连续统去除法分析不同马铃薯品种高光谱差异性

在我国实施"马铃薯主粮化"战略的背景下,加强马铃薯相关的研究显得十分有意义。比较和分析不同马铃薯品种不同时期的光谱差异性,旨在为马铃薯品种鉴定、马铃薯与其他作物的区分、马铃薯空间分布提取、马铃薯病虫害监测、马铃薯受各种胁迫的影响以及各种作物识别研究等提供理论和技术支持,也为作物高光谱相关研究提供新思路。对在吉林地区大田试验获取的马铃薯早熟品种费乌瑞它和中晚熟品种延薯4号结薯期和块茎膨大期等关键生育期的样品的冠层高光谱反射率数据,首先利用Savitzky-Golay平滑滤波进行去噪声处理,获取其连续统去除光谱并提取出最大吸收深度、总面积、左面积、右面积、对称度、面积归一化最大吸收深度6个特征参数。同时对滤波后的光谱反射率数据和连续统去除光谱反射率数据进行一阶微分处理。在对不同马铃薯品种这两种光谱反射率曲线对比分析的基础上构建反射率差异性指数、一阶导数差异性指数、连续统去除光谱特征参数差异性指数共3类8种差异性指数作为评价指标。其中反射率差异性指数和一阶导数差异性指数研究"绿峰"550nm,"红谷"670nm以及可见光-近红外平台760nm附近的波段。利用这些差异性指数定量地分析了不同马铃薯品种高光谱差异性。将连续统去除法应用到植物高光谱差异性分析中来,并且深入到不同马铃薯品种以及其不同生育时期。构建的差异性指数取得了很好的评价效果,结果表明:(1)相比反射率差异性指数和最大吸收深度差异性指数,一阶导数差异性指数、总面积差异性指数、左面积差异性指数、右面积差异性指数、对称度差异性指数和归一化差异性指数都可以很好地描述不同马铃薯品种的高光谱差异性,连续统去除光谱局部放大了两个不同马铃薯品种的高光谱差异;(2)滤波光谱和连续统去除光谱反射率差异性最大的波长位置和时间都相同,均处于8月16日波长671.24nm处;最大吸收深度差异性指数值最大仅为0.01;滤波光谱一阶导数差异性指数值在6月24日波长673.55nm处最大达到0.977,连续统去除光谱一阶导数差异性指数在6月24日波长759.74nm处最大达47.87,在不同马铃薯品种光谱差异性分析中作用最为明显;总面积差异性指数值、右面积差异性指数值、对称度差异性指数值和归一化差异性指数值均在6月24日最大,最大值分别为0.13,0.214,0.205和0.113,左面积差异性指数值在7月24日最大,为0.199;(3)根据所构建的差异性指数定量评价结果综合推测可知,两个不同马铃薯品种高光谱差异最大的时期处于早熟品种费乌瑞它结薯期的中晚期,中晚熟品种延薯4号结薯期的初期。

多情景土地利用模拟结果差异性评估方法研究

土地利用情景模拟中,对多次模拟结果进行评估是提高模拟精度的重要方法,辅助规划决策者制定更科学的规划方案。为此,提出了基于Moore邻域的图像差异性评估方法,构建了栅格图形差异性测度指数,通过K-Means聚类方法与最适置信区间法相结合的聚类离群区检测方法验证土地利用变化显著性,并与传统的局部加权Kappa系数相比较。选取江苏省常州市新北区孟河镇土地利用模拟数据作为实验数据,实验结果表明,栅格图形差异性测度指数能够有效过滤因模型不确定性导致的模拟结果差异,科学辨别栅格变化区域,减少冗余信息,提高模拟精度。

基于连续统去除法的玉米品种高光谱差异性研究

根据玉米吐丝期和灌浆期冠层光谱反射率数据,采用Savitzky-Golay滤波法进行光谱平滑处理后,利用连续统去除法对绿峰535 nm、红谷650 nm、近红外波段770 nm进行光谱分析,提取吸收峰总面积、最大吸收深度、对称度、左面积、右面积、面积归一化最大吸收深度6个玉米冠层反射光谱吸收特征,利用提取的特征参数构建高光谱反射率差异性指数,对不同品种玉米的光谱差异性进行定量分析。结果表明:除最大吸收深度差异性指数及右面积差异性指数外,其他4个指数可以表征不同玉米品种在同一时间的光谱差异性,能够定量化描述不同品种玉米的光谱特征。研究结果能够为玉米品种遥感识别、产量估算等研究提供理论依据。

基于异构机器学习算法融合的遥感影像分类

针对信息获取与处理过程中的不确定性导致的遥感数据分类精度难以满足土地覆盖变化、环境监测、专题信息提取等应用方面的需求,提出了一种基于机器学习的分类融合算法。采用6种异构分类器,以查准率及查全率矩阵为先验知识,依据分类器差异性指数AD对单分类器进行优化组合,结合三维概率矩阵分别得到抽象级、排序级和度量级的分类融合结果输出,并以北京地区Landsat 8遥感影像的典型区域为研究对象进行分类预测。结果表明,从6个单分类器中选取3个进行组合时的效果较好,其中AD值最大的(NB,KNN,SVM)分类器组合是综合效果最好的分类器组合;所提算法的抽象级输出比单分类的平均精度高12.28%,比分类效果最好的单分类器SVM高2.24%;所提算法对多个"强成员分类器"进行融合仍然能有效提高分类精度,比常用融合算法RF,Bagging和Boosting分别高出11.23%,7.56%和11.36%,对各种地物的分类精度有显著的提高。