机载高光谱数据提取冬小麦冠层叶绿素含量的模型分析及验证

遥感提取叶绿素含量的方法是精准农业的重要研究方向之一,但是如何用冠层光谱数据有效地提取叶绿素含量仍然是一个难点。本文用光谱指数TCARI和OSAVI的组合建立提取冬小麦冠层叶绿素含量的关系式,并使用实验田获取的冬小麦冠层光谱以及与之同步的机载高光谱传感器OMIS数据进行了验证。通过误差分析讨论了该方法用于遥感高光谱数据时需要注意的问题,表明大气校正的精度,传感器的信噪比以及波段中心的漂移是模型反演精度的主要制约因素。     

基于GA的GRNN高光谱遥感反演冬小麦叶片氮含量模型的建立与验证

基于人工神经网络理论,针对高光谱遥感中数据冗余问题,本文建立了基于遗传算法(GA)的广义回归神经网络(GRNN)模型,利用回归分析问题中参数筛选方法,对表征冬小麦叶片全氮的光谱参数进行了筛选,并和线性回归方法对比,线性回归方法的均方根误差(RMSEP):在冬小麦叶片氮含量为34.0g kg-1~62.5g kg-1预测范围内,逐步回归模型为14.4g kg-1,后向选择为11.8g kg-1,而广义回归神经网络为3.40g kg-1。说明神经网络方法所筛选到的光谱参数更能反映小麦叶片全氮含量,且神经网络模型预测精度高。     

高光谱反演叶片叶绿素及全氮含量

植物的含氮量和叶绿素含量指示了植被的健康状况.本文利用野外采集的叶片样本获取叶片的光谱反射率及叶绿素和全氮的含量,分析和利用高光谱数据反演叶片叶绿素及全氮含量的可行性及精度.鉴于高光谱数据存在冗余这一特性,本次试验采取了偏最小二乘法来对光谱数据进行回归分析,进行叶绿素和氮素含量的估算.同时,本文也比较了叶片叶绿素含量和氮素含量在不同单位表达形式下,偏最小二乘法对其的估算精度.试验结果表明,基于偏最小二乘法分析叶片反射率估测叶片的叶绿素含量及全氮含量具有很好的结果,精度全都达到85%以上,具有应用价值.     

基于BP神经网络的地下水离子化合物含量高光谱反演方法研究

地下水水质污染日益加重,监测地下水离子化合物含量有利于地下水的动态管理与精准防治。离子化合物光谱响应信号微弱且反演机理尚不明晰,现有研究多数对离子化合物进行简单的定性分析,较少采用数理统计方法综合估算其含量。基于离子化合物光谱机理和高光谱数据冗余的特性,通过测量实验室配比的不同浓度钠、钾、钙3种离子化合物标准液的可见—近红外反射光谱（400～1 000 nm）,探究水体3种离子化合物的光谱响应机理、最佳预处理方式及特征波段优选算法,并基于最优特征波段构建BP神经网络模型以定量反演离子化合物含量。研究发现：(1)3种离子化合物整体反射率在波长400～1 000 nm处与含量成反比,与离子的电荷数和半径成正比;(2)基于主成分分析较连续投影法提取的特征谱段,构建的多元线性回归模型能够较好地反演水体离子化合物含量;(3)KCl最优反演模型的预处理方式为SG滤波,CaCl2和NaCl最优反演模型的预处理为SG滤波后进行反射率归一化;(4)相较于传统线性反演模型,PCA-BPNN非线性模型取得了最优的反演结果,其中钾离子化合物含量反演结果最优,其训练集R2和RMSE分别达到0.996 4和248...     

