基于地相位优化估计的RVoG三阶段森林冠层高度反演

极化干涉合成孔径雷达（PolInSAR）估测森林结构参数中,数据受基线长度、信噪比、环境地形以及雷达波长的影响,尤其在复杂森林环境条件下,会导致观测到的复相干存在误差,从而影响最终的反演结果。为解决此问题,首先探讨了体相干选择对RVoG三阶段森林冠层高度反演的影响,以地相位为参考逐像素选择距离地相位最远的相干性作为体相干。其次改进了地相位估计方法,采用戴明回归（DMR）和正交回归（OGR）2种相干直线拟合方法来改进地相位的估计,并在DMR拟合方法中设置了不同的误差比（0.3和0.6）来比较地相位估计方法对RVoG三阶段森林冠层高度反演的影响。研究结果表明：以地相位为参考逐像素选择体相干的反演结果相较于直接使用HV极化通道的复相干γ_HV为体相干的反演精度有明显提升,决定系数（R²）由0.349增加到0.383,均方误差由7.097 m²降低到5.755 m²。在体相干优化选择的基础上,采用了戴明回归和正交回归对地相位估计方法进行了改进。表明基于最小二乘回归（LSR）地相位估计的RVoG三阶段反演精度最...     

基于多基线PolInSAR基线选择的森林高度反演方法

为了解决单基线PolInSAR在更宽的森林高度范围内反演森林高度误差大的问题,提出了多基线PolInSAR的基线选择方法。使用JPL/NASA于2016年2 月27日在加蓬森林区域获得UAVSAR L波段5个轨道的多基线全极化PolInSAR数据反演森林高度,基于相干分离最大算法(Maximum coherence difference,MCD)使复相干达到最大分离,改进PROD方法与ECC方法,并对这两种方法进行对比分析,同时使用NASA于2016年3月4日获取的激光雷达数据LVIS RH100验证反演的森林高度。通过绘制两种基线选择方法对应的kz、冠层复相干幅度与LVIS RH100的密度图来评估ECC方法和PROD方法选择基线的差异,并结合获得的森林高度图、误差图、密度图,分析对比两种基线选择方法的优劣。反演的森林高度出现低估高大森林（误差为负值）、高估低矮森林（误差为正值）的现象,同时低矮与高大森林区域的误差较大,且ECC方法的低估或高估的程度比PROD方法大,精度低于PROD方法。ECC方法将相干区域的线性程度作为判断标准,PROD方法综合考虑了复相干的相干分离程度(相干直线的拟合效果)与复相干幅度,在一定程度上缓解了ECC方法低估高大森林与高估低矮森林的问题,反演的森林高度优于ECC方法,精度比ECC方法提高了9.63%。PROD方法更适用于反演低矮与高大森林,ECC方法更适用于反演中等高度的森林。     

非邻域相干系数估计的PolInSAR树高反演算法

为了提高全极化干涉合成孔径雷达树高反演精度,提出了一种基于非邻域窗口相干系数估计的Pol In SAR树木高度反演算法。该算法首先求取4对全极化干涉SAR图像的最优干涉相位图,再以局部窗口内像素的幅度和相位联合条件概率密度为准则选取与当前像素满足独立同分布的样本,进而获得相干系数的准确估计值,最后采用三段法进行树木高度反演。对仿真数据的处理结果表明,所提算法能够提高观测场景中树木高度的反演精度,并且能够很好地保持图像中的边界细节信息。     

基于Landsat数据的条件植被温度指数升尺度转换方法

以陕西省关中平原为研究区域,应用点扩散函数、混合像素面积权重法和中值像素变异权重法将基于Landsat卫星遥感数据反演的分辨率为30 m的条件植被温度指数(VTCI)干旱监测结果上推至930 m的干旱监测结果,并与Aqua MODIS数据反演的分辨率为930 m的VTCI干旱监测结果进行对比分析,以期为两种空间尺度的干旱监测结果的综合应用提供技术支持。以MODIS数据反演的VTCI为参考,应用相关系数、均方根误差、半变异函数的估计值和图像纹理特征等对尺度上推的VTCI进行评价。结果表明,点扩散函数和混合像素面积权重法的尺度上推效果均较好,而中值像素变异权重法的尺度上推效果较差,说明点扩散函数和混合像素面积权重法均适用于研究区域VTCI干旱监测结果的尺度转换,且点扩散函数的数据处理过程更为简单。典型样点VTCI的尺度上推结果表明,空间异质性越小,尺度上推的结果越好。     

基于特征降维和机器学习的覆膜冬小麦LAI遥感反演

为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供...     

