结合影像光谱与地形因子的森林蓄积量估测模型

以资源三号卫星遥感图像为数据源,以内蒙古旺业甸林场为研究区域,通过外业调查获取的样地蓄积量真实值,对资源三号影像进行处理,获得对应样地的波段光谱值、光谱组合值及地形因子信息,应用多元回归分析,分别建立阔叶林和针叶林蓄积量估测模型。实验结果表明:蓄积量估测模型相关系数阔叶林为0.815,针叶林为0.761,说明资源三号卫星影像的光谱值、光谱组合值及地形因子与蓄积量具有较强的相关性,同时利用检验数据,得出模型的预估精度,其中阔叶林为85.3%,针叶林为91.9%,预估精度较高,研究表明利用资源三号卫星影像进行森林蓄积量估测具有很好的应用前景。     

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。     

基于高光谱特征的松材线虫岭回归估测模型研究

以2017年6—8月获取的重庆永胜林场马尾松光谱反射率为数据源,对绿光区(490～560 nm)、黄光区(560～590 nm)、红光区(620～680 nm)、红边(680～780 nm)、近红外区(780～1 100 nm)最大反射率和反射率总和、绿峰(500～670 nm)反射高度、红谷(560～760 nm)吸收深度等14个高光谱特征参数进行岭迹分析,筛选出非共线性特征参数,构建松材线虫岭回归估测模型。结果表明:红边和近红外区反射率最大值、红边和近红外区反射率总和、红谷吸收深度岭迹曲线变化稳定且不趋于零,可用于岭回归建模。当岭迹参数k=0. 2时,上述5个高光谱特征参数岭迹趋于稳定,根据k值计算岭回归系数,构建松材线虫岭回归估测模型。模型决定系数R2为0. 868 6,均方根误差RMSE为0. 273 5,平均估测精度为87. 15%,可为松材线虫病害早期监测和防治研究提供技术支持。     

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0～20cm的土壤含盐量,并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类（土壤背景和植被冠层）,基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征,采用支持向量机（SVM）和极限学习机（ELM）构建土壤含盐量监测模型,其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4),通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明：策略3、4所计算出的土壤含盐量反演精度高于策略1、2,策略1~4验证集决定系数R2v分别为0.614、0.640、0.657、0.681,因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4,图像纹理特征+植被指数受到土壤背景的影响,策略4精度低于策略3精度,其R2v分别为0.614、0.657;各变量处理的最优模型均为ELM模型,建模集R2c分别为0.625、0.644、0.618、0.683,标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。     

基于纹理-颜色特征与植被指数融合的冬小麦LAI估测

准确、快速、无损估测叶面积指数(LAI)对于冬小麦生产管理具有重要意义。利用无人机搭载Prime ALTUM多光谱相机获取冬小麦拔节期、孕穗期、抽穗期、灌浆期多光谱图像,利用LAI-2200C型植物冠层分析仪获取地面LAI数据。通过Pearson相关性分析筛选出25个植被指数,并提取植被指数影像中8种纹理特征：对比度(CON)、熵(ENT)、方差(VAR)、均值(MEA)、协同性(HOM)、相异性(DIS)、二阶矩(SEM)和相关性(COR),以及3种颜色特征：一阶矩(M)、二阶矩(V)和三阶矩(S),再分别利用多元逐步回归模型(MSR)、支持向量回归模型(SVR)和高斯过程回归模型(GPR)构建冬小麦LAI估测模型。结果表明：相对于考虑单一类型变量,考虑结合纹理特征和颜色特征进行估测时模型精度更高;3类模型中,GPR模型估测冬小麦LAI的精度最高;所有模型中,基于纹理-颜色特征与植被指数融合的GPR模型估测冬小麦LAI精度最高(决定系数R²为0.94,均方根误差(RMSE)为0.17 m²/m²,平均绝对误差(MAE)...     

