两种光谱混合分析模型的比较

为了分析与对比线性光谱混合分析模型(LSMA)和约束线性光谱混合分析模型(CLSMA)在光谱混合分解中的优势与劣势,我们设计了混合光谱分解实验。反演结果表明,当利用所有光谱数据进行端元百分含量反演时,LSMA的总误差比CLSMA小0.075。当利用波段选择后的数据进行端元百分含量反演时,前者的总误差比后者小0.017。这样,不论是利用所有光谱波段数据还是利用波段选择后的数据,LSMA在混合光谱分解的效果上都优于CLSMA;此外,LSMA利用波段选择数据反演端元百分含量的总误差比它利用所有波段数据的总误差小0.02,CLSMA利用波段选择数据反演端元百分含量的总误差比它用所有波段数据的总误差小0.077。这主要是因为波段选择大大减少了端元光谱间的相关性,所以,利用波段选择数据进行混合光谱分解优于不加选择的光谱混合分解。

线性和非线性光谱混合模型模拟土壤、植被混合光谱的效果分析

论述模拟混合光谱形成的几种主要光谱混合模型,并用实验数据对线性模型和一种非线性模型的模拟效果进行比较。结果表明在实验区域中非线性模型模拟的效果并不比线性模型好,但因为非线性模型考虑了土壤、植被光谱之间的相互作用,其模拟的效果通常不会比线性模型差。

线性光谱混合模型的ASTER影像植被应用分析

本文利用线性光谱模型分解混合像元方法。从ASTER多光谱遥感数据提取福州地区植被覆盖丰度的定量信息,与归一化差值植被指数进行了回归分析,结果相关系数高达95％;通过对植被景观格局分析,表明研究区以中等丰度植被占据主要地位,生态系统较为稳定。

新质生产力驱动下吉林省肉牛养殖成本收益分析——基于混合整数线性规划模型

当前新质生产力以提升全要素生产率为核心不断推动各产业变革发展。基于混合整数线性规划模型和资源优化配置理论,分别从短期和长期视角分析新质生产力对吉林省肉牛养殖业进行成本收益分析。研究结果显示,新质生产力能显著改善肉牛养殖的经营状况,并通过优化资源配置和提升运营效率,降低市场波动带来的风险。

改进的线性混合模型用于高光谱分离实验模拟

从考虑成份光谱的噪声出发 ,提出了改进的线性混合模型来补偿成份光谱噪声的影响 ,并在假定成份光谱和混合光谱噪声源于同一噪声源的前提下 ,给出了改进线性模型的数学求解过程及数值计算思路 ,且通过合成的含噪声的混合光谱对两种方法做了对比验证 ,实验证明 :改进的线性混合模型有效地克服传统线性模型的不足 。

基于二次散射的高光谱遥感图像光谱非线性混合模型

高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重。为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度)。然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求。为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scat-tering model,SSM)。通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果。

基于双线性混合模型的高光谱图像非线性光谱解混

高光谱遥感图像的非线性光谱解混能弥补线性方法难以解释复杂场景中非线性混合效应的不足,而双线性混合模型及算法是其研究的热点.提出了一种基于双线性混合模型几何特性的光谱解混算法.通过将模型中的非线性混合项表示为一个融合了共同非线性效应的额外端点的线性贡献,使复杂的双线性混合模型求解转化为简单的线性解混问题.然后结合传统的线性解混算法直接迭代估计正确的丰度.模拟和真实遥感图像数据的实验结果表明,与其它相关解混方法相比,该算法能较好地克服共线性效应以及拟合优化过多参数对双线性混合模型求解造成的不利影响,同时提高了解混的精度和速度.

基于线性混合模型的高光谱图像端元提取

近年来,基于线性混合模型的光谱解混合技术正在越来越广泛地用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元(Endmember)光谱。通常,端元的获取有两种方式:来源于光谱库以及来源于图像数据,相比之下后者得到的结果更能体现真实的地面信息。为此,从线性混合模型的特点出发,归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,并总结了评估算法结果的依据,最后介绍了端元提取技术的发展趋势。

运用线性光谱混合模型解析城市绿色空间格局：乌鲁木齐市的实证研究

运用线性光谱混合模型并引入植被景观指数解析乌鲁木齐市绿色空间格局及变化特征,为定量评价干旱区绿洲生态环境提供更精确的方法.结果表明:(1)植被盖度与植被指数整体相关性较好,但植被盖度更能反映像元尺度上植被信息较弱的城市植被景观;(2)13年内,植被丰度整体下降明显,存在郊区绿地面积锐减、建成区绿地破碎化程度加剧及空间分布不协调等发展问题;(3)从建成区植被类型看,中、高丰度植被面积缩减最大,低丰度植被面积变化不大但其破碎化程度最大,以低丰度植被占主导的城市绿地结构单一化趋势明显,城市绿色生态系统较不稳定.

