航空高光谱CASI-SASI数据蚀变矿物信息提取与应用——以甘肃省敦煌市小金窝子地区为例

航空高光谱遥感数据具有“空谱合一”的优势,深入挖掘并应用高光谱数据中蕴含的蚀变矿物地质信息具有重要意义。本文应用航空高光谱CASI-SASI数据,建立了基于“整体谱形-特征参量协同”的蚀变矿物信息提取流程,并在甘肃省敦煌市小金窝子地区开展了蚀变矿物信息提取、地质涵义分析和野外查证。基于高光谱CASI-SASI数据成功提取了褐铁矿、绿泥石、绿帘石、短波云母、中短波云母、中长波云母、长波云母共7种蚀变矿物。高光谱CASI-SASI数据提取的大面积区域性分布的蚀变矿物多为区域热液作用产物,小范围定向分布的蚀变矿物与断裂、岩脉等成矿热液活动关系密切,局部产出且具定向性的中短波云母与断裂构造及酸性脉体关系密切,基于野外地质调查和ASD光谱实测的蚀变矿物野外查证工作证实蚀变矿物提取结果可信。褐铁矿+中短波云母的蚀变矿物组合具有金矿化指示意义,为基础地质调查和矿产资源勘查提供了重要的遥感信息。

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CLCT-Net)。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和Li‐DAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。

基于可见光-近红外高光谱信息与数据融合的木质化鸡胸肉的判别模型构建

木质化鸡胸肉(wooden breast,WB)制约肉鸡行业发展,传统触诊检测方法耗时且效率低,为提升高光谱成像(hyperspectral imaging,HSI)技术检测鸡胸肉木质化程度的效果,本论文以白羽鸡鸡胸肉为研究对象,将其划分4个木质化等级,采集其在400~1000和1000~2000 nm内的HSI信息,通过不同光谱预处理算法和特征波段筛选方法,建立基于全波段、特征波段和HSI数据融合的偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)模型和支持向量机(Support vector machine,SVM)模型。结果显示,SVM模型比PLSDA模型更适于判别鸡胸肉木质化程度,基于1000~2000 nm内全波段和特征波段的最佳模型预测集总体正确率均高于400~1000 nm内的模型,基于两波段HSI数据融合的木质化判别模型优于基于单一波段(包括全波段和特征波段)的模型,最佳模型预测集总体正确率为96.7%,能较好地区分出4个木质化等级,且对4个等级的判别准确率均可达90%以上。研究结果为HSI实现木质化鸡胸肉的准确无损检测提供技术支持。

基于高光谱数据的密云水库水生态空间地物精细分类

重点水域水生态空间地物类型分布状况是其健康评估以及生态规划的重要基础.基于高分五号(GF-5)卫星高光谱数据,采用混合式特征选择算法开展北京市密云水库水生态空间地物精细分类研究.采用随机森林算法获取波段重要性排序,经过特征降维将总体分类精度最高的模型对应的特征集作为初始特征子集.利用后向序列选择算法搜索地物精细分类的最佳特征子集,进而开展密云水库水生态空间的地物精细分类.结果表明,高光谱数据可以实现较高精度的地物分类(总体分类精度为93.61%,Kappa系数为91.71%),相比于哨兵二号(S-2)卫星多光谱数据,在精细树种分类方面具有明显的优势.

不同数据类型和降维对钙华高光谱识别精度的影响

钙华是研究地壳运动、古气候等地质环境的重要载体,大规模的钙华景观不仅有利于研究地质演变,作为自然遗产具有很高的旅游价值和保护意义,由于全球气候变化与人为因素影响,钙华容易出现被破坏、退化等现象。为方便保护和修复钙华资源,本研究提出区别于传统实地勘察的高光谱识别方法,利用原始数据(OD)、多元散射(MSC)后数据、一阶导后(FD)数据、二阶导(SD)后数据经过主成分分析(PCA)、线性判别分析(LDA)方法降维后与支持向量机(SVM)、随机森林(RF)、BP神经网络、卷积神经网络(CNN)四种方法建立识别模型,并讨论了不同降维效果和数据类型对识别模型总体分类精度(OA)的影响,发现原始数据中PCA降维的效果比LDA降维效果好,其在PCA降维下的分类模型普遍精度要比LDA下的模型精度高;在本研究中,以MSC数据为输入的识别模型精度均值为88%,在四种数据的模型精度均值大小中位居第二,仅比第一位低0.1%,但其方差与标准差分别为0.043、0.042,远远小于其他三种数据的模型,说明MSC数据的识别模型要更加稳定;其次经过粒子群算法(PSO)优化的SVM分类模型在F1-score、kappa系数、OA三种性能指标的评价下性能显示优良,其中SD-PCA-PSO-SVM获得了98%的高精度。综上,在钙华识别过程中,未经优化的分类器选择MSC数据或PCA降维的原始数据作为输入,更容易获取高精度识别模型,选择合适的理论来优化模型也可提升模型的识别性能。

