基于高光谱数据的苔草营养成分反演方法研究

研究基于高光谱数据的苔草营养成分(侧重粗蛋白质、总氮、总磷)反演方法。结果显示,粗蛋白质的最佳反演模型是通过原始光谱反射率(偏最小二乘回归的方法)获得,R2=0.814、RMSE=0.450;总氮的最佳反演模型是通过一阶光谱反射率(偏最小二乘回归的方法)获得,R~2=0.850、RMSE=0.175;总磷的最佳反演模型是通过原始光谱反射率(偏最小二乘回归)获得,R~2=0.882、RMSE=0.025。最佳模型检验结果显示估算值和实测值之间的强相关性:粗蛋白质R2=0.801、RMSE=1.029,总氮R2=0.777、RMSE=0.234,总磷R2=0.756、RMSE=0.043。     

一种改进的高光谱遥感数据波段选择方法的研究

高光谱遥感数据波段多、数据量大的优点同样给数据处理带来了极大的困难,通过对已有常见波段选择方法的研究,发现其无法同时满足所选择波段相关性小、所含信息量大且光谱可分性好等要求。针对以上问题,本文提出了一种新的方法,综合使用了子空间划分、自适应波段选择和光谱可分性距离等方法,得到最优波段组合。     

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。     

水稻叶面积指数的高光谱遥感估算模型

通过不同氮素营养水平的水稻田间试验 ,采用单变量线性与非线性拟合模型和逐步回归分析 ,用1 999年试验数据为训练样本 ,建立水稻LAI的高光谱遥感估算模型 ,用 2 0 0 0年试验数据作为测试样本数据 ,对其精度进行评价和验证。结果表明 ,高光谱变量与LAI之间的拟合分析中 ,蓝边内一阶微分的总和与红边内一阶微分的总和的比值和归一化差植被指数是最佳的变量     

基于PLSR的陕北土壤盐分高光谱反演

选取陕北盐渍土为研究对象,通过采集高光谱数据及土壤样品测定,研究土壤盐分含量与反射率之间相关性,遴选盐分特征波段,利用常规回归分析及偏最小二乘回归分析建立土壤盐分的定量反演模型,并利用检验样点进行对比分析和精度检验。研究结果表明,482 nm,1 365 nm,1 384 nm,2 202 nm及2 353 nm为土壤盐分含量的特征波段,利用高光谱数据进行盐分定量反演具有良好的精度;精度检验结果表明,通过Matlab进行偏最小二乘回归计算的反演模型,实测值与预测值相关性更好,精度较高。     

鄱阳湖地区高光谱遥感数据的定标研究

针对翻阳湖地区的成像光谱仪遥感数据，利用３种不同的定标模型进行了定标反演的研究。结果表明，在所有的３种定标方法中，经验线性定标模型的反演结果最稳定，基本符合实际。     

高光谱遥感图像最佳波段选择的快速算法研究

针对现有波段选择方法效率低下的问题,提出3种提高计算速度的解决方案.通过对OMIS数据的试验证实,这3种快速解决方案在所选出的最佳组合波段的质量和算法执行速度两方面都能获得较好的效果.     

植被高光谱遥感分类中训练样本的选择方法

针对植被高光谱遥感分类过程中参考光谱训练样本的选择问题，研究分类过程中常用训练样本的选择方法，并在此基础上提出2种新的训练样本选择（纯化）方法，然后结合具体的OMIS-I高光谱遥感数据，验证方法的有效性。     

一种基于核偏最小二乘法的高光谱影像最佳波段选择方法

最佳波段选择是高光谱影像降维的常用手段,将本征维数估计与核偏最小二乘法,相结合,提出一种基于核偏最小二乘法的最佳波段选择方法。首先利用自适应最大似然法估计高光谱数据的本征维数;然后将核方法引入到偏最小二乘法中,利用核偏最小二乘法对高光谱影像进行最佳波段选择,所需选择的波段数即为本征维数。实验分析表明,与其他最佳波段选择方法比较,本文方法输出的最佳波段用于地物分类,取得了较高的分类精度。     

基于光谱吸收深度分析的冬小麦生物量估算模型的建立

准确的估算作物的生物量,对作物长势监测具有重要的意义。利用高光谱仪获取的冬小麦高光谱实测数据,通过植被参数分析、植被光谱吸收特征挖掘,构建了冬小麦生物量的高光谱估算模型。结果表明,基于光谱深度分析与偏最小二乘方法建立的估算模型的R2值为0.86,RMSE为0.0397kg/m~2,较基于植被参数的生物量估算模型,模型精度得到了大幅的提高。本研究证实了利用光谱深度技术可以准确地挖掘光谱数据的"红谷"波段与生物量之间的关系,从而实现冬小麦生物量估算精度的提高。     

