结合影像纹理、光谱与地形特征的森林结构参数反演

以黑龙江省SPOT5遥感影像和森林资源清查数据为数据源,获得对应样地的影像纹理特征、光谱波段值、光谱组合值以及地形信息,提取样地调查数据的林分信息,采用多元逐步回归分析,建立以SPOT5遥感影像纹理、光谱和地形特征为自变量,多个森林结构参数(林分平均直径、断面积、蓄积量和树种多样性指数)为因变量的估测模型,筛选最优纹理特征生成窗口及最优森林结构参数反演模型。结果表明,SPOT5影像的纹理光谱特征与森林结构参数具有较强的相关性,9×9窗口为最优纹理特征生成窗口;在引入地形因子后模型精度有了较大提高,树种多样性指数估测模型R2adj都在0.72以上,蓄积量模型估测精度最优(R2adj为0.864、RMSE为21.260 m~3/hm~2)。研究表明利用高分辨率遥感影像纹理、光谱和地形特征进行多个森林结构参数估测具有很好的应用效果。     

基于PSO-LSSVM的森林地上生物量估测模型

为提高森林地上生物量估测精度,从建模因子和建模方法出发,提出了一种综合考虑影像纹理特征、地形特征、光谱特征的粒子群优化最小二乘支持向量机生物量估测方法。以松山自然保护区为研究区域,以资源三号遥感卫星数据为数据源,配合194块调查样地实测数据、森林资源二类调查数据、数字高程模型数据,通过分析46个特征变量与森林地上生物量间的Pearson相关性,进行特征变量优化提取,建立PSO-LSSVM模型并在Matlab 2014a上编程实现。以决定系数R2和均方根误差RMSE为指标,对比分析了PSO-LSSVM和多元线性回归地上生物量模型精度。研究结果表明:PSO-LSSVM模型在针叶林、阔叶林、灌木林3种类型中预测决定系数分别为0.867、0.853、0.842,比多元线性回归模型分别提高了23.15%、19.13%、14.40%。PSO-LSSVM地上生物量模型具有良好的自学能力和自适应能力,它取代了传统的遍历优化方法,在全局优化及收敛速度方面具有较大优势,预测精度较高。     

基于辅助信息的森林蓄积量空间模拟

以北京市密云县一类清查的样地蓄积量为研究对象,结合与蓄积量相关的辅助因子,采用普通克里格法、协同克里格法对森林蓄积量进行空间插值估测,并与文献[25]同一研究区的基于偏最小二乘法回归法估测结果进行比较分析。结果表明,普通克里格法、基于辅助信息的协同克里格法、偏最小二乘回归法的蓄积量估测值与实测值间的相关系数分别为0.389、0.845、0.766;基于辅助信息的协同克里格法要优于普通克里格法和偏最小二乘回归法,能够明显提高预测精度;与普通克里格法相比,所产生的均方根误差减小了71%,预测值和实测值的相关系数提高了54%。最后生成了密云县森林蓄积量空间分布图。研究表明应用地统计学方法进行蓄积量估测具有很好的应用前景,可以为森林蓄积量的估测提供一种可行的方法。     

基于立方体格网法的树冠体积计算与预估模型建立

以北京地区10种常见乔木为研究对象,通过三维激光扫描仪获取其点云数据,利用树冠表面三角网配合立方体格网法计算其树冠体积,与点云中提取所得的林木因子分析建立树冠体积和胸径、树高、平均冠幅、冠高的预估方程,并检验其精度。以银杏为研究目标进行了实验,结果表明:银杏的树冠体积与胸径、树高、平均冠幅、冠高均显著相关,通过分析选取了银杏树冠体积的三因子(胸径、平均冠幅、冠高)最优模型,并对模型进行了检验,检验结果表明,模型拟合效果较好,预估精度达到90.5%,可以使用该模型进行银杏的体积估算;同时对所选其他树种进行三因子模型拟合,模型检验结果表明,三因子模型均能够较好地对该树种的树冠体积进行估测。     

