利用高光谱识别草地种类的研究——以锡林郭勒草原为例

以锡林郭勒草原典型的羊草、针茅、日阴菅、隐子草为研究对象,测量4种草地光谱,利用光谱微分法对原始光谱数据进行处理,在提取草地光谱7个特征参数的基础上,采用相关性分析和主成分分析方法精选红边斜率、绿峰位置、绿峰值和红谷位置4个参数。基于所选的4个光谱特征参数,采用多层感知神经网络模型对草地种类进行识别,精度达到80.3%,同时对比7个特征参数与4个特征参数对草地种类识别精度的影响,发现草地种类识别精度从69.0%提高到80.3%。本研究可为大面积草地物种资源的遥感调查和监测提供科学依据。     

一种草地高光谱图像分类方法北大核心CSCD

针对传统的大规模草地牧草的识别,不仅浪费大量的人力、物力,还浪费大量的时间和经费。该文提出了一种基于高光谱成像采集系统的草地动态监测新手段,利用采集到的可见-近红外光谱(范围400~1 000nm)图像和光谱信息进行自动分类。该方法主要包括预处理、特征波段提取以及分类识别3个步骤。(1)利用ENVI(4.7)提取图片的感兴趣区域光谱数据,由于存在大量的数据冗余以及外界的噪声干扰等因素,因此采用多元散射校正去除散射,增强与成分含量相关的光谱吸收信息。(2)采用连续投影选取出13个特征波段消除数据冗余。(3)采用支持向量机对选取的特征波段进行分类,分类识别率可达100%。结果表明,采用高光谱成像技术对野外牧草种类的无损识别是可行的,SPA提取光谱特征波段及SVM进行判别野外田间牧草种类取得较好的效果。     

三江源典型区草地退化Hyperion高光谱遥感识别研究

三江源草地退化直接影响当地及长江、黄河和澜沧江中上游地区的生态安全、水资源合理利用、经济可持续发展和社会稳定,一直是人们关注的焦点问题。近年来,该地区草地群落毒杂草组分增大,退化严重。高光谱遥感具有精细识别草地种群的潜在能力,如何利用其进行草地群落组成信息探测并进行退化识别是当前研究的热点和难点问题。利用卫星高光谱Hyperion影像和地面实测高光谱遥感数据,通过多端元混合像元分解技术,提取可食牧草、毒杂草以及裸土组分信息;以此为指标对研究区草地退化程度进行分类识别,依次为:未退化、轻度退化、中度退化、重度退化和极度退化。利用野外样方实测数据验证监测结果,精度达到84.2%,表明高光谱遥感对草地退化探测具有良好的应用潜力。     

高光谱地物要素识别潜力分析与前景展望EI北大核心CSCD

近年来,人工智能方法在高光谱遥感领域得到了广泛应用,特别是基于深度学习的影像分析和信息提取技术已成为持久的热点,有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上,系统地介绍和总结了高光谱影像分析方面的进展,针对高光谱地物探测的智能化问题,重点讨论了近年来深度学习的新思路。首先,结合地形要素分类体系和高光谱探测能力,将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类,并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后,在影像分析方面,重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展,给出研究方向和热点;在智能化处理部分,按照监督学习、半监督学习及自监督学习的思路,系统总结了当前应用于高光谱地物探测的深层神经网络模型,同时分析了迁移学习、元学习等机器学习策略的研究情况。最后,结合上述分析,对高光谱影像地物探测的发展趋势加以展望,以期拓展下一步的研究思路。     

成像高光谱数据在赤潮检测和识别中的应用研究

近年来,频繁发生的海洋赤潮灾害给我国沿海经济带来了巨大损失.在对海洋赤潮的监视监测中,航空遥感是重要的监测平台,推帚式成像光谱仪(PHI)是获取高分辨率高光谱图像的重要手段.2001年7月至8月,中国海监飞机对辽东湾海域频繁发生的大面积赤潮进行了航空遥感监测,首次获取了海上高光谱数据.本文以获取的高光谱数据为研究对象,通过合成假彩色图像、提取异常区域的反射率曲线以及构造相关分析函数等方法,初步探讨了利用高光谱数据进行赤潮水体检测和赤潮种类识别的方法.     

