化学需氧量(COD)是水体污染监测的常用水质指标之一, 传统采集手段耗时耗力; 利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况, 对于水污染治理和水环境保护具有重要意义。 目前利用多光谱遥感数据反演COD浓度精度较低, 主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法, 对于多光谱遥感数据而言, 其光谱波段范围较宽, 波段的组合数量有限, 难以找到有效的变量作为建模变量。 针对这一问题, 以郑州市天德湖为例, 基于Planet多光谱高分辨率遥感影像, 对遥感影像进行预处理和分析水样的高光谱数据, 利用卷积神经网络对天德湖COD浓度进行反演; 同时选取单变量回归模型、 多变量回归模型进行精度对比。 主要研究结论有: (1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式, 卷积神经网络反演具有更高的空间反演精度, 其决定系数为0.89, RMSE为2.22 mg·L-1, 这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征, 而且能够提取目标像元周围的领域空间信息, 学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”, 可以在一定程度上避免传统方法建模带来的不稳定性; (2)选取最优的卷积神经网络模型制作天德湖水质COD浓度空间分布专题图; 天德湖具有典型的内陆水体光谱特征, 其COD浓度空间分布整体呈现西部高、 东部较低、 东南方向的进水口浓度较低、 东北方向的出水口浓度较高的特征, 卷积神经网络反演的天德湖区域浓度平均值为23.96 mg·L-1, 标准差为7.11 mg·L-1, 变异系数为0.29, 更加接近实际采样点的统计值。 基于卷积神经网络模型结合多光谱影像反演COD的结果表明卷积神经网络在水质参数COD遥感反演中具有较好的应用潜力。

针对复杂背景下船舶目标检测率低和光学遥感传感器的多光谱近红外(NIR)波段利用率低的问题,提出一种四波段多光谱遥感图像船舶目标显著性检测算法。所提算法利用四波段遥感数据中可见光波段图像的色彩内容饱满、NIR图像细节突出的特点,首先将可见光蓝、绿、红三通道图像变换到CIE-Lab色彩空间;然后对NIR图像进行非下采样轮廓波变换分解,对得到的高频分量进行非线性增强,以抑制噪声并增强细节,对低频分量进行反锐化掩模处理增强,以改善图像亮度的均匀性,并将高频分量和低频分量与Lab空间的亮度图像相结合,得到新的Lab图像;最后利用最大对称环绕模型对Lab图像进行显著性分析,得到船舶目标的显著性图像。实验结果表明,所提算法能够充分抑制云层、海浪尾迹等杂波干扰的复杂背景信息,同时在低对比度背景下能够突出船舶目标,具有高的查准率和查全率。

传统的以“点采样+实验室分析”为主的土壤重金属含量分析技术成本高、 效率低下, 而基于多光谱遥感的土壤重金属高精度定量反演中存在重金属含量影响因子的优化这一难题, 以陕西大西沟矿区这类山区地形条件下的金属矿区为例, 利用Landsat8/OLI多光谱卫星影像、 DEM数据以及外业土壤采样分析数据, 开展了矿区土壤重金属含量指示因子分析及定量反演研究。 首先, 考虑研究区地形地貌特点, 设计了沿研究区地形特征线及其两侧坡面均匀分布的样点分布方案, 采集了45个样本。 并对45个样本的混合样中的8种重金属含量进行了兴趣度分析, 根据含量超标程度及矿的类型选取了铜、 铅、 砷3种元素作为分析对象。 其次, 根据研究区土地利用现状及地形特点, 提出了以Landsat8/OLI影像B2至B7波段光谱反射率、 粘土矿物比(CMR)、 改进归一化水体指数(MNDWI)、 差异植被指数(DVI)等八种光谱指数、 以及反映研究区地形坡度和坡向三类因子作为反映土壤重金属含量空间分布特征的侯选因子。 进而, 对上述三类侯选因子与样本中3种金属含量进行了最小二乘相关性分析。 根据分析结果, 引入了基于估算误差最小准则的金属含量估算模型——基于规则的M5模型树的分段线性估算模型。 以上述三大类共17个指示因子作为模型的输入, 利用80%的土壤样本分析数据作为模型的训练数据, 经过M5模型树的构建、 平滑和树枝修剪过程, 建立了3种金属的反演模型实现了研究区中土壤中3种金属含量的估算。 同时, 基于均方根误差(RMSE)最小准则确定了以光谱因子为主的最利于反演的最佳指示因子集。 最后, 用随机选取的20%的检验样本对模型进行了反演精度分析, 验证了该模型对铜、 铅、 砷3种金属含量的反演精度比普通的线性模型分别提高了27.3%, 24.6%, 20.9%, 同时, 铜、 铅元素的可信度也有所提高。 利用上述模型的反演结果实现了3种金属含量的空间分布制图, 并将反演结果与1990年公布的国家土壤元素背景值进行了对比。 此外, 分析了研究区铜、 铅、 砷3种金属的空间分布规律, 并利用野外调查结果进行了验证。

