基于红边位置的木荷叶片叶绿素含量估测模型研究

利用红边参数反演作物参数是定量遥感研究的一个热点, 红边参数中红边位置与作物生化组分强相关, 为监测作物胁迫提供了一个非常敏感的指标。准确估测植被叶绿素含量,对于研究森林健康和胁迫、森林生产力的估计, 碳循环的研究有着重要的意义。介绍几种红边位置算法, 并对这些算法及其应用进行了比较,通过选取红边位置的不同敏感波段来估测植被叶片叶绿素含量。经室内光谱获取叶片的光谱数据,采用一阶光谱导数法、平滑处理后一阶光谱导数法、线性四点内插法、五次多项式拟合法四种算法处理光谱数据,获得红边位置变量,并与叶绿素含量进行拟合,构建估测木荷叶片叶绿素含量的回归模型。结果表明:各种算法获取的红边位置变量所构建的回归模型估测叶绿素含量是可行的;五次多项式拟合法估算精度是最高的,其获取红边位置计算相对复杂;线性四点内插法估算精度次之,但计算较简便。     

基于光谱分析技术的苹果花钾素含量估测研究

采用光谱分析技术手段,探索估测苹果花钾素含量的方法。首先测定盛花期红富士苹果鲜花的原始光谱反射率（Ri）以及花钾素含量（KC）,并对钾素含量与Ri及其8种光谱变换形式数据（Ri/、Ri//、1/Ri、(1/Ri))/、lg(1/Ri)、(lg(1/Ri))/、lgRi、(lgRi)/）进行相关分析,找出与钾素含量相关性较强的光谱变换形式;其次,采用逐步回归分析方法,对钾素含量和与其相关性较强的光谱变换形式数据进行分析,筛选敏感特征波长;利用敏感特征波长,建立苹果花钾素含量估测模型,经过对模型的优化和检测,确定最佳估测模型。结果表明：苹果花钾素含量与其光谱反射率的一阶微分Ri/相关性最好,其次为1/Ri、lg(1/Ri)、lgRi;其相关系数绝对值较大的峰(谷)区极值分别出现在669 nm、952 nm、1164 nm、1442 nm,351 nm、352 nm、362 nm、366 nm,351 nm、366 nm,351 nm、366 nm附近;通过逐步回归分析,筛选出的敏感特征波长分别为669 nm、1442 nm,352nm,351nm,351nm;建立的回归模型均具有较好的线性趋势,但以一阶微分为自变量的估测模型相关系数最大,为0.6113。经检测样本对估测模型检验,其拟合方程的决定系数(R2)为0.6955,均方根误差（RMSE）为2.7,相对误差（RE）为4.9%,表明模型对苹果花钾素含量的估测具有较好的准确度,为最佳估测模型。利用光谱技术手段对苹果花钾素含量的估测精度较高,具有一定的稳定性和适用性,为快速估测苹果花营养元素含量及苹果的实时营养诊断提供了理论依据和参考价值。     

基于机器学习算法对苹果产地的判别分析

为实现苹果产地的判别分析,以阿克苏、静宁、灵宝和烟台的红富士苹果为研究对象,在800～1700 nm范围内采集苹果的高光谱数据,分别采用一阶导数(1-Der)、二阶导数(2-Der)、标准正态变换(SNV)、多元散射校正(MSC)、小波变换(WT)、平滑变换(SG)、傅里叶变换(FT)对原始光谱数据进行预处理,建立线性...     

利用可见/近红外光谱测定小麦叶面积指数的改进研究

改进了小麦叶面积指数的可见/近红外光谱测定模型。以不同方法实现了小麦冠层反射光谱的预处理,并采用偏最小二乘回归算法（PLS）建立小麦叶面积指数估测模型对其进行比较分析,发现小波除噪结合一阶导数能最有效地消除原始光谱的噪声与背景信息,此时PLS模型校正集与预测集R2分别为0.849与0.835。为进一步优化模型,对经一阶导数结合小波除噪后的光谱采用主成分分析法（PCA）降维,以前4个主成分（含原始光谱84.867%特征信息）为输入变量,采用小二乘支撑向量机回归算法（LS-SVR）建立了小麦叶面积指数估测模型,其校正集与预测集R2分别达0.905与0.883,具有比PLS算法更高的精度。结果表明:以小波除噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型精度是可行的,且LS-SVR是建模的优选方法。     

