非均匀采样干涉数据光谱反演技术研究

干涉光谱成像仪获取的干涉数据是一种中间数据,需要进行光谱反演才能够得到目标光谱数据,傅里叶变换方法是常规的光谱反演方法。由于干涉数据中存在非均匀采样问题,若忽略光谱混叠,直接采用快速傅里叶变换会导致反演光谱的失真,难以满足实时处理需求。针对非均匀采样干涉数据的光谱反演需求,将插值及非均匀快速傅里叶变换(NUFFT)方法应用到光谱反演处理中,对过采样及部分欠采样情况下的非均匀采样干涉数据,提出了相应的光谱反演方法,并分析了方法的适用性。最后对过采样及部分欠采样情况下的光谱反演方法进行计算机仿真,过采样情况下采用NUFFT方法反演光谱的精度要明显高于插值方法,而部分欠采样情况下插值方法反演光谱的精度要明显高于NUFFT方法,并对欠采样造成的光谱混叠有一定的修正,验证了方法的有效性。     

散射介质超衍射极限技术研究进展

综述了已有散射介质超衍射极限聚焦和成像技术的研究现状及进展。首先介绍了这一领域的研究背景及意义,以及已有超衍射极限成像技术的发展现状;然后给出了应用于超衍射极限成像的散射介质定义;其次分析了时间反演技术在声学、微波领域聚焦上的应用,介绍了时间反演法在光学领域超衍射极限聚焦应用中的实现方法,总结了散射介质加入到光学系统中的作用,分析了利用反馈控制调节和光学相位共轭方法进行散射介质超衍射极限聚焦方法的特点;讨论了基于空域和空频域传输矩阵测量的散射介质宽场成像方法及在该目的下的散射介质制备方法;最后给出了散射介质光学超衍射极限成像技术研究前景及展望。     

Landsat-8的舟山近岸海域总悬浮物遥感反演与时空变异研究

总悬浮物(TSM)是海洋水质和水环境评价的主要参数之一。舟山海域位于杭州湾边缘,泥沙含量多,总悬浮物长期处于高浓度状态,其分布与动态变化对近岸水质、水循环以及该区域的渔业、旅游业都有较大影响。Landsat-8卫星影像作为一种应用广泛、空间分辨率高、便于获取的光学信息,可以为舟山海域的TSM观测提供有力的技术手段。利用舟山近岸海域实测TSM吸收系数a_p(440)和水面光谱,开发了基于Landsat-8反演TSM的最优模型,发现基于近红外和蓝色波段比B5/B2的S-函数和线性函数模型反演精度较好,相对于线性模型,S-函数具有更强的鲁棒性,该模型形式为a_p=3.72/(0.009+e-5.249B5/B2),克服了常用函数模型（如线性、对数、指数函数）应用于实际卫星影像时出现光谱幅度范围受限的困难。海岸带内陆复杂水体水色遥感的另一难点是大气校正,以往的研究往往只采用某种大气校正模型,但该模型不一定适合研究水域,从而使得校正结果并不一定是最优的。在本研究中,验证比较了FLAASH,6S和ACOLITE三种大气校正方法面向Landsat-8水色反演的校正结果,发现ACOLITE方法获取的光谱形状最准确,误差最小,特别在蓝色波段,明显好于FLAASH和6S方法。将最优模型应用于舟山近岸海域2013到2018年的10幅Landsat-8图像。实测数据和反演结果显示：舟山近岸海域的TSM吸收系数a_p(440)的变化范围在1.64～417.04 m-1,均值118.47 m-1,TSM吸收占水体总吸收的90%以上,该海域实测的水面光谱形状呈现典型的河口海岸带复杂浑浊水体的光谱特征,很多光谱曲线具有双峰特征,遥感反射率幅值较大,特别是红色、近红外波段,由于受河口高浓度TSM的影响,遥感反射率高于远海较清洁的海水;衢山、洋山、宁波等近岸区域的TSM浓度明显高于东极、嵊泗等远海区域,随河口羽化区呈现由高到低的梯度变化,在近岸区域分布复杂,外海区域分布较为均匀。在时间分布上具有冬季浓度远高于夏季的特点,其中12月最高,最大值为413.32 m-1,8月最低,最小值为3.69 m-1,5月、10月期间也有TSM的局部峰值。这些TSM时空变异特征表明舟山海域悬浮物的分布和变化一方面受地形、海流、潮汐、季风、台风等自然环境因素的影响,另一方面也受如海运、港口建设、海岛旅游等人类活动的较大影响。     

