利用高光谱遥感预测土壤有机碳

利用高光谱遥感与可见光-近红外段光谱预测土壤有机碳

（Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy）摘要

本文利用可见光和近红外反射(vis-NIR)高光谱图像的最接近遥感数据。预测土壤有机碳(SOC)的结果进行比较，土样采集在Narrabri地区,在澳大利亚新南威尔士(NSW)的北方占据优势的是Vertisols（变性土）,这个地区Vis-NIR的光谱采集用AgriSpec便携式光谱仪(350 - 2500nm)和远距离机载高光谱传感器卫星(400 - 2500nm)。,利用偏最小二乘法回归法(PLSR)，偏最小二乘回归法（PLSR：partial least squares regression)：是一种新型的多元统计数据分析方法，它主要研究的是多因变量对多自变量的回归建模，特别当各变量内部高度线性相关时，用偏最小二乘回归法更有效。另外，偏最小二乘回归较好地解决了样本个数少于变量个数等问题。偏最小二乘法是集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身。它与主成分分析法都试图提取出反映数据变异的最大信息，但主成分分析法只考虑一个自变量矩阵，而偏最小二乘法还有一个“响应”矩阵，因此具有预测功能。）使用的近距离与星载遥感光谱资料预测土壤有机碳含量。近距离和远距离遥感数据的光谱分辨率是不会影响预测精度的。然而,在相同光谱分辨率情况下，利用高光谱预测土壤有机碳含量精度没有用Agrispec 便携式光谱仪(resampled ）的精度高。

结果显示,用土卫七（Hyperion就是土卫七，围绕着土星运转，1848年9月16日发现Hyperion 是世界上第一个成功发射的星载民用成像光谱仪，也是是目前少数几个仍在轨运行的星载高光谱成像仪。其搭载卫星EO-1(EarthObserving-1)是美国NASA为接替Landsat7而研制的新型地球观测卫星，于2000年11月21日发射升空。其任务主要是通过空间飞行和在轨运行来验证与下一代对地卫星成像相关的高级技术。EO-1的设计寿命为12～18个月，原计划运行1年，但目前卫星仍运行正常。EO-1上的Hyperion成像光谱仪是全球第一个星载民用成像光谱仪，既可以用于测量目标的波谱特性，又可对目标成像。Hyperion以推扫方式获取可见光-近红外(VNIR，400~1000nm)和短波红外(SWIR，900~2500nm)的光谱数据，共计242个波段（其中可见光35个波段，近红外35个波段，短波红外172个波段））野外观测具有相似性。说明利用高光谱遥感对土壤有机碳的预测是有可能的。这些技术的使用将促进土壤数字制图的实施。

简介

研究在环境监测、模拟和精准农业需要良好的质量和便宜的土壤数据。因此我们

需要发展更多的时间——有效的科学方法进行土壤分析。可见光和近红外反射(vis-NIR) 光谱是一种物理无损、快速、重现性好的方法，提供廉价的的土壤物理、化学，生物学特性的预测方法根据其和反射波长范围从400到2500nm(Ben-Dor和Banin,1995分;

李维等问题,2000年、2002年杜恩等问题,2002分;牧人和沃尔什,2002年,伊斯兰教等问题,2003)。反射信号的产生的是由被禁锢的C、N、H、O,P、S原子之间的震动。

弱的色彩和组合的基础振动是由于拉伸和弯曲的NH, OH and CH团体主导dominate the NIR (700–2500 nm)可见光(400 - 700海里)两部分电磁(EM)光谱(Ben-Dor等问题,1999)。

土壤有机碳(SOC)起着非常重要的作用,显著影响土壤环境多种化学物理过影响土壤的形状和性质对土壤反射光谱。宽光谱范围由不同的工人评估SOC发现的表明：SOC是一个重要的土壤碳组成在整个光谱。

光谱表明其能力,以准确地阻止-

我的系统芯片(SOC)的内容(例如。里维斯实验室等问题,1999分;张

和Laird,2002),直接在田野一个手提斯派克-

米(例句。巴恩斯等问题,2003)。成像光谱法也可以

用来评价土壤性质。但条件下土壤里去的

表面可影响光谱信号。一些财产

可能变更在时间和空间:学位吗

土壤结壳由于rain-drop影响,土壤质地、土壤

水分、表面粗糙度和植被或作物残留物覆盖。这些

不安因素引起土壤反射率的方式

或超过光谱响应有机物质(巴恩斯等问题,

2003)。此外也可土壤特性估计子-

由于辐射对退化ject和大气的影响,

光谱和空间分辨率(Lagacherie等问题,2008)。——

因为这些干扰因素涌现,很少有研究恶魔-

strated能够较准确地确定系统芯片(SOC)内容

airborne-hyperspectral传感器(例句。Ben-Dor,2002分;Selige等问题

等问题,2006分;史蒂文斯等问题,2006年),在这其中没有一名来自卫星超级-

光谱传感器。作为remotely-sensed高光谱卫星的资料

提供一个对观福音书的观点和一个重复的覆盖两个im -

portant优越性进行观察和超级-到地面

机载数据光谱的研究潜力的高光谱

卫星数据成为SOC的一个重要问题的预测数字

土壤测绘发展。

定量光谱分析用vis-NIR土壤反射率

光谱法要求复杂的统计方法来识别

从土壤属性的响应谱特性。各种

方法已被用来与土土壤光谱属性。部分最小二乘回归(PLSR)是一种最为通用的技术

光谱校准和预测等问题e.g.McCarty,2002分;张

和Laird,2002)。 Viscarra Rossel丁晓萍。(2006)提供了一个回顾

定量的预测比较文学不同土壤属性

使用多元统计技术和光谱响应

可见,近红外光谱及中北部红外(我,2500 - 25000海里)的地区

电磁波谱。其中,Viscarra Rossel丁晓萍。(2006年)