叶绿素含量是植物生长中的重要参数, 与农作物产量密切相关。 无人机遥感技术作为一种新的数据获取手段, 在农业中已得到广泛应用。 以玉米为目标作物, 将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia), 同时搭载在六旋翼无人机上, 获取不同氮肥水平下大田玉米花期的多光谱影像。 利用无人机影像空间分辨率高的特点, 在小区尺度上, 分别计算了基于两种多光谱传感器的各26种植被指数, 并将其与地面实测的叶绿素含量(SPAD)值进行回归分析, 研究不同波段反射率对SPAD值的敏感性, 利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。 结果表明, 对于具有较宽波段的Sequoia, 在550 nm(绿波段)、 735 nm(红边波段)的反射率对SPAD值的变化较敏感, 其中, 550 nm与SPAD值的相关系数最大(R2=0.802 9)。 而对于较窄波段的MCA, 720 nm(红边波段)的反射率与SPAD值具有较高的相关性(R2=0.724 8), 550 nm(绿波段)次之。 此外, 由于两传感器红波段的中心波长和波段宽度不同, 660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6, 而680 nm(MCA)反射率与SPAD值的相关性较小, 仅为0.488 6。 利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高, 但对于不同的多光谱传感器而言, 同一植被指数却表现出较大的差异, 其中, 红波段和近红外波段组合构造的植被指数RVI, NDVI, PVI和MSR差异较大, 具有较宽波段的Sequoia传感器优于窄波段的MCA; 此外, 对于Sequoia相机, GNDVI与RENDVI预测SPAD值的精度较高, RMSE分别为3.699和3.691; 对于MCA相机, RENDVI预测精度最高(RMSE=3.742), GNDVI预测精度低于RENDVI(RMSE=3.912); 两传感器中MCARI/OSAVI预测SPAD值精度均较低, RMSE分别为7.389(Sequoia)和7.361(MCA)。 在所有的植被指数中, 利用绿波段和近红外波构造的植被指数(G类), 以及用红边波段和近红外波段构造的植被指数(RE类), 预测SPAD值精度更高, 均高于红外和近红外波段构造的植被指数; 利用更多波段(三个及以上)组合构造的复杂植被指数, 并不能显著提高预测精度。 就预测模型而言, MCARI1更适用于对数模型, 可有效提高预测精度, 而其他植被指数变化不显著。 研究还发现, 在小区水平SPAD值的预测方面, 除NDVI和TVI, Sequoia相机对于不同氮肥条件下植被覆盖度、 阴影和裸露土壤等环境背景因素具有较强的抗干扰能力; 而对于MCA相机来说, TVI, DVI, MSAVI2, RDVI和MSAVI对环境背景因素非常敏感, 预测SPAD精度低; 此外, 去除环境背景因素并不总是能够提高SPAD值的预测精度。 本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义, 对于精准农业的推广和应用具有一定的借鉴价值。

多光谱图像的有效压缩已经成为遥感领域亟待解决的难题。针对星载多光谱成像仪获取的多光谱图像，提出了一种基于分块KLT（Karhunen-Loève transform, 卡胡南-洛维变换）的低复杂度有损压缩算法。该算法首先对每个波段分别进行空间二维小波变换，以去除多光谱图像的空间相关性；然后将每个波段分成互不重叠且大小相等的图像块，每次仅对相邻两个波段的对应图像块进行谱间KLT 变换，以去除谱间相关性；最后对变换后的所有波段进行联合EBCOT（Embedded Block Codingwith Optimized Truncation，最优截断的嵌入式块编码）压缩。实验结果表明，该算法的压缩性能优于基于整体KLT 的多光谱图像压缩算法，并且具有较低的编码复杂度。

为了提高红外遥感图像地物 信息自动提取的精确性，同时避免人工提取遥感 信息的低效性，提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先，对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪，并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型，并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练，并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后，运 用Jaccard指数对测试结果进行精度评定。实验结果表明，该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合，对于不同种类地物 的定位和分类都取得了较高精度。

条带噪声是影响多光谱遥感图像质量的重要因素之一，严重影响遥感数据的解译和信息提取。提出一种应用相位一致性进行多光谱遥感图像条带噪声质量评价的方法。该方法不受图像亮度或对比度变化的影响，以频域中相位一致性探测图像特征点，综合考虑图像中条带噪声的数量、长度、宽度和强度建立评价因子，客观评价遥感图像中存在的条带噪声对图像质量的影响。实验证明该方法评价结果符合人眼视觉感官评价。

多光谱遥感数据蕴含着大量的地表立地信息, 而传统立地质量评价体系主要使用了人工地面调查数据。 为了建立一套有效的立地质量评价体系, 以内蒙古赤峰市旺业甸林场为研究对象, 基于研究区域的多光谱遥感数据结合地面小班调查数据, 采用一种改进的反向传播人工神经网络（back Propagation artificial neural network, BPANN）模型, 以落叶松为例, 建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型, 对研究区域的小班进行立地质量评价研究。 通过训练数据集的敏感度分析剔除弱相关或不相关的因子, 简化了神经网络的规模, 提高了网络的训练效率, 得到了最优的地位指数预测模型, 模型的预测精度达到95.36%, 与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较, 精度提高了9.83%, 说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。 多光谱遥感数据十分适用于森林立地质量评价, 改进BP神经网络具有理想的预测精度, 充分证实了该方法的有效性和优越性。