高光谱遥感影像管理系统的设计与实现

由于高光谱数据的海量高维特征,使得传统的信息系统难以有效地对这些数据进行高效地存储、处理、分析、表现等管理操作.因此如何采用新的技术来开发一个能有效管理高光谱遥感影像数据的影像管理系统,是当前高光谱快速发展和深入应用的一个瓶颈之一.本文在研究的过程中,对当前影像管理系统的发展作了大量的分析,利用成熟的关系数据库和程序设计语言,开发了一个方便实用的高光谱遥感影像管理系统以管理高光遥感影像和其他遥感信息,提高影像管理效率.系统已初步实现了多景高光谱遥感影像检索,可以任意加载、导入高光谱遥感影像,运行效果良好.     

基于核Fisher判别分析的高光谱遥感影像分类

高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起.高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别.在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器.通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短.     

结合Gram-Schmidt变换的高光谱影像谐波分析融合算法

针对高光谱影像谐波分析融合(HAF)算法在影像融合时不顾及地物光谱曲线整体反射率这一缺陷,提出了结合Gram-Schmidt变换的高光谱影像谐波分析融合(GSHAF)改进算法。GSHAF算法可在完全保留融合前后像元光谱曲线波形形态的基础上,将高光谱影像融合简化为各像元光谱曲线的谐波余相组成的二维影像与高空间分辨率影像之间的融合。它是在原始高光谱影像光谱曲线被谐波分解为谐波余项、振幅和相位后,首先将其谐波余项与高空间分辨率影像进行GS变换融合,这样便可有效地修正融合后像元光谱曲线的反射率特征,随后再利用该融合影像与谐波振幅、相位进行谐波逆变换,完成高光谱影像谐波融合。本文最后利用Hyperion高光谱遥感影像与ALI高空间分辨率影像对GSHAF算法进行可行性分析,再以HJ-1A等卫星数据对其进行普适性验证,试验结果表明,GSHAF算法不仅可以完全地保留光谱曲线波形形态,而且融合后影像的地物光谱曲线反射率更接近真实地物。     

利用流形学习进行高光谱遥感影像的降维与特征提取

基于最新的非线性降维方法——流形学习的理论,从高光谱遥感数据内在的非线性结构出发,采用全局化的等距映射(Isomap)方法进行降维,取得了优于常用的MNF方法的结果。把光谱角和光谱信息散度与测地距离相结合用于Isomap算法,结果在冗余方差和光谱规范化特征值方面优于采用传统欧氏距离计算邻域的Isomap方法。实验表明,流形学习是一种有效的高光谱遥感数据特征提取方法。     

基于波段选择的高光谱遥感影像分类

针对高光谱数据波段众多、数据量较大的特点,提出了一种基于波段选择的高光谱遥感影像分类方法,以北京昌平小汤山地区高光谱遥感数据为例,分析了各波段的信息含量和相邻波段的相关性,采用子空间划分、自适应波段选择的方法,实现了特征波段的选择。针对农村道路和空地、柏油路和居民地间的同谱异物现象,利用J-M距离模型判别其类间的可分性,获得了最佳波段组合,最后采用支持向量机分类器进行分类。结果表明,采用波段选择的方法能有效地提高高光谱数据的分类精度。     

遥感技术在环境监测中的应用探讨

环境监测作为环境污染防治的重要手段之一,在环境保护领域发挥着日益重要的作用,随着航空遥感和卫星遥感技术的发展,它的高效、即时更新、连续性好等优势为环境监测工作者所认识,在此主要介绍了遥感技术的主要特点,说明了遥感技术在环境监测领域中的应用,着重阐述了高光谱遥感技术在环境监测中新的发展趋势,最后提出了遥感技术在环境监测中的发展方向。     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

采用小波和分形维的高光谱遥感影像特征提取

由于omis影像128个波段间具有较强的相关性,可对高光谱响应曲线采用小波分解,用噪声较小波段的部分高频信息代替噪声较大波段的相应高频信息对其进行小波降噪。再对降噪后的影像采用db4函数进行7级小波分解,对各级小波系数取一范数后,用最小二乘法对各级分解对应的范数在半对数坐标系下线性拟合,根据直线斜率求取各像元分维值,最后实现分类。通过实验,证明了此方法的有效性。