高分六号红边特征的农作物识别与评估

红边作为植被敏感波段,其红边特征的运用是遥感识别农作物并实现精准农业的高新手段之一。以黑龙江松嫩平原北部为研究区,以国内首个提供红边波段的多光谱高分六号影像和玉米、大豆、水稻总计82859个作物样本同时作为研究对象,从以下几个方面研究了红边波段和红边指数波段等红边特征在农作物识别中的表现,并评估了农作物的识别精度。（1） 通过作物样本辐射亮度值的统计特征,初步显示了在两红边波段0.710 μm和0.750 μm处有比其他波段更好的区分;（2） 根据传统归一化植被指数形式构建了红边归一化植被指数NDVI710和NDVI750,综合两指数在J-M距离表征的作物样本类别区分度上比传统NDVI更显著;（3） 通过多种手段筛选了有效波段并且制定了支持向量机（SVM）框架下4种农作物识别的分类策略,分别在5∶5、6∶4、7∶3、8∶2、9∶1等5套随机样本分割方案下完成研究区域农作物的分类预测。在这20类分类精度中kappa系数均高于0.9609,总体精度高于0.9742;列向上5∶5分割方案的精度最高,8∶2的精度最低;横向上分类精度排序如下：SVM-RFE > SVM-RF > SVM-有红边波段 > SVM-无红边波段,该结果表明了红边指数和红边波段的参与显著地提高了作物的识别精度;（4） 由于水域等其他样本的缺少,SVM-RFE方法和SVM-RF方法的分类图像均存在少量错分现象。但从分类精度和图像细节展示上来看,SVM-RFE方法要优于SVM-RF方法,二者分类图像的交叉验证中kappa系数为0.8060,总体精度为0.8743。总之,高分六号红边特征在作物识别中表现优越,使得识别精度显著提高。后续研究者可开发更多与红边相关的植被指数,充分发挥红边特征在精准农业中的作用。     

瑞利光学厚度模型的适用性讨论与条件性构建

瑞利散射是生活中重要而又常见的自然现象之一,瑞利光学厚度是衡量瑞利散射强度的重要指标。通过对大气散射理论和瑞利光学厚度理论的梳理,总结了现有瑞利光学厚度两类模拟模型的优缺点。随着全球气候变化中CO_2浓度已突破400 ppm,近似数值模型因受到大气温度和CO_2浓度为300 ppm的背景条件的限制会导致部分模型误差的增加;而理论离散模型虽然有明确的物理意义,对CO_2浓度也具有自适应性,模拟结果理论上可信可靠,但各相关输入物理参数求解复杂。为获得满足CO_2浓度为400 ppm的近似数值模型,通过对不同高度和纬度的九个试验地点,以理论离散模型为基础,模拟特定大气条件下(P0=1 atm, T=15℃, CO_2=400 ppm)的瑞利光学厚度。通过拟合分析得出,瑞利散射强度与波长的4.529次方成反比,且在紫外—蓝波段CO_2浓度对瑞利光学厚度的贡献在10~(–4)—10~(–3)数量级。因此,在CO_2浓度发生改变的情况下,以理论离散模型为主要算法模拟瑞利光学厚度将能更好的提高模型的自适应性并减少模型本身带来的误差;并通过该模拟结果可进一步获得该大气条件下的计算简单方便的数值模拟模型。