Hyperspectral Remote Sensing of Total Phosphorus (TP) in Three Central Indiana Water Supply Reservoirs

The connection between nutrient input and algal blooms for inland water productivity is well known but not the spatial pattern of water nutrient loading and algae concentration. Remote sensing provides an effective tool to monitor nutrient abundances via the association with algae concentration. Twenty-one field campaigns have been conducted with samples collected under a diverse range of algal bloom conditions for three central Indiana drinking water bodies, e.g., Eagle Creek Reservoir (ECR), Geist Reservoir (GR), and Morse Reservoir (MR) in 2005, 2006, and 2008, which are strongly influenced anthropogenic activities. Total phosphorus (TP) was estimated through hyperspectral remote sensing due to its close association with chlorophyll a (Chl-a), total suspended matter, Secchi disk transparency (SDT), and turbidity. Correlation analysis was performed to determine sensitive spectral variables for TP, Chl-a, and SDT. A hybrid model combining genetic algorithms and partial least square (GA-PLS) was established for remote estimation of TP, Chl-a, and SDT with selected sensitive spectral variables. The result indicates that TP has close association with diagnostic spectral variables with R ² ranging from 0.55 to 0.72. However, GA-PLS has better performance with an average R ² of 0.87 for aggregated dataset. GA-PLS was applied to the airborne imaging data (AISA) to map spatial distribution of TP, Chl-a, and SDT for MR and GR. The eutrophic status was evaluated with Carlson trophic state index using TP, Chl-a, and SDT maps derived from AISA images. Mapping results indicated that most MR belongs to mesotrophic (48.6%) and eutrophic (32.7%), while the situation was more severe for GR with 57.8% belongs to eutrophic class, and more than 40% to hypereutrophic class due to the high turbidity resulting from dredging practices.     

土壤水分遥感监测的研究进展

土壤水分是土壤的重要组成部分,在地—气界面间物质、能量交换中起着重要的作用,是农作物生长发育的基本条件和农作物产量预报的重要参数。遥感技术具有大面积同步观测,时效性、经济性强的特点,为大面积动态监测土壤水分提供了可能。简述了到目前为止出现的几种主要的土壤水分遥感监测方法,如热惯量法、作物缺水指数法、归一化植被指数法、植被指数距平法、植被供水指数法、植被状态指数法、温度状态指数法、温度植被干旱指数法、高光谱法、微波遥感法,并分析了各种方法的原理和特点,最后展望了土壤水分遥感监测方法的发展趋势。     

基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。     

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

深度学习自编码结合混合蛙跳算法提取农田高光谱影像端元

针对农田高光谱遥感影像端元提取和混合像元分解精度不高的问题,该文提出了利用深度学习自编码结合混合蛙跳算法的农田高光谱影像端元提取方法。首先,利用深度学习的栈式自编码模型对高光谱影像进行光谱特征提取,优选出备选端元集合;然后将影像端元提取问题转化为组合优化问题,设计了待优化的目标函数,通过混合蛙跳算法对目标函数进行优化从而实现对最佳端元组合的搜索;最后利用人工合成的不同信噪比农田高光谱数据和真实的农田高光谱影像,将该算法与3种现有的主要端元提取方法进行对比。试验结果表明,本文提出的端元提取算法对20、30和40 dB信噪比影像提取结果的平均光谱角分别达到0.106 88、0.030 32、0.009 94。对20、30和40 dB信噪比影像和真实影像提取结果的均方根误差分别达到0.050 8、0.015 9、0.005 1、0.006 7。与现有的主要端元提取方法相比,该方法具有端元提取精度高、对不同等级噪声鲁棒性好等优势,在农田高光谱遥感监测中具有广阔的应用前景。     

特征优化结合随机森林算法的干旱区植被高光谱遥感分类方法

针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）等传统特征优化算法和广义正态分布优化算法（generalized normal distribution optimization,GNDO）、原子搜索算法（atom search algorithm,ASO）、海洋捕食者算法（marine predators algorithm,MPA）等特征优化算法与随机森林（random forest,RF）图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D（ZY1-02D）高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度（overall accuracy,OA）提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类 OA提升了1.32～2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和 Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。     