恢复文学比较土壤有机碳的定量预测使用

PLSR和光谱响应在可见光、近红外和我的地区

电磁波谱。

本文的目的是(1)评估潜在的手段-

利用高光谱里做SOC卫星遥感器

(400 - 2500海里)和(2)比较这些预测土壤有机碳的

使用field-collected vis-NIR光谱。在这两个例子都偏最小-

广场回归(PLSR)用来spectralmeasurements联系

系统芯片(SOC)的内容。这项研究的实施是在Narrabri附近

北西方新南威尔士(NSW),澳大利亚。

2。材料和方法

2.1。土样

在澳大利亚西北部地区新南威尔士(?32°12'27”S,

149°36'31”E),一共有146个表层土壤(0-10cm)样本

。这一地区是由变性土主导。在Narrabri西北部(?30°11'45”S), 2006,10.收集了88个样本，

和58个土样在

城镇Narrabri (?30°18'27”S,149°45'4”E)在2006,12。在2006年10月收集88年的土壤样品,72个样本

取在土壤干燥，棉花作物。为每一个研究棉花作物,一个vi -

近红外反射光谱和土壤样品在0-10厘米深

在中心收集20×20米地区,另外四repli -

在街角佳肴进行周边(图1 a和c)。

在88年的土壤样本,收集2006年10月,16个

是剖面收集(图1 a组和b组)

旅行是一个股票路线varyingwidth荒废的走廊

宽100到500米未开发。像在产区

他们所代表的地区栽培比较有用的土壤。在

2006年12月,土壤样品在草场上收集。在每一个

比如,两vis-NIR光谱和土壤样品的深度收集0-10厘米有收集。

。

图1 .一)位置的测量,在棉花作物和股票路线,在一个

土卫七的形象。b)散射路线遵循一个断面的股票。每一个c)

棉花作物,四个复制在中心进行了测量,

半径20米。

SOC含量测定这些土样中-

frared(我)光谱研究。我的分析,样品是地面

到200年为分析μm整洁的施行。和平号光谱

每一个土样用张量测量_Fourier反式- 37

从光学Bruker形式红外光谱仪(麻萨诸塞州,美国)。

Spectrawere记录到25000纳米from2500(4000 - 400 cm?1

)

8厘米?1

扫描分辨率和64 /秒。预测土壤有机碳的含量

土壤样品各利用偏最小二乘

回归(PLSR)从我对新南威尔士北部导出校准

Viscarra Rossel丁晓萍。(2008)。校准用13因素和

验证测试集的根均方误差(RMSE)的模型

马/公斤,R2 0.15

……

为0.91。更多细节和方法论

校准,可以发现,在Viscarra Rossel丁晓萍。(2008)。

2.2。vis-NIR测量领域

146年的反射率测定土壤样品在场上的表现

与AgriSpec便携式光谱仪(分析谱设备,

圆石市,科罗拉多州)。这AgriSpec光谱仪拥有一个光源

用接触测量探针(分析谱

设备、大胆、科罗拉多)。它提供了一个完整的光谱覆盖范围(350 - 2500海里) 和快速的数据采集(每秒10扫描)。一个白色的spectralon

面板(5×5公分)反射率因子提供了绝对的领域

测量。表面扫描是一个核心和10个扫描10厘米

每个样本进行了。spectralon面板的系统

在每个采样测量测量,用50次重复。一个

spectrumrecorded由AgriSpec仪器及对应一个

土样的旅行路线(SOC)是4.49%股票代表

图2。

2.3。土卫七高光谱数据

两个里取得了高光谱数据的Namoi

流域32°(澳大利亚?12的年代,149°27 36 ' 31”E)。第一个是ac -

2006年12月13 quired在23:51但在草场土(图3

和c)和第二个节目是在2007年1月17日获得

但在种植土壤23:47股票路线旅行(图3 a组和b组)。

船上的土卫七EO-1卫星传感器测量

光芒从400年到2500年海里,与242年与approxi光谱波段-

mately 10海里的光谱分辨率和30米的空间分辨率。

swathwidth的图像的theHyperion 7.6公里(图。3 a)。然而,在

尽管辐射和几何改正,信噪比

比(SNR)低(~ 50:1)。详细描述里

特点、操作和应用,可以发现,在Folkman

丁晓萍。(2001)。推导出表面反射光芒数据

光芒数据必须要纠正对太阳能辐射和大气

这样的效果,例如双向传输,多次散射,和路径

的光芒。Severalmethods可以被使用,其中涉及了需要

原位反射光谱测量在地上,和/或使用

大气校正算法的辐射传输。在这里——高继发

有效传递算法来获得里反射

光辉,没有相关的知识。这algorithmis的大气

清除程序”(ATREM)开发的高和Goetz(1990)

