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。     

混合像元线性分解的精度估算

遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点。混合像元线性分解技术是进行高光谱影像处理的常用方法。本文针对混合像元线性分解的基本原理与算法作了简要分析,并通过实验的方法估算了混合像元线性分解模型的精度。     

影像分割的城市不透水面信息提取

针对线性光谱混合分解在端元选取中的不足,该文提出了结合影像分割的线性光谱混合分解不透水面估算模型。选取植被、高反射率、低反射率、土壤4种端元,利用线性光谱混合分解和结合影像分割的线性光谱混合分解两种模型,以2010年的TM5遥感影像为数据源对哈尔滨市主城区的不透水面进行估算,并对两种模型进行了对比分析。研究结果表明:线性光谱混合分解和结合影像分割的线性光谱混合分解的平均绝对误差分别为19.84%和14.76%,说明结合影像分割的线性光谱混合分解模型比线性光谱混合分解方法的估算精度高。     

线性混合模型的光谱解混算法综述

混合像元的存在不仅影响了基于高光谱图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发展的主要障碍。目前的混合像元分解算法大多采用线性混合模型,其关键步骤为端元提取。文中从线性混合模型的定义出发,总结了近年来提出的端元提取算法,并重点对SMACC、VCA、SGA等算法进行了深入的分析,最后总结了混合像元分解的发展趋势。     

线性和非线性光谱混合模型模拟土壤、植被混合光谱的效果分析

论述模拟混合光谱形成的几种主要光谱混合模型,并用实验数据对线性模型和一种非线性模型的模拟效果进行比较.结果表明在实验区域中非线性模型模拟的效果并不比线性模型好,但因为非线性模型考虑了土壤、植被光谱之间的相互作用,其模拟的效果通常不会比线性模型差.     

混合像元分解技术及其进展

混合像元分解模型是定量遥感研究的重要组成部分,为各种地学应用提供了更精细的亚像元级地物信息,这一领域受到国内外学者们广泛关注。本文围绕混合像元分解研究的4个核心问题——光谱混合模型、端元提取、模型反演方法以及解混精度评估,总结了近20年来混合像元分解的重要研究进展,分析和介绍了典型算法模型的原理和思路。进一步阐述了现有研究在一些关键问题上存在的不足,如目前仍缺乏公认的线性和非线性模型的选择判据、已有的混合像元分解模型无法抑制由端元光谱相关造成的共线性问题。最后总结了混合像元分解未来的发展趋势和值得探索的研究方向。如结合辐射传输模型和地面试验,定量分析多次散射的影响机制,以及结合克服共线性的统计回归模型。     

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。     

IDL寻优函数在混合像元分解中的应用

以东华理工大学抚州校区及附近区域为研究区,采用线性光谱混合模型进行混合像元的分解。对线性光谱混合模型采用两种方法进行解算:一种是全约束最小二乘法;另一种是IDL自带的寻优函数来实现非负最小二乘法,并通过归一化使得总和为1,结果表明后者优于前者。     

混合光谱分解模型提取水体叶绿素含量的研究

遥感监测水体叶绿素含量是水质遥感研究的难点之一。本文通过研究不同叶绿素含量水体反射率的光谱特征，确定了提取叶绿素a含量的最佳特征波段，建立了太湖水体叶绿素a的混合光谱模型。研究发现，混合光谱模型提取的水体叶绿素a百分比浓度与同步采样分析的叶绿素a浓度之间有较好的线性相关性。并基于TM和HEPERION图像利用此模型生成了叶绿索a浓度分布图。研究结果表明，混合光谱分解模型可以作为遥感监测水体叶绿素a含量的定量模型。     

鄱阳湖地区土壤,植被光谱混合模型的研究

本文针对鄱阳湖地区的土壤、植被的特点设计了一套非线性混合光谱模型、较好了地预测了实际的混合光谱，从预测精度上看，要优于传统的线性混合光谱模型。     

基于混合像元分解理论的路域植被等量水厚度遥感反演

为削弱混合像元对植被参数反演的影响,提出了基于混合像元分解理论反演路域植被等量水厚度的方法。利用PRO4SAIL模型正演获得的高光谱窄波段数据,模拟Landsat 8遥感影像宽波段植被冠层光谱数据,并进行等量水厚度的敏感植被指数的筛选;对覆盖研究区域的Landsat 8遥感影像进行线性混合像元分解,获取更加精确的植被冠层光谱反射率;同时,利用支持向量机构建等量水厚度估测模型,实现对路域植被等量水厚度的遥感反演。研究结果表明,利用混合像元分解后得到的植被冠层光谱参与模型反演得到的路域植被等量水厚度更加符合实际情况,为遥感影像反演植被参数提供了有效数据。     

应用神经网络模型分解AVHRR混合像元

在大面积农作物遥感估产中,应用气象卫星数据估算种植面积一直是一个难点。已有的混合像元分解法要么实际操作困难,要么不适用于ＡＶＨＲＲ数据。该文在前人研究的基础上提出了一种新的方法──应用ＡＶＨＲＲ混合像元神经网络分解模型估算种植面积。这种方法综合利用了ＴＭ数据与ＮＯＡＡ数据各自的优势,具有较好的科学性和经济可行性。     