基于分数阶微分的土壤有机质含量高光谱反演研究

土壤有机质（SOM）对改善干旱区土地盐碱化、沙漠化和草场退化等环境问题发挥着重要作用。为了探索分数阶微分方法在SOM高光谱反演的可行性，以渭干河-库车河绿洲73个土壤样本为研究对象，通过测定其SOM含量与光谱反射率，利用0.2阶微分为步长，进行0～2阶分数阶微分的数学变换，分析分数阶处理光谱与SOM含量间的相关性，运用支持向量机回归、偏最小二乘回归和随机森林（RF）等方法对SOM含量进行定量反演。结果表明：采用RF的1.2阶微分建立的SOM含量反演模型预测精度最高，决定系数为0.93，均方根误差为1.62，相对分析误差为3.65。研究结果为精准反演该地区的SOM提供了依据，也为其他地区的SOM反演提供一定的参考。     

光纤光谱结合模式识别无损检测苹果表面疤痕

为了实现基于光纤光谱技术结合模式识别无损检测苹果表面疤痕, 利用光纤光谱采集系统采集了完好无损和表面有疤痕苹果的光谱数据, 采用标准正态变换(SNV)和1阶导数对原始光谱数据进行预处理; 利用主成分分析方法对预处理后的光谱数据进行降维, 以提取能反映苹果表面疤痕的特征光谱; 利用k最近邻(KNN)模式识别方法和偏最小二乘判别分析方法, 建立了苹果表面疤痕的识别模型。结果表明, 采用主成分分析法选择了累计贡献率超过99%的前8个主成分作为样本集特征光谱数据, 很好地实现了光谱数据的降维; 利用1阶导数+KNN识别模型对校正集以及SNV+KNN识别模型对预测集中正常果和疤痕果的正确率识别均高达96.0%。验证了基于光纤光谱技术结合模式识别方法无损检测苹果表面疤痕的可行性。     

基于高光谱的苹果树冠层磷素状况估测模型研究

利用高光谱技术估测了苹果树冠层的磷素含量。先用ASD Field Spec3型地物光谱仪测定了春梢停止生长期苹果树冠层的高光谱反射率,并对光谱数据进行了多种变换处理。然后对其与磷素含量进行了相关分析,找出了与磷素相关性较显著的光谱参量,并通过逐步回归分析建立了磷素估测模型。结果表明,近红外波段是苹果树冠层磷素的敏感波段;808 nm、921 nm、1195 nm、1272 nm及其组合的归一化红外光谱指数与苹果树冠层磷素高度相关。在构建的估测模型中,以808 nm、921 nm、1195nm、1272 nm及其组合的归一化红外光谱指数为自变量构建的高光谱估测模型的估测效果最佳。该研究实现了苹果树冠层磷素含量的快速估测,同时也为苹果的实时营养诊断提供了理论依据。     

基于特征融合的减肥药太赫兹时域光谱模式识别

为打击不法分子利用寄递渠道运输掺杂有毒有害等非食品原料的减肥药的现象，提出一种基于太赫兹时域光谱技术的减肥药模式识别方法。与传统方法相比，太赫兹光谱的时域频谱信噪比高，具有快速、省时和无损等特点。选用7种减肥药作为实验样品，采集样品的太赫兹时域光谱，用自动寻峰器找到0～0.19 THz、1.75～2.14 THz、2.23～2.5 THz三个特征频率区间；采用希尔伯特变换、巴特沃思低通滤波器、快速傅里叶变换低通滤波器、标准正态变换后的一阶导数处理特征频率区间，并对处理结果与原始光谱进行特征数据融合；采用粒子群优化最小二乘支持向量机和随机森林模型对原始数据和四种方法融合的数据进行分类识别。实验结果表明，粒子群优化最小二乘支持向量机模型对经过希尔伯特变换的光谱特征融合数据具有最佳的识别效果，准确率可达到100%，对法庭科学中减肥药的鉴别有一定借鉴意义。     

高光谱图像光谱域噪声检测与去除的DSGF方法

高光谱遥感图像中不仅存在空间域噪声而且存在光谱域噪声.传统的图像滤波仅对图像空间域噪声进行处理,而不能去除光谱域噪声,为改进这种状况,提出了DSGF(Derivative based Savitzky-Golay F ilter)方法.首先,基于反射率光谱的二阶导数对反射率光谱各波段噪声大小进行判定,然后用不同大小平滑窗的Savitzky-Golay滤波器对反射率光谱作两步滤波.对高光谱图像进行的逐像元DSGF滤波,在去除光谱域中噪声的同时,保留了图像反射率光谱的大部分细微特征.     

