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。

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。

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。

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。

基于混合像元分解提取大豆种植面积的应用探讨

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%。同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%。结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度。

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.

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。

基于相关系数匹配的混合像元分解算法

遥感影像中的混合像元不仅影响地物识别和分类的精度,而且已成为遥感科学向定量化发展的主要障碍。为此,人们已经提出了多种混合像元分解算法,其中应用最为广泛的是最小二乘法。该方法虽然具有意义明确、简单易行等特点,但也易受局部噪声、大气效应、环境辐射等因素的影响。本文将混合像元分解问题归结为一个基于光谱匹配的非线性最优化问题,并针对最小二乘法的不足提出了一种新的基于相关系数匹配(spectral corre- lation matching,SCM)的混合像元分解技术。通过在北京市北三环及其以北区域内案例的研究表明:在城市区域内,利用图像选取终端端元的办法,基于相关系数匹配的混合像元分解算法的总体精度高于带全约束的最小二乘法(LS)的分解结果。对比分析表明:在目标光谱的绝对值整体放大或缩小而光谱形状得到了很好的保持、及局部噪声使得光谱值显著变化但光谱形状得到了一定程度保持时,基于光谱形状的相关系数法可以得到比基于光谱绝对值的最小二乘法精度更高的分解结果。

基于非负矩阵分解的高光谱遥感图像混合像元分解

传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提出的算法能够很好地克服局部极小的问题,从而得到更优的解.同时该算法表现出了较强的抗噪声能力,并且能够适用于无纯像元数据的混合像元分解.

高光谱与多角度数据联合进行混合像元分解研究

混合像元问题是定量遥感的主要障碍之一。将混合像元问题归结为类内与类间像元混合两类 ,并对类内混合像元分解问题加以研究。混合像元分解的关键在于确定组分光谱 ,确定组分光谱的方法很多 ,但大多数方法基于以下假定 ,即从图像本身可以找到纯组分光谱 ,然而这一假定对于类内混合像元分解问题来说很难成立。提出采用高光谱与多角度相结合的方法 ,利用几何光学模型和线性光谱混合模型进行类内混合像元分解。即首先利用多角度数据反演几何光学交互遮蔽 (GOMS)模型获得组分光谱 ,再对高光谱数据进行组分光谱分解。由于该方法直接从混合光谱产生的机理出发 ,因而更容易获得真正的亚像元信息。为减小反演误差 ,反演过程中采用改进的多阶段的反演策略 ,并充分利用多角度图像本身提供的先验信息。用BORE AS试验获取的高光谱与多角度数据所作的研究表明 。

基于决策树和混合像元分解的玉米种植面积提取方法

Landsat 8影像具有较高空间分辨率和时间分辨率,长时间序列Landsat 8-NDVI曲线反映农作物的物候历、种植模式和种植结构信息,是精确提取玉米种植面积的理想数据源。基于时序Landsat 8-NDVI影像提取玉米种植面积的方法中,决策树方法快速、高效,可通过多阈值限定进行分类,但由于混合像元问题,如果阈值设置过宽,提取面积偏大;阈值设置过窄,提取面积偏小;混合像元分解通过计算端元组分丰度可以排除异质地类干扰。因此,以时序NDVI为数据源、耦合使用2种算法是精确提取作物种植面积的有效方法。本研究基于时序Landsat 8-NDVI,提取河北省保定市大田玉米的种植面积。首先,分析典型作物区的NDVI曲线特征,并构建决策树从而初步提取早播夏玉米、小麦夏玉米和春玉米的分布范围。然后,根据端元平均NDVI波谱曲线,进行3种玉米混合度分解,进而根据玉米丰度比例精确提取玉米种植面积。精度评价结果表明:利用本方法提取的玉米种植区总分类精度在98%以上,Kappa系数在0.97以上;所提取的玉米种植类型主要是夏玉米,春玉米种植主要集中在涿州市中部,这与实地调查结果一致。上述定量和定性的评价结果表明该方法可用于快速、精确提取玉米种植面积。

基于ETM+图像的混合像元线性分解方法在澳门植被信息提取中的应用及效果评价

利用混合像元线性分解方法(LSMM),对澳门ETM+图像(2003/1/10)进行像元分解提取植被信息.同时利用同一图像的归一化植被指数(NDVI)、缨帽变换的“绿度”分量(KT2)对提取的植被信息进行对比分析,发现用LSMM方法提取的植被信息与NDVI的相关系数达到0.93与KT2的相关系数达到了0.74.同时发现用LSMM方法提取的植被面积(4.19 km2)比NDVI阈值法、KT2阈值法提取的植被面积(分别为8.26 km2、8.68 km2)更接近真实植被面积(5.79 km2).结果表明混合像元线性分解方法能有效地提取植被信息,比以像元为单位的常规遥感提取方法精度更高,为快速、准确、高效的植被监测提供了新思路.

