共查询到18条相似文献，搜索用时 125 毫秒
1.
玉米冠层FPAR的高光谱遥感估算研究——基于PCA方法及近、短波红外波段 总被引：1，自引：0，他引：1
光合有效辐射分量(Fraction of Absorbed Photosynthetically Active Radiation,FPAR)是进行生态系统功能和全球变化
研究的重要参数,准确估算FPAR具有重要的意义。通过对野外实测玉米高光谱数据和光合有效辐射数据的分析,探讨了主成分分析
方法在高光谱信息提取及其估算玉米冠层FPAR参数的可行性,在此基础上,结合植被指数验证FPAR估算效果,分析近红外及短波红
外高光谱数据在FPAR估算方面的应用潜力。 相似文献
2.
叶绿素吸收的光合有效辐射比率的遥感估算模型研究 总被引：8，自引：1，他引：8
光合有效辐射比率（FPAR）是陆地生态系统碳循环研究的重要参数。根据FPAR的物理意义，本文提出了有效FPAR的概念：即叶绿素吸收的FPAR（FPARchl），利用模拟数据建立了有效FPAR信息模型。探讨了基于叶绿素含量估算有效FPAR的可行性，为进一步采用有效FPAR来估算NPP／GPP提供思路和途径。利用实测数据对有效FPAR模型进行验证表明：（1）叶片吸收的FPAR（FPARleaf）与有效FPAR（FPARchl）之间的差异较大。FPARchl通常不足FPARleaf的50％，两者之间虽存在一定的相关性，而这种相关性是非线性的；（2）叶绿素含量与FPARleaf的相关性较高，而与FPARchl的相关性更高，基于叶绿素含量可以以较高的精度估算FPARleaf和FPARchl经过验证，估算的平均相对误差分别为2．90％和6．6％；（3）应用模拟数据建立的FPARleaf及有效FPAR模型均在叶绿素含量大于20μg／cm。时估算的精度较高，而低于20μg／cm^2时估算的精度较低，本文中叶绿素含量大于20μg／cm^2的60个样本的FPARleaf及FPARchl的估算的平均相对误差，分别为1．79％和5．07％。 相似文献
3.
植被光合有效辐射吸收比率FPAR（Fraction of absorbed Photosynthetically Active Radiation）反映了植被冠层的光学特性，是表征植被光合作用水平和生长状态的重要参量，因此成为全球变化研究中多种过程模型的重要输入参数。随着定量遥感研究的深入和新型传感器的使用，从区域到全球尺度上的FPAR遥感估算方法不断提出，多样化的遥感FPAR产品越来越多地应用于碳循环、能量循环、生产力估算及作物估产等研究领域。本文梳理了遥感估算的植被光合有效辐射的相关概念和算法，并着重对过去十年间遥感估算FPAR的新进展进行了系统总结和探讨。研究表明，近年来FPAR遥感的研究工作一方面聚焦于对现有算法的改进与各类型产品的验证，更多的研究则侧重于FPAR概念体系的拓展，叶片、叶绿素水平的FPAR估算，直射光、散射光的FPAR建模等新方向逐渐成为研究热点。 相似文献
4.
FPAR的Monte Carlo模拟研究 总被引：2，自引：0，他引：2
FPAR (fraction of photosynthetically active radiation absorbed by the canopy)是植被冠层阻截太阳光合有效辐射的比例,是遥感估算陆地生态系统植被净第一性生产力(NPP)的重要参数.利用Monte Carlo方法模拟光子在植被冠层中的辐射传输过程,以植被冠层二向反射分布函数的模拟来验证模拟的正确性;在此基础上对400-700nm光合作用波段范围内的植被叶片吸收光子辐射比例的FPAR进行模拟.FPAR的Monte Carlo模拟结果,揭示了FPAR与太阳天顶角及植被冠层参数之间的关系. 相似文献
5.
植被光合有效辐射吸收比例FPAR (Fraction of absorbed Photosynthetically Active Radiation)是碳循环光能利用率模型中的关键参数之一。高分系列卫星的发射，为反演定量遥感产品提供了高时空分辨率的卫星遥感数据，基于高分数据的植被光合有效辐射吸收比例产品能够为生态系统碳循环的分析评估提供更加精细、精度更高的输入参数产品。本文发展了一种基于深度学习的光合有效辐射吸收比例反演方法。该方法利用SAIL(Scattering by Arbitrarily Inclined Leaves)模型模拟多种太阳入射角度、观测角度、大气条件下的植被冠层光合有效辐射吸收比例及冠层反射率，形成海量输入—输出模拟数据集，具有鲁棒性及更好的普适性；基于深度信念网络对数据集进行训练，得到高分一号（GF-1）卫星光合有效辐射吸收比例遥感反演模型。利用中国科学院怀来遥感综合试验站及黑河流域地表过程综合观测网FPAR地面站点连续观测数据对玉米作物、芦苇草地等下垫面反演的FPAR进行了对比验证，RMSE分别为0.15和0.17。本方法以辐射传输模型模拟的多维大气及地表输入... 相似文献
6.
