冠层反射光谱对植被理化参数的全局敏感性分析

植被理化参数与许多有关植物物质能量交换的生态过程密切相关,定量分析植被反射光谱对理化参数的敏感性是遥感反演理化参数含量的前提。本文采用EFAST(Extended Fourier Amplitude Sensitivity Test)全局敏感性分析方法,利用PROSAIL辐射传输模型分析了冠层疏密程度对叶片生化组分含量、冠层结构以及土壤背景等多种参数敏感性的影响,并对植被理化参数反演所需先验知识的精度问题进行了初步探讨。研究表明:(1)对于较为稠密的冠层,可见光波段的冠层反射率主要受叶绿素含量的影响,近红外和中红外波段的冠层反射率主要受干物质量和含水量的影响;(2)对于稀疏的冠层,LAI是影响400—2500 nm波段范围内冠层反射率的最重要参数,土壤湿度次之,叶片生化参数对冠层反射率的敏感性较低;(3)在已知稀疏冠层LAI的情况下进一步确定土壤的干湿状态,可显著提高冠层反射率对叶绿素含量的敏感度,有助于稀疏冠层叶绿素含量的反演。     

改进Sobol算法支持下的PROSAIL模型参数全局敏感性分析

定量分析模型参数的敏感性是构建参数反演模型的关键步骤。本文采用改进Sobol全局敏感性分析算法,对PROSAIL模型的输入参数进行全局敏感性分析。结果表明:①在可见光波段430~760 nm范围内,叶绿素含量的总敏感度约为80%;②在近红外波段800~1100 nm范围内,平均叶倾角、叶片干物质含量和LAI是影响冠层反射率的3个最重要的参数;③在短波红外波段1100~2500 nm范围内,叶片含水量逐渐成为影响冠层反射率的主要参数。叶绿素、水和干物质等参数吸收系数的变化及相对大小的不同是造成以上变化的主要原因。该研究可以为植被生化参数的反演提供理论基础。     

粒子群算法在概率积分法沉陷预计模型参数反演中的应用

针对开采沉陷预计模型参数反演所存在的算法复杂、计算量大等缺陷,将粒子群算法引入到概率积分法开采沉陷预计模型参数反演中。研究粒子群算法反演概率积分法预计模型参数的基本原理、编码方法及适应度函数的构造方法,同时结合河北省某煤矿的实测数据,以下沉拟合值与实测值的中误差作为反演精度的评价标准对算法进行实例验证,对提高开采沉陷预计的精度有一定的参考实用价值。     

植物叶片生化组分遥感反演的波段选择

遥感模型PROSPECT可以反演植物叶片生化组分,不同的波段组合将会导致不同的反演结果。提出了一种带约束波段相关性最小原则的波段选择算法,并用模拟数据和实测数据对所选波段的效果进行了验证。结果表明:对于模拟数据,反演准确率超过99%;对于实测数据,叶绿素和水分的反演精度稍有提高,干物质的反演精度提高较明显。     

植物叶片生化组分遥感反演的波段选择

遥感模型PROSPECT可以反演植物叶片生化组分,不同的波段组合将会导致不同的反演结果.提出了一种带约束波段相关性最小原则的波段选择算法,并用模拟数据和实测数据对所选波段的效果进行了验证.结果表明:对于模拟数据,反演准确率超过99%;对于实测数据,叶绿素和水分的反演精度稍有提高,干物质的反演精度提高较明显.     

基于无人机高光谱影像的NDVI估算植被盖度精度分析

研究波段参数对NDVI估算植被生物物理参数的影响,对于提高NDVI在植被覆盖变化监测中的应用精度具有重要意义。采用无人机载Resonon Pika XC2高光谱仪获取的人工草地高光谱影像,分析红光和近红外波段位置移动与宽度变化对NDVI的影响,评估NDVI对植被盖度的敏感性和植被盖度估算精度。结果表明:波段位置固定时红光和近红外波段宽度扩展对NDVI及其敏感性影响不大,窄波段NDVI估算植被盖度的精度优于宽波段。红光和近红外波段位置向长波方向移动时对NDVI及其敏感性有不同程度的影响,随着敏感性增强NDVI抗扰动性降低,估算植被盖度的精度有所下降。窄波段NDVI的灵敏度系数及其与植被盖度线性拟合的R2波动剧烈,植被盖度估算的位置稳定性较差。10 nm NDVI在不同位置处取得了较高的盖度估算精度,R2最大值为0.83。4种主流卫星影像计算的宽波段NDVI对于高植被覆盖区盖度反演具有良好的适用性,但与窄波段10 nm NDVI相比其盖度反演精度仍然有一定程度的衰减。研究结果可为NDVI精确反演植被参数提供科学参考和依据。     

