1 福州大学地理与生态环境研究中心,福建 福州 350108
2 福州大学环境与安全工程学院,福建 福州 350108
3 福州大学数字中国研究院(福建),福建 福州 350108
4 福建省资源环境监测与可持续经营利用重点实验室,福建 三明 365004
5 空间数据挖掘与信息共享教育部重点实验室,福建 福州 350108
6 福州大学信息与通信工程博士后科研流动站,福建 福州 350108
高光谱图像具有波段连续、 维数高、 数据量大、 相邻波段相关性强的特点, 可为地物分类提供更为丰富的细节信息。 但是, 数据中存在大量冗余信息与噪声, 在图像分类中如直接利用其所有波段特征而不进行有效分析与选择, 将会导致较低的计算效率和较高的计算复杂度, 分类精度亦可能随着波段维数增加而出现先增后减的“休斯(Hughes)现象”。 为快速地从高达数十个甚至数百个波段的高光谱图像中提取出具有较好识别能力的特征子集, 从而避免“维度灾难”, 将过滤式ReliefF算法和封装式特征递归消除算法(RFE)相结合, 构建了ReliefF-RFE特征选择算法, 可用于高光谱图像分类的特征选择。 该算法根据权重阈值, 利用ReliefF算法快速剔除大量无关特征, 缩小并优化特征子集的范围; 利用RFE算法进一步搜索最优特征子集, 将缩小范围后的特征子集中与分类器关联性小、 冗余的特征进行递归筛选, 进而得到分类性能最佳的特征子集。 采用Indian pines数据集、 Salinas-A数据集与KSC数据集等3个标准数据集作为实验数据, 将ReliefF-RFE算法的应用效果与ReliefF和RFE算法进行对比。 结果显示, 在3个数据集中, 应用ReliefF-RFE算法的高光谱图像分类平均总体精度(OA)为92.94%、 F-measure为92.81%, Kappa系数为91.94%; ReliefF-RFE算法的平均特征维数是ReliefF算法的37%, 而平均运算时间则是RFE算法的75%。 由此表明, ReliefF-RFE算法能够在保证分类精度的同时, 克服过滤式ReliefF算法无法有效减小特征之间冗余以及封装式RFE算法时间复杂度较高的缺陷, 具有更为均衡的综合性能, 适用于高光谱图像分类的特征选择。
高光谱图像 特征选择 ReliefF算法 RFE算法 ReliefF-RFE算法 Hyperspectral image Feature selection ReliefF algorithm RFE algorithm ReliefF-RFE algorithm 光谱学与光谱分析
2022, 42(10): 3283
1 福州大学环境与安全工程学院，福建 福州 350108
2 福建省资源环境监测与可持续经营利用重点实验室，福建 三明 365004
3 空间数据挖掘与信息共享教育部重点实验室，福建 福州 350108
4 福州中谷海创科技发展有限公司，福建 福州 350108
5 福州大学先进制造学院，福建 泉州 362200
6 福州大学信息与通信工程博士后科研流动站，福建 福州 350108
7 福建农林大学公共管理学院，福建 福州 350002
8 南京大学国际地球系统科学研究所，江苏 南京 210023
叶绿素是反映绿色植被健康状态的重要生理参数, 虫害胁迫下叶绿素与叶光谱的变化机制较为复杂, 深入剖析二者关系对于虫害检测有重要意义。 以福建省南平市顺昌县为试验区, 测定不同受害情景下毛竹叶叶绿素含量(SPAD)与叶光谱, 采用Pearson相关法筛选叶光谱特征指标, 建立叶SPAD的多元线性回归、 岭回归、 随机森林与XGBoost估测模型。 通过比较光谱特征指标筛选结果及模型估测效果, 分析刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化。 