基于改进LOAM的森林样地调查系统设计与试验

森林中线、面特征较少等,导致LOAM算法去畸变及配准精度低、鲁棒性差,很难将该算法直接用于森林调查。为此以LOAM算法为基础设计了LiDAR SLAM森林样地调查系统,在SLAM系统工作流程中剔除了遮挡线特征,避免视点与立木切线点作为线特征参与运算;引入二次去畸变、二次配准等模块提高了去畸变、配准的鲁棒性及精度;该系统将激光雷达测量精度、位姿估计精度等先验信息引入去畸变及配准优化算法中,提高去畸变及配准精度。使用32线激光雷达扫描了4块32 m×32 m的森林样地,利用LiDAR SLAM森林样地调查系统完成样地建图,利用该点云提取的立木位置及胸径与参考数据对比,完成了新型SLAM样地调查系统在森林中建图精度的间接评估。结果显示：立木位置估计值在x、y轴方向的平均误差分别为-0.004 m和-0.011 m,x、y轴方向均方根误差分别为0.081 m和0.083 m;胸径估计值的偏差为0.25 cm(相对偏差为1.18%),均方根误差为1.03 cm(相对均方根误差为5.53%);经与LOAM估计结果相比,改进系统获取的立木位置及胸径精度均提高。结果表明,所设计的LiDAR SLAM森...     

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量（SSC）检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验，采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型，结果表明偏最小二乘回归法建立的模型具有较高的相关性，相关系数为0．951，均方根校正误差0．347，均方根预测误差0．302，样本真实值与预测值的相关系数为0．910。     

基于向导点法反演水文地质参数

为了研究观测井与向导点布置范围以及水文地质参数初值对反演结果的影响,利用二维承压含水层理想模型,分别建立观测井、向导点不同分布范围(占研究区面积16％、36％、64％、81％和100％)以及不同渗透系数场初值的地下水反演模型,讨论其反演规律.其中,初始渗透系数场与实际渗透系数场之间的均方根误差记作R1,表示先验信息精度;初始渗透系数场经过PEST程序反演后的结果称为渗透系数估计场,与实际渗透系数场之间的均方根误差记作R2,表示参数估计精度,R2值越小反演精度越高.结果表明:随观测井、向导点分布范围增加,相应模型的R2值先减小后逐渐保持稳定;同时随向导点分布范围的增加,调用Modflow程序与优化迭代的次数减少;R1值增加,不同渗透系数初值模型的R2值、Modflow程序调用次数与优化迭代也会增加.由此看出,观测井与向导点分布范围越大,初始渗透系数场越接近真实值,反演结果越理想.研究成果为观测井与向导点的科学布置以及初始渗透系数场的取值提供了理论依据,有助于向导点法的推广.     

苹果糖度近红外光谱小波去噪和iPLS建模

为了提高苹果近红外光谱糖度预测模型的精度,利用多尺度小波去噪法对苹果近红外光谱进行了预处理,并用改进后的间隔偏最小二乘法(iPLS)建立预测模型。应用结果表明,多尺度小波去噪法滤除了原始光谱中的部分噪声,但又保留了原光谱中的主要信息。运用间隔偏最小二乘法对预处理后的光谱建模,其校正时的相关系数rc和校正均方根误差RMSEC分别为0.9635和0.3026,预测时的相关系数rp和预测均方根误差RMSEP分别为0.9214和0.4113,主因子数为5个。结果表明,用多尺度小波去噪和间隔偏最小二乘法所建立的苹果糖度模型不但精度有所提高,而且更加简洁、数据运算量也更少。     

