型。结果表明,光合色素叶绿素a、叶绿素b、总叶绿素和类胡萝卜素与原始光谱进行相关性比较分析时,叶绿素b效果最好;原始光谱、光谱一阶导和倒数对数一阶导3种光谱形式与光合色素进行比较分析时,光谱一阶导在700 nm附近与光合色素相关性最好,相关系数为-0.897;通过12个高光谱特征变量与光合色素相关性比较,选择达到极显著水平的6个变量:Rg、D7λ00、D[log(1/R730)]、RVIb、Rch、CARI进行光合色素含量的回归模型建立,这为利用物理方法快速、无损伤探测高羊茅牧草的营养状况及牧草质量提供了理论支持。

棉花单叶黄萎病病情严重度高光谱反演模型研究

对棉花单叶黄萎病病情严重度与原始及一阶微分光谱反射率、高光谱特征参数进行相关分析,构建病情严重度反演模型。结果表明:可见光和短波红外波段光谱反射率随病情严重度增加而增大,且可见光波段光谱反射率差异比短波红外波段更为显著。以红边面积为自变量的线性模型(r=0.6696)及以波长694nm处原始光谱反射率为自变量的对数模型(r=0.6794)均能较好反演病情严重度。通过模型精度检验发现,以714nm处一阶微分光谱反射率为自变量的线性模型为病情严重度诊断的最佳模型,即y=-282.3x+3.8112,该模型具有最大相关系数(拟合r=0.6992,预测r=0.9410),最小均方根误差(0.2571)和相对误差(12.74%)。文章结果对深入研究棉花黄萎病遥感监测机理提供了理论依据,对利用高光谱遥感数据获取病害信息具有重要应用价值。

基于地面高光谱数据的典型作物类型识别方法--以青海省湟水流域为例

高光谱技术运用于农作物识别与分类目前已成为农业遥感应用领域前沿课题之一。使用ASD FieldSpec4地物光谱仪实测青海省湟水流域大豆、青稞、土豆、小麦和油菜5种典型作物冠层光谱,经数据预处理,利用1/R、d(R)、N(R)、log(R)、d(log(R))、d(N(R))6种光谱数据变换形式和在"绿峰"、"红谷"、"红边"、"光谱吸收特征区"提取的16种光谱特征变量的6种选取结果,分别构建基于BP神经网络的典型作物类型识别模型,通过模型精度比较以寻求用于高光谱农作物分类的有效光谱数据形式和光谱特征变量。结果表明:1/R、d(R)、log(R)、d(log(R))及d(N(R))5种数据变换形式能显著提高模型识别精度,以d(N(R))变换数据构建BPNN模型其辨识精度最高,总体分类精度达88%;在提取的16种光谱特征变量中,以变量数分别为16、14、12的3种选取方案构建BPNN模型其辨识精度较优,总体分类精度分别为88%、86%、84%;BPNN模型能较好地识别5种作物光谱,且采用选取光谱特征变量方法构建BPNN模型其网络训练效率和模型稳定性优于光谱数据变换方法构建BPNN模型。

不同水分胁迫程度下烤烟叶片钾含量的光谱响应

【目的】精准、快速、无损监测烤烟叶片钾素营养水平。【方法】设计不同程度的干旱和渍水胁迫试验,以K326、中烟100为供试品种,探索不同水分胁迫程度下烤烟叶片钾含量与光谱信息的变化规律,筛选烟叶钾含量的敏感光谱特征变量及光谱参数,构建烟叶钾含量预测模型。【结果】(1)随水分胁迫程度的加重,在近红外光区,烤烟叶片钾含量和叶片光谱反射率的值在伸根期均表现为升高趋势,在旺长期与成熟期表现为降低趋势。(2)以利用本文筛选出的8个最佳敏感光谱指数(mSR705、SDr、DVI、MSAVI2、λg、Dr、NDSI(2275,1875)、RDVI)构建的BP神经网络模型效果最好,模型决定系数R2=0.9336,RMSE(均方根误差)为0.1348。【结论】可利用光谱参数构建烤烟钾含量BP神经网络模型,模型稳定、精度较好。可为实时精准监测烤烟叶片钾含量,及时了解土壤水分环境提供技术支撑。

浒苔藻体生命周期内测试密度与反射光谱的关系研究

为探索浒苔藻体的理化因子对其反射光谱的影响模式,选用同属同实验条件下培养的浒苔藻体为研究对象,设计合理的光谱测试方案,设置相同的视场范围,定性和定量分析了浒苔藻体在生命周期不同阶段中的测试密度与其反射光谱之间的关系。研究结果表明:在同视场范围内,浒苔藻体的测定密度越大,长势越好,其光谱反射率在可见光近红外波段范围内有递增的趋势;浒苔藻体测试密度与其红边位置、红边幅值和红边面积存在显著的相关性,相关系数分别为0.76、0.768和0.763。红边参数的时间谱分析结果表明:中、高密度测定条件下,浒苔藻体的红边参数在其生长过程中呈现逐渐上升的趋势。该研究结果可为定量遥感之光谱特征研究提供参考。

