四种遥感浅海水深反演算法的比较

详细介绍了单波段线性回归模型、两波段比值线性回归模型、多波段组合线性回归模型、BP神经网络模型等4种光学遥感水深反演算法,然后利用同一地区、同一时期的Worldview-2多光谱遥感影像和实测水深数据,对4种水深反演模型的准确性进行了实验比较。研究表明:多波段组合线性回归模型、BP神经网络模型的水深反演的性能较好,利用多光谱遥感图像数据反演得到的水深值误差较小;而单波段线性回归模型、两波段比值线性回归模型的效果较差。     

机器学习算法辅助的GPS信噪比观测值土壤湿度反演

利用BP神经网络和支持向量回归机两种机器学习算法,构建基于机器学习算法的GNSS卫星反射信号土壤湿度反演模型,并与线性回归统计模型和实测数据进行对比分析。结果表明:基于机器学习算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,反演模型的决定系数分别为0.928 3和0.913 1,均方根误差为0.026 6和0.032 6,线性回归统计模型的决定系数分别为0.553 2和0.859 8,均方差根误差分别为0.093 9和0.041 6。说明利用回归算法定量估测土壤湿度明显优于线性回归统计模型,且基于支持向量回归机的土壤湿度反演模型定量估测土壤湿度优于基于BP神经网络算法的土壤湿度反演模型,证明了该方法的可靠性,为土壤湿度的实时反演研究提供了一种新方法。     

结合底质分类与SVR算法的多光谱影像测深

针对目前遥感水深反演方法都是以海底底质均匀为前提而缺乏对混合海底底质研究的问题,提出了一种结合底质分类与SVR算法的水深反演模型。利用WorldView-2多光谱遥感影像对南海北岛岛礁周围混合底质的浅海海域进行底质分类,并对底质分类后的不同海域分别建立线性回归与SVR非线性回归多种测深模型。通过水深分段验证后结果表明,结合底质分类的SVR非线性回归方法更适合混合底质的浅水水深反演。     

使用同名弧距的卫星影像油罐高度反演模型

为提高卫星影像反演油罐高度的精度,构建了一种使用同名弧距（same name arc distance, SNAD）的圆柱型油罐高度反演模型。首先,定义单幅卫星影像上SNAD概念,明确油罐影像的主要几何要素及其物理意义;然后,结合圆柱型油罐空间结构的各向同性特征,进行成像条件多策略组合的成像模拟,构建高度反演模型;最后,明确模型中各输入参数,推导SNAD核心参数解算方法。选取四型亚米级卫星影像,对两型油罐进行高度反演实验,与常规方法进行对比分析。所提方法能有效地实现多型卫星图像上同名弧边的检测和高度反演,在反演精度方面,所提模型的均方根误差为0.50～1.00 m,平均达0.78 m,而常规模型的均方根误差为9.28～9.59 m,平均仅为9.44 m;在反演的稳定性方面,所提模型标准差为0.35～0.63 m,平均为0.46 m,而常规模型标准差为6.50～6.69 m,平均为6.60 m。结果表明,所提模型反演精度高、稳定性好、普适性强、便捷高效,为开展卫星影像油罐高度反演及精细化判读提供一种新的模型算法。     

BP神经网络辅助的GNSS反射信号土壤湿度反演

针对如何快速准确地估算区域尺度上的土壤湿度问题,该文首先从高质量GPS接收机接收的信噪比观测值中,提取L2C反射信号的振幅和相位作为输入,并采用Noah陆面模型计算土壤湿度值作为期望值,构建基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演模型。实验结果表明:基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,线性回归的决定系数R2为0.909 1,均方根误差为0.028 7;进一步与线性回归统计模型比较发现,利用BP神经网络模型定量估测土壤湿度明显优于线性回归统计模型,证明了该方法的可靠性。     

CatBoost模型在水深反演中的应用

在多光谱遥感水深反演研究中,由于影响反演精度的因素较多,传统的水深反演模型具有一定局限性。机器学习算法在解决非线性高复杂问题上较有优势,将其应用在某些特定区域水深反演可提高反演精度。本文利用Sentinel-2多光谱遥感影像和LiDAR测深数据,以瓦胡岛为研究区域,构建CatBoost水深反演模型,与传统水深反演模型及Boosting中的XGBoost和LightGBM模型的反演精度进行比较。试验结果表明,经过参数优化后的CatBoost水深反演模型的决定系数、均方根误差、平均绝对误差和平均相对误差分别为96.19%、1.09 m、0.77 m和9.61%,准确性最高,效果更佳。     

