基于Hyperion影像的叶面积指数反演

叶面积指数是描述植物生长状况的重要指标之一,利用Hyperion数据计算NDVI,SRI,EVI,RENDVI,WBI 5种植被指数。以梅江流域周边植被为研究区域,结合该地区30个样本点的实测LAI数据,建立5种植被指数与LAI的多种回归模型并检验各模型的精度。实验结果表明,利用上述5种植被指数与叶面积指数所建立的线性和非线性模型中,一元线性、二次多项式和三次多项式回归模型中RENDVI的拟合效果最佳,并且随着模型变量次数的增加拟合效果也呈递增趋势。指数模型中拟合效果最佳的为EVI,WBI在对数模型中有更好的拟合效果。将5种植被指数作为自变量的多元线性回归模型拟合效果明显优于其它所有模型。     

删失数据非线性回归模型的广义M估计

加速失效模型(AFT模型)是研究失效时间和协变量间相互关系的一类重要模型.在标准的AFT模型中,假设对数变换后的生存时间与协变量间是线性关系,本文将线性关系扩展到非线性,在广义M估计的目标函数中使用Kaplan-Meier权,提出右删失数据非线性回归模型的加权广义M估计.我们还得到了广义M估计的渐近性和相合性,并且通过模拟研究验证了该方法在有限样本情形下估计效果良好.     

响应变量缺失下变系数模型的分位数回归

针对响应变量随机缺失情况下变系数分位数回归模型的非参数估计问题,提出了将B样条和逆概率加权相结合的估计方法。缺失数据在统计工作中难免会遇到,首先用logistic模型产生响应变量的缺失概率,然后对变系数模型的系数函数采用B样条逼近技术,利用缺失概率构建逆概率加权分位数回归的损失函数,得到模型的未知系数函数估计;在模拟研究中,将得到的估计与直接使用完全数据的估计方法进行对比,发现在响应变量随机缺失下,将B样条和逆概率加权相结合的变系数模型分位数回归在有限样本情况下表现良好,模拟研究结果表明该方法有效;最后将所研究的方法运用到挪威公共道路管理局收集的奥斯陆地区相关数据中,研究了空气中二氧化氮浓度与道路车流量和风速之间的关系,得出合理的结论,进一步证明了该方法的合理性。     

缺失数据下局部M-估计的相合性和渐近正态性

在缺失响应变量的不完全数据下,对非参数回归模型进行研究,利用稳健的变窗宽局部线性回归的方法,给出了回归函数m(x)的估计,并证明了局部M-估计具有相合性和渐近正态性.所提出的方法继承了局部多项式回归的优点并且克服了最小二乘方法缺乏稳健性的缺点.并且使用变窗宽提高了所得M-估计的可塑性,使之能成功地处理空间非齐次曲线、异方差性及非均匀设计密度.所得估计的渐近结果为求渐近最优方案以及直接从数据估计最优变窗宽提供了理论基础.     

基于GF-1号卫星WFV数据反演玉米叶面积指数

叶面积指数(Leaf Area Index, LAI)是描述作物生长状况的重要生理生态参数之一.该文以河南封丘县玉米为研究对象,利用中国高分辨率对地观测系统的首发星——高分一号(GF-1)WFV数据,计算4种常用的植被指数,包括归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio,SR)、土壤调节植被指数(soil-adjusted vegetation index,SAVI) 和修正的土壤调节植被指数(modified soil-adjusted vegetation index,MSAVI).结合地面同步实测的玉米LAI数据,建立各植被指数与实测LAI的统计回归模型.结果表明：研究区玉米LAI和4种植被指数之间均有较强的相关性,其中,MSAVI-LAI的指数模型相关系数达到了0.842 6,LAI反演精度最高.使用独立的野外观测数据对模型进行验证,平均相对误差为4.85%,均方根误差(root mean square error, RMSE)仅为0.183,表明该文建立的LAI经验统计模型具有较高的精度,利用GF-1 WFV 影像可以快速、准确地监测河南封丘玉米LAI,GF-1影像用于LAI等地表参量遥感定量反演具有巨大的潜力.2014年8月中旬,封丘大部分地区玉米LAI大于4,玉米长势较好.该研究结果可为利用经验统计模型反演河南玉米LAI提供参考.     

