高光谱遥感技术能够更细致地检测出岩矿的光谱特征, 为高光谱岩矿识别提供了强有力手段。 基于特定吸收特征波段的高光谱岩矿识别模型依赖很高的先验知识且难以满足区分不同类型岩石的要求, 因此探索建立准确、 高效的高光谱岩石自动识别模型具有重要意义。 在禄丰恐龙谷地区采集三类典型的沉积岩(泥岩、 砂岩和灰岩各21个)作为目标样本, 采用ASD FieldSpec3地物光谱仪获取沉积岩样本在350~2 500 nm范围内的高光谱数据, 对原始光谱进行一阶微分、 连续统去除变换并分析其光谱特征, 采用连续投影(SPA)、 竞争性自适应重加权采样(CARS)和迭代保留信息变量法(IRIV)三种特征变量选择算法选取原始光谱及其变换光谱中的特征波长, 基于全波段和特征波长数据分别建立支持向量机(SVM)和随机森林(RF)识别模型。 结果表明: 三种特征变量选择算法对高光谱数据都具有较好的降维效果, 从原始光谱及两种变换光谱选取出的特征波长数量在7~59个之间。 综合光谱变换处理与特征变量选择算法进行模型测试对比试验, 发现组合连续统去除-SPA-SVM模型方法在识别三类目标沉积岩上的表现最好, 其识别精度为0.952 4, 此时选取出用于输入模型的特征波长数量为10个, 只占全波段的0.5%, 大大降低了模型的运算量, 其中2个特征波长位于550 nm附近的Fe2+和Fe3+吸收带, 2个位于900 nm附近Fe3+吸收带, 5个位于1 900和2 200 nm附近的水分子、 羟基吸收带, 其分布可以较好地反映沉积岩化学成分差异导致的光谱吸收特征规律。 实验结果表明采用光谱变换与特征变量选择算法进行高光谱沉积岩自动识别是可行的, 能为高光谱岩矿识别方法提供参考。

随着低空无人机（unmaned aerial vehicle, UAV）技术的快速发展, 搭载光学传感器的小型消费级无人机可快速、 灵活地获取目标对象的高分辨率影像数据, 在地学各领域中呈现出广阔的应用前景。 UAV-SfM(structure from motion)作为成像3D立体构建的最新技术方法, 是深化低空无人机技术地学领域研究的核心技术, 但目前对于运用UAV-SfM方法获取数据综合精度的研究不足, 影响了该技术进一步的推广应用。 针对DJI Phantom 4 RTK消费级无人机是否具有应用于滇中高原山地浅层地表变化检测的可能性问题, 选择了东川红土地典型坡耕地为试验区, 采用相同航高重复飞行规划方案, 并运用SfM-MVS关键技术处理获取同一测区重复的DSM与DOM数据。 为了评价分析针对典型坡耕地的UAV重复观测的测量精度, 特别对实验区中的裸露坡耕地Ⅰ和有作物生长的坡耕地Ⅱ, 分别采用基于剖面线的3D离散点抽样和基于窗口面的3D点集抽样方法, 开展了对UAV重复观测坡耕地的3D点位精度评价。 点位精度分析表明: ①基于剖面线的3D离散点抽样及精度分析, 坡耕地Ⅰ平面点位精度误差均值为±0.029 m, 3D点位误差精度为±0.072 m; 坡耕地Ⅱ平面点位精度误差均值为±0.032 m, 3D点位误差精度为±0.075 m。 ②基于窗口面的3D点集抽样及精度分析, 坡耕地Ⅰ平面点位精度误差均值为±0.013 m, 3D点位误差精度为±0.066 m; 坡耕地Ⅱ平面点位精度误差均值为±0.038 m, 3D点位误差精度为±0.076 m。 综合分析得出, 基于剖面线单点抽样评价精度结果整体好于基于窗口的3D点集抽样评价精度, 但总体上平面精度与垂直精度均能够达到厘米级。 实验对比分析研究得出, 不同地表粗糙度对UAV重复观测精度存在影响, 地表粗糙度大的3D点位误差比粗糙度小的点位误差大。 该研究成果可以为基于无人机与SfM方法的地貌数据采集与三维重建的精度控制和采集方案设置提供定量参考。

