基于多光谱遥感数据的生物多样性监测与评估

生物多样性是人类赖以生存的基础。受环境和气候变化的影响,全球生物多样性丧失日趋严重,研究区域生物多样性对保护濒危物种栖息地、合理规划与利用区域资源具有重要意义。基于2002年—2018年多光谱遥感植被产品中的NDVI、 EVI、 FPAR、 LAI、 GPP数据集,构建了累积、最小和差值三种动态生境指数(DHI),结合气象数据和物种分布数据,采用多元回归分析分别研究了(1)基于NDVI、 EVI、 FPAR、 LAI、 GPP多光谱遥感指数构建的DHIs评价生物多样性的适用性;(2)累积、最小和差值DHIs表达物种多样性的互补性;(3)气候变化对我国生物多样性的影响;(4)累积、最小和差值DHIs表达物种丰富度的能力。研究表明：(1)基于同种MODIS多光谱植被指数的同一DHIs之间具有很强的相关性(相关系数0.77到0.98之间),可相互替代;同一植被指数的累积、最小和差值DHIs之间有一定关联性,但三者不可相互替代。(2)与基于NDVI、 EVI、 FPAR、 LAI产品数据构建的DHIs相比,GPP-DHIs监测我国生物多样性的能力最强,且与物种丰富度之间存在良好的相关性(相关系...     

光谱参数对基于光谱重构的高光谱数据模拟的影响

遥感数据模拟已广泛应用于遥感研究中, 遥感模拟对于新型传感器的设计,新算法的检测等都有积极的意义。然而传感器系统参数的变化会影响数据模拟的精度。实验采用卷积宽视场多光谱成像仪蓝、绿、红和近红外四个波段的光谱响应函数,基于光谱重构的方法对多光谱数据进行了高光谱的数据模拟。研究分析了多光谱数据中心波长和带宽的变化对高光谱重构精度的影响。结果表明,中心波长和带宽的变化对于光谱重构精度有一定的影响,但总体来说模拟结果有很好的精度。中心波长的变化所引起的RMSE小于0.025,带宽变化引起的RMSE小于0.012。因而基于中心波长和带宽变化的高光谱数据重构有助于用户更好的了解高光谱成像系统,找到系统性能的主要影响者,以便更好的模拟高光谱数据,扩展遥感数据的应用范围。     

基于液晶可调滤光片的广角多光谱成像光学系统设计

基于液晶可调滤光片(Liquid Crystal Tunable Filter,LCTF)的分光原理,设计一种工作谱段为400~720nm,焦距4.5mm,视场角140°,F数为1.28的广角多光谱成像光学系统。该光学系统由前端光学镜头、LCTF和成像镜头组成,其中前端光学系统镜头将入射光束进行扩束,同时将入射光束的广角视场缩小至LCTF可接收角度范围内;LCTF利用液晶材料的电控双折射效应,实现对某一波长光信号的选择透过。根据多光谱成像系统的总体方案,对光学系统的各光学参数进行合理选取。设计结果表明,整个系统在120lp/mm的空间频率处轴上及轴外的调制传递函数MTF均大于0.4。     

基于聚类和小波变换的多光谱图像压缩算法

针对多光谱图像压缩算法现存的时空复杂度高、光谱特性利用不充分等问题,研究了多光谱图像的谱间稀疏等价表示及其聚类实现途径,进而设计了一种基于谱间自适应聚类和小波变换的多光谱图像压缩算法。算法利用吸引力传播聚类产生多光谱图像的谱间稀疏等价表示、在低复杂度下去除图像的谱间冗余,使用二维小波变换去除稀疏表示成分的空间冗余,采用分层树集合分割排序算法(SPIHT)进行压缩编码,并通过误差补偿机制提高多光谱图像重建质量。实验表明,该算法在保证较低时间和空间复杂度的基础上,较SPIHT等同类经典压缩算法,在相同的压缩比下,明显提高了重建图像的峰值信噪比,是一种通用有效的多光谱图像压缩算法。     

基于LCTF的便携式多光谱成像仪

选用商品化照相机镜头、液晶可调谐滤光片（Liquid Crystal Tunable Filter,LCTF）和单色面阵CCD相机,将LCTF置于由镜头和CCD相机组成的照相光路中构成便携式多光谱成像仪,该多光谱成像仪能够在被动和主动光源下进行多光谱图像数据采集,工作波长范围是400-720nm,光谱分辨率为10nm,建立了多光谱成像仪系统多光谱图像采集数值模型,分析了误差源,为系统定标提供了理论依据。最后在自然光照条件下进行了盆景植物的多光谱图像采集试验,重建出多光谱数据立方体,绘制了典型目标点的光谱曲线。     