基于高光谱数据和RBF神经网络方法的草地叶面积指数反演

基于中国农业科学院在呼伦贝尔草原实测的120组草地冠层光谱反射率及相应的叶面积指数(LAI)数据,在进行主成分分析(PCA)实现降维处理的基础上,利用径向基函数(radial basis function,RBF)神经网络方法对草地LAI进行了高光谱反演研究.PCA结果表明,前9个主成分的累积贡献率达到了99.782％,能包含原光谱数据的绝大部分信息.将120组LAI及相应的9个主成分样本数据随机分为校正集数据(90组)和预测集数据(30组),分别用于神经网络模型的建立和LAI的预测.所构建的神经网络模型的模拟结果表明,RBF神经网络模型对校正集样本的模拟准确率达到100％(RMSE =0.009 6,R2 =0.999);预测集样本的实测LAI和模拟LAI之间的均方误差和决定系数分别为0.218 6和0.839,取得了较好的模拟效果,有效提高了传统的多元线性回归方程(RMSE =0.416 5,R2=0.570)的计算精度.     

文保领域的高光谱遥感技术应用进展EI北大核心CSCD

文物是人类文明发展过程中历史、艺术及科学价值的结晶,蕴含着丰富的历史文化信息,文物数字化是对文物进行保护、修复和重建的重要环节。作为传统文物数字化手段的重要补充,高光谱遥感技术能够快速无损地获取文物材质、颜料和加工痕迹等信息,可为文物资源数字化提供文物表面物理、化学属性信息。本文首先对文保领域高光谱信息采集设备和方式进行了总结分析;然后对文保领域高光谱信息处理关键技术进行了回顾,总结为信息增加、信息提取、信息分类和可视化4个方面,对常用方法进行了对比分析,在此基础上总结了目前高光谱技术在文保领域的典型应用,包括颜料种类分析识别、隐藏信息提取和修复痕迹识别3个方面;最后,对高光谱文物应用未来的研究方向进行了展望。     

高光谱遥感技术在岩石识别中的应用

依据不同岩石的光谱特征,通过图像处理方法,对各种岩石类型信息进行提取,使高光谱遥感技术在地学领域的应用由定性分析到定量识别。     

基于穷举法的高光谱遥感图像地物识别研究

介绍了一种基于穷举法的高光谱遥感图像地物识别方法。该方法从所有与研究区有关的可能参考光谱中识别出图像上每个像元的最佳匹配光谱,绘制识别结果图,并由图中信息可对参考光谱进行更换,以求得最佳识别结果。并以云南省中甸普朗斑岩铜矿区外围的高光谱遥感图像为例,得到了该区的地物识别图,经实地检验,证实了该方法的有效性。     

高光谱高空间分辨率遥感观测、处理与应用EI北大核心CSCD

高光谱遥感技术是遥感领域的研究热点之一。然而,由于成像口径与能量等限制因素,难以同时获得高光谱和高空间分辨率的图像,这极大限制了高光谱遥感在精细尺度任务中的应用。近年来,随着高光谱成像技术及无人机为代表的新型观测平台的发展,高光谱高空间(双高,同时具备纳米级光谱分辨率与亚米级空间分辨率)遥感技术发展迅猛,推动了高光谱遥感技术的应用,但同时也带来了更多问题。极高的空间与光谱分辨率使得数据更加海量高维,加剧了高光谱数据的空间异质性和光谱变异性,为影像智能信息处理带来更大的挑战。为此,本文将从双高遥感影像基准数据集、双高遥感影像智能信息处理、双高遥感影像典型应用3个方面论述双高遥感应用与发展现状。     

