无人机多光谱遥感的山原红壤主要养分含量的反演研究

通过分析土壤的主要养分含量与无人机遥感影像之间的关系,对于遥感在农业生产中的应用有重要意义。选取了昆明市云南农业大学后山试验田为研究区域,用无人机挂载多光谱相机获取研究区多光谱遥感影像。采集0～20 cm的土壤样本,并检测了土壤的理化性质及主要养分含量。通过多光谱影像不同光谱反射率及合成指数值对土壤主要养分含量进行相关性及多元逐步回归分析。结果表明:单一波段无法建立较好的回归模型,通过波段合成指数可以有效提高建模的精度。其中OSAVI、DVI、NDVI指数与K的三次方曲线的反演效果较好,R²=0.641,RMSE=49.74。表明该反演模型有较高的精度和稳定性,这为遥感技术在土壤养分含量的快速测定提供了新的途径。     

基于组合模型的玛纳斯河流域农田土壤盐分反演

盐渍化是影响土壤质量和作物生长的重要因素之一，利用遥感技术大面积获取土壤盐分信息具有重大意义。以新疆玛纳斯河流域农田为研究对象，将偏最小二乘回归模型(PLSR)和BP神经网络模型(BPNN)相结合，构建组合模型来反演土壤盐渍化状况。结果表明，与土壤盐分相关性较高且具有代表性的遥感指数为归-化植被指数(NDVI)、比值植被指数(RVI)和土壤调整植被指数(SAVI)，其相关性系数分别为-0.746、-0.663和-0.733。单项预测模型中偏最小二乘回归模型的预测精度最高，其决定系数(R²)为0.759，均方根误差(RMSE)为3.159。组合模型R²为0.797,RMSE为3.611，其验证精度较单项预测模型有所提高，较PLSR模型提高了0.038，较BPNN提高了0.094。组合模型可更准确地预测出玛纳斯河流域农田土壤盐分空间分布状况。玛纳斯河流域农田土壤盐渍化以轻度和中度盐渍化为主，所占比例达到35.34%和25.66%，与实测结果一致。组合模型较单项模型可以获得更准确的土壤盐分空间分布状况，为新疆玛纳斯河流域农田土壤盐渍化治理和土地资源...     

联合光学和合成孔径雷达数据的太平湖森林地上生物量反演研究

光学和合成孔径雷达（SAR）多源传感器数据融合对提高森林地上生物量（AGB）提取精度具有重要意义。以太平湖森林为研究对象,以Sentinel-1 SAR数据和Sentinel-2光学数据为数据源,利用随机森林回归算法系统性地评估光学和SAR数据对AGB反演的互补优势和策略选择。采用Sentinel-2光学数据的AGB反演精度（R²=0.63,RMSE=37.05 mg/hm²,sMAPE=0.56）优于采用Sentinel-1 SAR数据的AGB反演精度（R²=0.37,RMSE=52.25 mg/hm²,sMAPE=0.65）,联合两者数据的AGB估算精度最高（R²=0.69,RMSE=34.17 mg/hm²,sMAPE=0.55）;基于不同策略构建的AGB估计模型当中,植被指数（RVI、NDVI和红边相关的NDVIre）和纹理变量（NDVIre_Mea）的重要性高于光谱波段和后向散射系数。联合Sentinel-1和Sentinel-2数据的光谱波段、植被指数、纹理信息和后向散射系数,能够有效的缓和遥感信息饱和性问题和提高AGB反演精度。     

基于无人机多光谱影像的海口市美舍河凤翔湿地公园水体叶绿素反演

为掌握海口市美舍河凤翔湿地公园水体中的叶绿素(CHL)空间分布，科学评估区域水体水质情况。使用无人机搭载多光谱传感器获取多光谱影像，从中提取16个光谱参数(V1～V16)，结合实测水体样本数据，构建CHL叶绿体的反演模型。结果显示：光谱参数V3与CHL具有明显的相关性，在建立的反演模型中，指数函数反演模型的精度最高，决定系数R²值为0.660。经检验，指数函数模型的估测值和实测值的拟合曲线R²值为0.870 9。研究结果符合水质参素反演精度要求，可为下一步绘制水质参数空间分布图及美舍河凤翔湿地公园的水体治理提供科学依据。     

