5-高光谱遥感-反演建模
合集下载
高光谱遥感
光谱范围 400~850nm 采样间隔 1.8nm 光谱分辨率 <5nm 瞬时视场角 1.5mrad 行象元数 376 信噪比 ~200
• 中国：MAIS、PHI、OMIS-1（10个热波段）、 中国： 个热波段）、 、 、 （ 个热波段 CMODIS（神舟III号） 、Env-DD（环境灾害小卫星） （神舟 号 （环境灾害小卫星）
三、高光谱遥感技术优势与局限性
优势 1：充分利用地物波谱信息资源 ：
图 不同波谱分辨率对水铝反射光谱曲线
优势 2： 利用波形 精细光谱特征进行分类与识别地物 ： 利用波形/精细光谱特征进行分类与识别地物
Al-OH
Paragonite
Muscovite
Phengite
三种类型的白云母精细光谱特征
岩石的光谱发射率特征
航空高光谱遥感飞行设计图
（2）光谱特征参数定量分析技术 ）
不同水分含量的叶片的光谱反射率
RWC(%)=24.5+7.13*面积 (R2=0.845)
（3）光谱匹配技术（二值编码） ）光谱匹配技术（二值编码） • 岩矿光谱分类与识别
岩石和矿物
2.15-2.31微米 粘 土 矿 2.24-2.31微米 Mg-OH 对称性>1 滑石 2.15-2.19微米 叶蜡石 2.31-2.35微米 碳 酸 盐
优势 3： 利用图 谱实现自动识别地物并制图 ： 利用图-谱实现自动识别地物并制图
局限1：海量数据的传输、 局限 ：海量数据的传输、处理与存储 128波段的 波段的OMIS: 采集数据速率 采集数据速率60Mb/s；400Mb/km2 波段的 ；
高光谱遥感信息的图像立方体表达形式是一种新 高光谱遥感信息的图像立方体 表达形式是一种新 型的数据存储格式， 型的数据存储格式，其正面图像是由沿飞行方向的扫 描线合沿扫描方向的像元点组成的一景优选的三波段 合成的二维空间彩色影像； 合成的二维空间彩色影像；其后面依次为各单波段的 图象叠合，其数据量为所有波段图像的总和； 图象叠合，其数据量为所有波段图像的总和；位于图 像立方体边缘的信息表达了各单波段图像最边缘各像 元的地物辐射亮度的编码值或视反射率。 元的地物辐射亮度的编码值或视反射率。
• 中国：MAIS、PHI、OMIS-1（10个热波段）、 中国： 个热波段）、 、 、 （ 个热波段 CMODIS（神舟III号） 、Env-DD（环境灾害小卫星） （神舟 号 （环境灾害小卫星）
三、高光谱遥感技术优势与局限性
优势 1：充分利用地物波谱信息资源 ：
图 不同波谱分辨率对水铝反射光谱曲线
优势 2： 利用波形 精细光谱特征进行分类与识别地物 ： 利用波形/精细光谱特征进行分类与识别地物
Al-OH
Paragonite
Muscovite
Phengite
三种类型的白云母精细光谱特征
岩石的光谱发射率特征
航空高光谱遥感飞行设计图
（2）光谱特征参数定量分析技术 ）
不同水分含量的叶片的光谱反射率
RWC(%)=24.5+7.13*面积 (R2=0.845)
（3）光谱匹配技术（二值编码） ）光谱匹配技术（二值编码） • 岩矿光谱分类与识别
岩石和矿物
2.15-2.31微米 粘 土 矿 2.24-2.31微米 Mg-OH 对称性>1 滑石 2.15-2.19微米 叶蜡石 2.31-2.35微米 碳 酸 盐
优势 3： 利用图 谱实现自动识别地物并制图 ： 利用图-谱实现自动识别地物并制图
局限1：海量数据的传输、 局限 ：海量数据的传输、处理与存储 128波段的 波段的OMIS: 采集数据速率 采集数据速率60Mb/s；400Mb/km2 波段的 ；
高光谱遥感信息的图像立方体表达形式是一种新 高光谱遥感信息的图像立方体 表达形式是一种新 型的数据存储格式， 型的数据存储格式，其正面图像是由沿飞行方向的扫 描线合沿扫描方向的像元点组成的一景优选的三波段 合成的二维空间彩色影像； 合成的二维空间彩色影像；其后面依次为各单波段的 图象叠合，其数据量为所有波段图像的总和； 图象叠合，其数据量为所有波段图像的总和；位于图 像立方体边缘的信息表达了各单波段图像最边缘各像 元的地物辐射亮度的编码值或视反射率。 元的地物辐射亮度的编码值或视反射率。
基于高光谱遥感的土壤有机质反演模型研究进展
设施农业2023-0727农业工程技术（设施农业）基于高光谱遥感的土壤有机质反演模型研究进展*摘要:利用高光谱遥感反演土壤有机质与传统的化学分析方式有很大的优势，促进现代农业的发展。
国内外利用高光谱反演土壤有机质含量模型进行了大量的研究，从最初的线性回归模型发展到如今较为复杂的非线性模型，该文总结了常见的高光谱对有机质含量建模方法与模型特点。
通过分析总结前人的研究发现，目前土壤有机质含量模型研究进展主要有运用的模型复杂化、反演模型的评价方法多样化、多种建模方法综合应用及深度学习大数据分析新技术更加普遍。
