银杏落叶期叶片NDVI值2种拟合方法比较

【目的】对银杏Ginkgo biloba L.落叶期(9—12月)的叶片进行连续定期定点的高光谱测量,计算出能代表其生长状况和营养信息的高光谱参量NDVI值,通过选用两种不同的曲线拟合方法对其NDVI值进行宏观上的以时间为自变量的曲线拟合,选出最优拟合方法,更好地了解银杏落叶期叶片光谱特征参量NDVI值的变化趋势,从而更有效地对其进行决策和控制,为植被的大尺度遥感动态监测提供方法参考。【方法】利用SVC HR-1024I全波段地物光谱仪,选取三株健康、生长环境相同、长势相近的中龄银杏为叶片采集对象,对其落叶期冠层叶片进行定期定点定方位的高光谱观测。对获取的高光谱原始数据进行数据筛选与预处理后,通过计算得出叶片的NDVI值,分别采用二次函数拟合法和ARIMA时间序列拟合法对落叶期叶片的NDVI值进行曲线拟合,并对两种拟合方法的拟合结果进行比较,选出最适合银杏叶片落叶期NDVI值的拟合方法。【结果】二次函数拟合结果为NDVI=-0.0221T2+0.0547T+0.711,决定系数R2为0.926,但因拟合结果t值不显著,样本结果随机性大,不具广泛性;ARIMA时间序列拟合中ARIMA(2,1,2)模型估测结果与实际情况接近,R2为0.811,拟合效果较好。【结论】ARIMA时间序列拟合方法比二次行数拟合方法更适用于对银杏落叶期叶片的NDVI值进行拟合。     

东洞庭湖湿地植被高光谱数据变换及识别

高光谱识别是采用大量比较窄的波段对目标物进行同时观测,以实现对目标物更好的观测效果。以东洞庭湖为研究对象,对典型湿地植被苔草、芦苇、芦蒿、辣蓼和旱柳开展野外高光谱观测的基础上,开展数据变换和分类识别。在对数据进行剔除、滤波和重采样后,对高光谱数据进行导数运算、对数运算、对数的导数运算、归一化运算和归一化后导数运算,以突出植被的光谱特征差异。采用主成分分析方法,对高光谱数据进行降维。并运用BP(Back Propagation)神经网络、马氏距离(Mahalanobis)分类法、贝叶斯(Bayes)分类法、费希尔(Fisher)分类法、光谱角度制图法(Spectral Angle Mapper,SAM)、支持向量机(Support Vector Machine,SVM)等6种方法开展湿地植被识别。结果表明:在多种数据变换方法中,LOG(N(R))变换效果最好,而湿地植被识别方法中,光谱角度制图法的精度最高。