离散小波去噪后冬小麦叶片含水量高光谱估算

光谱噪声去除是遥感区域应用的必要过程,噪声去除效果能直接影响区域地表信息的监测精度。为分析离散小波算法对光谱数据的分解机理,探寻基于离散小波算法光谱噪声信息去除与光谱处理方法,以冬小麦冠层光谱与叶片含水量为数据源,先利用离散小波算法对光谱数据进行去噪处理,采用的小波基为Meyer;然后以Meyer、Sym2、Coif2为小波基对去噪后的光谱数据进行信息分离,并结合相关性分析算法、偏最小二乘算法构建冬小麦叶片含水量估测模型,研究结论如下:(1)在离散小波算法下,合并的光谱曲线随合并尺度数的不断增加,原光谱曲线局部的大、中、小特征依次凸显;随H10—H1分解尺度的依次加入,分解信息对合并曲线的修正幅度也逐步减弱,其中,将H3—H1依次合并后,合并的光谱曲线几乎无变动。(2)提出的去噪方法可在一定程度上改变了部分光谱对冬小麦叶片含水量的敏感性及敏感波段的分布:其中在1~3尺度内,降低了光谱对冬小麦叶片含水量的敏感性,改变了敏感波段的波段位置的分布情况。在4~10尺度内,能明显提升光谱对冬小麦叶片含水量的敏感性(Coif2);提出的去噪方法可提升局部波段对冬小麦叶片含水量的敏感性(Sym2)。(3)提出的去噪方法能明显提升光谱对模型的稳定性,能提升Sym2、Coif2小波基内最优模型的精度与稳定性,其中验证精度提高了8.6%(Sym2)、34.1%(Coif2),表明该研究提出的去噪处理是有效的。

无人机高光谱波段选择的叶面积指数反演

叶面积指数(LAI)是评价作物长势和作物产量的重要参数。为有效利用高光谱信息,优选出最佳波段进而构建新型双波段指数来提高LAI估测精度,以冬小麦为研究对象,获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据,开展冬小麦LAI反演研究。首先采用连续投影算法(SPA)、最佳指数法(OIF)以及逐波段组合法(E)分别进行无人机高光谱数据最佳波段筛选,进而将所选最佳波段构建新型双波段指数(VI_OIF,VI_SPA,VI_E);然后将构建的新型双波段指数和常规双波段指数(VI_F)与LAI进行相关性对比分析,最后结合支持向量回归(SVR)、偏最小二乘回归(PLSR)和随机森林回归模型(RFR)进行LAI估算,并对比分析常规双波段指数的估算精度,验证最佳波段选择方法构建新型双波段指数的最佳回归模型反演LAI的可行性。结果表明:(1)新构建双波段指数VI_OIF,VI_SPA,VI_E和VI_F与冬小麦LAI的相关性均达到0.05的显著水平,其中VI_SPA和VI_E与LAI的相关系数高于0.65,且RSI_SPA和RSI_E与LAI的相关性较高(r>0.71);(2)对比分析VI_OIF、VI_SPA、VI_E和VI_F构建的SVR模型、PLSR模型和RFR模型的冬小麦LAI估测精度,VI_SPA_PLSR模型估测精度最高,R^(2)和RMSE分别为0.75和0.90。该方法可为无人机高光谱数据波段选择以及冬小麦LAI反演提供技术支持和理论参考。