融合无人机光谱信息与纹理特征的棉花叶面积指数估测

农田尺度下作物叶面积指数(Leaf area index, LAI)的精准监测,对于研究群体结构对产量和管理措施的响应具有重要意义。目前普遍采用无人机光谱特征反演作物的LAI指数,作为长势和冠层结构诊断的重要依据,其估测精度的准确性是否可以提高仍有待研究。作物表面特征,如灰度和颜色,在不同生育阶段会发生变化。为此,本研究考虑到LAI的影响因素,设置不同的种植密度和氮素水平营造差异化的冠层结构,利用搭载多光谱传感器的无人机获取主要生育时期棉花的冠层图像得到植被指数(Vegetation indexs, VIs),基于二阶概率统计滤波(Co-occurrence measures)方法获取均值(MEA)、方差(VAR)、协同性(HOM)、对比度(CON)、相异性(DIS)、信息熵(ENT)、二阶矩(SEM)和相关性(COR)等8个纹理特征值(Texture features, TFs)。最后,采用支持向量机回归(SVR)、偏最小二乘法(PLSR)、深度神经网络(DNN)分别建立基于光谱特征、纹理特征以及二者结合的棉花LAI的估算模型,并比较差异。试验结果表明：VI₍(...     

基于无人机成像高光谱影像的冬小麦LAI估测

利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。     

基于无人机高光谱遥感影像的防护林树种分类

树种信息对林业资源监测和管理具有重要意义,及时准确地掌握树种及长势状况是防护林工程建设与效益评价的基础。为研究利用无人机高光谱数据进行防护林树种分类的效果,选取典型区域使用Matrice600型六旋翼无人机搭载Rikola高光谱成像仪获取高光谱影像,基于支持向量机-递归特征消除算法（SVM-RFE）选取原始波段最佳组合,再结合纹理特征、植被指数和数理统计特征,使用随机森林算法对所有特征进行重要性评估并与分类精度相结合进行特征优化,进而构建高光谱影像全波段、原始波段最佳组合、全部特征变量、基于随机森林（RF）特征优化后特征变量4种分类方案,分别采用最大似然法（MLC）、支持向量机（SVM）、随机森林对防护林优势树种进行分类。结果表明：所提出的基于交叉验证的SVM-RFE算法选出的原始波段组合能更好地还原原始光谱特征;通过RF算法的特征重要性分析与分类精度相结合的方法可以有效选出重要特征,当使用全部特征的85%（包括17个光谱特征、3个纹理特征、5个植被指数和3个数理统计特征）进行分类时,总体精度最高为9593%（Kappa系数为0.9475）;所有特征中植被指数特征最重要,3种分类方法中RF算法分类总体精度（OA）最高。     

基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明：经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R2v/R2c为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。     

基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数,精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前,利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数,针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像,通过提取植被指数和纹理特征,分析水稻的动态生长变化,并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长,并且这些参数随水稻生长呈现出了相似的动态变化趋势;（2）与RGB图像相比,多光谱图像评估水稻含水量具有更高的潜力,其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68,RMSEP=0.039,rRMSE =5.24%）;（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86,RMSEP=0.026,rRMSE=3.51%）,预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明,基于无人机遥感技术监测水稻含水量是可行的,可为农田精准灌溉和田间管理决策提供新思路。     

基于Curvelet-散射特征的图像纹理分类

在二代曲线波的基础上,提出一种旋转不变曲波特征,然后结合具有平移不变性和Lipschitz连续性的散射向量特征用于对纹理图像的分类研究.通过系统分析以及严格实验可以得出,旋转不变曲波纹理特征优于广泛使用的Gabor纹理特征,且Curvelet-散射组合特征在纹理分类上具有很高准确率以及计算纹理特征的效率,和单一的散射特征相比,具有一定的优势.     