FluorMOD模拟叶绿素荧光夫琅和费暗线反演算法不确定性分析

目前,利用夫琅和费暗线提取叶绿素荧光的3种最常用的算法有标准FLD方法、3FLD和i FLD方法。上述3种夫琅和费暗线算法在叶绿素荧光反演中得到了广泛应用,但各算法的不确定性研究相对薄弱,尚缺乏系统的分析。因此,本文的目标是阐明氧气吸收波段叶绿素荧光反演的不确定性,优化叶绿素荧光遥感探测指标,提高叶绿素荧光反演精度。利用Fluor MOD模型,模拟不同植被冠层参数、光谱分辨率SR、信噪比SNR条件下的冠层光谱,并比较分析这3种反演方法在不同参数条件下的不确定性。结果表明:3种方法在O2-A波段的反演精度均比在O2-B波段精度高,其中,i FLD和3FLD算法的反演精度相对较高,标准FLD的反演结果较差;随着SR的下降,3种算法的反演精度均有不同程度的下降,标准FLD算法的荧光提取精度受传感器SR的影响最大;随着SNR的增大,3种算法的反演精度有不同程度的升高,i FLD算法的荧光提取精度受信噪比的影响最大。由结果可以得出,3种反演算法在不同的参数条件下有其各自的局限性和优势;利用氧气吸收波段进行叶绿素荧光反演存在诸多不确定性,不确定性主要来源于吸收线内外反射率和荧光比值的真实值与估计值的偏差,叶绿素含量是影响这种偏差的一个主导因素;传感器性能对荧光提取结果也有显著的影响。     

混沌离散粒子群优化的高光谱影像端元提取算法

针对离散粒子群优化算法在进行端元搜索时易陷入局部最优值等缺陷,提出了混沌机制扰动下的离散粒子群优化的端元提取算法(CDPSO-EE)。研究了混沌理论特有的随机性、遍历性以及对初始值敏感性等特点,将混沌理论引入到DPSO端元提取算法的初始化阶段,优化了初始种群质量;将混沌变量附加到粒子自身历史最优位置获得扰动新位置,对比混沌扰动前后粒子所在位置的适应度函数值,选择最优位置为粒子新的位置,让粒子有能力跳出局部最优值。结果表明CDPSO-EE在高光谱影像端元提取方面具有更好的端元提取质量。     

多基线极化干涉SAR植被高度反演方法

针对传统单基线PolInSAR三阶段植被高度算法,反演易受到噪声因素影响导致反演结果精度较低等问题。文中采用几何结构最优法和高程精度最优法两种多基线PolInSAR植被高度反演方法,结合瑞典北部E-SARP波段数据,验证得出两种多基线算法植被高度反演的精度以及其在不同植被高度覆盖区的适用条件。实验结果表明两种多基线方法植被高度反演精度相对传统单基线算法分别提高44.05%和22.11%,且当两种多基线方法同时反演植被高度时,植被高度大于10m时采用几何结构最优法较好;植被高度小于10m时采用高程精度最优法。     

基于支持向量机的作物叶绿素含量反演模型

针对现有研究在准确估算叶绿素含量方面的不足,该文运用粒子群优化算法和支持向量机构建叶片尺度作物叶绿素含量高光谱反演模型:利用PROSPECT模型模拟作物光谱,并运用所对应的叶绿素含量建立训练数据集,然后采用粒子群优化算法支持向量机学习训练数据集,最后建立实测叶片叶绿素含量估测模型。研究结果表明,粒子群优化算法和支持向量机构建的反演模型能准确预测作物的叶绿素含量,能够解决小样本作物采样点情况下叶绿素含量反演问题,可以作为作物叶绿素含量估测的参考方法。     

基于TM的辐射传输模型反演叶面积指数可行性研究

基于PROSAIL辐射传输模型，引入土壤反射指数SRI来简化模型，提出直接从反射率计算SRI的方法；  同时，针对不同的植被状况，采取不同波段组合对模型的参数进行敏感性分析，确定自由参数与反演波段组合，提出一种基于不同植被状况的叶面积指数反演策略； 最后，应用遗传算法对模拟的TM光谱反射数据进行实验。结果表明，对于LAI＜3的植被，反演精度较高； 但是对于LAI＞3的植被，反演精度较低，其原因主要是冠层反射对LAI不再敏感。因此，辐射传输模型反演LAI有一定适用范围，只有在此范围内LAI的反演精度才可靠。     