水稻叶片叶绿素含量的光谱反演研究

通过研究不同叶绿素含量的水稻叶片的光谱特性，发现叶绿素含量与光谱特性之间具有明显的相关性，并建立了水稻叶片叶绿素含量的光谱反演模式。研究表明，水稻叶片光谱反射率及其一阶导数的峰值参数与叶绿素含量之间具有很强的相关性，复相关系数均达到0．4以上，经多元线性回归分析显示回归显著，线性相关密切，回归方程的复相关系数为0.63，可作为水稻叶片叶绿素含量反演的方法，并为大面积水稻冠层叶绿素含量遥感监测提供理论依据。     

基于长短时记忆神经网络的葡萄叶面积指数高光谱反演

针对高光谱数据众多波段间的多重共线性导致的维数灾难问题,为提升葡萄叶面积指数(leaf area index,LAI)的估算精度,提出一种基于敏感波段选择的长短时记忆神经网络(long short term memory,LSTM)估算模型。首先,采用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,以消除光谱波段间的多重共线性,降低光谱维度,提取葡萄LAI敏感波段;其次,采用TensorFlow深度学习框架构建LSTM神经网络模型。应用于陕西泾阳葡萄冠层光谱的LAI估算。结果表明:利用敏感波段构建的LSTM模型各项指标均优于偏最小二乘和支持向量机,其决定系数(R~2)、均方根误差(RMSE)和希尔不等系数(TIC)分别为0.963 5、0.074 5和0.025 4;基于原始光谱的LSTM模型的R~2、RMSE和TIC分别为0.881 0、0.117 0和0.039 8。UVE波段优选能够提升LSTM神经网络模型估算葡萄LAI的精度,对其他作物理化参量反演具有一定的指导意义。     

基于KMNF和BP神经网络的高光谱遥感影像分类

为了对高维非线性的高光谱影像进行降维及信息提取,提出了高光谱影像核最小噪声分离变换(kernel minimum noise fraction,KMNF)特征提取后利用BP神经网络分类的方法.以高光谱影像KMNF特征提取后的前几个特征分量作为BP神经网络的输入,进行BP神经网络分类,并与单独的高光谱影像BP神经网络分类进行比较.美国内华达州CUPRITE矿区AVIRIS数据的实验结果表明,基于KMNF和BP神经网络的高光谱影像分类较单独BP神经网络分类总体精度及时间性能均得到提高.     

基于植被指数的叶绿素密度遥感反演建模与适用性研究

利用遥感数据反演叶绿素密度是对作物长势进行评估的有效手段.本文利用实测冬小麦和夏玉米两种作物、不同生育期的冠层光谱和叶片叶绿素含量数据,收集了14种光谱指数,分析各种光谱指数的叶绿素密度遥感模型的精度.优选了其中的8种植被光谱指数,建立了植被指数与叶绿素密度之间的回归模型,并利用不同生育期小麦数据和玉米数据对各模型进行验证,分析评价它们对不同生育期、不同作物类型的适用性.研究发现:利用SRI、RVI I、R-M和MTCI 4种植被指数所建模型对冬小麦不同生育期数据适用性较好,各生育期冠层叶绿素密度反演相对误差优于27％.其中,MTCI模型对不同作物类型的适用性最好,冠层叶绿素密度反演相对误差优于35％.     

卫星红外高光谱反演大气水汽含量

利用高光谱大气红外探测仪AIRS模拟及观测数据,发展基于主成分分析技术的多层前馈神经网络反演算法,进行大气中水汽柱总量(IWV)的反演计算、模拟及实测验证。首先,基于全球晴空大气廓线训练样本SeeBorV4.0,利用快速辐射传输模式CRTM进行了辐射传输模拟计算,得到全球高光谱分辨率模拟辐亮度;其次,利用主成分分析技术对模式模拟和AIRS实测高光谱数据进行降维、去噪及去相关处理,并采用多层前向神经网络算法反演大气水汽柱总量;最后,利用数值试验、AIRS实测L1B数据及其水汽产品,对反演算法进行了验证。通过与AIRS官方大气产品的统计分析,本算法反演均方根误差为0.387 g/cm²,最大偏差为0.82 g/cm²,空间分辨率保留了AIRS像素原分辨率(比AIRS官方大气产品高3倍)。     

扎龙湿地龙泡子水深的高光谱建模研究

以扎龙湿地龙泡子为研究区,用实测高光谱数据和同步测量的水深数据,建立湿地湖泊的水深反演模型。通过分析水体反射率的一阶微分与水深之间的相关性来选取水深反演因子,建立了水深反演单波段模型和多波段模型,以波长832.05、839.87、809.08和774.76 nm建立的多波段线性模型效果较好,相对误差为5.90%,均方根误差为10.869 cm。湿地内影响因素较复杂,要深入研究水中杂质和水体底质的光谱特征才能进一步提高反演模型精度。     

