差分吸收光谱反演方法在环境监测系统中的研究

随着人类文明的高速发展,自然环境却遭到了破坏,受到破坏后的自然环境对人类造成了反作用,使人们的生活质量受到严重威胁,此时人们不得不对自己的行为进行反思。为了拟补人类对自然界造成的伤害,人类试图通过科技来保护自然环境,其中差分吸收光谱技术就是为此而存在。它可以准确监测到对大气造成污染的物质,在实践应用中做出了巨大贡献。为了对这一项技术更一步的了解,本文从差分吸收光谱的原理及特点做切入点,对差分吸收光谱反演方法在环境监测系统中的作用及应用进行探讨。     

基于多源数据融合的盐分遥感反演与季节差异性研究

为提高多光谱盐分遥感反演的精度,利用实测高光谱与多光谱进行数据融合,并分析了不同季节盐分遥感的差异性。以河套灌区永济灌域为研究区域,以实测光谱仪测定的土壤高光谱数据和Landsat-8 OLI多光谱数据为基础,通过光谱变换和多元逐步回归方法筛选特征波段和特征光谱指数,构建了春、秋两季土壤盐分多光谱、高光谱反演模型,并利用特征光谱指数的线性回归构建了高-多光谱数据融合反演模型。结果表明:高光谱的反射率总体比多光谱高36. 83%,春季反射率比秋季平均高23. 78%。利用模型中最优变量-特征光谱指数对多光谱模型与高光谱模型进行融合,高-多光谱融合反演模型训练集和验证集R2平均值分别为0. 651和0. 635,RMSE平均值分别为2. 44 g/kg和2. 49 g/kg,精度明显高于对应的多光谱反演模型,其中训练集、验证集的R2平均值分别提高了36. 19%和35. 64%,RMSE平均值分别降低了34. 28%和41. 72%。春季多光谱、高光谱和融合反演模型的精度均高于秋季,其中训练集R2平均值比秋季模型分别提高了6. 03%、6. 05%和4. 40%,验证集R2平均值分别提高了19. 07%、12. 21%和1. 75%。构建的高-多光谱融合模型反演灌域春秋两季平均盐分含量分别为6. 05、5. 97 g/kg,平均相对误差分别为9. 65%和10. 68%,总体上该区域春季土壤主要为重盐化土,秋季土壤主要为中盐化土。     

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MODIS数据计算的RLPM模型在黄土高原地区的应用

为了更加准确地估算黄土高原的蒸散发,本文基于FAO56的Penman-Monteith数学模型,结合Leuning提出的叶面积指数(LAI)反演ET的理论思想,提出Remote Sensing Leaf Area Index Penman-Monteith模型(RLPM)。使用MODIS中国合成产品NDVI和研究区气象资料数据反演出所需的参数值,以黄土高原为研究区域,最后可计算研究区域内任意时间、任意地点的日ET值。将本模型的ET反演值与普通的P-M模型得到的反演值进行线性分析,得到相关性系数均大于0.8。该研究旨在丰富蒸散发模型计算方法,提高蒸散发计算的准确度。     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

微分响应在降雨误差修正中的应用

误差修正是实时洪水预报研究和应用中的重要内容,从修正模型降雨输入角度出发,提出了一种基于微分响应的降雨误差修正方法,并通过实例论证了该方法修正降雨量的适用性。该方法通过计算降雨所对应模型的微分响应来修正降雨,从而修正出口断面流量过程。将该修正方法结合新安江模型,对闽江建阳流域的19场历史洪水进行了有效性检验,结果表明:此方法对洪量、洪峰的修正效果明显,且能够显著提高洪水预报的合格率,修正后合格率由63.2%提高到94.7%。     

遥感信息与棉花模型结合反演模型初始值和参数的方法研究

通过将遥感信息(叶面积指数LAI)与棉花模型结合,建立了遥感-棉花反演模型,用以反演棉花模型所需的初始数据和参数,解决模式在从单点扩展到区域应用时缺少初始输入的问题。反演的参数为播种期、种植密度、生育期施氮量和灌溉量。通过对反演模型检验,初步确定反演模型是正确的。另外,在区域上初步应用的结果表明,反演的参数和模拟的产量与实际情况吻合较好。     

