土壤中的重金属含量较少, 难以在光谱曲线上表现出明显的特征, 现有的土壤重金属反演实验多是通过统计的方法寻找重金属的敏感波段, 不能准确解释土壤重金属的反演机理, 难以建立土壤重金属反演的普适性模型, 通过分析铁锰氧化物、 有机质、 粘土矿物在土壤光谱曲线上的吸收特征, 深入研究了土壤重金属对可见光近红外光谱的影响, 分析了褐土中的重金属反演机理。 以徐州试验田为例, 共采集80个土壤样本。 首先, 利用ASD地物光谱仪测定土壤样本的光谱反射率, 并采用电感耦合等离子体质谱仪检测土壤样品中的Cr, Cd, Cu, Pb和Zn的含量。 然后, 土壤光谱经过包络线去除处理, 与重金属相关的吸收峰在480, 1 780和2 200 nm附近, 所显现的吸收峰主要受土壤中的铁锰氧化物、 有机质、 粘土矿物的影响。 在吸收峰位置提取了光谱吸收特征的四个参数： Depth480, Depth1 780, Depth2 200和Area2 200, 分析了它们随五种重金属含量变化的增减趋势, 发现四个参数数值与五种重金属含量有很强的相关性。 分析单个变量反演重金属发现, 参数Depth480反演Cr和Pb的效果较好, 参数Area2 200, Depth1 780反演Cd, Cu和Zn的效果比较好。 同时使用四个光谱吸收特征参数, 利用最小二乘法、 岭回归法、 支持向量回归法求取回归系数, 建立的五种重金属含量的反演模型比使用单变量建立的反演模型预测能力强且稳定, 五种重金属Cr, Cd, Cu, Pb和Zn反演效果最好的验证集决定系数分别是0.71, 0.84, 0.92, 0.80, 0.89。 结果表明, 在此研究区域Cr和Pb容易被铁锰氧化物吸附, 而Cd, Cu和Zn更容易被有机质、 粘土矿物吸附。 此研究为探究土壤光谱特征与土壤重金属含量之间的关系提供了参考。

航空高光谱的大气校正是进行高光谱定量反演的基础, 但通过空地同步对比分析航空高光谱大气校正的研究较少, 论文主要研究了Hyspex高光谱遥感数据不同的大气校正方法。 在现有的几种大气校正方法的基础上, 提出了一种大气校正的新方法: 首先, 采用果蝇-鲍威尔优化算法反演光谱的性能参数(中心波长和半波高度的偏移量), 对光谱重定标。 然后在光谱重定标的基础上, 采用MODTRAN模型对Hyspex高光谱数据进行大气校正, 得到地表反射率数据。 利用同步采集的五种典型地物的地面实测ASD数据将提出的新方法与现有的几种大气校正方法(快速大气校正、 经验线性法大气校正、 基于6S模型的大气校正、 基于FLAASH模型的大气校正、 基于MODTRAN模型的大气校正)的大气校正结果进行对比分析, 并采用决定系数(R2)和均方根误差(RMSE)来比较各种大气校正方法的精度。 结果表明: 提出的果蝇-鲍威尔优化MODTRAN模型的大气校正结果最好, 决定系数在80%以上, 均方根误差在15%以内; 基于MODTRAN模型、 FLAASH模型、 6S模型的方法的校正结果稍次于本文提出的新方法, 结果比较稳定, 决定系数在70%以上, 均方根误差在20%左右; 快速大气校正与经验线性法的校正结果不稳定。 可以得出结论: 本文提出的果蝇-鲍威尔优化算法有效可行, 可以精确的反演出中心波长和半波高度的偏移量, 其大气校正的精度优于现有的多种大气校正方法。

牛奶蛋白质的分析和监测是奶制品行业中不可或缺的环节利用可见光/近红外反射光谱(350～2 500 nm)进行纯牛奶中真蛋白质含量的快速定量反演。 分别通过ASD地物光谱仪和CEM真蛋白质测定仪采集牛奶样本的反射光谱数据以及蛋白质含量数据, 对比分析不同的光谱预处理方法和波段筛选方法, 得到特征波段, 最后利用主成分回归(PCR)和最小二乘支持向量机(LS-SVM)模型建立牛奶反射光谱和蛋白质含量之间的定量校正模型, 并对其预测能力进行比较, 从而确定最优的牛奶中真蛋白质含量反演模型。 实验结果证明: (1)比较不同光谱预处理方法, 发现多元散射校正与二阶微分联合使用效果较好; (2)相对于全光谱建模, 适当的特征变量优选有助于提高建模精度, 缩短建模时间; (3)PCR的验证集决定系数R2P为0.952 2, 验证集均方根误差RMSEP为0.048 7, 而LS-SVM的R2P为0.958 0, RMSEP为0.048 2, 其预测精度要优于PCR。 研究表明, 可见光/近红外高光谱反射率数据可以为牛奶真蛋白质含量的检测提供一种快速、 无损的新方法。