Hyperion数据玉米叶绿素含量制图

采用星地同步观测方法,对Hyperion影像进行预处理并提取玉米专题信息,计算与遥感影像同步获取的玉米地面实测光谱及其一阶微分形式,作物光谱指数参量与叶绿素含量之间的相关性。结果表明:作物叶绿素含量预测指数TCARI/OSAVI与叶绿素a和叶绿素b的相关性最好,R²分别为0.5694和0.5313。采用其与叶绿素含量进行回归分析,建立叶绿素反演模型。将回归结果应用到提取的玉米区域,得出叶绿素a和叶绿素b含量的空间分布图,直观显示玉米的长势状况,为农业估产和植被长势监测提供重要的数据源。     

基于独立成分分析和神经网络的高光谱遥感数据分类

高光谱遥感数据以数据量大、含混度高、地面样本数据少的特点给分类处理带来了困难。将独立成分分析技术与多层前向神经网络相结合, 得到一种新的分类算法。独立成分分析在提取有效光谱特征的同时, 大大降低了数据的维数。神经网络作为分类器, 分类精度显著高于传统的bayes 分类器。通过对220 波段的高光谱数据进行实验, 得到了良好的效果。     

基于自适应脊波网络的高光谱遥感图像分类

神经网络是遥感地物自动分类的重要工具之一。利用多尺度几何分析中的眷波基函数建立了一种自适应眷波网络模型。在传统自适应粒子群算法的基础上,提出一种引入粒子密度因子的自适应粒子群优化算法作为网络训练算法。为验证其性能,利用互信息约简技术对22。波段AVIRIS 92AV3C高光谱数据进行约简,并将它们作为网络输入实现对高光谱遥感地物的自动分类。仿真试验表明:引入粒子密度因子的粒子群算法与传统粒子群算法相比,不易出现早熟问题,在处理高维非线性组合优化问题时具有一定优势;由于眷波函数对高维奇异性的表征能力,相比于传统的RBF和SVM分类器,脊波神经网络分类器对具有明显边界特征的地物分类问题具有较高的精度,同时网络规模小,结构简单。     

基于EMD与神经网络的油膜高光谱数据特征提取

针对油膜和本底海水的光谱特征,提出了一种基于经验模态分解的高光谱数据特征提取方法,并通过BP神经网络构建分类器对油膜和本底海水进行分类识别。该方法首先利用经验模态分解把原始信号在425~2 390 nm谱段范围内分解为若干个固有模态函数(IMF\|Intrinsic Mode Function),然后计算出每一个IMF的能量,选取若干个包含主要特征信息的IMF分量的能量特征参数作为BP神经网络的输入参数来识别海洋表面油膜信息。研究结果表明,该方法能准确、有效地识别出海洋表面微薄的油膜信息。     

水稻叶绿素浓度与光谱反射率关系研究

结合田间小区实验,获取了水稻生育期9组叶片叶绿素浓度和相应的光谱反射率数据,进行了相关分析研究,结果表明:水稻叶片叶绿素浓度与其光谱反射率之间具有相关性,在450～686nm和750～770 nm光谱区内相关性较好,且在686 nm处两者达到最高的相关性;水稻叶片的“红边”拐点波长位置与其叶绿素浓度之间具有很强的相关性,复相关系数为0.88,并由此进一步讨论了高光谱遥感定量探测水稻叶绿素浓度的可行性。
     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行训练,得到很好的效果。     

星载高光谱红外传感器反演大气痕量气体综述

利用遥感监测全球尺度上的痕量气体分布以及动态变化,对于理解对流层大气化学以及温室气体的源与汇具有重要的意义。本文首先介绍了国内外用于痕量气体探测的高光谱红外传感器的发展,由辐射传输方程出发分析了大气痕量气体遥感反演的特点,从前向模型、先验知识和最小化代价函数方案三个方面阐述了大气痕量气体遥感反演方案,最后指出了目前利用星载高光谱红外遥感数据反演大气痕量气体存在的一些问题以及可能的解决方案。