高光谱土壤有机质估测模型对比研究

应用高光谱技术探讨土壤有机质含量定量估测方法,对发展精细农业具有重要意义。本文利用陕西省横山县的实测数据,采用对数的一阶微分变换方法对土样的高光谱数据进行处理,分别采用线性回归分析法、BP神经网络法、模糊识别法建立高光谱土壤有机质含量估测模型,并对比分析其精度,确定最优的光谱反演模型。实验结果表明:模糊识别模型的决定系数达到0.973,RMSE为0.0468%;比线性模型和BP神经网络模型精度都高。研究表明,土壤有机质光谱反演不仅要重视机理研究,同时要加强光谱反演建模方法创新。     

基于卷积神经网络的地铁保护区风险源识别北大核心CSCD

城市轨道交通沿线的风险源识别是防止违规作业导致的安全事故的重要手段。为解决传统识别方法效率低、漏检率高、成本大等问题,本文基于无人机地铁保护区巡检系统,采用卷积神经网络对无人机采集的影像数据进行风险源识别。首先介绍无人机影像获取的流程,并在原始影像数据的基础上,通过数据增强的方式制作多角度、多尺度的风险源数据集;然后使用卷积神经网络建立风险源识别模型,对无人机采集影像中的风险源进行自动识别和定位。试验结果表明,多角度、多尺度风险源数据集的建立进一步提升了模型的识别准确率,且比传统方法具有效率高、成本低等优点。     

谱间对比学习的高光谱图像无监督特征提取EI北大核心CSCD

深度学习通过逐层抽象的方式提取输入数据的深层特征,近年来在高光谱图像分类领域得到了广泛的应用。现有的高光谱图像深度特征提取方法大多属于有监督学习模型,其训练过程需要大量标记样本,而高光谱图像逐像素的标注困难且费时。为此,本文提出了一种基于谱间对比学习的无监督深度学习模型。无须对样本进行标注,仅通过建模不同光谱波段之间的关系便可实现特征提取。具体而言,由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度,因此必然存在一个特征空间,使得不同通道的光谱信息具有相似的表征。受此启发,本文首先将高维光谱信息分成两组,然后利用多层卷积操作分别提取每组波段的特征,最后对比不同样本所提取的特征,通过对比损失函数来优化模型。为了测试本文方法的性能,将其应用于高光谱图像分类任务中,在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证。试验结果表明,在每类仅使用10个训练样本的前提下,本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能。     

基于神经网络的高光谱混合像元分解方法研究

当前遥感图像分类通常假设每一个像元都是由一类地物组成,对混合像元重视不够。但事实上许多像元都是混合像元,光谱是几种地物的混合光谱。高光谱遥感是当前遥感技术发展的前沿技术,特别在混合像元分解方面体现出明显的优越性。分别采用线性混合模型、BP神经网络等进行混合像元分解的试验,结果表明BP神经网络模型能够取得较好的效果。     

有限样本类别城市高光谱数据SVM分类应用分析北大核心CSCD

对比分析了线性核函数和非线性核函数支持向量机(SVM)算法在样本类别不足情况下城市高光谱影像分类中的应用。选用甘肃张掖地区高光谱影像作为试验区,依据高分影像和地面调研信息获取参考样本数据,利用非线性核函数和线性核函数的支持向量机进行影像分类,获取每一类别的分类后验概率图,并对分类后验概率图采用0.2、0.4、0.6、0.8、0.9的后验概率截断,分析了不同截断概率下的地物分类精度变化情况。结果表明,线性核函数和非线性核函数SVM方法的结论相似,随着截断概率的增加,分类结果中用户精度提高或保持稳定,制图精度下降或保持稳定,总体分类精度先提高后降低,但波动幅度不大。因此,SVM的后验概率可以用于指导类别不足时城市高光谱影像的分类。通过分析各类地物的混淆矩阵可知,非线性核函数的SVM方法比线性核函数SVM方法更敏感,在低后验概率下就可以准确提取出未分类信息,而线性核函数SVM在高后验概率下才能提取出未分类信息,而且还混入了许多训练过的类别信息。非线性核函数SVM方法的分类精度更稳定,利用后验概率提取未分类信息的可信度更高。     