《国土资源遥感》2017,(2)
估算并消除冠层非光合组分(non-photosynthetic vegetation,NPV)吸收的光合有效辐射,对准确估算生态系统总初级生产力(gross primary productivity,GPP)具有重要意义。以落叶阔叶林为例,通过设置不同情景,应用任意倾斜叶片散射(scattering by arbitrary inclined leaves,SAIL)模型进行冠层光合有效辐射吸收分量(fraction of absorbed photosynthetically active radiation,FPAR)的分层模拟,分析冠层NPV的FPAR的变动及其对冠层FPAR的贡献,并初步探讨落叶阔叶林NPV的FPAR的估算方法。结果表明,冠层NPV的FPAR的大小与冠层结构相关,在高覆盖度植被区NPV对冠层FPAR的贡献通常较小,但在低植被覆盖区的贡献会较高;NPV降低了冠层在近红外波段的反射;增强型植被指数(enhanced vegetation index,EVI)与NPV的FPAR存在显著的线性负相关关系,可用来描述NPV的变化。 相似文献
7.
叶绿素荧光的GOSAT卫星遥感反演 总被引：1，自引：0，他引：1
由于大气吸收和散射等大气辐射传输影响,叶绿素荧光卫星遥感反演存在很大的困难和挑战。本文利用日本温室气体观测卫星GOSAT的TANSO-FTS超光谱数据,选取770 nm附近受大气影响较弱的KI夫琅和费暗线,借助KPNO2010高分辨率太阳辐照度光谱,设计了加权最小二乘拟合的叶绿素荧光卫星反演算法,利用矩阵的谱条件数确定了算法中KI吸收线所采用的权重系数,获得了中国区域2010年1月至2011年6月的叶绿素荧光数据。并利用TANSO-CAI云标识数据剔除了受云影响的反演结果,并按照2°×2°格网逐月计算了荧光强度均值。将反演叶绿素荧光强度结果与同期MODIS的增强性植被指数EVI、光合有效辐射比例FPAR、总初级生产力GPP产品作对比分析,结果表明：荧光强度高值主要分布在中国西南、中南等植被覆盖度高、生长旺盛的地区,荧光强度季节性变化规律与EVI、FPAR、GPP等相似,但季节变化比上述各参数变化提前且更敏感,可以反映其他参数所不具备的独特信息。 相似文献
8.
基于玉米冠层结构参数实测数据和Matrix-Doubling(MD)模型构建了玉米出苗期至抽穗期的冠层多波段、双极化微波辐射特性模拟数据库;通过对模拟数据的回归分析得到了玉米冠层在各波段的微波发射率及其与透过率之间的经验关系,并将经验关系应用于0阶微波辐射传输模型;结合土壤发射率模型构建了玉米冠层覆盖地表的微波辐射亮温参数化计算模型,并基于该参数化模型、利用玉米样地微波亮温观测试验数据,采用迭代方法进行了玉米叶面积指数(LAI)的反演.研究表明,LAI反演值与实测值的相关系数r＞0.9,说明多波段被动微波遥感数据在植被冠层LAI反演方面具有较大的应用潜力. 相似文献
9.
10.
大气校正是高光谱图像定量反演地表参数的前提。为充分利用高光谱数据本身的光谱特点,提出了一种协同反演大气气溶胶光学厚度(aerosol optical thickness,AOT)与水汽含量(water vapor content,WV)的大气校正方法,在同时考虑了气溶胶模式、AOT和WV这3个因素的综合影响基础上,采用循环迭代的思想,基于6S辐射传输模型,反演大气参数及地表反射率,弥补了现有反演算法中没有同时考虑AOT与WV的不足;并以武汉市Hyperion高光谱图像为例,验证了该算法的有效性。从与FLAASH算法及MOIDS提供的AOT和WV产品对比来看,该算法能较好地校正气溶胶与水汽对高光谱图像的影响,且反演过程中所有的输入均来自图像数据本身或6S辐射传输模型,无需输入额外的参数。 相似文献
11.
