基于无人机高光谱遥感的水体CHL-a反演

无人机平台搭载高光谱传感器获取的高光谱数据具有高分辨率、波谱丰富的特点,本研究基于实测采样点光谱特征、采样点CHL-a浓度,采用相关性分析的方法选取最优波段,构建水体CHL-a反演模型,应用于无人机高光谱数据进行CHL-a的反演监测。结果表明:通过分析单波段、一阶微分值与CHL-a参数,发现使用674 nm、570nm波长构建的一阶微分与水体CHL-a构建的线性反演模型,具有较高的相关性与精度,可满足对小中型地表水体叶绿素的快速反演监测。基于反演结果构建空间分布图,实现水质参数的可视化。

无人机高光谱影像水面耀光去除及信息重构方法研究

抑制遥感影像水面耀光污染并重构影像信息,是改善无人机遥感信息质量、扩大水环境监测区域的有效途径.针对传统经典的耀光信息重构算法难以适用于无人机高光谱影像这一问题,提出了一种耀光自动检测去除与信息重构算法,即采用归一化水体指数提取水体,以全波段总和灰度图像的最低值为阈值对耀光进行分割,利用拉普拉斯算子提取水面耀光纹理,通过多轮形态学膨胀与阈值更新迭代计算出两者面积差值,以投票机制获得最小差值的出现频率,并逆向获取最佳阈值自动去除耀光.而后,基于主成分分析确定匹配波段,通过改进Criminisi算法对去除区域进行重构.去除算法应用于四个真实耀光场景,去除率均在99%以上.重构算法结果在主观和客观上均优于其他算法,耀光重构水体与正常水体各波段变异系数差值在1%以内,具有良好的光谱应用能力.

基于无人机高光谱遥感与机器学习的小麦品系产量估测研究

为快速、准确地估测小麦产量,有效提高育种工作效率,本文以小麦品系为研究对象,收集小麦灌浆期无人机高光谱数据和产量数据。首先基于递归特征消除法筛选出特征波长作为模型输入变量,然后利用岭回归(Ridge regression,RR)、偏最小二乘回归(Partial least squares regression,PLS)、多元线性回归(Multiple linear regression,MLR)3种线性算法和随机森林(Random forest,RF)、梯度提升回归(Gradient boosting regression,GBR)、极限梯度提升(eXtreme gradient boosting,XGB)、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)、K最邻近算法(K-nearest neighbor,KNN)6种非线性算法构建单一算法产量估测模型并进行精度比较,最后基于Stacking算法构建多模型集成组合,筛选最佳集成模型。结果表明,基于不同算法的产量估测模型精度差异显著,非线性模型优于线性模型,基于GBR的产量估测模型在单一模型中表现最优,训练集R^(2)为0.72,RMSE为534.49 kg/hm^(2),NRMSE为11.10%,测试集R^(2)为0.60,RMSE为628.73 kg/hm^(2),NRMSE为13.88%。基于Stacking算法构建的集成模型性能与初级模型和次级模型的选择密切相关,以KNN、RR、SVR为初级模型组合,GBR为次级模型的集成模型有效提高了估测精度,相比单一模型GBR,训练集R^(2)提高1.39%,测试集R^(2)提高3.33%。本研究可为基于高光谱技术的小麦品系产量估测提供应用参考。

