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Landsat长时间序列数据估算树高和生物量

以Landsat长时间序列数据为研究对象,旨在以光谱序列信息反演森林参数为视角,应用Landtrendr算法从时间序列数据中提取森林扰动变量,使用随机森林计算方法建立扰动变量、反射率和GLAS激光点森林参数之间的关系模型,获取树高和生物量的空间分布信息。为多源遥感数据反演森林参数提供参考,研究证明基于Landsat长时间序列数据获得的森林扰动变量能够增强反射率和森林参数之间的相关性,可提高预测精度。     

水稻冠层氮素含量光谱反演的随机森林算法及区域应用

利用地面实测数据构建高精度的水稻冠层氮素含量光谱反演点模型并将其进行尺度转换,实现了水稻冠层氮素含量准实时、大区域监测。以氮素光谱敏感指数作为输入变量,冠层氮素含量数据为输出变量,利用随机森林算法构建水稻冠层氮素含量高光谱反演模型,并用苏州市水稻农田验证区数据,检验模型的普适性和有效性;利用准同步的Hyperion数据,采用对输入、输出变量进行线性变换的简单尺度转换方法实现了点模型的区域应用。结果表明:基于随机森林算法的水稻冠层氮素含量高光谱反演模型可解释、所需样本少、不会过拟合、精度高(模型在实验区的预测精度为R2=0.82,验证区检验精度为R2=0.73)且具有普适性;点模型基于高光谱遥感卫星影像和尺度转换进行区域应用,精度较高(R2=0.81)。     

基于叶片光谱的森林叶绿素浓度反演研究

准确估测森林叶片叶绿素浓度有助于进一步理解和模拟森林生态系统。基于江西省千烟州试验区主要树种光谱数据和相应叶绿素浓度等化学参量数据,使用高光谱指数和偏最小二乘(PLS)回归方法进行森林叶绿素浓度的反演,对具代表性的几种叶绿素相关的光谱指数进行反演能力评价,构造出表征叶绿素吸收特征的叶绿素吸收面积指数(CAAI),发现TCAR I(改进型的叶绿素吸收比率指数)和CAAI能较好地估测试验区森林主要树种的叶绿素浓度。针对叶片生化参量之间强相关现象,首先使用了叶片生化参量吸收特征分析方法,选定特定波段。然后对叶绿素浓度进行PLS回归估测,并从PLS获得估测模型的结果来评价和解释几种高光谱指数的叶绿素反演能力。     

兼容多源数据的森林湿地信息提取和比较分析

针对以光谱特征差异为依据,提取森林湿地信息精度低的问题,该文采用兼容多源数据的分类回归树(CART)提取方法,并以大沾河国家森林湿地进行实证研究。基于Landsat8遥感数据、Radarsat-2极化雷达数据和地形辅助数据,采用SPM软件分别构建3种特征变量组合的CART决策树模型,并获取分类规则,最后根据规则对研究区的森林湿地信息进行提取。结果表明:3种特征变量组合中,兼容光谱、纹理、雷达与地形辅助数据的CART决策树的森林湿地信息提取精度最高,用户精度和制图精度分别达到了88.46%和82.14%。研究结果体现了雷达数据与地形辅助数据有助于提取森林湿地信息。     

集成Landsat OLI和机载LiDAR条带数据的亚热带森林生物量制图

以亚热带天然次生林为研究对象,借助一个条带的少量LiDAR点云数据和覆盖整个研究区的免费Landsat OLI多光谱数据,并结合地面实测数据,探索森林生物量低成本高精度制图方法。首先,提取了OLI和LiDAR特征变量,并与地上和地下生物量进行相关分析以筛选变量;然后,借助LiDAR数据覆盖区的样地和条带LiDAR数据构建"LiDAR生物量模型";再从LiDAR反演生物量的结果中进行采样,结合OLI特征变量构建"LiDAR-OLI模型";最后,与单独使用OLI多光谱数据建立的"OLI估算模型"结果进行比较,分析精度并验证新方法的效果。结果表明,"LiDAR-OLI模型"对地上和地下生物量的模型拟合效果较好且均优于"OLI模型",且其交叉验证的精度也较高并优于"OLI模型",从而证明了新方法的可靠性及有效性。本研究为主、被动遥感技术在中小尺度上协同反演森林参数提供了实验基础,也为基于全覆盖免费OLI多光谱数据及条带LiDAR数据的低成本森林生物量制图探索了技术路线。     