快速多变量自回归模型的意识任务的特征提取与分类

给出了一种有效的多变量自回归(Multivariate Autoregressive，MVAR)模型参数和阶数估计的快速算法，通过QR分解技术减少了多维矩阵求逆的运算量，提高了模型估计的速度．利用该算法对4个实验对象的3种不同意识任务的脑电(EEG)信号进行特征提取，并将得到的特征向量作为径向基函数神经网络的输入进行训练和分类测试．分类结果表明，利用该方法进行EEG信号的特征提取，分类的正确率明显高于单变量自回归模型，而且算法运算速度快，可以用于不同意识任务EEG信号的在线特征提取与分类系统．     

多变量系统子子模型辨识

目前,对多变量系统辨识的研究已经越来越多,但是,基本上都属于子模型的辨识问题,不便于实际应用.本文采用子模型与子子模型技术,将一个有R个输入,m个输出的多变量系统分解为M个带R个输入的子模型,而每个子模型又可分解为R个子子模型(单输入单输出系统).在多变量系统中,只要做一次试验(同时加入月个输入信号),使用月个输入信号与M个输出信号的数据,可以自动辨识子模型的阶次与参数,再从子模型的有关数据,最终辨识出子子模型的阶次与参数.本文采用分块矩阵求逆公式,提出一种快速的自动定阶与估计参数的递推算法.     

协变量缺失下加速失效时间模型基于经验似然的加权估计

在部分协变量数据缺失的加速失效时间模型中,提出了参数的逆概率加权(IPW)估计和基于经验似然的加权(ELW)估计,证明了这两种估计的大样本性质.结果表明,ELW估计计算简单,且对回归参数的估计效率高于IPW估计.     

基于最小距离法的稳健群组变量选择

在研究存在异常值的logistic回归模型时,发现如果使用极大似然估计(MLE)方法进行参数估计,那么异常值引起的偏差不是造成参数估计过大而是导致参数向量内爆即参数向量收缩为零向量,此时如果进行群组变量选择很可能会忽略一些重要变量.因此针对具有组结构的logistic回归模型,为处理解释变量存在异常值时的群组变量选择问题,将基于最小距离法的稳健估计(L₂E)方法与已有的3种群组变量选择方法和3种双层变量选择方法结合,在此基础上利用Majorization-Minimization(MM)算法对目标函数进行求解.通过数值模拟比较了基于L₂E方法和MLE方法在模型具有组稀疏和双层稀疏的情况下,6种变量选择方法在不同维数下的有限样本表现,结果不仅验证了L₂E方法在存在异常值的logistic回归模型参数估计中的稳健性,而且指出了在这6种变量选择方法中使用Group Bridge方法进行变量选择的准确度更高.     

缺失数据下局部线性回归估计的渐近性质

在缺失响应变量的不完全数据下,对非参数回归模型进行研究,利用局部线性回归的方法,给出了回归函数m(x)的估计,并证明了缺失数据下局部线性回归光滑具有渐近正态性和相合性.     

基于光谱归一化的阔叶林LAI遥感估算模型适用性分析

针对基于植被指数(Ⅵ)的森林叶面积指数(LAI)统计模型反演方法通用性较差的问题,研究基于光谱响应函数的不同传感器相似波段的光谱归一化方法,构建基于光谱归一化的阔叶林LAI遥感估算模型,并分析光谱归一化前后LAI估算模型对不同传感器的适用性.以福州市ALOS AVNIR -2、Landsat5 TM和MODIS作为多传...     

基于DART模型的盐地碱蓬植被指数饱和问题分析

植被指数饱和问题直接影响植被参数的遥感估算精度.基于DART模型定量分析盐地碱蓬群落植被指数对LAI的响应,讨论不同植被指数的饱和问题,研究发现：1) 盐地碱蓬LAI与株数之间呈显著线性相关,R2为0.99,RMSE为0.008.2) TSAVI抗饱和性最好,NDVI及RVI次之,EVI、SAVI一般,PVI、MVI及MSAVI最差.3) RVI、NDVI及TSAVI敏感度最优,且LAI〈0.68时,SRVI〉SNDVI〉STSAVI;0.68≤LAI〈2时,SNDVI〉SRVI〉STSAVI;LAI≥2时,TSAVI最优,RVI和NDVI出现饱和现象;EVI、SAVI对LAI敏感性一般;剩余3种植被指数对LAI的敏感性弱.对于辽河口滨海湿地典型植被盐地碱蓬,结合实测LAI数据,初步分析认为TSAVI、NDVI及RVI可以作为较强适用性植被指数来进行相关研究,能够区分不同LAI下的盐地碱蓬群落.     