高丁晓萍。(1993年)和使用一个近似辐射传输代码

被称为“模拟太阳光谱卫星信号(5 S)”

(Tanre等问题,1986)。最后,channelswith和一个非常lowSNR

位于大气吸收光谱中。因此工作

使用152里进行了乐队。

本文的主要目的之一就是比较采用SOC的预测

高光谱遥感器的卫星土卫七(400 - 2500海里)

采用field-collected SOC的预测vis-NIR光谱。对

完成这个比较,事业

图2。一个AgriSpec情节的高分辨率频谱(2151光谱波段)的土样对股票路线旅行,一个AgriSpec光谱resampled低光谱分辨率

土卫七相似的数据(152光谱波段)相同的土壤样品,和土卫七光谱的股票的路线。

土样的旅行路线的股票(SOC)含量达4.49%

是resampled遮盖的数据和光谱覆盖范围里吗

出图2。而且土卫七相应谱

同样的旅行路线也反映出股票在图2。在图2

spectrumwhich里包含的噪声,可以进行对比的

AgriSpec谱resampled里的光谱分辨率。

2.4。土壤有机碳的预测

偏最小二乘回归(PLSR)击出。——离开过

用于SOC验证预测领域都使用光谱

与土卫七remotely-sensed卫星的资料。根是

方误差(RMSE),的判定系数(R2

)比例

性能偏差(可)被用来评估、-

土壤有机碳的预测模型性能良好。我们使用ParLeS软件

(Viscarra Rossel,2008)的光谱及最优化

分析。可计算的是为了解释这种预测

eachmodel能力(张和Laird,2002)。是可之间的比率

标准偏差的方法和参考

RMSE。张和Laird(2002)三类可定义:A组

(RPDN2)模型能准确地预测财产

问题,B类(1.4 ~之间时,可2)是一个中级班

这可能是某些尚未受到足够注意的模型,可以改善,模特吗

落在类别C(RPDb1.4)没有预测能力。

2.5。土壤样本集,用于比较vis-NIR领域里的数据

第一aimof本文试图通过对比SOCmade的预测(我)

利用光谱与土卫七的光谱分辨率(152光谱

乐队)和(2)利用光谱在球场上与收集AgriSpec

仪器(2151光谱波段)。进行分析、四的土壤

样本集进行了研究。每一集都有一个特定的土壤样本

分布、数量的数据和系统芯片(SOC)的内容范围。这个角色——

土壤样品的特性表1给出了集合。

第一个土壤样本集称为“种植土壤”包含了所有的土壤

样品(72)收集Narrabri西北部的在2006年10月

在棉花作物。所有的土壤样品的这一套有系统芯片(SOC)contentbetween 0.54和1%,显示出SOC内容distribu倾斜-

小轿车(表1)。第二个土壤样本集称为“草地土壤”内容

土壤样品收集的途径pasturages和股票有一个

内容优于1%。(SOC)土壤sampleswere收集50八

16在pasturages股票路线,但在这些土壤样品,18岁

有一个碳含量低至1%。因此第二个土样的设置

被称为“草地土壤”包含56泥土样本。这些土样有

一个系统芯片(SOC)含量在5.1% - 1.08之间,这些系统芯片(SOC)内容显示

倾斜的分布(表1)。第三的土壤样本集包括所有的

土壤样品收集到的有关这个领域(146)和被称为“总土壤

数据库”。土壤样品有0.002 ~之间时,SOC的内容

5.1%,显示这些内容distributionwith SOC泊松60.9%

SOC值法的远程到1%(表1)。第四土壤样品

集称为“土壤里在图像”由72泥土样本。

这第四个土样的平均值集包含5个土样

每个棉田测量(图1 c),添加到牧场

土壤样本股票路线位于土卫七的图像。这

碳含量的“土壤在土卫七”形象表现出泊松

分配

图3。土卫七Namoi)图像山谷,b)在实地研究区2006年10月,和c)在实地研究区在2006年12月。分别为1.7、1.67和1.11。光谱的习惯

该预测模型构建的光谱相关里

与52泥土样本。然后,cross-prediction一步术

从土卫七的每个像素的光谱测试区域。该测试区域

对应一个部分的草地带研究在野外旅行

在2006年12月。该地区被选因为系统芯片(SOC)

非均质性和土壤成分多样性(农作物、草场光秃秃的

干燥的土壤、河流网络)。3。预测结果与AgriSpec土壤有机碳的光谱

3.1。预测含少量土壤有机碳的

“种植土壤”被用来确定低碳的内容

采用频谱估计的决议,AgriSpec吗

土卫七高光谱仪器。Baumgardner丁晓萍。(1970)表示

如果SOC跌至2%以下,它只有一个最小spectralresponse影响。作为themaximumvalue SOC 的这种“种植土壤”

1%的光谱响应土壤样品要研究

贫穷地被影响SOC的内容。十字架上的评定系统芯片(SOC)

