基于高光谱的水体BOD含量模拟估算

高光谱技术由于满足连续性与光谱可分性的要求,具有能够区别同一种地物不同类别的能力,且光谱数据获取速度快,操作简易,在监测水体分布状况、水体指标上具有突出成就。生化需氧量BOD是评价水污染的重要指标,现行常规的测量方法为五日培养法,这种方法消耗试剂、操作复杂、受干扰因素多、测定时间长、不能及时反映水质变化、无法及时有效地预警突发水污染事件,鉴于传统方法的缺点,探索基于高光谱技术的水体BOD含量的估算和反演对水质评定具有重要意义。以西安地区三处地表水为研究区,共计60处试验点,每处试验点重复测定10次光谱与BOD值,取平均值作为原始光谱,利用Person相关系数法筛选光谱与BOD值的敏感波段,并使用主成分分析与最小二乘法消除光谱指标的多重共线性,建立水质BOD指标的多元线性回归模型与偏最小二乘回归模型。研究结果如下：（1）BOD敏感波段大体分布于600～900 nm,共筛选出了35个显著相关的原始光谱指标,其中758 nm相关系数绝对值最高（0.418）;（2）经由主成分分析降维得出的Z₁和Z₂与BOD指标的多元线性回归模型精度较好（R2=0.565,RMSE=0.007）,且主成分分析中可以明显区分0～0.2与0.4～0.6 mol·L-1 BOD浓度;（3）光谱指标与BOD指标构建偏最小二乘回归模型的精度R2高达0.896,RMSEP=0.746 9（留一交叉法均方根误差）;jack.test检验发现628 nm对反演水体BOD含量的影响极其显著,889与893 nm波段对其影响较为显著;(4）根据模型拟合精度,筛选的最优的BOD反演模型为偏最小二乘回归模型,对偏最小二乘模型进行精度检验,精度较好（R2=0.81）。基于以上试验结果,提出了一种基于偏最小二乘法高光谱水质BOD参数的反演方法,为水质BOD参数动态检测提供了新方法。     

珠海一号高光谱卫星的于桥水库水质参数反演初步研究

水体中的悬浮物浓度和透明度是水质调查中的基本参量,也是评价水环境优劣的重要指标。卫星遥感技术可以大范围、较快速、低成本地实现主要水质参数的反演,但是对于水质复杂多变且水域面积较小的内陆水体来说,目前常用的卫星不能满足水质参数的反演需要。珠海一号卫星星座是由珠海欧比特宇航公司发射的新型高光谱卫星星座,具有高空间、高光谱、高时间分辨率的特点,在内陆水体水质监测中具有重要潜力;然而目前对于运用珠海一号数据进行内陆水体水质参数遥感监测的适用性有待研究,需要开展星地同步实验检验其应用效果。以珠海一号高光谱卫星作为遥感数据源,以于桥水库为研究区,利用与卫星同步的水面实测数据,使用经验回归的方法分别构建了悬浮物和透明度的反演模型,并开展了悬浮物浓度和透明度的模型精度检验。检验结果证明,于桥水库悬浮物浓度和透明度的反演模型最佳波段组合分别为R_rs(684)/R_rs(540)和R_rs(656)/R_rs(556),模型反演相对误差分别为8.6%和11.7%,均方根误差分别为1.0 mg·L-1和18.2 cm。利用建模公式得到了2018年11月22日于桥水库的水质参数分布图,发现于桥水库的悬浮物浓度空间分布呈现北高南低的特点,而水体透明度的空间分布呈现出北低南高的分布特征,这种空间分布特征应该主要是因为于桥水库北部水较浅南部水较深,水越深底泥越不容易再悬浮导致的。基于星地同步实验的于桥水库水质参数反演建模和检验结果初步说明了珠海一号高光谱卫星在定量反演内陆水体水质参数方面具有潜力,未来需要开展更多的星地同步实验进一步完善预处理和反演模型。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

