棉花高光谱及其红边特征(I)

通过大田和室内试验,测定了2个品种的棉花冠层、完全展开倒1、3叶在不同时期的高光谱反射率及对应叶片的叶绿素、类胡萝卜素含量。结果表明:随发育期推移,棉花冠层光谱反射率在可见光范围降低,在近红外区域增高;叶片背面光谱反射率略高于正面,透射率小于反射率;叶面积指数、鲜叶重和干叶重与冠层反射光谱变量ρ800 ρ550、ρ800 ρ680、ρ680 ρ570之间存在显著相关;叶片叶绿素和类胡萝卜素浓度与其反射光谱变量ρ680 ρ570、ρ673 ρ640、ρ680 ρ550、PSSRa、PSNDa、RCh之间也呈显著相关。     

高光谱成像技术在茶叶中的应用研究进展

高光谱成像技术是一种融合了图像和光谱的检测技术,能同时获取待测物体的空间信息和光谱信息,因此该技术既可以直观反映研究对象外观纹理特征,又可以像光谱信息一样间接反映物体内部物理结构和品质成分特性。茶叶含有多种对人体有益的功能成分,具有较高的开发和实用价值。本文简述了高光谱成像技术的检测原理,分类综述了该技术在茶叶栽培管理、病虫害监测、生产加工、等级划分等方面的应用及不足,并提出了相应的解决措施,同时对其在茶叶领域的发展进行了展望,以期为促进茶叶精细化发展提供参考。     

淮北平原土壤高光谱特征及有机质含量预测

以安徽省淮北平原的蒙城县为研究区,采集131个表层土壤(0～20 cm)样品。采用Cary 5000分光光度计测定土壤光谱反射率,分析该地区典型土壤类型的光谱特征,利用偏最小二乘回归方法建立土壤有机质光谱预测模型。首先比较不同光谱变换对土壤有机质含量光谱预测建模的影响;其次根据光谱相似性对土壤样品进行分类,比较不同土壤类型和不同光谱分类的有机质光谱预测精度。结果表明:①不同土壤有机质含量和不同土壤类型光谱曲线在整体波段范围内趋势基本一致;有机质含量与光谱反射率呈显著负相关;有机质含量越低,曲线特征差异明显,可能是受其他因素的影响;②土壤光谱反射率经倒数的对数处理后,有机质光谱建模的决定系数和相对分析误差均有所提高,均方根误差降低,模型预测效果较优;③按照光谱相似性分类后建立的有机质光谱预测模型,比按土壤类型建立的光谱预测模型精度明显提高。     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

非邻域相干系数估计的PolInSAR树高反演算法

为了提高全极化干涉合成孔径雷达树高反演精度,提出了一种基于非邻域窗口相干系数估计的Pol In SAR树木高度反演算法。该算法首先求取4对全极化干涉SAR图像的最优干涉相位图,再以局部窗口内像素的幅度和相位联合条件概率密度为准则选取与当前像素满足独立同分布的样本,进而获得相干系数的准确估计值,最后采用三段法进行树木高度反演。对仿真数据的处理结果表明,所提算法能够提高观测场景中树木高度的反演精度,并且能够很好地保持图像中的边界细节信息。     