内容为“种植土壤“提供一个价格的可分别为1.03和0.98

分别采用高分辨率谱(2151 AgriSpec光谱

乐队)和AgriSpec光谱resampled低光谱

决议里类似的数据(152光谱波段)。

图4礼物的预测值与实测vs.碳含量

两种类型的光谱。所以从没有SOC模型可交叉验证

使用我们的“种植土壤”的预报能力,无论光谱

决议。

3.2。含高浓度预测土壤有机碳的量

“草地土壤”被用来确定中、高

内容可以估计SOC的光谱分辨率

AgriSpec和高光谱仪器里。十字架valida -

碳含量对其为“草地土壤“提供一个价格,可为1.32

利用AgriSpec为1.33,高分辨率谱(2151

光谱波段)和AgriSpec sp3.3。对土壤含有碳预测广泛的系统芯片(SOC)

所有的146个样本,其所含的“彻底土壤数据库”,是用来

推导了使用两光谱校准PLSR的决议

AgriSpec和高光谱仪器里。十字架评审

为系统芯片(SOC)内容为“总土壤数据库”提供了一个可达1.87

利用AgriSpec为1.92,高分辨率谱(2151

光谱波段光谱)和AgriSpec resampled低光谱

决议theHyperion相似的数据(152光谱波段)。图6

presentsmeasured SOC vs.预测值2类型的光谱。

预测R2

,可obtainedwith RMSE和“彻底土壤数据库”

有更好的thanwith“草地土壤”和“种植土壤”。对土壤

与碳含量在5.1% - 0.002之间,两AgriSpec andHyperion

光谱分辨率的交叉验证提供。和光谱

决议并没有改变模型的准确性。

4。预测结果与土卫七土壤有机碳的光谱

从第三节,两AgriSpec光谱分辨率和土卫七

提供优良的交叉验证的土壤样本集的时候了

全面。使用theAgriSpec光谱的lowspectral resampled

决议里类似的数据(152光谱波段)

同样有用的决议high-spectral AgriSpec仪器。

“在土卫七土壤意象”是用来确定系统芯片(SOC)

内容可以估计高光谱数据里。十字架

评审内容为SOC”在土卫七土壤的图像”

高光谱遥感技术及发展

遥感技术与系统概论 结课作业 高光谱遥感技术及发展

高光谱遥感技术及发展 摘要：经过几十年的发展，无论在遥感平台、遥感传感器、还是遥感信息处理、遥感应用等方面，都获得了飞速的 发展，目前遥感正进入一个以高光谱遥感技术、微波遥感技 术为主的时代。本文系统地阐述了高光谱遥感技术在分析技 术及应用方面的发展概况，并简要介绍了高光谱遥感技术主 要航空/卫星数据的参数及特点。 关键词：高光谱，遥感，现状，进展，应用 一、高光谱遥感的概念及特点 遥感是20 世纪60 年代发展起来的对地观测综合性技术，是指应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通 常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可

探测的物质，在高光谱中能被探测。 同其它传统遥感相比，高光谱遥感具有以下特点： ⑴波段多。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。 ⑵光谱分辨率高。成像谱仪采样的间隔小，一般为10nm 左右。精细的光谱分辨率反映了地物光谱的细微特征。 ⑶数据量大。随着波段数的增加，数据量呈指数增加[2]。 ⑷信息冗余增加。由于相邻波段的相关性高，信息冗余度增加。 ⑸可提供空间域信息和光谱域信息，即“图谱合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。近二十年来，高光谱遥感技术迅速发展，它集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体，已成为当前遥感领域的前沿技术。 二、发展过程 自80 年代以来，美国已经研制了三代高光谱成像光谱仪。1983 年，第一幅由航空成像光谱仪

