Landsat 8 TIRS热红外光谱数据定标准确性的分析

Landsat系列卫星的热红外数据一直是获取地球表面温度的重要数据源,而新一代Landsat 8卫星的TIRS热红外传感器数据进一步延续了这一重要使命。但该卫星发射以来,其热红外传感器的定标参数不断发生变化,致使美国地质调查局(USGS)不得不在2014年2月对所有已获取的Landsat 8卫星数据进行重新处理。为了考察新处理数据的定标准确性,利用定标精度很高的Landsat 7 ETM+的3幅热红外影像来对同日过空的Landsat 8 TIRS热红外影像进行对比, 以查明TIRS热红外数据的定标准确性。结果表明,尽管Landsat 8 TIRS与Landsat 7 ETM+的热红外光谱数据很接近,但是,二者之间也存在着差别。与ETM+6波段反演的大气顶部温度相比,TIRS 10波段表现为高估,幅度最大为1.37 K,而TIRS 11波段则表现为低估,幅度可达-3 K。可见,Landsat 8 TIRS热红外光谱数据的定标参数精度仍不稳定,且以TIRS 11波段表现得更明显。进一步分析发现,TIRS数据的误差会随着地表植被和裸土覆盖比例的不同而发生变化。表现在TIRS 10波段的高估会随着植被比例的下降而加大,而TIRS 11波段的低估则会随着植被比例的下降而减少。因此,虽然USGS提倡用TIRS 10单波段来反演温度,但TIRS 10波段在低植被高裸土区的反演精度却远不及TIRS 11波段,所以在低植被高裸土区可能不宜一味地采用TIRS10波段,在没有把握的情况下,在低植被覆盖区也可尝试采用TIRS 10和11波段温度的均值,它可将误差缩小在<0.5 K范围以内。     

基于TSAVI的OLI模拟数据翅碱蓬生物量反演研究

翅碱蓬是辽东湾北部滨海湿地一种典型的植被,其生物量的评估对了解滨海湿地生态系统生产力,生态系统机构和功能的形成具有十分重要的作用。而翅碱蓬覆盖度不均一,特别是自然状态下的覆盖度较低,土壤背景影响严重。将基于模拟Landsat 8 OLI数据的转换型土壤调整指数(transformed soil adjusted vegetation index,TSAVI)作为自变量,与地面实测生物量进行回归分析,构建了翅碱蓬群落生物量反演模型。结果表明：TSAVI(红光600～687 nm,近红外820～880 nm)与生物量的相关性显著,相关系数在0.9左右,最高相关系数可达0.92;线性、二次多项式优于对数、指数和幂模型,模型拟合优度r2都为0.83,再结合模型的F值和运算效率,认为线性模型是反演成熟翅碱蓬生物量的最优模型。最后,实现了研究区域Landsat 8 OLI卫星遥感数据翅碱蓬群落生物量反演及模型验证,估算值和实测值的相关系数r为0.962,平均相对误差为0.106,翅碱蓬覆盖度越大,相对误差越低,覆盖度低的翅碱蓬生物量反演的相对误差在0.18左右,表明所建立的线性反演模型在高、低覆盖度时均具有良好的反演精度;此外,还人为地将模型中土壤线系数a和b引入±5%扰动,扰动后的反演结果平均相对误差比较稳定,相关系数有所降低,但都在0.9以上,表明所建立反演模型具有较好的稳定性。     

基于优化光谱指数的牧草生物量估算

牧草生物量是天然和人工草场产出的一个重要指标,能直接反映牧草的长势,它的实时监测是制定合理的草地管理和放牧制度的前提。然而,传统的样方法费时、费力很难满足草地生物量监测的实时性要求。近年来,随着高光谱遥感的发展,为草地的快速、无损的监测提供了可能。通过对内蒙古天然和人工草地生物量及其冠层光谱数据分析,探讨了不同类型光谱指数在估算牧草生物量的鲁棒性。研究表明,由于冠层结构和生物量的影响,不同类型草地冠层的光谱反射存在巨大的差异,从而使现有光谱指数对天然草地和不同品种人工草地牧草生物量的预测能力存在显著的差异(R2=0.00～0.65)。在荒漠草原低生物量的条件下,受土壤背景影响不同光谱指数预测能力较小,而在青贮玉米高生物量条件下,基于红光的光谱指数容易发生饱和失去敏感性。把不同草地类型的数据结合后进行简单比率和归一化窄波段光谱指数的波段优化,与出版的光谱指数相比优化后的归一化光谱指数(normalized difference spectral index, NDSI）显著提高了牧草生物量的预测能力,预测生物量模型的决定系数最高(R2=0.72)。敏感性分析进一步证明了基于波段优化算法的优化光谱指数NDSI,(ration spectral index, RSI）有最低的噪声,从而能更好的预测牧草生物量。波段优化算法可以有效提高遥感估算草地牧草生物量的精度,光谱指数及其优化波段的选择会直接影响模型的预测能力。     

