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。

基于无人机高光谱影像的三江源草种精细识别研究

草种精细识别对三江源区草地生态系统退化监测具有重要意义。基于无人机高光谱遥感系统,获取三江源草地退化典型区的高光谱影像。在对原始光谱特征利用XGBoost进行优化选择的基础上,结合扩展形态学属性剖面特征,利用稀疏多项式逻辑回归与自适应稀疏表示两种分类方法分别对影像上的不同可食与毒杂草种进行精细识别,在此基础上提出形状自适应的后处理方法对识别结果进行平滑处理。结果表明:①利用XGBoost方法选择出重要性高的光谱特征能提升高光谱数据的识别效果并节省运行时间;②利用空间—光谱特征的识别方法相较于仅利用光谱特征的方法可以有效改善草种识别效果,使总体精度提升4%~5%;③利用两种稀疏表示方法在小样本的情况下对草种精细识别的精度分别达到94.07%、93.15%,利用形状自适应后处理方法能有效提高多种毒杂草种的识别精度,使得总体精度分别提升约1.64%和1.12%。基于特征挖掘的稀疏表示分类方法能实现高精度的无人机高光谱影像草种精细识别,为更大范围的草原物种精细识别提供了技术支撑。

黑臭水体水面阴影提取的自适应阈值算法研究

黑臭水体水面阴影对水面光谱信息产生干扰,严重地影响了利用高空间分辨率遥感数据进行水质状况监测的精度,因此,在数据预处理中必须进行阴影剔除。本研究基于无人机高光谱遥感数据,通过分析各种波段组合下黑臭水体水面的阴影像元和水体像元的光谱特征空间,选择以492、666和792 nm处的反射率建立黑臭水体的河面阴影指数(RSSI),并利用最大类间方差法(OTSU)自动确定划分本影、半影以及水体的阈值。利用南京金川河和龙江河的无人机高光谱遥感影像对算法进行测试,结果表明:RSSI阴影指数能突出显示阴影与水体的差异;OTSU自适应确定的阈值能较好地区分本影、半影和水体,阴影的总体识别精度达到85%以上。该算法能够有效地识别黑臭水体水面阴影,为后续开展水体的定性、定量遥感监测提供数据预处理的技术支持。