基于DMN的高光谱图像分割方法研究

第9卷　第5期 2005年9月 遥　感　学　报 JOURNAL OF RE MOTE SENSI N G Vol .9,No .5Sep.,2005 收稿日期:2004204205;修订日期:2004207213 基金项目:地理信息工程国家测绘局重点实验室基金(1469990324233);国家自然科学基金资助项目(60175022);国家高科技发展计划 (863)项目资助(2001AA135081)。 作者简介:曹建农(1963—　),男,副教授,毕业于原武汉测绘科技大学航测系航空摄影测量与遥感专业,获得工学学士学位;毕业于西北大学城市资源系地图制图与遥感专业,获得理学硕士学位;现为武汉大学遥感信息工程学院博士研究生。主要研究方向为遥感图像分析、空间数据挖掘。已发表论文近12篇。E 2mail:caojiannong@https://www.wendangku.net/doc/2e13148528.html, 。 文章编号:100724619(2005)0520596208 基于DM N 的高光谱图像分割方法研究 曹建农 1,2 ,关泽群1,李德仁 3 (1.武汉大学遥感信息工程学院,武汉　430079; 2.西安建筑科技大学建筑学院,西安　710054; 3.武汉大学测绘遥感信息工程国家重点实验室,武汉　430079) 摘　要:　简述高光谱遥感光谱特征体系(包括光谱曲线特征、光谱变换特征和光谱度量特征3个层面)。研究马尔科夫网的概念和方法,生成基于光谱角(S A )特征度量的DMN,并以DMN 为证据对高光谱图像进行分割;研究和实验表明基于S A 信息的马尔科夫网可以很好地综合高光谱数据空间特征与光谱特征间的关系,为进一步数据处理提供优化控制(其实质是概率神经网络)。最后提出未来应用和研究方向。关键词:　马尔科夫网(DMN );高光谱遥感;S A (光谱角);最大后验概率;空间数据挖掘中图分类号:　TP751/P231.5 文献标识码:　A 1　引　言 高光谱(Hyper 2s pectral )遥感图像光谱特征的提取和利用是制约高光谱图像应用的瓶颈 [1] 。地物 对象的空间特征和光谱特征分散在几十到上百个波段(图像)之中,其中包括对地物相似性特征的描述数据(例如,光谱角)。高光谱信息的充分性和冗余性是共存的,必须在图像处理之前通过降维来提取主要信息以减少波段(图像)的数量,实现高光谱图像数据的特征提取和信息压缩 [2] 。文献[1]提出的 高光谱遥感数据光谱特征的三层体系较全面的概括了光谱特征的主要方面,但是它没有涉及这些特征的表示问题以及高光谱遥感数据的空间特征与光谱特征的联合与应用方法等研究。本文利用像元的光谱角(S A )相似性特征的空间分布,基于马尔科夫网(Deco mposable Markov Net w ork,DMN )理论与方法, 对这种空间分布的统计概率生成DMN ,以此网络为证据(实质就是概率神经网络)对高光谱图像进行分割。该方法综合了高光谱图像的光谱特征(63个波段的光谱特征)和各相似像素的空间位置分布特征(像素在水平和垂直方向的分布)以及光谱角值 的统计特征(光谱角值的统计分布)。 图像分割的研究历史比较长 [3—5] ,但是利用高 光谱特征进行图像分割的研究不多见,特别是利用 DMN 方法将光谱角余弦(S AC )值的空间特征分布与S AC 值的统计特征的概率近邻关系(DMN )联合处理应该是一种全新的尝试,实验表明该方法是有效的。 可分解DMN 的学习源自于概率网络(Pr obabilistic Net w ork,P N )的研究,特别是贝叶斯 网络(Bayesian Net w ork )的研究[6—8] 。所谓概率网络(P N )是指记录了依赖关系的特征图结构和记录 了依赖强度的量化概率分布的联合模型[9] 。可分 解DMN 是概率网络的一种,一般简称为马尔科夫 网。 马尔科夫网的定义参见文献[9—11],马尔科夫网是对数据集的概率分布的图结构生成和度量投影,事实上,像任何其它函数一样,概率分布能被多种不同处理近似表示 [12] 。 目前,对图像数据“智能化”地处理大都带有“图论的网络”色彩。简单说,马尔科夫网是揭示数 据集内在(概率)联系的图论表达。其实质是生成一种网络图结构和相应的连接权参数(神经网络的

空谱联合先验的高光谱图像解混与分类方法

空谱联合先验的高光谱图像解混与分类方法高光谱成像是近年来遥感领域发展较快、较前沿的技术。由于包含丰富的空间、辐射和光谱三重信息,高光谱遥感已被广泛应用于精准农业、矿物勘测、军事目标识别、环境监测、灾害评估等领域。 因此,对高光谱数据的处理与解译具有重要的理论意义和实际应用价值。高光谱解混和分类是高光谱遥感信息处理中的关键科学问题,也是定量分析以及后续应用的重要基础。 由于受仪器、大气辐射、光照不均、地物结构等因素的影响,相同地物的光谱曲线存在一定的差异,使得仅利用光谱信息的解混和分类方法的精度无法得到保障。空间信息可以充分刻画地物结构,有效降低“同质异谱”的影响,空谱联合的方法受到众多学者的重视。 本文研究围绕高光谱线性解混、分类等高光谱数据处理中的热点问题,重点提出基于光谱库的l1/2正则化稀疏回归解混方法、以及空谱联合的高光谱分类方法,并在此基础上设计了相应问题的高效算法。本文所做的主要工作和研究成果如下：1、根据高光谱线性解混模型,利用光谱库作为端元字典,将解混问题转化为稀疏回归问题；针对模型解的唯一性要求进行光谱库预优,利用l1/2范数对丰度系数向量进行稀疏正则化约束,在“和为一”、“非负性”条件下,提出了一种约束的l1/2正则化稀疏回归解混模型,并通过迭代重加权的l1算法进行优化求解。 模拟和真实高光谱数据实验表明,基于光谱库的l1/2正则化稀疏回归解混方法能够有效地从光谱库字典中选择出端元并准确反演出其对应的丰度系数。2、针对高光谱监督分类问题,在贝叶斯最大后验框架下,利用l1-l2正则化稀疏表