结果表明: (1)随着虫害程度上升, 毛竹叶SPAD呈下降趋势; (2)较之于未受害状态, 刚竹毒蛾胁迫下毛竹叶光谱特征发生明显变化, “绿峰”和“红谷”趋于消失, “红边”斜率减小, 近红外波长反射率降低; (3)基于全样本拟合叶SPAD的最优光谱特征指标为VOG2, R515/R570, CIred, PRI与NDVI705, 最佳估测模型为多元线性回归模型(R2=0.753 7, RMSE=3.015 0); (4)基于不同受害程度样本拟合毛竹叶SPAD, 最优光谱特征指标分别为健康: CIred, VOG2, ARVI, R515/R570, DVI; 轻度: RENDVI, RERVI, REDVI; 中度: RENDVI, RERVI, REDVI; 重度: VOG2, CIred, NDVI705, PRI; 小年: PRI, NDVI705, VOG1, CIred。 最佳估测模型为多元线性回归模型, 模型精度分别为健康(R2=0.882 3; RMSE=1.638 8); 轻度(R2=0.180 2; RMSE=3.335 4); 中度(R2=0.360 4; RMSE=3.886 7); 重度(R2=0.467 7; RMSE=2.601 8); 小年(R2=0.732 4; RMSE=2.375 4)。 由此发现, 随着虫害等级上升, 毛竹叶光谱特征指标也随之改变, 关系模型估测精度呈现先急剧下降后缓慢抬升的态势, 模型对健康与小年叶SPAD估测效果较好, 对轻—中—重度危害叶SPAD估测效果较差; 当毛竹叶SPAD与叶光谱特征的关系趋向紊乱时, 预示可能有刚竹毒蛾危害发生。
虫害胁迫 叶绿素含量 叶光谱特征 相关分析 机器学习 Pest stress SPAD Spectral characteristics of leaves Correlation analysis Machine learning 光谱学与光谱分析
2022, 42(9): 2726
1 福州大学空间数据挖掘与信息共享教育部重点实验室，福建 福州 350108
2 卫星空间信息技术综合应用国家地方联合工程研究中心，福建 福州 350108
3 数字中国研究院（福建）福建 福州 35108
4 福州大学环境与安全工程学院，福建 福州 350108
刚竹毒蛾虫害检测对毛竹的生长和竹业的发展起着至关重要的作用。 根据高光谱冠层光谱信息与刚竹毒蛾虫害程度之间的关系, 提取冠层光谱中与虫害紧密相关的特征波长、 指数以及光谱参数等, 利用Fisher判别分析法建立刚竹毒蛾虫害程度检测模型。 分别以原始光谱的400~508, 586~693和724~900 nm处的波长、 包络线去除光谱的400~756 nm之间的特征波长、 9种冠层光谱植被指数和7种冠层特征光谱参数作为Fisher判别函数自变量, 构建判别函数。 收集300组毛竹叶片虫害样本数据, 随机划分为210组建模集与90组验证集, 根据检测精度、 Kappa系数以及判定系数R2作为检验标准, 对建立的判别函数进行效果评价与对比。 结果表明, 以原始光谱、 去包络线光谱、 冠层指数、 光谱参数为自变量建立的Fisher判别函数的检验精度分别为: 84.4%, 81.1%, 79.7%, 78.7%; Kappa系数分别为: 0.79, 0.74, 0.74, 0.76; R2分别为: 0.89, 0.88, 0.88和0.85。 由此可知, Fisher判别分析模型建立的函数具备很好的刚竹毒蛾虫害程度检测能力, 而且基于冠层原始光谱建立的判别函数检测效果最佳。 根据高光谱数据的冠层原始光谱建立的判别函数对福建省顺昌县大干镇武坊村的洋门和土垅村的上湖竹林进行刚竹毒蛾虫害程度检测。 检测结果为: 上湖两个样区的竹林以健康为主。 洋门两个样区虫害程度以中度和重度为主。 因此基于无人机高光谱遥感对于刚竹毒蛾虫害的大面积检测具有可行性, 该方法可为虫害检测的探究提供参考, 为基于冠层遥感虫害检测贡献理论支撑。