基于Hyperion高光谱数据的植被覆盖区岩矿蚀变信息提取

植被遮盖增加了地质勘探和资源管理的复杂性。高光谱遥感技术的发展为克服这一挑战提供了新途径,对植被覆盖区域的岩矿蚀变信息提取逐渐引起广泛关注。本文探讨了基于Hyperion高光谱数据的植被覆盖区域岩矿蚀变信息提取方法,具体研究目标包括高光谱数据的预处理、波谱反射率的反演以及野外测试波谱曲线的结合,以像元波谱匹配技术提取特定岩矿蚀变信息。通过研究,旨在为植被覆盖区域岩矿蚀变信息的提取提供新的思路和方法,从而为地质勘探和资源管理等领域的决策提供更准确的数据支持。

高光谱数据与航空伽玛能谱数据在砂岩型铀矿勘查中的应用

高光谱数据和航空伽玛能谱数据具有覆盖面广、数据获取速度快、测量效率高、成本低、信息量大等优势,在铀矿区域地质调查研究中发挥着重要作用。高光谱数据具有“图谱合”的特点和优势,可以很好的表征地物的光谱特性及空间纹理信息,在基岩裸露对矿物和岩性成分的识别与分类、蚀变带的划分具有明显的优势(张昭等,2022)。

融合雷达数据的高光谱图像分类

高光谱图像分类是高光谱遥感的一项重要内容。然而,由于高光谱数据光谱波段信息丰富,且仅对材质信息敏感等特性,导致高光谱分类中易出现“维度灾难”、对高度信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。为解决上述问题,论文设计了一种双路DenseNet网络(Double-Branch DenseNet,DBD)。该网络其中一路对高光谱数据进行特征处理,压缩光谱维度,降低“维度灾难”的影响,并同步提取高光谱数据的光谱特征和空间特征;另一路通过密集连接提取雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。通过实验证明,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类。

基于多角度高光谱指数的花岗岩中长石含量反演研究

花岗岩中长石含量的定量估算有助于其定名和分类,为后续相关地质过程研究提供基础数据。在可见光—近红外—短波红外波段范围内(0.35~2.5μm),传统基于光谱吸收特征参数反演矿物种类和含量的方法,不适用于像长石这类无诊断性吸收特征的矿物。同时,基于物理的辐射传输模型由于计算复杂,在较大程度上限制了该方法在矿物定量反演中的应用。本文基于多角度高光谱数据,通过不同光谱预处理方法及光谱指数类型的组合实验,创建用于估算花岗岩中长石比例的光谱指数模型。结果表明,使用2035 nm波段的反射率二重差分型(CRDDn_(2035))指数模型,在不同实测数据集中均具有良好表现,估算精度达到0.81。本研究创建了一种适用于估算长石占比的光谱指数模型,为定量反演具有弱吸收特征的岩矿信息提供了新的技术手段与思路。

基于CSA-PLS算法的养殖水体水质快速高光谱预测反演模型研究

养殖水体水质的优劣直接影响养殖对象的成长,准确、快速、全面地掌控养殖水环境的水质参数变化情况具有重要意义。传统的水质指标监测方法都通过人工采样的方式,不仅耗费时间长,且只能体现局部水体情况。针对这些问题,提出了一种乌鸦搜索算法(CSA)结合偏最小二乘回归(PLSR)的高光谱特征波段筛选方法,快速构建回归模型,实现光谱数据的精准预测反演。以连片的养殖小区为研究对象,采集养殖水体样本并拍摄同时期的高光谱影像数据。首先对提取的采样点光谱数据利用多种数据变换方法分别预处理;其次利用这些数据,对水质指标总氮(TN)、氨氮(NH_(4)^(+)-N)、总磷(TP)和化学需氧量(COD)分别构建全波段的SVR和AdaBoost回归模型,同时与提出的CSA-PLS自动筛选波段方法和传统的连续投影算法(SPA)筛选波段后构建的模型进行比较分析;最后根据决定系数(R^(2))和均方根误差(REMS)选出适合各水质指标的最优模型。从实验结果可以看出,所提波段筛选方法的AdaBoost模型预测结果优于SVR和传统SPA方法提取特征波段后构建的模型,与全波段最优模型相比,在评价指标R^(2)和RMSE上TN提升了18.32%和10.73%;NH_(4)^(+)-N提升了17.42%和11.19%;COD提升了2.15%和2.54%。结果表明,基于CSA-PLS算法的光谱波段自动筛选方法结合AdaBoost构建的预测反演模型是有效、可行的,具有较高的精准度,为实现养殖水环境实时准确的预警调控提供了一种新的数据预测模型。

