基于高光谱和高分辨率影像的土地利用数据库更新研究

探讨了基于高光谱和高分辨率影像结合下的1∶1万土地利用数据库更新方法。首先应用宜兴试验区128波段OMIS-I机载成像光谱数据，借助基期的土地利用数据库，采用土地利用类型分区控制下的光谱匹配分类获得土地利用/土地覆盖自动分类结果。通过分类结果与历史土地利用数据运算得到土地利用可疑变化区与变化类型。采用高光谱数据和SPOT2.5m全色波段融合影像为底图，在土地利用可疑变化区引导下，采用人机交互方式对变化区矢量数据更新。最后，以高精度GPS配合下进行变化区域野外调查验证，内业修改处理后生成新的土地利用数据库。     

结合ZY-102D光谱与纹理特征的干旱区植被类型遥感分类

高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法（Generalized Normal Distribution Optimization,GNDO）的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-1 02D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元（30、50、100、150、200）基础上,分别利用遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）、灰狼优化算法（Grey Wolf Optimization,GWO）以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林（Random Forest,RF）方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示：蓝波段（400～450 nm）、红边波段（700～750 nm）和红波段（600～650 nm）对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集（GNDO200）获得了最高的总体分类精度（80.44%）;随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集（GWO200+TEX）获得了最高的总体分类精度（82.86%）。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。     

基于空间信息的高光谱遥感植被分类技术

高光谱数据常带有噪声,传统的仅考虑光谱信息的遥感植被分类方法效果不佳,融入空间信息进行植被分类显得尤为重要。以NDVI阈值法提取植被信息后,采用最小噪声变换对Hyperion高光谱影像进行压缩处理,取前60个分量数据,并采用一种空间与光谱信息相结合的高光谱影像植被分类法,完成研究区植被分类。结果表明,对各植被类型的平均分类精度达90.3%,而最大似然法的平均分类精度仅为70.0%。融入空间信息的高光谱遥感植被分类方法能有效地削弱噪声,在一定程度上提高了分类精度,在实际应用中有一定的参考价值。     

高光谱图像技术诊断温室黄瓜病害的方法

利用高光谱图像技术研究了诊断温室黄瓜病害的方法,以提高诊断的准确性和效率。试验以黄瓜霜霉病、白粉病为研究对象,利用高光谱图像采集系统获取黄瓜病叶的高光谱图像数据,在450～900 nm范围内的高光谱图像数据中,选出特征波长下的图像;然后,对该图像进行去除噪声的滤波处理,并提取黄瓜病叶的色度矩纹理特征向量;最后采用支持向量机分类方法对黄瓜病害进行诊断。研究结果表明,采用高光谱图像新技术与线性核函数对黄瓜霜霉病、白粉病的正确诊断率达100%,采用高光谱图像技术可以实现对温室黄瓜病害进行快速、精确的分类诊断。     

基于近红外光谱和深度学习数据增强的大米品种检测

近红外光谱和深度学习结合的思路是大米品种检测的重要研究方向，其准确检测模型的建立依赖大规模的样本数据，然而采集和预处理样本耗时巨大，对准确性的提升造成限制。为解决上述不足，便于深入探究近红外光谱结合深度学习方法在大米品种检测领域应用的可行性，该研究提出基于近红外光谱结合改进型深度卷积生成式对抗神经网络（deep convolutional generative adversarial network，DCGAN）数据增强的大米品种检测方法。首先，在相同环境下采集4种大米品种的近红外光谱并对原始光谱数据进行预处理，使用去趋势校正（detrend correction，DC）和无信息变量消除算法（uninformative variable elimination，UVE）消除无用光谱特征点。然后，建立改进型DCGAN模型对预处理后的光谱数据进行数据增强，对比试验结果表明，改进型DCGAN相比与传统数据增强方法，改进型DCGAN生成数据的结构相似度指标更优。最后，研究不同数据增强方法结合不同分类方法建立大米品种分类模型的性能，对比试验结果表明，改进型DCGAN数据增强结合一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）分类算法所建模型面向测试集的准确率最高，为98.21%，为简便准确的大米品种检测方案提供了新思路。     