基于纹理和颜色特征的甜瓜缺陷识别

为了提高硬皮甜瓜缺陷分类的正确率,提取基于纹理和颜色的综合特征,采用支持向量机分类器构造了甜瓜缺陷的自动检测系统。对甜瓜图像可疑区进行了纹理分析,提取灰度共生矩阵的4个特征参数,经过比较实验得出,对比度和角二阶矩2个参数对甜瓜瓜蒂、花萼、擦伤和霉变有明显的可区分性。在可疑区域上提取了由R、G、B分量及其算术运算组成的12种颜色特征,通过实验筛选出4种具有较好区分性的颜色特征。实验结果表明,由这些优选出的纹理与颜色特征组成的综合特征及支持向量机分类器对甜瓜缺陷的识别正确率达到92.2%。     

基于高光谱图谱融合技术的英德红茶等级快速无损判别

茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。     

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。     

缺素叶片图像颜色和纹型特征参数提取的研究

利用计算机图像处理技术进行作物缺素判别，从颜色和纹理两个方面提取番茄缺氮、缺钾、缺铁和正常4种情况下叶片图像的特征参数，取得了较好的效果。     

基于遗传规划的树皮纹理图像识别

图像纹理识别广泛应用于农业、林业和纺织业等领域,自动图像纹理识别是发展方向,人们不断在研究探索图像纹理识别方法。为此,选用了5类树皮纹理图像作为识别图像集,以灰度共生矩阵方法提取图像特征,用遗传规划分类算法进化图像纹理识别器,完成了图像纹理识别测试,取得了比较理想的图像纹理识别结果,为遗传规划在图像纹理识别的应用做了有益的尝试和探索。     

基于地相位优化估计的RVoG三阶段森林冠层高度反演

极化干涉合成孔径雷达（PolInSAR）估测森林结构参数中,数据受基线长度、信噪比、环境地形以及雷达波长的影响,尤其在复杂森林环境条件下,会导致观测到的复相干存在误差,从而影响最终的反演结果。为解决此问题,首先探讨了体相干选择对RVoG三阶段森林冠层高度反演的影响,以地相位为参考逐像素选择距离地相位最远的相干性作为体相干。其次改进了地相位估计方法,采用戴明回归（DMR）和正交回归（OGR）2种相干直线拟合方法来改进地相位的估计,并在DMR拟合方法中设置了不同的误差比（0.3和0.6）来比较地相位估计方法对RVoG三阶段森林冠层高度反演的影响。研究结果表明：以地相位为参考逐像素选择体相干的反演结果相较于直接使用HV极化通道的复相干γ_HV为体相干的反演精度有明显提升,决定系数（R²）由0.349增加到0.383,均方误差由7.097 m²降低到5.755 m²。在体相干优化选择的基础上,采用了戴明回归和正交回归对地相位估计方法进行了改进。表明基于最小二乘回归（LSR）地相位估计的RVoG三阶段反演精度最...     

基于SRTM的地形因子提取方法研究

地形是影响土壤侵蚀的重要因子,在侵蚀估算模型中常用坡度和坡长(LS)来衡量,在大区域上常基于数字高程模型(DEM)提取.SRTM作为大区域尺度上质量高、易获取的高程数据,在全球土壤侵蚀评价中得到广泛应用.但现有地形因子提取算法要求高程和栅格单元的单位(通常为m)一致,需对SRTM进行坐标变换才能使用.针对大区域上SRT...     

低空无人机影像分辨率对冬小麦氮浓度反演的影响

针对目前基于无人机遥感进行作物氮素营养诊断中缺乏规范化的标准来指导无人机应用过程中数据获取与处理的问题,开展了不同分辨率、低空无人机影像对冬小麦植株氮浓度反演影响的研究。在小麦生长的灌浆期,通过设置15、30、50、80 m共4种无人机飞行高度,获取了不同分辨率下的无人机多光谱影像,并开展地面试验,采集冬小麦植株氮浓度信息。基于这些数据,提取了不同分辨率下影像的光谱信息和纹理特征,并分别建立光谱信息、纹理特征和光谱信息+纹理特征等反演植株氮浓度的模型。对不同情景下的模型估测效果进行比较,结果表明,影像分辨率在1.00～5.69 cm之间变化时,影像光谱信息对小麦植株氮浓度反演影响不大,各情景下建模结果和验证结果差异较小;随着影像分辨率的降低,影像纹理特征对小麦植株氮浓度反演的效果变差;影像光谱信息+纹理特征信息对小麦植株氮浓度反演效果整体随着影像分辨率的提高呈增加趋势,且其反演结果优于单一光谱特征或单一纹理特征的反演效果。