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R~2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(R~2=0.58,RMSE=0.16);6种植被指数与LAI高度相关,相关性系数R2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,R~2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(R~2=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TM遥感图像的近海岸带水深反演研究

以江苏南通小洋口港外辐射沙脊群海域为研究区,在TM数据地表反射率反演的基础上,通过实测水深数据与TM4波段反射率、TM4/TM2波段反射率比值因子的相关研究,分别建立了线性、对数、指数和幂指数的水深反演模型,研究不同模型对该研究区0~5m、5~10m、10~15m不同水深的适用情况以及水深反演精度分析。研究结果表明:针对本研究区,以TM4/TM2波段反射率比值建立的线性水深反演模型的精度最好,并依据该模型对研究区进行遥感水深制图。     

基于Landsat 8与实测数据的水质参数反演研究

目前遥感技术已成为监测水质参数的重要手段,精度更高的水质参数反演模型是当前水质监测的重点。但由于水环境的复杂性、遥感数据的局限性等多重原因,水质参数遥感反演精度有限,且多集中于水色水质参数反演。为了得到精度更高的水质参数反演模型,以天津市海河下游段为研究区,对Landsat 8 OLI遥感影像进行大气校正、辐射定标等预处理,通过实验室理化分析测定水体的总磷、氮氨、总氮浓度及电导率,建立实测水质参数与Landsat 8 OLI遥感影像数据的统计回归模型及神经网络模型,采用决定系数(R~2)、平均绝对误差(MAE)、均方根误差(RMSE)进行精度检验,神经网络模型反演结果 R~2均大于0.85,MAE分别为0.019、0.09、0.242、0.411,RMSE分别为0.024、0.118、0.286、0.562,反演精度较好。结果表明:基于神经网络建立的水质参数反演模型精度较高。     

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。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅(GF-1 Wide Field of View,GF-1 WFV)数据以及具有宽覆盖、红边波段(Red-Edge band,RE)的高分六号(GF-6)卫星数据在森林郁闭度(Forest Canopy Closure,FCC)定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号(Sentinel-2A)红边波段,模拟GF-6红边波段特性,并提取相关纹理信息(Texture Information,TI)、植被指数(Vegetation Index,VI)和红边指数(Red-edge Index,RI),同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素(Topographic Factors,TF)对FCC估测的影响,利用快速迭代特征选择的k-NN(kNearest Neighbor with Fast Iterative Features Selection,KNN-FIFS)模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归(Stepwise Multiple Linear Regressions,SMLR)和支持向量机(Support Vector Machine,SVM)估测结果。通过44块调查样地实测数据验证发现:基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R2=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R2=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R2=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R2=0.68,RMSE=0.07,并高于SMLR(R2=0.39,RMSE=0.10)和SVM(R2=0.49,RMSE=0.10)方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。     

基于光学与SAR因子的森林生物量多元回归估算——以福建省为例

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出"纯净"的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型"纯净"植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达(SAR)HH、HV极化后向散射因子,分别构成不同植被类型的"含光学特征多元因子"(NDVI、RVI、树高、林龄、坡度)和"含SAR特征多元因子"(HH、HV、树高、林龄、坡度),开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明:不同植被类型的含光学特征多元回归模型的验证精度(针叶林:R~2为0.483,RMSE为29.522 t/hm~2;阔叶林:R~2为0.470,RMSE为21.632 t/hm~2;混交林:R~2为0.351,RSME为25.253 t/hm~2)比含SAR特征多元回归模型的验证精度(针叶林:R~2为0.319,RMSE为28.352 t/hm~2;阔叶林:R~2为0.353,RMSE为18.991t/hm~2;混交林:R~2为0.281,RMSE为26.637 t/hm~2)略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型(先估测叶生物量进而间接估测地上生物量)比利用含SAR特征的多元回归模型(直接估测地上生物量)更具优势。     

基于Sentinel-2A影像光谱和纹理特征的冬小麦叶面积指数估算模型研究

叶面积指数(Leaf Area Index, LAI)是反映作物生长状态的重要指标,常用植被指数来反演。传统的反演模型大都是基于多变量的多元回归模型,而基于双变量的多元回归模型在LAI反演中的潜力还未被充分发掘。通过提取卫星影像的光谱特征和纹理特征,基于皮尔逊相关系数分析各个遥感特征与冬小麦LAI之间的相关性,利用简单回归模型(Simple Regression, SR)、多元线性回归模型(Multiple Linear Regression,MLR)和随机森林回归模型(Random Forest Regression,RFR)开展遥感特征与冬小麦LAI之间的关系模型构建反演研究,并结合精度指标(决定系数R²,均方根误差RMSE,相对均方根误差rRMSE)判定各反演模型的反演精度,以提出最优的反演模型。研究表明：(1)所有植被指数和部分纹理指数在反演LAI中取得了较好的反演效果(R²>0.6)。其中,通用归一化植被指数(Universal Normalized Vegetation Index, UNVI)在各植被指数中表现最好(R     

