研究目的
为探究机载高光谱传感器与模拟星载多光谱传感器间接预测和绘制潮间带土壤特性的能力,并评估包括基于对象的图像分析、机器学习和集成分析在内的现代图像处理技术。
研究成果
该框架利用成像光谱技术有效量化并绘制了沼泽土壤特性图谱。基于对象的建模方法优于基于像素的方法。高光谱数据比多光谱数据精度更高,但WorldView-2和QuickBird卫星影像在监测盐度和含水量方面展现出潜力。集成分析提升了结果的稳健性并生成了不确定性分布图。该方法可作为传统土壤数据采集手段的可行替代方案,适用于碳循环研究和沼泽保护工作。
研究不足
潜在误差来源包括从样地到影像对象的尺度上推、影像获取与野外采样之间的时间间隔、航带间的辐射不匹配以及有限的野外样本量。由于土壤特性和植被响应存在时间变异性,这些模型可能无法直接跨时段应用。
1:实验设计与方法选择:
开发了一个结合基于对象的图像分析(OBIA)、机器学习建模和集成分析的框架。采用最小噪声分数(MNF)变换进行特征选择。比较了四种机器学习算法(人工神经网络ANN、支持向量机SVM、随机森林RF、k近邻k-NN)和一种参数方法(多元线性回归MLR)。
2:样本选择与数据来源:
在美国佐治亚州萨佩洛岛沿24条样带调查了346个盐沼样地(1×1米),采集土壤样本进行实验室盐度、含水量和有机质分析。使用AISA Eagle传感器的高光谱数据和盐沼物种分布图。
3:实验设备与材料清单:
航空成像光谱仪AISA Eagle传感器、野外采样GPS设备、用于重量法、复水法和灼烧法的实验室设备。软件:eCognition Developer 9.0用于图像分割,WEKA用于机器学习建模。
4:0用于图像分割,WEKA用于机器学习建模。
实验流程与操作步骤:
4. 实验流程与操作步骤:对高光谱影像进行辐射和几何校正。应用MNF变换降维。采用多分辨率分割进行图像分割。将实地样本与影像对象或像素匹配。通过k折交叉验证开发和评估模型。使用集成分析进行最终预测和不确定性制图。
5:数据分析方法:
计算统计指标(相关系数、平均绝对误差、百分比平均绝对误差、均方根误差)评估模型性能。采用ANOVA F检验选择集成模型。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容