基于分层多端元混合像元分解的水稻面积信息提取

为了解决中低分辨率遥感影像混合像元问题以提高水稻种植信息的提取精度,该文提出了一种基于层次分类与多端元混合像元分解相结合提取水稻面积信息的方法(stratified multiple endmember spectral mixture analysis,SMESMA)。层次分类有效降低了地物复杂度,而多端元混合像元分解通过对每一类地物选取多个端元光谱参与解混,克服了"同物异谱"造成的光谱变异问题,两者结合可有效提高分类精度。以江苏如皋市为研究区,基于HJ-1B CCD影像,分3个层次,当某类地物信息被提取后便将其从影像中去除,进行下一层次分类,各层次均采用多端元混合像元分解方法,综合EARMSE、MASA、CoB等算法以选取最佳端元,实现了如皋市水稻种植面积信息有效提取。结果显示SMESMA法分类精度达85.78%,kappa系数为0.85,基于最大似然分类法(MLC)的分类精度为79.1%,kappa系数为0.78。表明SMESMA是一种适合基于中低分辨率影像进行作物分类和面积提取的有效方法。

同质区共享端元变异性的高光谱混合像元分解

由于不同的照明条件、复杂的大气环境等因素,相同端元的光谱特征在图像的不同位置呈现出可见的差异,这种现象被称为端元的光谱变异性。在相当大的场景中,端元的变异性可能很大,但在适度的局部同质区内,变异性往往很小。扰动线性混合模型(Perturbed Linear Mixing Model,PLMM)在解混的过程中可以减轻端元变异性造成的不利影响,但是对缩放效应造成的变异性的处理能力较弱。为此,本文改进了扰动线性混合模型,引入了尺度因子以处理缩放效应造成的变异性,并结合超像素分割算法划分局部同质区,然后设计出基于局部同质区共享端元变异性的解混算法(Shared Endmember Variability in Unmixing,SEVU)。与扰动线性混合模型,扩展线性混合模型(Extended Linear Mixing Model,ELMM)等算法相比,所提SEVU算法在合成数据集上平均端元光谱角距离(mean Spectral Angle Distance,mSAD)和丰度均方根误差(abundance Root Mean Square Error,aRMSE)最优,分别为0.0855和0.0562;在Jasper Ridge和Cuprite真实数据集上mSAD是最优的,分别为0.0603和0.1003。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。

基于混合像元分解的分蘖期水稻基本苗数量估测方法研究

基本苗数量是反映水稻健康水平的重要依据,在分蘖期精准估测水稻基本苗数量可以指导后期的施肥量,从而调控水稻的最佳分蘖数。同时,对水稻长势监测和产量预测具有非常重要的意义。针对传统田间人工统计基本苗数量耗时长、成本高等问题,以江苏大学附属农场镇江润果农场分蘖期水稻为研究对象,利用大疆无人机(M600 Pro型)搭载多光谱相机(Rededge-MX型)获取水稻分蘖期多光谱数据,对原始图像进行图像拼接、辐射校正、几何校正等预处理操作,根据像元纯度系数提取土壤端元和植被端元,建立波谱库,然后按照完全约束最小二乘法的方法执行混合像元分解,构建植被覆盖度和水稻基本苗数量的回归模型。该研究方法获得的模型决定系数R^(2)为0.891,均方根误差RMSE为4.6株/m^(2)。而传统的像元二分法模型(基于NDVI、VDVI和GNDVI植被指数计算植被覆盖度),其决定系数R2为0.834、0.744、0.642,其RMSE为5.7、7.1、8.4株/m^(2)。试验结果表明,基于完全约束最小二乘法的混合像元分解模型评价指标均优于像元二分法模型。本文基于混合像元分解方法有效提高了水稻基本苗统计精度,并且生成了水稻基本苗数量反演图,可以直观统计基本苗数量,为分蘖期水稻补苗、间苗提供指导。

分层变端元混合像元分解的新疆北部积雪分量制图研究

新疆北部冬季常多云天气,受地形和植被等因素影响,积雪分布不均,这导致了积雪分量遥感制图精度不高的难题。针对这一问题,本文利用MODIS影像,提出了分层变端元混合像元分解的积雪定量反演方法。该方法首先建立研究区影像和参考端元库,再对区域影像地类进行从粗到细的逐级划分,对每级包含的地类进行2端元或3端元混合像元分解。通过对上一级解混后与积雪相关的子类再实施上述变端元混合像元分解方法,得到下一级更细的地类划分。综合各级地类解混结果实现了高精度积雪分量制图。以HJ CCD影像分类数据、植被分布数据和实测数据为数据源,验证了变端元解混时模型包含端元数较少时(如2端元或3端元)研究区域积雪分类精度最高,为87%。反之,包含端元数越多,分类精度会降低。

基于HySime算法的端元个数估计

基于最小误差的高光谱信号识别(hyperspectral signal identification by minimum error,HySime)是一种估计高光谱端元个数的算法,该算法首先使用多元回归估计信号和噪声相关矩阵,然后使用信号相关矩阵的特征向量子集来表示信号子空间。为了科学评估HySime算法,分别对不同信噪比的高斯白噪声、高斯有色噪声模拟高光谱数据以及马蹄湾村真实高光谱数据的端元个数进行估计。实验表明HySime算法自适应性强,稳定性好,在解算过程中不需要输入任何参数,就能准确估计高光谱数据的端元个数。

