顾及地表散射贡献与多基线参数线性相关性的PolInSAR植被高反演方法

单基线PolInSAR受观测信息不足影响常假设体散射占优极化方式地体幅度比为零,以实现植被高参数的反演,该假设导致植被高参数反演存在较大偏差。利用多基线观测数据,可补充观测信息实现地体幅度比参数的反演。然而,多基线反演模型引入过多模型参数,造成部分参数存在近似线性相关性,引起反演模型病态,常规算法难以得到准确的模型参数估值。鉴于此,本文提出了植被高反演多基线分步解算方法。首先,基于多基线体散射占优极化数据构建多基线反演函数模型,利用正则化方法处理模型病态问题,获得模型参数正则化估值,并通过均方误差分析方法筛选模型参数估值,确定出可靠的地体幅度比参数估值;然后,利用地体幅度比参数估值重估多基线纯体相干性,并基于最小二范估计准则融合多基线纯体相干性反演植被高参数。试验结果表明,本文方法可有效提高植被高反演精度,相较于三阶段算法与多基线常规解法,反演精度提高了26%,具备较好的可行性和有效性。

TSVD截断新方法及其在PolInSAR植被高反演中的应用

截断奇异值法(TSVD)通过截断参数截掉病态矩阵中较小的奇异值来改善模型病态性的影响,提高模型参数的估计精度.由均方误差的角度分析可知,TSVD通过引入少量偏差,降低方差,来实现均方误差的下降,截断参数则是改善模型参数估值均方误差的关键因素.通过分析截掉奇异值后,TSVD模型参数估计方差与偏差的变化情况,提出了依据引入偏差量小于降低方差量确定截断参数的方法,理论依据更为充分,可靠性与准确性更高.将采用新方法确定截断参数的TSVD应用到测量坐标解算及PolInSAR植被高反演中,验证了新方法的可行性和有效性,相比于GCV法和L曲线法,新方法确定的截断参数有效提高了TSVD的解算质量,提高了坐标解算和植被高参数反演的精度和可靠性.

复数域最小二乘平差及其在PolInSAR植被高反演中的应用

目前涉及复数观测的数据处理时,主要还是依据观测过程,分步或直接解算,不能考虑观测误差、多余观测信息等。针对这一情况,本文介绍了复数域中数据处理的最小二乘方法,试图将测量平差从实数域推广到复数域,并定量研究了两种平差准则的优劣性。为了了解复数域最小二乘的有效性,以极化干涉SAR植被高反演为例,建立了复数域平差函数模型和随机模型,构建了复数域最小二乘法反演植被高。结果表明该算法反演的植被高结果可靠,其精度优于经典植被高反演算法,且计算简单,易于实现。

植被氮素浓度高光谱遥感反演研究进展

氮素是植被进行生命活动的必需元素,它在蛋白质、核酸、叶绿素和酶等物质的生物合成中起重要作用,并在植被的光合作用中起到关键作用。植被氮素浓度高光谱遥感反演技术是自20世纪70年代以来的研究热点。近年来随着高光谱遥感技术的发展,可将光谱波段在某一光谱区域进行细分的优势,为与植被氮素相关的光谱特性研究提供了有力的技术手段。结合近几年主要地理科学文献上发表的植被氮素浓度高光谱遥感监测的最新研究成果,介绍了植被氮素浓度高光谱遥感监测的原理及相关问题。从植被氮光谱指数、叶绿素指数的植被氮含量反演、回归模型和反演植被氮浓度影响因素的消除方面,详细介绍了植被氮素浓度高光谱遥感反演这四个方面的主要技术方法,总结分析了研究结论,并讨论了研究发展趋势。

基于高光谱的湿地植被冠层叶绿素反演研究

植被冠层叶绿素含量直接反映植物的生长健康情况.以三江平原洪河湿地自然保护区为研究区,采用地面实测光谱数据为数据源,通过对光谱数据预处理以及特征参数(植被光谱指数、吸收特征)提取,在冠层尺度上,利用统计方法分析了植被叶绿素的敏感波段,并对植被叶绿素含量和光谱特征参数进行了相关性分析,最后,构建了植被叶绿素冠层反演模型并进行了验证.结果表明,原始光谱反射率在690~720,755~770nm叶绿素含量具有较高的相关性,植被指数DD与叶绿素含量有非常高的相关性.研究证明,基于吸收特征反演植被叶绿素也是较好的方法之一.

