▪ 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