结合纹理因子和地形因子的森林蓄积量多光谱估测模型

森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标。传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求。机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度。以鹫峰林场森林为研究对象, 综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现。旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度。以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测。以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力。研究结果表明：利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度。以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1。RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法。     

不同含水量尾砂的光谱特征与遥感模型

我国尾矿库数量众多,分布广泛,在低含水量条件下,风力作用引起的尾砂扬尘会对周边环境造成污染。而尾矿库表面积大,含水量变化快,传统的含水量监测方法效率低、安全性差、成本高,难以实现尾矿库含水量的大面积、实时、快速的监测。目前,基于光谱特征的遥感模型虽可以较为准确地预测土壤含水量,但矿区尾砂与常规土壤在成分上存在差异性,使得土壤含水量的光谱预测遥感模型可能无法适用于尾矿库含水量的预测。为此,选择辽宁省风水沟尾矿库作为研究区,采集尾砂配置成不同含水量的样品,测试其可见光-近红外光谱,分析不同含水量样品的光谱特征以及含水量与光谱特征之间的关系,建立针对尾砂的含水量遥感预测模型,并应用于辽宁省风水沟尾矿库表面含水量的预测。结果表明：（1）含水量对尾砂的光谱特征有显著影响,二者存在高度的相关性,光谱反射率随含水量增加而下降,且波长越长,含水量对光谱的影响越显著;（2）构建了基于尾砂光谱特征的含水量遥感预测模型,选择Landsat8-OLI传感器的B6和B7波段,定义了比值指数（RTI）、归一化差异指数（NDTI）和差值指数（DTI）3种尾砂光谱指数,并将这3种指数作为输入自变量,使用随机森林方法进行训练以及含水量的建模预测,并与B7波段建立的对数反射率预测模型进行比较。结果表明,光谱指数+随机森林的预测模型效果优于基于B7波段建立的对数反射率模型。（3）使用光谱指数+随机森林的预测模型,通过Landsat8-OLI数据对实地尾矿库提取了含水量的空间分布图,结果表明模型预测的含水量与实测结果之间的决定系数R2达0.798,均方根误差RMSE为0.077,相对分析误差RPD为1.970,平均相对精度ARE为20.1%,在现有技术条件下,达到了较好的预测效果。该研究为变质型铁矿尾矿库含水量的预测提供一种大面积、实时、快速的实用方法。     

耦合多种特征的森林蓄积量反演方法比较——以雅鲁藏布江流域森林为例

森林资源遥感监测是遥感的重要应用方向之一。传统的统测方法花费大量的人力、物力,科学的森林资源预测可以提升工作效率并降低测算成本。森林蓄积量是评价森林生态系统质量的重要指标。蓄积量反演模型是用来估测蓄积量的数学模型,具有学习和预测的功能。同样的地物在不同光照或阴影区域有较大的差别,利用波段比值可以在一定程度上减小光照和阴影区域在建模时得出结果的误差。森林蓄积量的预测模型通常选取光谱信息和纹理特征作为主要建模因子,但未充分考虑选取波段比值、植被指数、地形因子等多特征变量时不同模型对预测精度的影响。针对不同模型的精度问题,以西藏自治区米林县为研究区域,以Landsat OLI影像、 DEM数据以及森林资源二类调查数据为数据源,对光谱信息、纹理特征和地形因子等进行提取与分析,并建立了三种基于多特征的森林蓄积量的反演模型,分别是多元逐步回归模型、 BP神经网络模型和随机森林模型。旨在研究不同模型对森林蓄积量反演的影响。采用可决系数(R²)、平均绝对误差(MAE)和均方根误差(RMSE)来对模型进行拟合度和精度的评价。结果显示随机森林模型的拟合度和精度均为最优(R^2...     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

基于深度残差网络的高光谱遥感数据霾监测

霾监测是环境治理中的关键技术之一。目前地面观测站进行霾监测的耗费较大,基于多光谱遥感的霾识别精度较低。将深度学习用于高光谱遥感数据的霾监测,提出一种基于深度残差网络的高光谱霾监测方法,利用深度网络提取霾光谱曲线特征,再使用残差学习等方法降低网络训练难度,得到了霾监测模型。苏州地区Hyperion高光谱数据集上的实验表明,与其他遥感霾监测方法相比,所提方法的霾识别精度更高。     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