基于可见/近红外光谱技术的黄瓜叶片SPAD值检测

为了快速准确检测黄瓜叶片的SPAD值,采用可见/近红外光谱技术并结合化学计量学方法建立了黄瓜叶片SPAD值校正模型.并用不同建模方法对全波段光谱进行建模,结果表明用最小二乘支持向量机(LSSVM)建模得到的预测效果最好,其相关系数r和预测均方根误差RMSEP分别为0.9583和0.9732.通过分析黄瓜叶片的光谱反射率与SPAD值的相关系数和PLS建模回归系数,得到了531~581nm和696~716nm 2个特征波段以及556nm、581nm、698nm和715nm 4个特征波长,应用LSSVM分别对特征波段和特征波长建模.分析表明,采用特征波段建模,其预测相关系数r和预测均方根误差分别为0.9338和1.1370,与全波段建模结果相近,而采用特征波长建模效果稍差.特征波段建模大大减少了建模中的运算量,提高了建模速度,便于相应检测仪器的开发,所以,采用光谱特征波段建模对黄瓜叶片SPAD值的检测更为有效.     

叶面降尘的高光谱定量遥感模型

利用自主设计的叶面降尘量测定方法,测定了榆树叶面的降尘量数据,结合地面高光谱遥感数据,研究了叶面降尘对榆树叶片高光谱特征的影响及叶面降尘量的高光谱定量反演.研究结果表明,叶面降尘可提高可见光波段的反射率,降低近红外波段的反射率,且对可见光波段的影响要大于近红外波段; 叶面降尘对三边位置没有影响,对三边幅值和面积有明显影响; 利用降尘光谱指数和三边参数建立的叶面降尘量模型,只具备粗略预测能力,而采用多元线性回归、主成分回归、偏最小二乘回归建立的模型,均具有很强的预测能力,其中以一阶微分建立的偏最小二乘回归模型的效果最佳,预测决定系数为0.92,预测均方根误差为1.06,样本标准差与预测均方根误差比为8.2.     

基于小波变换与支持向量机回归的冬小麦叶面积指数估算

叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT),然后利用小波系数与LAI 建立支持向量机回归(SVR)模型,实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明:利用连续小波变换确定的LAI 的敏感波段为680、739、802、895 nm,对应尺度分别为8、4、9 和8,对应小波系数的LAI 回归确定系数(R2)明显高于冠层反射率的回归确定系数;利用小波系数与LAI 建立的SVR 模型的反演精度最高,模型实测值与预测值的检验精度(R2)为0.86,均方根误差(RMSE)为0.43;而常用植被指数(归一化植被指数,NDVI;比值植被指数,RVI)建立的估测模型对冬小麦多个生育时期LAI 反演精度最低(R2 0.76,RMSE0.56)。因此利用连续小波变换进行数据预处理,能更好地筛选出对叶面积指数敏感的信息,LAI 回归方法比较结果表明,SVR 比PLS 更适合于LAI 的估测,通过将CWT 与SVR 结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。     

基于室内高光谱激光雷达的典型树种叶片光谱观测和分类

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650～1000 nm (71个通道)内观测的叶片高光谱和ASD光谱一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650～750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650～750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。     

长白山牡丹岭典型阔叶树叶变色期高光谱及红边特性研究

以长白山牡丹岭典型阔叶木本植被为研究对象, 通过冠层高光谱和微分光谱数据确定叶变色期, 利用红边参数建立光谱与叶变色期的反演模型.研究结果表明：冠层高光谱反射比曲线可以准确反映植被秋季叶变色期的变化, 并表现为三种基本类型：叶开始变色期——叶全部变色期——干枯但不落叶, 叶开始变色期——部分变黄并开始落叶——未完全变黄但落叶结束, 叶开始变色期——叶全部变色期——落叶; 一阶微分光谱曲线与高光谱曲线线能够更清晰的显示出叶开始变色期和叶完全变色期的具体日期; 建立红边参数—叶变色期的反演模型, R2均在0.9以上, 且不同植被适合不同形式的拟合方程.对利用遥感方法定量监测山地秋季物候具有重要理论意义和广泛应用前景.     

