基于叶片高光谱特性分析的树种识别

高光谱遥感技术的出现将为解决森林树种的精细识别难题提供有效的途径。利用高光谱遥感技术进行树种鉴别时,光谱特征的选择及提取是个非常重要的过程。与多光谱数据相比,高光谱数据具有波段多、数据量大、冗余度大等特点。该文利用光谱微分法对原始光谱数据进行处理,分析不同树种原始光谱、光谱一阶微分和光谱二阶微分曲线图,从中选择差异较大的波段用于鉴别不同树种。最后利用欧氏距离对所选择的波段进行检验识别不同树种的效果,检验的结果显示选择的波段能有效地区分不同树种。区分不同树种的有效波段大都位于近红外波段, 并且差异最大的波段也是近红外波段,其分别为1 657～1 666和1 868～1 877 nm。     

玻璃温室环境下番茄叶绿素含量敏感光谱波段提取及估测模型

为了快速、准确估测番茄叶片叶绿素含量,利用光谱分析技术研究了玻璃温室环境下番茄叶绿素含量敏感光谱波段提取及其估测模型。番茄以基质方式栽培,在结果期使用ASD FieldSpecTM HH型便携式光谱辐射仪采集叶片光谱,并采用752型紫外-可见分光光度计测定其叶绿素含量。从原始光谱、吸光度光谱、一阶微分光谱、去除包络线光谱出发,进行光谱预处理,分析了净化图谱信息、突出作物叶绿素含量光谱特征的有效性。其中,吸光度光谱在可见光部分增强了光谱响应特征,去除包络线光谱和一阶微分光谱均具有较强的蓝光、红光吸收谷和绿光反射峰。又结合波段间自相关分析和多重共线性诊断提取了番茄叶绿素含量敏感光谱波段,原始光谱特征波段为639,672,696,750,768 nm;吸光度光谱特征波段为638,663,750,763 nm;去包络线光谱特征波段为436,564,591,612,635,683,760 nm;一阶微分光谱特征波段为516,559,778 nm。最后,应用4种预处理下的番茄叶绿素含量敏感光谱波段分别建立多元线性回归模型,模型精度由高至低分别为去包络线、吸光度、原始、一阶微分,其中去包络线模型校正集决定系数R2_c为0.88,验证集决定系数R2_v达到0.82,具有较好的预测能力。     

琅琊山景区不同叶绿素条件下树种叶片光谱差异分析

叶绿素含量高低反映植物健康状况,研究景区树种叶片叶绿素绝对值(SPAD)不同的光谱变化规律能为叶绿素高光谱监测波段识别与景区树种管理提供理论支撑。从琅琊山景区灌木和乔木类选取9个常见树种,探讨相同树种叶片SPAD值变化时的光谱差异,同时,横向对比相同SPAD值不同树种叶片的光谱特征,并深入分析不同树种叶片SPAD值与单波段原始光谱、光谱倒数、一阶微分、二阶微分及波段组合差值指数、归一化指数、比值指数、一阶微分归一化指数、一阶微分比值指数之间的关系。结果表明：9个所测树种叶片随着叶绿素SPAD值的升高,光谱变化规律各不相同,在可见光波段区分明显,总体上,光谱反射率最高的样本组SPAD值较低;叶绿素SPAD值相同时,在可见光波段,桂花较其余树种反射率整体较高; 在780~1 350 nm波段,广玉兰叶片反射率始终排前三,其余波段变化规律不明显;原始光谱反射率的二阶微分与海桐叶片SPAD值相关系数最大,一阶微分与其余8种相关性最高;与灌木、落叶乔木叶片SPAD值相关系数最大的光谱指数分别为差值指数、一阶微分归一化指数,与常绿乔木、不分树种相关系数最大的为一阶微分比值指数。     