无人机高光谱遥感和集成深度置信神经网络算法用于密云水库水质参数反演

随工业化及社会经济迅速发展,水源地面临的水体污染、恶化不断加剧,开展有效的水质监测是水源保护的重要前提。密云水库是北京重要的地表水源地,在保护首都水源安全方面发挥着重要作用。为更精准的监测密云水库水质参数及污染程度,采用4期无人机高光谱遥感数据,基于随机子空间的集成深度置信神经网络算法(EDBN),构建密云水库水质参数反演模型,对密云水库总氮(TN)、总磷(TP)两项水质参数进行反演。首先,采用基于递归特征消除法对高光谱影像降维处理,将光谱数据与地面水质监测数据进行叠加,通过最小化训练过程中误差来确定隐藏层数、神经节点数等网络结构参数;然后采用由知识源域向网络迁移方式逐步拓展网络,对密云水库总氮和总磷两个水质参数进行训练并对结果进行验证;最后,反演密云水库潮河大坝和白河大坝区域水质参数,揭示其主要水质参数时空演变规律。研究结果显示:(1)构建总氮、总磷反演模型R^(2)分别为0.8355、0.7703,MSE分别为0.0153、0.0008,这表明基于随机子空间的集成深度置信神经网络算法模型对密云水库水质参数反演效果较好;(2)密云水库总氮浓度变化随季节发生一定波动,在夏季浓度较低,秋季相对较高。总磷浓度变化相对平稳,表明密云水库周边区域对磷污染控制效果良好;(3)白河大坝区域水质优于潮河大坝区域,总氮浓度相对偏高,整体处于Ⅲ类水平。而总磷浓度较低,整体处于Ⅱ类水平,较好时可以达到Ⅰ类水平。整体水质可以满足饮用水源的标准,但仍需加强对氮、磷污染物有效监管。研究结果将为密云水库水质高效监测与水源保护提供重要科学依据。

基于无人机高光谱的川南疫木林区早期监测研究

为探明马尾松感染松材线虫病早期地理位置及发病率。2021年7月上旬,利用无人机搭载高光谱成像仪采集遥感影像,选用支持向量机进行监督分类,在早期感病反演模型基础上,顺利提取了感病早期的马尾松地理位置及相关信息。结果表明:(1)利用460 nm、525 nm和635 nm的3波段组合真彩色影像进行ROI勾绘,马尾松与其他地被物分离度较高;(2)基于支持向量机的监督分类,顺利获取741株马尾松地理位置及高光谱反射率数据;(3)结合监测模型提取64株疑似感病马尾松,通过随机采样及镜检,马尾松聚类范围感病植株提取准确率86.67%,即马尾松林间发病率7.49%。综上,初步揭示川南地区马尾松林自然状态下松材线虫发病率,有利于今后指导松材线虫病早期精准防治。

无人机高光谱数据的辣椒SPAD值反演

为了建立更加稳定、预测能力更强的辣椒叶绿素含量反演模型,该研究基于无人机高光谱数据和实测叶绿素相对含量(SPAD值),分别利用原始光谱及其他变换光谱与SPAD值进行相关性分析,用最大相关系数法(MCC)选取相关性较好的特征波段生成特征波段数据集,再用遗传算法-偏最小二乘法(GAPLS)进行降维得到最优特征波段组合,采用偏最小二乘法(PLSR)、反向传播神经网络(BPNN)、随机森林(RF)、最小二乘支持向量机(LSSVM)和遗传算法优化的最小二乘支持向量机(GA-LSSVM)5种机器学习算法构建辣椒叶绿素含量反演模型。结果表明:辣椒叶片SPAD值与高光谱反射率成反比;辣椒叶绿素的敏感波段主要集中在400~700 nm;经过一阶微分处理后的光谱与SPAD值相关性最好,671 nm波长下一阶微分光谱与叶绿素含量呈最大负相关,相关系数为-0.69;基于倒数对数光谱建立的模型普遍精度较高;模型中表现最好的为基于微分光谱搭建的GA-LSSVM模型,其决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)值分别为0.84、1.41、2.24,其次是基于倒数对数光谱的RF模型,其R2、RMSE和RPD值分别为0.83、1.57、2.13。

无人机高光谱遥感影像校正与叶绿素a反演研究

无人机高光谱遥感是水质监测研究中的一个重要手段,而太阳耀斑作为无人机高光谱遥感影像中的常见现象,对水质监测产生严重影响。本文首先通过水体指数法去除了非水体区域,进而基于在近红外波段处离水辐射量近似为零的理论基础对影像中的太阳耀斑进行了校正,并在此基础上反演了叶绿素a浓度。结果表明,耀斑校正效果良好,影像纹理特征与光谱特征都得到了较好的保留与恢复,叶绿素a的反演效果也相对较好。

