简介：摘要 : 植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（ PCA）提取光谱特征时，常选择前几个主成分（ PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在 PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的 PCs用于后续分类。利用一景 AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始 PCA、独立主成分分析（ ICA）及线性判别分析（ LDA） 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集 1和 2上均获得了最高的总体分类正确率，分别为 82.7%和 86.5%。与原始 PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集 1和 2上分别提高了 1.5%和 2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是 Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为 95.5%和 96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空 -谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。

简介：摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（ D3P）模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（ GAI）、平均倾角（ AIA）和散射光截获率（ FIPARdif）信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达（ LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（ H）和绿色分数特征（ GF）。最后，利用人工神经网络（ ANN）算法分别构建了从不同 LiDAR点云特征（ H、 GF和 H+GF）输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明，对于 GAI、 AIA和 FIPARdif，预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见， H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征，在中等测量噪音（ 10%）情况下， FIPARdif和 GAI的估算均获得了满意精度， R2分别为 0.95和 0.98，而 AIA的估算精度（ R2=0.20）还有待进一步提升。本研究基于 D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了 D3P协助表型算法开发的能力，展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。