关键词: 高光谱遥感；土壤有机质含量；反演模型土壤有机质是衡量土壤肥力的重要指标，是维持农业健康发展、土地质量评价的重要考虑因素[1]。
传统的土壤有机质化学测定方法试剂消耗量大、具有一定危险性、对操作人员有专业性要求等原因，难以做到迅速、大规模和周期性地土壤有机质含量测定[2]。
而高光谱遥感可以快速地进行大范围、周期性、快速的特点受到人们的关注。
利用高光谱反演土壤有机质含量最重要的是建立土壤高光谱信息与有机质含量之间的联系。
目前利用高光谱遥感反演土壤有机质含量的模型中，大体可以分为两大类。
一类是线性模型。
例如：偏最小二乘法，多元线性回归模型；另一类是非线性模型。
例如：反向神经网络，随机森林，支持向量机等。
根据目前的研究进展，总结了现阶段利用高光谱遥感反演土壤有机质含量方法和模型的特点。
1 土壤有机质的高光谱反演模型发展历程1965年，Bowers 等[3]开始研究土壤与光谱反射之间的关系时就发现土壤有机质含量与光谱反射之间存在负相关的关系。
21世纪前，主要是研究土壤有机质与高光谱反射率之间的定性关系上的研究，处于探索阶段，研究样本数量较少，使用的模型主要以多元线性回归，偏最小二乘回归等线性方法为主[4]。
近年来随着研究的深入与研究工具的进步，更多的模型方法，研究方式的韦森超1，梁立恒1，董炜华1**，李晓强1，邓守奇1,2（1.长春师范大学地理科学学院，吉林 长春 130123；2.长春文理高中，吉林 长春 130062）改进，比如机器学习与深度学习[5]。
高光谱遥感的概念
定量反演与模型模拟技术
定量反演
利用高光谱数据反演地物参数， 如叶绿素含量、地表温度等。
模型模拟
建立地物光谱模型，模拟地物光 谱特征，用于预测和模拟。
参数优化
对反演和模拟的参数进行优化， 提高结果的准确性和可靠性。
04
高光谱遥感的应用案例
农业应用案例
作物分类与识别
土壤质量评估
高光谱遥感能够通过分析不同作物反射 的光谱特征，实现对农作物的精细分类 和识别，有助于精准农业的实施。
图像融合
将多源遥感数据融合，提 高信息量和分辨率。
图像增强
通过对比度拉伸、色彩映 射等手段，改善图像的可 视化效果。
特征提取与分类技术
特征提取
从高光谱数据中提取地物 光谱特征，如光谱曲线、 谱带宽度等。
分类识别
利用提取的特征进行地物 分类，识别不同类型地物。
精度评估
对分类结果进行精度评估， 提高分类准确率。
高光谱遥感的概念
目
CONTENCT
录
• 引言 • 高光谱遥感的原理 • 高光谱遥感的关键技术 • 高光谱遥感的应用案例 • 高光谱遥感的未来发展
01
引言
什么是高光谱遥感
高光谱遥感是一种利用光谱信息对地球表面进行观测和监测的技 术。它通过卫星、飞机或其他遥感平台搭载的高光谱传感器，获 取地表反射、发射和散射的光谱数据，从而实现对地物的精细识 别和分类。
高光谱遥感的数据获取方式
采集方式
通过卫星或飞机搭载高光谱传 感器进行数据采集。
数据处理
对采集的高光谱数据进行预处 理、特征提取和分类识别等操 作。
应用领域
农业、环境监测、城市规划、 地质勘察等领域。
03
第9章-高光谱遥感(张良培)
通过遥感手段来反演：气溶胶的光学厚度， 总悬浮物浓度和可吸入颗粒物浓度是研究最 多的内容。
41
2）监测臭氧，SO2，NO2 臭氧能大量吸收太阳紫外线，形成一个臭氧 保护层，从而降低太阳的短波辐射强度，保 护地球生物和人类。 SO2，NO2来自于地球表面，比如尾气排 放，生物体燃烧等，监测它们在大气的含量 实际上就是分析他们在不同波段范围的特 性。
3
1）Pearson等于1972年提出了比值植被指数RVI，它是基于 植被在红光波段处叶绿素强烈吸收太阳光谱，而在近红外波 段处植被叶细胞结构强烈反射太阳光谱这一植被的生物物理 机理而提出的。
RVI NIR R
缺点：RVI没有考虑大气等外部环境的影响，因此RVI对大气 影响很敏感。由于没有考虑土壤背景的影响，只适用于植被 覆盖浓密的情况，当植被分布较稀疏时，RVI效果并不理想。
（3）开展农作物的长势监测及产量预测。 （4）研究遥感信息模型。 （5）利用植被指数进行地表覆盖分析。 （6）灾害预测。
23
作物的参数反演
常规的作物参数测定是将样本从农田运输到实验室进 行测定，这具有破坏性。高光谱仪通过测定农作物的 反射率，透射率和吸收率进行作物的参数反演。
主要反演的参数包括： （1）氮素：决定生长发育的营养。
21
油气渗漏探测
当石油在地表的侵入点明显而且范围较大的时候，高 光谱遥感的发展为油气管线渗漏监测提供了有效的解 决方案。
油气渗漏和土壤混杂点很难被多光谱遥感监测到，原 因在于它们被其他材料所冲淡。而高光谱遥感器提供 了充足的光谱分辨率，可以在可见光，近红外，短波 红外提供大量的光谱数据。
国外政府的投入很大，大的石油公司都有一套完备的 高光谱遥感油气管道监测系统。
41