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。     

光谱分辨率对土壤组分建模影响分析

实验室可见-近红外高光谱数据（VIS-NIR）具有快速、高效、无损等技术优势,被越来越多应用于土壤组分反演中。光谱分辨率越高所能表达的土壤信息越丰富,但也带来了数据冗余。目前,对于不同光谱分辨率对土壤组分建模影响效应分析的研究相对较少。以欧洲土壤中心数据集19036个土壤样本为数据源,以土壤总氮（N）、有机碳（OC）、碳酸钙（CaCO₃）、粘土（Clay）为例,基于偏最小二乘回归方法（PLS）并选择30%的随机样本独立验证的方式开展相关研究。首先将所有样本原始0.5 nm分辨率4 200个波段的高光谱数据采用等间距取均值方法分别重采样到2,4,8,…,1 024 nm开展分析。结果表明：随着光谱分辨率的降低,土壤各类组分反演精度均呈下降趋势,光谱分辨率在64 nm以上,4类土壤组分普遍具有较高的模型验证精度（R2>0.65,RPD>1.7）,光谱分辨率在128 nm以下CaCO₃和Clay组分精度显著变差;4类组分中,CaCO₃对光谱分辨率敏感性最强,在高光谱分辨率下反演精度较高（R2>0.86,RPD>2.72）,但随光谱分辨率降低精度下降最快。此外,基于光谱响应函数将样本光谱重采样到GF2,S3A,L8,Aster,Modis和S3OLCI六种常见卫星传感器的光谱分辨率展开评价。结果表明：土壤N、OC在各传感器中均可获得较高的精度,甚至在GF2传感器仅有4个波段情况下,也具有不错的验证精度（R2=0.56; RPD=1.51）,而土壤CaCO₃及Clay反演精度普遍较差;除传感器光谱波段数量外,波段位置对土壤组分的反演能力的影响也很显著,拥有近红外长波（1 100～2 500 nm）光谱范围的传感器对土壤组分的反演能力优于缺少该光谱波段的传感器,特别是粘土矿物的吸收峰多位于近红外长波段,S3A,L8,Aster和Modis传感器的Clay反演能力均优于光谱波段数更多的S3OLCI。该研究成果对土壤组分高光谱数据预处理、卫星数据源的选择及未来传感器光谱通道的设计具有指导意义。     

基于珠海一号高光谱卫星的巢湖叶绿素a浓度反演

叶绿素a是重要的水质参数,可以衡量水体的富营养化程度。遥感技术可以实时、快速、大范围地获取水体中叶绿素a的浓度与分布,对于水生态环境的评价及治理具有重要意义。内陆水体的光谱特征复杂,宽波段的多光谱遥感难以精确获取水体的光谱信息。国产珠海一号高光谱卫星因其光谱分辨率高,波段多等优势在内陆湖泊的遥感监测中具有广阔的应用前景。基于珠海一号高光谱数据,充分发挥其高光谱分辨率的优势,对巢湖的叶绿素a浓度进行反演,从影像中提取实测点处的遥感反射率曲线,筛选具有显著光谱特征的波段,并以OIF指数衡量不同波段组合获取水体组分信息的能力,以此构建与实测叶绿素a浓度相关性较高的波段组合。结果表明珠海一号OHS-2A星影像的14,16和19波段所构建的三波段模型[R_rs(700 nm)-1-R_rs(670 nm)-1]×R_rs(746 nm)在巢湖的叶绿素a浓度反演中取得了较高的精度,相对误差和均方根误差分别为19.97%和10.85 mg·m-3。由模型反演巢湖2019年5月10日的叶绿素a浓度空间分布图可知,叶绿素a浓度自东向西呈上升趋势,全湖南部和东北部的叶绿素a浓度较低,西巢湖的北部叶绿素a浓度最高。西巢湖的整体叶绿素a浓度是全湖最高的,尤其是其北部水域,水质情况较差,已经出现了一定面积的水华,其主要原因在于该地区紧邻合肥市,人类活动强烈,污水废水排放量大。珠海一号高光谱卫星对于内陆湖泊的水质反演具有一定的优势,但也存在着数据处理困难,波段利用率低,反演模型普适性差等局限,今后仍需借助珠海一号高光谱数据开展更多的湖泊遥感研究,不断提出高光谱遥感影像处理的新方法,提高反演模型的精度与普适性,充分挖掘数据源的潜力,使其更好地服务于水质的遥感监测工作。     