农地遥感图像融合质量评价方法比较

为更加客观公正地比较融合结果、评估融合算法及优化融合过程,该文在分析主要遥感图像融合质量评价方法的基础上,将定量评价指标分为三类：评价图像亮度信息的指标、评价空间信息保持能力的指标和评价光谱信息保持能力的指标。最后,通过仿真试验,以光学遥感图像融合为例,验证了4种常用的像素级融合算法的适用性和有效性。IHS变换法扭曲了源图像的光谱特性,容易产生光谱退化;Wavelet变换法在光谱特性保持方面具有优势,但容易出现分块效应和模糊现象;PCA变换法较多地保留了源图像的细节纹理和结构特征,但会失去源图像的部分物理特性;缨帽变换法融合结果地物边缘清晰,但对细微光谱信息的保持能力较弱。研究表明,这3类指标可以作为遥感图像融合的客观效果评价准则,并为融合结果的后续应用提供借鉴意义。     

基于光谱特征分析的主要秋季作物类型提取研究

为快速、准确地在遥感图像上提取各种农作物类型信息，满足国家农情遥感监测系统的要求，以2002年北京地区主要秋季作物提取为例，利用Terra/MODIS数据，采用波谱分析的方法，建立一种基于遥感影像全覆盖的秋季作物类型自动提取方法，实现主要秋季作物遥感自动识别。首先根据研究区秋季作物的波谱特性和生物学特性，选取了红波段、蓝波段、近红外波段和中短波红外波段作为秋季作物类型提取的工作波段；同时，还利用由这4个波段构建的陆表水分指数和增强型指标指数作为遥感特征参量。其次根据研究区农作物物候历特征，提取了2002年4月到9月共7个时相的MODIS数据。最后，采用分层决策树方法提取研究区主要秋季作物类型，并进行面积统计。为了验证其精度，与国家农业部农业统计数据进行比较，结果其精度达到86%以上。这表明，仅利用MODIS自身光谱信息，即可较为准确地提取秋季作物类型信息，精度基本能满足了大尺度农情遥感监测的要求，可以为农业决策部门提供信息服务。     

农业干旱遥感监测指标及其适应性评价方法研究进展

在利用遥感数据进行长时间、大范围农业干旱遥感监测过程中,如何针对不同区域、不同作物生长阶段选取最合适的监测指标,对于及时、准确地评估干旱对作物生长的影响,实现合理水资源调度和有效抗旱减灾决策都具有重要意义。该文以遥感监测农业干旱的适应性为论述主线,对常用的农业干旱遥感监测指标及其适应性评价方法,从4个方面进行了系统归纳总结:1)国内外农业干旱监测适用的遥感卫星数据源;2)监测农业干旱适用的光谱敏感波段;3)农业干旱遥感监测指标自身的适用性与局限性;4)农业干旱遥感监测指标适应性的评价方法。在此基础上,指出今后在农业干旱遥感监测指标及其区域适应性研究中,需综合考虑作物与其生长环境之间的关系;增加光谱信息,降低遥感数据获取过程中的信噪比;选择农业干旱遥感监测指标适宜的时空尺度;重点解决部分植被覆盖时,如何选择合适的监测指标;加强高光谱技术在精细农业干旱遥感监测指标反演中的研究;进一步在机理上发掘监测指标自身的敏感性和适应性等6个方面的问题及发展趋势。     

结合光谱降维的IPSO-SVR水体总磷浓度预测模型

[目的] 选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。 [方法] 以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。 [结果] 提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R²)为0.973 920,均方根差(RMSE)为0.003 012,平均绝对误差(MAE)为0.002 105。 [结论] 使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。     

基于支持向量回归（SVR）和多时相遥感数据的冬小麦估产

发展和构建高精度的作物遥感估产模型,对于国家制订粮食进出口政策和保障粮食安全具有重要意义.尝试利用支持向量回归方法(SVR)构建遥感估产模型,首先利用北京郊区2004年和2007年冬小麦主要生育期多时相Landsat TM影像生成的归一化植被指数,通过SVR构建遥感估产模型进行产量估算.然后针对模型的稳健型和预报能力进行交叉验证,并与常规的多元回归方法进行对比.结果表明,利用SVR方法构建的遥感估算模型有效地提高了估算精度,与多元回归方法相比,2004年和2007年决定系数分别提高0.2162、0.2158,均方根误差分别降低0.1682、0.2912.因此基于SVR和多时相遥感数据构建估产模型用于冬小麦估产是可行、有效的,为应用多时相遥感数据进行冬小麦估产提供了一种方法.     