GF-6与Landsat8混合像元分解的石漠化信息提取差异研究--以普定县为例

目前不同中空间分辨率遥感卫星在利用混合像元分解方法提取石漠化信息上存在效果差异,比较不同遥感卫星在提取石漠化信息上的差异,有助于进一步提高石漠化信息提取精度。本研究以贵州省普定县为例,采用GF-6与Landsat8卫星数据,利用顶点成分分析(vertex component analysis,VCA)和完全约束最小二乘法(fully constrained least squares,FCLS)相结合的混合像元分解方法进行石漠化信息提取,探究GF-6与Landsat8在石漠化信息提取的端元特征和等级差异,以此探索GF-6在提取石漠化信息的可行性与有效性。研究结果表明:①红边波段范围上,GF-6植被端元波谱曲线明显区别于基岩与土壤端元,更易识别出植被端元;②石漠化信息端元提取精度上,GF-6和Landsat8提取植被端元OA分别为0.63和0.45,Kappa系数分别为0.50和0.29,RMSE分别为1.19和1.71,GF-6和Landsat8提取基岩端元OA分别为0.79和0.61,Kappa系数分别为0.63和0.42,RMSE分别为0.54和0.88;③石漠化等级评价上,GF-6和Landsat8提取石漠化等级OA分别为0.76和0.59,Kappa系数分别为0.56和0.38,RMSE分别为0.64和1.27。因此,GF-6在混合像元分解提取石漠化信息精度要优于Landsat8,且GF-6的红边波段能更好地识别石漠化区域植被信息,基于GF-6的混合像元分解方法可作为一种石漠化监测手段应用于实际工作中。

遥感影像混合像元分解中的端元选择方法综述

端元选择是进行遥感影像混合像元分解的首要步骤,也是最关键的步骤,其直接影响混合像元分解的精度。该文对遥感影像混合像元分解中端元产生的特定背景、当前存在的端元选择途径和端元选择方法进行综述,并通过对当前端元选择方法的分析,提出了选择或构造端元选择方法应遵循的几个原则。

基于高精度端元的混合像元线性分解模型研究

从理论上阐述了混合像元的产生机理和混合像元线性分解模型,研制了一套地面成像光谱实验系统,直接获取了高精度的端元光谱数据,通过像元合并的方式构造混合像元,针对不同丰度的非立体空间混合像元端元,分析了根据线性分解模型加权计算得到的光谱与实际混合光谱的误差,进而论证了线性分解模型的精度.

一种端元变化的神经网络混合像元分解方法

遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点,在端元(Endm ember)个数不变的情况下,往往得到的分解结果精度不高。本文基于fuzzy ARTMAP神经网络,提出一种基于端元变化的神经网络混合像元分解模型。首先利用混合像元与纯净端元之间的光谱相似性,判断出混合像元包含的端元个数及类别,然后结合fuzzy ARTMAP神经网络进行分解。实验结果表明:本文提出的方法比传统的线性混合模型及fuzzy ARTMAP神经网络模型的精度要高,而且更加符合实际情况。

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法,它使用相同的端元矩阵对像元进行分解,其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法,在确定端元矩阵时,首先考察混合像元与端元的光谱相似性,结合地物空间分布特点,实现了可变端元的混合像元分解。试验结果表明,该分解方法分解精度优于传统线性模型,符合实际情况。

端元可变非线性混合像元分解模型

遥感影像中混合像元普遍存在。端元固定的情况下对混合像元进行分解,很难高精度地识别影像地物。本文基于支持向量机,提出了端元可变的非线性混合像元分解模型。首先,通过构建多个支持向量机获取每个像元的优化端元集,在优化端元集的基础上运用支持向量机与两两配对方法相结合的算法获取像元组分。试验结果表明,本文提出的方法效果优于传统的多端元光谱分解法。

端元光谱变化与混合像元分解精度的关系研究

从误差传播理论的角度,分析了多选端元光谱、漏选端元光谱以及端元内部光谱变化等情况与混合像元分解精度之间的关系。然后用数值模拟的方式进一步研究了端元内部光谱与限定性混合像元分解精度的关系。研究结果表明:(1)端元光谱间差距越大,端元光谱内差距越小,则混合像元分解精度越高;(2)如果漏选了端元光谱会造成很大的模型误差,然而多选端元光谱却仍然是端元组分的无偏估计。数值模拟结果表明混合像元分解精度与端元类内变化的方差存在负相关的特点。最后就理论推导的结论,讨论了提高混合像元分解精度的可能方法。

端元约束下的高光谱混合像元非负矩阵分解

提出一种端元约束条件下的非负矩阵分解方法来自动反演混合像元组分。以端元光谱之间的差距为约束条件,使得目标函数综合了影像的分解误差和端元光谱的影响,并以最大后验概率方法导出了限制性非负矩阵分解的迭代算法。成像光谱数据实验结果表明该方法能够自动提取影像的端元光谱矩阵与组分信息,且分解精度比IEA方法高。