高光谱遥感图像本征信息分解前沿与挑战EI北大核心CSCD

高光谱作为一种图谱合一的成像技术,在对地观测、航空航天领域具有十分重要的应用。然而,作为光学遥感的分支,高光谱成像易受到大气、光照等因素的影响。高光谱图像本征信息分解旨在抑制复杂环境因素对地物光谱与空间特征的影响,准确提取并表征观测场景最本征的光谱与空间信息,提升高光谱图像识别与解译性能。本文主要对代表性的高光谱图像本征信息分解的模型和方法进行综述,系统地分析了各种典型方法的原理及优缺点,进一步阐述了实际遥感应用中现有本征信息分解面临的挑战性难题,并结合遥感实际应用,对高光谱图像本征信息分解技术的发展趋势进行了展望。     

高光谱吸收特征参数反演草地光合有效辐射吸收率

在植被光合有效辐射吸收率(FAPAR)遥感估算中被广泛采用的植被指数法,其估算精度往往受到"红波段吸收峰"峰值点光谱反射率易饱和特征的影响。考虑到高光谱吸收特征参数能较好地诠释地物光谱吸收特征的细节信息,基于微分法与包络线去除法研发"高光谱曲线特征吸收峰自动识别法"识别对FAPAR敏感的特征吸收峰,再结合连续统去除法以及光谱吸收指数(SAI)提取FAPAR的高光谱吸收特征参数,构建估算天然草地冠层水平FAPAR的高光谱吸收特征参数模型。结果表明:(1)天然草地冠层FAPAR与高光谱吸收特征参数具有很好的相关性,其中,"红波段吸收峰"SAI对FAPAR变化最为敏感,在植被覆盖度较高时,其饱和性相比"红波段吸收峰"峰值点反射率与归一化植被(NDVI)值有较大的提升。(2)以"红波段吸收峰"SAI为变量的对数方程为FAPAR的最佳估算模型,在植被覆盖度处于中与高时,其FAPAR预测精度比NDVI模型有不同程度的提高。研究采用的高光谱吸收特征参数一定程度上弥补了部分植被指数因饱和问题在估算FAPAR时的不足,可作为植被FAPAR反演的新参数,适用于中、高覆盖度的天然草地FAPAR监测。     

不同季相针叶树种高光谱数据识别分析

利用高分辨率光谱仪在实地测得的光谱数据来识别美国加州的６种主要针叶树种。树冠阴面和阳面的高光谱数据分别在１９９６年夏、秋测得。首先对原始光谱数据作简单处理,然后进行６种数据变换：对数变换、一阶微分变换、对数变换后一阶微分变换、归一化变换、归一化变换后一阶微分变换及归一化后对数变换。采用相邻窄波段逐步加宽的办法,测试不同波段宽度对树种识别精度的影响。所有的变换方法及波段宽度试验最后均由神经元网络算法产生的树种分类精度来评价。试验结果表明对数变换后一阶微分和归一化变换后一阶微分能够获得高于９４％的平均精度;归一化变换和微分处理能够限制阴影的影响;２０ｎｍ的波段宽度用于识别此６种针叶树种是较为理想的。我们发现太阳高度角变化对树种识别影响不大。     

基于光谱整体形态和局部吸收谷位置的高光谱遥感图像地物识别

为了精确识别高光谱遥感图像上的地物,使用交叉相关光谱匹配方法获取光谱整体形态的最大偏移量,通过对比分析吸收谷位置变化获取吸收谷位置的最大偏移量,在此基础上确定吸收谷位置的偏移范围;然后使用穷举法,进行基于整体形态和偏移范围内局部吸收谷位置的识别。在云南中甸普朗斑岩铜矿区的高光谱遥感图像的实际应用表明,该方法的识别结果比仅考虑整体形态的识别结果具有更高的可靠性,能进一步证实识别结果的准确性。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。