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。     

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Google Earth Engine的黄土高原覆膜农田遥感识别

为了建立覆膜农田遥感识别技术体系,本研究选取甘肃省定西市安定区团结镇作为黄土高原地膜覆盖旱作农业代表性区域,基于Google Earth Engine云平台和Landsat-8反射率数据,采用特征重要性分析优选纹理特征,利用参数优化后的随机森林算法提取覆膜农田区域并选出最佳特征组合方案,最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果来评价不同分类算法的性能。结果表明:优化关键参数后的随机森林算法能够显著提高遥感影像的分类精度;单一特征方案中,基于光谱特征的分类精度最高,且加入指数和纹理特征可提高总体识别精度;利用随机森林特征重要性分析选取的优选纹理特征分类性能优于全部纹理特征,基于"光谱+指数+优选纹理"特征方案的识别结果最佳,总体精度和Kappa系数达95.05%和0.94;与支持向量机、决策树和最小距离分类相比,随机森林优势明显,总体精度分别高3.10、7.74、50.78个百分点。本研究实现了对地形复杂地区覆膜农田空间分布较为精准的识别。     

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。     

基于多进制小波变换及多维纹理特征的遥感影像融合方法

探讨了基于多进制小波变换与多维纹理特征融合相结合的遥感影像融合方法。在融合过程中,首先对高分辨率全色影像和多光谱影像进行多进制小波分解,再联合提取局部方差、局部梯度、局部能量和局部信息熵4维纹理特征,将高分辨率影像的高频分量分别与多光谱影像的高频分量以多维纹理特征进行多判据联合方法融合,形成新的高频分量,然后与多光谱影像的低频分量进行多进制小波逆变换,最后经 RGB合成为彩色影像。试验选取淮南矿区SPOT 10 m与TM 30 m空间分辨率影像,从目视判读（定性评价）、地物光谱曲线分析、定量评价指标三方面对融合方法进行了评价。结果表明,该方法既保留了原影像的光谱信息,同时也改善了影像的清晰度和分辨率,利用融合后的影像进行矿区土地利用变化监测,效果明显提高。     

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。     

设施农业的高分辨率遥感影像信息提取方法的研究

以SPOT5高分辨率遥感影像作为基础底图,结合设施农业空间位置分布规律及其纹理特征在高分辨率遥感影像上的体现,设计了批量设施自动生成算法,重点研究了设施对象坐标的计算方法。同时,通过实际应用验证了该方法的准确性。     

基于时序光谱和高分纹理分析的制种玉米田遥感识别

根据制种玉米与其他作物在中高分辨率遥感影像上的光谱和纹理差异,利用多源遥感数据,以提取制种玉米种植田为研究目标,提出了作物多时相光谱特征分析的植被指数体系,多维度反映了作物不同光谱差异;在纹理检测前加入图像旋转不变处理,解决了遥感影像中作物田纹理方向问题;最后构建了多时相光谱特征和高空间分辨率遥感影像LBP-GLCM纹理特征的制种玉米田识别方法体系。以新疆霍城县为研究区,利用上述方法体系结合随机森林分类器,通过实验得到分类总体精度为90.57%,Kappa系数为0.79,制种玉米田分类结果用户精度为99.20%,制图精度为86.68%,基本满足对制种玉米田的识别需求。     

基于无人机多维数据集的森林地上生物量估测模型研究

森林地上生物量（Aboveground biomass,AGB）是评价森林生长情况的重要指标。基于数字航空摄影（Digital aerial photography,DAP）生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法（随机森林（RF）、袋装树（BT）、支持向量回归（SVR）、Cubist、类别型特征提升（CatBoost）、极端梯度提升（XGBoost））分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R2分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R2达到0.7601, XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。     

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₍(...     