2）监测臭氧，SO2，NO2 臭氧能大量吸收太阳紫外线，形成一个臭氧 保护层，从而降低太阳的短波辐射强度，保 护地球生物和人类。 SO2，NO2来自于地球表面，比如尾气排 放，生物体燃烧等，监测它们在大气的含量 实际上就是分析他们在不同波段范围的特 性。
3
1）Pearson等于1972年提出了比值植被指数RVI，它是基于 植被在红光波段处叶绿素强烈吸收太阳光谱，而在近红外波 段处植被叶细胞结构强烈反射太阳光谱这一植被的生物物理 机理而提出的。
RVI NIR R
缺点：RVI没有考虑大气等外部环境的影响，因此RVI对大气 影响很敏感。由于没有考虑土壤背景的影响，只适用于植被 覆盖浓密的情况，当植被分布较稀疏时，RVI效果并不理想。
（3）开展农作物的长势监测及产量预测。 （4）研究遥感信息模型。 （5）利用植被指数进行地表覆盖分析。 （6）灾害预测。
23
作物的参数反演
常规的作物参数测定是将样本从农田运输到实验室进 行测定，这具有破坏性。高光谱仪通过测定农作物的 反射率，透射率和吸收率进行作物的参数反演。
主要反演的参数包括： （1）氮素：决定生长发育的营养。
21
油气渗漏探测
当石油在地表的侵入点明显而且范围较大的时候，高 光谱遥感的发展为油气管线渗漏监测提供了有效的解 决方案。
油气渗漏和土壤混杂点很难被多光谱遥感监测到，原 因在于它们被其他材料所冲淡。而高光谱遥感器提供 了充足的光谱分辨率，可以在可见光，近红外，短波 红外提供大量的光谱数据。
国外政府的投入很大，大的石油公司都有一套完备的 高光谱遥感油气管道监测系统。
高光谱遥感成像系统
aviris data
33
近年来，有代表性旳新产品
34
热红外成像光谱仪
35
几种常见旳航空高光谱成像仪
36
37
38
2）航天成像光谱仪
在经过航空试验和成功运营应用之后，90年代末期终于迎来了高 光谱遥感旳航天发展。1999年美国地球观察计划（EOS）旳Terra 综合平台上旳中辨别率成像光谱仪（MODIS），欧洲环境卫星 （ENVISAT）上旳MERIS，以及欧洲旳CHRIS卫星相继升空，宣 告了航天高光谱时代旳来临。
39
美国对航天成像光谱技术旳研究一直遥遥领先 ，但是发展之路也并非一
帆风顺，全球第一种星载高光谱成像器于1997 年在NASA伴随Lewis卫星
发射升空，它包括了384个波段涵盖了4002500nm波段，不幸旳是这颗
卫星控制出现问题，失去了动力，升空一种月 后就偏离了轨道。2023年
旳Orbview-4卫星发射失败，但是经过数年旳
31
80年代早期高光谱航天成像光谱仪
32
AVIRIS
航空可见光/红外成像光谱仪AVIRIS。 80年代后期，美国喷气推动研究室（JPL） 制成机载可见红外成像光谱仪（AVIRIS） 旳完整样机。该成像光谱仪可在0.4μm～ 2.45μm旳波长范围获取224个连续旳光谱 波段图像。波段宽度10nm。当飞机在20km 高空飞行 时，图像地面辨别率可达20m。
19
四.光谱成像旳方式
完毕成像方式是一种集探测技术，精密光学机械，薄弱信 号探测，计算机技术及信息处理技术等为一体旳综合性技 术。其中硬件技术旳成熟会不断推动成像光谱技术旳提升， 所以有必要对于成像光谱旳硬件技术进行了解。
高光谱遥感旳成像涉及空间维成像和光谱维成像。
33
近年来，有代表性旳新产品
34
热红外成像光谱仪
35
几种常见旳航空高光谱成像仪
36
37
38
2）航天成像光谱仪
在经过航空试验和成功运营应用之后，90年代末期终于迎来了高 光谱遥感旳航天发展。1999年美国地球观察计划（EOS）旳Terra 综合平台上旳中辨别率成像光谱仪（MODIS），欧洲环境卫星 （ENVISAT）上旳MERIS，以及欧洲旳CHRIS卫星相继升空，宣 告了航天高光谱时代旳来临。
39
美国对航天成像光谱技术旳研究一直遥遥领先 ，但是发展之路也并非一
帆风顺，全球第一种星载高光谱成像器于1997 年在NASA伴随Lewis卫星
发射升空，它包括了384个波段涵盖了4002500nm波段，不幸旳是这颗
卫星控制出现问题，失去了动力，升空一种月 后就偏离了轨道。2023年
旳Orbview-4卫星发射失败，但是经过数年旳
31
80年代早期高光谱航天成像光谱仪
32
AVIRIS
航空可见光/红外成像光谱仪AVIRIS。 80年代后期，美国喷气推动研究室（JPL） 制成机载可见红外成像光谱仪（AVIRIS） 旳完整样机。该成像光谱仪可在0.4μm～ 2.45μm旳波长范围获取224个连续旳光谱 波段图像。波段宽度10nm。当飞机在20km 高空飞行 时，图像地面辨别率可达20m。
19
四.光谱成像旳方式
完毕成像方式是一种集探测技术，精密光学机械，薄弱信 号探测，计算机技术及信息处理技术等为一体旳综合性技 术。其中硬件技术旳成熟会不断推动成像光谱技术旳提升， 所以有必要对于成像光谱旳硬件技术进行了解。