基于高光谱成像的烤烟着生部位识别

【目的】采用高光谱成像技术结合机器学习方法,建立烤烟着生部位(上部、中部、下部)的识别模型。【方法】首先,通过分析烟叶在水、氮敏感波段下的强度分布特征,采用了一种结合OTSU和Sauvola图像分割算法的双阈值感兴趣区(ROI)选取方法,然后对比分析不同预处理方法对数据建模的影响规律,采用支持向量机(SVM)、极限梯度提升(XGBoost)算法进行判别模型的建立,通过参数寻优进行模型的优化。使用遗传算法(GA)和遗传算法结合连续投影算法(GA-SPA)进行特征波长的选择,建立简化模型。【结果】(1)建立的双阈值感兴趣区选取方法能准确高效地实现烤烟叶片正常叶面区域的选取(2)不同数据预处理方法对识别模型影响较为显著,基于一阶导和萨维莱茨-戈莱平滑(1Der+SG)预处理光谱数据,结合GA选取的特征波长建立的XGBoost着生部位识别模型具有最佳的分类效能,其准确率高达97.78%。【结论】研究建立的基于高光谱成像技术结合机器学习方法的部位模型可满足烤烟着生部位的高效准确识别。

高光谱技术结合改进LSSVM的大米脂肪酸检测方法

目的:解决食品企业现有大米品质检测方法存在的准确性低和效率差等问题。方法:基于高光谱数据采集系统,提出一种结合改进细菌觅食算法和最小二乘支持向量机的贮藏大米品质快速无损检测方法。通过改进的细菌觅食算法对最小二乘支持向量机超参数(正则化参数和核参数)进行寻优,实现贮藏大米品质的快速无损检测。通过试验分析其性能。结果:所提方法可以实现贮藏大米脂肪酸含量的快速无损检测,决定系数为0.940 5,均方根误差为0.543 5,平均检测时间为1.12 s。结论:所提检测方法具有较高的检测性能,可用于大米品质的鉴别与检测。

作物水分高光谱遥感监测研究进展

高光谱遥感技术通过敏感波段提取作物水分信息,能够实现作物水分的准确、快速和无损监测,并具有光谱分辨率高、波段多和图谱合一等优点,对发展现代精准农业、智慧农业具有极其重要的意义。但在光谱数据获取、预处理、特征提取和建模过程中,都会由于环境或仪器等因素产生误差而降低模型的反演精度。为了分析高光谱遥感技术在作物水分监测的优势与潜力。本研究介绍了常见作物水分监测的几种方法,以及在水分测量的不同领域所发挥的重要作用;对高光谱遥感监测原理与方法进行阐述,并结合典型作物类型的具体应用进行叙述;探讨了高光谱遥感技术目前存在的问题,并对未来在作物水分监测研究的发展提出展望。