基于Landsat 8 OLI数据的玉米冠层含水量反演研究

植被含水量是作物长势好坏的指示因子,利用遥感技术及时准确监测植被含水量对农业生产、作物估产和干旱状况评价具有重要意义。基于新一代对地观测计划Landsat 8 OLI传感器(Operational Land Imager,陆地成像仪),评价其植被含水量反演的能力与局限性。首先,利用ProSail冠层模型模拟冠层光谱反射率数据集,分析OLI传感器的植被含水量敏感波段以及土壤背景对各波段反射率的影响,然后利用基于Landsat OLI影像计算的植被水分指数和2013年6月1日—8月14日期间采样的植被含水量数据,比较12种植被水分指数与地面实际采样的植被含水量的相关性,评价估算植被含水量的最佳植被水分指数。结果表明：OLI传感器的红、近红外和两个短波红外对植被含水量敏感,其中近红外波段最为敏感;在低植被覆盖度时,土壤背景反射率的太阳辐射将达到光谱传感器影响植被水分指数与植被含水量之间的关系,利用ProSail模拟干湿土壤背景反射率结果也表明土壤背景对植被冠层反射率的影响很大;引入优化土壤调整植被指数(OSAVI)去除土壤背景对植被水分指数的影响;在12种植被水分指数中,MSI2与植被含水量的拟合关系最好(R2=0.948),植被含水量的平均拟合误差为0.52 kg·m-2;在植被生长晚期即植被含水量大于2 kg·m-2时,各植被水分指数出现饱和情况,植被含水量的估算结果不佳。     

资源一号02D高光谱数据红树林地上生物量反演

红树林生态系统是地球上生产力最高的生态系统之一,它也是海岸带“蓝碳”生态系统的重要组成部分。地上生物量作为红树林蓝碳的重要组成部分,如何准确快速地获取红树林地上生物量已成为红树林生态系统研究的热门问题。分析北部湾茅尾海红树林地上生物量(AGB)空间分布格局及其量级,可为该区域红树林生态环境保护及“南红北柳”生态修复提供科学依据。资源一号数据作为我国自主研发的民用国产高光谱卫星,其高光谱数据为红树林地上生物量的研究提供了新的机遇。机器学习算法因其高性能、高效率的优势被越来越多的应用于红树林相关研究,目前已经成为获取红树林参数信息的重要手段。高光谱数据在红树林地上生物量的反演精度如何?国产高光谱卫星数据和机器学习算法在红树林地上生物量的估算中能否应用?这些问题仍需进一步验证。基于国产资源一号02D高光谱数据,采用极端梯度提升(XGBoost)、随机森林回归(RFR)以及K近邻回归(KNNR)三种不同的机器学习算法对茅尾海的红树林地上生物量进行估算,在此基础上对比了不同的机器学习算法的性能。结果显示：(1)无瓣海桑红树林地上生物量的平均值最高(90.93 Mg·ha^-1...     

