基于支持向量机回归的冬小麦叶面积指数遥感反演

利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。     

土壤盐分含量的遥感反演研究

土壤盐碱化是干旱、半干旱农业区主要的土地退化问题,同时也是一个重要的环境问题。遥感技术能够快速、实时地提供盐碱地的性质、范围、盐碱程度等方面的信息。该文以河北省黄骅市为研究区,通过对实测的土壤光谱的分析,发现植被严重干扰了土壤对盐分含量光谱响应关系,同时,在451.42~593.79 nm波长范围内的土壤反射率对土壤盐分含量较为敏感,在土壤光谱分析的基础上,建立了土壤盐分含量反演的相关统计模型。但由于遥感影像特征与土壤盐分含量之间存在较复杂的非线性关系,因此统计模型反演精度不够理想。因而,又尝试运用BP人工神经网络方法来反演土壤盐分含量。研究表明,BP人工神经网络模型具有很强的非线性拟合能力,与统计模型相比,其土壤盐分含量的反演精度有显著提高。     

基于野外VIS-NIR光谱的土壤盐分主要离子预测

为明确干旱区土壤盐分主要离子的特征光谱,建立精度高和稳定性好的盐渍土预测模型,以新疆阜康市为研究区域,采用网格法采集55个土壤样本,利用实测VIS-NIR光谱,选择多元线性回归(MLR)、支持向量机(SVM)、随机森林(RF)法构建土壤盐分主要离子含量反演模型,而后对反演精度进行检验。结果显示:(1)在0.01显著水平下,土壤盐分与Na⁺、Cl^–、Ca²⁺含量均呈显著相关,相关系数分别为0.978、0.814、0.645;(2)综合光谱响应和相关性分析确定土壤盐分主要离子的特征波段为459、537、1 381、1 386 nm,显著特征波段为459、537 nm;(3)3种模型拟合效果从高到低依次为RF>MLR>SVM,采用RF所建模型盐分主要离子(Na⁺、Cl^–、Ca²⁺)R²最高,RMSE最小,RPD最大,分别为2.11、2.03、1.80,为最优预测模型。通过选取土壤主要离子显著特征波段,进而采用RF法构建其估测模型...     

基于高光谱数据的盐荒地和耕地土壤盐分遥感反演优化

盐荒地作为研究区的\     

基于光谱变换的高光谱指数土壤盐分反演模型优选

该文探索基于光谱变换建立光谱指数,进而建立土壤盐分反演模型的可行性。运用倒数、导数、对数等15种光谱变换对土壤含盐量进行反演,并利用原始光谱的波段反射率构造光谱指数对土壤盐分进行建模。在15种高光谱变换中,一阶微分R'和一阶对倒数(log1/R')变换下土壤盐分估算模型的精度较高。但总体而言,基于单一光谱变换和光谱指数的模型模拟精度均较低。采用光谱变换建立光谱指数,并进一步建立土壤盐分反演模型,结果表明,基于(log1/R')光谱变换构建归一化植被指数,然后建立的土壤盐分精度最高,经验证,其R2为0.89,均方根误差为3.34 g/kg,高于单一方法构建的模型,可为半干旱地区土壤盐分反演提供参考。     

Sentinel-2多光谱卫星遥感反演植被覆盖下的土壤盐分变化

为克服植被覆盖条件下土壤盐分含量与光谱反射率之间相关性较差所带来反演精度较低的问题,该研究以内蒙古河套灌区沙壕渠灌域为研究区域,利用Sentinel-2卫星同步获取光谱数据,通过构建以归一化植被指数（Normalized Difference Vegetation Index,NDVI）为分支标准的盐分深度决策树确定反演土壤盐分含量的最佳深度,然后构建以NDVI和表层土壤含水率为分支标准的类别决策树,将土壤样本划分为不同类别,以此分别构建土壤盐分反演模型,并评估反演效果。研究结果表明,决策树能增强光谱反射率对土壤盐分含量的敏感性,基于随机森林（Random Forest,RF）的盐分反演模型可取得理想的反演效果,决定系数为0.70,均方根误差为0.25%,相对分布误差为0.35,相对分析误差为1.67。土壤盐分含量反演模型能较好地反演表层（<20 cm）和深层（>40～60 cm）土壤盐分含量,在反演中层（20～40 cm）土壤盐分含量上存在一定局限。当地表有植被覆盖时,利用决策树可有效地提高土壤盐分含量的反演精度（与未考虑决策树相比,决定系数和相对分析误差分别提高0.32和0.80）。研究结果可为监测灌区内作物生育期间土壤盐分含量的动态变化提供方法参考。     