基于Matlab分析负荷对多联机IPLV的影响

多联机有其特殊的优点,但是不同部分负荷的组合对IPLV的影响仍需进一步研究。文中建立IPLV与部分负荷的相关公式,运用MATLAB软件分析不同卸载级负荷与IPLV的关系,从而确定不同部分负荷的最优组合。     

基于光谱数据的祁连山不同生态区植被覆盖时空变化特征

时序光谱遥感植被指数是公认的监测植被覆盖变化的有效指标,在大范围植被覆盖动态变化监测中发挥着重要作用.祁连山地处中国西部甘肃和青海两省交界处,地理位置特殊,对维持中国西部生态安全具有重要作用.随着全球气候变化,祁连山区的气候也出现了不同程度的变化,并且近些年来国家在祁连山实施了多项生态环境保护工程措施.针对祁连山不同生...     

基于多光谱成像技术的面部痤疮识别研究

痤疮是属于丙酸杆菌皮肤病脉的一种慢性炎症,它危害着人体健康。虽然市面上存在痤疮识别手段,但其仪器较大且费用昂贵,目前尚无民用级别的痤疮识别系统投入使用。本文提出一种基于多光谱成像技术的面部痤疮识别方案,即利用多光谱相机设备,分别对面部正常与不同严重程度痤疮皮肤进行多光谱图像信息采集,通过图像处理方法对采集的信息进行多光谱图像分析,并通过光谱反演算法获取光谱信息。然后将反演出的正常和不同严重程度痤疮皮肤的反射率谱线,与高精度光谱仪在同等实验条件下探测的谱线趋势进行对比。最后建立支持向量机(support vector machine, SVM)面部痤疮三度四级分类模型,准确率为90%,验证了基于多光谱成像技术对面部痤疮无创识别与分类的可行性。     

基于高光谱数据季相特征的山地草甸植被分类识别

新疆天山北坡山地草甸是天山山区草地生产力最高的草地类型,草地退化情况较为严重。对草地植被进行分类与识别,监测草地生态系统本底状况,可以快速、准确、有效的评价草地退化动态与程度,是进行生态重建的关键。为了探索适合草地植被的分类方法,选择天山北坡中段山地草甸植被作为研究对象,利用高光谱成像光谱仪（SOC710VP）获取了典型植被多季相（4个关键生育期）的原始反射光谱数据,通过多项式卷积平滑（S-G）及最小噪声分离（MNF）变换对光谱数据进行平滑去噪及降维处理,分别采用支持向量机（SVM）、BP人工神经网络（BP-ANN）及波谱角填图（SAM）三种方法建立分类模型,并对分类结果进行了对比分析。结果表明：使用S-G滤波及MNF变换预处理方法可以有效的对草地植被高光谱数据进行降维除噪,获得较平滑的光谱曲线,减少了数据的冗余程度并缩短了分类时间。不同季相山地草甸植被的“绿峰”、“红谷”及“红边”等参数差异较大,在植被生长旺盛期（4月—5月）的光谱曲线特征比黄枯期的光谱曲线特征更容易区分,这个时期分类精度较高。SVM分类模型在返青期（4月）和分蘖（枝）期（5月）总体分类精度均超过了90%,Kappa系数也超过了0.9;利用SVM方法进行分类时,在植物生长旺盛期（4月—5月）Polynomial核函数分类精度较高,植物成熟期（6月—9月）径向基核（RBF）函数分类精度较高。BP-ANN在分蘖（枝）期分类精度较高,总体分类精度为91.07%,Kappa系数为0.89,其他时期分类效果一般,虽然在MNF变换降维后能极大的缩短数据处理时间,但分类时间还是较SVM时间要长。SAM分类速度最快,但在各生育期的分类精度都较低,最高值为分蘖（枝）期的总体分类精度77.80%,Kappa系数为0.73。因此,利用Polynomial核函数的SVM分类模型适合对山地草甸植被进行分类识别,分类结果类别完整,准确度高,误分、错分现象相对较少,相比BP-ANN及SAM等高光谱数据分类方法具有较大的优势。     

光程变化对基于近红外光谱的黄酒品质检测的影响

以绍兴酒为研究对象,利用近红外光谱分析技术和化学计量学分析方法,开展了光程变化对基于近红外光谱的黄酒品质检测影响的研究,建立了黄酒酒精度、糖度和pH值3个品质指标的分析模型.通过比较0.5,1,1.5,2,2.5和3 mm 6个不同光程,并比较原始光谱、一阶微分光谱和二阶微分光谱三种光谱预处理方式对模型性能的影响,确定了这3个指标的最佳检测方式.黄酒酒精度和pH的最佳检测方式为:光程2 mm,采用偏最小二乘回归结合原始光谱;糖度的最佳检测方式为光程1mm,采用偏最小二乘回归结合原始光谱.这一研究表明光程变化对基于近红外光谱的黄酒品质检测有影响,选择合适的光程能够有效地提高检测精度.     