基于哨兵-2A模拟反射率及其影像的冬小麦收获指数估算

为验证基于花后累积地上生物量比例动态参数（D-fG）的作物动态收获指数（D-HI）遥感估算方法在大范围获取作物收获指数空间信息的可行性和有效性,以我国黄淮海平原河北省衡水市为研究区,以冬小麦为研究对象,在前期田间冠层尺度确定作物收获指数估算敏感波段中心和最大波段宽度基础上,利用哨兵-2A(Sentinel-2A)遥感模拟反射率数据及其真实遥感数据开展基于花后累积地上生物量比例的区域冬小麦收获指数遥感估算研究。在基于不同波段组合Sentinel-2A遥感模拟数据筛选出的冬小麦动态收获指数估算最优波段信息基础上,利用Sentinel-2A影像数据实现区域作物收获指数空间信息准确获取。结果表明,在Sentinel-2A多光谱遥感模拟反射率波段λ1（672~680nm）和λ2（855~875nm）条件下,基于D-fG遥感参数信息的D-HI估测精度最高,其中,均方根误差（RMSE）、归一化均方根误差（NRMSE）和平均相对误差（MRE）分别为0.0404、10.83%、9.56%,证明Sentinel-2A卫星遥感数据在冬小麦收获指数估算中具有一定应用潜力。同时,在估测D-HI精度最高的模拟遥感数据波段信息基础上,基于Sentinel-2A卫星遥感红光和窄近红外波段组合的灌浆期不同阶段和成熟期D-HI估测区域总体验证精度指标RMSE、NRMSE和MRE分别为0.0502、13.81%、12.00%。上述结果表明基于Sentinel-2A卫星数据和花后累积地上生物量比例的作物动态收获指数遥感估算方法在大范围D-HI空间信息获取中具有一定可行性和有效性,为基于宽波段多光谱卫星遥感数据的大范围作物动态收获指数空间信息准确获取提供一定技术方法借鉴。     

基于ALOS遥感数据纹理及纹理指数的柞树蓄积量估测

以北京市怀柔区柞树林为研究对象,通过计算ALOS卫星2.5 m分辨率融合影像在不同窗口下的纹理特征及衍生纹理指数,采用多元逐步回归模型建立柞树地面实测蓄积量与ALOS影像纹理特征及衍生纹理指数的相关关系,比较纹理特征及衍生纹理指数拟合柞树蓄积量模型的精度,筛选最优反演模型及最优纹理生成窗口。结果表明:同一纹理生成窗口下,基于衍生纹理指数的柞树蓄积量反演模型(R2adj=0.603、RMSE为19.899 4 m3/hm2)精度优于基于纹理特征的柞树蓄积量反演模型(R2adj=0.217、RMSE为27.943 8 m3/hm2);结合同一窗口的纹理特征及衍生纹理指数进行柞树蓄积量建模,精度可进一步提升(R2adj=0.747,RMSE为15.887 6 m3/hm2);基于所有窗口的纹理特征及衍生纹理指数建立多元逐步回归模型,可得到柞树蓄积量估测的最优模型(R2adj=0.807,RMSE为13.856 5 m3/hm2);11×11窗口为最优纹理生成窗口,其对应最优单窗口模型拟合优度为:R2adj=0.747,RMSE为15.887 6 m3/hm2。     

基于无人机-卫星遥感升尺度的土壤盐渍化监测方法

为提高卫星遥感对裸土期土壤盐渍化的监测精度,以河套灌区沙壕渠灌域为研究区域,利用无人机多光谱遥感和GF-1卫星遥感分别获取图像数据,并同步采集土壤表层含盐量;将实测含盐量与无人机和GF-1卫星两种数据的光谱因子进行相关性分析,引入多元线性回归模型（Multivariable linear regression,MLR）、逐步回归模型（Stepwise regression,SR）和岭回归模型（Ridge regression,RR）,分别构建盐渍化监测模型;采用改进的TsHARP尺度转换方法,将无人机数据建立的趋势面应用到GF-1卫星尺度上,经过转换残差校正,对升尺度结果进行定性和定量分析。结果表明：在两种遥感数据的光谱波段和盐分指数中,蓝波段B1、近红外波段B5、盐分指数SI、盐分指数S5和改进的光谱指数NDVI-S1与表层土壤盐分的相关性较好,相关系数均在0.3以上;在3种回归模型中,利用无人机多光谱影像数据和GF-1多光谱影像数据反演表层土壤含盐量的最优模型分别是SRU模型和MLRS模型;升尺度后土壤含盐量的反演精度高于直接采用卫星遥感数据反演的精度。本研究可为裸土期土壤盐渍化的大范围快速精准监测提供参考。     