多基线极化干涉SAR植被高度反演方法

针对传统单基线PolInSAR三阶段植被高度算法,反演易受到噪声因素影响导致反演结果精度较低等问题。文中采用几何结构最优法和高程精度最优法两种多基线PolInSAR植被高度反演方法,结合瑞典北部E-SARP波段数据,验证得出两种多基线算法植被高度反演的精度以及其在不同植被高度覆盖区的适用条件。实验结果表明两种多基线方法植被高度反演精度相对传统单基线算法分别提高44.05%和22.11%,且当两种多基线方法同时反演植被高度时,植被高度大于10m时采用几何结构最优法较好;植被高度小于10m时采用高程精度最优法。

利用高光谱数据进行植被生化成分反演方法研究

高光谱数据包含着丰富光谱信息 ,能够定量地分析物质成分 [1 ] 。由高光谱数据 ,可以运用多元逐步线性回归方法反演植被生化组分含量 ,从而达到监测植被生长状况的目的 [2 ] 。本文具体介绍了多元逐步线性回归方法 ,及其在氮。

应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究

高光谱植被指数反演叶绿素含量的精度除与模型有关外,光谱指标中心波长、波段宽度、信噪比等的差异也会带来一定的影响。研究基于实测光谱数据,结合波段模拟、噪音分析等方法,研究不同的光谱指标对植被指数反演叶绿素含量的影响,分析用于反演的光谱指标的敏感性,结果表明:1最佳中心波长的位置与适用于高低覆盖的植被指数类型有关,反演精度在一定范围内并不随着波段宽度的增加而提高;2不同植被指数抗噪声能力有一定的差异,其中DVI(difference vegetation index),NDVI(normalized difference vegetation index)等抗噪能力比较强,MCARI(modified chlorophyll absorption ratio index)和TCARI(transformed chlorophyll absorption ratio index)抗噪能力比较弱;3联合反演模型反演结果为R^2=0.741 5,RMSE=0.402 6,优于MTCI(MERIS terrestrial chlorophyll index)的反演结果,通过模拟HJ1A-HSI,Hyperion等数据,研究出联合反演模型在不同高光谱传感器下有一定的适用性。

基于高光谱遥感的植被生物量反演方法研究

高光谱遥感技术能够为反演植被生物量提供快速无损的数据采集与分析处理方法.基于高光谱遥感在植被生物量反演中的研究成果和进展,对其反演方法进行研究:阐述高光谱遥感反演植被生物量的原理;探讨高光谱遥感反演植被生物量的估算模型;分析比较不同估算模型的特点.结论表明,利用高光谱遥感分析植被的光谱特性进而估测植被生物量是一种精度较高且应用广泛的方法.

深度学习在植被高光谱遥感中的研究综述

高光谱遥感影像的光谱分辨率高,在植被生态监测领域具有极大的应用潜力,不仅能够准确区分植被类型,还能够对植被参数进行精准反演。海量高维的高光谱数据应用于植被监测需要高效、准确、灵活的数据分析和计算方法,深度学习为高光谱遥感在植被研究中存在的维度灾难、“同谱异物”和“同物异谱”、非线性特征提取等问题提供了一种新的解决方法。文章首先从计算机算法结构上阐明了深度学习模型在高光谱遥感应用中的优缺点,其次从植被分类和参数反演两方面综述了深度学习算法在高光谱的应用场景,最后指出了深度学习应用存在的问题并提出未来的研究趋势。