黄河口海域悬浮物浓度Landsat8 OLI分段线性反演

黄河每年输送大量泥沙进入渤海。研究黄河口海域悬浮物浓度,对于黄河输沙以及周边海域的环境监测具有重要意义。利用2011年夏、冬两季实测遥感反射率以及同步测量悬浮物浓度数据,开展了黄河口海域悬浮物浓度分段线性反演研究。结果表明,不同浓度范围下,悬浮物浓度反演的敏感波段不同;浓度小于等于50 mg·L-1(≤50 mg·L-1),敏感比值波段为(600~700 nm)/(400~600 nm),浓度高于50 mg·L-1(＞50 mg·L-1),敏感比值波段为(750~900 nm)/(420~720 nm),Landsat8 OLI的对应组合方式分别为B4/B2和B5/B3;根据上述浓度分段范围分别建立线性模型,其精度R2,RMSE和APD分别为0.873 5,4.08 mg·L-1和22.81%(≤50 mg·L-1),以及0.969 3,102.96 mg·L-1和17.51%(＞50 mg·L-1),整个浓度下三个精度参数分别为0.975 3,67.03 mg·L-1和20.45%,均优于常用单一模型在分段和整体浓度下的相应参数,且具有良好的稳定性。分段线性模型,更适合浓度变化大的黄河口海域悬浮物浓度反演。     

基于光谱重建优化的无人机高光谱影像估算牧草生物量

准确及时地预测牧草的地上生物量AGB(above ground biomass)是实现牧草生长监测和合理放牧的前提。无人机高光谱遥感可快速获取高空间、光谱和辐射分辨率的遥感影像,已被广泛应用于精准农业和高通量植物表型等领域。为探究无人机高光谱影像(unmanned aerial vehicle hyper-spectral image, UAV-HSI)对草原牧草AGB预测的适用性,获取了青海省典型草场样区的UAV-HSI、样方牧草AGB和相关辅助数据。然而,UAV-HSI具有较大的数据量级,不便于被广泛采集、存储和传输,也会显著影响数据处理的效率,严重制约其被有效利用。着眼于此,提出一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法,以期在有效降低数据量的同时,保证牧草AGB的预测精度。首先,利用残差量化方法对UAV-HSI进行特征参量化处理,获得低数据量级的多阶二值立方体(H_i)及系数矩阵(β_i),并以此替代原始数据进行存储和传输;其次,利用H_i和β_i进行光谱重建,得到初构光谱PRS(preliminarily reconstructed spectra);最后,运用Savitzky-Golay滤波对PRS进行优化,即为OPRS(optimized PRS)。以样区牧草光谱为例,对OPRS的光谱保真性,即OPRS与原始光谱之间的相关系数、光谱角和光谱矢量距离进行分析,结果表明,在3种保真性指标上,OPRS均明显优于同阶的PRS。进而,分析了牧草AGB与光谱变量之间的相关性,结果表明,与原始光谱和PRS相比,OPRS各波段对牧草AGB的预测能力相对较高且最为稳定。而后,利用偏最小二乘法回归构建了牧草AGB的反演模型,结果表明,在原始光谱、1～4阶PRS和1～4阶OPRS等9种光谱中,4阶和3阶OPRS的AGB预测精度分别达到了最优和次优水平,二者的AGB预测相对分析误差RPD(ratio of performance to deviation)分别为2.31和2.23,比原始光谱模型的RPD分别高0.26和0.18。在降低1个数量级的情况下,OPRS取得了优于原始光谱的牧草AGB预测性能,说明OPRS兼具数据简化和牧草AGB准确预测性能,为UAV-HSI估算牧草AGB提供了一种新的有效解决方案。     

基于多光谱数据的永定河流域植被生物量反演

用传统研究植被生物量实测的方法不仅耗时费力,而且由于影响因子不易确定会导致预估精度不高。选择永定河流域河北——北京段为研究区域,以该地区2009年7月20日的TM影像数据为数据源,结合当地分辨率为30米的数字高程模型(digital elevation model,DEM)数据和其他相关辅助解译资料,并借助全站仪等高精度测量仪器进行外业调查,归纳出永定河地区遥感因子与植被生物量可能存在的函数关系,通过多元线性回归分析遥感影像因子并建立反演模型,最后将反演模型进行精度分析。通过将实测值和预测值分析对比,得出反演模型总体相对误差为-0.025%,平均相对误差为-0.016%,总体预估精度高达84.56%。模型的建立可对大范围流域生态环境因子进行及时、快速、准确地调查,为永定河生态环境问题诊断提供实验数据。     

干涉数据光谱反演方法研究

干涉光谱仪获取的干涉数据是一种中间数据,需要进行光谱反演,常规的方法是采用傅里叶逆变换反演光谱。文章由干涉数据的基本公式入手,推导出干涉数据的混合模型,给出一种基于干涉数据混合模型的光谱反演方法。利用干涉数据对该方法及傅里叶逆变换方法进行计算机仿真,对其光谱反演结果进行对比。由仿真结果可以看出,所提方法反演的光谱精度要优于通用的傅里叶逆变换方法反演的光谱,为干涉数据光谱反演提供新的思路。     

