基于连续小波变换的蒺藜植被覆盖度预测

植被覆盖度是评价土地是否荒漠化最有效的指标之一,也是植被监测的重要指标。通过高光谱估算植被覆盖度,可以为植被监测提供重要依据。以半干旱区托克托县的固沙植被蒺藜（Tribulus terrestris L.）为研究对象,分析了不同植被覆盖度光谱曲线特征的变化情况;提取两波段原始光谱植被指数并与植被覆盖度之间的相关性,选取最优波段组合;利用连续小波变换（continuous wavelet transform,CWT）对植被光谱反射率进行不同尺度分解,提取出不同分解尺度的最优波段;采用偏最小二乘法（partial least square,PLSR）和支持向量机（support vector machine,SVM）两种方法,以不同自变量建立植被覆盖度估算模型。结果表明：①原始光谱植被指数与植被覆盖度呈显著相关,相关系数均在0.55以上,最优波段组合为DI（2 260 nm,2 210 nm）、RI（1 410 nm,660 nm）、NI（1 470 nm,670 nm）、RDVI（1 770 nm,670 nm）、MSR（1 410 nm,660 nm）;②小波系数也与植被覆盖度之间有良好的相关性,原始光谱中1~10尺度对应的相关系数均在0.72以上,在波段630 nm处第6分解尺度中,相关性最大为0.788 9;一阶微分光谱提取的小波系数与植被覆盖度的最大相关性为0.806 9;二阶微分光谱中1~10尺度小波系数与植被覆盖度的相关性均在0.6以上,其中最大相关性为0.781 8;③以原始光谱植被指数与不同导数变换的CWT提取的小波系数为自变量建立的模型中,输入量为二阶微分小波系数的PLSR模型精度最高,模型最稳定,R²为0.905 9,RMSE为0.035 6,这表明经过CWT算法处理后,可以提高光谱的特征信息,为植被覆盖度的估算反演提供技术方法。     

鄱阳湖滨湖区耕地土壤重金属Cr含量高光谱估算研究

【目的】随着工业发展和城市化推进,土壤重金属不断富集,污染范围迅速扩大,及时精准掌握土壤重金属分布和含量至关重要。通过高光谱数据处理分析和估算方法优化,结合植被指数,增加特征因子数量,提高建模预测精度,为鄱阳湖滨湖区耕地土壤质量监测和农业生产提供技术支撑。【方法】以珠海一号高光谱遥感卫星影像和采样点土壤Cr含量检测数据为基础,对原始土壤反射光谱数据进行一阶微分（FD-R）、二阶微分（SDR）、对数(LogR)和对数一阶微分(LogR-FD)变换,分析土壤Cr含量与光谱变量及植被指数之间的相关性,从而确定土壤特征光谱组合;利用偏最小二乘回归模型（partial least square regression,PLSR）和支持向量机模型（support vector machine,SVM）进行土壤Cr含量的预测建模,对建模集和验证集进行模型精度和稳定性分析;根据模型精度对比分析,确定预测的最佳光谱变换、植被指数组合及预测模型。【结果】（1）土壤原始反射光谱、经FD-R、SD-R、LogR和LogR-FD变换后的反射光谱与Cr含量相关系数在b1-b18波段整体上高于b19-b32波段。经L...     

基于旋转森林的Landsat-8影像森林植被分类

以黑龙江大兴安岭塔河林业局瓦拉干林场2013年的Landsat8 OLI影像为数据源,在光谱特征基础上,增加归一化植被指数、纹理特征和地形特征,得到3种特征组合(光谱特征和NDVI(F1);光谱特征、NDVI和纹理特征结合(F2);光谱特征、NDVI、纹理特征和地形特征结合(F3)),将旋转森林算法分别应用于3种特征组合下的森林植被分类,获得分类精度最高的特征组合;之后利用最佳特征组合将旋转森林与最大似然分类法和支持矢量机2种分类方法进行对比和精度验证分析。结果表明:利用旋转森林算法并结合光谱特征、NDVI、纹理特征和地形特征的特征组合分类精度最高,为87.54%,比F1和F2特征组合的精度分别提高了11.08%和3.39%。比较不同分类方法,旋转森林算法进行森林植被的分类精度比最大似然法和支持矢量机方法的分类精度分别提高了13.24%和5.39%。由于旋转森林算法稳定性好,在植被分类中受山地阴影的影响较少,因此在分类图中"椒盐"现象最少,图像更加清晰,分类效果最好。     