高维红外光谱数据预处理在中药材产地鉴别中的应用

为提高利用红外光谱数据鉴别中药材产地的预测模型效果,应该选用合适的数据预处理方法和合适的算法。针对具有3448个特征(波长551~3998 nm)的658条红外光谱中药材数据,借助于支持向量机(SVM)算法,研究了10种基于样本预处理方法(不做预处理、最大最小归一化、标准化、中心化、移动平均平滑、SG平滑滤波、多元散射校正、正则化、一阶导数和二阶导数法)与5种基于特征波长预处理方法(不做预处理、中心化、最大最小归一化、标准化和正则化)的组合(共50种)对产地模型预测精度和稳定性的影响。结果表明:合适的数据预处理对提高模型精度是必要的;标准化和最大最小正则化方法光谱的预处理建模效果较好,其预测系数值约85%;基于特征的预处理对模型预测效果改进小。只做光谱预处理或基于特征预处理的预测稳定性值近似相等(两类方式的决定系数平均值都近64%);基于样本+特征的组合预处理方法中,二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好,其决定系数R 2达到近94%;而中心化+正则化组合处理达不到直接采用原始数据(不做数据预处理)的建模效果,该方法预测效果最差。该研究的方法和结论为具有高维光谱特征的药材产地鉴别和选取有效的预处理方法提供了参考,对进一步分析药材药效和化学成份有重要的意义,也可供其他光谱数据分析借鉴。也为高维小样本数据建模的前期数据处理提供了思路。

基于半监督算法的高光谱影像特征提取仿真

高光谱影像包括待测物的空间、光谱和辐射三重信息,且图像信息具有维度高、空间相关性弱、特征非线性强的特点,导致其空间特征序列混乱,特征提取难度大。于是提出基于半监督算法的高光谱影像特征提取方法。应用半监督算法对高光谱图像中的高维数据降维处理,并基于降维结果完成高光谱图像的去模糊。高光谱图像完成降维去模糊后,根据特征学习模型学习高光谱影像数据,获取图像深层特征。在像元空间内对深度特征以及空间信息完成空、谱的联合,实现高光谱影像特征的提取。实验结果表明,所提方法应用下影像特征点在特征空间内聚类效果好,查全率和查准率均能达到95%以上,说明上述方法的应用性能更优。

基于机器学习算法的机载高光谱图像优势树种识别

对森林树种类型进行识别可以为森林资源清查工作的开展提供科学的参考价值,如何利用空间分辨率较高的高光谱数据准确识别森林优势树种是当前亟待解决的问题之一。文章以内蒙古大兴安岭根河森林保护区为研究区,在2种空间分辨率(1 m和3 m)下,使用样本点(样地对应像元的光谱值)与样本面(样地对应3×3窗口像元光谱平均值)2种样本取值尺度,采用3种机器学习分类算法(神经网络(neural network,NN)、三维卷积神经网络(three dimensional convolution neural network,3DCNN)和支持向量机(support vector machines,SVM))对机载高光谱图像的森林优势树种识别能力进行了探讨。结果表明:①无论使用何种空间分辨率与样本取值尺度,3DCNN的分类精度最高,其总体精度和Kappa系数最高(最高分别为95.42%和0.94);②高空间分辨率更有利于优势树种识别,其比低空间分辨率(3 m)总体精度最多可提高30.97%,Kappa系数最多可提高54.24%;③使用NN与SVM进行分类时,以样本面作为样本取值尺度进行树种识别的精度低于样本点。而在3 m空间分辨率情况下使用3DCNN进行分类时,以样本面作为样本取值尺度进行树种识别的精度高于样本点。总的来说,空间分辨率、样本取值尺度与分类算法均对优势树种识别精度有不同程度的影响。在机载高光谱图像识别森林优势树种过程中,优先选择高空间分辨率影像,利用小样本数据,采取深度学习算法将会提高优势树种识别精度。

基于张量Tucker分解的高光谱图像异常目标识别

高光谱图像每个像素点的光谱信息包含数百甚至数千个波段,使得高光谱图像在维度上具有高度的复杂性,且由于光谱波段众多,其中存在大量的冗余信息,加大了异常目标识别计算的负担。为此,文中提出基于张量Tucker分解的高光谱图像异常目标识别方法。通过张量Tucker分解压缩高光谱图像后,采用依据高光谱图像数据样本学习的构造方法,构建压缩后高光谱图像的字典,获取高光谱图像数据的稀疏表示形式后,通过RX异常检测方法检测出高光谱图像中的异常目标。实验结果表明:所提方法张量分解重构高光谱图像后,可以缩短压缩时间,减少算法复杂度;重构后的高光谱图像清晰度高,且高光谱图像异常目标检测虚警率低。

基于高光谱数据和雷达融合的滑坡信息提取

为了改进微地形滑坡遥感影像分类技术,从而提高微地形滑坡遥感信息提取的精度,采用湖北宜昌部分地区的无人机航拍高光谱影像(HSI)和激光雷达(LiDAR)数据作为研究数据源,并对高光谱和LiDAR数据进行融合,最后采用结合注意力模块(CBAM)的卷积神经网络(CNN)方法,对融合后的数据进行滑坡信息提取。研究表明,利用高光谱和雷达数据的优势,可以更准确地提取滑坡信息。