烃类物质闪点定量构效的关系

应用CODESSA软件计算300种烃类物质的分子结构描述符,用启发式回归(HM)、最佳多元线性回归(B-MLR)法,以筛选出来的分子描述符建立线性回归模型.用B-MLR法所选4个描述符作为支持向量机(SVM)的输入,建立非线性模型.预测结果表明:所建模型稳健,泛化能力强,预测误差小.非线性模型(R2=0.9884,RMSE=8.7570)的性能优于线性回归模型(HM:R2=0.9815,RMSE=11.0653;B-MLR:R2=0.9814,RMSE=11.1041),预测的效果令人满意.     

WorldView-2影像在南海岛礁浅海水深反演中的应用

针对南海岛礁浅海水域遥感探测研究较少且常用的中、低空间分辨率遥感影像难以满足该区域浅海水深高精度探测的问题,利用高空间分辨率WorldView-2多光谱影像和现场实测数据,对南海北岛岛礁浅海水域进行了水深反演研究。通过对WorldView-2和实测数据进行相关性分析,选择出相关性较高的数据构建了单因子、双因子、多因子线性回归模型和BP神经网络模型,利用实测数据对各个模型进行了测试与比较。结果显示,各个模型反演值与实测值的相关系数均在0.9以上,均方根误差约等于1.0,其中BP网络模型的相关系数最高,具有较高精度。研究表明,利用WorldView-2数据反演中国南海岛礁周边浅海水深的方法有效可行。     

清河水库叶绿素a浓度反演模型研究

针对无法及时、准确获取清河水库叶绿素a浓度情况,提出比值线性回归模型与最小二乘支持向量机两种遥感反演模型对清河水库叶绿素a浓度进行预测。通过SPSS软件分析计算OLI数据的单波段及波段组合与叶绿素a浓度之间的相关关系,选取相关系数最大者分别构建比值线性回归模型和非线性的最小二乘支持向量机模型(LS-SVM),对清河水库叶绿素a浓度进行了遥感定量反演研究。结果表明,相比于比值线性回归模型,LS-SVM模型更适用于清河水库叶绿素a的反演研究。LS-SVM模型将预测值与实际值的可决系数R2从0.635提高到0.966,均方根误差从4.83减小到2.67,平均相对误差从16.43%减小到7.21%,利用LS-SVM模型对叶绿素a浓度的反演精度显著提高。     

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...     

基于DART模型和随机森林估算山地叶面积指数

地形效应会使遥感影像中的地表反射率发生畸变,进而影响基于反射率估算的叶面积指数(Leaf Area Index,LAI)精度。为了减弱或消除地形对LAI反演的影响,基于三维辐射传输模型DART(Discrete Anisotropic Radiative Transfer)构建坡地反射率与LAI数据集作为训练数据。以反射率为输入,LAI为输出,利用随机森林算法进行训练,构建山地LAI反演模型。结合实际遥感影像数据实现山地LAI的估算,并利用实测数据对反演结果开展精度评价。同时,基于DART模型和随机森林构建了平地LAI反演模型作为参照以评价本文发展方法的有效性。结果表明：考虑了地形影响的山地LAI反演模型具有较强的估算能力,验证结果的精度(决定系数(R²)=0.57,均方根误差(RMSE)=0.77 m²/m²)优于平地反演模型(R2=0.46,RMSE=0.86 m2/m2);基于DART模型构建的山地反演模型能够捕捉到坡度和坡向对地表反射率的影响,其反演结果较好地还原了研究区LAI的空间分布,与地面真实情况接近。研究...     

基于高分一号WFV影像的随机森林算法反演水稻LAI

叶面积指数(Leaf Area Index,LAI)是植被生长状况的重要指标,反映了农田生态系统的生产力水平。以江苏省东台市水稻田为研究区,基于多时相高分一号WFV影像提取的水稻植被指数数据,结合样区同步测量的不同生长期水稻叶面积指数数据,利用随机森林算法构建研究区水稻LAI反演模型。研究结果表明:随机森林算法反演的研究区水稻LAI与实测验证值相关性较好,R2达到0.88,RMSE仅为1.03,能准确反映研究区水稻LAI生长季的变化趋势,不同时段LAI测量值与反演值相对误差均值为15%,且GF-1WFV影像对研究区水、路网的分辨能力较高,总体上适用于农田LAI的反演。     