基于多光谱影像特征的小麦锈病反演模型构建

【目的】研究如何从无人机多光谱遥感影像中提取有效的特征，并以此构建小麦锈病反演模型。【方法】以小麦锈病田块为研究对象，利用大疆精灵4无人机获取多光谱影像，分别提取植被指数和纹理指数，使用皮尔逊相关系数、灰色关联度和变量投影重要性等方法进行指数排序，利用判定系数、赤池信息准则进行变量筛选，分别使用偏最小二乘回归、后向传播神经网络(back propagation neural network, BPNN)、随机森林(random forest, RF)3种方法建立小麦锈病反演回归模型。【结果】利用变量投影重要性-赤池信息准则方法能够筛选出较好的光谱指数，使用BP方法构建的回归模型精度最高，其判定系数R²为0.918,RMSE是0.128。【结论】利用3种特征筛选方法，在构建的光谱指数、纹理特征集中筛选敏感特征，并建立小麦锈病反演模型，实现了小麦锈病灾害空间分布制图，为多光谱影像特征变量筛选提供了方法参考。     

数据预处理和统计方法对核桃叶片氮、磷、钾含量光谱反演精度的影响

为探究光谱数据预处理、不同统计方法对核桃叶片N、P、K含量光谱反演精度的影响，采用平滑去噪预处理光谱反射率数据，并比较一次函数、二次函数、三次函数、幂函数、指数函数和半对数函数构建的核桃叶片N、P、K含量光谱反演模型精度。结果表明：(1)平滑去噪预处理光谱数据比原始数据构建的反演模型决定系数(R²)更高、均方根误差(RMSE)和相对误差(RE)更小，即数据预处理后的反演精度更高；(2)将6种统计方法构建的N、P、K含量模型的预测值和实测值绘制1∶1关系图，以直观展示模型估算值与实测值的一致性程度，结果显示，具有最高决定系数(R²)、最小均方根误差(RMSE)和相对误差(RE)的均为三次函数建立的各生育期叶片N、P、K含量光谱反演模型，且该模型通过置信椭圆F检验，即三次函数构建的各生育期叶片N、P、K含量光谱反演模型精度最高。综上，本研究表明数据预处理和构建不同回归反演模型，可以提高光谱数据的利用水平，进一步提高反演模型的适用性和客观性。     

基于UAV高光谱遥感的春小麦表型特征提取

表型特征是评估作物生长状况的关键指标,对作物长势的分析至关重要。本研究利用Cubert S185机载高光谱成像仪采集了春小麦4个生长期的高光谱影像,同时测量了作物高度,叶面积指数和叶绿素含量。采用线性回归和多种机器学习算法,确定不同表型特征的最优反演模型,结果发现：利用播种前和不同生长期的DSM数据估算春小麦高度,实测值与预测值间的R²为0.808,RMSE为0.105,较好地模拟了高度变化;对比3种机器学习回归模型,发现基于光谱指数NDSI₍(710,714))构建的支持向量回归(SVR)模型对LAI具有良好的预测能力,R²为0.723,RMSE为0.267。同样,基于光谱指数NDSI₍(738,710))构建的XGBoost模型在预测CCC方面也表现优异,R²为0.795,RMSE为132.811。本研究结果可为精准农业的高效管理提供有力的技术支撑。     

基于机载激光雷达点云的桉树林分蓄积量估算模型构建

【目的】通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。【方法】通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法 (逐步回归、偏最小二乘回归)和非参数方法 (随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。【结果】采用留一法对以上4种模型进行验证,结果显示：逐步回归模型R²为0.85、均方根误差(RMSE)为23.93 m³·hm^-2、平均绝对误差(MAE)为18.18 m³·hm^-2;偏最小二乘回归模型R²为0.81、RMSE为26.52 m³·hm^-2、MAE为19.94 m³·hm^-2;核函数为RBF的支持向量回归模型R²为...     

基于光谱特征参数的粳稻冠层氮素含量反演方法

粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R²均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含...     

