基于Roujean和Ross-Li模型算法的不同户外光照南疆冬枣BRDF特性研究

不同光照下,如何消除或减小反演数据差异,提高检测精度,是目前南疆冬枣户外检测中遇到的一大难题,因此通过用高光谱相机获得的南疆冬枣二向反射分布函数（BRDF）测量值,采用最小二乘法拟合Roujean模型和Ross-Li模型的参数,最后对比Roujean模型和Ross-Li模型反演的结果,提出何种天气何段波长用何种模型反演效果最好的建议,实验结果表明：（1）多云天气,反演南疆冬枣线偏振度（Dolp）时,Ross-Li模型的R2是0.974 8,Roujean模型的R2是0.969 9;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.972 3,Roujean模型的R2是0.974 9。阴天反演南疆冬枣Dolp时,Ross-Li模型的R2是0.965 1,Roujean模型的R2是0.977 8;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.942 0,Roujean模型的R2是0.968 8。晴天反演南疆冬枣Dolp时,Ross-Li模型的R2是0.965 5,Roujean模型的R2是0.926 2;反演南疆冬枣强度分量时,Ross-Li模型的R2是0.928 5,Roujean模型的R2是0.833 1。整体反演的最佳方案是多云天气下的南疆冬枣Dolp用Ross-Li模型反演,强度分量用Roujean模型反演;晴天南疆冬枣Dolp和强度分量均用Ross-Li模型反演;阴天南疆冬枣Dolp和强度分量均用Roujean模型反演。（2）多波段反演的最佳方案是：多云天气下,反演南疆冬枣强度分量时,波长为1 000~1 100 nm范围,需用Ross-Li模型,波长为1 450~1 600 nm范围,需用Roujean模型,其余波段处两种模型均可;反演南疆冬枣Dolp时,在波长为1 300 nm附近,需用Ross-Li模型,其余波段处两种模型均可。阴天反演南疆冬枣强度分量时,在1 000~1 350 nm范围,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型,其余波段处两种模型均可;反演南疆冬枣Dolp时,在1 000~1 350 nm范围,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型。晴天反演南疆冬枣强度分量时,波长为1 000~1 350和1 600 nm附近,需用Ross-Li模型,其余波段处则无特殊要求;反演南疆冬枣Dolp时,在1 000 nm附近,需用Roujean模型,在1 600 nm附近,需用Ross-Li模型。探索出消除或减小反演数据差异的方法,为南疆冬枣户外检测提高精度奠定基础。     

一种便携式激光测云仪的云底高度反演方法

 报道了新研制的一种便携式激光测云仪,该设备由光学、电子和机械三部分组成,采用单片机处理回波信号、识别云底高度,并给出了该激光测云仪的相关参数。将回波斜率突增点作为云底定义点,利用云回波在上升斜率、脉冲宽度和幅度上与大气回波及噪声脉冲间的差异,识别反演出云底高度。另外,同一位置连续测量数次,可以剔除干扰噪声。与计数式激光测云仪进行了实测比较,数据基本吻合。结果表明：便携仪的云高识别算法基本合理、可行,便携仪中所采用的剔除大气回波伪信号算法能提高系统的测低云性能,智能识别算法能滤除干扰噪声。最后,需要对算法进行进一步的优化。     

激光应用 激光测量

P225.22006010233自动增益控制的自触发脉冲激光测距技术=Self-triggeringpulsedlaser rangefinding technology with automatic gain control[刊,中]/赵大龙(清华大学电子工程系.北京(100084)),秦来贵…∥激光与红外.—2005,35(8).—551-553提出了一种具有自动增益控制的自触发脉冲测距方案,不但减小脉冲信号上升沿引起的测距误差,而且也减小由于信号幅度变化带来的漂移误差影响。实验结果表明,该激光脉冲测距系统在1~10m的测距范围内,测距精度达到亚毫米级。图8参6(杨妹清)TH765.62006010234一种便携式激光测云仪的云底高度反演方法=Por…     