示方法对似然概率进行建模,并利用MRF分类标签的空间先验进行建模,提出了稀疏表示和马尔可夫场空间先验相结合的空谱联合分类模型,并通过图割算法进行了快速近似求解。 真实高光谱数据实验表明,基于稀疏表示与马尔可夫场空间先验相结合的高光谱分类模型能够有效地提升分类精度,且分类精度优于主流的分类方法。3、在贝叶斯推断框架下,采用稀疏多项式逻辑回归方法对似然概率进行建模,并将最大后验(MAP)分布的边际概率作为实值的隐形场引入到马尔可夫空间先验中,提出了一种加权马尔可夫场空间先验的高光谱分类方法。 利用最大后验边际概率上的加权TV函数定义该马尔可夫场的势函数,并将MAP分类模型转化为加权TV正则化的变分模型,同时添加“非负性”、“和为一”以及“训练样本类别标签固定”三个约束项,建立约束条件下的空谱分类模型,并利用ADMM方法提出了SMLR-SpATV (sparse multinomial logistic regression based spatially adaptive total variation method)算法对模型进行了快速求解。实验结果表明所提出的基于隐形场空间先验的空谱分类模型对高光谱分类的有效性,对比实验表明该方法优于主流的分类方法。 4、为了充分挖掘特征空间与原始空间、全局分类与局部分类的特点,提出了一种子空间逻辑回归分类器与稀疏表示分类器融合的空谱分类方法。其中,仅利用光谱信息的分类概率是由子空间逻辑回归分类器和稀疏表示分类器以一定的方式融合求得,空间先验信息由边缘保持的马尔可夫随机场进行建模。 最后,空谱模型采用图割算法进行快速优化求解。真实高光谱数据实验表明：多分类器融合能够充分发挥多个分类器的优点,分类结果大大高于单个分类器,且优于大部分主流的高光谱分类方法。

全色卫星影像 多光谱卫星影像 高光谱卫星影像

北京揽宇方圆信息技术有限公司 全色卫星影像多光谱卫星影像高光谱卫星影像 随着光谱分辨率的不断提高，光学遥感的发展过程可分为：全色（Panchromatic）→彩色（Color Photography）→多光谱（Multispectral）→高光谱（hyspectral）。 注： 全色波段（Panchromatic band），因为是单波段，在图上显示是灰度图片。全色遥感影像一般空间分辨率高，但无法显示地物色彩。实际操作中，我们经常将之与波段影象融合处理，得到既有全色影象的高分辨率，又有多波段影象的彩色信息的影象。 全色波段，一般指使用0.5微米到0.75微米左右的单波段，即从绿色往后的可见光波段。全色遥感影象也就是对地物辐射中全色波段的影象摄取，因为是单波段，在图上显示是灰度图片。全色遥感影象一般空间分辨率高，但无法显示地物色彩。 多光谱遥感 多光谱遥感：将地物辐射电磁破分割成若干个较窄的光谱段，以摄影或扫描的方式，在同一时间获得同一目标不同波段信息的遥感技术。 原理：不同地物有不同的光谱特性，同一地物则具有相同的光谱特性。不同地物在不同波段的辐射能量有差别，取得的不同波段图像上有差别。 优点：多光谱遥感不仅可以根据影像的形态和结构的差异判别地物，还可以根据光谱特性的差异判别地物，扩大了遥感的信息量。 航空摄影用的多光谱摄影与陆地卫星所用的多光谱扫描均能得到不同普段的遥感资料，分普段的图像或数据可以通过摄影彩色合成或计算机图像处理，获得比常规方法更为丰富的图像，也为地物影像计算机识别与分类提供了可能。

高光谱 高光谱遥感起源于20世纪70年代初的多光谱遥感，它将成像技术与光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖，这样形成的遥感数据可以用“图像立方体”来形象的描述。同传统遥感技术相比，其所获取的图像包含丰富的空间、辐射和光谱三重信息。 高光谱遥感技术已经成为当前遥感领域的前沿技术。 高光谱遥感具有不同于传统遥感的新特点： 1）波段多：可以为每个像元提供十几、数百甚至上千个波段； 2）光谱范围窄：波段范围一般小于10nm； 3）波段连续：有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； 4）数据量大：随着波段数的增加，数据量成指数增加； 5）信息冗余增加：由于相邻波段高度相关，冗余信息也相对增加。 优点： 1）有利于利用光谱特征分析来研究地物； 2）有利于采用各种光谱匹配模型； 3）有利于地物的精细分类与识别； 异同点 国际遥感界的共识是光谱分辨率在λ/10数量级范围的称为多光谱(Multispectral)，这样的遥感器在可见光和近红外光谱区只有几个波段，如美国LandsatMSS，TM，法国的SPOT等；而光谱分辨率在λ/100的遥感信息称之为高光谱遥感(HyPerspectral)；随着遥感光谱分辨率的进一步提高，在达到λ/1000时，遥感即进入超高光谱(ultraspectral)阶段(陈述彭等，1998)。 高光谱和多光谱实质上的差别就是：高光谱的波段较多，普带较窄。（Hyperion有233~309个波段，MODIS有36个波段） 多光谱相对波段较少。（如ETM+，8个波段，分为红波段，绿波段，蓝波段，可见光，热红外（2个），近红外和全色波段） 高光谱遥感就是多比多光谱遥感的光谱分辨率更高，但光谱分辨率高的同时空间分辨率会降低。

高光谱图像分类

《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月

一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。

高光谱遥感

高光谱遥感

? ? ? ?
高光谱遥感的基本概念 高光谱遥感器及平台简介 高光谱遥感技术 高光谱应用概况

高光谱遥感的基本概念
? 高光谱分辨率（简称为高光谱）遥感或成像光 谱遥感技术的发展是过去二十年中人类在对地 观测方面所取得的重大技术突破之一，是当前 遥感的前沿技术。它是指利用很多很窄的电磁 波波段获取许多非常窄且光谱连续的图像数据 的技术，融合了成像技术和光谱技术，准实时 地获取研究对象的影像和每个像元的光谱分布。