几种常见树种叶片光谱秋季变化特征分析

叶片随着时间生长产生变化,其光谱特征也会发生变化。研究相同树种叶片不同时间条件下的光谱变化规律以及不同树种叶片相同时间条件下的光谱特征,不仅为植被叶片光谱随时间变化的规律研究提供理论基础,也是高光谱遥感精确识别植被信息的关键。选取北京市10种常见树种,利用地物光谱仪观测各树种不同时间叶片光谱,同时将观测的光谱进行一阶微分处理和典型波段分析,对比相同时间不同树种叶片光谱的差异,分析相同树种不同时间的光谱变化规律,探索不同时相条件下高光谱遥感识别树种的有效波段。结果表明：不同树种叶片光谱均随时间的改变而产生显著变化,但差异规律各不相同;不同树种相同时间叶片光谱在部分波段存在显著差异,为高精度树种识别提供了理论依据和叶片基础光谱数据。     

基于高光谱和BP神经网络的棉花冠层叶绿素含量联合估算

冠层叶绿素能够有效反映植被的生长状况。为了基于高光谱精确估算冠层的叶绿素含量,以棉花为研究对象,实测棉花冠层光谱反射率和叶绿素含量,然后进行原始光谱数据转换,计算高光谱参数,分析叶绿素含量与高光谱参数之间的相关关系,构建估算棉花冠层叶绿素含量的BP神经网络模型。结果表明:包络线去除处理后,冠层反射率和叶绿素含量的相关性在560～740 nm波段范围内提高了10.7%,效果优于原始光谱和一阶微分光谱得到的结果;基于原始光谱和去除包络线光谱建立的植被指数mSR、mND、NDI、DD与叶绿素含量表现出较高的相关性,相关系数均在0.8左右;在所建的BP神经网络模型中,基于包络线光谱指数建立的模型的决定系数为0.85,均方根误差和相对误差分别为1.37、1.97%,这一结果优于基于红边参数、原始光谱植被指数和一阶微分光谱指数建立的模型。本研究可为作物叶绿素含量估算的实际应用提供理论依据和技术支持。     

滇中三类典型地表植被的机载高光谱特征分析

高光谱遥感技术因为具有图谱合一的优势,并且相较于传统多光谱遥感技术,可以实现对目标的精确识别,逐渐运用于地表植被的探测。选择以滇中地区的竹林、华山松、杂木林这三类典型地表植被为研究对象,基于机载高光谱影像数据,通过对原始高光谱、一阶微分处理光谱、连续统去除处理光谱进行处理与对比分析,获得滇中三类典型地表植被类型高光谱特征的初步探测认识。主要结果包括：(1）基于对原始光谱特征分析得出,三类典型地表植被的原始高光谱的最佳波段窗口出现在690~946 nm,且在该波段范围内光谱反射率特征为竹林>华山松>杂木林;(2）运用一阶微分处理光谱特征分析得出,利用光谱微分变换处理能够增强植被的光谱差异。经过一阶微分处理后光谱的最佳波段窗口出现在670~774 nm,在该波段范围内的一阶微分系数为竹林>华山松>杂木林。且发现718 nm为三类植被的敏感波段,即可用718 nm敏感特征波段区分开三类植被类型;并且综合运用一阶微分光谱特征参数中的红边位置,蓝边幅值、黄边幅值、红边幅值、蓝边面积、黄边面积和红边面积可以将三类植被类型进行区分;(3）最后基于连续统去除处理光谱特征分析得出,连续统去除方法能够有效地增强植被光谱曲线反射和吸收的特征。经过连续统去除处理后的光谱,三类典型植被的最佳波段窗口在458~554和570~690 nm,这两个波段范围内的连续统去除系数均为竹林>华山松>杂木林,且发现502和674 nm为三类典型植被的敏感波段,即可用此特征综合区分三类植被类型。该研究结果有助于对滇中森林植被精细判别提供技术方法,同时,为今后发展天-地-空的高光谱影像数据一体化遥感植被精细分类提供技术支撑。     