星载激光雷达云和气溶胶分类反演算法研究

激光探测对于获取云和气溶胶的垂直廓线,研究大气中云和气溶胶的垂直分布特征以及对全球气候变化的影响意义重大。而星载大气激光雷达云气溶胶分类算法的研究,对于激光雷达数据的参数反演及应用极为重要。针对激光条件下探测的云和气溶胶特有的光学信息和空间分布,结合概率统计与机器学习算法,提出了一种对于云/气溶胶、云相态及气溶胶子类型识别的分类算法,实现了星载激光雷达的大气特征层快速、有效分类。算法采用中国地区2016年CALIOP的观测数据作为样本数据,主要由三部分组成：（1）基于激光探测的云和气溶胶层不同的光学特性以及地理空间分布特征,分别构建了云和气溶胶的γ₅₃₂,χ,δ,Z和lat的五维概率密度函数,以此为基础构建云气溶胶的分类置信函数,并基于此实现了云和气溶胶类型的反演;（2）选取支持向量机(SVM)作为随机朝向冰晶粒子(ROI)和水云分类的算法模型基础,结合云层的γ₅₃₂,χ,δ Z和云顶温度T的概率密度函数构建ROI,水平朝向冰晶粒子(HOI)和水云的分类置信函数以修正SVM误分的特征层以及筛选出水云中少部分的HOI冰云,获得云相态的分类结果;（3）以各气溶胶子类型的光学以及空间分布特性为基础,采用决策树策略的气溶胶子类型识别算法实现了对气溶胶子类型的区分,完成气溶胶子类型的识别。利用现有CALIOP观测结果作为样本数据构建分类数据库,避免了对于地面以及航测数据的依赖,而机器学习则大大简化了算法的实现过程,使得云气溶胶分类更加高效。算法结果与正交极化云气溶胶激光雷达垂直特征层分布数据(CALIPSO VFM)产品对比分析：云层有98.51%一致性,气溶胶有88.43%的一致性,且白天比夜间一致性高。对于云相态分类,可以有效区分出水云和冰云,其中二者水云一致性高达93.44%。在气溶胶子类型反演结果中,可以准确识别出大多数气溶胶特征层子类型。霾、沙尘以及晴空三种典型情况下的反演结果均与CALIOP VFM产品数据具有较好的一致性。其中,霾天的大部分煤烟型以及污染型（污染沙尘以及污染大陆）气溶胶反演结果与VFM具有较好的一致性。沙尘天也能够获得较好的沙尘以及污染沙尘的结果。晴空为数不多的气溶胶层也取得了较为一致的结果。对于实现的星载大气激光雷达特征层分类算法,针对CALIOP激光测量的云气溶胶层的分类进行了重要的改进,在保证一定精度的基础上,简化了算法,提高了数据处理的效率,在下一步工作中,将分别构建不同时段和季节的分类模型以及提高两种不同偏振特性的冰云和气溶胶子类型的分类精度。     

基于里程计法的双目云高系统外参标定研究

双目成像系统测量云底高基线长，外参标定困难。提出一种适用于地基云高测量系统的双目相机外参标定方法，采用ORB算法提取与匹配左右云图同名点，然后根据对极几何约束计算两个相机之间的旋转平移关系。为验证该算法的精度，在室外搭建基线60 m的双目云高系统，采用里程计法标定外参，标定得到两个相机之间的距离误差为34.44 cm，精度达到99.43%。通过分析校正后的双目云图和天空视差图，验证了大基线里程计外参标定法的精度较高。     

