基于高光谱与机器学习算法的芦苇叶片叶绿素含量估测

叶绿素含量是检测芦苇生理状态的关键指标,精准估测叶片叶绿素含量(Leaf chlorophyll content,LCC)对于评估芦苇长势与量化其生理状态具有重要意义。本文以典型芦苇湿地实测高光谱反射率和叶绿素含量为数据源,利用芦苇原始光谱及数学变换光谱,基于连续投影算法(Sequential projection algorithm,SPA)筛选的特征波段和植被指数构建极限梯度提升(Extreme gradient boosting,XGBoost)、支持向量机(Support vector machine,SVM)以及随机森林回归(Random forest regression,RFR)估测模型。研究发现：（1）经数学变换后的芦苇叶片光谱与叶绿素含量相关性有不同程度提高,对数(logR、倒数(1R)相关性提升较小,一阶微分(R′)提升效果较明显,在764nm处相关性达到0.892。（2）采用连续投影算法筛选不同数学变换下的芦苇特征波段并构建植被指数,发现经过数学变换的模型效果都优于原始光谱,其中一阶微分(R′)>倒数(1R)>对数(logR)>原始(R)。(3)...     

基于卷积神经网络高光谱影像土地利用分类方法研究

土地覆盖/土地利用变化信息是全球环境变化发展的最重要信息来源之一。本文以高分五号高光谱影像为数据源,采用主成分分析（Principal Component Analysis,PCA）方法进行特征提取,并选用前六个主成分作为分类数据,利用基于卷积神经网络（Convolutional Neural Networks, CNN）的分类方法进行分类,并以支持向量机（Support Vector Machine, SVM）和RF(Random Forest,RF)分类方法进行对比。结果表明,基于CNN的分类方法获得的总体分类精度最高,达到87.67%,Kappa系数为0.84,总体精度相较于基于SVM和RF分类方法的总体精度分别提高了9.00%和8.00%;基于SVM和RF的分类方法的分类结果“椒盐”噪声明显,基于CNN的分类方法可以很好地改善这种情况;基于SVM和RF的分类结果对草地、林地以及其他用地等的分类精度较低,错分比率较高,而基于CNN的分类方法可以有效地改善这种情况。