高光谱信息的农林植被种类区分

为了能够更加快速、准确对粮食主产区的作物与树木进行种类区分,以黄淮海地区三种主要植被(玉米、小麦和杨树)为研究对象,获取该三种植被原始反射率光谱,并对原始光谱进行特征点提取、一阶微分变换、二阶微分变换以及植被指数计算四种方法的分析处理,提取三种植被各自的光谱特征点、特征波段、蓝黄红边微分值和、位置、振幅以及面积四个特征指标以及植被指数的数值区间。基于特征值在不同植被种类间数值重叠范围越小区分精度越高的原理,比较分析植被光谱在不同处理方法下的植被区分精度,并且最终选取重叠范围最小的特征指标作为区分不同植被的识别指标。结果显示：相较于原始光谱特征点提取、二阶微分变换以及植被指数计算,一阶微分变换对于玉米、小麦和杨树的识别分类具有较高的精度,其中黄边振幅、黄边面积以及黄边微分值和具有较高的识别精度,黄边振幅的识别精度达到97.5%,黄边面积以及黄边微分值识别精度达98.1%,用另外167组数据对该结果进行验证,显示黄边振幅的识别精度达96.4%,黄边面积以及黄边微分值和的识别精度达97.6%。该结果与用平均光谱曲线区分单种植被不同生长状态选取的特征值结果不同,这种方法能有效的保留个体光谱反射曲线的差异,从结果可见通过一阶微分变换提取黄边参数的方法能有效的用于树木和粮食作物共同种植区域的植被区分, 并且黄边面积以及黄边微分值和的识别精度最高。     

微分算法的艾比湖湿地自然保护区土壤有机质多光谱建模

针对以往利用高光谱数据来来反演土壤有机质（SOM）的可行性与可靠性,结合微分处理对光谱数据信息提取的高效性,提出了直接对多光谱遥感影像进行微分处理就可得出SOM建模研究,旨在为今后SOM速测提供参考。采用Landsat 8_OLI 多光谱遥感影像数据,对多光谱遥感影像进行辐射定标、几何校正、大气校正、镶嵌和裁剪,运用IDL软件对影像进行一阶微分处理和二阶微分处理,发现一阶微分图像能够更好地表达地物的真实情况,更好地区别水体与土壤。原始遥感影像包含大量的信息其中还包括噪声,通过微分处理后的遥感影像剔出了原始影像中反射率值突兀变化的部分。在研究区采用五点法采集土壤样品。室内实验用重铬酸钾氧化-容量法测得SOM数据。多光谱数据结合地面实测SOM数据,分析SOM与多光谱数据反射率的关系,发现一阶微分处理后的遥感数据与SOM含量的相关性存在敏感波段,说明一阶微分处理可以将原始遥感图像数据在多光谱范围内的一些隐含的土壤有机质信息释放出来。选取相关性高的数据建立基于原始遥感数据、一阶微分数据、二阶微分数据的单波段多光谱线性模型和多波段多光谱线性模型,选取最优模型来估算和反演土壤有机质含量。结论如下：（1）通过对原始影像进行微分处理发现,微分处理后的影像变化明显,一阶微分处理的影像噪声降低,更加突出了影像中土壤有机质隐藏的信息。二阶微分处理的影像抑制了土壤有机质信息。（2）原始遥感影像各波段数据对土壤有机质含量的相关性较低,一阶微分处理后的遥感影像数据反映出土壤有机质敏感波段即部分波段数据相关性明显高于原始数据,二阶微分处理后的遥感影像各波段数据对土壤有机质含量的相关性较弱。（3）多波段建模效果要优于单波段建模;一阶微分多波段模型预测精度最优,其模型的决定系数和模型拟合的决定系数分别为0.898和0.854,该模型对估算研究区内的SOM含量效果较好;综合比较了单波段模型和多波段模型的拟合精度,发现无论在单波段模型还是多波段模型一阶微分处理后的模型都具有更好的预测能力。（4）基于一阶微分多波段模型对研究区SOM进行反演,反演结果与实际情况相符合,对干旱区SOM含量制图提供了切实可行的方法和参考。     