利用辐射传输模型和随机森林回归反演LAI

针对辐射传输模型与查找表结合反演叶面积指数的方法存在反演工作量大且反演速度缓慢的问题,提出利用辐射传输模型和随机森林组合模型对路域植被叶面积指数进行估算的方法。该模型定义一种辐射传输模型和随机森林回归模型结合反演叶面积指数的方法。以研究区实测高光谱数据和模拟光谱数据为数据源,在相关性分析和敏感性分析的基础上,选取适宜作为反演因子的植被指数,而后进行随机森林算法回归,反演得到预测叶面积指数。结果表明:基于辐射传输模型和随机森林算法反演的路域植被叶面积指数与实测结果一致,准确及时的反映路域植被叶面积指数信息,可以较好地应用在路域环境植被参数反演中。     

Sentinel-2影像多特征优选的黄河三角洲湿地信息提取

以北方典型河口湿地—黄河三角洲湿地为研究区,采用在特征选择和分类提取等方面具有明显优势的随机森林算法,对研究区内的湿地信息进行提取。首先基于多时相、光谱信息丰富的Sentinel-2数据生成4类不同的特征变量,包括光谱特征、植被指数和水体指数、红边指数、纹理特征;再根据以上特征构建6种不同的提取方案,对黄河三角洲湿地信息进行提取并验证不同方案的提取精度,旨在选择最佳方案改善湿地信息提取的效果。结果表明:(1)有效地使用多种特征变量是提高湿地信息提取的关键,就不同特征对湿地信息提取的贡献率而言,红边指数植被指数和水体指数光谱特征纹理特征;(2)基于随机森林算法优选的特征变量提取效果最佳,总体精度高达90.93%,Kappa系数为0.90,表明随机森林算法可以有效地进行特征选择,在特征变量数据挖掘的同时,仍能保证湿地信息提取的精度,提高运行效率。本研究为湿地信息提取在数据源选择、特征选择和方法选择方面提供了一种新思路、方法和技术手段。     

高光谱图像相对含水量反演引导的精细分类

深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。     

特征变量选择结合SVM的耕地土壤Hg含量高光谱反演

为探讨应用高光谱数据反演耕地土壤重金属汞(Hg)含量,对原始光谱进行10 nm重采样和SG平滑处理,用不同光谱变换数据与土壤重金属Hg含量进行相关性分析,采用IRIV、Random Frog和PCC提取光谱特征波段,分别建立SVM与GWO-SVM土壤Hg含量高光谱反演模型,获取Hg含量最优反演路径。研究表明,一阶微分变换光谱后土壤光谱特征更明显;上述特征提取方法在不同程度上减少光谱数据冗余,保留有效变量信息;经灰狼算法优化后支持向量机模型反演精度提高,IRIV结合GWO-SVM预测精度更高,其验证集R²为0.894,RMSE为0.082,MAE为0.016。研究成果可为类似土壤重金属含量的反演提供借鉴。     

基于深度学习与随机森林的PM2.5浓度预测模型

针对PM_2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘，而深度学习算法在数据较少情况下效果不佳的问题，综合考虑深度学习与随机森林的特点，提出一种基于深度学习与随机森林的PM_2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_2.5地面观测数据构建训练数据集，通过深度学习方法对训练数据内部深层次隐含特征进行提取，将提取得到的隐含特征用于随机森林模型训练，并使用随机森林回归算法得到PM_2.5浓度的预测值。为验证方法的有效性，以河南省区域2018年—2019年的PM_2.5浓度估算为例，将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明，在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度，其中以LSTM为特征选择器，RF为回归器的组合模型是本实验的最优模型，在即使只有35%...     