高光谱与拟合多光谱植被指数反演武夷山亚高山草甸LAI的对比研究

植被叶面积指数(Leaf Area Index,LAI)是重要的生态学参数,被广泛用于指示植被密度、生物量、碳、氮物质循环以及气候变化对生态系统的影响,也作为生态过程模型的重要输入参数。地面实测高光谱遥感数据能以更高的空间分辨率及更高的光谱分辨率监测植物的光谱特征,为精准反演LAI提供了基础。本项研究以武夷山国家公园黄岗山顶的亚高山草甸为研究对象,通过建立多种高光谱植被指数和拟合多光谱植被指数反演叶面积指数的统计模型,并比较高光谱与多光谱对叶面积指数反演的效果,阐明用于反演高覆盖率亚高山草甸的最适高光谱和拟合多光谱植被指数。结果表明:高光谱新植被指数(NVI)对于反演LAI有最好的效果,R^(2)=0.85,P<0.01;依据高光谱NVI拟合而成的多光谱NVI反演结果次之,R^(2)=0.82,P<0.01。几种常用比值植被指数NDVI、MSR、RVI和GNDVI在高光谱和拟合多光谱反演结果中相差不大,表现较好,R^(2)都在0.65以上。通过对比高光谱和拟合Sentinel-2A和Landsat-8两种多光谱卫星波段的反演结果发现,光谱响应函数中具有更窄波段范围的近红外、红、绿、蓝波段构成的植被指数可以得到更好的反演结果,而固定波段的高光谱植被指数未必在每种植被指数中都具有最好的反演效果。同时,发现当某种植被指数反演LAI的线性回归方程的斜率越大,说明这种植被指数越有可能随LAI的增大而出现饱和现象,相反的,斜率越小则说明该种植被指数没有出现饱和现象。此外,在研究区内使用高光谱和拟合多光谱波段植被指数法反演LAI,NDVI都获得了较好的效果,存在很好的线性关系,之前的很多研究和判断都认为NDVI不适用于反演高覆盖植被的LAI,这个发现是具有意义的,表明高覆盖植被的叶面积指数在一定范围内是能够被NDVI(应用最广泛的植被指数)较好的反演,进一步扩展了NDVI反演LAI的适用性和可能性。

基于植被指数与连续小波变换的玉米叶片Cu^(2+)含量反演

目的:确定Cu^(2+)污染胁迫下玉米叶片Cu^(2+)含量最优反演模型。方法:以室内盆栽玉米为研究对象,在采集不同胁迫梯度下玉米叶片光谱以及同期叶片Cu^(2+)含量的基础上,通过遍历计算出两波段原始光谱植被指数,并将其与叶片Cu^(2+)含量进行相关性分析;利用0.1~0.9阶、1.1~1.9阶与1~4阶共22种光谱微分预处理重采样后的光谱数据,经连续小波变换后分析小波系数与叶片Cu^(2+)含量之间的相关性;根据相关性分析提取最优植被指数与最优小波系数,建立反演模型。结果:植被指数与叶片Cu^(2+)含量显著相关,最优波段组合分别为:DI(621.5 nm, 1 889.2 nm)、RI(482.2 nm, 1 418.5 nm)、NDVI(666.3 nm, 1 917.2 nm)、RNDVI(621.5 nm, 1 889.2 nm),其光谱特征均集中在可见光与近红外波段附近;小波系数也与叶片Cu^(2+)含量之间具有良好的相关性,其敏感波段位于400、600、900、1 200、2 400 nm附近,与最优植被指数敏感波段一致。经0.9阶光谱微分预处理后得到的小波系数与叶片Cu^(2+)含量相关系数最大,为0.88;通过相关性分析提取最优植被指数和最优小波系数,以植被指数与不同阶微分变换的连续小波变换提取的小波系数为自变量,建立线性反演模型,其中利用最优植被指数建立的反演模型精度最高,模型最稳定,RMSE为4.97μg/g。结论:植被指数和连续小波变换两种方法在农作物重金属污染监测方面具有重要的参考价值,应用前景广阔。