无人机高光谱在城市水质环境监测应用中反演模型构建的研究

高效的城市水质常态化监测是水环境污染防治的基础所在,无人机载高光谱技术既可以降低传统水质监测方法的人力和时间成本,同时可以推动生态环境智能检测网络的建立。聚焦城市中小河道水质监测的要求,探究无人机高光谱技术中反演模型构建中的关键技术。结果表明,无人机高光谱技术对于城市水质监测具有一定的准确性,具有推广和应用价值。

基于机器学习和无人机高光谱遥感的马铃薯SPAD值估算

为实现大田马铃薯SPAD值的快速、无损检测,采用无人机高光谱成像技术建立马铃薯关键生长时期SPAD值的定量检测模型。在大田条件下获得了马铃薯块茎形成期和彭大期的无人机高光谱影像,并对高光谱数据采用数学变换方法处理;接着,通过竞争性自适应重加权采样(CARS)、无信息变量去除(UVE)和随机蛙跳(RF)算法筛选与SPAD值相关的特征波段;随后,使用偏最小二乘回归(PLSR)、支持向量回归(SVR)和反向传播(BP)3种机器学习算法建立马铃薯SPAD值估算模型。不同算法筛选的特征波段存在差异,CARS算法能有效识别敏感光谱特征,降低特征数量,提升估测精度。基于不同数学变换和特征波段筛选算法建立的马铃薯SPAD值估测模型中,1/R-CARS-SVR模型对马铃薯SPAD值具有较强的估测能力,模型建模集和验证集R~2分别为0.88和0.84,RMSE均为0.39。采用1/R-CARS-SVR模型逐点计算研究区马铃薯SPAD值,绘制了SPAD值反演图,发现块茎膨大期的SPAD值普遍高于块茎形成期。

东北地区稻田土壤氮含量无人机高光谱反演建模研究

土壤氮元素是土壤肥力的一个重要指标,掌握土壤氮元素含量的变化是观测农作物的发育状况及时空变化规律等的基础。利用高光谱对土壤氮元素进行反演,可为精准农业地表土壤元素快速测定提供参考。为实现对土壤中氮元素含量的快速测定,以沈阳农业大学海城试验田为例,对土壤原始反射率进行了一阶导数变换,运用等距特征映射算法(isometric feature mapping,lsomap)、竞争性自适应重加权采样法(competitive adapative reweighted sampling, CARS)对一阶导数光谱数据进行降维并提取出相关特征。运用BP神经网络(back propagation neural network,BPNN)、GA优化(GA-BPNN)以及经过NSGA-Ⅲ优化后的BP神经网络(NSGA-Ⅲ-BPNN)3种分析方法建立土壤全氮的高光谱反演模型,并利用决定系数(R^(2))和均方根误差(root mean square error,RMSE)对反演模型进行评价。结果表明:经过ISOMAP进行的降维相对于CARS能有效的对特征进行提取。优化后的神经网络模型建立的土壤养分含量预测模型优于未优化的神经网络,能极好地预测土壤中的氮元素含量。基于Isomap降维后的NSGA-Ⅲ-BPNN的模型的反演模型预测效果最好,最终预测土壤全氮含量训练集为R^(2)=0.842、RMSE=0.077,测试集R^(2)=0.826、RMSE=0.089。反演精度高于GA-BPNN和BPNN的模型反演精度,与其他模型组合相比,该组合可以为土壤氮元素含量的反演研究提出一种新的方法。

基于无人机高光谱的荒漠草原地表微斑块分类研究

草原荒漠化会严重破坏草原生态平衡,荒漠草原地物分类已成为草原监测管理的关键问题。本文通过构建无人机高光谱遥感系统,解决了原有草原调查方式上效率低与空间分辨率不足问题;构建高分辨率图像卷积神经网络(HR-CNN)解决了荒漠草原地表微斑块精细化分类问题;与ResNet34、GoogLeNet、常规卷积神经网络模型进行对比,总体上HR-CNN模型表现更优,总体分类精度与Kappa系数分别为98.27%、96.63。在相同迭代次数条件下,模型构建速度上,HR-CNN相较其它三类模型分别提升65.88%、65.71%、13.77%。模型内存占有量上,HR-CNN相较其它三类模型分别降低92.11%、79.21%、43.64%。该网络模型是轻量化卷积在荒漠草原地物分类研究中的有效探索,可为后续草原地物分类提供新思路。