基于无人机多光谱影像特征的最佳波段组合研究

针对卫星遥感影像分辨率低、时间周期长、波段冗余信息多等问题,利用无人机多光谱数据获取便捷、成本低、周期短的优势,以玛纳斯河畔为研究区,使用固定翼无人机搭载Micro MCA12 Snap多光谱传感器获取高分辨率多光谱影像。通过对多光谱影像数据标准差及相关性进行分析排序,结合OIF方法得到原始波段最佳组合,使用多种植被及水体指数、主成分分析、灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段,提出将光谱特征、纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合。实验结果表明,针对Micro MCA12 Snap多光谱传感器,可选择波段1、6、11、NDVI、NDWI以及灰度共生矩阵中的Mean参量作为其地物分类的最佳波段组合。感兴趣区域内非监督IsoData分类精度从83.57%提升到89.80%,监督的SVM分类精度从95.58%提升到99.76%。研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考。     

基于随机森林模型的林地叶面积指数遥感估算

林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地实测LAI数据和相应植被指数的相关性,进而使用随机森林(RF)算法构建了林地LAI估算模型,以支持向量回归(SVR)模型和反向传播神经网络(BP)模型作为参比模型,以决定系数(R~2)、均方根误差(RMSE)、平均相对误差(MAE)和相对分析误差(RPD)为指标评价并比较了模型预测精度。结果表明:全样本数据中,各植被指数与对应LAI值均呈极显著相关(P0.01),且相关系数都大于0.4;RF模型在3次不同样本组中的预测精度均高于同期的SVR模型和BP模型;3个样本组中RF模型的LAI估测值与实测值的R~2分别为0.688、0.796和0.707,RPD分别为1.653、1.984和1.731,均高于同期SVR模型和BP模型,对应的RMSE分别为0.509、0.658和0.696,MAE分别为0.417、0.414和0.466,均低于同期其他2种模型。     

基于无人机遥感表型监测的苎麻优质种质资源筛选方法

苎麻是重要的纤维作物之一,由于土地资源紧缺及优良品种的推广应用等原因,苎麻遗传变异和遗传多样性减少,对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测,实现作物种质资源调查,筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价,辅助筛选优势苎麻品种,本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先,基于无人机遥感影像,利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model,DSM）和正射影像;然后,对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高,基于正射图像采用目标检测算法提取苎麻株数,采用机器学习方法估测苎麻叶面积指数（Leaf Area Index,LAI）、叶片叶绿素含量（SPAD值）、含水量;最后,根据提取的各项遥感表型参数,采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明,（1）基于无人机遥感的苎麻表型估测效果较好,株高的拟合精度为0.93,均方根误差为5.65 cm;SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74,RMSE分别为2.03、2.21、0.63;（2）苎麻种质资源的遥感表型存在较大差异,LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%;（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值）,因子1可用于苎麻种质资源结构特征评价,因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。     

国产星载激光雷达森林回波波形模拟仿真

为探究拟发射国产星载激光雷达卫星波形数据在森林结构参数估测方面应用潜力,首先需对其回波波形进行模拟仿真。针对地形无规律起伏和林层结构复杂这一问题,本文采用有限元原理实现了随机地形与林分三维信息的模拟仿真;针对激光脉冲传输过程中能量衰减的问题,引入了激光雷达辐射传输模型;为验证本文所建回波仿真系统有效性,利用与国产星载激光雷达回波波形相近的ICESat-GLAS实测波形数据对GLAS仿真波形数据进行验证。研究结果为：发射波仿真波形与实测波形相关系数为0.96;地形坡度分别为0°～10°、10°～20°、20°～30°和30°以上时回波仿真波形与实测波形相关系数均值分别为0.90、0.88、0.85和0.81;郁闭度分别为0～0.2、0.2～0.4、0.4～0.6、0.6～0.8和0.8～1.0时回波仿真波形与实测波形相关系数均值分别为0.81、0.80、0.84、0.88和0.90;针叶林、阔叶林和混交林回波仿真波形与实测波形相关系数均值分别为0.85、0.86和0.89。研究结果表明：本文所建回波仿真系统可用于国产星载激光雷达回波仿真。回波仿真所得国产星载激光雷达仿真波形,可为森林结构...     

