厦门湾有色溶解有机物的光吸收特性研究

研究了厦门湾九龙江河口区、西海域、同安湾及东侧水道海水中有色溶解有机物(CDOM)的光吸收特性,分析了CDOM的河口行为,并讨论了CDOM光吸收特性与其荧光性质之间的关系。结果表明,厦门湾表层海水CDOM光吸收系数a(355)的水平分布表现为河口区最高、东侧水道最低、西海域和同安湾介于两者之间,底层水a(355)的分布与表层基本相似,表明陆源河流输入是厦门湾CDOM的主要来源;a(355)的垂直分布为表层高于底层,主要受水文和生物因素控制。厦门湾表层水CDOM光谱斜率S的平均值介于0.014—0.018nm-1,但河口低盐度区S值较小,反映陆源腐殖质的影响。a(355)在河口混合中呈保守行为,表明CDOM具有良好的保守性质。CDOM的吸收系数a(355)与其荧光强度之间表现为较好的相关关系,指示可以用灵敏度更高的荧光方法来研究CDOM的分布和行为。     

水中矿物油荧光特性实验研究

为了实现现场测量地表水中矿物油含量的全光纤荧光计的研制。采用荧光光谱测量分析方法 ,于 1 999年 1 0月— 2 0 0 0年 5月 ,采集了国内外不同的地区原油和成品油共 2 3种 ,用1 4种不同波长的激发光激励 ,进行荧光光谱特性测量实验研究。同时 ,对不同浓度的矿物油、水混合液也进行了测量实验 ,得出其最低检测浓度为 0 .0 0 5mg/L ;测量了青岛近岸海域表层受油污染海水的含油量为 0 .0 1～ 0 .2 2mg/L ;此外对水中矿物油受激荧光发射原理也作了简述。并对水中矿物油荧光光谱特性、浓度与荧光强度的关系 ,以及为研制现场测量水中矿物油浓度的全光纤荧光计的可能性作出了结论性的意见     

水中矿物油荧光特性实验研究

为了实现现场测量地表水中矿物油含量的全光纤荧光计的研制，采用荧光光谱测量分析方法，于1999年10月－2000年5月，采集了国内外不同的地区原油和成品油共23种，用14种不同波长的激发光激励，进行荧光光谱特性测量实验研究，同时，对不同浓度的矿物油，水混合液地进行了测量实验，得出其最低检测浓度为0．005mg/L，测量了青岛近岸海域表层受油污染海水的含油量为0．01－0．22mg/L，此外对水中矿物油受激荧光发射原理也作了简述，并对水中矿物油荧光光谱特性，浓度与荧光强度的关系，以及为研制现场测量水中矿物油学的全光纤荧光计的可能性作出了结论性的意见。     

基于K-L变换的多光谱图像增强方法

为在多光谱图像增强同时保持其光谱特性,提出了基于K-L变换的多光谱图像增强方法,并在研究如何准确量化增强前后光谱保持度的基础上,提出了光谱特性保持系数的概念.实验结果表明,该方法在对多光谱图像增强的同时,能较好地保持多光谱图像的光谱特性.     

基于坐标归一化和奇异值分解的直接线性变换解法

直接线性变换方法是数字摄影测量和计算机视觉领域最常用的解析处理方法之一,特别适用于未检校数码相机的三维测量,但直接线性参数间的相关性、物方控制的约束和设计矩阵元素数量级的较大差异,均可导致法矩阵严重病态,从而影响解的稳定性。本文借鉴改进的八点基本矩阵估计算法,采用基于坐标归一化和奇异值分解的解法,即首先将像点和物点坐标进行相似变换得到归一化坐标后组成法矩阵,其次利用矩阵奇异值分解方法代替常规的最小二乘方法,模拟和真实数据表明,此方法可以有效提高解算精度和稳定性。     

一种基于启发式算法的等高线局部内插方法

在基于启发式内插等高线算法的基础上提出了一种局部内插方法。首先利用Douglas-Peucker算法提取等高线的特征点,根据特征点判断等高线之间的相似性程度,找出导致等高线出现异常的特征点;然后将相似性程度很低的两条等高线自动分解为若干简单等高线再进行内插。有效地解决了局部弯曲很大、马鞍型地貌等复杂等高线的内插问题。算法已经在以Microstation为平台的数字制图系统中实现并逐渐实用化。     

简化模糊H-ARTMAP神经网络在高光谱遥感分类中的应用

人工神经网络作为一种不需估计类别分布参数的遥感影像分类方法,能够克服分类中的不确定性,提高分类精度。模糊ARTMAP人工神经网络具有稳定、泛化性能好、支持增量式学习等特点,通过对简化模糊AR-TMAP神经网络和H-ARTMAP神经网络的分析和集成,构造了一种用于高光谱遥感影像分类的简化模糊H-ART-MAP网络。实验证明该方法在分类效率、运算时间和分类精度等方面都优于最大似然分类、BP神经网络、最小距离分类、光谱角制图模型等分类方法。     

植被波谱空间尺度效应及尺度转换方法初步研究

基于遥感图像的地物识别需要大量地物波谱数据的支持,而现有地物波谱库中收集到的同一地物的波谱,由于其测量尺度和方法的差异,波谱也存在很大差异.以冬小麦为例,首先介绍了材料波谱、端元波谱和像元波谱这3种不同尺度波谱的概念,并以实验数据分析了不同测量尺度下波谱的差别,以此说明波谱尺度转换的必要性.然后利用物理模型和统计模型建立不同测量尺度下的波谱转换关系.分别验证了SAILH模型和线性光谱混合模型在波谱转换中的精度.研究表明,在大尺度上采用统计模型,在小尺度上采用非线性的物理模型可以解释不同尺度观测植被波谱之间的差异.     

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。