国际遥感界认为光谱分辨率在10-1λ数量级范围内的为多 光谱(Multispectral)，这样的遥感器在可见光和近红外光谱区 只有几个波段，如美陆地卫星TM和法国SPOT卫星等; 光谱分 辨率在10-2λ的遥感信息称之为高光谱(Hyperspectral)遥感。由 于其光谱分辨率高达纳米(nm)数量级，往往具有波段多的特 点，即在可见到近红外光谱区其光谱通道多达数十甚至超过 100以上。随着遥感光谱分辨率的进一步提高，在达到10-3λ 时，遥感即进入了超高光谱(Ultraspectral)阶段 、
光谱区域（nm） ： 400 700 1100 2500 5500 14000
VIS VNIR
PIR
MIR
Sunlight 光谱分辨率 波段数 多光谱 高光谱 5-10 100-200 Δλ/λ 0.1 0.01 VNIR 50-100 5-20
IRT
MIR 100-200 10-50
IRT 1000-2000 100-500

高光谱遥感技术的介绍及应用

高光谱遥感技术的介绍及应用在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测。最近几十年，随着空间技术、计算机技术、传感器技术等与遥感密切相关学科技术的飞速发展，遥感正在进入一个以高光谱遥感技术、微波遥感技术为主要标志的时代。本文简要介绍了高光谱遥感技术的特点、发展状况及其在一些领域的应用。 1 高光谱遥感简介 1.1高光谱遥感概念 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。 高光谱遥感技术是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表地物像，能够获得地物的连续光谱信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而在相关领域具有巨大的应用价值和广阔的发展前景。 1.2高光谱遥感数据的特点 同其他常用的遥感手段相比,成像光谱仪获得的数据具有以下特点: 1）、多波段、波段宽度窄、光谱分辨率高。波段宽度< 10 nm ，波段数较多光谱遥感(由几个离散的波段组成)大大增多，在可见光和近红外波段可达几十到几百个。如A VIRIS在0. 4～214 波段范围内提供了224 个波段。研究表明许多地物的吸收特征在吸收峰深度一半处的宽度为20～40 nm。这是传统的多光谱等

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

高光谱应用研究综述

浙江师范大学 研究生课程论文封面 课程名称：遥感理论与技术 开课时间： 2014-2015年第一学期 学院地理与环境科学学院学科专业自然地理学 学号2014210580 姓名张勇 学位类别全日制硕士 任课教师陈梅花 交稿日期2015年1月21日 成绩 评阅日期 评阅教师 签名 浙江师范大学研究生学院制

高光谱遥感应用研究综述 张勇 （浙江师范大学地理环境与科学学院，浙江金华321004） 摘要：高光谱遥感是近二十年发展起来的谱像和一的遥感前沿技术。虽然发展时间不长，但由于其本身的特点，使其获得了广泛的重视和应用。本文阐述了高光谱遥感的特点、优势，以及在航空及航天领域的发展情况，列举了几种典型高光谱成像仪的光学系统原理和主要技术指标。在此基础上，概述了高光谱遥感在植被生态、大气环境、地质矿产、海洋、军事等领域的应用情况。最后对高光谱遥感发展趋势提出了几点建议，包括低反射率目标遥感、高信噪比、高空间分辨率及宽覆盖范围等方面。 关键字：高光谱遥感；应用；成像光谱以；研究综述 Conclusion application of hyperspectral remote sensing Zhang Yong (Geography and environmental sciences, Zhejiang Normal University, Jinhua 321004) Abstract:Hyperspectral remote sensing, developed in the late twenty years, is the advanced technology of remote sensing. Because of its characters, Hyperspectral Remote Sensing has been attached importance to and used widly. The characteristics and advantages of hyperspectral remote sensing, and development situation are presented in the fields of aviation and aerospace. Several typical hyperspectral imager optical system principle and the main technical indicators are particularized. At the same time, the applications with hyperspectral remote sensing in vegetation ecology, atmospheric science ,geology and mineral resources, marine and military fields are summarized. The suggestions for the future development trend of hyperspectral remote sensing are given in the end，including the remote sensing of low reflectivity target, high signal-to-noise ratio, high spatial resolution and wide coverages. Keywords: hyperspectral remote sensing；application；imaging spectrometer 1 引言 遥感是20世纪60年代发展起来的对地观测综合性技术，是指应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。经过几十年的发展，无论在遥感平台、遥感传感器、还是遥感信息处理、遥感应用等方面，都获得了飞速的发展，目前遥感正进入一个以高光谱遥感技术、微波遥感技术为主的时代。本文系统地阐述了高光谱遥感技术在分析技术及应用方面的发展概况，并简要介绍了高光谱遥感技术主要航空/卫星数据的参数及特点。 1.1高光谱遥感简介 高光谱遥感技术又称为成像光谱技术，是指利用很多很窄的电磁波波段从感兴趣的物体

高光谱遥感实习报告

高光谱遥感实习报告 目录 一．数据预处理 (2) 1. 数据说明 (2) 2.数据转换 (3) 2.FLAASH大气校正 (4) 3.图像裁剪 (7)