基于SVM和PWC的遥感影像混合像元分解

支持向量机与两两配对方法结合可分解遥感影像混合像元。首先支持向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,最终像元所属类别的后验概率作为地物的组分信息。利用多波段遥感数据验证了此方法的可行性,并将结果与线性分解模型进行比较。结果表明,SVM与PWC结合进行混合像元分解在准确性方面优于一般线性模型的精度,并且此方法可用于图像分类中。

Erf-BP混合像元分解及在森林遥感信息提取中应用

提出一种新的基于高斯误差函数(Gaussian error function,Erf)作为激活函数的BP神经网络(Erf-BP),并用于林区TM影像进行混合像元分解。研究表明:Erf-BP模型的精度高于线性无约束最小二乘法模型及最大似然法。通过在高分辨率影像上选取验证样区精度检验得出:1)各端元总分解精度为89.2%,RMSE比线性无约束最小二乘法模型降低了近39%;2)该方法能够较高精度地提取森林遥感信息,精度达到86%,RMSE比线性无约束最小二乘法模型降低了近40.6%。将3种不同方法估计的整个研究区各端元面积百分比与森林资源二类调查数据作对比得出:Erf-BP模型精度略高于最大似然法,RMSE分别为4.18%和7.90%,两者精度明显高于线性无约束最小二乘法模型(RMSE=18.75%)。Erf-BP算法能够较高精度地对TM影像进行混合像元分解,尤其在森林信息提取上,为基于混合像元分解提取不同森林类型甚至树种遥感信息提供一种可行的方法。

基于迭代加权L1正则化的高光谱混合像元分解

为了提高高光谱图像混合像元分解的精度,对基于稀疏性的线性混合像元分解方法进行研究。采用一种迭代加权的L1正则化方法进行高光谱混合像元分解,给出相应的模型和算法。通过引入多步加权L1优化求解过程,且根据当前解修正下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。试验结果表明,基于迭代加权L1正则化的高光谱混合像元分解精度比基于传统L1正则化的方法高,特别适用于信噪比较高的高光谱图像。

基于相关向量机的高光谱影像混合像元分解

提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.

基于混合像元分解提取多种类覆盖区遥感蚀变信息——以甘肃省岷县寨上金矿区为例

在多种类覆盖区,由于植被、河道、阴影、第四系等干扰因素影响,难于客观有效提取与成矿有关的遥感蚀变信息。应用混合像元分解的方法技术可以区分出混合像元中各类干扰信息的反射率值及其所占丰度值,从混合像元光谱中减去各干扰因素的反射率值及其所占份额,可以获取土壤或岩石的反射率值及其所占丰度值,将土壤或岩石反射率值除以其所占的份额,就完成了土壤或岩石光谱的重建。对于消除干扰因素影响后的新图像,只需要用传统的主成分分析方法进行蚀变信息提取,就可以大幅提高遥感蚀变信息提取的可靠性。应用本方法在甘肃省岷县寨上金矿区进行蚀变信息提取,取得了较为满意的效果。

L_1稀疏正则化的高光谱混合像元分解算法比较

基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点。主要研究了L1正则化的高光谱混合像元分解算法。首先分析了L1正则化的三种解混模型,即无约束、非负约束和全约束模型;然后给出了三种模型对应的数值求解算法;最后,采用模拟的和真实的高光谱数据进行实验,比较了三种高光谱混合像元分解算法的效果。实验结果表明:三种模型均具有很好的高光谱混合像元分解精度(SRE),其中全约束模型最好,非负约束模型次之,无约束模型最差;全约束模型在信噪比低和端元数多的情况下,仍然获得较高的SRE。

非监督的高光谱混合像元非线性分解方法

在进行高光谱混合像元非线性分解应用中,提出一种非监督的高光谱混合像元非线性分解方法.通过核函数把原始高光谱数据映射到高维特征空间中,揭示数据之间的高阶性质.通过非线性映射,原始数据在高维特征空间中变得线性可分.在高维特征空间中运用线性的非负矩阵分解(NMF)算法进行光谱解混,挖掘出数据间更多的特征.解混结果以端元相关系数、光谱角距离、光谱信息散度和均方根误差作为质量评价指标.进行模拟数据仿真实验和真实高光谱遥感数据分解实验,结果表明,采用该算法得到的分解结果优于非负矩阵分解算法.

基于图像融合与混合像元分解的城市植被盖度提取

城市植被盖度提取对于开展城市绿色空间保护和城市规划具有重要意义。随着遥感技术的发展,混合像元分解模型被广泛用于从中等分辨率的多光谱影像提取城市植被盖度,但较低的影像空间分辨率限制了该模型的应用领域。为此,以杭州市为例,首先引入Gram-Schmidt(GS)方法对Landsat ETM+的多光谱波段和全色波段进行融合,再通过混合像元分解模型从ETM+融合影像上提取城市植被盖度,最后利用SPOT影像进行精度检验。结果发现,采用GS方法对影像进行融合后,标准差、信息熵、平均梯度提高,相对偏差小于0.07,说明在保留多光谱信息的基础上提高了其空间分辨率。与SPOT影像相比,在融合影像上75%以上样本的植被盖度值相似,误差较大的区域是市区植被特别稀疏或茂盛的像元。与源影像相比,从融合影像上提取的植被盖度的均方根误差和系统误差降低了0.01。该方法在降低城市植被监测成本、提高监测精度方面具有潜力。