利用ANFIS方法反演裸土区土壤水分含量

为了更好地进行土壤水分反演,发展了一种基于ALOS/PALSAR数据、利用自适应神经模糊推理系统(adaptive neuro fuzzy inference system,ANFIS)反演土壤水分的方法.首先,根据研究区实际情况,利用AIEM和Oh模型模拟了试验区裸土区的后向散射特性,建立了后向散射系数与地表粗糙度之间的关系;然后,考虑到研究区地表粗糙度几乎没有变化这一情况,设定了地表粗糙度对后向散射系数的影响为常量;在此基础上,分别利用ANFIS,BP神经网络、多元线性回归和多元非线性回归方法构建了裸土区土壤水分的反演模型,并利用野外实测数据对模型进行了验证.研究结果表明,采用ANFIS方法构建的模型反演精度最高,其均方根误差为0.030,相对误差为14.5％.因此,可以利用ANFIS方法反演裸土区的土壤水分含量,其反演结果具有较高的精度.     

粒子群优化神经网络的土壤有机质高光谱估测

针对提高土壤有机质高光谱估测精度的问题,该文对山东省泰安市的92个棕壤样本进行光谱去噪,剔除异常样本处理后,对光谱反射率进行11种变换,发现一阶微分变换最佳;然后计算土壤有机质含量与变换后光谱反射率的相关系数,选取5个特征波段,分别利用多元线性回归、BP神经网络、支持向量机、粒子群优化神经网络4种方法建立土壤有机质含量高光谱估测模型并进行精度比较。实验结果表明,多元线性回归、BP神经网络、支持向量机和粒子群优化神经网络模型的决定系数R2分别为0.520 3、0.665 4、0.735 0和0.853 0,均方根误差分别为2.12、1.99、1.45和1.08。研究结果表明,粒子群优化神经网络的反演精度高、稳定性强,可有效提高土壤有机质的光谱估测能力。     

基于GeoEye-1影像的自适应浅海水深反演方法

本文基于GeoEye-1影像研究了自适应浅海水深反演方法在甘泉岛附近浅海区域的适用性.GeoEye-1遥感影像经预处理后,通过反射率计算叶绿素浓度进而确定出对数比值模型的参数进行建模,实现无实测数据的多光谱水深反演,并通过实测数据对反演结果进行验证.结果表明:利用自适应水深反演方法对甘泉岛附近浅海区域水深反演精度较高,...     

基于WorldView-2数据的西沙群岛遥感水深反演——以赵述岛和南岛为例

利用World View-2卫星数据,对西沙群岛的赵述岛和南岛开展了水深反演。以赵述岛为实验区,分析水深与各波段及波段组合的相关性,将水深相关性最大的海岸波段与绿光波段组合作为水深反演因子,建立多种回归拟合模型;将反演结果与实测水深误差对比,确定最佳拟合方式;最后,将该模型应用到南岛,反演其水深等值线图,并将其与南岛实测水深点相较。结果表明,南岛整体水深反演均方根误差在1.25 m以内。     

基于深度置信网络的GNSS-IR土壤湿度反演

基于大地测量型GNSS接收机获取的反射信号反演土壤湿度是GNSS领域的研究热点。为克服常规线性回归和BP神经网络算法等的缺陷，本文提出了一种基于深度置信网络的GNSS-IR土壤湿度反演方法。试验结果表明，基于该方法得到的决定系数、土壤湿度平均绝对误差和均方根误差分别为0.909 8、0.017、0.021，与线性回归和BP神经网络算法相比，与实测数据吻合度更高，可有效提高土壤湿度反演精度，证明了方法的有效性和可靠性。     

基于Worldview3数据的浅海水深反演研究

传统水深测量技术灵活性较差,水深资料更新周期长、时效性差。因此,我们需要找寻一种高效便捷方法提取水深。本文采用Worldview3多光谱高分辨率数据与实测数据相结合,针对不同的海底底质类型,建立统计回归模型(单因子模型和多因子模型),对西沙群岛北岛周边的浅海海域,进行浅海水深反演。通过对研究结果的分析,发现单因子模型和多因子模型相关系数都在0.91以上,标准误差也都在1.27以下,反演数据与实测数据偏差较小。且将海底底质分为沙质和草质海底底质类型后建模的精度要高于未对海底底质分类建模的精度。     

ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量

目前卫星测深(SDB)被广泛应用于近海岸水深测量,然而常用的经验模型较简单,无法适用于各类复杂浅滩环境。为突破传统方法的局限性,本文提出一种ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量方法。以美国密西西比州猫岛(CI)、巴克岛(BI)为研究区,利用ICESat-2提取先验水深点,再基于Sentinel-2数据训练一维卷积神经网络(1-DCNN)以获取研究区水深图;同时采用波段比值模型(BR)、随机森林(RF)和多层感知器(MLP)作为对比方法进行精度定量分析发现,本文方法在CI、BI测得水深的均方根误差和决定系数分别为0.20 m、0.94和0.95 m、0.95,精度验证优于其他方法,因此该方法提高了水深反演精度。     

基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。     

GLIBERTY-DSAIL耦合模型反演南方混交林植被LAI

针对南方丘陵地区针叶-阔叶混交林植被叶面积指数（leaf area index，LAI）反演精度低且研究较少的问题，本文提出了一种GLIBERTY-DSAIL耦合模型组合多元线性回归反演LAI的方法。本研究以GLIBERTY-DSAIL模型模拟光谱和植被实测高光谱为数据源，通过相关性分析，选取与LAI相关性高的植被指数作为反演因子，构建多元线性回归模型定量反演植被LAI并进行精度评定。结果表明：与LAI显著相关的RVI、DVI、GNDVI、MSAVI这4种植被指数作为反演因子，结合本文提出的组合模型反演LAI，模型预测决定系数R²为0.708 6，均方根误差RMSE为0.302 1，精度整体较高。该组合方法可较好地用于反演针叶-阔叶混交林植被LAI，为南方地区混交林LAI的研究提供新思路。     

大气加权平均温度建模及其在GPS／PWV中的应用

大气加权平均温度的准确获取对高精度的GPS水汽反演至关重要。文中基于线性回归理论,在分析加权平均温度与地面温度间相关性的基础上,采用一元线性拟合的方法,建立大气加权平均温度经验模型。最后,采用香港地区2006-2015年无线电探空资料对经验模型进行验证。实验结果表明,文中模型计算加权平均温度的整体均方根误差为2.356 K,较Bevis模型精度提高了41.94％,且季节变化对加权平均温度计算的影响并不明显;对于GPS水汽反演,采用本文经验模型反演水汽的均方根误差为1.807 mm,平均偏差为1.362 mm,能够满足GPS可降水量反演的精度,且优于Bevis模型。      

基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例

叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。     

非线性模型岛礁礁盘遥感水深反演

针对已有的遥感水深反演方法波段选取难,得不到较好的模型参数的问题,该文在国内外遥感水深反演研究的基础上,对经典的非线性模型进行研究,引入了逐步回归算法对模型进行了改进。以东岛为研究区,基于Worldview-2多光谱影像进行模型验证和精度评价。结果表明:应用改进后模型的反演水深精度大幅提高,水深范围不但适用在10m以浅的水区,在15~30m的区域精度也较高。由此可见改进的模型在保持原模型移植性较好的前提下,模型参数更易解算,反演精度较高,具有一定的适用性。     

联合无人机LiDAR与Sentinel-2影像估算大豆叶面积指数

针对利用卫星遥感影像进行大范围反演大豆叶面积指数(LAI)时人工野外样本实测耗时耗力的问题，该文以黑龙江省海伦市、嫩江市两块大豆样地作为研究对象，使用无人机平台获取激光雷达(LiDAR)点云数据，利用孔隙度模型进行大豆LAI反演，根据地面实测数据开展精度评价，并进一步探讨利用无人机LiDAR反演值替代地面实测值进行Sentinel-2卫星影像LAI反演的可行性。实验结果表明，去掉地块边缘混合单元网格影响后，两块大豆样地的LAI反演精度均优于90%。利用无人机LiDAR反演值替代地面实测数据与植被指数构建回归模型，大范围卫星反演LAI精度均优于86%。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。