高光谱遥感在植被分类及植被参数反演中的应用研究

高光谱遥感具有较高的光谱分辨率,可以应用于植被分类及植被参数反演方面。在植被分类方面,高光谱遥感可以从冠层、叶片及高光谱影像等3个尺度开展植被分类,基于高光谱遥感的植被分类方法包括植被指数法、光谱匹配法、混合像元分解法和支持向量机分类法等,但高光谱遥感在植被分类中仍然存在应用缺陷。在植被反演方面,高光谱遥感可以反演叶面积指数、叶绿素含量和植被含水量。但高光谱遥感在大多数情况下,只能反演部分阔叶林冠层结构。通过研究高光谱遥感在植被分类和植被反演的应用特点和应用缺陷,为在生态系统领域的研究和应用提供技术支持和参考。

基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

近年来,高光谱遥感数据广泛应用于农作物叶面积指数(LAI)反演。与常用的多光谱遥感数据相比,高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题,该研究利用实测冬小麦冠层高光谱反射率数据,构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM(a two-layer canopy reflectance model)模型、2套参数化方案及上述5种光谱数据,对冬小麦LAI进行反演,分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明:当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时,LAI反演精度与稳定性更高,提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低;反之,当高光谱数据波段选择不当或者模型参数不确定性较大时,提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了"高光谱遥感数据能否提高植被参数反演精度"问题,为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法(CARS)选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R^2分别为:DSI(R857,R623),0.704;DSI(R670,R578),0.786;DSI(R995,R508),0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明:SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R^2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P<0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R^2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P<0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R^2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P<0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R^2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P<0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R^2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P<0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R^2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R^2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。

高光谱遥感植被指数的普适性分析

针对众多的窄波段高光谱遥感植被指数,利用多个包含高光谱和植被理化含量的实测数据集从相关系数、确定性系数以及预测均方误差等方面进行验证分析。结果显示植被指数TCAR I、MCAR I、mND705、mSR705具有优于其他植被指数的普适性。在建立回归反演模型时,建议选用非线性抛物线模型,其预测精度优于线性模型。

高光谱和NSGA2-ELM算法的粳稻叶片氮素含量反演

为提供一种高效、快速和无损的粳稻叶片氮素含量反演方法,以粳稻小区试验为基础,利用高光谱技术和室内化学实验,获取粳稻分蘖期、拔节期和抽穗期三个生育期共280组叶片高光谱数据以及相对应的水稻叶片氮素含量数据,分析不同施氮水平的粳稻叶片光谱特征,采用随机青蛙算法(random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段,并将任意两个光谱波段随机组合构建差值植被指数DSI(Ri,Rj)、比值植被指数RSI(Ri,Rj)和归一化植被指数NDSI(Ri,Rj),分别将较优的特征波段组合和植被指数组合作为模型输入,构建BP神经网络、支持向量机(SVR)和非支配的精英策略遗传算法优化极限学习机(NSGA2-ELM)粳稻叶片氮素含量反演模型,并对模型进行验证分析。结果表明:随着施氮水平的增加,粳稻叶片近红外波段范围反射率逐渐升高,在可见光波段范围反射率逐渐降低。采用random_frog与IRIV相结合的方式筛选特征波段共得到8个特征波段,其中可见光波段7个,分别为414.2, 430.9, 439.6, 447.9, 682.7, 685.4和686.3 nm,近红外波段仅有1个为999.1 nm,该方法较好地剔除了干扰信息,大大降低了波段间的共线性。同时从三种植被指数(DSI(Ri,Rj), RSI(Ri,Rj), NDSI(Ri,Rj))与粳稻叶片氮素含量的决定系数等势图中可知, DSI(R648.1,R738.1), RSI(R532.8,R677.3)和NDSI(R654.8,R532.9)与叶片氮素含量相关性最好,R^2分别为0.811 4, 0.829 7和0.816 9。在输入参量不同的建模效果对比分析中,以特征波段组合作为模型输入所构建的模型反演效果略优于植被指数组合,R^2均大于0.7, RMSE均小于0.57。而在反演模型间的对比分析中,提出的NSGA2-ELM反演模型的估测效果要优于BP神经网络模型和SVR模型,训练集决定系数R^2为0.817 2,均方根误差RMSE为0.355 5,验证集R^2为0.849 7, RMSE为0.301 1。鉴于此, random_frog-IRIV筛选特征波段方法结合NSGA2-ELM建模方法在快速检测粳稻叶片氮素含量中具有显著优势,可为粳稻田间精准施肥提供了参考。