山东省焦家式金矿区土壤重金属铬高光谱监测研究

矿区土壤环境问题日益突出,以山东省烟台市焦家式金矿区为典型区,系统采集了85个表层土壤样品进行野外光谱实测,其中35份用于重金属铬含量测定。利用光谱变换技术对原始光谱提取了一阶微分、二阶微分和去包络线三种光谱指标,采用偏最小二乘回归法建立光谱数据与铬含量间的定量关系,将最优预测模型应用于其余50个样本点铬浓度值的获取,最终通过克里金插值实现了对研究区土壤重金属铬的快速监测。结果表明,基于一阶微分数据模型预测精度最高,其次为二阶微分,原始光谱和去包络线数据。研究区铬的含量与金矿的分布情况密切相关,即金矿密集区域铬含量更高,这表明金矿开采对土壤中铬的含量与分布存在一定影响。     

山东省焦家式金矿区土壤重金属铬高光谱监测研究（英文）

矿区土壤环境问题日益突出,以山东省烟台市焦家式金矿区为典型区,系统采集了85个表层土壤样品进行野外光谱实测,其中35份用于重金属铬含量测定。利用光谱变换技术对原始光谱提取了一阶微分、二阶微分和去包络线三种光谱指标,采用偏最小二乘回归法建立光谱数据与铬含量间的定量关系,将最优预测模型应用于其余50个样本点铬浓度值的获取,最终通过克里金插值实现了对研究区土壤重金属铬的快速监测。结果表明,基于一阶微分数据模型预测精度最高,其次为二阶微分,原始光谱和去包络线数据。研究区铬的含量与金矿的分布情况密切相关,即金矿密集区域铬含量更高,这表明金矿开采对土壤中铬的含量与分布存在一定影响。     

宁夏盐池荒漠植物光谱特征分析及光谱识别

宁夏盐池县荒漠草地属于中温带干旱气候,由于过度利用出现不同程度的退化,退化指示种比重增大,造成不同荒漠草地群落组成差异也很大,如何区别不同荒漠草地植物,并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。目前随机森林（RF）、支持向量机（SVM）与K-邻近（KNN）分类模型被广泛应用于森林植物和农作物的遥感分类,并取得了较好的分类识别效果,但针对草地尤其是荒漠草地植物的分类识别研究较少。因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、冯记沟、高沙窝、麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。筛选出7个植被指数：归一化植被指数705（NDVI₇₀₅）、绿通道植被指数（GNDVI）、光化学植被指数（PRI）、土壤调节植被指数（OSAVI）、可视化气压阻抗指数（VARI）、植被衰减指数（PSRI）和归一化水指数（NDWI）作为随机森林模型（RF）、支持向量机（SVM）模型、K-邻近（KNN）模型的原始变量,对32种荒漠草地植物进行分类识别,并通过分类模型精度的比较筛选较优模型。结果表明：(1）不同植物光谱反射率均符合绿色植物特征,但各植物原始光谱不同波段之间存在明显差异,植物原始光谱水分吸收波段差异明显,且有红边蓝移现象;(2）RF,SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98,0.94和0.98,识别效果较好,但3种分类模型均对白莲蒿与北芸香、虫实与甘草发生了误判;(3）随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标,说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。试验利用随机森林模型（RF）、支持向量机（SVM）与K-邻近（KNN）分类方法,建立了主要植物的分类模型。     