刚竹毒蛾 高光谱 冠层光谱 Fisher判别分析 Phyllostachys edulis Hyperspectral Canopy spectrum Fisher discriminant analysis 光谱学与光谱分析
2021, 41(10): 3200
1 南京大学国际地球系统科学研究所, 江苏 南京 210023
2 福州大学环境与资源学院, 福建 福州 350116
3 空间数据挖掘与信息共享教育部重点实验室, 福建 福州 350116
4 福州大学卫星空间信息技术综合应用国家地方联合工程研究中心, 福建 福州 350116
探讨刚竹毒蛾危害下的毛竹叶片光谱特征可为建立竹林生态安全监测体系提供重要的理论指导。 相比于传统的多光谱数据, 高光谱遥感能够准确探测不同刚竹毒蛾危害等级间寄主光谱的细微变化。 然而, 当前有关此方面的研究甚少, 其寄主的光谱变化机理还有待进一步总结。 为此, 基于实测的552条竹叶光谱, 分析了健康、 受刚竹毒蛾危害、 小年叶片之间的光谱差异, 选择可反映其健康状况的特征变量, 并利用XGBoost模型建立了叶片尺度的刚竹毒蛾危害检测模型。 研究结果显示: （1）随着虫害等级的上升, 受害叶片在可见光范围内的反射率逐渐出现“绿低红高”的特征, 其近红外波段的反射率则不断降低, 而短波红外的反射率则明显高于健康叶片, 尤其在两个水汽吸收波段（1 450和1 940 nm）的差异最为明显; （2）小年叶片于可见光-近红外波段的反射率显著高于健康、 受害叶片; （3）根据不同受害类型叶片的光谱特征可知, 较之健康叶片, 缺刻型叶片的光谱并未出现太大的变化, 红褐色病斑型叶片在红光波段的反射率出现了一定程度的上升, 灰白色病斑型叶片则已经完全失去了植被的基本光谱特征; （4）根据XGBoost模型给出的变量重要性排序可知, 各特征变量的贡献度依次为PRI（光化学反射率指数）＞FDVI576, 717（植被健康程度评估指数）＞NPCI（归一化色素叶绿素指数）＞DSWI（疾病水胁迫指数）＞VOG 1（红边指数1）＞RVSI（红边植被胁迫指数）＞NDWI（归一化差值水分指数）; （5）模型对刚竹毒蛾危害识别的总平均精度为74.39%, 其中健康叶片的识别精度达到了94.55%, 轻度危害叶片为74.93%, 重度危害为84.12%, 小年叶片则为71.10%, 而中度危害叶片的识别精度较差, 仅为33.48%。
森林虫害 遥感 光谱特征 刚竹毒蛾 Forest pest Remote sensing Spectral characteristics Pantana phyllostachysae Chao 光谱学与光谱分析
2021, 41(4): 1253
1 福州大学卫星空间信息技术综合应用国家地方联合工程研究中心, 福建 福州 350116
2 空间数据挖掘与信息共享教育部重点实验室, 福建 福州 350116
3 福州大学环境与资源学院, 福建 福州 350116
4 南京大学国际地球系统科学研究所, 江苏 南京 210093
叶绿素作为参与植被光合作用最重要的色素, 是监测毛竹虫害的一项重要指标。 通过对不同光谱数据集进行波长筛选, 建立虫害胁迫下竹叶叶绿素含量的高光谱估算模型, 为利用高光谱遥感监测毛竹虫害提供理论依据。 试验在福建省毛竹生产基地顺昌县进行, 使用ASD FieldSpec 3光谱仪采集不同虫害程度竹叶光谱102条, 并利用SPAD-502叶绿素计测定相应叶片叶绿素含量。 通过对比不同虫害程度竹叶的光谱特征, 探测利用高光谱数据估算叶绿素含量的机理。 对竹叶原始光谱（OS）进行包络线去除（CR）、 一阶导数（FD）、 包络线去除一阶导数（CR-FD）变换, 分析不同光谱数据与叶绿素含量的相关性, 并利用连续投影算法（SPA）分别提取4种光谱的特征波长。 