大庆地区盐渍土光谱特征研究

利用光谱微分分析方法,对原始光谱数据进行处理,分析不同等级盐渍土的光谱一阶微分曲线图和二阶微分曲线图。然后,与原始光谱进行对比,提取其中差异比较大的波段。最后,用欧式距离的方法对所选的特征波段进行盐渍土分类检验。检验结果表明,选择的特征波段能有效地区分不同的盐渍土等级。     

基于高分二号影像结合纹理信息的茶园提取

为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。     

时间序列特征提取和分类器对农作物分类的影响研究

【目的】准确的作物空间分布是农业估产、作物长势和病虫害防控等农业遥感监测的重要基础信息。选择合适的特征和分类器对作物空间信息的提取有重要意义。【方法】文章基于北安市的Landsat 8时间序列数据探究了特征提取和分类器选择对作物分类的影响。首先,基于Google Earth Engine (GEE)平台提取光谱、植被指数、纹理和物候时序特征;其次,将不同特征及其组合输入最小距离法(Minimum Distance Classification,MDC)、朴素贝叶斯(Na?ve Bayes,NB)、K最近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF) 5种分类器比较精度;最后,计算分离性指数(Separability Index,SI)评估特征对识别作物的贡献度,辅助验证分类器的分类结果。【结果】研究结果表明:(1)4类特征中光谱特征分类精度最高,3种特征组合中光谱+植被指数精度最高,但相较于光谱特征精度提仅提高0.6%,说明时序光谱特征足以得到较好的作物分类结果,提取的其他特征对精度提升作用不明显;(2)通过比较5种分类器的精度均值和标准差,性能最好的是RF,其次是SVM,MDC的性能最差;(3)在特征分离性方面,光谱特征最好,其次是植被指数、物候和纹理特征。【结论】光谱时序特征结合RF分类器效率最高,能得到较好的作物识别效果。文章能为作物分类特征提取和分类器选择提供参考和依据。     

滇西北高寒山区云冷杉高光谱差异性研究

高光谱遥感技术的出现为森林树种精细识别,特别是针叶林类型识别提供了新的解决思路。通过ASD FieldSpec 3光谱辐射仪对滇西北高寒山区的典型树种云冷杉叶片光谱数据进行测量,并利用光谱微分法对云冷杉原始光谱数据进行处理,分析不同原始光谱、光谱一阶微分、光谱二阶微分曲线图,从中选择能有效区分云冷杉的特征波段,利用欧氏距离对不同方法所选择的波段进行区分度检验。结果表明,能够对云冷杉进行精细识别的特征波段大部分位于近红外波段,原始光谱差异最大波段的位于1 340~1 349nm,一阶微分和二阶微分差异最大波段都位于990~999nm。研究结果将为森林树种精细识别,特别是为针叶林类型精细识别领域提供可靠经验与技术支撑。     

基于TM影像植被信息提取研究

基于TM遥感影像,提取研究区内植被专题信息,通过对TM多光谱影像进行K-T变换,得到亮度、绿度、湿度3个新的分量,计算各组分分量和归一化植被指数NDVI的相关系数,从而进行波段组合,将其分类结果与K-T变换基础上分类结果、以及原始图像基础上分类结果进行比较。分析表明,波段的合成与K-T变换均能提高遥感影像分类精度,并且波段组合基础上植被分类与信息提取效果良好,精度更高。     

香格里拉4种典型针叶树种高光谱特征分析及判别

以香格里拉市云南松、高山松、云杉和冷杉4种典型针叶树种为研究对象,运用ASD Field Spec 3地物光谱仪测定野外叶片光谱,并对原始光谱进行微分变换处理,再采用Fisher判别分析方法对4种针叶树种最佳波段窗口进行分析.结果表明:Fisher判别分析能有效判别4种典型针叶树种原始光谱、一阶微分光谱和二阶微分光谱差异显著的波段,主要位于近红外波段,最佳波段窗口分别为980～989、415～424、960～969 nm;原始光谱的二阶微分处理更能有效判别4种针叶树种,Fisher总判别精度高达98.8%;根据4种典型针叶树空间分布特征,将其分为云南松、高山松和云冷杉两组,云南松、高山松的最佳波段窗口为870～879、1 020～1 029、530～539 nm,云杉、冷杉的最佳波段窗口为540～549、520～529、1 150～1 159 nm.本研究结果可为中大尺度机载、星载高光谱遥感树种精细分类提供指导.     