基于时序NDVI与光谱微分变换的森林优势树种识别

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义,也是当前亟待解决的重要科学问题。伴随遥感技术的发展,利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息,有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。以中国东北地区赤峰市旺业甸国有林场为试验区,采用覆盖完整自然年的共36景高分一号（GF-1）WFV时间序列数据（16 m）,提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数（NDVI）,结合支持向量机（SVM）模型对研究区内5种典型优势树种：油松、落叶松、山杨、白桦和蒙古栎,进行不同时间尺度下（单季相、全季相、逐月和逐旬）的光谱识别研究。同时,分别基于原始时序光谱及其一阶、二阶和三阶微分变换结果,探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。结果显示,基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果（p＜0.05）,其中采用全季相数据的树种总分类精度相比于春、夏和秋不同季节的单季相数据结果,分别提高了7.67%,6.64%和3.6%,表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要,同时秋季是采用单时相数据的最佳识别季节（p＜0.05）;在不同时间序列数据中,基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果（p＜0.05）,而基于全季相数据的光谱识别结果最低（p＜0.05）,表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。此外,结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高（p＜0.05）,其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%,分别提升了3.38%和2.95%。研究表明采用基于全年逐旬或逐月尺度的时序光谱数据,并结合相应的微分变换方法,可以有效提高区域尺度优势树种的识别精度,为相关多光谱森林植被精细识别研究提供参考。     

基于近红外光谱的孵前种蛋检测

利用近红外漫反射光谱分析技术对种蛋中的无精蛋和受精蛋进行检测。通过不同波段范围、不同主成分因子数和不同光谱预处理方法对种蛋类型检测结果的比较分析,建立了种蛋的定性检测模型。结果表明:选取光谱范围为4 119.20～9 881.46cm-1,19个主成分因子数,原始光谱经过SNV+一阶导数+Norris微分过滤的预处理方法,利用马氏距离建立种蛋定性检测模型,校正集正确率达到92.50%,验证集正确率达到91.67%。该研究为上孵前无精蛋和受精蛋的无损检测提供了新的途径。     

高光谱漫反射无损检测鸡蛋受精状态

种鸡蛋孵化期间受精状态的检测需要消耗大量人力、物力,并且孵化期间的种鸡蛋不能保证均为健康蛋,需要能够在孵化早期将无精蛋和死精蛋快速准确挑选出来达到降低生产成本的目的。以白来航鸡蛋为研究对象,采用高光谱分选仪批量采集受精、未受精、死精三类鸡蛋共119枚在382~1 026 nm范围内的高光谱数据,其中受精蛋采集孵化3,5,7,9,11,13和15 d的数据,并通过黑白校正方法对原始光谱图做校正处理,得到其漫反射率,经过实验对比以及根据实际生产需要,受精蛋选用孵化3和5 d的光谱数据作为建模数据。同时提出了一种将光谱数据转换为图像数据的方法,在最大化保证光谱原始数据的前提下达到了光谱向量数据可视化的效果,可以有效与深度学习图像识别算法相结合。采用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）对光谱波段进行筛选,建立基于全波段、CARS筛选的特征波长、SPA筛选的特征波长与SVM、RandomForest算法与AlexNet、MobileNet网络的判别模型,其中AlexNet-5dFull Wave Bands准确率最高为93.22%。与通过不同特征波长算法筛选出的数据实验结果对比发现,经过SPA算法筛选后的特征波长的建模效果相比于CARS效果更好,其中SVM-SPA3d模型准确率为91.52%,RandomForest-SPA3d模型的准确率为89.83%,AlexNet-SPA3d模型的准确率为89.83%,表明经过SPA筛选后的特征波长能够保存更多关于种蛋信息差异的有效信息。研究结果表明,利用高光谱分选仪对批量种蛋进行漫反射光谱采集,并将黑白校正后的原始光谱漫反射率数据转换为图像数据,将转换后的图像数据利用深度学习图像识别算法对鸡蛋的受精状态进行准确、无损鉴别是可行的,为后续相关自动化的批量检测提供了技术支持。     