东北寒地水稻茎秆纤维素含量近红外光谱反演

在水稻抗倒伏育种中,水稻茎秆纤维素含量作为重要的作物性状表现型数据,用传统方法获取时受人力成本和时间成本的约束,采集群体大小有限。利用高光谱技术能够实现对作物性状信息的快速、无损检测。为探究水稻茎秆纤维素含量近红外光谱反演模型,以田间小区试验的方式,采集水稻灌浆期至成熟期茎秆基部倒2、3节作为实验样本,并在实验室内使用NIRQuest512型号高光谱仪测得茎秆近红外反射光谱数据;采用标准变量正态变换(SNV)、连续小波变换(CWT)及两种方法结合(SNV-CWT)对原始近红外光谱进行预处理,经对比分析,原始光谱经SNV处理后再通过CWT对应6尺度分解最优,然后采用联合区间偏最小二乘法(SiPLS)、迭代保留信息变量法(IRIV)对最优预处理(SNV-CWT)的光谱特征曲线进行光谱特征变量筛选,分别提取了64个和16个特征变量;为优化模型并提高其模型精度,采用IRIV算法对SiPLS所选的特征变量进行二次筛选,得到6个特征变量,特征波长为1200,1207,1325,1470,1482和1492 nm,最后基于优选出的特征变量分别建立水稻茎秆纤维素含量的支持向量机回归(εSVR)和核极限学习机(KELM)预测模型,模型参数(惩罚系数C,核函数系数γ和不敏感参数ε)分别采用灰狼算法(GWO)、差分进化灰狼算法(DEGWO)和自适应差分进化灰狼算法(SaDEGWO)进行优化选择。结果表明,采用SNV-CWT方法光谱预处理后,经SiPLS-IRIV方法筛选的特征变量构建的SaDEGWO优化的SVR模型精度最高,模型参数C,γ,ε分别为302.8382,0.0877,0.0708,测试集的决定性系数(R_(p)^(2))为0.880,均方根误差(RMSE P)为15.22 mg·g^(-1),剩余预测残差(RPD)为2.91,表明模型具有较好的预测能力,可为水稻茎秆纤维素含量预测提供参考。

高光谱成像的猕猴桃糖度无损检测方法

猕猴桃糖度是重要的猕猴桃内部品质衡量指标。传统的糖度检测耗时且有损样品,有效无损检测猕猴桃糖度含量对于其品质分级、储藏销售具有重大意义。基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、迭代保留信息变量法(IRIV)等算法中的某个单一算法提取特征光谱变量,而这些算法单独使用易导致预测结果的稳定性不足。对此,开展了基于高光谱成像技术的猕猴桃糖度的无损检测方法研究。以四川省雅安市“红阳”猕猴桃为研究对象,依次对猕猴桃样本编号并采集其在400~1000 nm波长范围内的高光谱图像,计算感兴趣区域的平均光谱作为样本的有效光谱信息;分别采用多元散射校正(MSC)、标准正态变量变换(SNV)、直接正交信号校正(DOSC)等3种光谱数据预处理方法分析对预测模型精度的影响,对比结果显示DOSC的预处理效果最好;对预处理后的光谱分别采用一次降维(CARS,SPA,IRIV)、一次组合降维(CARS+SPA,CARS+IRIV)算法和二次组合降维算法((CARS+SPA)-SPA,(CARS+IRIV)-SPA))等7种算法提取特征光谱变量,并分别构建了预测猕猴桃糖度的3种模型,即支持向量回归机(SVR)、最小二乘支持向量机(LSSVM)和极限学习机(ELM)模型;最后对比了基于不同特征提取方法的3种模型的预测精度。研究结果表明:ELM模型具有最好的预测性能,而SVR模型的预测性能最差;(CARS+IRIV)-SPA所选特征光谱变量输入LSSVM、ELM模型,其获得的预测结果均优于其他算法所选特征光谱变量输入对应模型所得的预测结果,证明了(CARS+IRIV)-SPA算法在提高猕猴桃糖度含量检测精度方面的有效性。对比不同方法的预测结果可知,(CARS+IRIV)-SPA-ELM对猕猴桃糖度的预测性能最优,其相关系数R c=0.9451,R p=0.8390,均方根误差RMSEC=0.4503,RMSEP=0.5983,预测相对分析误差RPD=2.5351,该方法为猕猴桃糖度的检测无损化、精准化、智能化发展提供了可靠的理论依据和技术支撑。

基于多源遥感数据的复杂地形区农作物分类

为准确获取中尺度复杂地形区西宁市内的农作物分布信息,该文利用HJ CCD和Landsat 8OLI影像数据提取研究区内农作物4-11月的NDVI时间序列数据,同时利用HJ-1A HSI高光谱数据,通过光谱特征变量提取和单因素方差分析后,选取5种光谱特征变量与NDVI时间序列数据组成多源数据集,并最终采用分类回归决策树(CART)和支持向量机(SVM)两种方法进行农作物分类。结果表明:1)采用多源数据集进行作物分类,最高分类精度达88.2%,明显高于采用单一时序NDVI数据的分类精度,表明在时间序列数据中融入高光谱数据能够提高作物的识别精度;2)采用CART决策树和支持向量机进行农作物识别,最优总体分类精度分别为88.2%和84.5%,表明基于CART方法的作物总体分类效果较优;3)在NDVI时间序列数据中融入高光谱数据能够提高生育期较为接近作物的识别精度。