应用GF-5高光谱遥感影像提取山区茶园

为探究高光谱影像丰富的光谱信息对山区茶园的提取效果,促进国产卫星高光谱影像在茶园分布制图与资源监测中的应用,以普洱市南部山区茶园典型分布区为研究区,以高分五号AHSI(GF-5 AHSI)影像以及数字高程模型(DEM)为主要数据源,结合实地调查数据,构建基于随机森林(RF)分类器的亚热带山区茶园提取算法。首先,将去除噪声影响后剩余的250个波段作为光谱特征(SF);在分析研究区主要地物(茶园、森林、农田)光谱的基础上,分别构建植被指数特征(VIF)45个,地形特征(TRF)3个。然后,利用RF进行特征重要性排序,按照特征重要性从大到小依次将特征输入RF分类器进行茶园提取,随着特征的不断输入,茶园提取的F1-Score达到饱和不再明显增加时的特征维度即为最优选择特征。依据3种特征因子(SF,VIF和TRF)构建12种分类方案。最后,比较12种方案的茶园提取精度,最终确定最优方案。结果显示,不同特征组合茶园提取F1-Score排序为SF+VIF+TRE+FS>TRF+VIF+FS>SF+TRF+FS>TRF+VIF>VIF+FS>SF+VIF+FS>SF+VIF+TRF>SF+FS>SF+TRF>VIF>SF+VIF>SF。FS后6种分类方案中,SF参与分类的4种方案中被选中2次的波段为b4、b5、b6、b27、b133、b150和b281;在VIF参与分类的4种方案中被选中4次的指数分别为REP、VOG2、SR2、SR3、WBI、TIP3和TIP9;TRF参与分类的4种方案中坡度、坡向、高程均被选中。此外,SF+TRF+VIF特征进行FS后结合RF算法能够对亚热带茶园分布进行有效识别,具有较好的识别精度和可信度,GF-5 AHSI卫星数据在茶园分布制图和资源监测等领域有着较好的应用潜力和前景。

不同降噪方式下基于高分五号影像的土壤有机质反演

通过遥感技术预测土壤有机质(Soil Organic Matter,SOM)的空间分布是精准农业和土地资源管理研究的重要内容,与粮食安全及环境监测密切相关。该研究主要研究采用高分五号(GF-5)反演土壤有机质的最佳降噪方式。以黑龙江省典型黑土区明水县为研究对象,获取GF-5高光谱遥感影像,对影像进行不同降噪处理,包括奇异值分解(Singular Value Decomposition,SVD),离散小波变换(Discrete Wavelet Transform,DWT)及中值滤波(Median Filtering,MF)降噪。然而,分别结合二维光谱指数,应用随机森林(Random Forest,RF)方法预测不同降噪方式的SOM含量。结果表明:1)所选择的不同降噪方法中,与SOM含量的相关性由高到低依次为DWT、SVD、MF,其中,基于MF降噪后的光谱反射率与SOM含量相关性低于原始反射率与SOM含量的相关性。2)基于降噪方式下的光谱曲线更加平滑,且不同有机质含量对应的光谱曲线形状相似。3)采用DWT降噪方式,基于影像波段和光谱指数,以RF为预测模型的SOM最优反演模型精度R^2为0.69,均方根误差为2.26%。研究成果可为利用高光谱卫星数据实现大尺度范围内SOM的数字土壤制图提供参考,为实时定量监测土壤肥力变化提供依据。

星载GF-5 AHSI高光谱影像不同光谱波段土壤有机质含量预测精度比较

【目的】探讨星载高分五号(GF-5)高光谱影像不同光谱波段对SOM含量预测精度差异,明确有效光谱波段范围,以便提高SOM含量高光谱预测精度。【方法】该研究以黑龙江省建三江农垦区为研究区域,将GF-5可见短波红外高光谱相机(AHSI)获取的高光谱数据划分为可见光-近红外(VNIR)、短波红外(SWIR)和VNIR-SWIR 3种不同光谱波段,并将光谱反射率进行了9种光谱数学变换;分别采用多元逐步回归(MLSR)和偏最小二乘回归(PLSR)构建SOM含量预测模型,评价分析了3种不同光谱波段预测SOM含量的精度差异。【结果】在MLSR模型中,VNIR-SWIR的对数倒数一阶微分SOM含量预测精度相对较高,验证精度决定系数R^(2)_(val)为0.383,均方根误差RMSEP为5.009;在PLSR模型中,VNIR反射率的SOM含量预测精度较高,验证精度R^(2)_(val)为0.359,RMSEP为4.170。【结论】GF-5AHSI SOM含量预测精度较高的光谱波段为VNIR和VNIR-SWIR。卫星数据质量、研究区域自然条件、数据预处理过程、建模方法选择等因素共同影响SOM含量预测模型精度,通过技术和方法改进,GF-5数据预测SOM含量的潜力更大。