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。     

基于支持向量机和ReliefF算法的玉米品种抗倒伏预测

针对目前玉米品种抗倒伏鉴定方法费时、费力，玉米抗倒伏品种选育周期长的问题，该研究采用高光谱成像技术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于2018年和2019年开展田间试验采集不同抗倒伏的8个玉米品种的高光谱成像数据，基于区域识别方法提取感兴趣区域（Region of Interest，ROI）的光谱曲线，分析抗倒样本和不抗倒样本的数据特性；然后分别采用过滤式特征选择算法ReliefF（Relevant Features）和主成分分析（Principal Component Analysis，PCA）结合ReliefF算法的方式，挖掘抗倒品种和不抗倒品种的光谱分类特征；最后使用交叉验证的方式，对ReliefF方法选择的原始光谱数据特征数量和PCAReliefF方法选择的主成分特征数量进行优化，分别建立ReliefF-SVM和PCAReliefF-SVM支持向量机（Support Vector Machines，SVM）分类模型，并对SVM模型的惩罚参数和核参数进行优化，以获得更好的模型预测效果。结果表明：经过特征优化，2018年试验和2019年试验分别选择了40和50个特征参与建模，且使用PCAReliefF方法选择的主成分特征与使用ReliefF方法选择的原始光谱数据特征相比，几乎不含有冗余特征；通过对支持向量机模型的惩罚参数和核参数进行优化，2018年试验ReliefF-SVM和PCAReliefF-SVM模型对预测集样本的抗倒伏分类预测正确率分别为84.17%和85 %，2019年试验模型分类预测正确率分别为84.17%和85.83%。可见，采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测，使用PCAReliefF-SVM模型比ReliefF-SVM分类模型综合性能更优，试验为玉米抗倒伏品种的高效筛选提供了方法和借鉴。     

基于高光谱和参数优化支持向量机的水稻施氮水平分类研究

为探索水稻氮素营养的快速、无损诊断方法以及构建基于高光谱技术的水稻氮素营养状况分类识别模型。本研究以 4种不同施氮水平的“中嘉早 17”水稻分蘖期顶部第三完全展开叶叶片(简称顶三叶)为研究对象,测定各叶片的可见光到近红外波段(350～ 2500 nm)内的光谱数据,对所获取的光谱数据进行平滑处理和归一化处理,以消除噪声及量纲的影响,并采用主成分分析(PCA)的方法进行数据降维至 22维,同时分别选用基于网格搜索算法、粒子群算法和遗传算法优化参数的支持向量机进行水稻氮素营养状况分类识别模型的建立。研究结果表明:1)不同施氮水平下的水稻叶片光谱反射率曲线走势大致相同,但不同施氮水平下 780～ 1 300、1 400～ 1 850及 1 900～ 2500 nm波段光谱反射率存在一定的差别;2)优化参数后的 SVM模型与默认参数下的 SVM模型相比,其训练集与测试集分类识别效果都要优于默认参数下的 SVM模型。其中,以遗传算法优化参数的 SVM模型识别分类效果最佳,训练集和测试集识别准确率分别为 99.375%、98.750%,测试集的4种施氮水平(施氮量从低到高)识别准确率分别为 100%、95%、100%和 100%。结果表明利用高光谱技术能够很好地进行水稻氮素营养状况的定性诊断研究。为快速水稻氮素营养诊断提供了一种新途径,为精确施氮提供了技术支撑和理论依据。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

基于叶片光谱特性的玉米品种抗倒伏性预测

针对玉米叶片各区域光谱特性与玉米品种抗倒伏性能之间关系未知的问题,该研究探讨了叶脉区、正常反射区和整片叶的平均光谱对玉米品种抗倒伏性预测效果的影响。试验采集了2018年和2019年8个玉米品种的叶片高光谱图像,使用阈值分割和K-means聚类方法提取各叶片区域的平均光谱数据。用最大相关最小冗余（Max-Relevance and Min-Redundancy,MRMR）特征选择算法,提取各叶片区域平均光谱的抗倒伏和不抗倒伏品种分类特征。使用交叉验证的方式,对MRMR方法选择的特征数量进行优化,并使用支持向量机（Support Vector Machines,SVM）方法建立各叶片区域的抗倒伏性预测光谱模型,用网格搜索法对各模型参数进行优化。2 a试验结果显示,各叶片区域约有35~50个可以反映品种抗倒伏性的光谱特征,其中非叶脉区光谱相比叶脉区光谱的抗倒伏特征更多,分类效果更好。参数优化训练后,叶片各区域的光谱模型对训练集数据的预测正确率达到98.46%、98.52%和100%,正常反射区的光谱模型对测试集数据的分类效果最好,2018年和2019年测试集数据的预测正确率分别达到了91%和94.34%。与基于整片叶平均光谱的预测模型相比,基于叶片各区域的光谱特征模型可以排除不平整叶面反射的干扰,有助于提高模型预测结果的稳定性。研究表明,基于正常反射区光谱的预测模型更适用于品种抗倒伏预测,研究结果可为基于玉米叶片光谱预测品种的抗倒伏能力提供借鉴。     

基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

近年来,高光谱遥感数据广泛应用于农作物叶面积指数(LAI)反演。与常用的多光谱遥感数据相比,高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题,该研究利用实测冬小麦冠层高光谱反射率数据,构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM(a two-layer canopy reflectance model)模型、2套参数化方案及上述5种光谱数据,对冬小麦LAI进行反演,分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明:当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时,LAI反演精度与稳定性更高,提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低;反之,当高光谱数据波段选择不当或者模型参数不确定性较大时,提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了"高光谱遥感数据能否提高植被参数反演精度"问题,为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。     