结合冠层密度的森林净初级生产力遥感估测

【目的】 森林冠层密度与林分年龄、植被生长状况有关,在区域森林净初级生产力遥感估测中,结合森林冠层密度以期提高估测精度。【方法】 以广东省韶关市为研究对象,选用2017年Landsat-8 OLI影像、2017年357块森林资源连续清查固定样地数据为主要信息源,分别采用随机森林、多元线性回归、人工神经网络和K最近邻分类法等4种模型,结合森林冠层密度制图器(FCD)进行区域森林净初级生产力特征变量的选取、参数建模、模型精度评价和森林净初级生产力空间制图。【结果】 特征变量中,红光波段(B4)、归一化植被指数(NDVI)、比值植被指数(RVI)、叶面积指数(LAI)、缨帽变换土壤植被因子、纹理特征和地形特征在森林净初级生产力反演中有重要作用。将森林冠层密度因子加入反演模型后,4种遥感估测模型精度均有大幅度提高。对4种遥感估测模型进行性能比较,随机森林模型精度最高,其次是多元线性回归模型、人工神经网络模型,K-最近邻分类模型精度最低。研究区内森林净初级生产力平均值为10.689 t/(hm²·a),高森林净初级生产力 [≥18 t/(hm²·a)]林分面积仅占研究区的19.61%,主要分布在海拔较高的西北部。【结论】 结合冠层密度进行森林净初级生产力的建模,可有效提高模型估测精度。     

智能手机App与数字半球摄影测量叶面积指数对比研究

基于自主开发的智能手机App（LAISmart）对针阔混交林、阔叶林和农作物3种植被类型的叶面积指数（leaf area index, LAI）进行测量,并以数字半球摄影（digital hemispherical photography,DHP）的测量结果作为参考值进行对比分析．结果表明,虽然LAISmart与DHP的LAI值总体上具有高度一致性（R2=0.95,RMSE=0.68）,但是,LAISmart的性能受到植被叶片密集程度的影响．研究发现:LAI>3.9时,LAISmart的测量结果会明显低于DHP的测量结果;智能手机成像传感器的自动曝光模式,是引起LAISmart在测量LAI高值区域估值偏低的重要影响因素;当对LAI高值区域的LAISmart图像进行降低曝光度处理后,LAISmart和DHP的测量结果偏差得到进一步降低,且LAISmart测量结果的精度可以提高49%左右．此外,LAISmart的较窄视场角几乎不会对其测量结果产生影响,若能在调节智能手机曝光度的条件下使用LAISmart,则具有更高效率和更低成本优势的LAISmart可以成为替代DHP的有效方法．      

乌鲁木齐市主城区绿量的遥感估算

对2008年8月覆盖乌鲁木齐市主城区的IKONOS遥感影像进行预处理提取植被信息,再用代表性样地法采集主城区乔木树种的样点数据计算主城区绿量,选定归一化植被指数(NDVI)、土壤调节植被指数(SAVI)、修正土壤调节指数(MSAVI)和比值植被指数(RVI)做为自变量,以实测样本数据作为应变量,采用多元回归分析法建立基于遥感影像的乌鲁木齐市绿量遥感估算模型:Y=449.6NDVI+285.82SAVI-161.51,R=0.67,绿量与植被指数之间存在一定的相关关系(F=15.4872F0.05=6.07),模型有一定的可行性。     

