基于Landsat8的黄河三角洲盐渍化反演

土壤盐渍化是最常见的土壤退化过程,垦利县位于黄河三角洲核心地带,是土壤盐渍化比较典型的区域。本研究在盐渍土野外调查采样的基础上,依据土壤理化分析和Landsat8卫星光谱数据,选取了相关性以及诊断指数较好的3个波段的反射率作为盐分反演因子,分别建立数理统计模型与BP神经网络盐分反演模型。研究表明:BP神经网络模型的精度明显优于传统多元回归模型,且反演模型更适合高盐度区域土壤盐渍化反演制图,具有较好的应用前景。     

土壤含盐量BP神经网络反演模型

运用Hyperion数据,以黑龙江省大庆市某一实验区为例,通过对图像预处理、特征提取、土壤含盐量、波段与土壤含盐量的相关性分析,建立BP神经网络模型(Back Propagation Network)、经验统计模型等进行研究,并开展了对土壤含盐量的定量提取研究,探讨Hyperion数据反演土壤含盐量的方法.结果表明:与传统的经验统计模型相比,BP神经网络模型具有不可比拟的优越性;同时,Hyperion数据为建立土壤含盐量模型提供了高维的输入样本,大大提高了反演的精度;土壤含盐量的反演模型的研究还有待于进一步深入.     

基于人工神经网络的CHRIS数据内陆水体叶绿素浓度反演研究

利用BP神经网络和CHRIS高光谱数据反演了富营养化非常严重的太湖梅梁湾地区叶绿素A浓度。首先计算了CHRIS模式2的18个波段与叶绿素A浓度的皮尔森相关系数,选择CHRIS的前5个波段和第13波段的反射率值作为神经网络的输入,以野外测量的叶绿素A浓度为神经网络的输出。实验表明,BP神经网络具有很好的非线性拟合能力,叶绿素A浓度的反演精度相对误差仅为22%,明显优于传统的多项式模型,显示BP神经网络与CHRIS高光谱数据结合的方法在内陆水体水质参数反演领域的应用具有相当的优势。     

多源遥感数据结合的橡胶林有效叶面积指数升尺度估测

【目的】针对传统森林叶面积指数监测的小尺度、对植被具有破坏性以及低效率。【方法】以机载LiDAR数据和Landsat 8 OLI数据为主要信息源,使用LiDAR点云基于Beer-Lambert定理反演得到点云条带区橡胶林有效叶面积指数,并用样地实测叶面积指数对其进行差异性检验。其次,以LiDAR点云得到有效叶面积指数作为训练样本结合Landsat 8 OLI数据,分别使用偏最小二乘回归模型和BP神经网络模型对有效叶面积指数进行升尺度光学遥感估测。【结果】1)LiDAR点云反演得到的有效叶面积指数与样地实测的叶面积指数之间极显著相关且差异不显著,相关系数为0.82。2)研究所建立的遥感估测模型中,BP神经网络回归模型的估测结果优于偏最小二乘回归模型,其决定系数R2为0.54,均方根误差RMSE为1.23,相对均方根误差rRMSE为47.68%。【结论】在森林参数获取和林业调查中,机载激光雷达数据与光学遥感数据的结合可有效提高工作效率、降低调查成本、效弥补人工调查的不足。     

基于微波辐射计SSM/I的海面风速反演算法研究及应用

海面风速是海洋环境的重要参数,微波辐射计是卫星监测海面风速的重要手段。通过微波辐射计SSM/I（Special Sensor Microwave/Imager）亮温与浮标实测风速建立的匹配数据集,利用人工神经网络构建海面风速反演模型。比较不同模型的反演效果,得出七通道单参数神经网络模型SANN（Singleparameter Artificial Neural Network ）反演的效果和浮标实测风速较为接近,均方根误差RMSE（Root Mean Square Error）为1.40m/s。因此选择该模型反演全球的月平均风速,并将反演结果与NOAA产品风速比较。结果表明：两者在整体分布和纬度平均上非常接近,均方根误差为1.03m/s。可见,该算法用于海面风速反演还是可行的。     

基于高光谱数据的土壤含盐量BP神经网络模型研究

运用Hyperion数据,以黑龙江省大庆市某一实验区为例,进行了对土壤含盐量的定量研究,将BP神经网络模型(Back Propagation Network)应用到高光谱数据对研究地区土壤含盐量的反演中。通过对隐含层的传递函数、输出层的传递函数、训练算法的优化组合以及最适合隐层节点数量,得到最优的BP神经网络模型,实现了土壤含盐量的反演。对高光谱数据反演土壤含盐量采用BP神经网络具有一定的指导意义。     

玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

基于AMSR-E与MODIS数据海表面温度遥感反演研究

海洋表面温度是海洋环境的重要参数。遥感技术是进行海表面温度研究的有效手段之一。以印度洋北部海域为研究区域,利用Aqua卫星上的微波数据（AMSR-E）和光学数据（MODIS）,进行了海表温度反演研究。首先对AMSR-E L2A数据和MODIS-L1B数据进行预处理,然后将AMSR E的各极化通道亮温数据与实测海表温度进行相关性分析,通过多元线性回归建立AMSR-E海表温度的反演模型,而MODIS海表温度则通过采用线性多通道算法得到,最后以AMSR-E亮温数据为主,MODIS海表温度数据为辅,采用多元线性回归的方法建立了海表温度反演模型。利用该模型反演印度洋北部海域海表温度,反演结果与实测数据相比,其均方根误差为0.323 97 ℃。     

依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测.其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法.结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R2)均在87％以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R2)分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6％、89.8％、91.2％,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R2)分别提升了4.9％、3.7％、3.4％,估测精度(P)分别提升了2.9％、2.4％、1.5％;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R2及树高估测精度(P)略有差异,但整体相差较小.     

基于碳卫星的中国东北地区叶绿素荧光反演

【目的】实现基于简化物理模型方法的碳卫星叶绿素荧光反演,并将反演结果与OCO-2荧光产品进行对比。【方法】文章选取770.1 nm处受大气影响较小的KI夫琅和费暗线,利用碳卫星的L1B级星下点观测数据和对日定标数据,以中国东北为研究区,利用基于简化物理模型的荧光提取算法,反演得到中国东北地区2018年7月的叶绿素荧光信息,并利用同期MODIS数据的云掩膜产品来剔除受云影响的区域,得到晴空条件下的荧光结果。【结果】该研究反演得到的东北地区2018年7月荧光结果值介于-3～7 mW/m~2/sr/nm之间,荧光强度较大的点分布在锡林郭勒盟中西部,辽宁省的中部和东部,吉林省的西南部以及黑龙江的西部地区。【结论】将该文反演结果与OCO-2卫星的荧光产品进行对比,发现两者之间具有很好的一致性,说明基于简化物理模型的反演算法可以较好地实现碳卫星的叶绿素荧光反演。     

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。     

基于卷积神经网络和支持向量机算法的马铃薯表面缺陷检测

马铃薯表面缺陷检测是马铃薯分级的重要组成部分。传统的马铃薯表面缺陷检测方法通常涉及到手工特征提取和特征判断,但是马铃薯生长环境复杂,缺陷种类繁多,提取合适的特征是一个难题。为了解决上述问题,本试验提出一种基于改进的卷积神经网络(Convolution Neural Networks,CNN)和支持向量机(Support Vector Machine,SVM)模型的马铃薯表面缺陷检测新方法。该模型通过CNN自动提取马铃薯图片深度特征,利用特征向量训练SVM得到分类器。此外,改进的CNN中采用dropout正则化技术,能有效减小模型过拟合;加入1×1卷积层,加快模型运算时间。试验中,对CNN模型学习率和训练次数等超参数进行了对比选择,基于Adam优化算法通过GPU加速技术进行CNN模型训练;采用网格搜索算法对SVM参数进行优选。试验样本集由实验室机器视觉平台和数据增广方法所得图片组成。试验结果表明,本试验设计的CNN+SVM改进模型能解决现有研究中存在的问题,且性能优于常规CNN模型和传统检测方法,算法运行速度更快,准确率达99.20%。     

模糊优选神经网络BP模型在植被生物量参数反演中的应用

根据模糊优选神经网络BP模型，利用1988年小麦生长期中生物量参数和微波（10.2GHz）主被动遥感实测数据，作为输入输出I／O矢量对，计算出网络模型的正向传输权重矩阵及反向传输权重矩阵。用1989年小麦生长期中微波实测数据和该神经网络模型得到的权重矩阵，来反演其生物量参数在整个1989年生长期中的变化，反演结果与遥感实测结果的比较说明了所提方法的准确性。     

FY-2C卫星反演云参数产品在湖南人工增雨抗旱中的应用

通过应用FY-2C卫星反演云参数产品分析湖南西北山区的一次台风外围云系降水过程,定量地初步了解了该云系的云宏微物理结构特征.结果表明,这种使用FY-2C卫星反演云参数和人工增雨云系模式产品结合当地典型增雨云系开展云宏微物理结构特征分析的做法是一种行之有效的国家级人影指导产品的释用方法.     