基于Karhunen-Loève变换和小波谱特征矢量量化的三维谱像数据压缩

提出了基于Karhunen Lo埁ｖｅ变换的小波谱特征矢量量化三维谱像数据压缩方法耍幔颍瑁酰睿澹?Lo埁ｖｅ变换 /小波变换 /小波谱特征矢量量化方法应用了Karhunen Lo埁ｖｅ变换的消除谱相关性优良性能 ,应用二维小波变换消除空间相关性 ,在小波变换域内应用二维集分割嵌入块编码和一维谱特征矢量量化对三维谱像数据压缩 ,获得较高的压缩性能。实验结果表明 :Karhunen Lo埁ｖｅ变换 /小波变换 /小波谱特征矢量量化编码比Karhunen Lo埁ｖｅ变换 /小波变换 /改进对块零树编码和Karhunen Lo埁ｖｅ变换 /小波变换 /快速矢量量化编码方法在同样压缩比条件下 ,峰值信噪比提高 2dB和 1dB以上 ,而速度提高了 1.5和 8倍 ,整体压缩性能有较大的提高     

流形判别分析和支持向量机的恒星光谱数据自动分类方法

尽管经典的分类方法支持向量机SVM在天文学领域广泛应用,但其只考虑类间的绝对间隔而忽略类内的分布性状,因而分类性能有待于进一步提升。鉴于此,提出一种新颖的基于流形判别分析和支持向量机的恒星光谱数据自动分类方法。该方法引入流形判别分析的两个重要概念：基于流形的类内离散度M_W和基于流形的类间离散度M_B。所提方法找到的分类面同时保证M_W最小且M_B最大。可建立相应最优化问题,然后将原最优化问题转化为QP对偶形式求得支持向量和判别函数,最后利用判别函数判断测试样本的类属。该方法的最大优势在于进行分类决策时,不仅考虑样本的类间信息和分布特征,而且还保持了各类的局部流形结构。SDSS恒星光谱数据上的比较实验表明该方法的有效性。     

基于荧光多光谱融合的水质化学需氧量的检测

为了对水中的有机污染物进行绿色、快速、准确的检测,提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。实验样本为包含近岸海水和地表水在内的实际水样53份,采用标准化学方法获取样本的化学需氧量的理化值,利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm,间隔2 nm)。采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征,PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型,分别建立了单激发波长下的荧光发射光谱数据预测模型、多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型,通过对预测效果的对比,得出结论。实验结果表明,对于不同激发波长下荧光发射光谱数据而言,265 nm激发光作用下的发射谱数据的预测模型最优,其检验集决定系数R2_P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1;对于荧光多光谱数据级融合模型(简写为：LLDF-PSO-LSSVM)而言,在235,265和290 nm激发光作用下的发射光谱的LLDF模型效果最优,其检验集的R2_ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1;对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言,在265,290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优,其R2_p=0.998 2,RMSEP=0.534 2 mg·L-1。综合比较各类建模结果可知,MLDF-PSO-LSSVM的模型效果最优,说明基于荧光发射光谱数据,采用多光谱特征级融合模型检测水质COD时,检测的精度更高,预测效果更好。     

利用后向散射光空间谱强度分布探测尾流气泡的实验研究

利用自行设计制作的尾流模拟系统产生气泡,应用散射光空间频谱测量分析系统,对水中气泡群的后向散射光空间谱强度分布进行测量和分析,研究了不同探测距离的散射光衰减对其强度分布的影响.结果表明,在气泡密度、大小分布不变的情况下,扩束光照明时,由于参与光散射的气泡数目增加对散射光在水中传播衰减的补偿,散射空间谱强度分布的峰值和半宽值均不随探测距离变化;而细光束照明时,散射谱强度分布峰值随探测距离的增加而减小,半宽值则逐渐增大.所以在远距离探测时,细光束的探测效果好.     

基于流形模糊双支持向量机的恒星光谱分类方法

支持向量机(support vector machine, SVM)具有良好的学习性能和泛化能力,因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大,SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题,Jayadeva等提出双支持向量机(twin support vector machine, TWSVM),将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征,对每类数据的局部特征并未关注。鉴于此,提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine, MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征,模糊隶属度函数的引入将各类数据区别对待,尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM,KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。     

基于流形模糊双支持向量机的恒星光谱分类方法

支持向量机(support vector machine, SVM)具有良好的学习性能和泛化能力, 因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大, SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题, Jayadeva等提出双支持向量机(twin support vector machine, TWSVM), 将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征, 对每类数据的局部特征并未关注。鉴于此, 提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine, MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征, 模糊隶属度函数的引入将各类数据区别对待, 尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM, KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。