双冠层反射率模型分析各向异性平整指数(AFX)对植被参数的敏感性

二向反射分布函数包含地表反射的方向性特征信息。研究二向反射分布函数BRDF(Bidirectional Reflectance Distribution Function)形状对植被结构参数的敏感性,有助于理解植被的二向性反射规律,进而反演植被参数。本文耦合双冠层反射率模型和核驱动的罗斯厚核-李氏稀疏互易核模型,利用EFAST全局敏感性分析方法,以各向异性平整指数为BRDF形状变化的衡量指标,研究了不同天空光比例(SKYL)下,各向异性平整指数AFX对植被参数敏感度的变化,以及SKYL=0.1时AFX的敏感性。结果表明:(1)在红波段,上、下层叶面积指数、上层叶绿素含量,以及上层叶倾角分布是AFX的敏感参数,在近红外波段,上、下层叶面积指数LAI是AFX的敏感参数。(2)冠层尺度上的参数敏感度总体大于叶片尺度。(3)晴天时(SKYL=0.1),红波段主敏感度较大的参数分别是上层LAI、上层叶倾角分布和下层叶片结构参数,近红外波段主敏感度较大的参数主要是上、下层LAI。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

一种三江平原湿地的植被冠层叶绿素反演

针对三江平原洪河湿地保护区内主要特征植被冠层的叶绿素含量,采用PROSAIL模型从物理角度进行反演。首先将叶面积指数、叶片结构参数、等价水厚度、叶绿素实测含量等一些植被理化参数的实测值输入模型得到模拟光谱数据,然后与实测光谱数据对比验证其准确性。在模型中,通过固定其他参量不变,取叶绿素含量为唯一值时,考察在不同叶面积指数下叶绿素含量对冠层反射率的影响。结果显示,植被冠层叶绿素含量的敏感波段为555nm和720nm。基于PROSAIL模型的叶绿素反演方法较传统的统计模型相比是较好且稳健的方法。     

基于P-SA-PSO算法的概率积分法参数反演

针对目前概率积分法参数反演存在的问题,为了更加准确稳定地解算出概率积分法参数,在经典粒子群算法的基础上,引入自适应惯性权重以及模拟退火算法中的Metropolis准则,提出了一种基于P-SA-PSO算法的概率积分模型参数反演方法。论文通过仿真实验,与遗传算法(GA)、经典粒子群算法(PSO)以及加入自适应惯性权重优化的粒子群算法(P-PSO)进行对比分析,结果表明：新算法反演各参数的精确性、稳定性和收敛速度优于其他3种算法。将新算法引入工程实例中,进一步体现了新算法在反演概率积分模型参数上的可行性。     

改进粒子群优化算法在地磁匹配中的应用

针对传统地磁匹配算法精度较低及无法修正载体航向误差等问题,该文提出一种基于改进粒子群优化的地磁匹配算法.该算法以平均Hausdorff距离作为适应度函数,采用改进粒子群优化算法在待匹配区内搜索最优解,从而完成地磁匹配.文中基于某区域地磁场数据插值处理后得到的地磁基准图进行仿真实验.结果表明:当载体的初始位置存在较大误差时,改进粒子群优化算法仍具有较高的匹配精度;当载体航向误差较大时,其定位精度较MAGCOM算法相比有大幅的提高.该算法较好地弥补了传统地磁匹配算法存在的缺陷,实现了对地磁匹配算法精度的提高和载体航向误差的修正.     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.     

模拟AMSR-E数据的地表多参数反演

为了提供更适用的地表参数反演方案,对Njoku等模拟AMSRE-E数据的多参数反演工作重新进行正向模拟和算法改进,算法用MATLAB开发实现.反演结果表明,改进后的反演方法不仅在精度上略高于原方法,而且还能反演裸露地表可实际测量的粗糙度参数,并在更大的植被含水量范围内达到较高的反演精度.     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

基于季节分异的太湖叶绿素浓度反演模型研究

叶绿素浓度反演算法主要有经验方法、半经验/分析方法和分析方法,其中半经验/分析方法应用最为广泛。但是反演的模型以及模型中的参数和反演精度都随着水体中叶绿素浓度的变化而改变。不同的季节水体中叶绿素浓度不同,水体反射光谱曲线特征和与叶绿素浓度相关性较高的敏感波段也不一致,使得各季节选用的反演模型和模型中的参数也存在一定的差异。本文在对2005年1—10月份叶绿素a（Chla）浓度季节差异进行分析的基础上,对4—10月份同步测量的水体光谱数据分春、夏、秋三个季节进行分析,分季节建立叶绿素浓度反演模型,并对它们进行比较,旨在为各季节选择最佳的反演模型。研究结果表明：春季和秋季选用波段比值算法反演精度较高,其中对数模型,线性模型和一元二次模型都有较高的相关性;夏季选用微分算法较好,该算法所建立的三种模型均具有较高的相关性。