基于最优路径的无人机影像辐射区域网平差

无人机遥感能够提供高时空分辨率的影像数据,拥有广泛的应用前景。辐射校正将传感器记录的数据转化为地表反射率,是无人机数据定量化应用的前提。然而无人机数据易受光照等因素的影响,导致影像间存在不同程度的辐射差异,为多张无人机影像的辐射校正带来困难。基于影像间重叠区域的信息,辐射区域网平差能够获得全局最优的辐射校正参数,降低影像间的辐射差异,因此在实现影像的辐射校正方面具有巨大潜力。但大量待求解未知参数降低了辐射校正模型的求解效率,特别是在数据量急剧增加时,该问题更为突出。基于影像重叠区辐射信息建立的最优路径很好地考虑了影像间的辐射转化关系,可有效控制误差累计,为减少辐射区域网平差中未知参数的数量提供了一种思路。因此,本文将最优路径与辐射区域网平差相结合,以降低待求解参数的数量,在保证辐射校正精度的同时提高辐射校正模型求解效率,进而提升辐射区域网平差在大数据集上的应用潜力。

光谱余弦修正在多光谱传感器辐射校正中的研究

传统的辐射校正只针对单一波段进行,忽视了谱段间的关系这一客观事实。针对这一情况,提出了一种兼顾光谱信息的辐射校正方法。该方法充分利用谱段间的关系,引入光谱相似性测度,利用光谱角余弦作为修正条件。首先根据经验线性回归方法计算出定标参数,然后根据地物光谱角的余弦值去修正定标参数。该方法在无人机(unmanned aerial vehicle,UAV)影像上进行了实验,影像地类丰富,满足地物的选取要求。对比了无人机影像在本文光谱余弦修正方法(radiometric correction with spectral angle consine,RCSC)和经验线性回归方法(empirical linear regression method,EL)辐射校正后的精度,结果表明本文方法精度更优,相比经验线性回归方法平均相对误差降低了2.61%。

基于光谱与光合参量的油菜叶片总初级生产力反演

以“华油杂9号”油菜光谱反射率和光合参量数据为数据源,使用8种植被指数,分别建立VI、PAR_(in)×VI及PAR_(in)×VI×Cond 3类总初级生产力(gross primary productivity,GPP)反演模型,并验证精度,结果表明:(1)光合有效辐射和叶片气孔导度是影响油菜光合作用的重要因素,不考虑其影响仅使用植被指数反演油菜GPP效果不佳,模型R~2均低于0.5。(2)结合入射光合有效辐射和叶片气孔导度两个光合参量构建的反演模型PAR_(in)×VI×Cond效果良好,模型平均R~2高于0.89,平均RMSE(root mean squares error)不超过2.17 g·m^(-2),效果最佳的MTCI模型,其平均拟合优度R~2可达0.91,RMSE为1.90 g·m^(-2),满足反演油菜叶片GPP精度要求。因此,基于光谱和光合参量的模型可以用于油菜叶片总初级生产力反演。