WorldView-2纹理的森林地上生物量反演

使用高空间分辨率卫星WorldView-2的多光谱遥感影像,构建植被指数和纹理因子等遥感因子与森林地上生物量的关系方程,并计算模型估测精度和均方根误差,探索高分辨率数据的光谱与纹理信息在温带森林地上生物量估测应用中的潜力。以黑龙江省凉水自然保护区温带天然林及天然次生林为研究对象,通过灰度共生矩阵(GLCM)、灰度差分向量(GLDV)及和差直方图(SADH)对高分辨率遥感影像进行纹理信息提取,并利用外业调查的74个样地地上生物量与遥感因子建立参数估计模型。提取的遥感因子包括6种植被指数(比值植被指数RVI、差值植被指数DVI、规一化植被指数NDVI、增强植被指数EVI、土壤调节植被指数SAVI和修正的土壤调节植被指数MSAVI)以及3类纹理因子(GLCM、GLDV和SADH)。为避免特征变量个数较多对估测模型造成过拟合,利用随机森林算法对提取的遥感因子进行特征选择,将最优的特征变量输入模型参与建模估测。采用支持向量回归(SVR)进行生物量建模及验证,结果显示选入模型的和差直方图均值(sadh_mean)、灰度共生矩阵方差(glcm_var)和差值植被指数(DVI)等遥感因子对森林地上生物量有较好的解释效果;植被指数+纹理因子组合的模型获得较精确的AGB估算结果(R2=0.85,RMSE=42.30 t/ha),单独使用植被指数的模型精度则较低(R~2=0.69,RMSE=61.13 t/ha)。     

随机森林回归模型用于土壤重金属含量多光谱遥感反演

本文以陕西省柞水县大西沟矿区为研究区域,通过实地采集土壤样本,结合在Landsat 8多光谱遥感影像上提取的辐射亮度值和光谱衍生指数,以及从ASTER GDEM提取的3种地形因素,通过相关性分析确定了建模因子,并以K折交叉验证法建立了砷、铜、铅3种重金属元素的随机森林回归模型。试验结果表明,所建立模型的预测精度优于多元线性回归模型和CART模型,可见随机森林回归模型适用于在小样本情况下的矿区重金属含量反演。经现场调查,空间反演结果与实际情况较符合,证明了基于多光谱遥感的随机森林回归模型在矿区土壤重金属反演中的准确性。     

基于高光谱遥感数据提取森林结构参数的研究

以位于三峡库区的龙门河森林自然保护区为研究区,综合利用线性光谱混合模型和几何光学模型,基于高光谱遥感数据提取森林结构参数是本文研究的重点。在研究区地面调查数据的基础上,通过高光谱数据和混合光谱分解法,获得反演几何光学模型所需的四分量参数,根据背景光照分量与森林植被冠层各参数间的关系,反演得到森林冠层郁闭度及平均冠幅的定量分布图,并利用37个野外实测样本进行结果验证。     

融合作物类型的土壤盐分遥感反演方法研究

在沿海平原地区,土壤盐度是制约作物生长的非生物胁迫之一,也是作物种植的重要依据,作物类型能够间接反映土壤盐渍化程度,因此本文提出了一种融合作物类型信息的土壤盐分反演方法。以黄河三角洲典型滨海盐渍土地区为例,基于Sentinel-2 MSI影像,首先采用随机森林分类提取作物类型信息,并基于OneHot方式将作物类型信息编码;然后融合作物类型信息,结合环境协变量数据、地面实测盐分数据,采用自适应增强决策树模型(AB-DT)进行盐分反演;最后与其他机器学习方法,如支持向量机、随机森林、K最邻近和决策树进行盐分反演精度的对比。结果表明：(1)加入作物类型信息能够提高土壤盐分反演模型精度,所有模型中,融合作物类型变量的AB-DT反演模型精度最高,建模集R²为0.86,测试集R²为0.61;(2)加入作物类型信息能够修正误判的盐渍土级别,并使土壤盐分反演结果的地块边缘更加清晰。综上所述,加入作物类型信息,能够提高土壤盐分反演的准确性,为农田管理和农业决策提供更可靠的依据。     