卫星遥感中不同偏振量对气溶胶反演的影响分析

偏振探测是提高气溶胶卫星遥感能力的重要途径。作为目前全球重要的偏振数据源,我国高分五号卫星搭载的多角度偏振探测仪（DPC）能够测量不同的偏振量,包括Stokes矢量偏振分量、偏振辐亮度（L_ｐ）和线偏振度（DOLP）。各偏振量所包含的有效信息和测量误差不同,进而影响气溶胶参数的反演精度。针对此,在最优估计反演框架下,利用信号自由度（DFS）和后验误差定量化分析了各偏振量对气溶胶参数反演的影响,为后续DPC气溶胶算法开发提供参考。研究结果表明：Stokes矢量包含的信息量最高,其次是线偏振度和偏振辐亮度,相应的气溶胶总DFS分别为7.5,6.1和5.2;采用不包含偏振方向信息的L_P反演时,复折射指数虚部和粒子谱有效方差的信息量比采用Stokes矢量和DOLP反演时显著下降,表明这两个参数对偏振方向和测量误差敏感,增加偏振方向信息和降低测量误差能够有效提高这两个参数的可反演性;偏振方向的探测对提高气溶胶遥感能力有重要价值,采用L_P和DOLP反演时,气溶胶各参数的后验误差比采用Stokes矢量反演分别增加67.6%和65.5%,其中细模态体积柱浓度和粒子谱有效半径受到的影响最大;在全部气溶胶参数中,复折射指数实部后验误差最小,虚部的反演不确定性最大。总体来说,细模态气溶胶的三个参数（体积柱浓度、复折射指数实部和粒子谱分布有效半径）在三种偏振量反演情况下平均DFS均大于0.85,能够较好的通过DPC观测反演得到,而粗模态气溶胶反演与气溶胶类型有关,参数反演不确定性较大。     

云滴谱分布对FY-4A/AGRI水云光学厚度与有效粒子半径反演的影响

为了定量评估对数正态谱分布假设对水云光学厚度(COT)与有效粒子半径(Re)反演的影响，利用欧洲中期数值天气预报中心建立的RTTOV(Radiative Transfer for TIROS Operational Vertical Sounder)模式，对比模拟了基于对数正态谱和修正Gamma谱两种云滴谱分布下FY-4A/AGRI(Advanced Geosynchronous Radiation Imager)的第2、5通道液态水云的反射率，分析了这两个谱分布假设条件下水云反射率随COT以及Re的变化特征。在此基础上，建立了两种谱分布条件下的COT和Re查算表，并基于2020年夏季的一个初生对流云个例，定量分析了云滴谱分布类型对云参数反演结果的影响。结果表明，在第2通道，两个云滴谱类型假设下计算的反射率仅有0.1%～2%的差异，但在第5通道，采用修正Gamma云滴谱计算的反射率比采用对数正态云滴谱计算的反射率低10%～20%。反演结果表明，采用对数正态云滴谱反演的有效粒子半径Re比采用修正Gamma云滴谱反演的Re整体偏大，前者反演的Re集中在15～35μm,而后者反演的Re集中在...     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

基于无人机高光谱遥感的冬小麦全氮含量反演

氮素是作物生长发育必需的营养元素之一,作物的全氮含量是表征其氮素状况的主要指标。田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥,减少环境污染。无人机高光谱遥感具有分辨率高、时效性高、成本低等优势,可为作物长势信息反演提供重要数据源。XGBoost（extreme gradient boosting）作为一种新兴集成学习算法,运行效率高,泛化能力强,可以有效的应用于构建冬小麦全氮含量遥感反演模型,预测田块尺度冬小麦全氮含量空间分布。以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象,开展以下工作: （1）以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像,结合地面采样数据,获取126个样点全氮含量数据;（2）分析拔节期冬小麦冠层光谱特征,并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性;（3）构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。结果表明: （1）176个波段（400~1 000 nm）的光谱反射率与冬小麦全氮含量之间具有较强的相关性,除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5;（2）基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度（R2=0.76,RMSE=2.68）;（3）基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图,总体上呈现较为显著的空间差异。该研究可为冬小麦精准定量追肥提供一定的科学依据,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

