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。

传统去噪去混叠算法大多针对单波段图像, 针对于高光谱影像的特点以及噪声、混叠对于图像的影响, 提出了一种结合张量与倒易晶胞的多维滤波算法, 并将其应用在高光谱影像的去噪和去混叠中。该方法引入张量, 将高光谱影像数据视为三阶的张量表达, 以倒易晶胞获取影像混叠和噪声较小的频谱覆盖, 从最小均方误差的角度交替迭代求解三个方向的滤波器, 最终完成影像滤波, 在保证影像空间和光谱信息一致性的前提下, 有效地减少影像混叠和噪声, 提高图像的质量。通过与二维维纳滤波算法、张量多维去噪算法的多组高光谱数据对比实验, 证明了文中算法的有效性。

通过非线性函数变换改进后的谱间Pearson相关分析可同时获取高光谱影像光谱间的综合相关系数(rcl)、相关类型和统计显著性水平; 研究发现, 非线性是高光谱影像的谱间相关性的主要类型。基于相关系数的波段相邻相关系数(rac)在自适应波段选择算法(ABS)中是为了表达波段的独立性, 然而发现ABS算法中rac并不能有效表达波段独立性。鉴于此, 提出了一种信息相邻相关系数(riac)和基于此指数改进的自适应波段选择算法(MABS)。使用公共数据和实验室采集数据, 对ABS、基于线性相关系数(rl)的MABS(rl)和基于rcl的MABS(rcl)等三种算法进行实验。结果表明: 在波谱范围和算法有效性及精度方面, MABS均优于ABS; MABS较好地兼顾了大信息量和强独立性原则, 其波段选择结果的光谱范围明显大于ABS; MABS(rcl)的光谱范围略大于MABS(rl); 三种算法的总体分类精度(OA)和Kappa系数的大小顺序均为: MABS(rcl)>MABS(rl)>ABS。