北京地区HJ-1卫星CCD数据的气溶胶反演及在大气校正中的应用

与现有的大气卫星传感器相比,环境一号卫星(HJ-1)CCD相机具有较高的空间分辨率(30m),使得在城市地区找到光谱纯像元的机率大大增加。本文提出一种基于纯像元提取的城市地区气溶胶光学厚度(AerosolOpticalDepth,AOD)反演算法,利用像元纯净指数来提取CCD影像上的纯像元,并由HJ-1A星和B星的多时相CCD观测数据结合地表双向反射率模型确定纯像元的地表反射特性,在此基础上反演AOD。与AERONET地基测量数据的对比表明,该算法具有较高精度,相关系数为0.83,线性拟合斜率为1.091,截距为0.053。基于该方法的AOD反演结果作为输入,能较大程度提高HJ-1卫星CCD影像大气校正的精度。     

基于多特征PolSAR数据的干旱区土地利用/覆被分类

以新疆于田绿洲为例,基于PolSAR与Landsat OLI的多源数据集,采用随机森林、决策树等机器学习算法进行了干旱区土地利用/覆被分类精度对比研究.结果表明:①全极化PALSAR-2数据与目标极化分解特征分量、光谱特征数据的融合使分类总精度从单幅PALSAR-2图像分类的71.11％提高到93.24％,Kappa系数从0.65提高到0.92.②针对PALSAR-2数据,贡献率最大的特征变量来自Pauli分解的3种特征分量K1、K2、K3和Krogager分解的KD、KH;其次,植被指数、水体指数、盐分指数以及光谱主成分分析第一波段等光谱特征数据对地物分类有一定的贡献.③随机森林对多源数据集的土地利用分类性能优于SVM与决策树分类,该算法在精确提取干旱区土地覆被信息上有较好的可行性.     

随机森林回归模型的悬浮泥沙浓度遥感估算

三峡工程蓄水以来,清水下泄,坝下游河段发生了长时间、长距离的沿程冲刷,河流悬浮泥沙浓度发生改变,给沿岸生态系统带来了不利影响。随机森林算法灵活、稳健,已被广泛应用于各类生态环境变量的回归预测分析,但其在水体悬浮泥沙浓度估算方面的能力尚未得到充分认识。基于泥沙站点监测数据和MODIS卫星遥感反射率数据,通过构建随机森林非参数回归预测模型,对三峡工程坝下游宜昌至城陵矶河段在建坝前后14年间(2002年—2015年)各月的悬浮泥沙浓度进行遥感估算。研究表明:(1)基于随机森林的悬浮泥沙浓度估算模型表现较好,模型预测值与实测值间相关性好、预测精度高,优于其他模型(线性回归、支持向量机、人工神经网络模型)。(2)在参与模型构建的MODIS波段变量中,红波段被认为是最重要的预测变量,但不能单独使用它进行预测,悬浮泥沙遥感预测需要多变量共同参与。(3)将悬浮泥沙数据按季节分类所构建的随机森林模型,其平均误差为0.46 mg/L,平均相对均方根误差为12.33%,估算效果最优,能够满足较高精度下悬浮泥沙浓度估算的需求。综上,可以考虑以季节为划分依据,用随机森林回归模型估算悬浮泥沙浓度,并用于后期坝下游河道悬浮泥沙浓度时空反演。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

基于地貌类型的土壤有机质多光谱遥感反演

基于地貌类型分析土壤有机质含量与多光谱遥感影像光谱波段之间相关关系,构建不同地貌类型区有机质含量反演模型。结果表明,各波段光谱反射率与土壤有机质含量均呈负相关关系。利用SPSS软件对所有波段进行剔除变量(remove)线性回归分析,当全部波段参与构建反演模型时,一次反演模型拟合效果较好。分地貌类型区构建土壤有机质反演模型精度高于整个区域反演模型精度,与实际值对比,当允许误差为7%时,土壤有机质含量识别度为91.65%。基于地貌类型构建土壤有机质含量反演模型提取研究区土壤有机质含量切实可行,且精度较高。