基于南方结构化植被指数的植被覆盖管理因子遥感反演

为探索不同尺度植被覆盖与管理措施因子C的最佳估算模型,以南京市为研究区域,利用南方结构化植被指数(The southern structured vegetation cover index,Vs)对C因子进行估算.在坡面尺度,将不同植被类型Vs与C因子进行拟合;在区域尺度,借助Vs筛选最佳遥感指数,进而遥感反演C因子...     

基于无人机遥感的农作物长势关键参数反演研究进展

无人机遥感是生态-环境-资源领域新兴的重要研究手段,近年来在农作物长势研究中得到了迅速的发展与应用。清楚、透彻地认识基于无人机遥感的农作物长势研究现状及存在问题,有利于更好地把握当前的核心领域并开展更进一步的研究。首先回顾了国际上"基于无人机遥感农作物长势研究"为主题的论文发表情况,其次对无人机遥感平台及不同传感器的基本遥感原理、反演的参数类型、各自的优势及局限性进行梳理,并概述了基于无人机遥感的农作物长势反演流程。在此基础上,一方面将农作物长势参数归纳为形态指标、生理生化指标、胁迫指标、产量指标等4类;另一方面将农作物长势参数的反演方法归纳为经验统计回归与机器学习法、形态特征与光谱特征识别法、辐射传输模型法、多角度航拍与卫星-无人机影像结合法等4类,并针对不同反演方法的优势与不足进行总结。最后综合国内外的研究现状进行了讨论分析与展望评价。该文通过综述近10 a来无人机遥感农作物长势关键参数反演的研究成果,可为今后基于无人机遥感方法的农作物长势研究的理论基础与技术支持方面提供参考。     

基于无人机多光谱影像的土壤盐分反演模型

为探究不同作物覆盖下不同深度的土壤盐分快速反演模型,该研究采集苜蓿、玉米覆盖下0～15、>15～30、>30～50 cm层深度的土壤盐分含量,基于无人机多光谱影像数据,提取各地块采样点的光谱反射率,在此基础上引入红边波段计算光谱指数作为特征变量,采用支持向量机递归特征消除算法（Support Vector Machine-Recursive Feature Elimination,SVM-RFE）以筛选光谱指数及未经过筛选的全指数组作为模型输入组,共构建出36个基于随机森林（Random Forest,RF）、极限学习机（Extreme Learning Machine,ELM）、BP神经网络（Back Propagation Neural Network）等机器学习模型,确定不同作物覆盖下的最佳土壤盐分反演模型。结果表明：SVM-RFE算法筛选光谱指数构建模型精度优于未进行筛选构建的模型。对于苜蓿和玉米覆盖土壤,整体上,RF反演效果优于ELM模型和BPNN模型,反演结果能体现真实土壤盐分含量,在0～15和>30～50 cm土层上,RF模型反演效果优于其他模型,苜蓿样地验证集决定系数Rp2分别为0.71、0.58,验证集均方根误差RMSEp分别为0.026、0.033,玉米样地Rp2分别为0.67、0.64,RMSEp分别为0.111、0.094,在>15～30 cm土层上ELM反演效果较好,苜蓿样地Rp2为0.58,RMSEp为0.039,玉米样地Rp2为0.68,RMSEp为0.059。0～15 cm是作物覆盖下的土壤含盐量最佳反演深度,验证集平均决定系数R2为0.65,均方根误差RMSE为0.084。研究结果可为土壤盐分的快速反演提供理论依据。     