混合像元分解在石漠化信息提取中的应用进展

为有效实现石漠化信息提取,概括性地从像元级和亚像元级2方面介绍石漠化信息的遥感提取方法,重点介绍混合像元分解技术的数据源、端元提取方法、模型算法及结果应用,结果表明,混合像元分解技术能较好地解决混合像元问题,为利用非线性混合像元分解模型开展石漠化信息提取提供参考。

基于端元变化的两种混合像元分解算法比较研究

光谱混合分析对提高遥感影像分类具有重要意义,其中端元变化处理是提高解混精度的关键。目前,许多算法被用来解决端元变化,但仍存在一些问题有待解决,如算法运行效率慢、忽略端元的高阶交互、像元空间邻城信息缺失。结合IDL和MATLAB混合编程,利用确定性模型中的交替最小角度法和统计性模型中考虑高阶项的非线性算法对Hyperion影像进行端元变化解混,再利用概率松弛标记法对像元补充空间邻域信息。试验结果表明:当某种地物类别所占面积较大时,确定性与统计性模型都能获得较高的解混精度;当地物类别所占面积较小时,确定性模型的解混精度高于统计性模型;补充像元空间邻域信息对解混结果有很好的校正。

基于支撑向量回归的二端元混合像元分解

针对遥感影像混合像元光谱复杂,其非线性特征,传统LSMM分解模型难以进行有效的混合像元分解的不足。通过基于SVR的二端元混合像元分解的研究,从真实遥感影像上获取典型的植被、非植被光谱信息,构造二端元混合光谱库,进行SVR模型的混合像元分解。当样本量为6%时,交叉验证获得最佳模型参数(C=1024.0和g=4.0),进一步对全部混合像元进行混合像元分解。实验结果表明:SVR分解结果 RMSE为5.95,R2为0.958,优于LSMM方法(RMSE=7.71,R2=0.932),且在各个不同真值丰度下具有更好的稳定性,证明该方法对于非线性混合光谱具有很好的学习和推广能力。此外,该方法的精度不随训练样本量的增加呈明显变化,体现出SVR在有限样本情况下能够保证高效率的训练能力。

基于混合像元分解的庐山及周边林地遥感图像分析

由于传感器分辨率的限制以及地物的复杂多样性,混合像元普遍存在于遥感影像中,在一定程度上影响到地物提取精度。以江西省庐山及周边地区2019年4月9日的ETM+影像为例,使用线性混合模型和非线性的BP神经网络方法对图像进行混合像元分解,利用2019年5月的SPOT数据及其与ETM+影像融合的分类结果对分解结果进行验证。结果表明,非线性的BP神经网络分解精度高于线性分解精度。对比使用BP神经网络分解图像提取林地面积的精度提高了1%~5%。

基于修正MCMC的端元可变的混合像元分解算法

传统的混合像元分解一般是基于固定端元的,然而实际上影像中像元并非都由完全相同的端元组成。基于波谱库,将端元选取和丰度反演合为一个步骤,抽象成一个估计参数的随机过程,在端元数目可变的前提下,基于可逆的跳跃式MCMC方法估计参数,从波谱库中选取端元并对混合像元进行线性解混。在状态转移过程中,加入端元的累积知识,以提高算法效率。这种算法不需要人工干预,能够实现自动化像元分解,并且具有较高的精度。实验表明,基于修正MCMC的端元可变的自动化解混算法在分解精度和稳定性方面均优于基于固定端元的混合像元分解方法。

动态端元组合混合像元分解法在植被覆盖度动态监测中的应用——以长汀县为例

传统的像元信息分解法在计算端元丰度时端元组合是固定不变的,而在土地利用复杂地区,固定端元组合并不符合实际情况。文章针对研究区用地类型特点,预先设定数种端元组合,通过最小二乘法选择误差最小的端元组合进行端元丰度反演,进而计算出植被覆盖度;并以实测的地表反射率作为端元反射率,避免了大气差异造成的多时相误差,有利于进行动态监测;预先进行水陆分离,仅对陆地像元进行计算,可以避免水体像元的干扰并提高模型效率。辅以同期成像的高分影像对模型精度进行验证,相关系数达到0.98。将模型应用于长汀县近18年4个时相的Landsat卫星数据,认为近年来长汀县植被覆盖度总体呈现变好的趋势,尤其是汀江沿岸;而城市化、火烧坡、大型工程建设是长汀县植被覆盖度局部变差的主要原因。

结合空间信息选取最优端元组合的混合像元分解

传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分,但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响,采用全部端元对混合像元进行分解,会使得混合像元中实际并不存在的端元的丰度估计值不为零,分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处,基于此,本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素,从混合像元的附近邻域开始搜索,将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比,并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况,逐步扩大结构元素的大小,不断调整搜索范围,直至得到最优端元组合。模拟数据和真实数据的试验结果表明,该方法相比传统的全端元光谱分解方法,在总体上获得了更好的分解效果。