采用基于x-y距离结合的样本划分法（SPXY）和随机法对4种光谱数据集进行划分, 结合多元逐步回归（MSR）建立竹叶叶绿素含量估算模型, 分析光谱变换及样本划分对估算叶绿素含量的影响。 结果表明, 不同虫害程度竹叶光谱反射率差异明显, 主要表现为可见光波段范围内的“绿峰”和“红谷”的逐渐消失, “红边”斜率减小, 近红外波长反射率降低。 通过光谱变换可有效提升光谱与叶绿素含量的相关性, 其中CR-FD光谱与叶绿素含量在724 nm处的相关系数最大。 经连续投影算法提取的不同光谱数据集的特征波长集中分布在绿光、 红光、 “红边”位置, 多个被选择波长位于与叶绿素含量相关性较高的波长区（600~750 nm）。 基于SPXY样本划分法建立的MSR模型相比于随机样本划分法能显著提升叶绿素含量的估算精度, 其中R2和RPD平均提高0.1和0.5, RMSE平均降低0.7。 以CR-FD光谱特征波长结合SPXY样本划分法建立的多元逐步回归模型对竹叶叶绿素含量的估算精度最高, R2, RMSE和RPD分别为0.835, 2.604和2.364, 可对虫害胁迫下毛竹叶片叶绿素含量进行准确的估算。
叶绿素含量 高光谱 光谱变换 波长筛选 SPXY样本划分 Chlorophyll content Hyperspectral Spectral transformation Characteristic wavelengths SPXY algorithm 光谱学与光谱分析
2020, 40(8): 2578
1 福州大学环境与资源学院, 福建 福州 350116
2 空间数据挖掘与信息共享教育部重点实验室, 福建 福州 350116
3 福建省水土流失遥感监测评估与灾害防治重点实验室, 福建 福州 350116
4 福建省资源环境监测与可持续经营利用重点实验室, 福建 三明 365004
5 福州大学信息与通信工程博士后科研流动站, 福建 福州 350116
6 福建省南平市延平区林业局, 福建 南平 353000
虫害检测算法研究是开展虫害快速、 准确监测, 制定精准森防检疫措施的重要基础。 以毛竹叶片为研究尺度, 基于刚竹毒蛾危害下的寄主外部形态与内部生理现象总结, 选择并实测叶损量LL、 相对叶绿素含量RCC、 相对含水量RWC、 原始光谱的733.66~898.56 nm值（ρ733.66~898.56）、 一阶微分光谱的562.95~585.25 nm值（ρ′562.95~585.25）与706.18~725.41 nm值（ρ′706.18~725.41）等理化参数, 随机划分实验组（63组）和验证组（37组）并设计5次重复实验; 分别运用Fisher判别分析、 BP神经网络、 随机森林等三种方法建立刚竹毒蛾危害等级的检测模型, 从检测精度、 Kappa系数及R2等指标对模型的检测效果予以分析和比较。 结果显示, Fisher判别分析、 BP神经网络、 随机森林的检测精度分别为69.19%, 65.41%, 83.78%, Kappa系数分别为0.576 9, 0.532 4和0.778 8, R2分别为0.722 2, 0.582 6和0.870 9, 总体而言, 三种方法均具备刚竹毒蛾危害的检测能力, 随机森林的检测效果最优, Fisher判别分析次之, 再次为BP神经网络; 从分等级来看, 随机森林的检测精度亦优于Fisher判别分析与BP神经网络, 但3种方法对中度危害等级的检测精度均有所不足。 该成果可为刚竹毒蛾危害及其他病虫害检测算法的选择提供参考, 并为进一步建立冠层、 遥感影像像元等尺度的虫害检测模型奠定基础。
刚竹毒蛾 毛竹叶片 Fisher判别分析 BP神经网络 随机森林 Pantana phyllostachysae Chao Moso bamboo leaves Fisher discriminant analysis BP neural networks Random forest