基于模式搜索的光谱消光粒径分布反演算法的研究

发展快速有效的反演算法用于粒径分布的重建是颗粒测量领域重要的研究课题之一。在光谱消光法粒径测量中,提出将模式搜索算法用于独立模式下粒径分布的重建,同时引入Tikhonov平滑泛函构建算法的目标函数,为保证搜索过程的快速性和准确性,设计了关于初始点的优选策略。利用该算法测量国家标准颗粒体积平均直径的相对误差为3.14%,不超过国家标准物质局给出的±8%的范围,且粒径分布宽度合理,没有明显展宽和伪峰现象。与Phillips-Twomey方法和遗传算法的对比结果表明,在综合考虑反演精度和反演时间条件下,该算法具有明显优势,更适合于快速准确的现场测量,具有较好的应用前景。     

基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测

植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一,然而MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中SARIMA方法用于建模及预测LAI时间序列中的线性部分,BP神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示：SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑;SARIMA-BP神经网络组合方法的决定系数为0.981,比SARIMA和BP神经网络的0.941和0.884更接近于1;SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论：SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于SARIMA方法或BP神经网络方法。     

近场强度分布对线性相位反演算法复原效果的影响

利用数值仿真的方法详细的分析了近场强度分布对线性相位反演算法复原效果的影响.对近场强度分布分别为倾斜、环形和高斯随机型的情况下的复原结果与光强均匀时的复原结果进行对比,结果表明像倾斜型这种大部分为奇函数的近场强度分布对复原效果的影响比较恶劣;而像环形、随机型这样的偶函数或大部分为偶函数的近场强度分布对复原效果的影响则不...     

电磁驱动45钢准等熵压缩的实验研究

在已有的众多准等熵加载技术中,磁驱动准等熵加载技术具有准等熵程度高、压力范围大、实验材料种类多、效费比高等特点。利用中物院流体物理研究所建成的磁驱动准等熵压缩和高速飞片实验装置CQ-1.5(最高加载压力为50GPa),成功开展了45钢的准等熵压缩实验,对装置的主要参数进行了介绍;利用激光干涉测试系统DPS获得了45钢飞片的自由面速度历史,通过反积分处理给出了材料准等熵压缩的p-V关系。通过分析实验数据,获得了45钢3种形式的等熵方程的参数。实验获得的最高等熵压力为47.5GPa。     

基于无信息变量消除法与岭极限学习机的新型变量选择方法：以CO气体浓度反演为例

变量选择是光谱分析领域一个重要的组成部分。为了克服传统区间选择法的缺点与不足,基于无信息变量消除法和岭极限学习机提出一种新型的变量选择与评价方法。首先,利用无信息变量消除法剔除整个光谱区间中无信息的波长点;其次,为了解决传统建模方法(偏最小二乘法、BP神经网络等)存在的共线性问题,采用岭极限学习机方法建立回归模型;最后,最佳的特征光谱波长点组合利用特征选择路径图和稀疏度-误差折中曲线进行确定。CO气体的浓度反演实验结果表明：(1)利用无信息变量消除法可以有效筛选出最能表征CO气体透过光谱的特征波长点;(2)岭极限学习机方法具有快速建模、避免共线性和高精度等优点(CO气体浓度反演模型的决定系数可达0.995);(3)特征选择路径图和稀疏度-误差折中曲线可以直观地帮助用户寻找出最佳的特征波长点组合。     

大豆叶面积指数的高光谱估算方法比较

叶面积指数(leaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。通过分析大量实测数据,选用归一化植被指数(normalized difference vegetation index,NDVI)和比值植被指数(ratio vegetation index,RVI)、主成分分析(principcal component analysis, PCA)、神经网络(neural network NN)三种方法对大豆使LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法(NDVI,RVI),主成分分析,神经网络方法LAI都取得了较为理想的结果,验证模型的确定性系数分别达0.758和0.753, 0.954, 0.899,其中主成分分析方法和神经网络方法精度较高,主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.267,明显低于两个植被指数(NDVI和RVI的RMSE分别为0.594和0.616)和神经网络(RMSE=0.413)。当叶面积指数较小时,植被指数能够较好地去除土壤、大气等条件影响,并精确估算LAI;当叶面积指数较大时,主成分分析能够弥补植被指数饱和的缺陷,得到很好的LAI估算效果。神经网络受LAI大小的影响效果居中,其对叶面积指数较小和较大时具有一致的估算效果,具有较好的应用潜力。     

基于光程分布方法校正植物叶绿素荧光的影响

基于全球植被的荧光分布,利用GOSAT数据,同步反演了光子光程概率分布密度函数因子和755 nm处的荧光强度,将反演结果与TCCON站点的结果进行了对比。结果表明:对于受植物叶绿素荧光影响较大的Park Falls(45.9°N,90.3°W)站点附近的GOSAT数据,考虑荧光影响前后的二氧化碳(CO_2)反演结果的最大偏差为1.6×10~(-6);对于受荧光影响稍小的Sodankyla(67.4°N,26.6°E)站点附近的GOSAT数据,最大偏差为0.8×10~(-6),散射校正荧光影响可以使平均误差缩小到0.1×10~(-6)左右。