基于无人机高光谱遥感的淇澳岛红树林冠层叶片功能性状反演

以珠海淇澳岛红树林为研究对象,基于无人机高光谱数据,采用偏最小二乘回归方法和归一化植被指数相结合(PLSR+NDVI)以及偏最小二乘回归方法与连续小波变换(PLSR+CWT)相结合的2种无人机高光谱数据处理方法,反演了研究区内红树林的10种冠层叶片功能性状。结果表明,PLSR+NDVI的方法更适用于红树林冠层叶片比叶重LMA、单位质量磷含量P_(mass)和单位面积氮含量N_(area)的反演,PLSR+CWT的方法更适用于氮磷比N/P、叶绿素含量C_(ab)和类胡萝卜素含量C_(xc)的反演,2种方法用于反演单位质量氮含量N_(mass)、单位质量钾含量K_(mass)、单位面积磷含量P_(area)和单位面积钾含量K_(area)的结果均不理想(R~2<0.3)。采用所建立的较优方法对研究区红树林冠层叶片的LMA、P_(mass)、N_(area)、N/P、C_(ab)和C_(xc)的含量进行反演和空间分布制图,得到的功能性状空间分布格局与冠层结构及物种的空间分布格局密切相关。将不同生活型的红树林物种分开构建高光谱功能性状反演模型,有望进一步提升模型的反演精度。未来可针对每一个红树林物种构建特定的功能性状反演模型,同时结合可见光影像的物种识别结果,以提升红树林冠层叶片功能性状的反演精度。

基于机器学习算法的无人机高光谱树种分类方法研究

研究利用无人机获取成都市植物园全域的高光谱影像,采用实时动态测量技术(Real-time kinematic,RTK)对园区内140种树种采集了1246个样本,筛选出样本量>30棵的20种树种作为待分类树种。运用随机森林和支持向量机等2种机器学习算法开展20种树种的分类模型构建,结果表明支持向量机算法表现出较好的分类精度,其中整体精度为0.60、Kappa系数为0.50。与传统卫星高光谱影像结合传统分类方法相比,该方法的植被种类分类成果精度有较大提高。

基于无人机高光谱影像的互花米草植被覆盖度反演

植被覆盖度是反映植被生长状况和描述植物冠层结构的关键参数,利用遥感技术探寻最佳反演方法具有重要意义。本研究选取黄骅滨海湿地互花米草群落作为研究对象,基于高光谱影像以面向对象分析方法提取的植被覆盖度作为验证数据,对四种混合像元分解模型(像元二分模型、Carlson模型、Baret模型和SDVI模型)及随机森林模型的反演精度进行了比较。结果表明:(1)在整个研究区内,像元二分模型有高估植被覆盖度的趋势;Carlson模型、Baret模型及SDVI模型均有低估植被覆盖度的趋势;随机森林回归模型在研究区内反演精度最高。(2)在低植被覆盖度区域内,四种混合像元分解模型均有高估植被覆盖度的趋势,模型反演精度仍以随机森林最优,其RMSE、RPD及R2分别达到0.073、2.454及0.903。(3)在高植被覆盖度区域内,仅随机森林模型可应用于植被覆盖度反演。

松材线虫病无人机高光谱监测现状与展望

松材线虫病是松树林最具破坏性的灾害之一,在中国造成了巨大的生态和经济损失。无人机遥感在松材线虫病监测方面具有很大潜力。本研究综述了无人机高光谱在松材线虫病监测中的研究现状,监测传感器类型的选择,无人机遥感高光谱数据应用包括野外光谱数据的采集与处理,高光谱数据敏感参数的选择和监测模型的选择,最后对无人机遥感监测存在的问题与展望进行了叙述,为无人机遥感技术更广的发展提供参考。