高光谱遥感旳成像涉及空间维成像和光谱维成像。
高光谱技术在农业遥感中的应用研究进展
高光谱技术在农业遥感中的应用研究进展茅恒昌（北京师范大学资源与环境学院，北京 100875）摘 要：随着生活质量要求的逐渐提升，高光谱技术在现代农业的发展中起到重要的作用。
文章通过对高光谱技术在农业遥感中的应用现状进行分析，以此深入研究高光谱技术在农业遥感中应用。
通过农业作物产量品质、生长情况以及生长性状进行全面的发展。
通过对现阶段研究情况的总结和分析，推动高光谱技术在农业遥感中的应用，从根本上提升国家农业种植的综合能力。
关键词：高光谱技术；农业遥感；生长性状中图分类号：S127 文献标志码：A 文章编号：1672-3872（2017）22-0088-01——————————————作者简介： 茅恒昌（1983-），男，安徽阜阳人，硕士在读，研究方向：农业遥感。
1 高光谱技术在农业遥感中的发展方向现阶段，精细农业成为国家农业现代化发展的主要目标和方向，而高光谱遥感技术在农业监测方面展现出来的快速高效、精准无损的特点，让其成为农业遥感监测中的重要应用手段。
精细农业是一种结合信息、生物以及工程等多种高新技术为一体的现代化农业管理手段，通过科学系统的管理方法提高农业资源的利用效率，在保证环境无污染的情况下，提升农产品的产量和质量。
考虑到精细农业对数据和信息的需求，传统的分析方法无法满足现代化农业发展，因此将遥感技术、地理信息系统、全球定位系统都应用到农业监测中。
农业遥感属于这三种技术其中之一，根据监测的不同类型分为农作物的土壤成分遥感信息模型、作物灾害估计遥感分析模型等。
而高光谱技术作为遥感技术中的重要手段，在国家现代化精细农业的发展中得到了广泛的应用。
利用高光谱技术获取相比传统分析技术中更加完整准确的农业作物参数，为农业作物的管理和种植提供保障。
2 高光谱技术在农业遥感中的具体应用2.1 农业作物生长长势监测1）叶面积指数。
高光谱遥感技术因为不会对作物造成破坏的特点，因而被应用到监测作物的叶面积上，弥补传统获取农业作物叶面积指数的耗时过长等缺点，以最小的破坏，获取最精准的叶面积指数。
2024版ENVI高光谱处理培训教材
噪声白化
MNF首先对数据进行白化处理， 使得不同波段的噪声具有相同的
方差。
2024/1/24
信号提取
通过迭代计算，逐步提取出信号成 分，实现信号与噪声的分离。
数据降维
MNF变换后，数据被压缩到较少的 波段中，便于后续处理和分析。
14
04
高光谱数据分类与目标识 别
2024/1/24
15
分类算法原理及实现
应用领域
广泛应用于农业、林业、地质、环境、 城市规划等领域，如作物长势监测、森 林类型识别、矿产资源勘查、环境污染 监测等。
2024/1/24
5
ENVI软件在高光谱处理中优势
强大的数据处理能力
丰富的信息提取方法
ENVI软件支持多种高光谱数据格式，提供丰 富的数据处理工具，如辐射定标、大气校正、 正射校正等。
2024/1/24
10
03
高光谱图像增强与变换
2024/1/24
11
图像增强方法介绍
01
02
03
直方图均衡化
通过拉伸像素强度分布， 增强图像的对比度，使图 像更加清晰。
2024/1/24
空间域滤波
利用滤波器对图像进行空 间域卷积，实现图像平滑、 锐化等效果。
频域增强
将图像转换到频率域，对 频率成分进行操作，如低 通、高通滤波等，再转换 回空间域。
2024/1/24
17
非监督分类方法
1 2
K均值聚类法 将高光谱数据划分为K个簇，通过迭代更新簇中 心和像素归属，使得同一簇内像素相似度最大， 不同簇间相似度最小。
ISODATA聚类法 在K均值聚类基础上引入类别合并和分裂操作， 自适应地调整类别数目和聚类中心，提高聚类效 果。
MNF首先对数据进行白化处理， 使得不同波段的噪声具有相同的
方差。
2024/1/24
信号提取
通过迭代计算，逐步提取出信号成 分，实现信号与噪声的分离。
数据降维
MNF变换后，数据被压缩到较少的 波段中，便于后续处理和分析。
14
04
高光谱数据分类与目标识 别
2024/1/24
15
分类算法原理及实现
应用领域
广泛应用于农业、林业、地质、环境、 城市规划等领域，如作物长势监测、森 林类型识别、矿产资源勘查、环境污染 监测等。
2024/1/24
5
ENVI软件在高光谱处理中优势
强大的数据处理能力
丰富的信息提取方法
ENVI软件支持多种高光谱数据格式，提供丰 富的数据处理工具，如辐射定标、大气校正、 正射校正等。
2024/1/24
10
03
高光谱图像增强与变换
2024/1/24
11
图像增强方法介绍
01
02
03
直方图均衡化
通过拉伸像素强度分布， 增强图像的对比度，使图 像更加清晰。
2024/1/24
空间域滤波
利用滤波器对图像进行空 间域卷积，实现图像平滑、 锐化等效果。
频域增强