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。     

基于宽波段和窄波段植被指数的草地LAI反演对比研究

叶面积指数是一个重要的植被生理生态参数,为探讨不同植被指数反演叶面积指数的可行性,基于同空间分辨率不同光谱分辨率的HJ\|1B CCD1和Hyperion遥感影像数据,以内蒙古自治区赤峰市克斯克腾旗贡格尔草原为研究对象,选取几种常见宽波段植被指数和高光谱窄波段植被指数并结合4种常用回归模型,比较分析了不同植被指数反演叶面积指数的精度。结果表明:对于全部植被指数而言,PVI、MSAVI等综合考虑了土壤、环境等因素的植被指数较传统植被指数NDVI、RVI反演草地LAI精度更高。通过对比发现,在反演草地LAI方面,窄波段植被指数比宽波段植被指数表现出明显的优势。其中,窄波段垂直植被指数PVI验证模型的确定性系数R²为0.65,均方根误差RMSE为0.15,说明实测LAI和模拟LAI值之间具有较好的变化一致性。最后基于Hyperion影像和窄波段垂直植被指数PVI的估算模型生成研究区叶面积指数空间分布图。     

森林地上生物量GF-3全极化SAR数据估测研究

森林地上生物量(Above Ground Biomass, AGB)是衡量森林生态系统生产能力的重要参考指标，也是研究地表碳循环和碳平衡的重要组成部分。立足国内高分三号(GF-3)SAR数据，探索不同类型反演模型的适宜性，以提高森林地上生物量的反演精度有着重要意义。以云南省昆明市宜良县花园林场小哨林区西南地区典型针叶林为研究对象，以GF-3 SAR数据为数据源，结合地面样地调查数据将GF-3 SAR数据的4个通道极化后向散射系数和极化分解特征作为森林地上生物量的建模因子；使用参数模型中的多元线性逐步回归(Multivariable Linear Stepwise Regression,MLSR)算法及非参数模型中的K最近邻(K-Nearest Neighbor Method, K-NN)、支持向量回归(Support Vector Regression, SVR)和随机森林(Random Forest, RF)共4种算法，对该研究区域森林AGB进行了反演；并采用皮尔逊相关系数(R²)、均方根误差(RMSE)及总精度(Acc.)3个指标对4种模型的反演结果精度进行了...     

基于GF6-WFV数据的中国东部典型湖库叶绿素a浓度反演

高分六号中分辨率宽幅相机(GF6-WFV)设计了两个红边波段,具有水体叶绿素a浓度监测的潜力。实验选取官厅水库、陆浑水库和白洋淀等6个中国东部典型湖库为研究区,获取141个采样点实测光谱和叶绿素a浓度数据。基于实测数据对4种常用的叶绿素a浓度反演半经验模型进行参数优化和模型精度验证,选取最优反演模型。结果表明,GF6-WFV数据新增红边Ⅰ波段(B5:710 nm)和红波段(B3:660 nm)构建的两波段比值模型反演精度较高,相关系数平方(R²)为0.89,平均相对误差(MRE)为34.71%,均方根误差(RMSE)为13.29 mg/m³。研究表明：利用GF6-WFV影像数据能有效反演水体叶绿素a浓度,研究基于多湖库、多时相数据建立的GF6-WFV影像水体叶绿素a浓度反演模型,在中国东部典型湖库具有较好的适用性。     

一种利用土壤水分反演地下水位遥感方法

针对利用土壤水分在干旱地区反演一定植被覆盖下地下水位的局限性,采用遥感-数学-模型学融合的研究方法,以Landsat-8遥感图像作为数据源,提取改进型温度植被干旱指数,并与实测土壤水分建立土壤水分反演模型,然后结合土壤水分和地下水位的实验方程,引入土壤水分反演模型建立了一定植被覆盖条件下的地下水位分布遥感监测评价模型(GLDRS模型)。结果表明,土壤水分反演值和实测值的决定系数R2=0.65,均方根误差RMSE=3.22,能够达到实验精度要求;利用GLDRS模型对研究区地下水位反演结果取得较高精度,实测地下水位和反演地下水位的R2=0.81,RMSE=1.01。     

基于GPS-IR的土壤湿度多星非线性回归估算模型

由于传统方法利用单星进行土壤湿度估算精度较低,且干涉相位与土壤湿度之间的线性关系与实际情况存在差异,GPS-IR (global positioning system-interferometry reflectometry)技术可用于反演土壤湿度。考虑到多星联合反演土壤湿度具有优势,提出一种多星非线性回归估算模型。实验结果表明,该模型有效改善了单星反演出现异常跳变的现象;采用双星或三星联合建立的多星非线性回归模型的估算效果要优于单星,反演结果与土壤湿度参考值之间的相关系数r分别达到0.90和0.93以上,RMSE平均值分别达到了0.029和0.026。