基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

为给小麦田间管理提供基础数据,利用高光谱指数实现了小麦冠层叶面积指数值的估测。在21种高光谱指数中筛选出了与LAI值相关性最强的指数OSAVI,建立了小麦LAI值反演的最小二乘支持向量回归（LS-SVR）模型。分析表明,模型校正集决定系数（C-R2）与预测集决定系数（P-R2）分别达0.851与0.848,可实现小麦LAI值的精确反演,且对LAI值较高与较低的样本均具备良好的预测能力,可有效避免冠层郁闭度等因素对估测结果的影响。利用LS-SVR模型与OMIS影像实现了小麦LAI遥感专题图的制作,其填图结果与地面实测值拟合模型R2达0.774,RMSE仅为0.476,2组数据具有较高的相似度。结果表明：可利用高光谱指数实现小麦冠层LAI值信息的准确获取,且OSAVI系反演建模的优选指数,LS-SVR为建模的优选算法。该研究可为小麦等农作物的长势评估提供参考。     

黄河三角洲典型生态脆弱区土壤退化遥感反演

黄河三角洲是典型的生态环境脆弱区,土壤质量不高,盐渍化状况普遍,快速准确掌握该区土壤退化状况,对退化土壤恢复重建、可持续利用具有重要意义。该研究选择黄河三角洲垦利县为研究区,以2008年实测数据为依据,通过建立土壤退化评价指标体系,以参评因素权重与隶属度值加权组合构建土壤退化综合指数,在GIS支持下对土壤退化进行了综合评价;采用与实测同时相的TM影像数据,结合不同程度退化土壤光谱特征、土壤退化综合指数与波段灰度值的相关性分析,筛选土壤退化敏感波段,进而构建土壤退化敏感光谱指数,并建立基于敏感光谱指数的土壤退化综合指数反演模型,最终筛选出拟合程度最高的指数模型作为研究区土壤退化的反演模型,对模型进行精度分析,并利用2008年遥感影像验证反演结果;将该反演模型应用于2011年和2013年的遥感影像,并对研究区2008-2013年的土壤退化状况及动态变化进行了分析。结果显示:基于土壤退化综合指数评价结果,研究区土壤退化程度从沿海到内陆呈现由高到低过渡的趋势;TM1、TM2、TM3波段为土壤退化敏感波段,基于此3个波段组合的土壤退化光谱指数构建的土壤退化遥感反演模型有较高的精度,R2为0.7182,其验证均方根误差、相对误差和决定系数分别为0.0241、3.66%和0.6724,反演结果与同年基于实测数据的综合评价结果相一致;研究区2008-2013年土壤退化状况总体变化不大,有逐渐改善趋势。     

基于试验反射光谱数据的土壤含水率遥感反演

土壤含水率是土壤水循环研究中不可或缺的参数,已广泛应用于土壤水分的监测。土壤光谱特性的研究是土壤含水率光学遥感定量反演的基础。该研究首先通过野外调查收集土样;然后,在实验室条件下制备不同水分梯度的土壤样品,并利用便携式地物光谱仪采集不同水分梯度土壤样品的反射光谱;最后,通过试验光谱数据分析建立一个基于指数函数的土壤含水率遥感反演模型,并对结果进行精度评价。结果表明,基于指数函数的土壤含水率反演模型可以较好的反演土壤水分特征,在640 nm处土壤含水率的估计值与真实值之间的决定系数为0.7062,RMSE为3.49%。相关研究为表层土壤含水量的遥感监测提供新方法和新思路。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息,可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据,并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数,在此基础上引入红边波段建立新的光谱指数,同时使用Elastic-net算法（ENET）对光谱变量进行筛选,并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组;运用BP神经网络（Back Propagation Neural Networks,BPNN）、支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）3种机器学习方法,构建作物覆盖下不同土壤深度的土壤盐分反演模型,并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明,使用ENET变量选择方法可以有效筛选出最优光谱变量,且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组;ELM模型反演效果优于SVM模型和BPNN模型,其验证集的决定系数为0.783,均方根误差为0.141,一致性相关系数为0.875;研究区域内,作物覆盖下的土壤盐分最佳反演深度为10～20 cm;在不同土壤深度下,基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实地反映试验区内的盐渍化程度,这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