基于SOC710VP高光谱成像仪的冬小麦土壤含水率反演模型研究

【目的】实现小麦农田土壤含水率大面积快速监测。【方法】以冬小麦冠层高光谱数据为基础,计算得到8种植被指数,通过对关键生育时期(拔节期、抽穗期、灌浆期)不同水分处理下冬小麦不同土层(0～20、20～40、40～60 cm)土壤含水率与植被指数拟合状况进行分析和筛选,分别构建了基于植被指数的不同土层土壤含水率反演模型,并对模型进行检验。【结果】①各时期植被指数拟合效果有所差异,拔节期0～20 cm土层以植被指数VOG1拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.75,40～60 cm土层以植被指数VOG3拟合效果较好,相关系数为0.59;抽穗期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.70,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.72,40～60 cm土层以植被指数mSR705拟合效果较好,相关系数为0.57;灌浆期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数SARVI拟合效果较好,相关系数为0.68,40～60 cm土层以植被指数SARVI拟合效果较好,相关系数为0.71;②各土层土壤含水率与植被指数拟合效果有所差异,其中利用VOG1和mNDVI705组合构建的模型反演0～20 cm土层,决定系数R2为0.743,利用mNDVI705和SARVI组合构建的模型反演20～40 cm土层,决定系数R2为0.707,利用VOG3、mSR705和SARVI组合构建的模型反演40～60 cm土层,决定系数R2为0.484;③通过建立植被指数对土壤含水率的反演模型,0～20 cm土层含水率反演效果好于20～40 cm和40～60 cm。【结论】高光谱植被指数反演模型中,以0～20 cm土层的估算模型最佳,植被指数组合为VOG1和mNDVI705。综上可知,该研究方法进行土壤含水率的反演是可行的。

基于Sentinel1A双极化时序数据的甘蔗株高反演方法

甘蔗株高为甘蔗品种与土壤、气象、水文等因素的综合反映,是甘蔗长势监测与估产的重要指标。研究以华南地区气候与天气条件为基础,通过对覆盖甘蔗全生长期的23景时间序列Sentinel1A数据进行预处理、矩阵转换与CloudePottier分解,求得双极化雷达植被指数(Dual-pol radar vegetation index,DPRVI)。分析了该指数与甘蔗长势参数(株高)随甘蔗不同生长期的动态变化规律。采用4种经典的经验回归模型(线性、二次多项式、指数、对数),以分段函数形式对不同生长期的甘蔗株高进行反演,建立最佳反演模型。实验结果表明,拟合模型在分蘖期前相关性最高,二次多项式模型拟合效果最优,决定系数R^(2)与均方根误差分别达到了0.882与0.118 cm,对反演效果最好的分蘖期之前的二次函数模型进行验证,结果表明决定系数R^(2)达0.839,平均绝对偏差为7.4%,说明DPRVI反演甘蔗株高是有效的。将DPRVI与其他3种经典的反演参数进行对比,结果表明,DPRVI的性能优于其他3种参数。通过分析可得,DPRVI可以较好地反演甘蔗生长前期的株高变化,反演的株高参数可供农业管理部门参考。