融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。     

黄河三角洲土壤含水量状况的高光谱估测与遥感反演

为探讨利用近地高光谱和遥感影像数据结合预测土壤含水量的可行方法,以黄河三角洲垦利县为研究区,采用中心波长反射率和波段平均反射率两种拟合方法,利用室外实测高光谱窄波段反射率数据模拟Land Sat8卫星宽波段反射率,进而通过组合,选取敏感光谱参量,应用多元逐步线性回归方法分别建立土壤含水量高光谱单一形式波段组合与多形式波段组合估测模型,并选取最优估测模型。采用线性混合像元分解处理遥感影像,同时采用比值均值订正方法对遥感影像反射率进行订正,在此基础上,将模型应用到经过订正的Land Sat8卫星影像,实现了对研究区土壤含水量的遥感反演。结果表明,最佳模型是基于波段平均反射率拟合方法建立的多形式波段组合估测模型。从反演结果看较为符合研究区土壤含水量的实际状况。     

基于分层多端元混合像元分解的水稻面积信息提取

为了解决中低分辨率遥感影像混合像元问题以提高水稻种植信息的提取精度,该文提出了一种基于层次分类与多端元混合像元分解相结合提取水稻面积信息的方法(stratified multiple endmember spectral mixture analysis,SMESMA)。层次分类有效降低了地物复杂度,而多端元混合像元分解通过对每一类地物选取多个端元光谱参与解混,克服了"同物异谱"造成的光谱变异问题,两者结合可有效提高分类精度。以江苏如皋市为研究区,基于HJ-1B CCD影像,分3个层次,当某类地物信息被提取后便将其从影像中去除,进行下一层次分类,各层次均采用多端元混合像元分解方法,综合EARMSE、MASA、CoB等算法以选取最佳端元,实现了如皋市水稻种植面积信息有效提取。结果显示SMESMA法分类精度达85.78%,kappa系数为0.85,基于最大似然分类法(MLC)的分类精度为79.1%,kappa系数为0.78。表明SMESMA是一种适合基于中低分辨率影像进行作物分类和面积提取的有效方法。     

高光谱遥感数据植被信息提取方法

利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1 m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。     

干热河谷的植被覆盖度算法应用研究——以元谋为例

目前遥感提取植被覆盖度的方法通常适用于农田、草地等高植被覆盖区,而在类似于干热河谷的植被稀疏地区效果不好。因此,针对目前常用的植被覆盖度提取算法进行比较、分析、选择,优化模型参数,进而得到一个最适于干热河谷地区植被覆盖度的优化模型。以元谋地区的MODIS影像数据为基础,将扩展线性混合模型(ELMM)运用于干热河谷地区植被覆盖度的提取,并将像元二分法、三波段梯度差法的提取结果与之对比,同时为了验证3种算法的精度,利用同一时段的Landsat TM影像进行检验。试验结果表明:扩展线性混合模型对于干热河谷区植被覆盖度的提取精度要优于像元二分模型和三波段梯度差法,且最大限度的接近于真值,可以考虑在今后的干热河谷覆盖植被信息提取实践中广泛使用。     

基于标准地表光谱端元空间的苹果园种植时间制图方法

利用遥感数据进行果园种植时间制图可以高效便捷地获取大区域尺度的果园种植时间信息。为避免混合像元对果园的光谱信息造成影响,实现果园范围的精准识别及果园种植年龄的推测,该研究基于Landsat系列影像,开展融合地表标准地表光谱端元空间的果园范围提取和种植时间制图的研究。首先,将标准地表光谱端元空间融入原始影像中运用随机森林算法进行土地利用/覆被分类,重点提取果园分布范围。其次,构建地表植被端元年际间时间序列曲线,求得果园缓慢增长区间,运用四点法求取果园最大环境承载量。最后,回溯找到果园种植起点进行Logistic增长模型拟合,完成果园种植时间制图。研究结果表明：1）由线性光谱混合分解所得的地表光谱四端元能够很好地表达研究区地表组分信息。融合标准端元空间与随机森林算法提高了地物信息的提取精度。分类总体精度达到88.80%,Kappa系数达到0.86,对果园有较好的解译能力。2）通过植被端元年际时间序列曲线可以很容易地捕捉到土地覆被/利用类型的变化,通过Logistic增长模型可以检测植被生长的状况和最大环境承载量。拟合的果树生长模型具有较高的精度和稳定性,整体拟合度达到0.751,年龄验证误差均值为1.86a,说明该方法可以相对准确地确定苹果树的种植时间和长势。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

基于多季相光谱混合分解和决策树的干旱区土地利用分类

该文利用2015年Landsat 8多季相数据,以民勤县为例探讨了干旱区土地覆被/利用分类方法。首先进行了研究区多季相遥感数据的主成分变换,确定了Landsat OLI光谱空间的内在维数。其次通过对各季相主成分空间的分析,确定了光谱混合分解的端元类型及各自的代表性季相。获取端元光谱之后,采用全约束线性光谱混合模型分解各个季相的遥感影像,估计各端元组分占像元的面积百分比（端元丰度值）。最后利用端元丰度值的多季相估计结果,依据先验知识和训练样本建立决策树分类规则进行土地覆被/利用分类。分类方法的总体精度达到90.94%,Kappa系数为0.90。研究表明：将物理意义明确的端元丰度值作为分类变量,能够快速、有效地获取分类规则,生成树的结构简单、合理、清晰,对训练数据的依赖性较低,因此具有应用于整个旱地系统土地覆被/利用分类的潜力。     