1 福州大学环境与资源学院, 福建 福州 350116
2 福州大学信息与通信工程博士后科研流动站, 福建 福州 350116
3 福建省资源环境监测与可持续经营利用重点实验室, 福建 三明 365004
4 空间数据挖掘与信息共享教育部重点实验室, 福建 福州 350002
5 福建省顺昌县国有林场, 福建 南平 353200
6 福建省南平市延平区林业局, 福建 南平 363000
旨在获取刚竹毒蛾危害下的毛竹叶片光谱特征波长, 以助于该虫害的有效、 准确识别。 将于福建省顺昌县实测的105条高光谱数据随机划分为实验组(71条)和验证组(34条)。 基于实验组数据, 利用单因素方差分析获取健康、 轻度危害、 中度危害、 重度危害等虫害等级间具有极显著差异的波长; 结合常用遥感卫星的波段设置对上述波长进行筛选, 采用欧式距离、 相关系数及光谱角匹配等3种方法判定其虫害判别能力, 获取特征波长, 并引入验证组样本对其予以验证。 结果表明: (1)受害叶片的光谱反射率明显低于健康叶片, 虫害等级越高, 其反射率越低; (2)受害叶片的光谱特征变化较大, 随着虫害等级的上升, 其光谱曲线中的“绿峰”及“红谷”趋于消失, “红边”斜率逐渐减小; (3)确定原始光谱703.43~898.56 nm及一阶微分光谱497.68~540.72, 554.53~585.25和596.24~618.23 nm为刚竹毒蛾危害下的毛竹叶片光谱特征波长, 其对该虫害具有较强的判别能力。 该研究从叶片尺度剖析了寄主对刚竹毒蛾的响应机理, 是“地-天”耦合的理论基础, 可为虫害遥感监测技术体系的建立提供重要依据。
刚竹毒蛾 毛竹叶片 特征波长 光谱微分 虫害判别能力 顺昌县 Pantana phyllostachysae Chao Moso bamboo leaves Characteristic wavelengths Derivative spectrum Shunchang County 光谱学与光谱分析
2018, 38(12): 3829
1 福州大学环境与资源学院, 福建 福州 350116
2 福建省资源环境监测与可持续经营利用重点实验室, 福建 三明 365004
3 空间数据挖掘与信息共享教育部重点实验室, 福建 福州 350116
4 福建省水土流失遥感监测评估与灾害防治重点实验室, 福建 福州 350116
5 福建省南平市延平区林业局, 福建 南平 353000
6 厦门市森林病虫害防治检疫站, 福建 厦门 361004
虫害检测算法的构建是耦合“地—天”特征的过程, 是实现其遥感监测的重要保障。 以福建省三明市、 将乐县、 沙县、 南平市延平区等4个县(区、 市)为试验区, 收集182组马尾松毛虫害样本数据, 随机划分为训练集与验证集, 设置5次重复试验及1次指标筛除试验。 结合马尾松毛虫危害下的寄主表征, 获取松林叶面积指数LAI、 叶面积指数标准误SEL、 归一化差值植被指数NDVI、 缨帽变换湿度轴WET及影像绿光波段B2、 红光波段B3、 近红外波段B4等7个地面与遥感特征指标, 建立其危害等级的Fisher判别分析与随机森林模型, 从检测精度、 Kappa系数、 ROC曲线等角度综合比较两种算法的检测效果, 并给予配对t检验。 结果表明: 7个指标均具备虫害响应能力, SEL和NDVI相对较弱; Fisher判别分析6次试验的虫害平均检测精度为73.26%, Kappa系数为0.631 9, 而RF法则分别为79.30%, 0.715 1, 显著优于前者(p＜0.05); RF法对无危害、 轻度危害、 中度危害3个虫害等级的检测精度、 Kappa系数、 AUC均显著高于Fisher判别分析(p＜0.05), 对于重度危害等级, Fisher判别分析则占优。 总体而言, RF法对马尾松毛虫害的检测效果优于Fisher判别分析, 但Fisher判别分析对重度危害等级有更高准确性且模型明确、 易于推广, 可综合应用两种算法开展虫害监测工作。 该成果为马尾松毛虫害及其他森林病虫害的有效检测提供技术参考, 奠定其遥感监测的基础。
