基于ACRM模型与敏感波段的农作物LAI与LCC反演

【目的】面向现代农业生产和管理的数据需求，基于ACRM 冠层反射率模型，探索适 于冬小麦叶面积指数（LAI）和叶片叶绿素含量（LCC）反演的波段选择方案。【方法】文章 考虑高光谱数据降维和CR 模型模拟误差，选出覆盖蓝、绿、红与近红外的5 个波段（波段 选择方案B1），开展LAI 与LCC 同步反演。然后分别选择LAI 和LCC 的敏感波段，开展对 应参数的反演试验。【结果】（1）基于B1，能够在多数田块实现较为准确的LAI 与LCC 同 步反演（LAI 反演值与实测值间决定系数（R2）为0.860 4，均方根误差（RMSE）为0.963； LCC 反演的R2 为0.814 1，RMSE 为0.069）。（2）仅利用LAI 或LCC 敏感波段反演结果的R2 与RMSE 同时略有升高，但与基于B1 的反演结果相比，无明显差异。【结论】通过该研究与 利用相同数据的前期研究对比发现，旨在高光谱数据降维与限制CR 模型模拟误差的波段选 择，对LAI 反演精度改进作用较为显著。相较而言，仅选用单一目标参数（LAI 或LCC）的 敏感波段，对反演精度改进并不明显。由此，一方面证实了常规反演方法与面向对象反演法 不强调选用单一目标参数敏感波段的合理性；另一方面，并不否定多阶段目标决策（MSDT） 反演法以及一些相关研究提出的，仅采用单一目标参数敏感波段来开展反演的合理性。     

基于高分辨率遥感影像的农村房屋自动化识别

【目的】 为了改善遥感影像分类算法对“同谱异物”的农村房屋与乡村道路的区分能力,提高房屋识别的空间平滑性与自动检测精度,为后续的农村宅基地遥感监测提供技术支撑。【方法】 文章基于光谱-空间核函数集成支持向量机（光谱-空间核SVM）算法框架,发展了一种适于高分辨率遥感影像的农村房屋自动化识别方法。首先,对高分辨率遥感影像进行空间分割以及影像的空间邻域关系进行建模。其次,获取分割图斑内像元灰度值的均值作为空间特征,以像元灰度值作为光谱特征,利用光谱-空间核SVM算法进行房屋预提取。单独提取影像中的道路、裸地等区域,并制作掩膜对房屋预提取结果进行修正。最后,通过众数滤波,对房屋识别结果进行空间平滑处理,抑制噪声。【结果】 该试验得到的Kappa系数、总体精度和F1分数分别为0.75、98.0%和0.76;而基于像元光谱的常规识别方法得到的上述指标分别为0.40、91.8%和0.44。【结论】 该文提出的方法能有效抑制将道路、裸地识别为房屋,且具有良好的空间平滑性能。