基于最优尺度选择的高分辨率遥感影像丘陵农田提取

农田测绘与粮食安全密切相关,高效经济的农田测绘是中国政府部门重点关注的工作之一。农田田块是农田测绘的基本要素,从遥感影像中提取农田田块信息是当前研究的热点。然而,丘陵地区农田形状不规则、光谱特征不明显导致农田信息提取困难,该文通过研究最优的农田分割尺度来提高农田田块信息提取的精度。首先,利用各向异性扩散算子在由Sobel得到的梯度图上生成多尺度梯度影像。然后,通过信息熵差异分析得到有效尺度范围。其次,利用标记分水岭算法对农田梯度影像进行分割获得多尺度农田信息。最后,利用非监督的全局评价方法在已得的有效尺度范围内确定农田提取的最优尺度,同时确定最优的农田提取结果。对比试验结果表明,该文方法能够有效地提取丘陵地区的农田田块,精度可以达到73.06%,比Mean-shift方法提取的精度高22.48%。该研究可为中国农田测绘提供技术参考。     

基于Hyperion和ASTER影像的喀斯特石漠化评价指标提取对比研究

中国西南喀斯特地区以石漠化为特征的生态环境退化现象严重,遥感是获取大尺度石漠化评价指标的主要手段.但目前还没有直接从遥感图像快速、客观有效地提取石漠化评价指标的应用.基于植被指数(NDVI)、石漠化综合光谱指数(KRDSI)和木质素—纤维素吸收指数(LCA),对比分析利用Hyperion 高光谱遥感影像及其模拟的ASTER多光谱遥感影像直接提取石漠化评价指标的可行性和精度.研究表明,利用Hyperion高光谱影像能够比较有效地直接反演绿色植被、干枯植被、裸土等的覆盖信息,但由于不同碳酸盐岩及其不同侵蚀程度的光谱特征差异,直接反演基岩裸露的精度较低;而利用ASTER多光谱影像能够直接有效提取直接反演绿色植被、裸土等的覆盖信息,但由于ASTER影像波段设置的局限性,使其直接提取干枯植被盖度和基岩裸露率的效果较差.     

基于改进空间引力模型的农作区遥感影像亚像元定位

针对空间引力模型在遥感影像亚像元定位中存在的不足,该文提出了一种基于改进空间引力模型的农作区遥感影像亚像元定位方法。研究首先分析了原始空间引力模型运行速度慢、定位精度低的原因。然后,分别改进了空间引力模型的初始化算法和优化算法,改进后的初始化算法使亚像元更具空间相关性;改进后的优化算法在初始化的基础上显著提高了模型的运行速度和定位精度。最后,以吉林省镇赉县农作区SPOT-5影像为例,在原图像空间分辨率退化4倍的尺度下进行遥感影像亚像元定位试验。结果表明,改进模型与原始模型相比亚像元定位精度提高了6.67个百分点,运行速度提高了10.69倍。因此,改进空间引力模型在地物类别相对复杂的农作区遥感影像亚像元定位中,可以更好的突破空间分辨率的限制,为确保农作物种植面积提取、区域产量遥感估测提供有力支撑。     

基于高光谱技术的猪肉肌红蛋白含量无损检测

为充分利用猪肉光谱与图像信息，实现猪肉肌红蛋白含量的在线检测，该研究提出一种基于深度学习模型的猪肉肌红蛋白含量无损检测方法。采用高光谱设备采集冷藏过程中猪肉高光谱图像，通过ENVI5.3选择图像感兴趣区域（Region Of Interest，ROI），分别提取ROI平均光谱信息与主成分图像信息。利用卷积自动编码器（Convolutional Auto Encoder，CAE）提取光谱与图像信息深度特征，分别建立光谱特征、图像特征及图-谱融合特征与肌红蛋白含量之间关系的卷积神经网络（Convolutional Neural Network，CNN）预测模型。其中基于融合深度特征CNN预测模型准确度较高，该模型对脱氧肌红蛋白（DeoMb）、氧合肌红蛋白（OxyMb）、高铁肌红蛋白（MetMb）含量预测集决定系数分别为：0.964 5、0.973 2、0.958 5，预测集均方根误差 RMSEP分别为：0.015 8、0.226 6、0.381 6。为进一步验证图-谱融合特征与猪肉肌红蛋白存在对应关系，分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、支持向量机回归（Support Vector Regression，SVR）预测模型。结果表明：CAE能充分提取图像与光谱特征；基于融合特征建立回归模型能提高肌红蛋白含量预测精度，相比于光谱信息与图像信息，以MetMb为例其分别提高5.42%、16.12%。该检测方法为肉类质量在线检测提供参考，具有好的应用前景。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

棉花遥感识别的混合像元分解

为了进一步提高棉花遥感识别精度,以新疆玛纳斯县为研究区,运用线性光谱混合模型（LSMM）,对TM遥感数据的混合像元分解技术与方法进行了研究。将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下,用最小二乘法估计混合系数,得到每种地物类型的丰度及RMS误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明：线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。     

高光谱技术在农业遥感中的应用研究进展

高光谱技术的研究与应用是农业遥感领域重要前沿课题之一.该文回顾了高光谱技术在国内外农业遥感中的应用研究进展,概括和总结了作物叶片光谱特征、作物分类与识别、作物生态物理参数反演与提取、作物养分诊断与监测、作物长势监测与产量预测、农业遥感信息模型以及农业灾害监测7个主要研究方面.在此基础上,笔者指出了高光谱技术在农业遥感中尚需解决的关键问题,并提出了可能的解决途径.最后对高光谱技术在农业遥感中的应用前景作出了总结和展望.