OLI与6SV的褐土带煤炭开采沉陷区土壤有机碳反演

遥感反演已广泛应用于区域土壤理化性质的动态监测,但是鲜有针对有机碳含量低、下垫面不均一等土壤光谱特性不显著区域的研究。黄土高原褐土带地形多样,丘陵广布,有机碳含量低。采煤活动引起大面积土壤退化,土壤光谱特性受到强烈干扰,制约了区域尺度土壤有机碳(soil organic carbon)含量遥感反演精度。以山西省褐土带典型采煤沉陷区为例,借助地表反射率和室外实地采集的样本数据对褐土带煤矿开采沉陷区土壤有机碳含量进行反演。采用结合高空间、时间分辨率辅助气象数据的6SV(second simulation of a satellite signalin the solar spectrum-vector)模型和FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)模型对研究区Landsat8 OLI影像的大气校正方法进行对比实验,分析其对褐土带采煤沉陷区土壤光谱曲线及有机碳含量的影响,识别敏感波段。选择原始光谱反射率(R)和平方根()、倒数的对数log(1/R)、一阶微分(R′)等数学变换形式,利用多元线性回归(MLR)、BP神经网络(BP neural net)和偏最小二乘回归(PLSR)建立土壤有机碳反演模型。结果表明：6SV模型大气校正的效果要优于FLAASH模型,可以有效消除大气、地形对于反射率的干扰,可见光波段反射率降低而近红外波段明显上升,不同有机质含量等级土壤反射光谱特性分明;640～670,850～880,1 570～1 600和2 110～2 290 nm波段对土壤有机碳含量指示性强;相较于多元线性回归(决定系数R2为0.765)、BP神经网络(R2为0.767),偏最小二乘回归模型反演精度最高(R2为0.778);结合高空间、时间分辨率辅助气象数据的6SV大气校正模型与偏最小二乘回归建模能显著提高褐土带采煤沉陷区土壤有机碳的反演精度。在此基础上预测研究区2013年-2015年土壤有机碳含量,研究发现：研究区土壤有机碳含量中部高,两侧低,复垦使土壤有机碳含量得到恢复。研究结果可用于揭示黄土高原褐土带采煤沉陷区土壤有机碳含量的时空分布特征,为改进区域土壤光谱分析、土地复垦评价、建立褐土带采煤沉陷区碳通量观测网络和土壤碳库估算提供理论和技术支持,对研究区域甚至全球范围褐土带生态可持续发展提供依据。     

基于固有光学量的高光谱数据反演城市河网水质

水体辐射传输模型是水体光谱特性分析的理论基础,水体固有光学量由水体组成决定,与水体表面光场无关。基于统计的半经验算法虽然能获取指定区域水质参数反演结果,但是缺乏物理意义;基于生物光学模型的分析算法,针对城市河网内陆Ⅱ类水体光学特性复杂、空间分布异质性强、水体细小、流动性大等特点,利用高光谱数据,研究基于固有光学量的城市河网水质参数反演模型,对内陆城市浑浊水体光谱特性研究具有重大意义。提出了适用于内陆城市河网水体的改进QAA算法,以获取水体固有光学量,改进包括后向散射估计模型调整和参考波段优化两个方面;计算参考波段总吸收系数、颗粒物后向散射系数等固有光学量,得到浮游植物吸收系数和剔除纯水吸收系数;对浮游植物吸收系数最优波段比值与叶绿素a浓度进行线性回归分析,构建叶绿素a水质浓度反演模型,对剔除纯水吸收系数最优波段比值与悬浮物浓度线性回归分析,构建悬浮物水质浓度反演模型。针对内陆河网Ⅱ类水体,以典型的河网城市嘉兴市为研究区域,获取了研究区域航空高光谱数据,以及水质采样化验数据和水面以上光谱数据等地面准同步测量数据;利用QAA算法和IIMIW算法对实测水面以上光谱进行固有光学量反演,对比分析两个算法并结合城市河网水体特点,提出改进QAA算法;利用改进的QAA算法实现了研究区域水体的固有光学量反演,基于反演的水体固有光学量建立了叶绿素a浓度和悬浮物浓度两项水色参数定量反演模型,反演模型决定系数R2分别为0.64和0.71;并用航空高光谱数据同步区域的4个地面样点实测数据,对反演结果进行验证分析。通过水质参数浓度反演值与实测值的对比,叶绿素a和悬浮物水质浓度反演的平均相对误差分别为9.2%和9.4%,反演得到的叶绿素a和悬浮物浓度分布图,也与城市河网的特点和实际情况相符,为城市河网水质监测提供方法和模型参考。     