将图像转换到频率域，对 频率成分进行操作，如低 通、高通滤波等，再转换 回空间域。
2024/1/24
17
非监督分类方法
1 2
K均值聚类法 将高光谱数据划分为K个簇，通过迭代更新簇中 心和像素归属，使得同一簇内像素相似度最大， 不同簇间相似度最小。
ISODATA聚类法 在K均值聚类基础上引入类别合并和分裂操作， 自适应地调整类别数目和聚类中心，提高聚类效 果。
遥感模型与反演方法
(d)
(e)
(f)
Hale Waihona Puke 不同植被类型的BRDF(GOMS模型)
conifer(a,d) savanna(b,e) shrubland(c,f) 红光波段（a-c） 近红外波段（d-f）
=55º
Li-Strahler几何光学-辐射传输混合模型GORT 由于几何光学模型和辐射传输模型分别在不同的尺度上 具有各自的优势，李小文和 Strahler 充分利用几何光学模型 在解释阴影投射面积和地物表面空间相关性上的基本优势， 在纯 GO 模型和不连续植被间隙率模型的基础上，用辐射传输 方法求解多次散射对各面积分量亮度的贡献，分两个层次来 建立承照面与阴影区反射强度的辐射传输模型，并以间隙率 模型作为联系二者的关键。
（1）辐射传输模型
电磁波从辐射源到目标的传输过程，表示为观测方向 ｓ 上 关于辐亮度Ｉ的辐射传输方程：
dI ( s ) K (I J ) ds
K－消光系数，Ｊ－源函数。 将辐射传输方程写作微积分形式：
I ( , s ) I ( , s ) ( / 4 ) P( s, s' ) I ( , s' )d' ( r, s ) /
李一 Strahler(1985， 1986) 根据稀疏林的实际情况，抛 弃了“小几何体”假定，直接用森林结构参数计算四个分量随 太阳角和观察角变化，建立了遥感像元尺度的天然林BRDF模型。
典型的几何光学模型为景合成模型：
R(v) ki (v)Ri (v)
其中，R(v) 为冠层的反射率，v 表示为光照方向和观察方向的 函数，Ri(v) 为冠层组分的反射率，Ki(v)表示为冠层结构参数 的函数。
多角度遥感提供多个方向的观测数据，相比单一方向观测 提供了更多的信息，多角度观测信息的利用要求对植被冠层二 向性反射特征的描述 －冠层反射的BRDF 模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
▪ 5.1 反演建模的基本流程 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
5.2 一元回归分析模型
一元线性回归模型：
回归分析方法，是研究要素之间具体的数量关系的一种强有力的 工具，运用这种方法能够建立反映光谱特征与研究要素之间具体的数 量关系的数学模型，即回归模型。
二、实验要求 1、利用包络线去除法提取的因子建立神经网络反演模型； 2、利用对数的一阶微分变换提取的因子建立神经网络模型； 3、调整神经网络中间层数、结点数，比较模型精度。
三、实验报告 1、实验目的；2、实验结果； 3、结果分析
5.4 非线性分析反演模型
三、模糊综合预测法： 1、基本原理
5.4 非线性分析反演模型
根据光谱信息和样本数据，判断每个像元对应研究对象的大小， 属于模式识别问题。
5.4 非线性分析反演模型
一、模式识别：
问题1: 如何建立模式 问题2：如何判定从待识别对象与已知模式相同或相近。
建立模式方法： 1）根据经验直接给出标准（如优、良、中；三好学生；划定级 别），分单因素与多因素模式。 2）从大量的样本数据中寻找，即分类、根据类间的差异性提炼 模式的特性。 3）研究算法，分类的依据，如距离、相似度、相像度
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
模式识别的基本步骤： 1）确定研究对象（Y) 2) 确定影响识别的指标(X) 3）建立模式库 4）确定待识别的对象 5）对指标进行归一化处理 6）确定指标的权重 7）计算距离或贴近度 8）寻找最大的贴近度 9）判别待识别对象与那个已知模式最接近 10）对预测进行修正 11）计算预测精度
5.1 反演建模的基本流程
光谱反演：
根据地物在不同波段上的光谱响应特性，通过光谱分 析确定敏感波段并提取光谱特征（x），根据光谱特征与研 究对象（y）间的相关性，建立关系式 y=f ( x)，再根据区 域的遥感图像信息估测对象（y）的空间分布规律。
5.1 反演建模的基本流程
光谱反演的流程：
有机质反演结果的空间表达
VB 调用Excel表单sheet的方法：2)保存数据文件（退出）
VB 调用Excel表单sheet的方法：3)打开数据文件
VB 调用Excel表单sheet的方法：4)打开数据文件
实验项目四
一、实验目的 1、掌握一元线性回归光谱反演建模方法； 2、掌握了利用Excel表功能建立简单模型的方法.