葡萄浆果糖度可见/近红外光谱检测的研究

针对可见/近红外光谱与水果糖度存在非线性相关的特点,利用漫反射光谱测定方法获取了葡萄浆果的可见/近红外光谱,提出了应用偏最小二乘（PLS）结合人工神经网络（ANN）建立葡萄浆果糖度的预测模型,利用偏最小二乘法（PLS）对原始光谱数据进行处理,得出交叉检验的最佳主因子数为3,并将3个主因子的得分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。PLS-ANN模型对样本的预测模型检验参数r2为0.908,RMSEP为0.112,Bias为0.013,好于只使用PLS模型的预测模型检验参数r2为0.863,RMSEP为0.171, Bias为0.024。结果表明,利用近红外光谱技术无损检测葡萄浆果糖度等内部品质是可行的,为今后进一步分析建立浆果内部品质预测模型奠定了基础。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

光谱分辨率对黑土有机质预测模型的影响

高光谱遥感以其高光谱分辨率适于反射光谱特征复杂的地物识别与参数反演,但对于反射光谱特征平滑的地物,高光谱数据可能存在数据冗余问题。本研究对实验室测定的黑土高光谱反射率进行重采样,基于统计分析方法研究了光谱分辨率对黑土有机质预测模型精度的影响,结果表明:黑土有机质含量高,土壤有机质的光谱作用范围宽(445～1 380nm);黑土有机质光谱预测模型精度随光谱分辨率降低,呈现先增后减的趋势,最优模型的光谱分辨率为50nm,低于高光谱遥感波段设置,略高于多光谱传感器波段设置;黑土有机质光谱预测最优模型以倒数对数微分为自变量,模型决定系数R2=0.799,RMSE=0.439,研究成果为土壤有机质遥感反演、光谱速测仪器的研制,以及传感器波段设置提供理论基础与技术支持。     

基于多源数据的新疆棉田螨害大范围监测研究

针对新疆棉田传统螨害监测方法耗时低效的问题,提出了一种基于冠层高光谱、近地多光谱、环境数据与地面调查相结合的多源数据棉田螨害大范围监测方法。首先,分别采集地面尺度的棉花冠层350~2 500 nm高光谱遥感数据和不同时期低空尺度的棉田无人机多光谱遥感影像数据,通过分析高光谱的原始光谱和一阶微分光谱特征,提取出了4个螨害敏感波段,分别为：绿光波段553 nm附近、红光波段680 nm附近、红边波段680~750 nm、近红外波段760~1 350 nm,这几个波段同时包含在无人机搭载的多光谱传感器波段范围内,验证了低空尺度下无人机遥感螨害监测的可行性。其次,初选23种植被指数和13种田间环境数据,结合地面调查的螨害发生情况做相关性分析。其中,SAVI、OSAVI、TVI、NDGI、平均湿度、温湿系数和10 cm土壤平均温度均与螨害发生达到极显著相关水平（sig≤0.01）;RDVI、RVI、MSR、最高温度、平均温度、积温、10 cm土壤最高温度和10 cm土壤平均湿度均与螨害发生达到显著相关水平（sig≤0.05）。选取sig值在0.05以下的15种特征值,分别建立基于单一环境数据、单一植被指数、环境数据与植被指数相结合的3种支持向量机（SVM）棉田螨害发生监测模型。最后,根据评价效果最优的监测模型,绘制不同时期的螨害遥感监测空间分布图,通过统计分布图中螨害和健康像元数计算出螨害面积占比,将螨害占比与同时期田间环境数据进行相关性分析,筛选出显著特征值,再通过多元逐步回归分析法确定出与螨害面积值关系最密切的环境因子,建立棉田螨害面积预测模型。结果表明：基于单一环境数据的棉田螨害发生监测模型准确率为62.22%,基于单一植被指数的棉田螨害发生监测模型准确率为75.56%,基于环境数据与植被指数相结合的棉田螨害发生监测模型效果最优,准确率为80%。螨害面积预测模型的决定系数R2=0.848,模型拟合度较好。本研究基于多源数据建立的棉田螨害发生监测模型和螨害面积预测模型,可以为新疆地区棉田螨害的大范围监测和趋势预警提供参考。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

基于NW型小世界人工神经网络的污水出水水质预测

为了预测污水处理出水水质,针对污水处理过程具有多变量、非线性、时变性、严重滞后的特点,提出了基于NW型小世界人工神经网络的污水处理出水水质预测模型。首先根据污水处理系统确定模型输入输出变量个数,然后建立了多层前向小世界神经网络模型,并对网络模型的隐层结构进行了优化研究。借助污水处理过程的历史数据进行了仿真研究,结果表明：和同规模的多层前向人工神经网络相比,小世界神经网络对污水出水水质预测具有较高精度和收敛速度,为污水出水水质的实时预测提供了一种有效的新方法。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