土壤铬的航空高光谱间接反演模型及可迁移性研究

铬（Cr）是我国东北黑土区土壤重金属污染评价中的主要目标元素之一,随着航空高光谱技术的引入,Cr含量的高光谱反演具备了大范围应用的数据基础,其中影响调查质量的关键是高光谱模型的精度及应用范围。常用的建模方法是利用各类统计学手段进行光谱特征提取并建模,局限性表现为建模结果受样本选择的影响较大,模型泛化能力不强。研究以土壤Cr的赋存规律为切入点,设计了一种新的基于Cr影响因素及光谱特征的间接反演模型,改善了模型在不同地区的适用性。选择黑龙江省建三江和海伦两个研究区,高光谱数据来自CASI/SASI航空高光谱成像系统,波段范围380～2 450 nm,建三江和海伦研究区地面采样数量分别为225个和121个,分析获得土壤Cr元素及SOM,N,P,K₂O,SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO,Na₂O和pH等理化参数,建模方法采用偏最小二乘法。Cr的赋存规律分析结果表明,Cr在两个研究区均表现为与Al₂O₃,Fe₂O₃,MgO,K₂O和pH呈极显著的正相关关系,与SiO₂,Na₂O和SOM呈极显著的负相关关系,该特征为间接反演模型的建立提供了基础。两个地区Cr的光谱特征分析结果共同表明,光谱反射率经变量标准化（SNV）变换后与Cr含量的相关性最明显,特征波段为1 520,2 195,2 210和2 225 nm。将光谱SNV变换后的特征波段作为纯光谱模型自变量,将SNV特征波段和上述与Cr密切相关的土壤组分作为间接反演模型的自变量,建模结果显示,相比于纯光谱模型,建三江研究区的间接反演模型将建模R2由0.643提升到了0.751,验证R2由0.571提升到了0.687,海伦研究区的间接反演模型将建模R2由0.537提升到了0.676,验证R2由0.471提升到了0.643,间接模型相应的均方根误差（RMSE）也得到了降低,可见间接反演模型明显提升了Cr的反演精度。两个研究区之间的模型迁移性实验结果表明,纯光谱模型的可迁移性较差,模型迁移后实测与预测值的回归R2接近于0,而间接模型在两个研究区间的迁移能力得到了显著提升,海伦的间接反演模型应用到建三江时,实测与预测值的回归R2达到0.597 5,而建三江的间接模型应用到海伦时,回归R2为0.577 3。研究结果可为土壤Cr在不同地区的大范围反演制图提供一种新的途径。     

基于PCA的土壤Cd含量高光谱反演模型对比研究

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要。高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力。针对高光谱信息冗余及光谱变换对土壤镉（Cd）含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能。首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线（350～2 500 nm）;为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析（PCA）对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量。针对高光谱反演模型,研究选择了偏最小二乘（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数（R2）、均方根误差（RMSE）和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99%,作为模型的输入变量,四种模型均具有一定的预测能力。无论光谱变换与否,PCA-RF反演模型的预测能力均为最好（R2分别为0.856和0.855,RPD均高达3.39）。利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力。以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑。     

基于机器学习的水体化学需氧量高光谱反演模型对比研究

化学需氧量（COD）是水体有机污染的一项重要指标,如何快速准确检测水体的COD含量尤为重要。机器学习在水质反演领域应用日益增多,并取得了较多的研究成果,高光谱遥感具有光谱空间分辨率高、成像通道多等优势,使其在水体COD反演方面有着极大的潜力。利用不同的高光谱预处理方法对原始高光谱数据进行处理,并利用处理前后的高光谱数据对比研究了不同机器学习模型、不同高光谱预处理方法对水体COD的反演性能。首先利用ZK-UVIR-I型原位光谱水质在线监测仪在扬州宝带河实地收集了1 548组COD和对应的高光谱数据（400~1 000 nm）样本,为降低光谱噪音干扰以及消除光谱散射影响,分别使用Savitzky-Golay（SG）平滑、多元散射校正数据（MSC）以及SG平滑结合MSC对原始光谱进行预处理。其次,将样本集随机划分为训练集和测试集,其中训练集占比80%,测试集占比20%。对预处理后的训练集全波段光谱基于线性回归、随机森林（random forest）、AdaBoost、XGBoost四种机器学习方法建立COD高光谱反演模型,并选取了决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）三种指标在测试集数据中评估高光谱反演模型的精度。结果表明,随机森林、AdaBoost、XGBoost均优于线性回归,无论光谱处理与否,通过XGBoost建立的反演模型预测能力均为最佳,其中使用XGBoost对经过SG平滑和MSC处理后的光谱数据进行建模的反演模型精度最高,其R2达到0.92,RMSE为7.1 mg·L-1,RPD为3.4。考虑到原始光谱可能存在冗余,通过主成分分析法（PCA）对经过SG平滑和MSC处理后的光谱进行降维,并选取累计贡献率达到95%的前十个主成分作为模型的输入变量。通过XGBoost建立反演模型,结果表明经过PCA后的反演模型不仅精度有所上升,RPD达到3.8,而且模型的训练时间也由72 s缩短到2.9 s。以上研究可为该水域及类似水域的高光谱水质反演模型的建立提供新的方法及思路。     