光谱特征与研究要素之间的关系，既有线性的，也有非线性的。
但许多非线性模型，都可以通过变量替换将其转化为线性模型来处 理。
因此，下面主要介绍一元线性回归模型。
5.2 一元回归分析模型
5.2 一元回归分析模型
5.2 一元回归分析模型
5.2 一元回归分析模型
可线性化的一元非线性回归模型：
5.2 一元回归分析模型
一元线性回归模型：异常样本的剔除方法
1）绘制散点图； 2）观察异常点并剔除
5.2 一元回归分析模型
一元线性回归模型：异常样本的剔除方法
1）绘制散点图； 2）观察异常点并剔除
5.2 一元回归分析模型
一元线性回归模型：示例分析
利用Excel绘图功能 ，散点图会好后，利用右手键，弹出对话窗
VB 调用Excel表单sheet的方法：1）新建表单，写入数据
三、实验报告 1、实验目的；2、实验结果； 3、结果分析
高光谱反演建模
▪ 5.1 反演建模的基本程序 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
5.4 非线性分析反演模型
高光谱反演分析中的问题：
1. 获取的高光谱数据受到众多因素的影响，虽可消减，但误差仍存在。 2. 光谱特征分析方法很多，但提取的光谱特征具有特殊性和多样性。 3. 光谱特征与研究对象之间具有一定的相关性，但属于统计规律，很难寻找。 4. 研究对象与光谱特征之间不存在严格的线性关系，线性分析具有局限性。
第五章
、高光谱遥感_反演建模方法
高光谱反演建模
▪ 5.1 反演建模的基本流程 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
高光谱反演建模
▪ 5.1 反演建模的基本流程 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
35
R2 = 0.8251
30
25
20
15
10
5
0
0
5
10
15
20
25
30
35
40
45
实测值
实验项目五
一、实验目的 1、掌握多元线性回归光谱反演建模方法； 2、掌握了DPS软件的基本操作方法.
二、实验要求 1、利用包络线去除法提取的参数建立多元线性反演模型； 2、利用对数的一阶微分变换提取的参数建立多元线性反演模型； 3、对比分析不同参数组合预测的精度。
5.1 反演建模的基本流程
光谱反演的常用方法：遥感影像信息提取方法
5.1 反演建模的基本流程
光谱反演的常用方法：分析建模方法
单因子相关分析
因子分析多因子综合分析
主成分分析
建模分析统计分析概 统率 计模 模型 型多 马 多 一 参元 尔 元 元 数马 科 回 回 估尔 夫 归 归 计科 链 模 模夫 型 型链非 线 非 线线 性 线 性性 模 性 模模 型 模 型型 型逐 线高 非 系 步 性次 线 统 回 回多 性 聚 归 归项 映 类 模 模式 射 型 型
神经网络法
非统计分析小 灰 模波 色 糊分 关 识析 联 别（ 识 法傅 别里 法叶变换）
5.1 反演建模的基本流程
光谱反演模型的检验方法：
1. 相对误差
e yˆ y % y
2. 平均相对误差
E
1 n
n
| 1 反演建模的基本流程
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.4 非线性分析反演模型
二、BP神经网络法： 土壤含水量估测（隐含层1层时）
5.4 非线性分析反演模型
二、BP神经网络法： 土壤含水量估测（隐含层2层时）
实验项目六
一、实验目的 1、掌握神经网络光谱反演建模方法； 2、掌握了DPS软件的基本操作方法.
