基于小麦冠层无人机高光谱影像的农田土壤含水率估算

精准监测农田土壤含水率(soil moisture content,SMC)有助于提高中国水资源利用率以及农业可持续发展水平,为实现国家农业经济的稳定发展及可持续发展目标打下坚实的基础。为了探索基于无人机遥感数据进行准确、快速的土壤含水率监测的方法,该研究选取新疆阜康绿洲田块为研究区,使用无人机(unmanned aerial vehicle,UAV)高光谱传感器采集田块尺度小麦冠层光谱信息,进行SMC定量估算和制图。对小麦冠层光谱进行savitzky-golay(SG)平滑,利用7种不同的小波基函数(bior4.4、coif4、db4、fk14、haar、rbio3.9、sym4)对光谱信息进行连续小波变换(continuous wavelet transform,CWT)处理,并采用遗传算法(genetic algorithm, GA)对小波系数进行特征提取,最后结合偏最小二乘回归(partial least square regress,PLSR)、支持向量机(support vector machine,SVM)、人工神经网络(artificial neural network,ANN)、随机森林(radom forest,RF)以及极端梯度提升(extreme gradient boosting,XGBoost)估算SMC并实现其空间制图。结果表明:基于GA的特征波段选择方法可有效提高SMC的估算精度。使用全波段小波系数构建模型的决定系数R2在0.20~0.44之间,而使用特征小波系数的R2为0.25~0.82。与其他小波基函数相比,采用db4特征小波系数的估算精度最优,PLSR、SVM、ANN、RF和XGBoost模型估算SMC的R2分别为0.82、0.72、0.79、0.76和0.45。基于PLSR和ANN最优模型进行SMC空间制图,基于CWT和机器学习结合模型能够有效估算小田块尺度SMC。该研究基于无人机高光谱数据实现了SMC精确估算,为农田尺度SMC监测提供了有效手段。

基于机载高光谱影像的农田尺度土壤有机碳密度制图

准确监测土壤有机碳密度SOCD(Soil Organic Carbon Density)对调控土壤碳汇、合理利用土壤资源具有重要意义。机载高光谱影像为精细化SOCD制图提供了重要数据源。由于机载高光谱在数据收集过程中易受到外部因素的影响,光谱中存在噪声影响SOCD的估算精度。因此,本研究旨在探究基于机载高光谱影像估算SOCD的技术流程。对原始光谱进行预处理,包括一阶微分FD(First Derivative)和包络线去除CR(Continuum Removal)变换。采用遗传算法GA(Genetic Algorithm)选择特征波段,并结合不同回归方法,如偏最小二乘回归PLSR(Partial Least Square Regression)、多元线性回归MLR(Multiple Linear Regression)、支持向量机SVM(Support Vector Machine)和人工神经网络ANN(Artificial Neural Network)估算SOCD。结果表明,在经过GA特征波段选择后,原始光谱、FD光谱和CR光谱预测SOCD的精度均有所提高。使用原始光谱特征波段,PLSR、MLR、SVM和ANN共4种模型预测SOCD的决定系数R~2分别为0.672、0.621、0.551和0.678。使用FD与CR光谱特征波段的R~2范围分别在0.452—0.593和0.332—0.602,具有较大的误差。利用原始光谱的特征波段进行SOCD数字制图,不同回归模型预测的SOCD在空间上具有较为相似的变化趋势,与SOCD测量值较为相近,绝对误差较大的点多出现在采样点边缘附近。

无人机遥感与XGBoost的红树林物种分类

无人机遥感数据会衍生大量的光谱、纹理与结构特征,如何提取优势特征是提高红树林物种分类效率和精度的关键问题。针对深圳福田红树林自然保护区缓冲区获取的无人机高光谱影像和Li DAR点云数据,本研究旨在利用极端梯度提升算法(XGBoost)的"特征重要性"属性筛选出适合红树林物种分类的8类优势特征:基于无人机高光谱影像的单一特征(光谱波段、植被指数和纹理特征:F1—F3)及其融合特征(F4)、基于Li DAR点云的单一特征(高度和强度特征:F5和F6)及其融合特征(F7)、高光谱影像与Li DAR点云的融合特征(F8);基于以上优势特征构建8个XGBoost分类模型。结果表明:综合物种分类精度及其制图结果,基于F8特征的模型分类性能最佳(总体精度为96.41%,莫兰指数为0.5520);基于单一数据源融合特征(总体精度,F4:96.74%;F7:90.64%)的分类性能优于基于单一特征(总体精度,F1—F3:90.31%、92.20%和91.96%;F5和F6:87.66%和81.99%);基于融合特征(F4、F7和F8)和纹理特征(F3)分类图的莫兰指数比基于单一特征(F1、F2、F5和F6)的更大。本文论证了无人机遥感数据和XGBoost方法在基于像元的红树林物种精准分类上具备可行性,可为红树林生态系统健康、保护与恢复的立体监测提供科学依据和技术支撑。