牧草生物量的估算对于草地资源合理利用和载畜平衡监测具有重要的意义, 是评价草地生态系统与草地资源可持续发展的关键指标。 基于Landsat遥感技术快速、 无损的大面积植被生物量估算研究已广泛应用, 当前大多基于单一变量或几个常用植被指数构建反演模型, 这些指数往往不能从多方面反映植被理化特征。 归纳了不同Landsat8光谱衍生数据所反映的植被理化特征及它们间的关联方式, 构建了Landsat8光谱衍生数据的分类体系； 在此基础上提出了一种基于随机梯度Boosting(SGB)算法的多变量、 非线性生物量估算模型, 探讨不同类型光谱衍生数据组合对于牧草生物量反演结果的影响。 以青海省海晏县为研究区进行方案可行性探讨。 结果表明常用的Landsat8光谱衍生数据主要从植被的绿度、 黄度、 盖度、 水分含量、 纹理特征以及通过消除大气干扰和土壤背景干扰等7个方面反映植被的理化特征（7个小类）, 可归纳为直接因子（绿度、 黄度、 盖度、 水分含量）、 间接因子（消除大气干扰和消除土壤背景干扰）和空间因子（纹理特征）3大类型。 在牧草生物量反演中, 这些光谱衍生数据类型间具有较好的互补性, 单一的直接因子模型估算结果最差, 引入间接因子和空间因子均能提高模型的估算结果, 而由直接因子（GNDVI, TCW, NDTI, NDSVI, TCD）、 间接因子（SAVI, VARI）和空间因子（Mean_B3, Mean_B6, Hom_Ⅱ, Dis_B5）共同构建的SGB模型估算精度最优, R2达到了0.88； RMSE为141.00 g·m-2。 与5种常用的生物量估算模型结果对比, 该方法具有明显的优势。 较单变量模型, R2提高了42%～60%, RMSE降低47%以上, R2cv提高了31%～53%, RMSEcv降低29%； 较多变量模型, R2提高了29%～42%, RMSE降低35%以上, R2cv提高了2%～18%, RMSEcv降低2%以上。 此外, 所提出方法在消除反演模型过饱和方面也具一定成效。 综上, 利用Landsat8数据从反映植被不同理化特征角度构建反演模型实现了牧草生物量的精准估算, 对于后期牧草生长状况实时监测以及草地资源可持续利用与管理具有重要的指导意义。 研究结果还可以为今后进行大面积区域草地动态监测以及其他农业领域的研究提供参考和借鉴。

树木位置分布及胸径(DBH)是研究森林生态、管理林区的重要指标。激光雷达在获取树木相关数据方面有巨大潜力, 因此, 提出用手持移动激光雷达获取的三维点云快速统计树木信息的方法。手持移动激光雷达可近距离采集树木信息, 获取更详细的单木立面信息。针对上述点云特点, 提出分层聚类的点云处理方法, 按不同高度对点云切片, 形成一组切片截面图, 再仅对切片截面图聚类；根据聚类结果使用随机抽样一致性算法拟合出圆, 对比一组切片截面图的拟合结果, 完成树木点云提取。这种先取样再计算的方法大大提高了运算速度。实验证明该方法树干提取准确率达94.4%, DBH计算平均误差3.4 cm。本文方法可快速统计树木相关信息。

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难.高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率.因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题.针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵.再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类.该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段.通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明:两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度.

针对转扫式光谱成像系统在数据采集过程中, 由于转台转速过快造成校正后的影像存在有数据漏洞, 以及获取的原始影像数据存在有严重几何形变, 影响影像上地物信息的分类与识别等问题, 介绍了转扫式光谱成像系统的组成并给出数据采集一般过程, 根据数据采集时单帧影像的覆盖范围和系统采集影像的速率等信息, 在数据采集时对转台速度进行控制;结合影像获取时的起始与终止角度以及传感器距离前视点的距离等信息, 详细推导了转扫式光谱成像空间定位模型, 并对定位后影像进行格网划分和光谱重采样, 给出了影像畸变校正的一般流程;鉴于影像空间定位后相邻帧间影像空间分辨率不一致, 同时为保证获取最大的影像分辨率, 采用最小空间采样间隔作为坐标定位后影像格网划分单元;考虑到新生成均匀格网与不均匀格网叠加进行光谱取值时, 采用直接光谱采样可能造成的光谱混叠失真问题, 提出了基于位置分布的光谱精确采样方法, 以张家界老司城获取的高光谱影像数据为例进行畸变的校正, 校正后影像上地物保持了原有的几何特征, 验证了算法的正确性, 同时抽取不同地物点的光谱数据进行相关系数计算, 结果表明改进的光谱采样算法优于直接光谱采样, 为同类产品的地面应用提供参考。

