传统线性回归模型在借助光谱信息进行土壤属性预测时,通常忽略了土壤自身所具有的空间异质性和依赖性,并且未考虑模型残差的空间结构。针对以上不足,该文以江汉平原232个土壤样本为研究对象,以土壤反射光谱为辅助变量,采用偏最小二乘回...传统线性回归模型在借助光谱信息进行土壤属性预测时,通常忽略了土壤自身所具有的空间异质性和依赖性,并且未考虑模型残差的空间结构。针对以上不足,该文以江汉平原232个土壤样本为研究对象,以土壤反射光谱为辅助变量,采用偏最小二乘回归、普通克里格、协同克里格以及回归克里格分别构建土壤有机碳密度预测模型,选取决定系数(R^2)、均方根误差、标准差与预测均方根误差比(ratio of performance to deviation,RPD)对模型预测精度进行对比评价。结果显示,结合高光谱信息,且同时考虑残差空间结构的回归克里格模型表现优于其他模型,预测决定系数R^2为0.617,RPD为1.614。鉴于土壤光谱信息同时还具有测定简单、省时、无损等优点,因此土壤光谱是土壤有机碳密度空间插值的理想辅助因子。展开更多
我国高光谱遥感技术的快速发展为开展大区域地物分类应用提供了充分保障。然而,如何在小样本下充分利用高光谱自身的空谱信息实现高精度的分类成为挑战。该文通过构建3D卷积自编码网络,以混合像元分解物理约束对模型进行引导,从而实现...我国高光谱遥感技术的快速发展为开展大区域地物分类应用提供了充分保障。然而,如何在小样本下充分利用高光谱自身的空谱信息实现高精度的分类成为挑战。该文通过构建3D卷积自编码网络,以混合像元分解物理约束对模型进行引导,从而实现在准确估计端元丰度的同时获得对规则化的高光谱空谱特征的有效表达,结合支持向量机分类器实现在小样本条件下的高光谱分类。实验中,采用包括监督分类方法在内的多种传统高光谱图谱特征提取及分类方法进行对比验证,并对比了不同模型在不同采样率下的分类性能表现。实验结果表明,所提出的高光谱分类方法具有明显的精度优势,其中平均交并比(mean intersection over union,mIoU)达到0.829,相对于传统分类方法精度有明显提升;在1/200采样率下mIoU值依然能接近0.8,优于同类方法,证实了该文方法在小样本条件下依然具有较好的鲁棒性,为解决小样本下高光谱分类问题提供了技术参考。展开更多
文摘传统线性回归模型在借助光谱信息进行土壤属性预测时,通常忽略了土壤自身所具有的空间异质性和依赖性,并且未考虑模型残差的空间结构。针对以上不足,该文以江汉平原232个土壤样本为研究对象,以土壤反射光谱为辅助变量,采用偏最小二乘回归、普通克里格、协同克里格以及回归克里格分别构建土壤有机碳密度预测模型,选取决定系数(R^2)、均方根误差、标准差与预测均方根误差比(ratio of performance to deviation,RPD)对模型预测精度进行对比评价。结果显示,结合高光谱信息,且同时考虑残差空间结构的回归克里格模型表现优于其他模型,预测决定系数R^2为0.617,RPD为1.614。鉴于土壤光谱信息同时还具有测定简单、省时、无损等优点,因此土壤光谱是土壤有机碳密度空间插值的理想辅助因子。
文摘我国高光谱遥感技术的快速发展为开展大区域地物分类应用提供了充分保障。然而,如何在小样本下充分利用高光谱自身的空谱信息实现高精度的分类成为挑战。该文通过构建3D卷积自编码网络,以混合像元分解物理约束对模型进行引导,从而实现在准确估计端元丰度的同时获得对规则化的高光谱空谱特征的有效表达,结合支持向量机分类器实现在小样本条件下的高光谱分类。实验中,采用包括监督分类方法在内的多种传统高光谱图谱特征提取及分类方法进行对比验证,并对比了不同模型在不同采样率下的分类性能表现。实验结果表明,所提出的高光谱分类方法具有明显的精度优势,其中平均交并比(mean intersection over union,mIoU)达到0.829,相对于传统分类方法精度有明显提升;在1/200采样率下mIoU值依然能接近0.8,优于同类方法,证实了该文方法在小样本条件下依然具有较好的鲁棒性,为解决小样本下高光谱分类问题提供了技术参考。