马尾松毛虫害 Fisher判别分析 随机森林法 检测效果 “地—天”特征 Dendrolimus punctatus Walker damage Fisher discriminant analysis Random forest Detection effect “Ground-space” features 光谱学与光谱分析
2018, 38(9): 2888
1 福州大学 环境与资源学院,福建 福州 350116
2 空间数据挖掘与信息共享教育部重点实验室,福建 福州 350116
3 福建省水土流失遥感监测评估与灾害防治重点实验室,福建 福州 350116
4 福建省资源环境监测与可持续经营利用重点实验室,福建 三明 365004
以ALOS AVNIR-2、CBERS-02B CCD、HJ1A-CCD2、Landsat 7 ETM四幅中分辨率遥感影像为试验数据,分析明亮区植被、阴影区植被与水体区的光谱特征与差异,基于近红外波段与归一化植被指数NDVI,构建归一化阴影植被指数NSVI,并评价其光谱差异增强及分类效果.结果表明,NSVI大幅扩大了明亮区植被、阴影区植被、水体区间的光谱相对差异,降低光谱混淆概率；利用NSVI阈值法对四幅试验影像进行分类,总精度均大于97%,总Kappa在0.96以上,且阴影区植被的检测精度均在94%以上,总Kappa系数亦高于0.96.该指数利用地物在近红外波段的辐射差异,解决NDVI只能部分削弱地形影响的问题,扩大地物间的光谱差异,从而提升地物尤其是阴影检测的有效性,且不存在NDVI“易饱和”问题,可为遥感影像阴影去除提供一种新的解决方案.
归一化阴影植被指数 明亮区植被 阴影区植被 水体区 阴影检测 normalized shaded vegetation index(NSVI) bright vegetation area shaded vegetation area water area shadow detection
1 福州大学环境与资源学院, 福建 福州350108
2 福建农林大学3S技术应用研究所, 福建 福州350002
3 北京林业大学自然保护区学院, 北京100083
4 福建农林大学林学院, 福建 福州350002
5 三明学院, 福建 三明365000
林龄（龄组）是划分林分结构的主要指标之一, 其对监测森林健康, 推进森林可持续发展具有重要意义。 本文提出一种基于遥感数据的龄组植被指数（AGVI）, 并对其可行性进行验证。 以福建省三明市、 将乐县、 沙县、 南平市、 华安县、 云霄县、 南安市、 安溪县、 莆田市、 长汀县、 建阳市、 宁德市及福清市等13个县（市）518组松林龄组数据及同时相HJ-1 CCD多光谱影像为基础, 对各龄组松林冠层的蓝光、 绿光、 红光、 近红外及NDVI的光谱差异性进行分析, 各龄组在近红外波段表现为幼龄林＞中龄林＞过熟林＞成熟林＞近熟林的特征, NDVI则表现为成熟林＞近熟林＞过熟林＞幼龄林＞中龄林的特征, 由此构建龄组植被指数AGVI; 该指数可以扩大各龄组松林的绝对及相对光谱差异。 采用K-均值法对松林AGVI进行聚类分析, 结果显示, 松林龄组的划分精度为80.45%, 准确率为90.41%。 由此证实本文所构建的龄组植被指数具备有效性。
龄组植被指数 HJ-1 CCD影像 光谱特征 归一化差值植被指数 聚类分析 Age group vegetation index HJ-1 CCD image Spectral characteristics Normalized difference vegetation index Cluster analysis 光谱学与光谱分析
2014, 34(6): 1629
