基于Hyperion数据的香格里拉森林郁闭度遥感估测研究

基于Hyperion高光谱数据,采用2种方法进行波段选取,将选择的波段数据进行特征提取变量,采用偏最小二乘法分别对2种方法选择的特征变量建立香格里拉主要树种郁闭度遥感估测模型,并进行精度检验评价。结果表明:基于实测样地郁闭度差异特征分析选择的Hyperion特征波段建立的模型R~2为0.837、估测精度为82.09%,基于遥感影像进行分段主成分分析选择的Hyperion特征波段建立的模型R~2为0.764、估测精度为78.4%,基于样地数据郁闭度变化敏感性分析模型优于基于Hyperion影像的分段主成分分析模型;分段主成分分析法所选出的特征波段虽然包含了较多的波段信息,但是很多为连续波段或者波长较近的波段,波段之间的相关性较高,导致建模精度不如预期。     

高光谱数据降维对马铃薯分类的影响

高光谱仪器采集光谱数据的波长范围大、波段数据多。如果将这些波段作为模型的输入,数据量大、计算太复杂,必然会影响建模的速度,因此有必要采取合适的算法对高光谱图像的光谱数据进行降维处理。采用主成分分析(principal component analysis,简称PCA)、逐步判别分析、连续投影(successive projections algorithm,简称SPA)方法对马铃薯的光谱数据进行降维处理。主成分分析选出8个特征波段,逐步判别分析选出8个特征波段,连续投影法选出6个特征波段。将降维后的特征波段作为输入,分别建立支持向量机(support vector machine,简称SVM)模型,这3种降维方法的识别准确率均为100%,由于连续投影法选择的波段数少,所以连续投影法是一种较好的降维方法。     

基于SVR 和PLSR 的土壤有机质高光谱估测模型研究

【目的】探讨高光谱遥感数据不同预处理及不同估测算法下土壤有机质估测模型的优劣,为提高土壤有机质估测精度奠定基础。【方法】使用高光谱仪在室内条件下对土壤样品进行光谱测量,对光谱数据进行4种去噪处理(无去噪处理、Savitzky-Golay(S-G)平滑滤波去噪、小波包去噪以及S-G平滑与小波包结合去噪),然后对去噪后的光谱数据进行8种数据变换(原始光谱数据R、倒数1/R、对数log(R)、倒数对数log(1/R)、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(log(R))′、倒数对数一阶导数(log(1/R))′),接着对变化后的光谱数据进行3种降维处理(无降维处理、敏感波段降维和主成分分析降维),最后运用支持向量回归法和偏最小二乘回归法分别建立SOM含量估测模型。【结果】研究中所涉及的各种数据预处理和估测算法中,小波包去噪、PCA降维、反射率倒数一阶导数(1/R)′光谱数据变换处理条件下,使用PLSR方法的估测模型精度最高、模型最稳定,可以较精确地估测吉林省伊通县SOM含量。【结论】合适的数据预处理,尤其是小波包去噪和PCA降维相结合,可有效改善光谱数据质量,提高SOM含量估测模型精度及稳定性。     

基于高光谱成像技术的茄子叶片灰霉病早期检测

为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测.     

基于GF-1PMS影像的森林郁闭度定量估测模型研究

森林郁闭度是我国森林资源二类调查中的重要林分因子之一,为探索高分一号影像在森林郁闭度定量估测的可行性,以内蒙古自治区东北部柴河林业局为研究区,基于GF-1 PMS多光谱影像和DEM数据,以纹理特征、光谱信息和地形因子为自变量,采用k-最近邻法（k-Nearest Neighbor,k-NN）、稳健估计以及偏最小二乘法3种方法构建研究区域的森林郁闭度估测模型,辅之以二类调查小班数据和现地实测数据进行模型精度评价。结果表明:1）3种郁闭度估测方法的应用效果均能满足实际需求,这说明GF-1 PMS多光谱影像在森林郁闭度定量估测方面具有一定的潜力;2）k-NN法和稳健估计的实际应用效果明显优于偏最小二乘法,且2种模型的估测精度均>80%;3）3种郁闭度估测稳定性分析,结果显示k-NN法稳定性较好,而稳健估计法和偏最小二乘法估测模型不稳定。     