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。     

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。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索。但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道。本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、红边面积SDr、比值植被指数RVI、差值植被指数DVI、归一化植被指数NDVI 11种光谱植被参数作为该光谱分析的基础,将实测针叶色彩参数值、光谱参数值分别作为自变量,采用多元线性逐步回归方法（SMLR）预估色素含量建立模型,以R2、RMSE为评价标准,对比选出模型精度最高的参数组合应用于实践。研究结果表明：(1) 树种间针叶色素含量、色相参数值、光谱反射率均存在一定差异（p<0.05）。(2) 树种间针叶光谱反射率红松显著低于北美短叶松、樟子松、赤松（p<0.05）,针叶树种原始光谱在可见光波段500和680 nm附近呈现“蓝谷现象”和“红谷现象”,在550和760 nm波段附近呈现“绿峰现象”和“红边现象”;一阶微分光谱反射率在700 nm附近产生剧烈变化。(3) 色素含量与色彩参数、光谱反射率、光谱特征参数存在显著线性关系。(4) 花青素和叶绿素分别以L,a*和L,a*,b*,S色彩参数组合为自变量时,拟合模型R2最高,分别为0.588和0.638;而类胡萝卜素、叶绿素a、叶绿素b都是以FD₆₅₂,FD₇₀₀,SDb,SDy,RVI,DVI和NDVI光谱参数组合为自变量时,拟合模型R2最高,分别为0.779,0.786,0.774。该研究运用高光谱相机、色彩色差仪、紫外-可见分光光度仪实现了快速预估针叶色素含量,在色彩参数值与光谱值都与色素含量存在显著相关性的基础上,成功选出建立模型精度最高的参数组合,在针叶树种色素预估时可以根据精度需求及研究条件选择不同方法和参数值。     

方位和品质对南疆果品空间特性光谱影响及反演方法研究

高光谱无损检测技术在果品定量无损检测中应用广泛,以冬枣、红提、香梨三种果品空间特性光谱为研究目标,探索空间特性光谱的影响因素和反演方法,为提高户外果品无损检测精度提供了一种新思路。分别提取三种果品的光谱库并计算空间特性光谱,依次使用马氏距离、浓度残差等预处理方法以及竞争性自适应权重取样算法选取特征波长,将处理后的三种果品空间特性光谱分别与品质（糖度、水分）和方位（探测角、方位角、相位角）建模,建模结果如下：三种果品（按照冬枣、红提、香梨的顺序）与糖分模型的相关系数r分别为：0.853 3,0.822 7和0.913 3;水分模型的相关系数r分别为：0.741 3,0.784 7和0.891 3;探测角模型相关系数r分别为：0.985 6,0.992 7和0.974 7;方位角模型相关系数r分别为：0.941 8,0.910 5和0.936 9;相位角模型相关系数r分别为：0.960 9,0.957 0和0.956 3。可以看出,不同果品方位模型相关性都明显高于品质模型相关性,因此方位因素是影响空间特性光谱的主要原因。使用Roujean模型和Walthall模型分别对不同方位的空间特性光谱进行反演,反演结果如下：使用Roujean模型反演三种果品（按照冬枣、红提、香梨的顺序）空间特性光谱时R2分别为0.934 4,0.928 1和0.830 6;r分别为0.990 2,0.983 9和0.969 1;RMSEP分别为0.030 9,0.048 7和0.062 7;平均模型误差分别为7.27%,11.02%和8.61%。使用Walthall模型描述不同果品空间特性光谱时R2分别为0.943 3,0.859 7和0.839 0;r分别为0.991 8,0.971 8和0.970 2;RMSEP分别为0.036 6,0.066 1和0.068 7;平均模型误差分别为6.19%,15.40%和7.84%。可以看出,Roujean模型可以很好的描述冬枣和红提的空间特性光谱,也可以较好的描述香梨空间特性光谱;Walthall模型可以很好的描述冬枣空间特性光谱,也可以较好的描述红提和香梨空间特性光谱。综上所述,在今后试验中可以使用Roujean模型反演红提和香梨的空间特性光谱,使用Walthall模型反演冬枣的空间特性光谱,进而提高户外果品户外果品无损检测精度。     