基于CARS-PLS的食用油脂肪酸近红外定量分析模型优化

采用CARS波长变量挑选方法优化建模,对食用油中4种主要脂肪酸（棕榈酸、硬脂酸、油酸和亚油酸）进行近红外定量分析。应用预测浓度残差法剔除奇异样本后,对样品集光谱进行标准化预处理,通过CARS优选出的波长变量分别建立4种脂肪酸的偏最小二乘法（PLS）模型。与采用OPUS软件自动优化建模相比,CARS法所建模型的决定系数（R2）、交叉校验均方根误差(RMSECV)和预测均方根误差(RMSEP)都优于后者所建模型。CARS法有效地简化了模型,且所挑选出的特征波长较少。     

GEDI与Tandem-X DEM估测密林林下地形性能评价

针对密林情况下，GEDI数据与现有的Tandem-X DEM数字地面模型估测林下地形精度没有进行整体评价问题，拟以密林情况作为主要分析场景，通过提取GEDI L2A数据产品对应光斑的经纬度、林下地形信息与数据质量筛选参数，开展数据质量筛选，用以估测基于GEDI数据的林下地形数据，与Tandem-X DEM数据估测密林情况下研究区林下地形开展比较，并进一步探究冠层高度、森林覆盖度与植被类型对估测精度的影响。GEDI与Tandem-X DEM的R²分别为0.99和0.98,GEDI估测林下地形结果的RMSE、Average与STD分别6.49、-1.92、4.42 m, Tandem-X DEM估测林下地形结果的RMSE、Average与STD分别为18.15、14.63、7.35 m。GEDI数据在混交林和稀疏草原情况下RMSE与Average分别变化8.05 m和6.04 m, Tandem-X DEM数据在常绿针叶林与农田/天然植被情况下，RMSE与Average变化幅度为21.63、26.43 m。实验结果表明，GEDI与Tandem-X DEM数据与机载验证...     

基于深层残差网络的山区DEM超分辨率重构

针对大区域高分辨率数字高程模型(DEM)数据较难获取、超分辨率重构(降尺度)较低分辨率的DEM精度不高、难以满足实际需要的问题,提出一种对起伏特征较明显的山区DEM超分辨率重构的方法。利用较深层的神经网络充分学习高低分辨率DEM之间的非线性映射关系;为了降低训练难度,结合残差学习的方法进行数据训练。将双立方插值法、稀疏混合估计法重构的DEM及提取的坡度结果分别同深层残差网络法的结果进行对比,结果表明,3种方法DEM结果的差值平均值分别为0.41、0.34、0.34 m,RMSE分别为0.5945、0.5715、0.4869 m;坡度结果的差值平均值分别为3.02°、2.04°、1.99°,RMSE分别为3.6498°、3.1360°、2.7387°;处理时间分别为0.052、663.39、2.16 s。研究表明,对于10、20、40 m的DEM,本文方法在空间分布和误差方面优于其他方法,在耗时效率上也优于稀疏混合估计法,适合应用于梯田等地形复杂的区域进行超分辨率重构。     

基于无人机多光谱影像的柑橘冠层叶绿素含量反演

叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R²、MAE、RMSE分别为0.665、7.69 mg/m²、9.49 mg/m²,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。     

基于无人机多光谱影像的矮林芳樟叶片含水率与叶水势反演

叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。     

基于细粒度校正的育种小区小麦株高无人机测量方法

在小麦育种田间试验中,小区群体株高是最受关注的重要农艺性状之一。针对当前无人机遥感在小麦育种小区粒度下获取株高表型精确度低的问题,提出了两种方法：基于人工测量真值的近邻校正法(Nearest neighbor correction method, NNCM)和基于多光谱+RGB数据融合的光谱指数校正法(Spectral indices correction method, SICM),近邻校正法通过获取小区群体高程信息、结合地埂进行高程校正、再依据近邻真值滑动校正得到小区精确株高;光谱指数校正法通过计算植被指数并进行指数优选,从而构建株高-植被指数精确反演模型。试验结果表明,在具有地面真值的6个时期,传统无人机作物株高测量方法的相对均方根误差(Relative root mean square error, RMSE100)分别为11.15%、59.44%、11.76%、12.31%、8.05%、59.76%;NNCM的RMSE100分别为7.17%、8.18%、5.70%、5.62%、5.65%、7.74%;SICM的RMSE100分别为7.33%、8.17%、6.05%、6.15%...     