基于无人机高光谱遥感数据的冬小麦产量估算

为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。

基于无人机高光谱遥感的冬小麦全氮含量反演

氮素是作物生长发育必需的营养元素之一,作物的全氮含量是表征其氮素状况的主要指标。田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥,减少环境污染。无人机高光谱遥感具有分辨率高、时效性高、成本低等优势,可为作物长势信息反演提供重要数据源。XGBoost(extreme gradient boosting)作为一种新兴集成学习算法,运行效率高,泛化能力强,可以有效的应用于构建冬小麦全氮含量遥感反演模型,预测田块尺度冬小麦全氮含量空间分布。以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象,开展以下工作:(1)以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像,结合地面采样数据,获取126个样点全氮含量数据;(2)分析拔节期冬小麦冠层光谱特征,并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性;(3)构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。结果表明:(1)176个波段(400~1000 nm)的光谱反射率与冬小麦全氮含量之间具有较强的相关性,除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5;(2)基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度(R^(2)=0.76,RMSE=2.68);(3)基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图,总体上呈现较为显著的空间差异。该研究可为冬小麦精准定量追肥提供一定的科学依据,也为发展无人机高光谱遥感的精准农业应用提供了参考。

基于SVM与RF的无人机高光谱农作物精细分类

农作物精细分类是农业遥感的关键一步,无人机高光谱遥感为农作物精细分类提供了高效有利的途径.为了快速准确地实现农作物信息提取和分类,获取了研究区无人机高光谱影像,对影像开展一阶导数变换等预处理,并以此为基础对初始影像、一阶导数(FD)影像做MNF降维变换、特征波段选择等特征提取,从而获得初始影像、FD影像、MNF影像以及FD-MNF影像.最后应用SVM和RF建立了研究区4类典型农作物遥感判识模型,并采用Kappa系数和总体精度等评价参数对分析结果进行评价.研究结果表明,RF分类模型结果精度高达88%以上,同类影像RF分类结果精度比SVM高1%~5%,且与SVM方法相比RF对研究区农作物植株的提取效果更优;光谱曲线经一阶导数变换后只突出了大豆作物的光谱信息,导致分类结果精度降低;在所有分类模型中影像经MNF降维变换后分类效率及影像分类精度均有提高.采用无人机高光谱影像对研究区主要农作物进行精细分类,为后续研究区内农情监测等提供了有力的依据和支撑.

基于无人机高光谱技术的水质预测反演系统设计与实现

利用高光谱分析技术,设计一套基于无人机高光谱技术的水质预测反演系统,以快速预测反演水质指标在水体中的动态空间分布情况.其主要功能包括光谱反射率值的提取、预测模型训练、水体区域分割提取、水质指标预测反演及反演结果的可视化显示等.实际应用结果表明,该系统界面简洁、操作方便,可作为高光谱技术在水质预测中的辅助工具,以满足研究人员对水质指标的快速预测反演需求.

海面溢油无人机高光谱遥感检测与厚度估算方法

海上溢油是海洋国家所面临的共同问题,但至今仍没有一种可靠实用的海上溢油准确识别和油量遥感监测方法。为此,本文以无人机高光谱遥感为手段,开展了海面溢油检测与厚度估算方法研究。实验中,通过搭建室外大型水槽溢油实验装置,获取了模拟真实海洋环境条件下不同溢油量的遥感和现场光谱数据,在此基础上,分析并提取了海上溢油特征光谱波段,给出了海上溢油高光谱检测模型;针对现场实验条件下水面油膜厚度难以测定的问题,设计了3种利用总体溢油量的油膜厚度估算模型。得到如下主要结论:(1)675 nm和699 nm是海上溢油检测的有效特征波段,但对极薄的油膜没有检测能力;(2)提出了归一化溢油指数模型、反比例模型和吸收基线模型等3种海上溢油油膜厚度估算模型,其中对于薄油膜(厚度≤5μm)和厚油膜(厚度>50μm),反比例模型是溢油厚度反演的首选也是唯一选择。对于中厚度油膜,晴朗天气条件下,归一化溢油指数模型是油膜厚度反演的首选,同时反比例模型和溢油吸收基线模型也都有较好的反演能力,而在多云天气条件下,反比例模型效果最佳。