基于机器学习的深圳市坝光湿地园树种高光谱分类

高光谱遥感数据为树种的精细识别提供了可能。为探索高光谱数据在树种识别中的能力,本研究基于深圳市坝光古银叶树群落的8种主要树种叶片高光谱数据,比较了6种光谱预处理方式和2种分类方法对树种分类识别精度的影响,并基于随机森林算法对不同树种识别的特征波段进行了识别。研究结果表明,一阶导数预处理方法在分类识别中性能最好,平均分类精度为76.65%;随机森林回归方法较支持向量回归算法的性能好,模型平均分类识别精度为73.07%。从混淆矩阵可以看出,多毛茜草、银柴、阴香易错分为假萍婆,鸭脚木与银柴易错分,银叶树和细叶榕易错分。400 nm、495 nm、615～675 nm、835 nm、915～975 nm、1035～1065 nm、1085～1135 nm、1265～1275 nm、1425～1535 nm、2040 nm、2100～2270 nm、2430 nm附近的光谱数据与8个树种分类识别有密切关系。     

玉米粗纤维含量高光谱估算模型研究

以不同品种玉米叶片、茎、穗和叶鞘的室内光谱反射率及对应的粗纤维含量为数据源,通过相关性分析发现原始光谱以及一阶导数光谱粗纤维含量光谱诊断的敏感波段分别位于近红外波段的1924nm和2370nm;线性与非线性拟合分析表明以2370nm处的一阶导数光谱所构建的线性模型相对其它模型最优,模型RMSE=3.538,由此模型得到的粗纤维含量理论值与实测值之间极显著相关,相关系数r=0.693.     

基于高光谱激光雷达的滞尘叶片光谱特征分析

城市绿植为城市生态系统提供自净功能, 起到净化空气以及滞尘降尘等多种环境保护作用, 而滞尘等因素也 会对绿植产生影响。为了研究滞尘对城市绿植叶片光谱特征的影响, 采集了四种常绿绿植 (八角金盘、石楠、香樟和 玉兰) 叶片样本, 使用高光谱激光雷达系统获取高光谱点云数据, 分析了滞尘对叶片光谱特征的影响。分析结果表明: 对于不同种类叶片, 滞尘对可见光波段反射率均有较大影响; 对于同种类叶片, 滞尘对近红外波段的反射率差异影响 较大, 可见光波段的反射率差异为 1.21%∼3.41%, 近红外为 1.76%∼8.49%; 线性四点内插法计算和光谱导数分析表明 滞尘对四种叶片的红边位置无显著影响; 四种叶片的叶面水含量指数 (LWI) 对滞尘的响应程度最小 (均小于 3.7%), 而 比值植被指数 (RVI) 对滞尘的响应程度最大 (除香樟外, 均大于 20.0%), 红边指数 (SDr)、简单比值指数 (SR) 和叶面叶 绿素指数 (LCI) 的响应程度稳定性较差。进一步建立了滞尘植被指数和响应程度的线性相关性拟合模型并进行了检 验, 其中以 LCI 为自变量建立的模型为最稳定拟合模型, 可表示为 y = −1.527x + 0.6597, 决定系数约为 0.88。     

基于流形学习的混合光谱解混分析

光谱解混分析的重要研究内容是计算分析各地物类别成分在混合像素内所占的比例技术。文中以实测高光谱数据为研究对象,针对高光谱数据具有高维度数、严重的光谱混合等特点,基于流形学习中局部线性嵌入（LLE）算法的思想,提出了一种约束最小乘方局部线性加权回归（CLS-LLWR）建模方法。通过4种典型地物的光谱吸收特征差异分析,从它们不同比例组合下的实测混合光谱中选取了不同波段范围,分别对该模型预测覆盖度信息能力进行了验证分析。最后,将CLS-LLWR模型与主成分回归（PCR）和偏最小二乘回归（PLSR）模型,通过计算预测标准误差（SE）进行了对比分析。结果表明,CLS-LLWR模型有较好的预测能力。这为流形学习在高光谱遥感图像信息提取方面进行了有意的探索。