基于高光谱数据与针叶电阻率的松材线虫病早期诊断研究

松材线虫病对我国松林资源造成严重破坏,早期精准诊断该病害对精准防控及保障国家森林生态安全具有重要意义。该病目前的诊断技术包括林间症状诊断法、病原线虫鉴定法、流胶法等,这些方法受到条件或技术的限制而不完善,也无法有效地对松树针叶变色前或极少数针叶变色的阶段进行诊断。为此提出一种基于光谱分析的马尾松松材线虫病针叶电阻率检测方法。对野外8~9年生马尾松接种松材线虫后,在不同时间对针叶进行数据测量。使用美国Ocean Insight公司生产的Ocean Optics USB2000+对马尾松针叶反射光谱数据进行采集,取冠层上、中、下3个位置光谱反射率平均值作为该植株的光谱反射率;将针叶横截面近似看成半椭圆形,剪取针叶中部4 cm,测量针叶的宽度和厚度,使用M4070 LCR测试仪测其电阻值,从而计算出其电阻率;取冠层上、中、下3个位置电阻率平均值作为该植株的针叶电阻率。对原始光谱(OR)进行光谱变换,主要方法为一阶导数(FD)、二阶导数(SD)、对数变换(LOG)、倒数变换(1/R)和连续统去除法(CR);使用随机森林算法对原始光谱和各个变换的光谱数据提取特征波段以反演针叶电阻率,采用最小二乘支持向量机(LSSVM)算法对筛选出的特征波段与针叶电阻率的建模效果进行分析,确定最佳马尾松针叶电阻率预测模型。结果表明,在该病害出现极少数针叶变色后的早期阶段,马尾松接虫株与对照株针叶电阻率达到极显著差异(p<0.01)。LSSVM建模效果表明,二阶导数变换后的光谱数据综合表现最好,选择特征波段为594.986、646.107、646.451、782.896、784.841、839.164、863.890、902.021、947.901和962.315 nm;建模集和验证集的平均R 2为0.848,RMSE和MAE分别为32.331和7.067。相较于原始数据(OR)建立的模型,R 2提升4%,RMSE和MAE分别降低2.5%和18.9%。研究结果表明,使用针叶反射光谱反演针叶电阻率是可行的,且SD-RF-LSSVM建立的预测模型精度最高,可用于针叶电阻率的快速估测,为实现基于遥感的松材线虫病早期诊断与监测提供了思路与方法。

基于高光谱反射和透射融合技术的牛肉糜掺假检测

为了提高牛肉糜中掺鸡、鸭和猪肉糜的检测精度,该研究利用高光谱反射率(reflentance,R)和透射率(transmittance,T)光谱数据融合方法开展了对牛肉中掺假物的定量检测研究。首先在牛肉中分别加入质量分数为2%~50%浓度间隔为2%的三类掺假物(鸡肉、鸭肉和猪肉),采集样本的反射率光谱数据结合支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和长短期记忆网络(long short-term memory,LSTM)算法建立分类模型,将样品分为鸡肉、鸭肉和猪肉掺假牛肉样品和纯牛肉样本(4类)。然后,通过单一的反射和透射率光谱数据建立偏最小二乘模型(partial least squares regression,PLSR)对不同掺假物浓度进行定量分析,通过竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)、无关变量消除(uninformative variable elimination,UVE)、初级数据融合和中级数据融合方法对模型性能进行优化。基于中级数据融合对掺假物为鸡肉、鸭肉和猪肉的模型预测效果提升最大,相比于单一光谱数据建立的最优模型效果分别提升了3.9%、9.3%和4.5%。对掺假物为鸡肉和鸭肉样本预测效果最好的模型为去趋势化(de trending,DT)预处理后的UVE-PLSR,对应的决定系数(r-squared prediction,R_p~2)和均方根误差(root mean square error,RMSEP)分别为0.984 5和1.865 1、0.986 0和1.771 1,对于掺假物为猪肉样本预测效果最好的模型为RAW-CARS-PLSR,对应的R_p~2和RMSEP为0.975 1和2.366 5。结果表明,高光谱成像技术结合数据融合技术可以有效对牛肉中掺假物含量进行快速且高精度的检测,中级数据融合最大化提升了模型的性能。