冬小麦SPAD值无人机可见光和多光谱植被指数结合估算

SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

融合光谱与图像信息的河套蜜瓜糖度在线检测试验系统

针对蜜瓜糖度在线检测的需求,设计了融合漫透射光谱与图像信息的河套蜜瓜糖度在线检测试验系统,该系统包括硬件平台和软件系统两部分。硬件平台主要包括蜜瓜输送装置、光谱采集装置、图像采集装置和控制系统4部分。软件系统基于Microsoft Visual C++6.0语言,结合Omni Driver软件、Fly Capture2及Open CV软件开发。系统可实现蜜瓜光谱与图像信息的自动采集、显示及保存,可实现对漫透射光谱预处理,获取糖度检测所需光谱数据,对图像预处理,提取蜜瓜外观特征图像信息(R、G、B颜色值和蜜瓜体积)。在此基础上,系统可通过融合漫透射光谱与图像信息的蜜瓜糖度检测模型,计算蜜瓜糖度。系统同时可实现检测个数统计,外观特征信息及糖度的实时显示、保存等功能。测试试验表明,该试验系统检测1个样品用时1.2 s,糖度检测均方根误差为1.22,可满足河套蜜瓜糖度在线检测试验需求,为进一步开展河套蜜瓜糖度在线检测研究奠定了基础。     

GEDI与Tandem-X DEM估测密林林下地形性能评价

针对密林情况下，GEDI数据与现有的Tandem-X DEM数字地面模型估测林下地形精度没有进行整体评价问题，拟以密林情况作为主要分析场景，通过提取GEDI L2A数据产品对应光斑的经纬度、林下地形信息与数据质量筛选参数，开展数据质量筛选，用以估测基于GEDI数据的林下地形数据，与Tandem-X DEM数据估测密林情况下研究区林下地形开展比较，并进一步探究冠层高度、森林覆盖度与植被类型对估测精度的影响。GEDI与Tandem-X DEM的R²分别为0.99和0.98,GEDI估测林下地形结果的RMSE、Average与STD分别6.49、-1.92、4.42 m, Tandem-X DEM估测林下地形结果的RMSE、Average与STD分别为18.15、14.63、7.35 m。GEDI数据在混交林和稀疏草原情况下RMSE与Average分别变化8.05 m和6.04 m, Tandem-X DEM数据在常绿针叶林与农田/天然植被情况下，RMSE与Average变化幅度为21.63、26.43 m。实验结果表明，GEDI与Tandem-X DEM数据与机载验证...     

基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R²为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供...     

基于图像特征和随机森林的油菜生物量估算

油菜生物量是喂入量和作业质量的主要影响因素,高效、快速地检测油菜生物量是实现油菜收获机自动控制的基础和前提。为研究收获期油菜生物量的影响因素和分布规律,首先利用无人机采集联合收获期油菜的田间可见光图像并实测油菜的生物量信息,提取并构建与油菜生物量有关的32个特征参数,通过相关性分析筛选出与油菜生物量相关性较高的10个显著特征;分别建立基于随机森林（Random forest,RF）、主成分分析（Principal component analysis,PCA）和支持向量机（Support vector machine,SVM）的联合收获期油菜生物量估算模型;利用训练集确定模型参数并优化,利用测试集估算油菜生物量,验证估算模型的性能并比较精度。结果表明：3种模型的评价指标均方根误差（RMSE）、相对误差(RE)和决定系数(R2)分别为0.24 kg/m2、0.04%~22.23%、0.87,0.36 kg/m2、0.92%~21.14%、0.71和0.26 kg/m2、0.28%~34.17%、0.84;对比估算结果可知,基于随机森林的估算模型的RMSE小于PCA和SVM模型,决定系数R2最大且相对误差较小,模型精度和稳定性较优,是估算联合收获期油菜生物量一种较优的方法。基于可见光图像特征和随机森林的油菜生物量估算方法可为油菜联合收割机喂入量自动检测提供方法和参考。     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。