艾比湖流域盐渍土含水量光谱特征分析与建模

盐渍土表层盐分累积与土壤含水量有着直接的关系.为了建立干旱区盐渍土含水量高光谱遥感监测模型,本文以艾比湖流域不同含水量的盐渍土为研究对象,采用光谱反射率变换和多元统计分析(MSAM)方法,对土壤含水量的光谱特征进行分析和建模.结果表明:随着土壤含水量的增加,土壤反射率呈下降趋势;在一定范围内,波长越长,土壤光谱反射率与含水量的相关性越高,其中1 937 nm处的土壤光谱反射率与含水量具有最高的相关性(r=-0.636).对土壤光谱反射率进行8种光谱反射率变换后,在此基础上利用多元统计方法分析盐渍土的不同含水量与光谱之间的相关性,筛选敏感波段,建立关系模型.得出对数一阶微分(Logarithm First Order Differential)在波长2024和2 357nm建立的模型以及均方根一阶微分(Root Mean Square First Order Differential)在波长1 972和2 357nm建立的模型最优,相关系数r分别为0.894和0.865.基于上述模型作者构建了一种耦合模型,其相关性r=0.926比对数一阶微分模型提高了0.032,比均方根一阶模型提高了0.061;因此,所构建的盐渍土含水量估算模型是可行的,可以为遥感反演提供理论参考,对高光谱遥感反演具有一定意义.     

土壤侵蚀遥感监测方法及其思考

土壤侵蚀监测一直是遥感和地理信息系统应用的一个重要领域。纵观国内外土壤侵蚀遥感监测方法,概括起来有遥感影像目视解译监测法、遥感光谱分析监测法、人机交互式解译监测法、智能化土壤侵蚀监测法和模型参数化监测法5种。分析各种方法的优势及其在实际应用中所面临的困难,提出基于知识库与空间信息耦合的土壤侵蚀监测方法,以满足水土保持及其管理工作的需要。     

基于裸土期多时相遥感影像特征及最大似然法的土壤分类

运用单时相遥感数据进行土壤分类及制图,其数据本身易受到其他因素干扰而出现误差,存在一定的局限性,导致制图精度不高。为了提高制图精度,以松嫩平原林甸县为研究区,利用裸土时期多时相Landsat 8遥感影像、DEM数据和全国第二次土壤普查数据,从所有单时相遥感影像中提取出多种分类特征,按照分类特征类型进行压缩处理,得到新的多时相分类特征,将不同分类特征进行组合并分别进行最大似然法分类,得到不同分类特征组合下的土壤类型图,通过不同土壤类型图精度来判断各分类特征对于制图的影响。研究表明,该文所提取的分类特征均可以实现土壤制图,使用压缩处理后得到的多时相遥感数据分类特征完成制图的精度更高,总体精度达到91.0%,研究可为土壤精细制图提供依据。     

基于环境相关法和地统计学的土壤属性空间分布预测

土壤属性是土壤质量的重要决定因素,并强烈影响土地利用和生态过程。正确理解并充分考虑土壤空间变异,对于在景观尺度上建立生态、环境过程模型是必不可少的。在黄土高原横山县采集了254个样点,应用数字地形与遥感影像分析技术,获取相关地形因子与遥感指数,分析土壤属性（土壤容重、有机质和全磷）与环境因子相互关系,并利用环境变量进行空间预测。结果表明,土壤容重、有机质与地形因子和遥感指数之间存在较好相关性,而全磷与地形因子相关性不大;多元线性逐步回归模型对于土壤容重和有机质拟合较好,而对于全磷,预测结果较差;回归－克里格预测有效地减小了残差,消除了平滑效应,与实测值较为接近。     

