基于商空间理论的冬小麦产量预测和分析

文中从粒度计算角度对气象数据和历史产量进行分析。首先在商空间粒度计算理论框架下,通过对历年光、温、水等环境气象要素的分析,得出商空间模型下的特征属性;再通过对历史产量的分析,运用统计学方法获取相应的决策属性,将特征属性和决策属性相结合采用构造性机器学习方法对安徽省冬小麦产量进行预测,建立产量预测模型以实现冬小麦的较为准确的产量预测和分析。实验证明这种基于商空间粒度计算理论的产量预测方法是行之有效的。     

航空发动机磨损趋势变权重组合预测技术研究

由于航空发动机滑油中金属元素含量受许多复杂因素的影响,所以磨损趋势预测精度相对较低。针对这个问题提出了RBF网络变权重组合预测（RBFNN-VWCF）模型对航空发动机零部件的磨损趋势进行研究。由于输入维数对模型的预测精度影响较大,引入混沌理论中的C-C方法重构相空间确定模型最佳输入输出样本的维数,选取BP网络和SVM模型作为子预测模型对铁元素含量的变化趋势进行预测,将得到的预测值作为RBFNN-VWCF模型的输入变量进行变权重组合预测,利用正交最小二乘法训练网络模型,确定子模型不同时刻的权重,并对影响模型预测精度的参数进行讨论。仿真结果表明,RBFNN-VWCF模型充分利用了两种子预测模型的有效信息,更客观地反映了发动机零部件的磨损趋势,与单一模型相比具有较高的预测精度和很强的实用性,为发动机下一步的维修决策提供了有力支持。     

高光谱遥感特征参数与棉花产量及其构成因子的关系研究

通过大田和室内实验,测定了2个品种、4种梯度水、肥处理的棉花产量形成的关键时期--盛花期至吐絮期的冠层光谱反射率和产量及构成因素,对高光谱特征参数与产量构成因素进行相关统计分析.结果表明,棉花产量与抗大气植被指数VARI_700的相关性为0.9564;棉花产量构成因素中的单位面积总铃数、单铃重与棉花冠层光谱反射率之间相关性达到极显著水平;建立光谱特征参数与产量构成因子的回归方程,表明运用抗大气植被指数VARI_700和光谱曲线反射峰参数P_Depth554来反演单位面积总铃数是可行的,用光谱植被指数[820nm,1650nm]可估算棉花单铃重.     

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。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段，对农业生产管理具有重要意义。以安徽龙亢农场为研究区，收集了中高分辨率多源卫星遥感数据并进行了定量化处理，构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型，生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律，分析了不同品种冬小麦的长势情况，发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上，构建了基于归一化植被指数（NDVI）的冬小麦估产模型，结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算，据此绘制了龙亢农场2017年冬小麦产量遥感估算地图，产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测，为区域范围内农作物长势监测提供了一种有效途径。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上,构建了基于归一化植被指数（NDVI）的冬小麦估产模型,结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。     

Spatial-Spectral Preprocessing based on Nonnegative Matrix Factorization to Unmix Hyperspectral Data

Non-negative Matrix Factorization (NMF)method of blind spectral unmixing can obtain the spectrum and abundance of the endmember by synchronous optimization,without supervising the selection of endmember.Therefore,NMF has been developed rapidly in the application of hyperspectral unmixing.However,traditional blind spectral unmixing NMF method tends to fall into the local optimum and it is difficult to obtain a stable optimal solution.In this paper,we propose an improved Non-negative Matrix Factorization (NMF)method based on Spatial\|Spectal Preprocessing for spectral unmixing of hyperspectral data (SSPP-NMF).First,the SSPP algorithm is used to combine spatial and spectral information to select reasonable and effective dataset.Then,the NMF algorithm is used to unmix this dataset to obtain the final optimized endmember spectrum.Finally,the Non\|Negative Least Squares (NNLS)method is used to obtain the final abundance of the whole study area.The validity and applicability of the proposed method were analyzed based on a set of synthetic hyperspectral data and real hyperspectral images;and then the results were compared with that from three algorithms including the existing NMF algorithm,MVC\|NMF algorithm and ATGP-NMF algorithm.Results show that compared with ATGP-NMF and MVC-NMF,the SSPP algorithm can effectively suppress the influence of noise,significantly improve the performance of the NMF method of blind spectral unmixing algorithm.     

基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究

根据高光谱遥感获得的冬小麦冠层数据,把由逐步回归方法和基于遗传算法(GA)的广义回归神经网络(GRNN)筛选到的光谱参数作为网络输入,冠层叶绿素含量作为网络输出,采用线性逐步回归方法、反向传播神经网络(BPNN)和GRNN来构建反演模型,模拟结果表明,GRNN和BPNN的预测精度要高于逐步回归方法,其RMSE分别为0.36 mg/g、0.52 mg/g和0.98 mg/g。由于GRNN可应用于小样本问题的学习,比BPNN对叶绿素具有更好的预测和泛化能力。     

基于空间邻域信息的高光谱遥感影像半监督协同训练

针对tri_training协同训练算法在小样本的高光谱遥感影像半监督分类过程中,存在增选样本的误标记问题,提出一种基于空间邻域信息的半监督协同训练分类算法tri_training_SNI(tri_training based on Spatial Neighborhood Information)。首先利用分类器度量方法不一致度量和新提出的不一致精度度量从MLR(Multinomial Logistic Regression)、KNN(k-Nearest Neighbor)、ELM(Extreme Learning Machine)和RF(Random Forest)4个分类器中选择3分类性能差异性最大的3个分类器;然后在样本选择过程中,采用选择出来的3个分类器,在两个分类器分类结果相同的基础上,加入初始训练样本的8邻域信息进行未标记样本的二次筛选和标签的确定,提高了半监督学习的样本选择精度。通过对AVIRIS和ROSIS两景高光谱遥感影像进行分类实验,结果表明与传统的tri_training协同算法相比,该算法在分类精度方面有明显提高。     

基于边缘保持滤波的高光谱影像光谱-空间联合分类

针对高光谱遥感影像分类过程中,高维数据引起的"维数灾难"以及空间邻域一致性信息没有得到充分利用的问题,提出一种基于边缘保持滤波（Edge-preserving filtering,EPF）的高光谱影像光谱-空间联合分类算法.该算法首先进行波段子集划分和主成分提取,构造新的低维特征集,在保存影像结构信息的前提下降低数据维度;其次利用支持向量机（Support vector machine,SVM）获得低维特征集的初始分类概率图;然后利用原始影像主成分对初始分类概率图进行边缘保持滤波,融合光谱信息和空间信息;最后根据滤波后分类概率图对应像素点值的大小确定每个像素的类别.在Indian Pines和Pavia University两组高光谱数据上进行仿真实验,相同实验条件下,本文算法都获得最高分类精度和最少的时间消耗.仿真结果表明本文算法在高光谱遥感影像分类任务中具有明显的优势.     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于改进独立分量分析的高光谱数据分类研究

高光谱数据波段数目多,光谱信息量大,采用传统的分类方法无法取得较好的精确分类效果.针对上述问题,结合独立分量分析(ICA)和概率神经网络(PNN)在高光谱数据特征提取及分类中的优势,提出了一种改进的独立分量分析与概率神经网络相结合的高光谱数据分类方法,首先采用改进的独立分昔分析对高光谱数据进行降维,然后采用概率神经网络对提取的独立分量进行分类.通过仿真实验结果表明,方法可以在获得较高分类精度的同时大大节省分类的时间.