高光谱特征参量的冬小麦吸收性光合有效辐射分量估算模型

精确估算吸收性光合有效辐射分量(EPAR)对于检测植被水分、能量及碳循环平衡具有重要意义。应用ASD地物光谱仪与SUNSCAN冠层分析仪对冬小麦整个生育期内冠层光谱反射和光合有效辐射进行监测,并利用冠层反射率数据构建了24个高光谱特征参量,通过分析不同光谱特征参量与冬小麦FPAR的相关关系,建立冬小麦FPAR光谱参量估算模型。结果表明：除蓝边幅值Db外其余高光谱参量均与冬小麦FPAR呈极显著相关(p＜0.01)。红边面积SDr与蓝边面积SDb的比值(VI₄)与FPAR的相关系数最高,达到0.836。提取相关性较高的7个光谱参量分别与冬小麦FPAR建立最优线性与非线性估算模型,通过精度检验分析,优选了冬小麦FPAR最合适的模型。对于线性模型,绿峰位置λg与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.679, 0.111和20.82%;对于非线性模型,绿峰反射率Rg与红谷反射率Rr的归一化比值(VI₂)与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.724, 0.088和21.84%。为进一步提高模型精度,分别运用多元线性逐步回归与BP神经网络建立多个高光谱参量同时参与的模型,与单参量模型相比,BP神经网络模型的反演精度明显提高(R2=0.906,RMSE=0.08,RRMSE=16.57%)。利用高光谱特征参量测定冬小麦FAPR具有可行性,这为实时、有效、准确监测冬小麦生长过程中FPAR的动态变化提供了一种新的方法和理论依据。     

基于光谱特征的高寒山区森林生态系统水源涵养分布反演研究

森林生态系统水源涵养具有调节气候,维持生态水平衡等生态功能。青藏高原作为高寒地区,由于其高海拔,环境恶劣的特征,无法实地人工观测水源涵养量。为更好地获取高寒地区的水源涵养量,通过遥感反演的方式得到特定地区的水源涵养价值量。以林芝巴宜区为研究区,研究区内林芝云杉、高山栎、高山松和雪层杜鹃四种植被为主要树种,遥感影像无法直接获得水源涵养信息,但可以通过构建植被叶片光谱信息与水源涵养量之间的定量关系来反演水源涵养价值量。研究不同植被与水源涵养量的定量关系,每种植被采集10个样点共1 000个叶片样本和水源涵养数据,利用ASD光谱仪获取高光谱数据,通过相关性选取拟合参数,构建水源涵养回归模型。利用Sentinel-2遥感影像反演研究区内植被的水源涵养分布,并对反演结果进行验证。结果表明,四类植被叶片的反射光谱,均呈现出相似的规律性,在可见光波段差异不明显,近红外到中红外波段呈现出明显四个水吸收带,在红光到近红外波段（700～1 400 nm）反射率最高。光谱反射率大小表现为高山栎>高山松>林芝云杉≈雪层杜鹃。通过实验获取植被冠层截流量、枯落物持水量和土壤含水量,三者之和代表植被的水源涵养量,分析植被的光谱特征与水源涵养量的关系,并通过Pearson系数评价波段参数与水源涵养的定量化关系,确定R₅₄₀,R_{1 950},NDWI和NDVI四个参数与水源涵养量显著相关。根据上述参数与四类植被的水源涵养量构建水源涵养回归模型,并通过模型反演研究区内植被水源涵养量,检验模拟精度,整体反演精度R2大于0.7,RMSE基本小于10,说明预测模型反演效果较好,模型可有效估算森林生态系统的水源涵养量。     

