基于北斗卫星的森林资源信息外业采集系统关键技术研究

我国自主研制的北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)兼备通信及定位功能,适用于复杂的林区环境,目前已经对我国领域实现全范围覆盖。而我国森林资源信息采集工作中存在通信盲区多,定位时间长、定位误差大等问题。本研究率先将北斗技术应用到森林资源信息采集系统中:利用北斗短报文解决盲区紧急通信问题,采用固定位长算法,将关键信息由20个字节压缩至8个字节,压缩率40%;利用北斗无线电测定业务(Radio Determination Satellite Service,RDSS)辅助移动智能终端定位,首次定位时间(Time To First Fix,TTFF)由10 s以上缩短至4 s左右,有效解决智能设备定位慢的问题;运用四参数和直接校正法,将平均定位误差由22.2 m缩小至3.9 m。     

基于PSO-SVM的高光谱数据降维的可靠性研究

PSO结合SVM算法对高光谱数据波段进行优化,每次搜索结果不一定相同,因此很多学者对此类算法的可靠性存在疑问。为了证明PSO-SVM降维算法的可靠性,利用PSO-SVM算法对杉木和马尾松的幼中成熟林的高光谱原始数据、一阶微分变换数据、对数变换数据及归一化变换数据进行降维运算,对降维后选择的波段分别利用支持向量机（SVM）、BP神经网络、Mahalanobis距离分类法、Fisher分类法及贝叶斯分类法进行分类,分类结果中,Fisher分类法的结果最好,所有的分类结果均在90%以上,SVM和BP神经网络的分类结果都保持在80%以上,贝叶斯分类法分类精度最差,所有分类结果均未超过90%,最差结果为43.75%。同时,将PSO-SVM与PCA算法进行对比分析,发现在马尾松和杉木的分类过程中PSO-SVM算法优于PCA算法。最后得出结论,PSO-SVM算法提取的特征对Fisher、SVM及BP神经网络分类法有效;当光谱数据差异非常微小时,PSO-SVM比PCA对特征的提取更有效。     

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。     

基于地面高光谱遥感的降香黄檀黑痣病病情指数反演

利用美国Spectra Vista Corporation(以下均用简称SVC)HR-1024i非成像高光谱仪采集不同病情程度的降香黄檀冠层光谱数据,并结合地面同步调查获得的降香黄檀黑痣病病情指数数据,对光谱数据进行重叠校正(scan matching/overlap correction)和白光板反射率校正(white plate reflectance correction)。采用主成分分析法(PCA法)对与降香黄檀黑痣病病情指数相关性较高的敏感波段进行降维。利用53个训练集,将敏感波段和PCA法处理后的敏感波段分别作为输入变量,训练降香黄檀黑痣病的BP神经网络。两种输入变量建立的神经网络计算出的预测值与实际值之间的决定系数(R2)均达到99%。利用27个验证集做进一步精度检验,结果表明,通过这两种输入变量训练的BP神经网络,得到的预测值与实际值之间的决定系数(R2)分别为0.951 9和0.706 0,均方根误差(RMSE)分别为5.998 0和12.919 3。直接以敏感波段作为变量输入和PCA法处理后的敏感波段作为变量输入训练BP神经网络是一种有效的方法,其中,直接以敏感波段作为变量输入精度更高。     

马尾松叶绿素含量与高光谱数据相关性分析

利用高光谱技术,探索马尾松反射光谱与其叶绿素含量之间的相关关系。采用美国ASD公司生产的手持式野外光谱辐射仪测量马尾松冠层光谱,对观测叶片进行同步叶绿素含量测定,并利用统计学分析方法,分析马尾松叶绿素含量与原始光谱、一阶微分光谱、植被指数的相关关系,结果表明:马尾松光谱与叶绿素含量最大相关系数位于621 nm和715 nm;通过对13种植被指数与叶绿素含量进行相关分析,表明TCARI与叶绿素含量相关性最大,其次是PVR、SRPI。从而说明下一步可以选择621 nm和715 nm以及TCARI进行马尾松叶绿素含量的高光谱反演研究。     

基于MODIS数据的辽宁省土地利用分类研究

采用最大似然法、马氏距离法、光谱角填图法、支持向量机法、神经网络法和最小距离法6种分类方法,对辽宁省2010年3—12月MODISNDVI数据,用该数据做主成分分析的前3个主成分数据、前5个主成分数据和2010年6—10月MODISNDVI数据等4类数据进行土地利用分类研究。结果表明：6种分类方法中最大似然法、马氏距离法和最小距离法3种方法较适合对MODISNDVI数据进行信息提取,其总体分类精度分别达82．63％、80．29％、79．17％,乔木林类型信息提取精度分别达81．91％、78．54％、80．02％;3种对原始数据进行变换的方法中6—10月数据效果较好,其总体分类精度最高达82．63％,乔木林信息提取的最高精度达78．54％。     

基于植被指数的马尾松叶绿素含量估算模型

利用高光谱技术,探索马尾松反射光谱组成的植被指数与其叶绿素含量之间的关系。采用美国ASD公司生产的手持式野外光谱辐射仪测量马尾松冠层光谱,对观测叶片进行同步叶绿素含量测定,并利用统计学分析方法,分析马尾松冠层光谱组成的植被指数与叶绿素含量之间的相关关系,并建立相应的估算模型。结果表明:叶绿素含量与植被指数进行相关性分析,相关性最好的为TCARI;通过建立TCARI与叶绿素含量之间的估算模型并检验其精度,得出了叶绿素含量估算的高光谱模型:y=exp(0.686+(-2.765)×x)。说明利用高光谱数据可以估测马尾松的叶绿素含量。     

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。     

“3S”技术在森林资源监测体系中的应用进展

森林资源监测是林业可持续发展的基础,及时了解和总结3s技术国外森林资源监测工作的现状与发展趋势,对我国森林资源监测体系的完善和调查方法的改进具有重要的借鉴意义。在此基础上,提出森林资源监测体系向森林生态状况综合监测发展,监测手段由常规地面调查向“天-地-空”一体化综合,监测内容标准化和规范化,分析评价综合化,建立较为完善监测成果共享网络和经费投入与技术服务保障机制等建议。     

基于高光谱数据的病害胁迫下杉木冠层色素含量估算研究

分析炭疽病胁迫下杉木冠层的高光谱特征,探索建立病害胁迫下杉木冠层色素含量的高光谱估算模型,从而促进高光谱遥感技术在森林病虫害监测中的应用。于2011年4-6月,在湖南省攸县实地调查杉木炭疽病,并测定不同程度炭疽病胁迫下杉木冠层的光谱反射率及其色素含量。将冠层光谱、一阶微分及相应的色素含量数据分别进行相关分析,采用回归分析方法,选取部分样本建立色素含量估算模型,并利用其余的样本对模型进行精度检验。结果表明,可见光和近红外区域是病害杉木色素反射和吸收的敏感区域,色素含量与一阶微分光谱在红边（695~754 nm）内相关性最高,单波段一阶微分光谱741 nm处的相关系数最大。其中,以差值植被指数DVI[FD587,FD741]为变量的幂函数模型估算Chla+b、Chla和Chlb含量的精度最高,相对误差均小于15%,均方根误差在0.093~0.241之间。本研究表明,受不同程度炭疽病胁迫下杉木冠层的光谱反射差异较大,可利用高光谱信息定量估算病害胁迫下杉木冠层的色素含量,且估算精度较高。