基于优化植被指数组合的多品种辣椒叶片叶绿素数值估测

叶片叶绿素与植被生长状况息息相关，SPAD值能够反映作物叶片叶绿素含量，不同品种辣椒外形和生理生态参数具有明显差异，因此，准确、快速地估算SPAD值具有重要意义。以4个不同品种辣椒为研究对象，测量其SPAD值，对原始光谱进行倒数、对数、倒数对数、一阶微分和二阶微分变换，通过将变换光谱替换原始光谱来优化植被指数，对比优化植被指数和经典植被指数搭建模型的差异，最终得到不同品种辣椒SPAD值和高光谱之间的关系，寻找SPAD值的最优反演模型。结果表明：不同品种辣椒冠层光谱特性存在差异；辣椒叶片建模集、验证集和全样本SPAD值的变化趋势均为线椒大于朝天椒；基于倒数对数光谱优化的植被指数除了CI_rededge外，其余植被指数的相关系数均高于经典植被指数；基于lg1/R-VI搭建的随机森林模型无论是建模集还是验证集精度均较好，适合于不同品种辣椒SPAD值的估算，其中全样本模型测试集决定系数(R²)为0.83,平均绝对误差(MAD)为1.90,验证集R²和MAD分别为0.45和1.26。     

基于光谱微分滤波及多元校正的马铃薯干物质含量快速检测

针对生产实际中缺乏快速的品质检测手段影响马铃薯产业发展的问题,开展基于漫反射光谱的马铃薯干物质含量检测研究。采用一、二阶微分及Norris微分滤波对光谱数据进行预处理,以消除干扰信息的影响。分析了主成分回归(PCR)和偏最小二乘(PLS)两种多元校正法在建立校正模型中的特点,分别建立了干物质含量校正模型,通过外部验证确定适合的建模方法。131个样品的检测研究结果表明,一阶微分光谱Norris滤波(分段长度为17点,分段间距为4点)处理后,采用PLS法的建模与预测效果最好,模型相关系数r为0.898,均方根校正误差(RMSEC)为1.72%,均方根预测误差(RMSEP)为2.34%,明显优于采用原始光谱、一阶微分光谱、二阶微分光谱及二阶微分Norris滤波光谱的建模与预测结果。     

基于主成分分析和人工神经网络的稻穗健康状态的高光谱识别

水稻生长后期穗部遭受病虫危害会严重影响水稻产量,对不同健康状态的稻穗进行精准识别是采取病虫害防控措施和危害评估的依据。研究测定了健康稻穗、轻度、中度和重度危害稻穗及白穗的室内高光谱反射率,并着重分析了不同健康状态稻穗的原始光谱、对数光谱、一阶和二阶微分光谱特征。利用主成分分析方法获取了前述多种变换光谱的主分量,并以其为输入向量,利用学习矢量量化神经网络对多种健康状态稻穗进行分类。结果显示：原始光谱、对数光谱、一阶和二阶微分光谱的总体分类精度分别为75.3%, 74.7%, 91.6%和100%,Kappa系数分别为0.689, 0.682, 0.895和1.000。研究表明,运用高光谱遥感技术对稻穗健康状态进行识别是切实可行的。     

湖滨带退化生态系统健康评价指标体系研究

湖滨带是湖泊水生生态系统与湖泊流域陆地生态系统之间非常重要的一类生态交错带和过渡带,其生态系统健康评价是对湖滨带退化生态系统进行恢复和管理的必要步骤。通过对此类特殊生态系统的结构功能特征、退化原因以及退化响应因子的分析,基于目前在资源环境保护中广泛应用的PSR（压力－状态－响应）模型,对指标进行选取和分类,尝试建立了湖滨带退化生态系统健康评价的指标体系,包括压力、状态和响应3层共40个指标。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa0.79,随机森林总体精度为89.27%—90.95%,Kappa0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好。     

依据季相特征GF-2影像的植被分类

以国产GF-2卫星影像对北京市鹫峰国家森林公园主要植被类型进行面向对象分类,通过光谱、纹理、植被指数、季相特征属性的筛选并建立规则集,采用3种分类方法(四季时相知识规则结合CART决策树、四季时相的最邻近法、单季时相的最邻近法)进行植被类型分类。结果显示:3种分类方法的总体分类精度分别为85.6%、79.0%、60.1%。充分证明了在植被类型较复杂的区域内,利用GF-2影像多季时相特征,采用分层逐步分类法与多种分类方法相结合能够提高植被类型的分类精度,为国产高分遥感影像在森林资源监测与管理上的应用提供了技术支持。     