基于不同光谱变换的剑湖茭草鲜生物量估测研究

通过实地采集剑湖湿地茭草反射光谱和现场测量鲜生物量,基于24种光谱变换对茭草反射光谱特征进行分析,选取16种光谱变换筛选全波段(350～2 350 nm)中对茭草鲜生物量敏感的特征波段,构建其鲜生物量估测模型。结果表明:不同形式的光谱变换更容易分析光谱特征,对数倒数和倒数的变换增强了可见光波段的特征。对数倒数一阶微分变换增强了近红外波段的特征,倒数二阶微分和对数倒数二阶微分增强了短波红外的特征,4～5尺度的连续小波变换适合分析原始光谱特征。连续小波变换后最大相关系数为0.734;其次为二阶微分变换,最大相关系数为-0.730。基于立方根二阶微分变换构建的多元回归模型对茭草鲜生物量估测效果最佳,R2、RMSE、P和RPD分别为0.88、1 044.90 g/m2、83.95%、2.64。     

基于高光谱的南疆红枣病虫害特征谱段选择模式

利用高光谱成像技术(350 ～ 850 nm)并结合主成分分析波段选择算法识别南疆红枣枣锈病、枣疯病、黑斑病、缩果病和无病区域.创建一个利用高光谱图像采集的系统以分析图像,达到诊断红枣病变的目的,提出了利用均值置信区间带筛选红枣病虫害高光谱特征谱段的方法,并运用逐步判别法进行降维.以该系统获得的光谱参数作为研究南疆红枣病虫害的参数,然后在逐步判别法的指导下进行重复试验,实现对病虫害的深层把握.此外,利用典型判别法可以实现对南疆红枣病虫害百分之百的了解与把握.研究确立了南疆红枣病虫害特征谱段选择的最佳模式.     

水稻叶片高光谱数据降维与叶绿素含量反演方法研究

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400～1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。     

基于分窗Gram-Schmidt高光谱降维的水稻纹枯病检测

纹枯病是水稻生产中三大病害之一,其早期检测对病害的及时防控、保证粮食安全具有重要意义。高光谱技术为水稻病虫害高通量、实时监测提供了有效的技术手段。基于高光谱病害检测中高光谱的降维,或检测特征的提取至关重要,利用2017和2018两年水稻盆栽纹枯病接种试验与大田纹枯病调查试验样本高光谱数据,探讨了分窗Gram-Schmidt变换的高光谱数据降维与特征波段提取,构建纹枯病检测模型,对比分析了本研究方法与主成分分析、连续投影法高光谱降维效果与病害检测精度。结果表明:基于分窗GramSchmidt变换可有效实现高光谱数据的降维,盆栽样本高光谱降到4维,纹枯病检测模型决定系数R2为0.8373,均方误差MSE为0.0406;大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9701,均方误差MSE为0.0065。主成分分析法降维,盆栽样本高光谱降到6维,纹枯病检测模型决定系数R2为0.7931,均方误差MSE为0.049,大田样本高光谱降到6维,纹枯病检测模型决定系数R2为0.9658,均方误差MSE为0.0078;连续投影法降维,盆栽样本高光谱降到8维,纹枯病检测模型决定系数R2为0.8132,均方误差MSE为0.0466,大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9685,均方误差MSE为0.0072。对比主成分分析法和连续投影法,基于分窗Gram-Schmidt变换的高光谱降维效果与纹枯病检测精度均效果较好,可为高光谱降维与水稻纹枯病防治提供一定的理论基础和技术支撑。     

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法

采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。     

基于机载激光雷达的寒温带典型森林高度制图研究

以内蒙古根河市潮查林场境内的寒温带兴安落叶松原始林及其次生林为研究对象,利用机载激光雷达点云数据与地面调查的66个样地数据,采用不同算法计算样地实测树高(Lorey's高、冠幅面积加权树高和算术平均高)分别与基于双正切角树冠识别算法获取的LiDAR估测高(冠幅面积加权树高、算术平均高)和基于点云提取的百分位高构建树高回归模型(冠幅面积加权树高模型、算术平均树高模型和LiDAR百分位树高模型)。对比不同树高模型的训练精度与估测精度的差异,探讨双正切角树冠识别算法对本研究区的适用性;同时了解冠幅面积加权的样地实测树高与Lorey's高对林分平均高代表性的差异,确定最优解释变量,筛选最优树高模型,计算研究区森林高度空间分布图,为后续生物量和碳储量研究提供参考数据。结果表明:样地冠幅面积加权树高的模型训练精度和估测精度与Lorey's高的结果一致性较好,略低于Lorey's高的估测结果。LiDAR百分位树高模型中的50%分位高与样地实测树高相关性显著且回归模型拟合效果较好,其中,以Lorey's高为样地实测树高时模型的R2=0.869、RMSE=1.366m;以冠幅面积加权树高为样地实测树高时模型的R2=0.839、RMSE=1.392m;Lorey's高的50%分位高模型的估测精度最高,各独立验证样本点估测精度均高于85%,平均估测精度为94.73%,最高估测精度可达99.78%,其中混交林平均估测精度(96.72%)高于针叶林的平均估测精度(93.58%)。因此,选择Lorey's高的50%分位高模型计算研究区的森林高度空间分布。      