多光谱影像的陕西大西沟矿区土壤重金属含量反演

传统的以“点采样+实验室分析”为主的土壤重金属含量分析技术成本高、效率低下，而基于多光谱遥感的土壤重金属高精度定量反演中存在重金属含量影响因子的优化这一难题，以陕西大西沟矿区这类山区地形条件下的金属矿区为例，利用Landsat8/OLI多光谱卫星影像、DEM数据以及外业土壤采样分析数据，开展了矿区土壤重金属含量指示因子分析及定量反演研究。首先，考虑研究区地形地貌特点，设计了沿研究区地形特征线及其两侧坡面均匀分布的样点分布方案，采集了45个样本。并对45个样本的混合样中的8种重金属含量进行了兴趣度分析，根据含量超标程度及矿的类型选取了铜、铅、砷3种元素作为分析对象。其次，根据研究区土地利用现状及地形特点，提出了以Landsat8/OLI影像B2至B7波段光谱反射率、粘土矿物比（CMR）、改进归一化水体指数（MNDWI）、差异植被指数（DVI）等八种光谱指数、以及反映研究区地形坡度和坡向三类因子作为反映土壤重金属含量空间分布特征的侯选因子。进而，对上述三类侯选因子与样本中3种金属含量进行了最小二乘相关性分析。根据分析结果，引入了基于估算误差最小准则的金属含量估算模型--基于规则的M5模型树的分段线性估算模型。以上述三大类共17个指示因子作为模型的输入，利用80%的土壤样本分析数据作为模型的训练数据，经过M5模型树的构建、平滑和树枝修剪过程，建立了3种金属的反演模型实现了研究区中土壤中3种金属含量的估算。同时，基于均方根误差（RMSE）最小准则确定了以光谱因子为主的最利于反演的最佳指示因子集。最后，用随机选取的20%的检验样本对模型进行了反演精度分析，验证了该模型对铜、铅、砷3种金属含量的反演精度比普通的线性模型分别提高了27.3%，24.6%，20.9%，同时，铜、铅元素的可信度也有所提高。利用上述模型的反演结果实现了3种金属含量的空间分布制图，并将反演结果与1990年公布的国家土壤元素背景值进行了对比。此外，分析了研究区铜、铅、砷3种金属的空间分布规律，并利用野外调查结果进行了验证。     