高光谱图像技术在水果品质无损检测中的应用

传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的。根据不同的采集设备,简介了两种获得高光谱图像的方法。综述了国内外将该技术应用于水果品质检测方面的研究进展,检测内容包括外观品质、损伤与缺陷,成熟度和坚实度,含糖量、含水率等内部品质,着重介绍了各高光谱图像的成像波段范围、分辨率、成像源,实验数据处理的方法以及实验结果等。根据综述所得提出了高光谱图像技术应用中需要解决的光谱降维、降低样品差异影响和实时检测平台搭建等问题。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

基于HJ-1卫星的农田土壤有机质含量监测

土壤状况是决定农田潜在生产力的主要因素,土壤性状及肥力状况信息可以为精准农田管理提供响应依据。利用遥感技术监测土壤养分含量是一种快速、准确、高效、经济的方法。以农田土壤有机质为研究对象,以HJ-1卫星数据为数据源,采用多元线性回归分析方法,构建有机质含量地面监测模型,通过直方图匹配方法求地面监测模型与HJ-1卫星监测模型之间的傅里叶转换函数,将地面监测模型应用到HJ-1卫星数据,并构建有机质含量遥感监测模型。实现了利用HJ-1卫星遥感数据对试验区土壤有机质含量进行监测。该模型监测结果与地面实际养分具有良好的线性关系,其决定系数0.93,标准差0.57%。在保持了较高精度的同时,避免了其他高光谱模型数据过于昂贵的问题,实现了有机质含量快速、经济监测,易于在农业中应用。     

利用高光谱成像技术和多变量校正方法检测苹果的硬度（英）

高光谱图像集图像信息与光谱信息于一身,应用于农产品品质无损检测领域。该研究尝试利用高光谱图像技术结合多变量校正方法检测苹果硬度的可行性。试验通过获取的高光谱图像中提取有效的光谱信息来建立预测苹果硬度的预测模型。在建立模型过程中,偏最小二乘（PLS）和支持向量回归（SVR）两种多变量校正方法被比较,结果表明在785.11～872.45 nm范围内,SVR模型的性能优于PLS模型,模型对硬度预测结果的相关系数为0.6808。试验结果表明高光谱图像技术可以被用来检测苹果的硬度。     

利用航空成像光谱数据研究土壤供氮量及变量施肥对冬小麦长势影响

以推扫式成像光谱仪PHI(Pushbroom Hyperspectral Imager)获取的冬小麦拔节期、灌浆初期及乳熟期的航空影像数据为基础，提取反映冬小麦长势的光谱特征值，结合地面调查数据，分析了研究区冬小麦的长势情况；对不同时相光谱特征值与土壤基础供氮量、土壤总供氮量以及变量施肥量进行统计分析，分析结果显示：土壤基础供氮量、土壤总供氮量的空间分布差异对冬小麦长势有明显的影响，其中，土壤基础供氮量是影响冬小麦长势的重要因素，它对冬小麦的长势影响贯穿冬小麦的整个生育期；此外，该文还通过变量施肥前后作物     

连续投影算法融合信息熵选择霉变玉米高光谱特征波长

运用高光谱技术鉴别玉米霉变等级时,因光谱波段数多、数据量大、信息冗余度高,使鉴别工作难度加大。为了减少数据量,获得最有利于鉴别的高光谱信息特征波长,本研究提出了一种连续投影算法(SPA)融合信息熵的特征波长选择方法。首先,对霉变玉米样本高光谱数据运用多元散射校正(MSC)进行光谱预处理以消除噪声,然后利用SPA对处理过的光谱进行波长初选,得到8个初选特征波长,再通过信息熵原理处理初选特征波长下的图像信息,获得最佳特征波长。结果表明,运用SPA融合信息熵法得到有利于霉变玉米鉴别的最佳波长为819 nm,提取该波长下霉变玉米图像的纹理特征后,采用Fisher判别分析(FDA)进行鉴别,6个等级霉变玉米的鉴别正确率高达98.6%,充分证明所给出的特征波长选择方法是有效的。本研究特征波长选择方法可为更好地运用高光谱技术鉴别玉米霉变等级提供指导。     

数据融合及其在农情遥感监测中的应用与展望

长期以来，由于对数据融合一直没有一个严格的统一的定义，对于数据融合的理解、表达存在各种差异，在一定程度上影响了学术交流的顺利开展和应用渠道的畅通。另一方面，数据融合在遥感领域的长期发展已取得了丰硕的成果，将这些成果应用于农情遥感监测中，是非常有意义的。该文详细介绍了数据融合的概念及其发展过程，包括数据融合的定义、数据融合层次和融合方法；分析了当前数据融合在遥感尤其农情遥感监测中的应用现状，并针对农情遥感监测的特点，展望数据融合在农情遥感监测中的应用前景。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

基于高光谱图像的茶树LAI与氮含量反演

为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。