共查询到18条相似文献，搜索用时 109 毫秒
1.
2.
基于地貌类型的土壤有机质多光谱遥感反演 总被引：2，自引：0，他引：2
基于地貌类型分析土壤有机质含量与多光谱遥感影像光谱波段之间相关关系,构建不同地貌类型区有机质含量反演模型。结果表明,各波段光谱反射率与土壤有机质含量均呈负相关关系。利用SPSS软件对所有波段进行剔除变量(remove)线性回归分析,当全部波段参与构建反演模型时,一次反演模型拟合效果较好。分地貌类型区构建土壤有机质反演模型精度高于整个区域反演模型精度,与实际值对比,当允许误差为7%时,土壤有机质含量识别度为91.65%。基于地貌类型构建土壤有机质含量反演模型提取研究区土壤有机质含量切实可行,且精度较高。 相似文献
3.
不同类型土壤Cu含量高光谱联合反演建模 总被引：1，自引：0，他引：1
《测绘科学》2020,(8)
为探明不同类型土壤重金属Cu的敏感波段及构建普适性高光谱定量反演模型,该文以湖南省红壤、水稻土和潮土3种主要类型土壤为研究对象,在光谱预处理及组合变换基础上,采用相关性分析和逐步回归筛选重金属Cu敏感波段,并分别构建一元回归和逐步回归联合反演模型。结果表明,相较于原始光谱,组合变换光谱与土壤重金属相关性明显提高;通过逐步回归筛选重金属Cu的敏感波段位于400～850 nm和1 800～2 200 nm区域;相较于一元线性回归,逐步回归模型预测精度显著提升,应用对倒一阶微分光谱中400、590、620、670、790、850、1 790、2 270 nm波段反射率构建逐步回归模型反演精度达到最优,满足重金属Cu含量监测精度需求,同时为发展基于高光谱影像大面积反演不同土壤类型重金属Cu含量提供理论支撑。 相似文献
4.
针对艾比湖流域盐渍化土壤盐分定量监测的需要,利用Landsat8 OLI多光谱影像进行土壤盐分估算模型研究,以提高土壤盐分反演的精度。通过分析不同含盐量土壤的影像光谱反射率特征和不同变换形式的光谱反射率与盐分的相关性,寻求对盐分含量敏感的光谱波段;采用多元逐步回归算法,分别建立基于OLI影像光谱与ASD光谱仪重采样光谱的土壤盐分估算模型,并对影像光谱模型进行校正。结果表明:ASD重采样光谱数据的对数倒数一阶微分变换的土壤盐分估算模型精度较高,模型的决定系数(R2)为0.779;校正后的OLI影像光谱土壤盐分估算模型的R2从0.28提高到0.777 6,且均方根误差值仅为0.281。本研究实现了从实地测量光谱尺度向遥感多光谱尺度的转换,为土壤盐渍化的遥感定量监测提供了科学参考。 相似文献
5.
基于电磁感应的干旱区土壤盐渍化定量遥感研究 总被引：1，自引：0，他引：1
以南疆典型干旱区Landsat 7 ETM+遥感图像为数据源,利用决策树分类法提取农业用地,并对农业用地进行移动式电磁感应调查(简称磁感调查)和光谱特征提取,同时分析磁感数据和图像光谱特征与土壤盐分含量的相关性,从而建立土壤盐分的定量反演模型。研究结果表明:土地利用类型决策树的分类精度达到93.75%,Kappa系数达0.915 4;经多元逐步回归分析,磁感调查获得的土壤盐分含量与差值植被指数(DVI)、ETM+图像第二波段像元值(B2)以及比值植被指数(RVI)间具有显著相关性,由此建立的遥感反演模型可用于土壤盐分含量的定量反演。经89个样点检验,基于磁感调查的土壤盐分遥感反演精度虽低于基于磁感调查的地统计空间分析的精度,但遥感定量反演值与磁感调查实测值仍具有良好的相关性,而且精度较高,因此利用本文方法进行土壤盐渍化大面积监测是快速有效的途径。 相似文献
6.
高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果. 相似文献
7.
为削弱混合像元对植被参数反演的影响，提出了基于混合像元分解理论反演路域植被等量水厚度的方法。利用PRO4SAIL模型正演获得的高光谱窄波段数据，模拟Landsat 8遥感影像宽波段植被冠层光谱数据，并进行等量水厚度的敏感植被指数的筛选；对覆盖研究区域的Landsat 8遥感影像进行线性混合像元分解，获取更加精确的植被冠层光谱反射率；同时，利用支持向量机构建等量水厚度估测模型，实现对路域植被等量水厚度的遥感反演。研究结果表明，利用混合像元分解后得到的植被冠层光谱参与模型反演得到的路域植被等量水厚度更加符合实际情况，为遥感影像反演植被参数提供了有效数据。 相似文献
8.
随机森林回归模型用于土壤重金属含量多光谱遥感反演 总被引：1，自引：0，他引：1
本文以陕西省柞水县大西沟矿区为研究区域,通过实地采集土壤样本,结合在Landsat 8多光谱遥感影像上提取的辐射亮度值和光谱衍生指数,以及从ASTER GDEM提取的3种地形因素,通过相关性分析确定了建模因子,并以K折交叉验证法建立了砷、铜、铅3种重金属元素的随机森林回归模型。试验结果表明,所建立模型的预测精度优于多元线性回归模型和CART模型,可见随机森林回归模型适用于在小样本情况下的矿区重金属含量反演。经现场调查,空间反演结果与实际情况较符合,证明了基于多光谱遥感的随机森林回归模型在矿区土壤重金属反演中的准确性。 相似文献
9.
