高光谱与多角度数据联合进行混合像元分解研究

混合像元问题是定量遥感的主要障碍之一。将混合像元问题归结为类内与类间像元混合两类，并对类内混合像元分解问题加以研究。混合像元分解的关键在于确定组分光谱，确定组分光谱的方法很多，但大多数方法基于以下假定，即从图像本身可以找到纯组分光谱，然而这一假定对于类内混合像元分解问题来说很难成立。提出采用高光谱与多角度相结合的方法，利用几何光学模型和线性光谱混合模型进行类内混合像元分解。即首先利用多角度数据反演几何光学交互遮蔽(GOMS)模型获得组分光谱，再对高光谱数据进行组分光谱分解。由于该方法直接从混合光谱产生的机理出发，因而更容易获得真正的亚像元信息。为减小反演误差，反演过程中采用改进的多阶段的反演策略，并充分利用多角度图像本身提供的先验信息。用BORE—AS试验获取的高光谱与多角度数据所作的研究表明，该方法可以获得比较理想的分解结果。     

基于高光谱卫星遥感数据的UPDM分析方法

提出了一种用于处理多/高光谱卫星数据的UPDM分析方法。研究结果证明,该方法应用于Land sat/TM(ETM+)、Terra/MODIS和ADEOS II/GLI等高光谱卫星传感器时,光谱重构均方根误差小于0.029,适用于研究高光谱卫星遥感数据。     

基于二次散射的高光谱遥感图像光谱非线性混合模型

高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果.     

高光谱遥感图像的端元递进提取算法

针对高光谱遥感图像中可能并不存在图像端元这一问题,试探的提出一种基于线性混合模型下对初步提取的最近似于端元的像元进行再分析的端元提取算法,即高光谱遥感图像的端元递进提取算法.首先针对3个端元线性混合的图像进行提取,在图像中找到最大近似于端元的像元,利用凸面单形体的几何性质,找出初步提取像元附近位于图像端元构成的凸面单形体边界上的像元,通过计算图像端元在边界像元中的含量,应用线性反解提取出图像端元.模拟图像中的初步结果表明在不存在图像端元的图像中,该算法可以有效的提取3个端元,应用于实际Hyperion图像取得了较好的实验效果.     

基于随机森林算法的高光谱遥感作物分类

随机森林算法是近年来发展起来的一种新型算法,具有速度快、精度高等优势,综合性能优异。本文运用随机森林算法和Hymap高光谱数对几种常见的作物进行了分类识别,并与支持向量机的分类结果进行了对比,综合讨论了随机森林算法的优势与不足。实验结果表明：当实际参与训练的样本数目接近时随机森林算法的分类精度和运算速度都优于支持向量。在提取足够样本的情况下,随机森林能在保证精度的条件下节约大量时间,在大面积的遥感分类中具有较大应用潜力。     

高光谱图像端元提取算法研究进展与比较

高光谱图像中混合像元的存在不仅影响了基于遥感影像的地物识别和分类精度,而且已经成为遥感科学向定量化方向发展的主要障碍。本文分析和研究了现有的典型端元提取算法,在此基础上,对这些算法进行归纳总结,从是否假定纯像元存在角度将其分为两类：端元识别算法和端元生成算法,并就两种分类方法选取了具有代表性的6种典型端元提取算法：N-FINDR、VCA、SGA、OSP、ICE和MVC-NMF算法进行分析和实验。通过对这6种方法的实验比较,得出两种端元提取分类方法的优点与不足,并对今后的研究工作提出展望。     

高光谱与高空间分辨率遥感数据的亚热带森林生物量反演

精确估算森林生物量对全球碳平衡以及气候变化的研究有重要意义。以亚热带天然次生林为研究对象,借助地面实测样地数据,通过对机载LiCHy(LiDAR,CCD and Hyperspectral)传感器同时获取的高光谱和高空间分辨率数据进行信息提取和数据融合,建模反演森林生物量。首先通过面向对象分割方法进行单木冠幅提取,然后融合从高光谱数据提取的光谱特征变量和从高空间分辨率数据提取的单木冠幅统计变量,构建多元回归模型估算地上、地下生物量,最后利用地面实测生物量经交叉验证评价模型精度。结果表明,综合模型的精度(R~2为0.54—0.62)高于高光谱模型(R~2为0.48—0.57);在高光谱模型中地上生物量模型精度(R~2为0.57)高于地下生物量模型(R~2为0.48);在综合模型中地上生物量模型精度(R~2为0.62)同样高于地下生物量模型(R~2为0.54)。交叉验证结果表明,与仅使用高光谱数据(单一数据源)相比,通过集成高光谱和高空间分辨率数据的生物量反演效果有所提升,可以更加有效地估算亚热带森林生物量。     

基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型

森林郁闭度是森林资源调查中的一个重要因子,对森林质量评价具有重要作用。随着人工智能技术和遥感技术的不断发展,研究如何利用深度学习有效协同不同空间覆盖能力的遥感数据实现区域森林郁闭度的估测具有重要意义。由此提出了一种协同应用高密度无人机激光雷达和高空间分辨率卫星遥感数据,对区域森林郁闭度进行定量估测的深度学习模型（UnetR）。对用于图像分类的Unet模型的损失函数进行改进,并在卷积层后加入批量归一化层,使其具有对连续变量进行定量估测的能力。与全卷积神经网络、随机森林和支持向量机回归模型进行对比实验。结果表明,UnetR模型的均方根误差较低,估测精度较高,为实现区域森林郁闭度遥感监测提供了一种人力成本低、自动化程度高的估测方法。     

基于粒子群算法的高光谱影像端元提取技术

基于凸面几何学理论,由端元作为角点的单形体的体积应该是最大的.著名的N-FINDR和SGA算法正是基于以上理论,通过在数据云中寻找体积最大的单形体来实现端元的自动提取.本文利用粒子群优化(PS0)技术,基于凸面几何学理论,设计了一个新的端元提取算法.利用模拟和真实高光谱影像对其进行了实验,并将其结果与N-FINDR和S...     

线性混合光谱模型高光谱压缩感知

高光谱压缩感知(HCS)对于解决机载或星载高光谱数据的存储与实时传输具有重要意义。目前,线性混合模型(LMM)已被成功应用于HCS;然而,由于光照条件、地形变化以及大气作用等的影响,所获取的地物光谱会发生扰动,从而限制了HCS重建质量的提高。在LMM基础上,通过引入光谱修正项来修正光谱扰动,提出了光谱扰动修正的LMM (SPC_LMM);在此基础上,进一步提出了基于SPC_LMM的HCS (HCS_SPC_LMM)方法。该方法在采样端仅对原始高光谱图像进行光谱维压缩采样,基于压缩采样数据,将SPC_LMM应用HCS的重建,利用交替方向乘子法(ADMM)分别估计SPC_LMM中各分量的最优值,以获得最优的高光谱图像重建质量。实验结果表明,HCS_SPC_LMM能够获得优于其他典型HCS方法的重建质量。