基于最优光谱指数的大豆叶片叶绿素含量反演模型研究

叶绿素含量的准确获取及预测可为作物种植的精准化管理提供理论依据。利用最优光谱指数建立大豆叶绿素含量反演模型,以大豆花芽分化期叶片为研究对象,获取高光谱和叶绿素含量数据。首先构建了7种与叶绿素含量相关的典型光谱指数,分别为比值指数（RI）、差值指数（DI）、归一化差值植被指数（NDVI）、修正简单比值指数（mSR）、修正归一化差值指数（mNDI）、土壤调节植被指数（SAVI）和三角形植被指数（TVI）,并对原始高光谱进行一阶微分（FD）处理,随后分别对原始和一阶微分高光谱在全光谱波长范围内两两组合所有波长,进行14个光谱指数的计算。再采用相关矩阵法进行最优光谱指数的提取,将所有波长组合计算出的光谱指数与叶绿素含量进行相关性分析,以相关系数最大值为指标,提取出14组最优的波长组合,并进行对应光谱指数值的计算作为最优光谱指数。最后将最优光谱指数划分为3组模型输入变量,分别与偏最小二乘回归（PLS）、最小二乘支持向量机回归（LSSVM）和套索算法LASSO回归3种方法组合建模并对比分析,以决定系数R2_c,R2_p和均方根误差RMSEC,RMSEP作为模型评价指标,最终优选出精度最高的大豆叶片绿素含量反演模型。结果表明：14组最优光谱指数波长组合分别为RI（728,727）,DI（735,732）,NDVI（728,727）,mSR（728,727）,mNDI（728,727）,SAVI（728,727）,TVI（1 007,708）,FDRI（727,708）,FDDI（727,788）,FDNDVI（726,705）,FDmSR（726,705）,FDmNDI（726,705）,FDSAVI（727,788）和FDTVI（760,698）,相关系数最大值r_max均大于0.8。建立最优模型的方法为输入变量为一阶微分光谱指数（组合2）与LSSVM组合的建模方法,所建模型的R2_c=0.751 8,R2_p=0.836 0,RMSEC=1.361 2,RMSEP=1.220 4,表明模型精度较高,可为大面积监测大豆的生长状态提供参考。     

基于多算法优化SVM的粗糙面参数反演

支持向量机（SVM）是粗糙面参数反演中常用的一种反演算法,SVM反演中的惩罚参数C和核函数参数G对反演结果精度的影响较大,若参数取值不当,会使模型产生"过学习"或者"欠学习"的现象,从而降低预测精度.给出几种SVM参数C和参数G的优化算法,如K折交叉验证（K-CV）、遗传算法（GA）和粒子群算法（PSO）,并在此基础上提出一种基于K-CV和GA改进的PSO算法（GA-CV-PSO）.利用矩量法（MoM）获得的粗糙面后向散射系数构造训练集和测试集,通过不同参数反演的仿真结果对比不同优化算法的反演精度和计算时间,表明GA-CV-PSO算法克服了单一优化算法的缺陷,具有更精确的反演精度和更强的泛化能力.     

生菜叶片绿度的高光谱判别方法研究

生菜叶片绿度在作物生理及品质感官评价中具有重要作用。结合目前高光谱检测与分析技术在植物生理信息监测中的应用现状,开展了基于高光谱技术的生菜叶片绿度判别方法研究,以此为叶菜品质感官评价的定量化及基于高光谱技术的多功能生理信息同步采集装置的开发提供必要的理论支撑。本文以生菜为研究对象,在三种不同光照强度下开展栽培试验。以叶绿素相对含量（SPAD）作为反应绿度的参数,获取生菜整个生命周期中的动态高光谱和SPAD数据,分析了高光谱曲线的变化规律,建立了高光谱与SPAD之间的关系模型。采用Savitzky-Golay卷积平滑(SG)方法对原始高光谱数据进行降噪,平滑后的数据分别与多元散射校正（MSC）,标准正态变量变换(SNV)和一阶导数(FD)三种预处理方法组合,采用竞争性自适应重加权取样法（CARS）和提取有效植被指数（VI）两种方法进行敏感波长提取,结合偏最小二乘（PLS）和最小二乘支持向量机（LSSVM）两种方法建模,以决定系数（R2）和均方根误差（RMSE）为评价指标,优选出最优绿度判定模型。结果表明：在10,20和30 d的生菜全生命周期内,不同光照强度下的高光谱曲线表现出总体变化趋势一致但反射率值不同的特征,在可见光450～680nm范围内,自然光照条件下的生菜高光谱反射率值要高于补光处理条件下的反射率值;而在近红外730～850 nm范围内,生菜叶片的高光谱响应特征恰好与可见光范围内相反。基于SG+FD预处理与CARS敏感波长提取方法的组合可实现叶绿素相对含量特征信息的最有效提取,提取的敏感波长占全波长的64.59%,与原始高光谱（1.25%）相比,提取的敏感波长数增加了63.34%。最终确定LSSVM方法为最优建模方法,基于SG+FD+CARS+LSSVM组合方法所建模型为最优生菜绿度判定模型,训练集R2_c=0.920 7,RMSEC=1.161 0,预测集R2_p=0.828 8,RMSEP=2.400 8,模型精度较高,可以实现生菜叶片绿度判别的目的。     