基于热红外发射率光谱的土壤盐分预测模型的建立与验证

该研究尝试性地分析盐渍化土壤热红外发射率光谱特征,并建立土壤盐分高光谱预测模型,旨在为遥感传感器识别土壤盐分信息奠定基础。首先,采用FTIR（Fourier transform infrared spectrometer）温度与发射率分离处理软件进行土壤温度和发射率的分离。运用高斯滤波平滑法对研究区野外测的土壤样品热红外发射率光谱数据进行滤波去噪处理。其次,对不同土壤含盐量热红外发射率光谱数据进行特征分析;然后在原始热红外发射率光谱数据的基础上进行4种形式的数学变换,分析热红外发射率光谱数据的变换处理形式与土壤含盐量之间的定量相关性。最后,使用多元回归方法建立预测模型并进行精度评价。结果表明：经过数据变换处理后,发射率光谱差异性有所提高;以平方根变换后的热红外光谱数据建立的预测模型效果较好,R2达到0.82。该研究将热红外遥感独特的发射率光谱特性应用于土壤盐渍化的实际科学问题中,为定量地分析盐渍土热红外发射率光谱信息提供参考。     

松材线虫病遥感监测研究进展及方法述评

该研究旨在综合述评松材线虫病遥感监测的历史及近年来的研究进展,并就当前研究和工作中产生的问题给出建议与展望,为相关管理部门、科研院所以及从业者提供技术参考和辅助决策依据。该研究以科学引文数据库（WoS）和CNKI检索并筛选后得到的文献为基础,系统梳理松材线虫病遥感监测的提出及发展;根据遥感监测的对象层次分类梳理了近几年相关研究中使用的方法,就当前研究中存在的问题进行归纳和总结,最后给出了未来可能的工作及研究方向。该研究发现：1）2017年来松材线虫病遥感监测一直处于研究热点。2）松材线虫病遥感监测研究使用数据的运载平台大多为以无人机（UAV）为代表的机载平台,而光谱类型以RGB和多光谱为主。3）松材线虫病遥感监测的粒度以单株为主,监测使用的病害类别体系繁多且不同类别体系间的关系模糊。4）机器学习和深度学习两类方法在松材线虫病遥感监测研究中占据垄断地位,但两类方法各有优势、互不取代。该研究认为遥感调查极大提高了松材线虫病疫情增量控制及存量消减工作的效率,但存在单一数据源难以满足大范围细粒度的监测需求、病害类别体系杂乱、数据集不统一不标准、缺乏长时序监测成果等方面的问题。该研究提出未来可以在空天数据融合、病害类别体系及数据集标准化和短周期长时序监测等三个方面开展进一步工作及研究会有助于松材线虫病遥感监测的进一步实时化和智能化。     

松辽平原黑土有机质含量的遥感反演研究

通过分析遥感影像中裸露黑土的反射光谱值与土壤有机质含量之间的关系,尝试能否利用航天遥感影像进行研究区的农田土壤有机质含量的定量反演。研究将土壤有机质含量和ASTER遥感影像光谱值进行逐步回归分析,得出二者的指数关系式,并将研究区土壤有机质含量分为5个等级,表明利用遥感影像估测土壤有机质含量是可行的。     

Water Quality Retrievals from High Resolution Ikonos Multispectral Imagery: A Case Study in Istanbul, Turkey

This paper presents an application of high resolution satellite remote sensing data for mapping water quality in the Goldon Horn, Istanbul. It is an applied research emphasizing the present water quality conditions in this region for water quality parameters; secchi disc depth (SDD), chlorophyl-a (chl-a) and total suspended sediment (TSS) concentration. The study also examines the retrievals of these parameters through high resolution IKONOS multispectral data supported by in situ measurements. Image processing procedure involving radiometric correction is carried out for conversion from digital numbers (DNs) to spectral radiance to correlate water quality parameters and satellite data by using multiple regression technique. The retrieved and verified results show that the measured and estimated values of water quality parameters in good agreement (R ²?>?0.97). The spatial distribution maps are developed by using multiple regression algorithm belonging to water quality parameters. These maps present apparent spatial variations of selected parameters and inform the decision makers of water quality variations in a large water region in the Istanbul metropolitan area.