线性混合光谱模型在多光谱遥感影像分类中的应用

介绍了混合像元的概念、研究现状和广泛用于混合像元分解的线性模型。以TM遥感图像分类为例,对图像做MNF处理后进行有约束和无约束两种线性混合光谱模型分解混合像元;再对图像进行分类,将得到的图像同直接分类的图像进行比较分析。实验结果表明,考虑约束条件的线性混合光谱解混分类精度比直接分类精度提高了32.8%。

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。

方差分析和混合线性模型在重复测量数据中的应用探讨

[目的]通过混合效应线性模型与重复测量的方差分析在重复测量资料中的应用比较,说明两种方法在处理重复测量资料时的特点。[方法]对四川大学华西医院精神科就诊的139名患者进行随访调查研究,对调查表中的抑郁量表分数分别运用重复测量的方差分析模型和混合线性模型处理。[结果]混合效应模型和重复测量的方差分析都是处理重复测量资料的重要的统计方法,前者在选择协方差结构下可对重复测量资料的固定效应和随机效应参数及协方差矩阵进行参数估计和统计检验,后者只能对重复测量资料的固定效应做出统计推断。[结论]混合效应模型在处理临床中的重复测量的资料比重复测量的方差分析,对资料的要求更宽松,所得的结果更加客观。

基于SVM和线性光谱混合模型的城市不透水面丰度提取

不透水面丰度的提取在城市环境监测和规划研究中具有重要价值.基于2006年7月30日合肥市TM影像数据,运用支持向量机(SVM)监督分类与线性光谱混合模型(LSMM)相结合的方法提取研究区不透水面丰度值,并与单一运用线性光谱混合模型提取结果进行比较.研究结果表明:支持向量机监督分类和线性光谱混合模型相结合的方法RMSE为12.8%,提取精度高于线性光谱混合模型,该方法提高了城市不透水面丰度提取的精度.

基于线性光谱混合模型的油菜种植面积遥感监测方法研究

利用中低分辨率卫星影像进行油菜面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。本文以2009年湖北省潜江市油菜种植面积为例,利用中巴地球资源卫星(CBERS-02B)遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,将结果与基于GVG(GPS、VIDEO、GIS)农情采样系统得到的结果进行对比分析,面积提取精度为97.43%。表明线性光谱混合模型能够高精度地提取油菜的种植面积,不失为一种很好的监测油菜种植面积方法。

基于线性光谱模型的混合像元分解方法与比较

线性光谱模型是目前解决城市中等空间分辨率遥感(如Landsat)中存在的混合像元问题的简单、有效的策略。本实验以广州区域为研究区,利用ENVI/IDL影像处理和开发平台对4种混合像元线性光谱分解方法进行了对比,即无约束条件法、带部分约束条件法、普通带全约束条件法和带全约束条件的可变端元法。结果表明,普通带全约束条件法和带全约束条件的可变端元法的分解结果比无约束条件法和带部分约束条件法的分解结果合理,均方根误差明显要小;同时,带全约束条件的可变端元法要优于普通带全约束条件法。光谱归一化处理则对不同分解方法带来不同的影响,应依据实际需要采取合适的光谱处理方式。

基于线性光谱混合模型的混合像元分解研究——以合肥市为例

利用Landsat ETM+数据,在水体掩膜的基础上,采用线性光谱混合模型(Liner Spectral Mixture Model,LSMM)进行混合像元分解,得到合肥市高反射率地物、低反射率地物、植被和土壤四种端元的丰度图像以及RMS误差分量图像.应用线性光谱混合模型研究城市地表组分组成,端元(End-member)选取是模型成败的关键.通过分别采用手动选取端元和利用纯像元指数(PPI)法选取端元两种方法,从定性角度对比两种方法得到的结果,结果表明在本研究区内手动选取的端元比PPI选取的端元模型拟合精度更高,能够得到更高精度的分量图像.

混合线性模型效应参数的影响分析

该文考虑非平衡混合线性模型的影响分析及强影响点的探测问题．文中导出了在单点剔除模型下效应参数的经验Ｂａｙｅｓ估计与原模型下对应估计的相互关系．利用Ｃｏｏｋ距离和协方差比统计量，我们分别给出了剔除单个数据点对固定效应和随机效应参数估计以及估计精度的影响度量．最后，给出具体的计算方法，并对一实例进行分析．

基于线性混合模型的高光谱图像谱间压缩感知重构

该文针对高光谱数据的线性混合模型,提出一种简单有效的谱间压缩感知下高光谱数据的重构方案。该方案不同于传统的压缩感知重构方法直接重构高光谱数据,而是将高光谱数据分离成端元和丰度分别进行重构,然后利用重构的端元和丰度信息合成高光谱数据。实验结果表明,该方案的重构质量明显优于标准压缩感知重构方法,并且运算速度具有极大提升,同时便于获得端元和丰度信息。

基于线性光谱混合模型的遥感影像枇杷树信息提取

阐述了线性光谱混合模型及其在遥感专题信息提取方面的优势,并以枇杷重要产地莆田市常太镇为对象,选用ETM卫星影像,利用线性光谱混合模型提取枇杷树信息,绘出枇杷树的丰度图,据此估计出枇杷的种植面积,最后对提取结果进行了验证,实验证明了该方法提取枇杷树信息的有效性。

基于线性光谱混合模型的地表温度像元分解方法

以北京市Landsat TM为数据源,提出了一种新的地表温度光谱分解模型(Temperature Unmixing with Spectral,TUS),以期将地表温度的空间分辨率提高到30 m.首先,基于线性光谱混合模型获得地表组分的丰度值.然后,基于温度/植被指数选取典型端元的地表温度.最后,综合地表组分的比辐射率数据实现地表温度的分解.结果表明,TUS模型能够有效地提高地表温度的空间分辨率,反映不同地表组分地表温度的空间差异性,平均绝对误差(MAE)和均方根误差(RMSE)分别为1.25 K和2.27 K,非常适合于复杂地表覆盖地区的地表温度降尺度处理.