艾比湖湿地自然保护区土壤盐分多光谱遥感反演模型

土壤盐分是衡量土壤质量的要素,也是作物生长发育的基本条件。因此,迫切地需要一种可以快速了解土壤盐分含量（SSC）的方法。针对艾比湖湿地自然保护区,基于Landsat8 OLI多光谱遥感影像,以该研究区36个土壤表层样品的盐分含量为数据源,选择相关性较好的多光谱遥感指数分析研究区土壤盐分分布状况,并将其分别与实测SSC构建线性、对数、二次函数模型,进而优选精度最高的模型来反演该研究区SSC。结果表明：（1）在多光谱遥感指数中,与SSC相关性最高的是增强型植被指数（EVI）,其相关性范围为（-0.70~-0.67）;其次是传统型植被指数（TVI）,其范围为（-0.58~-0.46）;土壤盐分指数（SI）与SSC的相关性最低,其范围为（-0.45~0.16）,其中SI3和SI4与SSC均没有相关性。（2）将实测土壤盐分值所反演的分布图与EVI对比分析,发现在西北、正南方向的艾比湖湖边周围和东北方向盐池桥的SSC均较高,其EVI的值较低,说明通过该研究区实测土壤盐分值所反演的盐分分布图与EVI的空间分布结果较为一致,表明EVI对该地区土壤盐分具有一定的敏感性,能较好地反演SSC的空间分布;（3）分别将三种EVI与实测SSC建模分析比较,发现SSC与增强型比值植被指数（ERVI）所构建的二次函数模型最好;其验证集的决定系数（R2）为0.92,均方根误差（RMSE）为2.48,相对分析误差（RPD）为2.09,模型精度较高、稳定性较为可靠,相比之下,说明ERVI对该湿地自然保护区土壤盐分有更高的敏感性,可以用来预测该区域SSC,从而进行空间反演。在TVI中加入Landsat8多光谱遥感影像的b6和b7波段,得到EVI,以此来反演SSC是可行的,且比传统可见光和近红外波段所构建的植被指数反演效果更好。因此该研究不仅可以为遥感反演提供理论参考,而且对该地区SSC的定量估算和动态监测具有重要的意义,也可作为其他区域SSC预测反演的备选方案。     

集成学习算法的红外光谱定量回归模型

近年来,深度学习在数据挖掘领域研究较多,深度学习中的集成学习算法也越来越多地应用到分类和定量回归中,但是,集成学习算法在红外光谱分析领域的应用研究较少。提出一种基于Blending模型融合的集成学习定量回归算法,利用GBDT算法、线性核支持向量机(LinearSVM)和径向基核支持向量机(RBF SVM)作为基学习器,将基学习器预测结果通过LinearSVM模型完成数据融合。以公开数据库中的药片和柴油近红外光谱数据为研究对象,首先对光谱数据进行一阶导数预处理,分别采用单核支持向量回归模型、GBDT模型和Blending集成学习模型,将模型预测结果进行分析比较。药片活性物含量和硬度性质采用RBF SVM模型的预测结果最优,RMSEP最小,RPD最大;其次为Blending集成学习模型;GBDT模型预测结果最差。药片质量采用Blending集成学习模型预测的R2最高,达到0.837 4;RBF SVM的RMSEP最小,为2.140 6,RPD最大,达到7.487 8;LinearSVM的预测结果最差。对于柴油沸点、闪点和总芳香烃三种性质,Blending模型预测效果最好,优于三种单模型预测结果。对于十六烷值,GBDT模型和RBF SVM模型预测结果优于Blending集成学习模型。对于密度,仅GBDT模型优于Blending集成模型,并且,使用单模型和集成模型的预测结果均较为理想,除了LinearSVM模型R2为0.944 5,其他模型R2均高于0.99。对于冰点的预测,RBF SVM和LinearSVM的预测效果优于Blending集成学习模型。对于黏性性质的预测,仅RBF SVM的预测效果优于Blending集成算法模型。由结果可以看出,由GBDT,LinearSVM和RBF SVM集成的Blending模型由于融合了单模型的特征,与单模型相比,预测效果较优或者最优,证明集成学习Blending模型用于红外光谱定量回归具有较强的适用性,且具有较高的预测精度和泛化能力,对于进一步研究集成学习算法在红外光谱定量回归中的应用具有重要的意义。     

