叶绿素含量BP反演模型的光谱信息输入因子构建研究

植被叶绿素含量的高光谱反演是当今研究的热点,传统后向传播(BP)神经网络是其常用的一种反演模型。高光谱数据虽然具有精细光谱分辨率,但也造成了大量的信息冗余与噪声;而小波包变换(WPT)可以有效地抑制高光谱数据噪声和压缩信号,同时主成分分析(PCA)能够很好地降低模型输入因子的维数并可简化网络结构。以盆栽玉米为研究对象,在玉米叶片光谱数据对数变换并一阶微分处理的基础上,针对叶绿素含量的BP反演模型,提出了基于相关系数(CC)、WPT和WPTPCA的输入因子构建方法,并形成了叶绿素含量的CC-BP、PCA-BP及WPT-PCA-BP三种反演模型。通过比较玉米叶片叶绿素含量的实测值与三种BP模型反演结果,表明基于WPT-PCA构建BP模型的输入因子数量虽仅有6个却并不影响其反演精度,也能包含原始光谱的92%信息,且优于基于PCA和传统CC所构建输入因子的BP模型反演能力。     

光谱谐波分析的新型HAC非监督分类器

高光谱影像分类是识别影像信息的重要途径之一,研究其算法对地物识别、动态变化监测和专题信息提取等方面具有重要意义。非监督分类由于其具有无须先验知识的特点,被广泛应用于高光谱影像分类。结合谐波分析理论提出一种新的高光谱影像非监督分类算法,即谐波分析分类器(harmonic analysis classifier,HAC)。首先,该算法统计第一谐波分量并绘制其直方图,根据波峰数目及位置确定初始地物类别和聚类中心像元。然后将待分类像元光谱的波形信息映射到谐波分解次数、振幅和相位的特征空间中,利用同类地物在特征空间中表现聚集性这一特征,根据最小距离原则对待分类像元进行归类。最后,计算聚类中心像元间的欧式距离,通过设置距离阈值完成类间合并,从而达到高光谱影像分类的目的。提取两种地物类别的光谱曲线,经谐波分析后得到谐波分解次数、振幅和相位量,并分析其在特征空间中的分布情况验证了HAC算法的正确性。同时将HAC算法应用到EO-1卫星的Hyperion高光谱影像得到其分类结果,通过对比K-MEANS,ISODATA和HAC算法的高光谱影像分类结果,证实HAC算法作为一种非监督分类方法在高光谱影像分类方面具有较好的应用性。     

谐波分析重金属铜铅胁迫玉米的污染效应

提出了谐波分析法监测玉米的重金属污染效应。通过设置不同浓度Cu和Pb胁迫下的玉米盆栽实验,测得了玉米冠层叶片光谱、叶绿素以及Cu含量。利用谐波分析技术将玉米叶片光谱特征信息转化为以振幅和相位的能量谱特征信息,提取低次谐波振幅和初始相位,分析了振幅和相位与玉米的健康状况以及重金属污染效应之间的关系。实验结果和分析表明,振幅反映着光谱的能量信息,与叶片中的Cu离子含量有很强的相关性;初始相位携带着光谱辐射峰值的位置信息,与玉米叶片中重金属含量以及叶片光谱的红边位置具有一定的线性比例关系。因此,可以通过光谱谐波分解的振幅和相位间接的判断Cu和Pb胁迫玉米的污染程度。