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱（Vis-NIR）为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0～10 cm深度的土壤样品，在实验室中分别测定样品的有机质（SOM）含量、重金属砷（As）含量与高光谱；使用基于JAVA语言自主开发的两波段组合软件V1.0（No: 2018R11S177501）计算不同高光谱数据变换形式（原始反射率（R），倒数（1/R），对数（lgR）和平方根（）下Vis-NIR区域（400~2 400 nm）所有两波段组合得到的优化光谱指数（NPDI）与As的相关性，在最优光谱指数（|r|≥0.73和p=0.001）中通过变量重要性准则（VIP）进一步筛选VIP≥1的指数作为模型自变量，基于地理加权回归（GWR）模型估算As含量并使用四个交叉验证度量标准：相对分析误差（RPD），决定系数（R2），均方根误差（RMSE）和最小信息准则（ACI）评价模型精度，从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明：(1）研究区As含量离散度较高，所有样品中SOM含量均小于2％，且As含量与SOM含量在0.01的显著性水平上无显著相关性（|r|=0.113）。（2）As含量与单波段光谱反射率的相关性很低（|r|≤0.228），而通过R，1/R，lgR，计算的NPDIs与As含量的相关性在近红外（NIR，780~1 100 nm）和短波红外（SWIR，1 100~1 935 nm）光谱中发现最高的相关系数和最低的p值（|r|≥0.73和p=0.001），在长波近红外（LW-NIR）区域基于R形成的NPDIs与As含量相关性最高（|r|=0.74）。（3）VIP方法分别筛选NPDI_{R（1 417/1 246）}，NPDI_{1/R（799/953，825/947）}、NPDI_{sqrt-R（1 023/1 257，1 008/1 249，1 021/1 250，1 020/1 247）}和NPDI_{lgR（801/953，811/953，817/951，825/947，828/945）}为GWR模型自变量。(4）从4个预测模型的表现可以看出，Model-a（R）与其他三个模型（Model-b（1/R），Model-c（）和Model-d（lgR））相比，它具有最高的验证系数（R2=0.831，RMSE=4.912 μg·g-1，RPD=2.321）和最低的最小信息准则值（AIC=179.96）。优化光谱指数NPDI_{R(1 417/1 246)}有助于快速准确地估算As含量，为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考，促进露天煤矿区环境污染快速有效调查和生态可持续发展。     