基于高光谱成像的牧草粗蛋白含量检测研究

粗蛋白（CP）是评价牧草营养价值和品质参数的关键指标。快速、准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型,研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场（羊草）内每月随机选取35个样本,5个月共采集175个样本。采样时在样本点处放置1 m×1 m的样方,将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。将样本带回实验室后,立即进行牧草叶片高光谱图像采集,同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定,以此建立牧草粗蛋白含量高光谱数据集。研究首先通过Savitzky-Golay卷积平滑（SG）、多元散射校正（MSC）、变量标准化（SNV）、一阶导数（1-Der）和直接正交信号校正（DOSC）方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归（PLSR）检测模型,从中确定最优预处理方法。利用最优预处理结果,分别采用连续投影算法（SPA）和随机蛙跳算法（RF）进行牧草粗蛋白含量的特征波段选择,并利用选择结果分别进一步建立PLSR模型,以此确定适合粗蛋白含量的特征波段选择方法,确定最优高光谱检测模型。结果表明,在五种高光谱预处理方法中,基于SNV方法预处理后所建立的高光谱PLSR模型表现最优（R2-P=0.929,RMSE-P=6.344 mg·g-1,RPD=4.204）。利用连续投影算法筛选的粗蛋白含量特征波长为30个,分布于530～700和940～1 000 nm范围内。经随机蛙跳算法确定的粗蛋白含量特征波段为6个,分别为826.544,827.285,828.766,971.012,972.494和973.235 nm。因此,该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR（R2-P=0.933,RMSE-P=6.034 mg·g-1,RPD=4.322）,模型精度较高。该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础,同时为指导草业生产开拓了新的技术思路。     

基于光谱分类的干涉光谱图像压缩

针对干涉成像光谱仪所成图像的特点,将分类算法运用于干涉图数据压缩.针对单一和复杂两类目标,采用不同的处理方法,得到了较好的压缩效果.     

基于云计算的大数据自动分类处理系统设计

随着现代网络技术不断进步,系统数据量也在逐渐增多。传统的大数据自动分类处理系统已经无法满足现阶段用户需求,其软件与硬件的设计都比较单一,存在能源消耗大、分类速度慢、处理时间长、内存占用率高等问题,为此,提出基于云计算的大数据自动分类处理系统的设计。首先设计系统硬件结构,主要包括数据采集器、数据处理器以及数据自动存储模块,并详细的介绍了各硬件结构;然后利用时域特征提取数据的算法对频域特征数据进行提取,从而实现数据自动分类处理系统的软件设计;最后对两种系统性能进行对比实验。实验结果证明,基于云计算的大数据自动分类处理系统的资源不仅占用率低,内存消耗小,而且数据库内存较大。该系统不但可以提高数据自动分类精准度,还能加快数据分类速度,从而使系统拥有更好的分类性能。     

A Hyperspectral Image Classification Approach Based on Feature Fusion and Multi-Layered Gradient Boosting Decision Trees

At present, many Deep Neural Network (DNN) methods have been widely used for hyperspectral image classification. Promising classification results have been obtained by utilizing such models. However, due to the complexity and depth of the model, increasing the number of model parameters may lead to an overfitting of the model, especially when training data are insufficient. As the performance of the model mainly depends on sufficient data and a large network with reasonably optimized hyperparameters, using DNNs for classification requires better hardware conditions and sufficient training time. This paper proposes a feature fusion and multi-layered gradient boosting decision tree model (FF-DT) for hyperspectral image classification. First, we fuse extended morphology profiles (EMPs), linear multi-scale spatial characteristics, and nonlinear multi-scale spatial characteristics as final features to extract both special and spectral features. Furthermore, a multi-layered gradient boosting decision tree model is constructed for classification. We conduct experiments based on three datasets, which in this paper are referred to as the Pavia University, Indiana Pines, and Salinas datasets. It is shown that the proposed FF-DT achieves better performance in classification accuracy, training conditions, and time consumption than other current classical hyperspectral image classification methods.     