以矿区复垦农田土壤为研究对象, 利用实验室获取的土壤重金属元素砷(As)、 锌(Zn)、 铜(Cu)、 铬(Cr)和铅(Pb)的含量与土壤可见近红外高光谱数据建立重金属元素含量的定量估算模型。 为了保证模型预测的精度和稳定性, 首先, 对原始光谱数据进行平滑处理, 并进行光谱变换, 即: 一阶导数, 标准正态变量变换及连续统去除变换;然后, 通过相关性分析提取不同变换光谱的特征波段;最后, 将最小二乘支持向量机与传统的多元线性回归和偏最小二乘回归方法的结果相比较。 研究表明: (1)以不同变换光谱数据建立反演模型均有较好的稳定性并达到一定精度, 其中以最小二乘支持向量机方法优于偏最小二乘回归优于多元线性回归模型(除少数几个情况外);(2)从不同光谱变换数据中提取的光谱特征对反演模型结果有一定影响, 其中以连续统去除和标准正态变量变换建模结果较好, 一阶导数变换稍差。 因此, 利用高光谱遥感技术来定量估算土壤重金属含量是可行的, 而且, 必要的光谱预处理对提高估算模型的精度很有帮助。

针对多源遥感数据分类的需要，提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法.对全极化PALSAR数据进行预处理和极化相干矩阵特征提取，利用灰度共生矩阵计算光学和SAR影像的对比度、逆差距、二阶距、差异性等纹理特征参数，并与光谱特征结合，形成6种组合策略.利用集成学习方法对随机森林分类器、子空间分类器、最小距离分类器、支持向量机分类器、反向传播神经网络分类器等分类器进行组合，对不同组合策略的遥感影像特征集进行分类.结果表明提出的基于多种特征和多分类器集成的新方法很好地利用了主被动遥感数据在不同地表景观类型提取上的潜力，综合了多种算法的优势，能够有效地提高总体精度和各类别的分类精度.

以徐州柳新矿区复垦农田土壤-小麦为研究对象，采用传统采样检测方法分析土壤-小麦中重金属镉含量，借助ASD FieldSpec 3型便携式高光谱仪测量样品反射光谱，对光谱进行加权移动平滑、一阶微分变换、包络线去除以及倒数的对数变换，据此选择具有显著相关的土壤和小麦镉污染胁迫敏感波段作为相关因子，建立基于支持向量机的矿区复垦农田土壤-小麦镉含量高光谱估测模型.结果表明: 以粉煤灰和煤矸石作为充填物料的复垦场地镉含量在土壤环境质量三级标准值之下，但是其上种植的小麦镉含量均超标，受到严重的镉胁迫；建立的模型能够较理想地进行土壤-小麦镉含量估测，土壤的估测模型相关系数为0.947，小麦的估测模型相关系数为0.782.该研究为监测复垦农田土壤及作物重金属污染提供新方法，为保障矿区粮食安全提供技术手段.

一般的检测假酒中甲醇的化学方法虽然结果较准确，但操作复杂、费用昂贵且对实验的环境条件要求严格.为此，提出了一种基于支持向量机对掺甲醇的假酒光谱进行识别与分类的方法.采用ASD FieldSpec 3光谱仪测量了样品溶液的反射光谱；通过对反射光谱进行平滑、导数等预处理并进行相关性分析和单变量回归分析，得出假酒中甲醇光谱不被乙醇光谱掩盖的特征峰作为特征谱带；最后用特征谱带训练分类模型并得到分类结果.结果表明：以甲醇含量小于等于3%为真酒的总体分类准确度为85%，以甲醇含量小于等于5%为真酒的总体分类准确度为97.5%；证明该方法是可行的且具有较高的分类准确度.

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features. Multi-kernel classifiers, however, are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs. Using a support vector machine (SVM) as classifier, different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area, Beijing City. Results show that by integrating spectral and wavelet texture information, multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers. Moreover, when the multi-kernel SVM classifier is used, the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy (97.06%). Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.

多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题.本文从支持向量机基本理论出发建立了一个基于支持向量机的高光谱分类器,并用国产OMIS传感器获得的北京中关村地区高光谱遥感数据进行试验,分析比较了各种SVM核函数进行高光谱分类的精度,以及网格搜寻的方法来确定C和愕闹?结果表明SVM进行高光谱分类时候径向基核函数的分类精度最高,是分类的首选.并且与神经网络径向基分类算法以及常用的最小距离分类算法进行比较,分类的精度远远高于SVM分类算法进行分类的结果.SVM方法在高光谱遥感分类领域能得到广泛的应用.