基于相关性分析的高光谱解混算法，通常缺少对高光谱图像空间和光谱相关性特征的综合分析与利用，或对于先验知识的依赖程度较高。本文提出一种基于混合像元空间与谱间相关性模型的NMF线性盲解混算法。具体包括：通过改进马尔科夫随机场（MRF）模型，建立相邻像元间的空间相关模型；利用复杂度映射技术，建立相邻波段间的光谱相关模型；在NMF目标函数外部和内部分别引入上述两种模型，作为盲解混算法的约束条件。试验结果表明，该算法相对于区域相关的NMF解混算法（ACBNMF）、最小化光谱相关度约束的NMF方法（MSCCNMF）和最小体积约束的非负矩阵分解（MVCNMF）等代表性NMF解混参考算法，解混精度有所提高；同时，降低了对于先验知识的依赖程度，拓宽了适用范围。 相似文献
10.
《测绘科学技术学报》2018,(5)
快速、准确地测定土壤重金属含量,对防治土壤重金属污染、改善土壤环境和保障食品安全有着重要意义。以山东省烟台市采集的70个土壤样本为基础,首先分析土壤重金属铬含量的分组光谱特性;然后利用6种变换方法对土壤光谱反射率进行变换,根据极大相关性原则选取反演因子;最后利用灰色关联度模型初步估测铬含量,并对估测结果进行修正,采用决定系数和平均相对误差评价模型的有效性。结果表明,土壤光谱反射率随铬含量的升高而降低,二者呈负相关性;利用灰色关联度模式识别方法对重金属铬含量进行估测后的决定系数为R~2=0.656,平均相对误差为16.590%,而利用灰色关联度修正模型对估测值进行修正后,决定系数为R~2=0.912,平均相对误差为6.632%。研究表明,利用灰色关联度修正模型定量估侧土壤重金属铬含量有效。 相似文献
11.
基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较 总被引：1，自引：1，他引：0
混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。 相似文献
12.
针对高光谱定量反演土壤重金属含量的模型精度不足的问题,本文从时频空间的角度引入时频分析法——集合经验模态分解（EEMD）。采用EEMD法分解土壤高光谱,获得不同频率的本征模态（IMF）分量,通过分析IMF分量与重金属含量的相关性,提取特征光谱,构建EEMD-SVM定量反演模型。研究结果表明,通过EEMD法分解土壤光谱,可有效地提取土壤光谱中的微弱信息;构建EEMD-SVM模型可较好地反演土壤重金属Cd含量,模型的决定系数R2为0.920 3,明显高于基于一阶微分处理光谱数据后构建的SVM模型的R2（0.786 6）。即说明在土壤重金属定量反演领域,EEMD可作为一种新的光谱处理方法。 相似文献
13.
14.
空间与谱间相关性分析的NMF高光谱解混 总被引：2，自引：1，他引：1
非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。 相似文献
15.
高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性。因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题。首先,结合高分辨率遥感图像的多维特征,构建遥感图像变化检测模型;其次,利用随机森林分类器对图像进行分类,得到像素级变化检测结果;最后,将像素级变化检测结果与图像对象分割结果进行融合,得到图像变化区域和不变区域。试验结果表明,该算法具有较高的准确率和检测精度。 相似文献
16.
17.
Time-series remote sensing data are important in monitoring land surface dynamics. Due to technical limitations, satellite sensors have a trade-off between temporal, spatial and spectral resolutions when acquiring remote sensing images. In order to obtain remote sensing images with high spatial resolution and high temporal frequency, spatiotemporal fusion methods have been developed. In this paper, we propose a Linear Spectral Unmixing-based Spatiotemporal Data Fusion Model (LSUSDFM) for spatial and temporal data fusion. In this model, the endmember abundance of the low-resolution image pixel is calculated based on that of the high-resolution image by the spectral mixture analysis. The endmember spectrum signals of low-resolution images are then calculated continuously within an optimized moving window. Subsequently, the fused image is reconstructed according to the endmember spectrum and its corresponding abundance map. A simulated dataset and real satellite images are used to test the fusion model, and the fusion results are compared with a current spectral unmixing based downscaling fusion model (SUDFM). Our experimental work shows that, compared to the SUDFM, the proposed LSUSDFM can achieve better quality and accuracy of fused images, especially in effectively eliminating the “plaque” phenomenon in the results by the SUDFM. The LSUSDFM has great potential in generating images with both high spatial resolution and high temporal frequency, as well as increasing the number of spectral bands of the high spatial resolution data. 相似文献
18.
Mixed pixel is a key issue in medium to coarse resolution remote sensing image, and it seriously restricts the remote sensing classification. This paper presents an Independent component analysis (ICA) algorithm based on the variational Bayesian (VB) methods, named VBICA, for spectral unmixing in multispectral remote sensing image. The model assumes that the mixed pixels to be separated are given as linear mixtures. The matrixes of linear mixtures are assumed to be unknown. In the Bayesian framework, the endmember and abundance have finally been achieved with Bayesian inference and approximate variational algorithm. The proposed method is evaluated and tested on a numerical simulative image from the noise resistance, area size, pixel purity, estimated number of endmembers and real multispectral remote sensing image of 100?×?100 pixels. Experimental results on simulated image demonstrated that compared to the Fast ICA algorithm, the proposed algorithm can give more accurate results, and the validity of the proposed algorithm is verified by the real multispectral remote sensing image of the similarity on spectral curves, average similarity and ground objects distribution maps. 相似文献