基于分段回归的人工红松冠形预估模型

利用黑龙江省孟家岗林场79株人工红松解析木4 538个枝条的实测数据,基于样条函数的分段回归技术,通过推导满足冠形曲线生物学约束(即梢头处树冠半径为0,拐点处树冠半径最大)连续分段函数,构建了人工红松的冠形曲线模型(分段抛物线方程、分段单分子式方程和分段幂函数方程)。采用模型的拟合优度指标、模型的检验指标及对模型拐点参数估计的合理性对备选模型进行评价,选出拟合人工红松冠形曲线的最优模型。采用模型再参数化方法,分别分析模型各参数与林木变量之间的相关性,最终在最优冠形曲线模型中加入胸径作为自变量,建立了人工红松树冠形状预估模型。研究结果表明:分段抛物线函数为描述人工红松冠形曲线的最优模型。人工红松冠形曲线参数及树冠大小与林木胸径(DBH)成正相关,经过再参数化后的树冠形状预估模型的调整决定系数(R2a)为0.659 6,估计标准误差(Sy.x)为0.524 5,模型的残差均方(MSE)为0.227 9,预估精度(p)为97.58%。随着DBH增大,红松冠形曲线拐点(相对冠深)出现的范围为0.72~0.95,平均值为0.81。总体上来看,以胸径为自变量、以稍头约束为条件的树冠形状预估模型能够很好的预测人工红松的树冠形状,为进一步估测红松树冠结构提供了基础。      

再论祁连山北坡青海云杉林的结构

通过六株树样圆法,调查青海云杉林样圆281个,六组树木对株心距、冠间距、冠幅半径数据6744个。对其客观分布规律进行统计分析,揭示了样圆与郁闭度的关系,以及林龄与各测树因子之间的结构。上述内容,为更好地经营和研究祁连山水源涵养林提供了理论依据。     

不同方法提取无人机影像树冠信息效果分析

以无人机航空拍摄的影像为数据源,采用目视解译和面向对象法提取胡杨、柽柳树冠信息,获得树木冠幅及林分郁闭度.结果表明,单木冠幅、林分冠幅、样地郁闭度的实测值、面向对象法估测值和目视解译法估测值无显著差异（P＞0．05）,表明面向对象与目视解译法都可有效获取单木冠幅、林分冠幅和样地郁闭度信息;面向对象法与目视解译法估测精度无显著差异（P＞0．05）,表明这两种方法获取森林单木冠幅、林分冠幅、样地郁闭度参数效果相当.但基于无人机航拍数据的面向对象树冠提取,能克服人机对话目视解译速度慢、误差大小因人而异的弊端,具有进行大面积林分调查因子定量提取的优势.     

机载与星载高分遥感影像单木树冠分割方法和适宜性对比

目的应用高分辨率遥感影像快速准确提取单木树冠信息,对现代森林管理具有重要意义。面向对象的多尺度分割方法能有效地解决基于像元特征分析的局限,是单木树冠提取的重要技术途径。本文对比分析了不同遥感平台和人工林树种的树冠提取精度,探究实验方法针对不同尺度影像数据和树种的优势及适用性,并结合调查目的为影像数据的选取提供参考。方法以广西壮族自治区高峰林场为研究区,选取低空无人机CCD、机载CCD和星载高分二号遥感影像数据,针对树冠区域与背景区域的对比度效果不佳的问题,首先采用小波变换进行图像增强处理,去除影像噪声,增强树冠与背景的对比度;然后应用面向对象的多尺度分割方法,排除背景区域的干扰,针对树冠区域进行单木树冠的快速提取;最后对3种影像下提取的杉木和桉树人工林单木树冠的流程和方法,以及树冠提取精度进行研究分析。结果采用小波变换对无人机和机载平台影像增强效果显著,无人机平台下桉树和杉木实验区单木分割精度分别为87%和93.3%,冠幅估测精度为84.2%和85.1%;机载平台下桉树和杉木实验区单木分割精度为89%和91.1%,冠幅估测精度为83.9%和84.4%;而小波变换对星载平台影像增强效果不佳,桉树和杉木实验区的单木分割精度为82%和89%,冠幅估测精度为72.3%和73.3%。结论在无人机和机载平台下,应用多尺度分割得到的树冠提取精度相接近;在星载平台下,直接应用多尺度分割进行单木树冠提取,受影像自身空间分辨率的局限,提取精度低于前两种平台,但也能够满足森林调查的基本需求。      