动态光谱数据质量的评价

为消除数据采集过程中各种因素对基于动态光谱法无创血液成分测量精度的影响,需要对动态光谱数据建立一个质量评价标准,以提高建模的稳定性和预测的准确度。在对110名志愿者的测量数据进行分析后,提出了动态光谱数据的一个质量评价指标——稳定波长数,并依此选取出60例优秀样本。利用BP神经网络对此样本的总胆固醇、血糖、血红蛋白进行了建模和预测。预测结果较之对照组均有所改善,平均相对误差分别从13.8%,15.8%,5.4%降低到6.5%,6.5%,2.1%,证明将稳定波长数作为动态光谱数据质量评价标准的有效性。引入稳定波长数指标,可对测量数据进行预先的质量评估,提高实际仪器预测的可靠性,为动态光谱法血液无创检测走向临床应用铺平了道路。     

积雪污染物含量高光谱遥感监测研究

积雪中的污染物含量可以用来反映区域和全球范围内人类活动对环境的污染,但是迄今为止,对大范围或人类活动难以到达的地区进行积雪污染物含量时空监测的研究尚不多见.文章通过模拟大气沉降实验,应用光谱学技术分析了不同污染物含量对积雪反射光谱的影响,而后分别利用构建特征指数法、主成分分析法、BP神经网络以及RBF神经网络模型对积雪污染物含量预测,表明神经网络模型结合高光谱遥感数据方法能够较为准确地估算积雪污染物含量.     

基于神经网络的线指数恒星大气物理参数测量方法

通过人工神经网络的方法基于Lick线指数,来进行大气物理参数的测量,对Kurucz的合成光谱进行预处理以适应最后LAMOST光谱数据的要求,以Lick线指数与对应的大气物理参数为输入,用人工神经网络进行训练,得到训练模型通过DR8光谱数据进行测试,通过调整人工神经网络的相关参数来使实验效果达到最佳。结果证明,通过线指数人工神经网络的方法来进行大气物理参数的测量是可行的。     

黄河口地区环境脆弱性的遥感反演

环境脆弱性定量遥感研究,可以为环境脆弱性研究提供稳定的数据源支撑。通过遥感反演获取区域环境脆弱性的空间分布。从土壤和植被角度, 构建了环境脆弱性综合评价指标体系, 采用AHP-模糊评判方法计算采样点环境脆弱度,并将其分别与样点ETM+光谱反射率及其转换数据的相关关系进行分析,确定其敏感波段, 在此基础上,采用传统回归方法、基于BP人工神经网络分析方法和支持向量机回归方法建立环境脆弱度的光谱反演模型,并采用该模型对研究区的环境脆弱度进行反演,得到环境脆弱性度时空分布图。结果表明, 返青期NDVI、九月份NDVI以及返青期的亮度分量是环境脆弱度的ETM+敏感光谱参数,模型精度比较结果显示,除了支持向量机模型外,其他模型都达到了显著水平,其中以BP神经网络模型的精度最高,传统回归模型也可满足预测需要,但多元回归的模拟精度要高于一元回归模型。研究结果可为大空间尺度的卫星水平环境脆弱性遥感反演提供理论支持。     

Sensor and Actuator Fault Diagnosis for Robot Joint Based on Deep CNN

This paper proposes a data-driven method-based fault diagnosis method using the deep convolutional neural network (DCNN). The DCNN is used to deal with sensor and actuator faults of robot joints, such as gain error, offset error, and malfunction for both sensors and actuators, and different fault types are diagnosed using the trained neural network. In order to achieve the above goal, the fused data of sensors and actuators are used, where both types of fault are described in one formulation. Then, the deep convolutional neural network is applied to learn characteristic features from the merged data to try to find discriminative information for each kind of fault. After that, the fully connected layer does prediction work based on learned features. In order to verify the effectiveness of the proposed deep convolutional neural network model, different fault diagnosis methods including support vector machine (SVM), artificial neural network (ANN), conventional neural network (CNN) using the LeNet-5 method, and long-term memory network (LTMN) are investigated and compared with DCNN method. The results show that the DCNN fault diagnosis method can realize high fault recognition accuracy while needing less model training time.     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。