基于光谱分类和局部DPCM的干涉超光谱数据压缩

为了获得较高的压缩比,针对干涉超光谱图像数据的空间维相关性和干涉光谱维相关性,提出了一种将光谱分类与局部DPCM相结合的联合压缩算法。先对整个光谱数据进行光谱分类,得到一个与二维空间对应的分类号矩阵和一个与干涉光谱对应的光谱类别库,然后利用局部DPCM对光谱类别库进行进一步压缩。分类作为第一步压缩对整个压缩算法的压缩效果至关重要,本文分析了不同分类标准和分类精度下的压缩效果,相对欧氏距离标准优于夹角标准和干涉RQE标准。文中最后选取了合适的分类标准编程实现联合压缩算法并与JPEG2000进行比较,联合压缩算法的压缩效果优于JPEG2000。     

基于高光谱的牛奶中真蛋白质含量反演

牛奶蛋白质的分析和监测是奶制品行业中不可或缺的环节利用可见光/近红外反射光谱(350～2 500 nm)进行纯牛奶中真蛋白质含量的快速定量反演。分别通过ASD地物光谱仪和CEM真蛋白质测定仪采集牛奶样本的反射光谱数据以及蛋白质含量数据,对比分析不同的光谱预处理方法和波段筛选方法,得到特征波段,最后利用主成分回归(PCR)和最小二乘支持向量机(LS-SVM)模型建立牛奶反射光谱和蛋白质含量之间的定量校正模型,并对其预测能力进行比较,从而确定最优的牛奶中真蛋白质含量反演模型。实验结果证明：(1)比较不同光谱预处理方法,发现多元散射校正与二阶微分联合使用效果较好;(2)相对于全光谱建模,适当的特征变量优选有助于提高建模精度,缩短建模时间;(3)PCR的验证集决定系数R2_P为0.952 2,验证集均方根误差RMSEP为0.048 7,而LS-SVM的R2_P为0.958 0,RMSEP为0.048 2,其预测精度要优于PCR。研究表明,可见光/近红外高光谱反射率数据可以为牛奶真蛋白质含量的检测提供一种快速、无损的新方法。     

改进的QGA-ELM算法水稻叶面积指数反演模型

为了通过植被指数(VI)准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数(LAI),提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演.首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型,再通过引入组合动态旋转角策略、单点混沌交叉操作、混沌变异操作、确定性选择策略、量子...     

基于Bayes决策的光谱分类

天文观测技术的迅速发展推动了大规模的星系光谱巡天计划如SDSS、LAMOST等,面对这些巡天项目所观测到的海量光谱数据, 研究自动的光谱分析方法已成为必然的选择。研究了基于Bayes决策的光谱分类方法,将光谱分为恒星,星系和类星体三类。首先采用主分量分析来进行特征提取,将光谱投影到由三个主分量构成的特征空间中; 然后,采用非参数密度估计Parzen窗法来估计类条件概率密度函数; 最后利用基于最小错误率的Bayes决策进行分类。在Parzen窗法中,核宽很大程度上影响着估计效果,从而影响着分类效果。通过详尽的实验分析了核宽和分类效果的关系,发现当核宽接近某个阈值时,识别率将会增加,但小于这个阈值时,识别率反而下降。     

基于光谱与空间特征结合的改进高光谱数据分类算法

针对仅利用光谱信息进行分类未充分利用高光谱数据图谱合一特性的问题,提出了基于马尔可夫随机场的改进分类模型,利用基于最大后验概率的马尔科夫随机场模型进行光谱与空间信息的融合应用,采用基于光谱信息的概率支持向量机方法提高马尔科夫随机场模型中光谱能量函数项的类条件概率估计精度,设计基于信息传播策略、信息更新策略、多尺度传播策略的多重加速策略的高效置信传播优化算法,解决了马尔科夫随机场模型中全局能量最小化优化过程中计算复杂度高、计算耗时等问题。利用航空可见-近红外成像光谱仪AVIRIS对美国印第安纳州西北部的农业示范区数据进行应用分析,并与迭代条件模型、模拟退火、置信传播等方法进行性能比较,试验结果表明：该方法能够达到总体分类精度95.78%、Kappa系数0.933 4,优于现有马尔科夫随机场分类算法,并且计算效率比置信传播优化算法提高了3倍以上。