5.4 非线性分析反演模型
二、BP神经网络法： 3、操作方法
5.4 非线性分析反演模型
二、BP神经网络法： 3、操作方法
5.4 非线性分析反演模型
二、BP神经网络法： 3、操作方法
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.3 多元线性回归分析模型
多元线性回归模型建立：数据准备，格式（xi1, xi2, …,xim , yi）
5.3 多元线性回归分析模型
多元线性回归模型建立：把数据复制到DPS界面
5.3 多元线性回归分析模型
多元线性回归模型建立：选中数据，选择计算方法
5.3 多元线性回归分析模型
多元线性回归模型建立：显示结果
光谱反演模型的检验方法：
4. 判定系数（R2）（复相关系数R）
5. F统计量检验
n
( yˆi y)2
R2
i 1 n
( yi y)2
i 1
Q: 误差平方和 U: 回归平方和
预测值与实测值对比分析较
土壤水含量的反演结果
预测值与实测值对比分析较 土壤水含量的反演结果
高光谱反演建模
二、实验要求 1、利用包络线去除法提取的参数建立反演模型； 2、利用对数的一阶微分变换提取的参数建立反演模型； 3、分析异常样本对模型精度的影响。
三、实验报告 1、实验目的；2、实验结果； 3、结果分析
高光谱反演建模
▪ 5.1 反演建模的基本程序 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
模式识别方法： 1） 判定阈值：即临界点值，我与谁最相像？0.5，是与不是结果 2） 综合量的计算方法：如距离、相似度、贴近度 3） 判别准则： 最大贴近性即择近原则；比例量化修正法
5.4 非线性分析反演模型
一、模式识别：
贴近度示例：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
总之，研究对象与光谱特征之间的关系是复杂的，探讨处理这种复杂关 系的非线性分析方法，是研究和应用高光谱技术的必然要求。
5.4 非线性分析反演模型
一、模式识别：
模式是供模仿用的理想样本。 所谓模式识别,是指从待识别对象中识别出哪些对象与已知模 式相同或相近。 在日常生活中,人们经常用感宫来识别图形、文字、语言等。 在科学技术中,通过气象卫星资料的分析和处理,对未来天气属于何 种类型作出预报；医生通过病情分析,对病人所患病情作出判断； 地质工作者通过对地质资料的分析,对矿藏分布情况作出判断,等等。 这些工作的共同特点是给出了各种已经模式,识别给定的对象属于 哪一种类型,这就是模式识别。
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
5.2 一元回归分析模型
一元线性回归模型：
回归分析方法，是研究要素之间具体的数量关系的一种强有力的 工具，运用这种方法能够建立反映光谱特征与研究要素之间具体的数 量关系的数学模型，即回归模型。
二、实验要求 1、利用包络线去除法提取的因子建立神经网络反演模型； 2、利用对数的一阶微分变换提取的因子建立神经网络模型； 3、调整神经网络中间层数、结点数，比较模型精度。
三、实验报告 1、实验目的；2、实验结果； 3、结果分析
5.4 非线性分析反演模型
三、模糊综合预测法： 1、基本原理
5.4 非线性分析反演模型
根据光谱信息和样本数据，判断每个像元对应研究对象的大小， 属于模式识别问题。
5.4 非线性分析反演模型
一、模式识别：
问题1: 如何建立模式 问题2：如何判定从待识别对象与已知模式相同或相近。
建立模式方法： 1）根据经验直接给出标准（如优、良、中；三好学生；划定级 别），分单因素与多因素模式。 2）从大量的样本数据中寻找，即分类、根据类间的差异性提炼 模式的特性。 3）研究算法，分类的依据，如距离、相似度、相像度
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
模式识别的基本步骤： 1）确定研究对象（Y) 2) 确定影响识别的指标(X) 3）建立模式库 4）确定待识别的对象 5）对指标进行归一化处理 6）确定指标的权重 7）计算距离或贴近度 8）寻找最大的贴近度 9）判别待识别对象与那个已知模式最接近 10）对预测进行修正 11）计算预测精度
5.1 反演建模的基本流程
光谱反演：
根据地物在不同波段上的光谱响应特性，通过光谱分 析确定敏感波段并提取光谱特征（x），根据光谱特征与研 究对象（y）间的相关性，建立关系式 y=f ( x)，再根据区 域的遥感图像信息估测对象（y）的空间分布规律。
5.1 反演建模的基本流程
光谱反演的流程：
有机质反演结果的空间表达
VB 调用Excel表单sheet的方法：2)保存数据文件（退出）
VB 调用Excel表单sheet的方法：3)打开数据文件
VB 调用Excel表单sheet的方法：4)打开数据文件
实验项目四
一、实验目的 1、掌握一元线性回归光谱反演建模方法； 2、掌握了利用Excel表功能建立简单模型的方法.
光谱特征与研究要素之间的关系，既有线性的，也有非线性的。
但许多非线性模型，都可以通过变量替换将其转化为线性模型来处 理。
因此，下面主要介绍一元线性回归模型。
5.2 一元回归分析模型
5.2 一元回归分析模型
5.2 一元回归分析模型
5.2 一元回归分析模型
可线性化的一元非线性回归模型：
5.2 一元回归分析模型
一元线性回归模型：异常样本的剔除方法
1）绘制散点图； 2）观察异常点并剔除
5.2 一元回归分析模型
一元线性回归模型：异常样本的剔除方法
1）绘制散点图； 2）观察异常点并剔除
5.2 一元回归分析模型
一元线性回归模型：示例分析
利用Excel绘图功能 ，散点图会好后，利用右手键，弹出对话窗
VB 调用Excel表单sheet的方法：1）新建表单，写入数据
三、实验报告 1、实验目的；2、实验结果； 3、结果分析
高光谱反演建模
▪ 5.1 反演建模的基本程序 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
5.4 非线性分析反演模型
高光谱反演分析中的问题：
1. 获取的高光谱数据受到众多因素的影响，虽可消减，但误差仍存在。 2. 光谱特征分析方法很多，但提取的光谱特征具有特殊性和多样性。 3. 光谱特征与研究对象之间具有一定的相关性，但属于统计规律，很难寻找。 4. 研究对象与光谱特征之间不存在严格的线性关系，线性分析具有局限性。
第五章
、高光谱遥感_反演建模方法
高光谱反演建模
▪ 5.1 反演建模的基本流程 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
高光谱反演建模
▪ 5.1 反演建模的基本流程 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
35
R2 = 0.8251
30
25
20
15
10
5
0
0
5
10
15
20
25
30
35
40
45
实测值
实验项目五
一、实验目的 1、掌握多元线性回归光谱反演建模方法； 2、掌握了DPS软件的基本操作方法.
