无人机高光谱遥感为精准农业和农业信息化监测提供崭新视角.高光谱传感器具有厘米级空间分辨率和精细的光谱分辨率,可获取高质量的高光谱数据.然而,高光谱数据通常伴随噪声和数据冗余,高光谱信息利用效率低,常规预处理难以满足精准估算的需求.因此,为解决上述现实问题,针对机载高光谱影像的数据挖掘必不可少.利用分数阶微分(FOD)技术逐像元处理机载高光谱数据(步长为0.1).通过对比FOD技术与整数阶技术对高光谱数据的改善能力,从光谱层面探寻最佳FOD阶数.在梯度提升回归树(GBRT)算法下构建土壤含水量(SMC)估算模型,最终在最佳模型下评估SMC的空间分布.结果表明:FOD技术提高光谱与SMC的相关系数(rmax=0.768),与原始光谱、一阶微分和二阶微分处理后的光谱同SMC相关系数相比,分别提升0.168,0.157和0.158.FOD技术提升模型估算精度的主因是突出有效光谱信息的作用,特别是与水分胁迫密切敏感的叶绿素、植物结构和水分响应波段(430,460,640,660和970 nm).即使FOD技术取得理想的结果,不同阶数的效果仍有差异.高阶FOD对影像增加了一定噪声,相较于高阶FOD(1<阶数<2),低阶FOD(0<阶数<1)对相关性的改善更为明显.FOD技术对SMC估算模型的性能有很大提高,在0.4阶模型下取得最优结果(R2p=0.874,RMSEP=1.458,RPIQ=3.029).此外,0.1—0.9阶和1.6—1.9阶的SMC估算模型比整数阶模型更优(R2p提升0.8％ ～13.8％),但根据模的RPIQ发现,低阶FOD模型在模型的预测能力方面更强.在0.4阶模型下反演农田土壤水分的空间分布表明干旱区农田SMC具有显著的空间异质性.研究结果表明低阶FOD技术有效地实现对高光谱数据挖掘,从而实现农业SMC的精准估算.该研究提出了针对机载高光谱影像处理的新方法,为干旱区精准农业实施和管理提供新的策略.
NETL
NSTL
万方数据
维普