高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。 相似文献
12.
AbstractHyperspectral image provides abundant spectral information for remote discrimination of subtle differences in ground covers. However, the increasing spectral dimensions, as well as the information redundancy, make the analysis and interpretation of hyperspectral images a challenge. Feature extraction is a very important step for hyperspectral image processing. Feature extraction methods aim at reducing the dimension of data, while preserving as much information as possible. Particularly, nonlinear feature extraction methods (e.g. kernel minimum noise fraction (KMNF) transformation) have been reported to benefit many applications of hyperspectral remote sensing, due to their good preservation of high-order structures of the original data. However, conventional KMNF or its extensions have some limitations on noise fraction estimation during the feature extraction, and this leads to poor performances for post-applications. This paper proposes a novel nonlinear feature extraction method for hyperspectral images. Instead of estimating noise fraction by the nearest neighborhood information (within a sliding window), the proposed method explores the use of image segmentation. The approach benefits both noise fraction estimation and information preservation, and enables a significant improvement for classification. Experimental results on two real hyperspectral images demonstrate the efficiency of the proposed method. Compared to conventional KMNF, the improvements of the method on two hyperspectral image classification are 8 and 11%. This nonlinear feature extraction method can be also applied to other disciplines where high-dimensional data analysis is required. 相似文献
13.
基于模糊核主成分分析的高光谱遥感影像特征提取研究 总被引：1，自引：0，他引：1
主成分分析(PCA)是一种基于数理统计的线性特征变换方法,对线性结构数据的分析非常有效,但是对非线性的高光谱遥感影像数据,容易造成信息丢失和失真.本文引人模式识别中的模糊理论和核理论,有效克服了以上缺点,得到了很好的影像特征提取效果. 相似文献
14.
We present here the examples that show how fusing data from hyperspectral sensors with data from high spatial resolution sensors can enhance overall road detection accuracy. The fusion of hyperspectral and high spatial resolution data combines their superior respective spectral and spatial information. IKONOS (MSS) and Hyperion images were fused using the principal component analysis (PCA) method. The approach for road extraction integrates multiresolution segmentation and object oriented classification. Road extraction is done from an IKONOS (MSS) image and a Hyperion and IKONOS (MSS) merged image and comparisons are made depending on accuracy and quality measures such as completeness and correctness. This article also emphasises the types of roads which are giving better accuracy of extraction after fusion with hyperspectral image. This can vary because of types of material and condition of roads. The methodology was applied on roads of Dehradun, India. 相似文献
15.
由于物体表面的空间分布通常是富有规律且局部连续的,在高光谱影像分类中应充分利用其光谱和空间信息。本文在对高光谱影像立方体进行降维处理的基础上,提出了一种联合空域和谱域信息的高光谱影像高效分类方法。首先,分别选用主成分分析(Principal Component Analysis,PCA)和正交投影波段选择(Orthogonal Projection Band Selection,OPBS)两种方法对原始高光谱数据进行预处理,获取降维后的影像数据。然后在其基础上提取扩展形态学特征(Extended Morphology Profiles,EMP)和地物表面纹理特征,组成联合光谱和纹理、形状结构特征。最后,采用支持向量机(Support Vector Machine,SVM)分类器对联合特征进行分类。针对不同真实高光谱数据集的实验结果表明,本文提出的方法运算效率高且具有令人满意的分类性能。 相似文献
16.
高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。 相似文献
17.
高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。 相似文献
18.
Vinay Kumar Prince Agrawal Shefali Agrawal 《Journal of the Indian Society of Remote Sensing》2017,45(3):407-416
Detailed and enhanced land use land cover (LULC) feature extraction is possible by merging the information extracted from two different sensors of different capability. In this study different pixel level image fusion algorithms (PCA, Brovey, Multiplicative, Wavelet and combination of PCA & IHS) are used for integrating the derived information like texture, roughness, polarization from microwave data and high spectral information from hyperspectral data. Span image which is total intensity image generated from Advanced Land observing Satellite-Phase array L-band SAR (ALOS-PALSAR) quad polarization data and EO-1 Hyperion data (242 spectral bands) were used for fusion. Overall PCA fused images had shown better result than other fusion techniques used in this study. However, Brovey fusion method was found good for differentiating urban features. Classification using support vector machines was conducted for classifying Hyperion, ALOS PALSAR and fused images. It was observed that overall classification accuracy and kappa coefficient with PCA fused images was relatively better than other fusion techniques as it was able to discriminate various LULC features more clearly. 相似文献