森林生物量与遥感信息的相关性

利用遥感数据研究森林的生物量,建立遥感信息模型,首先要分析各波段与生物量的相关性.通过建立甘肃省小陇山党川林场中幼林典型样地,并伐树称量,建立模型计算出样地的生物量.对试验区的TM影像进行校正,对应每块样地中心点的GPS测量坐标,获取了样地像元各波段的灰度值,并计算各种植被指数.利用MATLAB软件计算了样地生物量与遥感影像各波段的灰度值、各种植被指数的相关系数.在P<0.05水平上,生物量与TM1、TM2、TM3、TM6成显著的负相关.与归一化植被指数、比值植被指数和绿度成显著的正相关.建立遥感生物量模型应用这些呈显著正、负相关的波段和派生数据.采用逐步回归的方法建立了生物量与植被指数的统计方程,以及生物量与遥感TM影像的各波段灰度值、植被指数的统计方程.但在P<0.05水平上,只有NDVI、RVI两个因子复相关系数不高.     

基于赤池信息准则和人工神经网络的亚热带森林郁闭度遥感估算

以江西省泰和县为研究区,探讨利用Landsat TM影像进行亚热带森林郁闭度森林遥感估算的可行性。首先,利用赤池信息准则(AIC)筛选了用于建模的遥感变量因子,通过模拟试验确定了估算森林郁闭度的前馈神经网络(BP)模型参数,利用检验样本数据验证了模型结果的可靠性。结果表明,遥感变量因子之间存在着强的相关关系,为了保证所建模型的效果需要剔除部分因子,利用BP神经网络建立的森林郁闭度模型的模拟和拟合精度都优于逐步回归模型,研究区内森林郁闭度较高,有47.8%的森林郁闭度大于0.7,但空间差异明显,西部和东部山区森林郁闭度高于中部丘陵森林的郁闭度。     

基于无人机可见光影像的毛竹林郁闭度估测方法

  目的  由于毛竹Phyllostachys edulis的生长特点和经营特点，使得毛竹林郁闭度在毛竹林经营中尤为重要，只有保持适宜毛竹生长的郁闭度，才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法，可实现实时快速获取毛竹林的郁闭度。  方法  以普通旋翼无人机可见光毛竹林影像为研究对象，基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法，选取不同钩梢和郁闭度的样地36个，利用现有软件和MATLAB编程，对各样地的毛竹林竹冠区域进行快速提取，进而估算林分郁闭度，对比目视解译的郁闭度真值计算各方法的估算精度，利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。  结果  基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%，郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。  结论  基于多尺度分割的监督分类方法总体精度最高，估算绝对误差最小，能够满足快速、准确提取并估测毛竹林林分郁闭度的要求，且适用于不同经营类型的毛竹林。图2表6参28     

基于PCA-RBF神经网络的森林碳储量遥感反演模型研究

针对碳储量回归预测模型存在共线性和精度较低的问题,利用森林资源二类调查数据和SPOT5影像数据对北京市延庆县的杨树林进行碳储量反演研究。先对选取的10个指标进行主成分分析,在此基础上采用径向基函数(RBF)神经网络方法构建碳储量反演模型,用预留测试样本验证,并与实测值进行比较。研究结果表明:SPOT5数据和二类数据可以很好地结合起来用于森林地上碳储量反演研究;PCA-RBF神经网络森林碳储量遥感反演模型拟合精度为99.90%,平均预测精度达到96.71%,预估效果较理想;模型训练完成后,可以应用于延庆县森林地上碳储量反演。     

基于CEBERS数据的植被覆盖度估算——以古尔邦通古特沙漠南缘为例

以古尔邦通古特沙漠南缘为研究区,对CEBERS数据采用像元二分法、回归模型法和改进像元二分法进行植被覆盖度估测;以QuickBird数据像元二分植被覆盖度估测结果为真值,对CEBERS植被覆盖度估测结果进行精度检验。结果表明：3种方法估测精度分别达97.55%,97.35%,98.88%,改进的像元二分法精度最高,且在实际植被覆盖估测中像元二分法性价比最好。