空间分辨散射光谱多参数信息融合方法的生鲜肉嫩度无损检测

嫩度是猪肉食用品质最重要的指标之一。猪肉嫩度取决于猪肉组织复杂的物理、化学特性,目前难以实现快速无损伤检测。探索空间分辨光谱技术用于生鲜肉嫩度无损检测的可行性。首先利用点光源高光谱扫描系统采集54块猪肉背最长肌的空间可分辨散射光谱,经过感兴趣区域选择,提取出猪肉样本表面光斑的空间扩散轮廓,结合4-参数洛伦兹分布函数对扩散轮廓进行非线性拟合,拟合优度R2>0.992,并通过残差分析,表明4-参数洛伦兹分布函数符合肉样表面光强的空间散射规律,进而提取出480～950 nm波长下空间分辨光谱的四个形态学参数：渐进值a、峰值b、半带宽c以及半带宽处的斜率d。然后将单参数谱分别与猪肉样本Warner-Bratzler剪切力（WBSF）测量值进行偏最小二乘回归（PLSR）分析。结果表明不同参数谱都含有猪肉嫩度信息,其中峰值参数谱b建模效果最佳,其回归模型的校正集决定系数R2_c为0.674,均方根误差SEC为8.396N,预测集决定系数R2_p为0.610,均方根误差SEP为8.643N。为提高模型的预测精度和稳定性,实现多参数谱信息的融合,先通过PLSR分析,分别提取出每个参数谱中对猪肉嫩度方差贡献大的公共因子,然后将其因子得分组合在一起作为参数谱的特征变量,与猪肉样本WBSF测量值作多元统计回归分析。为避免数据冗余,对不同参数谱特征变量进行多重共线性判别,进一步采用PLSR算法对参数谱特征变量进行降维和变换,采用交叉验证方法,选择前两维因子得分进行校正模型的建立。其中所提取第一维公共因子对猪肉WBSF值方差解释率达92.28%。与单参数谱所建PLSR模型相比,多参数谱信息融合模型预测效果有了较大提高,其R2_c和R2_p分别为0.923和0.800,SEC和SEP分别为4.083N和5.655N。通过对回归系数进行统计量t检验,结果表明所有回归系数极显著（p<0.01）。本研究通过采取多参数信息融合方法为空间分辨光谱在生鲜肉嫩度无损检测应用提供一种思路,该方法有效将空间分辨光谱解析为4个形态学参数,并实现不同参数谱信息的提取和融合,为开发基于空间分辨光谱的生鲜肉嫩度无损快速检测装备提供技术支撑。     

矿业废弃地重构土壤重金属含量高光谱反演

矿产资源对工业和国民经济的发展有重要的作用,但是随着矿业开采规模的扩大,资源枯竭、经营不善而形成的矿业废弃地越来越多。由于长时间受到采矿的影响,矿业废弃地土壤中存在大量的重金属元素,高浓度重金属可能会对环境和人体产生影响。土地复垦是整治污染、退化土壤再利用的重要方法,对重构后的土壤进行重金属含量检测是衡量土地复垦成效的重要指标,需要长期进行跟踪监测。传统的化学检测方法效率低、成本高、无法实现重金属大范围检测。高光谱是一种新兴的、发展潜力巨大的技术,在环境保护,资源利用,区域可持续发展等方面有着广泛的应用。经过近几十年的快速发展,仪器精度逐渐提高,检测方法逐渐成熟,为实现土壤重金属高效、便捷检测提供了可能。正常土壤重金属含量一般相对较低,采用光谱测量重金属含量较为困难,但铁矿开采区矿业废弃地由于土壤中的铁元素较多,会使土壤中的重金属的存在和聚集形式发生变化,影响重金属对光谱的响应,从而使土壤光谱反射率与重金属含量之间关系更加明显。以湖北省大冶市复垦矿区研究区,采样化学检测方法获取土壤重金属（As,Cr,Zn）含量;借助于美国ASD公司生产的FieldSpec4地物光谱仪（350～2 500 nm）获取土壤反射率,应用一阶微分、倒数对数、连续统去除法分别对反射率曲线进行预处理,提取出光谱特征波段,分析三种重金属元素与光谱特征间的相关性并建立逐步回归模型。研究表明,光谱数据预处理可使光谱特征波段更加明显,其中一阶微分和连续统去除法的效果最为明显。3种重金属元素的特征波段为495,545,675,995,1 425,1 505,1 935,2 165,2 205,2 275和2 355 nm。将土壤重金属含量与光谱特征波段之间做相关性分析,三种重金属都表现出了与光谱曲线的相关性,相关系数大部分都达到了0.5以上,最大相关系数为0.663,由于重金属种类和预处理方式的不同会导致相关性系数存在明显的差异。利用与土壤重金属相关性最大的特征波段建立三种重金属反演模型,并以反演模型r大小选择每种重金属的最优反演模型。由于重金属种类的不同,模型的选择也有差异,Cr和Zn一阶微分逐步回归为最佳反演模型,重金属As连续统去除法逐步回归为最佳反演模型。通过检验,三种重金属中Cr反演效果最好,RMSE为2.67,其次是Zn和As。对比当前不同检测手段可知,基于土样和光谱数据预处理的土壤重金属含量地物光谱仪高光谱反演是比较理想的。可为矿业废弃地土壤重金属高光谱反演提供参考。