视准轴角度误差直接影响移动激光成像系统(MMS)的点云精度，尤其是在多路线、多角度下扫描同一区域时，不理想的视准轴误差估计会造成重叠区域无法无缝拼合。针对上述问题，提出了一种基于平面特征的地面移动激光成像系统的视准轴误差自标定方法，给出移动激光成像系统的点云生成模型，依据三维场景中的平面特征，建立Gauss-Helmert平差模型，依据最小二乘法，推导出计算视准轴误差的法方程。实验结果表明,提出的方法不需要特殊的定标场，只需在数据采集过程中以不同方位扫描同一平面特征就可以计算出视准轴误差，且计算结果可靠有效。

以移动平台的线推扫式高光谱相机横向推扫成像不同于以卫星平台或飞机平台的竖直摄影成像方式, 其属于水平方向推扫竖直方向成像, 存在投影面选择、 空间方位确定以及光顾混叠等问题。 针对上述情况, 详细推导了适合于线阵高光谱相机地面推扫的影像像素地理参考模型, 可以进行任意方向的地面横向推扫成像; 结合影像的地面采样间隔大小及推扫成像的区域范围, 给出了地理参考后影像格网划分的一般过程; 同时, 考虑到在影像格网划分过程中存在的舍入误差, 以及在影像校正过程中采用传统直接光谱采样可能造成的光谱掺杂问题, 提出了基于地理参考后相邻像素重叠面积作为权重系数进行加权融合的改进光谱采样方法。 最后进行了大量地面横向推扫成像实验, 并依据上述算法进行了影像畸变校正, 验证了线阵影像几何畸变校正算法的有效性及鲁棒性, 同时, 对校正好后的影像选用多个样本点进行了光谱数据验证, 实验表明改进后的光谱采样方法明显优于直接光谱采样算法, 为同类产品的地面应用提供参考。

提出一种利用多尺度特征的无人飞艇遥感平台获取的序列航拍图像生成密集匹配视差图像的方法。运用尺度不变特征变换(SIFT)算法从两幅相邻图像中提取特征点，基于欧氏距离进行粗匹配,并通过缩小搜索范围提高粗匹配效率，再通过随机抽样一致性(RANSAC)算法估计基础矩阵，利用对极几何约束关系剔除误匹配，进行精确匹配，提高匹配的稳健性和精度，然后利用区域生长算法进行特征点密集匹配生成相应视差图像。实验表明算法在保持稳健性的同时，可以降低时间复杂度，获得相当规模的密集匹配点，得到良好的可视效果。

针对用PCA融合方法进行高光谱遥感影像和高分影像融合会出现一定程度的光谱失真问题, 提出了一种改进的弱光谱畸变PCA融合方法。 采用NCUT（normalized cut）影像分割算法, 将复杂的高光谱遥感影像对象化, 增加融合样本的线性可分性, 从而削弱传统PCA融合产生的光谱畸变; 运用图论和聚类理论生成表达像素间相似度的权重矩阵和若干掩膜, 并用这些掩膜切割高光谱影像与高分影像, 再分别融合其对应匹配的子区域对象, 最后将所有子区域融合结果拼接成一幅影像。 使用Hyperion高光谱数据和Rapid Eye高分影像进行实验, 结果表明: 该方法在保证融合结果空间分辨率提升和纹理信息不变的前提下, 光谱保真能力优于传统的PCA融合方法。

针对机载全波形数据，提出了一种基于随机森林法的点云分类算法。通过全波形分解获得振幅，回波次数以及回波宽度，结合提出的特征提取方法，构建一个多维特征向量并进行特征选择，利用随机森林法将激光点云分为植被,地面以及建筑物三类。通过对比分析随机森林和支持向量机两种分类方法，实验结果表明所提取的特征在随机森林分类中具有良好的稳定性以及高效性，能够在城市分类应用中取得较好的分类效果。

基于航位推算方法定位的车载测绘系统(VBMMS)可以有效地解决使用全球导航卫星系统(GNNS)定位带来的系统失锁问题。但当系统采集空间三维信息时，由于航位推算方法的误差积累，会造成较大的系统定位误差，严重影响最终的测绘精度。针对此问题，提出了利用同步定位及地图创建(SLAM)的算法对系统进行位姿矫正。从激光点云中提取出准确的特征信息是实现系统同步定位及地图创建的前提，结合室内结构化环境的特点，提出一种基于角度阈值的提取直线特征的算法。将算法应用到自主研发的车载移动测图系统中，实现了快速准确的直线特征提取，实验结果证明了该算法的有效性。