水稻分蘖期无人机高光谱影像混合像元特征分析与分解

开展水稻无人机高光谱解混,获取水稻植株的高光谱反射率信息,对于提高水稻理化参量的反演模型精度具有重要意义。目前大多基于高光谱遥感影像自身数据进行解混,运用算法模型进行高光谱数据解混,将高光谱图像和可见光图像进行优势互补,提出一种基于无人机高清影像与高光谱遥感影像融合的稻田无人机高光谱解混方法,解决单一数据局限性问题,增强光谱数据对地物的描述能力。为了更好的计算端元丰度,将同一目标区的高清数码正射影像与无人机高光谱遥感影像利用经纬度信息进行空间配准,使得不同传感器获得的图片在几何位置上对齐,通过SVM分类器的监督分类方法对可见光的数码正射影像进行地物分类,利用地物分类的结果对应高光谱的一个像元,从而得到一个像元内的端元丰度。设相邻区域内的水体端元是相同的,利用线性解混模型（LSMM）对相邻区域的混合像元进行解混,最终获取水稻高光谱反射率信息。结果表明对两种图片进行空间配准丰富了数据源信息,有利于像元的端元丰度计算,其中水稻端元丰度在70%以上解混效果最好,丰度在50%以上解混效果一般,丰度在30%以下解混效果较差;选择监督分类方法进行地物分类,精度达到99.5%,面向对象方法分类精度为98.2%,监督分类方法优于面向对象分类方法;最终得到的混合像元分解反射率高于原混合像元反射率,减少了水体混合部分对光谱数据的影响,使得分解后水稻的光谱反射率更加准确,为水稻理化参量无人机成像高光谱遥感反演提供更加准确的科学依据。     

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法（CARS）选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R2分别为：DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明：SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。