基于MODIS反演数据的河套地区荒漠化研究

基于2001-2013年MODIS遥感反演数据, 通过对土地覆盖类型、叶面积指数(LAI)、归一化植被指数(NDVI)和增强植被指数(EVI)4个方面的分析, 研究河套地区的荒漠化情况及其季节变化特点。结果表明, 2001-2013年, 河套地区整体植被覆盖转好, 其中, 耕地面积从2001年的4218 km² 增大到2013年的20470 km², LAI平均值从2003年的0.130~0.335增大到2013年的0.182~0.405, 平均NDVI和EVI逐年总体增大, 分别从2001年的0.142和0.095增大到2013年的0.193和0.116, 而且, 单位面积上的植被生长质量也在加强。此外, 归一化植被指数季节分布特点显示, 河套地区北部巴彦淖尔盟2013 年左右开始大面积种植一年两季粮食作物。但是, 研究结果表明河套地区植被覆盖指数仍较低, 北部和西南部荒漠化情况加剧, 若不采取有效措施, 极易出现“沙进人退”的生态环境问题。     

基于案例推理的小麦叶面积指数估算研究

小麦叶面积指数是评价其长势和预测产量的重要农学参数,为了提高小麦叶面积指数的估算精度,本文提出了一种基于案例推理的小麦叶面积指数估算方法。利用小麦的10种植被指数,首先建立小麦叶面积指数的统计回归估算模型;然后使用基于案例推理的方法对小麦叶面积指数进行估算。实验结果表明,基于案例推理的方法相对于统计回归模型,提高了小麦叶面积指数的估算精度。说明基于案例推理的小麦叶面积指数估算方法是一种有效可行的方法。     

地形调节植被指数构建及在植被覆盖度遥感监测中的应用

提出一种无需异源数据支持就能有效消除山区地形影响的地形调节植被指数(TAVI).以Landsat TM影像为数据源,采用TAVI进行复杂地形山区植被覆盖度遥感监测;并选择典型样区进行植被指数与太阳入射角余弦值cosi回归分析、比较,定量验证地形调节植被指数抗地形影响的效果.结果表明,TAVI与cosi一元线性回归方程斜率仅为0.01,相关系数只有0.01,TAVI获得预期的抗地形影响的效果;利用TAVI反演的植被覆盖度空间分布呈面状展开,没有出现地形纹理状的分布形态,获得了满意的抗地形影响的效果.     

青海云杉林叶面积指数空间分布模拟——以祁连山区排露沟流域为例

以祁连山区排露沟流域为研究区,利用高分辨率的遥感数据获取多种植被指数,并与观测的叶面积指数进行回归分析,发现叶面积指数LAI与归一化植被指数NDVI的相天性最好(R2=0.3766),且以LAI与NDVI的关系建立的模犁精度最高(RMSE=0.381).通过t检验,证明NDVI模型明显优于其他植被指数模型,因此把它选为最佳模型,模拟整个研究区青海云杉林叶面积指数的空间分布,为小流域分布式生态水文模型提供重要的参数.     

引入地形特征的田块尺度玉米遥感估产与空间格局分析

田块尺度作物估产引入地形特征提升精度与产量空间格局分析对规模经营具有重要意义。以黑龙江省规模化种植的春玉米为研究对象,测定无人机(unmanned aerial vehicle, UAV)高精度地形与变量测产数据,基于多时期SPOT-6影像提取7种植被指数;采用最小二乘法,构建不同时期植被指数与春玉米实测产量的经验统计模型,确定遥感估产最佳时期和最优植被指数;提取6种地形因子,使用多元逐步回归评价引入地形因子的遥感估产模型,应用空间统计分析探索产量空间分布格局。结果表明:春玉米灌浆期是遥感估产的最佳时期,决定系数R~2达到0.6以上的植被指数共6种,比值植被指数(ratio vegetation index, RVI)为最优植被指数,其余依次为修正比值植被指数(modified simple ratio, MSR)、无蓝色波段增强型植被指数(enhanced vegetation index without a blue band, EVI2)、归一化植被指数(normalized difference vegetation index, NDVI)、次生修正土壤调节植被指数(modified secondary soil adjusted vegetation index, MSAVI2)、绿度归一化植被指数(green normalized difference vegetation index, GNDVI);最佳估产模型引入地形辅助信息后R~2提升5.6%,达到0.79,均方根误差(root mean squared error, RMSE)为347.03 kg/hm~2;高海拔与高坡度区域产量均值最低为7 502.64 kg/hm~2,中海拔与低坡度区域产量均值最高为9 157.63 kg/hm~2。优化后的遥感估产模型可以快速评估作物产量,确定春玉米最佳生长区域,为规模化农业精细管理、土地整治与作物种植结构调整提供科学依据。