基于空-谱信息深度网络模型的植被覆盖度高光谱遥感提取

Fractional vegetation cover is very crucial for representing heterogeneity in climate and land-surface models. The use of spectral unmixing method is a new direction to extract the fractional vegetation cover. The drawbacks of traditional unmixing method are low accuracy of endmember extraction, uncertainty of endmember feature election and error accumulation during the unmixing process. Therefore, the main line of this research is: Endmember extraction – Optimal endmember feature selection - Fractional vegetation cover extraction, which based on the framework of deep network model. The project applicants intend to develop an effective theory and method for fractional vegetation cover extraction of hyper-spectral remote sensing based on spatial-spectral information deep network model. The main contents include: 1) High accuracy of endmember spectrum extraction; 2) Endmember feature selection based on unsupervised learning; 3) Establish fractional vegetation cover extraction method based on optimum endmember feature. The results of this project are expected to improve the accuracy and efficiency of the fractional vegetation cover extraction of hyper-spectral remote sensing and provide reliable parameters for related climatic and ecological models, and can be used in many applications such as resource investigation, and environmental assessment areas. The research has great academic values and practical significances.

植被覆盖度对于描述气候和地表生态模型的多样性十分关键，具有重要的研究意义。目前利用混合像元分解法进行植被覆盖度提取正成为一个新的发展方向。然而，传统的基于混合像元分解的植被覆盖度提取方法端元光谱精度较低、端元特征选择不确定、解混过程误差累积。为此，本研究拟在深度网络模型框架下，以“端元提取—最优端元特征选择—植被覆盖度提取”为研究主线，发展具有多层网络的植被覆盖度高光谱遥感提取深度网络模型。主要研究内容包括三个部分：1)高精度的端元光谱提取；2)基于非监督学习的端元特征选择；3)基于最优端元特征的植被覆盖度信息提取。本课题的研究结果有望解决混合像元分解法提取植被覆盖度时端元光谱提取精度较低、端元特征选择不确定、解混过程误差累积的问题，提高植被覆盖度高光谱遥感提取精度，研究成果能为相关气候生态模型提供可靠参数，在资源调查、环境监测等相关领域具有重要的实际应用价值。

植被覆盖度对于描述气候和地表生态模型的多样性十分关键，具有重要的研究意义。目前利用混合像元分解法进行植被覆盖度提取正成为一个新的发展方向。课题组对植被覆盖度的高光谱遥感提取中的端元光谱提取和端元特征选择方法进行了深入研究，为后续研究的开展进行了铺垫。在此基础上，充分利用高光谱遥感影像中的空间信息，发展了结合空-谱信息的端元光谱提取网络，不仅为高光谱遥感影像端元光谱提取提供了新的思路，也为后续端元特征选择和基于最优端元的植被覆盖度提取奠定良好基础。然后，课题组将稀疏思想和降噪理论相结合，建立了基于非监督学习的端元特征选择模型，为端元特征选择提供新思路。最后，结合前述工作的结果，将流形理论、非负矩阵分解方法和神经网络方法应用到混合像元分解中，提出了基于最优端元特征的植被覆盖度信息提取方法，能够充分挖掘高维复杂数据的内在关系，并利用神经网络对非线性过程较优模拟的特点，对混合像元进行分解，实现植被覆盖度高光谱遥感提取，提升植被覆盖度提取效率，提高植被覆盖度提取精度，为生态模型提供更加精确的参数，在资源调查、生态监测、环境评估等相关领域具有重要的理论和实用价值。.本课题理论贡献在于提出了基于空-谱信息深度网络模型的高光谱遥感植被覆盖度提取方法，该方法有效结合了高光谱遥感数据的“图谱合一”的特性、流形理论、非负矩阵分解方法和神经网络方法高速、精确且稳定的特点，为解决植被覆盖度高光谱遥感信息提取提供了新的思路和途径。该研究方向涉及到遥感、计算机视觉、信息处理和数据挖掘等领域，体现了学科交叉的特点，具有较强的创新性。