二、实验要求 1、利用包络线去除法提取的参数建立多元线性反演模型； 2、利用对数的一阶微分变换提取的参数建立多元线性反演模型； 3、对比分析不同参数组合预测的精度。
5.1 反演建模的基本流程
光谱反演的常用方法：遥感影像信息提取方法
5.1 反演建模的基本流程
光谱反演的常用方法：分析建模方法
单因子相关分析
因子分析多因子综合分析
主成分分析
建模分析统计分析概 统率 计模 模型 型多 马 多 一 参元 尔 元 元 数马 科 回 回 估尔 夫 归 归 计科 链 模 模夫 型 型链非 线 非 线线 性 线 性性 模 性 模模 型 模 型型 型逐 线高 非 系 步 性次 线 统 回 回多 性 聚 归 归项 映 类 模 模式 射 型 型
神经网络法
非统计分析小 灰 模波 色 糊分 关 识析 联 别（ 识 法傅 别里 法叶变换）
5.1 反演建模的基本流程
光谱反演模型的检验方法：
1. 相对误差
e yˆ y % y
2. 平均相对误差
E
1 n
n
| 1 反演建模的基本流程
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.4 非线性分析反演模型
二、BP神经网络法： 土壤含水量估测（隐含层1层时）
5.4 非线性分析反演模型
二、BP神经网络法： 土壤含水量估测（隐含层2层时）
实验项目六
一、实验目的 1、掌握神经网络光谱反演建模方法； 2、掌握了DPS软件的基本操作方法.
5.4 非线性分析反演模型
二、BP神经网络法： 3、操作方法
5.4 非线性分析反演模型
二、BP神经网络法： 3、操作方法
5.4 非线性分析反演模型
二、BP神经网络法： 3、操作方法
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.4 非线性分析反演模型
二、BP神经网络法： 4、应用实例
5.3 多元线性回归分析模型
多元线性回归模型建立：数据准备，格式（xi1, xi2, …,xim , yi）
5.3 多元线性回归分析模型
多元线性回归模型建立：把数据复制到DPS界面
5.3 多元线性回归分析模型
多元线性回归模型建立：选中数据，选择计算方法
5.3 多元线性回归分析模型
多元线性回归模型建立：显示结果
光谱反演模型的检验方法：
4. 判定系数（R2）（复相关系数R）
5. F统计量检验
n
( yˆi y)2
R2
i 1 n
( yi y)2
i 1
Q: 误差平方和 U: 回归平方和
预测值与实测值对比分析较
土壤水含量的反演结果
预测值与实测值对比分析较 土壤水含量的反演结果
高光谱反演建模
二、实验要求 1、利用包络线去除法提取的参数建立反演模型； 2、利用对数的一阶微分变换提取的参数建立反演模型； 3、分析异常样本对模型精度的影响。
三、实验报告 1、实验目的；2、实验结果； 3、结果分析
高光谱反演建模
▪ 5.1 反演建模的基本程序 ▪ 5.2 一元回归分析模型 ▪ 5.3 多元线性回归分析模型 ▪ 5.4 非线性分析反演模型
模式识别方法： 1） 判定阈值：即临界点值，我与谁最相像？0.5，是与不是结果 2） 综合量的计算方法：如距离、相似度、贴近度 3） 判别准则： 最大贴近性即择近原则；比例量化修正法
5.4 非线性分析反演模型
一、模式识别：
贴近度示例：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
总之，研究对象与光谱特征之间的关系是复杂的，探讨处理这种复杂关 系的非线性分析方法，是研究和应用高光谱技术的必然要求。
5.4 非线性分析反演模型
一、模式识别：
模式是供模仿用的理想样本。 所谓模式识别,是指从待识别对象中识别出哪些对象与已知模 式相同或相近。 在日常生活中,人们经常用感宫来识别图形、文字、语言等。 在科学技术中,通过气象卫星资料的分析和处理,对未来天气属于何 种类型作出预报；医生通过病情分析,对病人所患病情作出判断； 地质工作者通过对地质资料的分析,对矿藏分布情况作出判断,等等。 这些工作的共同特点是给出了各种已经模式,识别给定的对象属于 哪一种类型,这就是模式识别。
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型