典型伪装材料高光谱特征及识别方法研究

针对某些特定环境下,伪装目标和背景目标出现的“异物同谱”现象,传统的可见光及多光谱遥感伪装识别存在局限性,为此,将高光谱应用到典型伪装材料的特征分析与识别。以北方地区常用丛林迷彩伪装网为研究对象,利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱,通过光谱相似性度量和包络线去除处理,分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段,并基于近红外波段构建光谱比值指数RCI,用于识别绿色植被环境中的伪装目标,最后通过高光谱成像实验获取仿真伪装环境高光谱图像,并利用高光谱图像对识别效果进行验证。结果显示：(1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似,且反射率随浸水时间的增加而整体呈下降趋势;1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段,其光谱特征会因浸水处理而相似于植被,相似度从0.895提高到了0.939。(2)丛林迷彩伪装网和植被在可见光波段的相似度较高,光谱波动情况相似,但在近红外波段光谱特征差异明显。通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段,且基于迷彩伪装网和各植...     

可见近红外光谱的甘蓝叶片毒死蜱农药残留定性分析

有机磷农药毒死蜱是目前农业生产中使用最广泛的农药之一,但有机磷农药过度使用导致的农药残留却给自然环境和人类生命健康造成严重威胁,因此,开发一种快捷、准确、经济的毒死蜱农药在农产品表面残留的直接检测方法意义重大。配制4组不同体积浓度（1∶200, 1∶500, 1∶800, 1∶1 000）的毒死蜱农药溶液,对照组为纯净水,分别浸泡甘蓝叶片3 min,每组采集30个叶片样本,5组共计150个样本。采用可见近红外光谱仪获取其谱图信息,然后开展不同浓度毒死蜱农药在甘蓝叶片上残留的可见近红外光谱定性分析研究。建模时,将每组数据中24个样本,5组共计120个样本作为建模训练集,剩下每组6个样本,5组共计30个样本作为预测集。鉴于甘蓝叶面不平整、皱褶较多,叶片颜色深浅不一等因素会给近红外光谱分析带来干扰,给预测模型的建立增加难度,提出一种光谱全波段平均分组积分（求和）预处理方法,将光谱波段平均分成n组,再对分组后每组数据积分求和,用预处理后的数据训练BP神经网络。实验表明,光谱全波段平均分组积分（求和）预处理方法,对光谱反射率一阶导数（FD）且分组数为25的神经网络训练效果最好,建模集识别准确率为97.50%,预测集识别准确率为96.67%,建模效果优于通常采用的提取光谱敏感、特征波段建模方法（建模集识别准确率为91.67%）。光谱全波段平均分组积分预处理方法在保留光谱数据更多特征波段的同时探索更多潜在敏感波段,能够降低光谱数据维度,减小单个光谱数据噪声对建模效果的影响,选择合适的分组数n,能取得较好的建模预测效果。     

小兴安岭主要树种冠层光谱季相变化研究

森林每年随季节变化而出现形态和生理机能的规律性变化,该变化在一定程度通过其光谱特征有规律地展现。准确地掌握森林冠层光谱特征随季节变化的规律不仅是遥感解译的关键,也为树种识别、动态监测和生化参数反演提供理论基础。利用地物光谱仪对研究区9个主要树种的冠层光谱数据进行长期观测,获取了春夏秋冬四个季节的反射光谱曲线并生成一阶导数曲线,同时还计算了常用的植被特征参数,进而分析不同树种在相同季相和不同季相的光谱特征,对比不同树种在可见光和近红外波段的季相变化特征和差异,探索遥感手段用于树种分类识别的最佳波段、最佳时相。结果表明：不同树种在各生长季光谱具有独特的特征,落叶树种光谱特征因季节的改变而呈现有规律的变化, 而常绿树种光谱特征年变化不明显。光谱特征的变化有效地反应了物候的变化,应用多季相的数据进行分类可以取得最好的效果,常绿树种和落叶树种光谱特征在冬季差异明显,而夏季是采用单季相遥感数据进行树种识别的最佳时节。