基于变换域的植被高光谱遥感综合反演研究-大地测量学与测量工程专业论文.docxVIP

万方数据 万方数据 致 谢 三年硕士研究生的学习和生活，书写了人生征程上宝贵的一笔。论文付梓之 际，衷心地感谢所有帮助、指导和关心过我的人。 首先感谢我的导师张连蓬教授。他是我求学道路上的指导者，更是我成长道 路上的引路人。本文是在张老师的悉心指导下完成的，从初期的论文定向到深入研 究，从论文开题到论文撰写，以及最终定稿，过程中都渗透了张老师对我的谆谆 教诲。张老师渊博的知识和严谨的科研态度，让我领悟到了从事科学研究的意义 和应持有的精神。他精益求精的工作作风以及淡然豁达的生活态度也深深地影响 着我，让我学会用认真地态度处理问题，用平衡的心态面对生活。在此，谨向我 的导师张连蓬教授和师母梁美娟老师表示最衷心的感谢！ 感谢赵长胜教授、康建荣教授、冯遵德教授、周兴东教授、王爱生教授、林 卉副教授、李行博士、梁亮博士、侯飞老师、杨小艳老师、李春梅老师等对我的 关心和帮助！感谢师姐马维维，师兄陈士城，师妹刘梦雪、杨苏新、夏美娟、周 兰兰和师弟夏志浩、邹涛、魏猛、欧阳斌、马晓君、丁振祥、陈冲！感谢李明哲、 李巍、陆益红、闻永俊和张蒙五个同学一起陪伴我走过研究生三年！感谢城乡规 划与设计研究院所有帮助我关心我的老师和同学们！ 衷心地感谢家人对我的支持与鼓励，感谢他们在物质和精神上提供的关心与 帮助。 本文得到了国家自然基金项目“植被高光谱遥感数据非线性细部特征信息提 取及应用”的支持与资助（项目批准号，同时得到了江苏省研究生创 新工程项目基金资助（项目批准号：CXZZ110910）和徐州师范大学研究生科研创 新计划项目基金资助（项目批准号：2011YLA009）。 本文采用的 PROSAIL 模型由 HYPERLINK http://teledetection.ipgp.jussieu.fr/prosail/%E6%8F%90%E4%BE%9B http://teledetection.ipgp.jussieu.fr/prosail/提供；实 验数据来自 ESAs Sentinel-3 Experiment。感谢瓦伦西亚大学地球物理学和热力学 学院、(西班牙语)国家耕地改革协会的 Aleixandre.Verger 先生。 最后，衷心感谢百忙之中评阅本论文并提出宝贵意见和建议的各位专家，感 谢参加答辩的各位老师和专家！ 摘 要 叶面积指数（LAI）是植被的重要结构参数之一，高光谱遥感使得大面积估测 LAI 成为可能。但是，高光谱数据波段多、波段间的强相关性等特点带来的数据冗 余，不仅消耗反演时间，也大大降低了数据利用效率。本文基于 PROSAIL 物理辐 射传输模型与神经网络相结合的综合反演方法，从变换域的角度出发，应用主成 分变换和偏最小二乘变换方法对高光谱遥感数据进行降维，然后，利用特征信息 反演 LAI，与高光谱全波段数据、特征波段数据反演作对比，并综合分析植被高光 谱遥感反演的影响因素。主要研究内容和结论如下： （1）训练数据的空间维数会影响 LAI 的反演结果。本文提出对原始数据进行 主成分变换和偏最小二乘变换，利用变换得到的特征信息反演 LAI，与全波段数据、 特征波段数据反演结果做比较，分析得出： ??PCA 变换和 PLS 变换可以实现数据降维，变换后的反演精度高于全波段反 演和特征波段反演，降低了反演误差方程的相关性，提高了反演算法的收 敛性和有效性； ? 土壤未知时，基于变换域的反演，可以改善基于特征波段反演中实测 LAI0.5 时反演 LAI 出现负值的现象，提高反演质量。 ? 偏最小二乘回归分析在提取能代替自变量和因变量的主要信息时，同时考 虑自变量和因变量之间的相关性。对全波段数据作偏最小二乘变换后，结 合神经网络建立反算模型反演 LAI，反演精度高于偏最小二乘回归分析建 立的多元回归模型。 （2）噪声使得模拟光谱更接近真实值，在基于 PCA 变换的反演中，用有噪 声的模拟数据建立的反算模型反演 LAI。土壤未知时，加噪声的模拟数据 PCA 变 换后反演 LAI 的最优精度高于无噪声数据，且达到该精度需要的主成分较少；土 壤已知时，加噪声数据达到最优反演精度的主成分个数小于无噪声数据，但最优 反演精度无提高。 （3）PCA 和 PLS 都具有抗噪能力。经过 PCA 变换和 PLS 变换后的模拟加噪 声数据的反演精度，高于全波段加噪声数据和无噪声数据的反演精度，尤其是 PLS 变换后的反演的最佳结果明显优于全波段数据反演最佳结果。 I 关键词：高光谱遥感反演；叶面积指数；PROSAIL 模型；神经网络；主成分分析； 偏最小二乘回归分析 II Abstract Leaf area index (LAI) is one of the important vegetation structural