基于集成学习的砂姜黑土含水量高光谱反演研究

为提高砂姜黑土土壤水分的估测精度,本研究以河南省西平县砂姜黑土为研究对象,通过配制不同含水率土壤样本并在室内进行高光谱测量,对土壤样本高光谱数据平滑(SR)、倒对数[LOG(1/R)]、一阶微分(FD)、多元散射校正(MSC)、去包络线(CR)光谱变换后,结合连续投影算法(SPA)识别最佳特征波段,采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)的机器学习方法和堆叠(Stacking)集成学习方法分别构建土壤含水率反演模型。结果表明：经MSC变换后光谱中土壤含水率相关信息增强最多;SPA算法能对砂姜黑土含水率光谱数据进行降维和特征信息提取;经反射光谱MSC变换后由PLSR和SVR集成的Stacking集成模型决定系数最高(R²=0.963)、均方根误差最小(RMSE=1.7)。研究表明,Stacking集成学习模型有效提升了模型的精度和泛化能力,是砂姜黑土含水率最佳反演模型。     

基于无人机高光谱分数阶微分玉米SPAD值估算

以夏玉米为研究对象，基于无人机高光谱数据和野外玉米冠层叶片实测SPAD值，以0.2阶为步长，计算光谱0～2阶分数阶微分，分析其与玉米冠层实测SPAD值之间相关性，筛选相关系数绝对值前10波段为特征波段组合，构建并比较玉米冠层叶片SPAD值的支持向量回归模型(SVR)、反向传播神经网络模型(BPNN)和麻雀优化算法随机森林模型(SSA-RFR)。结果表明，经分数阶微分变换可显著提高与SPAD值相关性，其中以0.6阶698 nm处相关系数绝对值最大；基于分数阶微分模型整体精度高于整数阶模型，其中基于分数阶微分的SSARFR模型精度最高，R²为0.706，较整数阶提高32.46%,RMSE和MRE分别为2.444和3.579%，较整数阶降低13.46%和12.95%。     

黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。     

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R²)、平均绝对误差(E_MA)、均方根误差(E₍RMS()、平均相对误差(E_MR)评价模型精度。【结果】(1) 3种模型中,随机森林的精度最高(R²=0.89,E_MA=4.69m³·hm^-2, E_RMS=5.45m³·hm^-2, E_MR     

基于HYDRUS-2D的土壤水力特征参数反演及其时空变异性研究

为研究田间尺度灌溉条件下土壤水力特征参数的时空变异性，基于甘肃省武威市石羊河试验站葡萄园内土壤含水率数据，采用HYDRUS-2D模型反演估计不同生育期不同深度的土壤水力特征参数，评估反演参数的土壤含水率模拟效果，分析其时空变异性。结果表明：田间尺度下采用反演参数模拟不同深度土壤含水率的变化的效果优于同种情况下Rosetta模型预测参数的模拟效果；反演参数在果实膨大期和转色期的模拟效果好于其它生育期，反演的拟合优度R²值由Rosetta模型的0.4～0.5提高到了0.7～0.8,均方根误差RMSE和平均绝对误差MAE值由Rosetta模型的0.04～0.05 cm³/cm³和0.03～0.04 cm³/cm³分别降低到了0.03～0.04 cm³/cm³和0.02～0.03 cm³/cm³;此外，反演出的土壤水力学特征参数只适用于参与反演过程类似条件下的模拟，应用于有明显差异的情景时，模拟精度...     

基于变换光谱与光谱指数的夏玉米叶片含水率高光谱估算

为实现陕西关中地区夏玉米叶片含水率遥感估算,本研究通过夏玉米叶片高光谱反射率和含水率的测定,利用原始光谱及转换光谱,构建任意两波段的光谱指数,分析光谱指数与叶片含水率之间的关系,构建玉米叶片含水率估算的单因素回归模型和基于支持向量回归算法(SVR)、反向传播神经网络回归算法(BPNN)和麻雀搜索随机森林回归算法(SSA-RFR)的多因素模型,并根据模型精度筛选玉米叶片含水率估算的优化模型。结果表明,随叶片含水率的增加,短波红外波段的光谱反射率降低,最优光谱指数的构成波段主要位于短波红外波段,其中基于一阶导数光谱的比值光谱指数(R_{1 563}/R_{1 406})和归一化光谱指数[(R_{1 563}-R_{1 406})/(R_{1 563}+R_{1 406})]与叶片含水率相关性最佳,其相关系数绝对值均达0.83;多因素回归模型的模拟效果优于单因素回归模型,基于麻雀搜索随机森林回归模型的精度最高,验证集决定系数(R²)为0.78,均方根误差(RMSE)和相对误差...     