最小二乘混合像元分解的端元丰度信息提取研究

针对无约束最小二乘混合像元分解算法提取地物端元丰度出现的局限性问题,通过野外实地采集的地物光谱数据建立研究区典型的地物波谱库,以Landsat OLI影像作为主要数据源,在经过Gram-Schmidt(GS)影像融合的基础上,利用纯净像元指数(PPI)及基于几何顶点的端元提取技术提取研究区典型地物端元,最后通过完全约束的最小二乘混合像元分解算法完成对研究区典型地物端元丰度的提取。结果较好地解决了无约束最小二乘混合像元分解算法提取的端元丰度信息出现负值的情况,并且提高了典型地物丰度信息提取的精度。完全约束最小二乘混合像元分解算法的RMSE误差均控制在0.174 913左右,在很大程度上提高了混合像元分解精度及实用性。     

一种利用高光谱像元分解技术提取水体边界的方法

针对水体边界混合像元导致的精度损失问题,提出了一种基于高光谱混合像元分解的水体边界提取方法。该方法结合高光谱影像水体边界混合像元特有的光谱特征,削弱诸多因素对水体边界像元识别的影响,获取水体边界混合像元,降低了混合像元分解的计算量。通过混合像元的高精度分解及水体边界像元分割,进一步逼近水体的真实边界,能显著提高水体边界界定的精度。试验结果表明:用该方法进行水体提取,精度明显优于水体指数法,略优于支持向量机法,总体精度为93.86%,Kappa系数为0.87。     

基于像元坐标的独立成分分析技术的端元提取方法

将基于像元坐标的空间信息与基于独立成分分析技术结合的方法用于混合像元的分解,是实现端元提取的一种方法。这种方法在空间信息充分利用的基础上得到提高。将该方法运用Cuprite地区的AVIRIS数据,并与传统的PPI方法进行对比,结果表明,利用本文提取端元的方法具有很高的可信度。     

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。     

应用时间序列EVI的MERSI多光谱混合像元分解

针对风云3数据的特点,本文将EVI生长曲线引入多光谱混合像元的分解。首先,利用Landsat8 OLI影像,采用支持向量机的分类方法,提取研究区域的耕地信息,利用该信息对风云MERSI数据进行掩膜处理,获得研究区域的耕地影像。接着,利用MERSI时序影像,计算像元EVI值,通过SG滤波,构建农作物(端元)和混合像元的EVI生长曲线。通过实地调查,获取研究区的农作物端元,尤其对主要的农作物玉米,在空间上均匀选取了14个端元。然后,采用传统的方法,将14种玉米端元生长曲线分别与其它端元组合,进行混合像元分解。发现分解的效果差异很大,提取的玉米种植面积从191.90 km2到574.83 km2不等。为提高分解精度,借用光谱匹配(光谱夹角最小)的方法(用生长曲线代替光谱曲线)自适应选择与混合像元EVI曲线最相似的玉米端元作为组合端元,进行混合像元分解。结果得到玉米的种植面积为589.95 km2,比传统方法的最好(相对)精度提高了2%。     

冠层特征尺度的定量计算模型与方法

冠层特征尺度是植被定量遥感的基础概念,其物理定义和数学定量表达具有重要的研究意义。首先,基于光学辐射传输角度提出的冠层特征尺度的物理定义,即水平维线性混合条件下的最小分辨率单元,建立了冠层特征尺度的数学计算模型,并引入倒置的地统计学指数模型。然后,提出了基于局部方差分析的冠层特征尺度计算方法。最后,利用森林区域高分辨率图像,对论文提出的冠层特征尺度模型进行了定量验证。结果表明,冠层特征尺度模型计算的冠层特征尺度与树林株行距存在密切联系,线性复相关系数达0.95,证明了本文方法的合理性和可行性。本文提出的冠层特征尺度模型为地表特征尺度定量计算提供了一种新方法。     

基于径向基函数神经网络的混合像元分解

遥感图像中普通存在着混合像元。对这部分像元进行分类（即混合像元分解）是遥感图像处理中的难点。基于主分量分析的混合像元分解 法是一种较为成熟的算法，但它存在着计算量大，适应性差等缺点。在深入研究混合像元分解原理的基础上，提出了用径向基函数神经网络拟合分解结果超平面，以实现混合像元分解的算法，实验结果证明：该算法的结果与基于主分量分析的混合像元分解算法结果相近（相关系数达到0．00），而计算量大大减少，具有较强的适应性。     

Geostatistical techniques for incorporating spatial correlation into land use change models

Land use modeling requires large amounts of data that are typically spatially correlated. This study applies two geostatistical techniques to account for spatial correlation in residential land use change modeling. In the first approach, we combined generalized linear model (GLM) with indicator kriging to estimate the posterior probability of residential development. In the second approach, generalized linear mixed model (GLMM) was used to simultaneously model spatial correlation and regression fixed effects. Spatial agreement between actual and modeled land use change was higher for the GLM incorporating indicator kriging. The GLMM produced more reliable estimates and could be more useful in analyzing the effects of driving factors of land use change for land use planning.