基于PROSAIL结合VMG模型的冬小麦叶面积指数反演方法

针对物理模型抗噪能力差且容易过拟合的问题，提出一种PROSAIL模型结合VMG（VARI（Visible atmospherically resistant index）、MGRVI （Modified green red vegetation index）、GRRI （Green red ratio index））多元回归模型反演冬小麦叶面积指数（Leaf area index，LAI）方法。实验基于无人机影像（Unmanned aerial vehicles，UAV），选择河南省焦作市东南部的山阳区为实验区，结合实测2个生育期冬小麦LAI数据。首先，构建RGB植被指数模型，选取其中最优VMG模型反演冬小麦LAI；然后，对PROSAIL参数敏感性进行分析，得到参数最优值，反演冬小麦LAI；最后，采用快速模拟退火（Very fast simulated annealing，VFSA）算法将两种模型结合，获得最优冬小麦LAI。结果表明：VFSA可以有效将PROSAIL模型和VMG模型结合，提高了反演精度，且优于VMG模型和PROSAIL模型，决定系数R2高于0.8，均方根误差（RMSE）低于0.4m2/m2。综上所述，冬小麦生长过程中，地面覆盖度增高，本文方法具有较强的辐射传输机理，为LAI反演提供一种有效的反演方法。     

基于PROSAIL结合VMG模型的冬小麦叶面积指数反演方法

针对物理模型抗噪能力差且容易过拟合的问题,提出一种PROSAIL模型结合VMG(VARI（Visible atmospherically resistant index）、MGRVI （Modified green red vegetation index）、GRRI （Green red ratio index）)多元回归模型反演冬小麦叶面积指数（Leaf area index, LAI）方法。实验基于无人机影像（Unmanned aerial vehicles, UAV）,选择河南省焦作市东南部的山阳区为实验区,结合实测2个生育期冬小麦LAI数据。首先,构建RGB植被指数模型,选取其中最优VMG模型反演冬小麦LAI;然后,对PROSAIL参数敏感性进行分析,得到参数最优值,反演冬小麦LAI;最后,采用快速模拟退火（Very fast simulated annealing, VFSA）算法将两种模型结合,获得最优冬小麦LAI。结果表明：VFSA可以有效将PROSAIL模型和VMG模型结合,提高了反演精度,且优于VMG模型和PROSAIL模型,决定系数R²高于0...     

融合光谱和空间特征的土壤重金属含量极端随机树估算

针对高光谱遥感土壤重金属含量估算研究中光谱特征信息弱、模型反演鲁棒性差的问题,提出构建污染源-汇空间特征量化污染物扩散与汇聚空间影响因子,融合光谱特征建立基于极端随机树（Extremely randomized trees,ERT）的土壤重金属含量估算模型。以济源市耕地土壤为研究区,布设采集土壤样本249个,分析了光谱特征、地形特征和污染源空间特征在土壤重金属铅（Pb）、铬（Cd）含量反演中的有效性及影响机理,采用置换重要性指数优选多源特征,通过与多种回归模型对比,评价ERT模型的预测精度。研究表明,变换后的土壤光谱特征构建ERT模型引入地形特征和污染源空间特征后精度提升显著,尤其是污染源空间特征优势更为明显,Pb的ERT模型均方根误差由43.185mg/kg下降到22.301mg/kg,下降了48.36%。Cd的ERT模型均方根误差由0.738mg/kg下降到0.371mg/kg,下降了49.73%,充分说明引入污染扩散空间特征的有效性。与其他回归模型对比,ERT估算模型在各项指标评价中优势明显,其中Pb的ERT模型的测试集R2达0.964,Cd的ERT模型R2为0.923。     

基于无人机多光谱遥感的马尾松林叶面积指数估测

快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。