地表温度的多源遥感数据时空融合模型构建

为解决传统的遥感数据融合模型在高异质性地表区域的融合精度不高的问题,本研究在考虑地表温度的前提下构建了一种新的多源遥感数据时空融合模型。首先,为消除反演得到的可见光与红外信息出现不对等的影响,将地表测温空间尺度为综合多地表参数的数据尺度模型。然后利用低尺度低空间分辨率的转换残差模拟地表温度。由于地表温度特征复杂,构建BP神经网络,并根据实际情况调整网络结构与初始参数值。然后融合光学遥感数据与SAR数据,根据高、低空间的分辨率影像计算、反演遥感地表参数,最后将尺度转换模型应用于预测时间相位的参数融合过程中。仿真实验结果表明:上述设计的模型的融合精度要比传统模型略高,证明该模型实现了设计初衷。     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

基于混合效应模型的迪庆云冷杉林地上生物量遥感估测

  目的  确定云冷杉林生物量光学遥感估测饱和值,探索提高生物量遥感估测精度。  方法  以云南省迪庆藏族自治州云冷杉林为研究对象,根据森林资源二类调查数据,结合同时期Landsat 8 OLI遥感影像,利用随机选取的小班样本数据提取遥感因子反射率统计值,并与生物量进行曲线拟合,求解云冷杉林生物量饱和值,建立云冷杉生物量回归估测模型、BP神经网络模型。同时基于回归模型构建考虑区域、龄组效应的单水平和嵌套两水平(区域+龄组)混合效应模型,反演研究区云冷杉林地上生物量。  结果  利用幂函数拟合得到迪庆藏族自治州云冷杉林生物量饱和值为233 t·hm?2;最优回归估测模型调整决定系数(R_a2)为0.606,高于BP神经网络模型的R_a2(0.542),各个效应水平混合模型的拟合精度与独立性检验指标均优于回归模型。考虑两水平的混合效应模型有最优的拟合精度,而考虑龄组效应水平的混合模型有最优的独立性检验指标。混合效应模型在低生物量段(＜100 t·hm?2)和高生物量段(＞233 t·hm?2)均显著降低了回归模型和BP神经网络模型的估测平均残差。  结论  混合效应模型有更宽的估测范围,在一定程度上减小低值高估与数据饱和造成的高值低估影响,提高了预估精度。图3表12参28     

东北粳稻叶绿素相对含量的无人机高清影像检测方法

叶绿素相对含量(soil and plant analyzer development,SPAD)是评价水稻健康状况的重要农学参数,为了解决传统监测方法工作量大,效率低的问题,以东北粳稻为研究对象,采用不同施肥处理开展小区试验,利用无人机低空遥感技术分别获取水稻分蘖期、拔节孕穗期、抽穗灌浆期水稻冠层高清数码影像,同时利用叶绿素仪测量水稻冠层SPAD值,并对无人机高清数码影像反演SPAD的可行性及方法进行研究。结合k-means聚类和阈值分割的方法去除背景提取出水稻叶片的RGB值,构建出R、G、B及G/R、G/B、B/R、R-B、G-R、NRI、NGI、NBI共11种颜色参数,并分别用11种参数和水稻叶片SPAD做相关性分析,分析结果表明NRI、B/R、R-B 3种参数和SPAD值高度相关。分别采用一元线性回归分析法和BP神经网络法对3种参数和SPAD的关系进行建模并对建模精度进行分析。结果表明:无人机高清影像反演SPAD是可行的,其中一元线性回归分析中,NRI和SPAD的建模精度高于B/R和R-B,均方根误差(RMSE)为1.51;基于NRI、B/R和R-B的多特征输入的BP神经网络预测粳稻SPAD的RMSE为1.354,相比基于NRI的一元线性回归分析模型精度提升11%,BP模型能较好地对东北粳稻的SPAD进行反演,能为无人机低空遥感反演粳稻SPAD提供理论依据和实现方法。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数,一直是气候变化和生态研究中的热点,遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象,以机载LiDAR和Landsat8/OLI为信息源,结合44块样地实测数据,使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上,进一步构建区域尺度的LAI反演模型,实现景洪市橡胶林LAI的反演。结果表明,基于LiDAR的林分水平模型中,SVR模型最优,决定系数（R²）为0.76,相对均方根误差（rRMSE）为17%,估测精度（P）为83%;以SVR模型估测结果作为区域尺度遥感反演模型的先验样本,结合Landsat8/OLI数据的BP神经网络模型反演效果最好,估测精度达76%。     

塔里木河流域上游胡杨叶面积指数高光谱遥感反演方法对比

为探索研究胡杨叶面积指数高光谱反演方法的预测精度和适应性,选择新疆维吾尔族自治区塔里木河流域上游为研究区域,将采集的叶片带回实验室,通过ASD Fieldspec4便携式地物光谱仪扫描胡杨叶片得到反射率光谱并计算胡杨LAI,然后利用回归分析法和BP神经网络法构建胡杨LAI反演模型,将模型预测LAI值和真实LAI值进行建模分析,进而评价2种方法的反演精度。结果显示,BP神经网络法检验方程的决定系数(r2)为0.99、均方根误差(RMSE)为0.304、残差平方和(RSS)为0.0004,较植被指数法和多元回归法估算胡杨LAI的精度有较大提高。