基于植被供水指数的藏北地区土壤湿度反演研究

【目的】利用光学遥感数据获取的植被供水指数来反演西藏那曲地区的土壤湿度,结合高分辨率的遥感数据(GF-1)和中低分辨率的遥感数据(Landsat、MODIS)分别建立土壤湿度反演模型,通过比较不同空间尺度反演模型的精度和适用性,拓宽国产高分遥感数据在农牧业信息定量获取等方面的应用范围,为"天地网一体化"的现代农业信息获取和农情信息遥感监测提供理论基础。【方法】以西藏那曲地区为研究区,以代表高、中、低分辨率卫星数据的高分一号(GF-1)、Landsat-8及MODIS影像数据和土壤湿度实测数据为数据源,利用植被供水指数(Vegetation Supply Water Index,VSWI)构建土壤湿度反演模型,比较3种遥感影像在反演土壤湿度方面的差异。【结果】(1)VSWI反演土壤湿度的最佳深度为10 cm左右;(2)基于GF-1、Landsat-8和MODIS构建的反演模型得到的土壤湿度预测值与实测值的均方根误差分别为5.145、5.227和6.298,可见GF-1和Landsat-8的反演效果相当,均优于MODIS的反演效果;GF-1土壤反演模型的拟合效果最佳;(3)研究区土壤湿度在空间上呈东南向西北递减的趋势,与实地采样点的土壤湿度分布趋势一致,说明利用高分辨率遥感数据监测土壤湿度是可行的。【结论】利用GF-1遥感数据和植被供水指数可以实现对藏北地区的土壤湿度反演,研究结果可以为干旱或者半干旱地区大范围的土壤墒情监测提供理论依据和实践参考。     

基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.     

基于高光谱和数码照相技术的苹果花期光谱特征研究

 【目的】旨在探索苹果花期的光谱特征和敏感波段。【方法】以栖霞市为研究区,利用苹果花期数码照片监督分类,提取苹果花树比和花叶比指标信息,通过与同步高光谱探测数据的相关分析,研究苹果树花期光谱特性,确定其敏感的光谱波段。【结果】苹果树花期光谱特征主要表现为对蓝光和红光的吸收、对绿光的反射,和对750～1 300 nm近红外的强烈反射。其光谱特征变化与花叶比和花树比指标呈现较好的相关性,敏感波段范围为400～530 nm的蓝青光和570～700 nm的橙红光,以及中等花树比果树760～1 350 nm的近红外。【结论】该研究提出了高光谱遥感与数码照相技术相结合的有效方法,初步探明了苹果树花期的光谱特征,为苹果园地信息提取、营养诊断和苹果生产管理的实时性与信息化提供了理论依据和技术支撑。     

土壤有机质的光谱反射特性研究进展

综述了土壤光谱反射率与SOM含量的相关性、土壤有机质不同组分的光谱反射特性及土壤有机质含量高光谱预测研究,分析了该研究目前存在的问题,重点提出了基于多种土壤建市的SOM含量评价模型的不足,指出了基于土种建立SOM评价模型的发展方向,并展望了利用高光谱技术削释SOM的光谱规律及预测SOM含量的发展前景.     

基于多源数据融合的盐分遥感反演与季节差异性研究

为提高多光谱盐分遥感反演的精度,利用实测高光谱与多光谱进行数据融合,并分析了不同季节盐分遥感的差异性。以河套灌区永济灌域为研究区域,以实测光谱仪测定的土壤高光谱数据和Landsat-8 OLI多光谱数据为基础,通过光谱变换和多元逐步回归方法筛选特征波段和特征光谱指数,构建了春、秋两季土壤盐分多光谱、高光谱反演模型,并利用特征光谱指数的线性回归构建了高-多光谱数据融合反演模型。结果表明:高光谱的反射率总体比多光谱高36.83%,春季反射率比秋季平均高23.78%。利用模型中最优变量特征光谱指数对多光谱模型与高光谱模型进行融合,高多光谱融合反演模型训练集和验证集R2平均值分别为0.651和0.635,RMSE平均值分别为2.44 g/kg和2.49 g/kg,精度明显高于对应的多光谱反演模型,其中训练集、验证集的R2平均值分别提高了36.19%和35.64%,RMSE平均值分别降低了34.28%和41.72%。春季多光谱、高光谱和融合反演模型的精度均高于秋季,其中训练集R2平均值比秋季模型分别提高了6.03%、6.05%和4.40%,验证集R2平均值分别提高了19.07%、12.21%和1.75%。构建的高多光谱融合模型反演灌域春秋两季平均盐分含量分别为6.05、5.97 g/kg,平均相对误差分别为9.65%和10.68%,总体上该区域春季土壤主要为重盐化土,秋季土壤主要为中盐化土。