珠海一号高光谱影像在黄土高原大型煤矿区分类中的应用

本文选取珠海一号影像数据,以哨兵二号数据为参考,将平朔矿区按权属划分五个子研究区,采用面向对象结合最邻近特征的分类方法,融合光谱特征、纹理特征、植被指数等特征因子,对珠海一号矿区土地利用分类精度进行评价。研究结果表明：(1)珠海一号分类总体精度为78.87%,Kappa系数为0.7285;哨兵二号分类总体精度为78.38%,Kappa系数为0.7203,珠海一号分类精度略高于哨兵二号;(2)部分耕地、草地、裸地产生误分,可能由于选取影像成像时间过晚地物特征相似导致。总体来说,珠海一号高光谱数据光谱及空间分辨率高,具有应用于矿区生态监测、复垦区植被演替特征等研究的潜力。     

植被覆盖度模型研究进展

植被覆盖度是刻画陆地表面植被数量的一个重要参数,也是指示生态系统变化的重要指标。以遥感测量为研究手段,综合讨论目前测量植被覆盖度最常用的4种模型:植被指数模型、亚像元模型、混合光谱模型和光谱梯度差模型,分析其优缺点,并对如何提高植被覆盖度的测量精度提出讨论,指出高光谱数据、多尺度遥感数据以及数码相机和航空遥感的综合使用是未来植被覆盖度测量发展的趋势。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于Sentinel-2时序多特征的植被分类

植被分类是研究森林资源状况和动态变化规律的基础,利用遥感手段可以更加快速、准确地识别植被类型。以位于内蒙古赤峰市喀喇沁旗西南部的旺业甸实验林场为研究对象进行植被分类。采用分层分类的思想,首先根据植被物候特征选取植被生长旺盛时期的影像,计算归一化植被指数（normalized difference vegetation index,NDVI）并设定合适的阈值将研究区内的植被提取出来,剩余部分归为非植被。然后选取NDVI时间序列、最佳时相的Sentinel-2数据中10个波段的光谱反射率特征和主成分分析前3个分量的纹理特征作为分类特征,利用支持向量机分类器将研究区内的植被类型分为耕地、草地、常绿针叶林、落叶针叶林和落叶阔叶林五大类,并将分类结果与最大似然法、NDVI时序+光谱特征的分类结果进行对比分析。NDVI时序+光谱特征+纹理特征的多特征植被分类总体精度达87.64%,Kappa系数为0.85,分别比最大似然法和结合NDVI时序+光谱特征的分类总体精度提高了15.73%和14.61%,Kappa系数提高了0.20和0.18。其中常绿针叶林和耕地的分类结果与实地调查情况高度一致,分类精度分别达到95.65%和92.31%。从而得出:①基于多特征的分类方法有助于提高分类精度;②NDVI时序特征对于植被的区分具有很大帮助;③采用分层分类的思想,首先将研究区内的植被提取出来,可以排除非植被因素的干扰,有效提高植被类型的分类精度。     

基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究

为利用高光谱遥感技术快速、无损、准确估算小麦子粒中谷氨酰胺合成酶(GS)活性,设置不同小麦品种和氮肥处理组合大田试验,以小麦花后10和20 d子粒中GS酶活性为研究对象,同时测定相应时期小麦冠层的高光谱特征,通过一阶导数、二阶导数和多元散射校正3种方法,对小麦冠层原始光谱进行预处理,分析原始光谱、一阶导数、二阶导数和多元散射校正与小麦子粒GS活性的相关性,并以此为输入,利用偏最小二乘回归、支持向量机回归和BP人工神经网络3种方法,构建了小麦子粒GS活性的高光谱遥感估算模型,运用决定系数(R~2)和均方根误差(RMSE)对模型进行评价。结果表明,经微分(一阶导数、二阶导数)预处理后小麦冠层光谱与小麦子粒GS活性的相关性优于原始光谱和多元散射校正,其所构建的估算模型精度明显高于原始光谱和多元散射校正,尤以基于一阶导数光谱的偏最小二乘法估算模型表现最好,其模型建模集的R~2和RMSE分别为0.942,0.025 4,验证集的R~2和RMSE分别为0.755,0.034 0,具有良好的估算精度和应用潜力。