Xizang Key Laboratory of Optical Information Processing and Visualization Technology， Xizang Minzu University，Xianyang72082， China
提出协同分层波谱识别法，分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类，并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点：光谱信息高保真融合、敏感谱段提取、“椒盐效应”去除、 消除“同物异谱” 现象导致的误判，协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点，并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类，然后根据目视评判和定量评价，与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化；4尺度面向对象分割抑制“椒盐效应”的效果优于Savitzky-Golay卷积滤波、移动均值滤波；多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法，兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89.52%、0.852，较SVM分类分别提高18.68%和17.52%；榆林市Hyperion图像识别地物的总体精度、Kappa系数分别为91.12%、0.873，较SVM分类分别提高17.80%和16.89%。协同分层波谱识别法应用多种技术一体化解决Hyperion图像应用难点，有效利用导数波谱变化特征提取目标敏感谱段，在复杂环境下识别目标地类的能力优于SVM监督分类。
星载高光谱图像 导数波谱特征 敏感谱段 同物异谱 多尺度 多谱段SAM satellite-borne hyper-spectral image derivative spectrum feature sensitive bands same body with different spectrum multi-scale multispectral SAM
1 兰州城市学院信息工程学院, 甘肃 兰州 730070
2 中国农业大学“现代精细农业系统集成研究”教育部重点实验室, 北京 100083
3 广西大学电气工程学院, 广西 南宁 530004
为了快速、 准确估测番茄叶片叶绿素含量, 利用光谱分析技术研究了玻璃温室环境下番茄叶绿素含量敏感光谱波段提取及其估测模型。 番茄以基质方式栽培, 在结果期使用ASD FieldSpecTM HH型便携式光谱辐射仪采集叶片光谱, 并采用752型紫外-可见分光光度计测定其叶绿素含量。 从原始光谱、 吸光度光谱、 一阶微分光谱、 去除包络线光谱出发, 进行光谱预处理, 分析了净化图谱信息、 突出作物叶绿素含量光谱特征的有效性。 其中, 吸光度光谱在可见光部分增强了光谱响应特征, 去除包络线光谱和一阶微分光谱均具有较强的蓝光、 红光吸收谷和绿光反射峰。 又结合波段间自相关分析和多重共线性诊断提取了番茄叶绿素含量敏感光谱波段, 原始光谱特征波段为639, 672, 696, 750, 768 nm; 吸光度光谱特征波段为638, 663, 750, 763 nm; 去包络线光谱特征波段为436, 564, 591, 612, 635, 683, 760 nm; 一阶微分光谱特征波段为516, 559, 778 nm。 最后, 应用4种预处理下的番茄叶绿素含量敏感光谱波段分别建立多元线性回归模型, 模型精度由高至低分别为去包络线、 吸光度、 原始、 一阶微分, 其中去包络线模型校正集决定系数R2c为0.88, 验证集决定系数R2v达到0.82, 具有较好的预测能力。
番茄 光谱 敏感波段 叶绿素 Tomato Spectrum Sensitive bands Chlorophyll
1 国家农业信息化工程技术研究中心,北京 100097
2 安徽农业大学 资源与环境学院,安徽 合肥 230036
利用ASD地面非成像光谱仪对不同严重度的冬小麦条锈病的冠层光谱反射率进行测定,同时调查病情指数。 通过对地面实测的46组病情指数与相应的光谱反射率进行相关性分析,筛选出了小麦条锈病在350-1500 nm的敏感波段。 结合多时相的高光谱航空飞行遥感图像数据的特点和规律,最终选择红波段的620-718 nm与近红外波段的770-805 nm为条锈病在PHI影像上的敏感波段。 并利用620-718 nm和770-805 nm的平均光谱反射率与相应的病情指数建立了多元线性回归模型,DI= 19.241 R1－2.207 R2+12.274,验证结果表明,该模型的历史拟合度很好。 并利用此模型最终在PHI影像上成功的实现了对冬小麦条锈病发生程度与发生范围的监测。
推扫成像光谱仪(PHI) 敏感波段 条锈病 病情指数 Pushbroom imaging spectrometer (PHI) Sensitive bands Stripe rust Disease indexes
