积雪中的污染物含量可以用来反映区域和全球范围内人类活动对环境的污染, 但是迄今为止, 对大范围或人类活动难以到达的地区进行积雪污染物含量时空监测的研究尚不多见。 文章通过模拟大气沉降实验, 应用光谱学技术分析了不同污染物含量对积雪反射光谱的影响, 而后分别利用构建特征指数法、 主成分分析法、 BP神经网络以及RBF神经网络模型对积雪污染物含量预测, 表明神经网络模型结合高光谱遥感数据方法能够较为准确地估算积雪污染物含量。

作物叶绿素含量的估测可以为精准农业提供技术支持。 该文利用PROSAIL模型模拟了不同叶绿素水平下的大豆冠层光谱反射率， 而后针对多期实测高光谱及相应的叶绿素数据， 在对响应波段进行小波能量系数提取的基础上， 分别采用多元线性回归、 BP神经网络和RBF神经网络、 以及偏最小二乘法进行估算， 并进行了比较分析。 研究结果表明， 基于小波分析的三种回归模型都取得了较好的估算效果， 验证模型的R2分别为0.634， 0.715， 0.873和0.776, 其中RBF神经网络方法和基于高斯核函数的PLS模型精度最好， 能够全面稳定地估算叶绿素含量。

用分光光度计法确定查干湖复杂光学特性水体悬浮颗粒物的光谱特性与吸光幅度, 在室内可控实验中利用定量滤膜技术对2009年7月15日和10月12日两期水体采集样品处理获得了以藻类色素颗粒和非色素颗粒(无机沉积物, 有机碎屑）两种光活性颗粒物质为主要贡献的总悬浮颗粒物吸收光谱, 结果显示7月份总悬浮颗粒物光谱吸收谱形在400～425 nm范围内呈非色素颗粒物特征, 在670～690 nm呈叶绿素及其附属色素特征。 10月份藻类色素颗粒的光谱吸收贡献在440 nm处显现出来。 两期数据总体表明非色素颗粒光谱吸收系数aNAP(440)与悬浮颗粒物浓度显著线性相关(R2达到0.929 2）; 藻类色素颗粒光谱比吸收系数a*ph(440)均值从0.145 m2·mg-1增加至0.229 m2·mg-1, a*ph(675)均值从0.084 m2·mg-1 降低至0.107 m2·mg-1, 以叶绿素a为主导的藻类色素颗粒光谱吸收系数aph(440)与aph(675)与叶绿素a浓度呈幂函数关系。

近年来, C-V模型被广泛用于图像分割, 但计算速度是制约其应用的一个重要因素, 如果处理数据量较大、内 容复杂的高分辨率遥感图像, 耗费时间更长.本文采用C-V模型与小波变换的结合, 不仅大大提高了影像的处理速 度, 而且实现了图像的多尺度分割, 并具有良好的抗噪能力.实验结果显示, 在保证分割质量的前提下, 与直接使用 C-V模型的多尺度分割方法相比, 该方法能够提高处理速度1～2倍.

叶绿素a(Chl-a)含量是反映水体水质的重要参数之一,利用遥感技术监测其浓度具有众多优势.本研究利用2004年5-9月的吉林省新庙泡实测高光谱数据和实验室分析数据,建立了基于三波段的Chl-a浓度反演模型.该模型基于水体叶绿素a、悬浮物、溶解有机物、纯水的生物光学特性分析,优化组合了3个特征波长.结果表明用该方法建立的模型具有一定的物理基础,反演精度较高,其决定系数和均方根误差分别为0.8758、4.98μg·L-1,适合于内陆水体Chi-a含量的定量提取.