机载激光雷达已允许快速生成大面积区域的高分辨率数字高程模型，但是自动识别密集建筑物或茂密植被所覆盖区域的地面点与非地面点还比较困难。提出了一种移动曲面拟合最小二乘迭代算法自动快速对Lidar数据进行滤波，该方法采用移动窗口加权迭代最小二乘法来选择种子点，基于自适应阈值，逐步对非地面点和地面点进行滤波和分类。在四个研究区域进行的试验表明，新的滤波方法可以将市区和茂密植被覆盖的地面和非地面点分开。对于Ⅰ类误差，新算法的错误范围是4.08％~9.40％，对于Ⅱ类误差，错误范围是2.48％~7.63％，对于总误差，错误范围是5.01％~7.40％。

为准确快速地预测土壤氧化铁含量信息，以禄丰恐龙谷南缘地表的土壤为研究对象，共采集135个样品，并在室内测得土壤光谱数据和氧化铁含量信息。首先，在对原始光谱进行Savitzky-Golay滤波平滑后，进行常规光谱变换和连续小波变换，并利用相关系数（CC）法对变换光谱与氧化铁含量进行相关性分析，筛选出每个尺度中通过0.01显著性检验的波长作为粗选的波长。然后，进一步利用竞争性自适应重加权（CARS）算法选择的波长作为特征波长。最后，通过遗传算法优化的支持向量机（SVR）进行建模。结果表明：连续小波变换可以提高土壤光谱反射率与氧化铁含量的相关性；通过CC-CARS波长选择方法可以有效地减少建模的自变量数目；第4尺度连续小波分解构建的模型 （L₄-CC-CARS-SVR）效果最好，其建模集的决定系数R²为0.760，均方根误差E_RMSE为5.236 g·kg^-1，验证集的R²为0.663，E_RMSE为7.798 g·kg^-1，性能与四分位数间距比R_PIQ达到了2.598，即模型具有很好的稳定性和预测能力。

针对地面三维激光扫描仪采集到的相邻测站点云存在空间特征关联,以及城市建筑群中含有大量的线面特征,提出一种基于对偶四元素描述的线面特征约束的点云配准方法,该方法在利用对偶四元素统一描述空间变换参数的同时考虑到尺度因子。将依据直线和平面存在的几何关系,以及线面相交所产生的交点与夹角等作为配准约束条件,构建出空间相似变换目标函数,利用最小二乘准构建出平差模型以计算空间相似变换相关参数。为了避免不恰当的初始值所导致的迭代不收敛问题,将Levenberg-Marquardt法应用于平差模型的解算。最后对该方法的正确性与可行性进行实验分析。结果表明,相较于仅考虑线特征或面特征约束的点云配准方法,所提方法的配准精度更高,并且采用Levenberg-Marquardt法解算平差模型能在任意给定的初始值下正确收敛。

山地环状构造能提供丰富的深部地质作用信息, 为深化对此特殊地质构造的探索研究, 基于GF-5卫星影像, 对禄丰恐龙谷南缘的环状构造进行土地利用/覆盖分类, 再对分类后的地类进行高光谱特征分析, 最后对环状构造内外的同种地类的高光谱特征进行差异分析。得到如下结论: 研究区内, 未利用地占比最大, 约36.14%, 主要以环状形式分布, 林地次之, 约29.03%, 草地占比17.80%; 对比光谱库数据, 6种地类的光谱曲线与相应特征地物的光谱曲线变化特征一致, 可知基于面向对象的分类结果具有效性; 环状构造内外的同种土地利用/覆盖类型的高光谱曲线整体变化趋势相似, 但仍存在差异。环状构造内外的未利用地、林地和草地的反射率差值最大分别为6.61%、4.33%和4.05%, 但也存在反射率差值仅为0.01%的波段。通过本文研究结果为建立滇中特殊地质构造的土地利用/覆盖类型的星载高光谱数据库提供理论依据和技术支持, 同时也为后续进行基于高光谱技术的深入研究和精细研究提供基础数据。0.<英文标题>Land use / cover classification and hyperspectral characteristics difference analysis of the circular structure in the south of Dinosaur Valley

针对野外扫描原始点云中存在各种形态噪声点和大量冗余数据,提出一种基于方法库、布料模拟滤波和曲率分级等综合算法运用的点云精简优化策略。首先利用统计滤波去除远距离稀疏的噪声点,然后利用直通滤波分割出含有近距离大密度噪声点的点云块,利用布料模拟滤波算法去除这类噪声点,再利用半径滤波去除目标点云周围近距离的噪声点,最后基于曲率分级压缩方法实现对点云冗余数据的去除,并与两种传统的压缩方法进行实验对比分析。实验结果表明,所提的精简优化策略能有效去除点云中的噪声点,在保留点云大部分特征点的同时,能最大化减少点云数据的冗余量,提高了点云模型重建的数据质量。