Sentinel-2影像结合空间关联随机森林模型反演裸土期耕地土壤全氮含量

为快速准确地获取区域内土壤全氮的含量信息和空间分布特征。选取山东省济南市章丘区刁镇为研究区，系统采集64个土壤样品并获取同期Sentinel-2(哨兵2号)影像数据，进一步利用皮尔逊相关分析法选择土壤全氮的敏感光谱参量作为自变量，测试得到的土壤全氮含量为因变量，分别建立基于随机森林和空间关联随机森林算法的反演模型，完成区域尺度的土壤全氮含量的遥感反演和数字制图。结果表明：哨兵2号影像的多光谱波段与土壤全氮含量相关性较低，通过波段间比值变换能够显著增强土壤全氮含量对光谱信号的响应能力，光谱指数b₆/b₁₁、b_8a/b₁₂、b₈/b₉、b_8a/b₉和(b₉-b₁₁)/(b₉+b₁₁)对土壤的全氮含量信息最为敏感；空间关联随机森林模型的反演精度指标R²和RMSE分别为0.90和0.11,相对比随机森林模型精度分...     

不同菌草品种叶片叶绿素含量的光谱特征参数模型研究

【目的】建立各种品种菌草叶片叶绿素光谱模型为快速无损地评估菌草健康状态提供理论依据。【方法】利用多光谱相机拍摄光谱信息，使用RGB和HSV两种颜色空间系统进行NDSI、RSI植被指数指标的建立，并采用4种回归算法进行叶绿素相对含量即SPAD值和光谱信息建模，选出合适菌草的模型。【结果】不同品种的菌草SPAD值差异不显著，主要是健康和干枯叶片的差异。叶片SPAD值和光谱反射值具有良好的相关性，RGB颜色系统红波段是最相关的波段，相关性达到-0.79。试验证明红波段的变化在健康叶片和干枯叶片之间更敏感。2种颜色系统综合评价，建模精度及稳定由高到低依次为：包含5个通道的RGB颜色系统，HSV颜色系统，仅包含R、G、B 3个通道的颜色系统。4种反演方法中，反演效果最好依次为随机森林机器学习方法、支持向量机机器学习和逐步线性回归方法、一元线性统计方法。预测SPAD值拟合效果最好的是RGB-NDSI-RF类型，其拟合数R²为0.95、RMSE为3.04、MRE为0.19，验证R²为0.75、RMSE为8.26、MRE为0.76。【结论】机器学习方法尤其是...     

基于遥感数据和随机森林算法的土壤重金属空间分布模拟——以铬为例

为评估土壤重金属的富集状态及空间分异态势，选取山东省章丘市为研究区，系统采集425处土壤样品，测定土壤中铬(Cr)元素含量，采用描述性统计特征评估重金属在土壤中的富集状态；获取与土壤采样同期的Landsat-8 OLI遥感数据，将土壤重金属的环境要素作为自变量，测定的土壤Cr元素含量为因变量，构建基于随机森林算法的土壤重金属空间模拟模型，完成土壤中的重金属含量预测和空间分布模拟。结果表明，土壤重金属Cr含量均值高出土壤元素背景值37.22%,但低于农用地土壤污染风险筛选值，表明土壤中Cr的富集在可管控范围内；随机森林算法支持的空间模拟模型具有较好的精度和稳定度，精度系数R²和RMSE值分别为0.87和7.19,优于普通克里格法(R²=0.66,RMSE=13.15)对土壤重金属的空间分布模拟。     

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

基于鬣狗算法神经网络反演林地叶面积指数

针对遥感影像的神经网络模型对林地叶面积指数(LAI)反演容易陷入局部最优、收敛效率低等问题,提出基于GF-1遥感影像和PROSAIL模型反演数据建立鬣狗算法神经网络模型,并与BP神经网络模型进行对比.结果表明,BP神经网络训练集的均方根误差(RMSE)值为0.140,验证集RMSE值为0.137,测试集决定系数(R²)为0.525;鬣狗神经网络训练集的RMSE值为0.131,验证集RMSE值为0.132,测试集决定系数(R²)为0.703.本研究提出的鬣狗算法,可提升神经网络模型的反演性能,为GF-1卫星在大范围林地LAI反演的应用推广提供了方法思路.