土壤水溶性盐基离子的高光谱反演模型及验证

土壤水溶性盐基离子是诊断土壤盐渍化类型与盐渍化程度的重要依据,利用光谱技术快速获取土壤水溶性盐基离子含量数据,可为土壤盐渍化类型与盐渍化程度的诊断提供新的技术和手段。该研究通过采集新疆5个不同地区399个土样的反射率与水溶性盐基离子数据并进行31种光谱预处理方法,分析了不同水溶性盐基离子(HCO3-、Cl-、SO42-、K+、Na+、Ca2+、Mg2+)与高光谱反射率之间的相关性;采用K-S(Kennard-Stone)方法挑选出299个样品,针对每种离子使用偏最小二乘回归(partial least squares regression,PLSR)分别建立32个高光谱定量反演模型,优选最佳反演模型,并单独使用100个样品对估测模型进行检验。结果表明:不同离子的最佳反演模型所使用的预处理方法存在差异,其中仅有Cl-和Ca2+、SO42-和Mg2+所使用的预处理方法相同,其他离子则不同;不同离子的反演精度也不同,HCO3-和Ca2+构建的模型相对分析误差(relative percent deviation,RPD)分别为2.67、2.57,模型具有很好的预测能力。Cl-、SO42-和Mg2+所构建的模型RPD分别为2.05、2.10和2.14,表明这三者建立的模型具有较好的预测能力。K+建立的模型RPD仅为1.11,不能对样品进行预测。Na+构建的模型RPD为1.83,表明该离子所建模型只能对样品进行粗略估测。研究结果为探究水溶性盐基离子的高光谱反演增添了新的内容,为土壤盐渍化监测的深入和推进提供了新的思路和方法。     

基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

近年来,高光谱遥感数据广泛应用于农作物叶面积指数(LAI)反演。与常用的多光谱遥感数据相比,高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题,该研究利用实测冬小麦冠层高光谱反射率数据,构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM(a two-layer canopy reflectance model)模型、2套参数化方案及上述5种光谱数据,对冬小麦LAI进行反演,分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明:当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时,LAI反演精度与稳定性更高,提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低;反之,当高光谱数据波段选择不当或者模型参数不确定性较大时,提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了"高光谱遥感数据能否提高植被参数反演精度"问题,为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。     

玉米苗期冠层多光谱反射率反演与叶绿素含量诊断

为了探索玉米苗期叶片叶绿素含量指标的快速、非破坏性估测方法,该文运用多光谱图像技术对大田玉米苗期叶绿素含量指标进行快速无损的诊断研究。大田试验中,采用2-CCD多光谱图像采集系统获取大田玉米苗期的冠层多光谱图像,并同步采集漫反射灰度板的多光谱图像。为消除光照对图像采集质量的影响,准确将不同光照条件下的玉米冠层图像数据转换为其叶面反射率数据,标定试验中采用一块4个不同灰度级的满足朗伯面条件漫反射灰度板,建立了叶片光谱反射率同图像灰度值之间的线性反演公式,并与大田试验中漫反射灰度板的多光谱图像建立了玉米冠层图像灰度值的校正公式。对玉米苗期冠层多光谱图像进行处理,提取出玉米冠层B、G、R、NIR(中心波长分别为470,550,620,800 nm)4个波段归一化平均灰度值。通过灰度值的校正公式得到校正后的归一化平均灰度值,由线性公式反演出R、G、B、NIR 4个波段的平均反射率值,并计算4种常见光谱植被指数(RNDVI、RNDGI、RRVI和RDVI),采用最小二乘-支持向量回归(LS-SVR)建立植被指数同叶绿素含量指标的拟合模型。结果表明:植被指数RNDVI、RRVI和RDVI和玉米冠层叶绿素含量指标拟合验证集决定系数R2为0.56,达到了较为理想的拟合结果。证明通过漫反射灰度板对玉米冠层多光谱图像建立反射率反演校正模型的方法是可行的,这一方法为快速无损检测玉米苗期叶绿素含量指标提供了支持。