基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。     

融合光谱和空间特征的土壤重金属含量极端随机树估算

针对高光谱遥感土壤重金属含量估算研究中光谱特征信息弱、模型反演鲁棒性差的问题,提出构建污染源-汇空间特征量化污染物扩散与汇聚空间影响因子,融合光谱特征建立基于极端随机树（Extremely randomized trees,ERT）的土壤重金属含量估算模型。以济源市耕地土壤为研究区,布设采集土壤样本249个,分析了光谱特征、地形特征和污染源空间特征在土壤重金属铅（Pb）、铬（Cd）含量反演中的有效性及影响机理,采用置换重要性指数优选多源特征,通过与多种回归模型对比,评价ERT模型的预测精度。研究表明,变换后的土壤光谱特征构建ERT模型引入地形特征和污染源空间特征后精度提升显著,尤其是污染源空间特征优势更为明显,Pb的ERT模型均方根误差由43.185mg/kg下降到22.301mg/kg,下降了48.36%。Cd的ERT模型均方根误差由0.738mg/kg下降到0.371mg/kg,下降了49.73%,充分说明引入污染扩散空间特征的有效性。与其他回归模型对比,ERT估算模型在各项指标评价中优势明显,其中Pb的ERT模型的测试集R2达0.964,Cd的ERT模型R2为0.923。     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量（AGB）和地面控制点（GCP）的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型（DSM）,利用DSM提取马铃薯的株高Hdsm ;然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归（Exponential regression,ER）构建单变量模型;最后,采用多元线性回归（Multiple linear regression, MLR）、偏最小二乘回归（Partial least square regression, PLSR）和随机森林（Random forest, RF）3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明：将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高（R 2 =0.45）;在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型（R 2 为0.64、0.70、0.79、0.68、0.63）效果优于PLSR（R 2 为0.62、0.68、0.75、0.67、0.60）和RF（R 2 为0.56、0.61、0.67、0.63、0.53）模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。     

基于地理加权回归模型的亚热带地区乔木林生物量估算

基于浙江省碳汇样地调查数据,以乔木林生物量(含地上和地下生物量)为因变量,将筛选的与因变量相关性较高的因子作为解释变量,采用地理加权回归和协同克里格方法对乔木林生物量进行估算,对比分析两种估测方法的精度。结果表明:基于地理加权回归方法构建的乔木林生物量估算模型(R2adj=0.820 4,RMSE=23.021 5 t/hm2)精度优于协同克里格方法(R2adj=0.726 3,RMSE=28.054 9 t/hm2),同时使用地理加权回归方法的乔木林生物量预测值的变异系数(Cv=0.618 9)高于协同克里格法(Cv=0.585 4),由此可知地理加权回归方法因考虑了待估变量的局部变异,比协同克里格方法具有更好的拟合结果,预测精度较高。     

基于无人机多光谱遥感和机器学习的苎麻理化性状估测

苎麻生理生化性状是其遗传基础和环境条件综合影响的结果，能够反映特定胁迫环境下苎麻的生长发育状况。无人机遥感技术为大规模田间作物长势监测提供了有效手段，利用无人机搭载多光谱相机对苎麻理化性状进行综合评价具有实际意义。因此，以苎麻种质资源为研究对象，采用无人机多光谱遥感获取苎麻冠层的光谱参数和纹理参数，运用相关性分析法(Pearson correlation analysis, PCA)、递归特征消除法(Recursive feature elimination, RFE)2种最优特征筛选方法和线性回归(Linear regression, LR)、决策树(Decision tree, DT)、随机森林回归(Random forest, RF)、支持向量机(Support vector machines, SVM)、偏最小二乘回归分析(Partial least squares regression analysis, PLSR)5种机器学习算法分别构建了苎麻叶绿素相对含量(SPAD值)、叶面积指数(Leaf area index, LAI)和叶片相对含水量(Relative water ...     

模拟多光谱卫星宽波段反射率的冬小麦叶片氮含量估算

基于多年大田和小区试验下的实测小麦冠层高光谱信息,利用传感器光谱响应函数模拟Landsat 8、SPOT 6、HJ-1A、HJ-1B、GF-1和ZY-3卫星可见光-近红外波段的冠层光谱反射率,构建基于光谱指数的全生育期叶片氮含量(Leaf nitrogen concentration,LNC)估算模型。结果表明,基于不同传感器模拟的宽波段光谱反射率、光谱指数之间存在差异,但差异不显著;所有筛选的光谱指数和叶片氮含量都在P0.01水平显著相关,基于各光谱指数所构建的全生育期叶片氮含量估算通用模型均通过显著性检验;基于综合指数(TCARI/OSAVI)、转化叶绿素吸收反射指数(TCARI)、比值植被指数(RVI)的叶片氮含量估算模型具有较高的敏感性,噪声等效误差(NE)均小于1.6,其中以TCARI/OSAVI建立的叶片氮含量估算通用模型具有最好的拟合、检验精度和适用性,模型决定系数为0.62,NE为1.26。