改进的QGA-ELM算法水稻叶面积指数反演模型

为了通过植被指数（VI）准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数（LAI）,提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型,再通过引入组合动态旋转角策略、单点混沌交叉操作、混沌变异操作、确定性选择策略、量子灾变操作对量子遗传算法（QGA）进行改进,最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。为了验证该模型普适性和有效性,依次建立多元线性回归、BP、ELM、QGA-ELM、改进的QGA-ELM算法5种模型,并在不同数据集上进行反演效果比较,结果表明：（1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程,改进的算法能有效提升模型寻优能力,避免算法早熟,且能寻得更优结果。（2）对比五种算法在不同数据集上的反演效果,验证了NDVI,RVI与LAI之间主要为非线性关系,且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。（3）对比五种算法在不同数据集上的反演效果,改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差,改进后的算法反演精度得到了明显提升,泛化性能也得到了增强。（4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差,且精度较高,能为不同生长状况水稻LAI反演提供依据。（5）五种模型对庆和香LAI反演精度均要高于龙稻18,而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度,且在不同水稻品种上反演精度相差极小,远低于其他四种模型,能很好适应不同水稻品种LAI反演要求,极大提升模型的稳定性性,为不同水稻品种反演提供参考意义。     

基于多时相TanDEM-X极化干涉SAR数据的水稻株高反演

水稻株高是水稻本身以及土壤、水文、气象等因素的综合反映,是水稻长势监测的重要指标。准确、高效、大范围的株高反演为水稻品种识别、物候监测、病虫害评估和产量预测等提供了可靠的依据。合成孔径雷达(SAR),具有全天时、全天候、穿透性的优势,成为水稻株高反演的重要手段之一。基于极化干涉测量(PolInSAR)的散射模型的反演算法具有严密的物理模型的支撑及较高的反演精度等特点,成为植被高度反演研究的热点。结合极化干涉SAR技术,构建了一种基于RVoG(Random Volume over Ground)模型的水稻株高反演算法,并利用2015年水稻生长季内9个时相的TanDEM-X极化干涉SAR数据,进行了水稻株高反演试验。首先基于每个时相下的极化干涉SAR数据分别得到8个复相干系数,利用这8个复相干系数在考虑卫星双站模式等情况下进行去相干处理,然后建立适用于水稻田特性的RVoG模型,接着构建基于该模型的水稻株高反演迭代算法,最后对9个时相下的TanDEM-X数据进行研究区的水稻株高反演及精度评定。结果表明,当水稻株高高于0.4m时,该方法的反演结果较好,决定系数(R^2)为0.86,均方根误差RMSE为6.79 cm;当水稻株高较低时(水稻株高小于0.4 m),反演误差在0.1~0.8 m之间,反演结果较差,被明显高估。通过分析认为,基于极化干涉理论,TanDEM-X数据在较好地反映出水稻植株的较大体散射量的前提下,利用所构建的基于RVOG模型的水稻株高反演算法,能够较好地反演株高在0.33~1.2 m的水稻株高。