基于遥感的郑州市黄河湿地植被覆盖度变化研究

城市滨河湿地的治理与保护对于城市生态环境具有重要意义,而监测植被覆盖度是研究湿地植被状况的重要方法。以郑州市黄河湿地为研究对象,采用等密度模型,基于1999-2011年的郑州市黄河湿地TM遥感影像,进行湿地植被覆盖度的反演,并结合降水数据和实际调研情况,分析了郑州市黄河湿地植被覆盖度的变化情况。结果表明,郑州市黄河湿地生态环境比较脆弱,研究期内平均植被盖度由60%下降到40%,典型黄河湿地植被遭到破坏。年降水的差异对植被覆盖度影响明显,同时越来越多的人类活动是导致植被持续减少的重要因子。该研究结果可为制定区域生态修复规划,提高黄河湿地的生态价值和经济价值服务提供参考。     

基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测

籽粒蛋白含量(grain protein content,GPC)是衡量小麦品质的重要指标,及时准确的预测小麦GPC有利于小麦的分类收割和分级存储。为了能够选择一个合适的氮素营养指标作为中间变量来反演小麦GPC,该文研究分别以开花期植株氮素累积量(plant nitrogen accumulation,PNA)、植株氮素含量(plant nitrogen content,PNC)、叶片氮素累积量(leaf nitrogen accumulation,LNA)和叶片氮素含量(leaf nitrogen content,LNC)4个氮素营养指标为中间变量,并运用支持向量机(support vector machines,SVM)算法实现4个氮素营养指标的估测,最后构建及评价基于开花期"植被指数(vegetation index,VI)-氮素营养指标(nitrogen nutrition index,NNI)-GPC"模式的冬小麦GPC预测模型。结果表明:1)通过分析植被指数与氮素营养指标的相关性,选择植被指数MSAVI、PSRI、DVI、RDVI和GNDVI作为氮素营养指标模型的构建变量;2)运用SVM方法构建的VI-NNI模型中LNC的建模精度与验证精度相对最优,其建模决定系数(coefficient of determination,R~2)和验证集标准均方根误差(normalized root mean squared error,n RMSE)及验证标准化平均误差(normalized average error,NAE)分别为0.820、9.553%、-1.4%,验证结果稳定性较好;3)构建NNI-GPC模型中PNC的建模精度与验证精度相对最好,其建模R~2和验证n RMSE及NAE分别为0.653、9.843%、-0.3%;4)最终构建的VI-NNI-GPC模型中,以开花期PNC为中间变量的模型建模及反演精度最好,其建模R~2和验证n RMSE及NAE分别为0.631、8.564%、-0.9%。以氮素营养指标为中间变量的GPC遥感反演是可行的,并且比较4个氮素营养指标为中间变量反演GPC,PNC具有较高精度的预测结果,为精确反演GPC提供一个可靠的依据,具有一定的应用前景。     

盐渍化土壤光谱特征的区域异质性及盐分反演

该文通过分析中国新疆、浙江、吉林3个不同地区盐渍化土壤的高光谱特征,研究了盐渍化土壤高光谱特征的区域异质性,并对构建高精度的跨区域土壤盐分高光谱定量反演模型,应用25种数据处理方式来提高全局建模的精度,旨在提高具有光谱异质性土壤的盐分反演精度。结果表明:不同地区的盐渍化土壤,无论是反射率还是光谱曲线形态方面,均存在较明显的差异,但经过一阶微分处理后,光谱差异有所降低;对3个地区土壤盐分含量局部建模与全局建模的精度进行比较,在所选用的直线回归、主成分回归、多元线性回归、偏最小二乘回归4种建模方法中,全局建模精度均低于局部建模精度;不同地区盐渍化土壤的盐分敏感波段不一致,在所采用的25种数据处理方式中,SG3点一阶微分(savitzky golay)、SG5点一阶微分、SG7点一阶微分、线性基线校正+SG3点一阶微分、SG平滑+SG3点一阶微分、SG平滑+线性基线校正+SG3点一阶微分这6种数据处理方式对全局建模的建模精度有明显改善作用,模型的相对分析误差均达到2.0以上,其中以SG平滑+SG3点一阶微分为最佳,其决定系数、均方根误差、相对分析误差分别为0.80、0.43、2.23。研究结果为跨区域土壤盐渍化的航天高光谱遥感监测提供了一定的参考依据。