二．光谱识别与地物分析 (8) 1.波段相关性分析 (8) 2.MNF变换 (8) 3.端元提取 (10) 3.1 2-D散点图法 (10) 3.2基于PPI的端元提取（N维散点图法） (13) 三．实习心得 (19) 一．数据预处理 1.数据说明 环境与灾害监测预报小卫星星座A、B星（简称环境小卫星，简写HJ-1A /1B）于2009

年3月30日开始正式交付使用，HJ-1-A星搭载了CCD相机和超光谱成像仪（HSI），HJ-1-B 星搭载了CCD相机和红外相机（IRS）。HJ-1A /1B卫星是继我国继气象、海洋、国土资源卫星之后一个全新的民用卫星。卫星投入使用后，对自然灾害、生态破坏、环境污染进行大范围、全天候、全天时的动态监测，对灾害和环境质量进行快速和科学评估，提高灾害和环境信息的观测、采集、传送和处理能力，为紧急救援、灾后救助及恢复重建和环境保护工作提高科学依据。 HSI 对地成像幅宽为50 km, 星下点像元地面分辨率为100 m，115个波段，工作谱段：459~ 956nm。具有30度侧视能力和星上定标功能。HJ-1数据应用于自然灾害、生态环境之前，需要进行几何及光谱方面的预处理。ENVI在数据读取、图像配准、精确大气校正等方面提供了非常好的工具。 2.数据转换 目前，网上免费获取的HJ-1A /1B卫星CCD和HSI影像的分发的格式主要有两种：CCD 为Geotiff，每一个波段为一个Geotiff文件，并提供一个元数据说明（.XML）; HSI为HDF5格式，也提供一个元数据说明（.XML）。 使用HJ-1数据读取补丁，启动ENVI->File->Open External File->HJ-1->HJ-1A /1B Tools工具。直接读取CCD、HIS、IRS数据，之后选择Basic Tools->Convert Data(BSQ,BIL,BIP)，将刚才生成的文件转成BIL储存顺序的文件。至此，已经将HSI数据转成BIL储存顺序、带有中心波长信息、波段宽度信息的ENVI格式文件。 图1.1 HJ-1A /1B Tools面板

高光谱遥感的发展与应用_张达

第１１卷　第３期２ ０１３年６月光学与光电技术 ＯＰＴＩＣＳ　＆ＯＰＴＯＥＬＥＣＴＲＯＮＩＣ　 ＴＥＣＨＮＯＬＯＧＹＶｏｌ．１１，Ｎｏ．３　 Ｊｕｎｅ，２０１３收稿日期　２０１２－０９－２９；　收到修改稿日期　２０１２－１２－ １３作者简介　张达（１９８１－） ，男，博士，副研究员，硕士生导师，主要从事空间光学遥感仪器的研制、空间光学成像，以及光谱探测技术方面的研究。Ｅ－ｍａｉｌ：ｚｈａｎｇｄａ＠ｃｉｏｍｐ ．ａｃ．ｃｎ基金项目　国防预研基金（ＳＡ０５０），国家８６３高技术研究发展计划（２０１０ＡＡ１２２１０９１００１） ，吉林省科技发展计划（２０１１０１０７９ ）资助项目文章编号：１６７２－３３９２（２０１３）０３－００６７－ ０７高光谱遥感的发展与应用 张　达　郑玉权 （中国科学院长春光学精密机械与物理研究所，吉林长春１３００３３） 摘要　阐述了高光谱遥感的特点、优势，以及在航空及航天领域的发展情况，列举了几种典型高光谱成像仪的光学系统原理和主要技术指标。在此基础上， 概述了高光谱遥感在植被生态、大气环境、地质矿产、海洋、军事等领域的应用情况。最后对高光谱遥感发展趋势提出了几点建议，包括低反射率目标遥感、高信噪比、高空间分辨率及宽覆盖范围等方面。关键词　高光谱遥感；发展；应用；成像光谱仪中图分类号　ＴＰ７０ 文献标识码　Ａ １　引　言 遥感技术是２０世纪６０年代发展起来的对地 观测综合性技术［１］ ，随着２０世纪８０年代成像光谱 技术的出现， 光学遥感进入了高光谱遥感阶段。从２０世纪９０年代开始， 高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。 高光谱遥感技术作为对地观测技术的重大突破［ ２］ ，其发展潜力巨大。 高光谱遥感实现了遥感数据图像维与光谱维信息的有机融合，在光谱分辨率上有巨大优势，是遥感发展的里程碑。随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛，已渗透到国民经济的各个领域，如环境监测、资源调查、工程建设等，对于推动经济建设、社会进步、环境的改善和国防建设起到了重大的作用。本文主要阐述高光谱遥感的特点、优势以及在航空及航天领域的发展情况，概括了高光谱遥感在植被生态、大气环境、地质矿产， 海洋军事等领域的应用情况。２　高光谱遥感特点与优势 高光谱遥感是高光谱分辨率遥感（Ｈｙｐｅｒｓｐ ｅｃ－ｔｒａｌ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ） 的简称［３］ ，它是在电磁波谱的紫外、可见光、近红外、中红外和热红外波段范围 内，获取许多非常窄且光谱连续的影像数据的技 术，是在传统的二维遥感的基础上增加了光谱维，形成的一种独特的三维遥感。对大量的地球表面物质的光谱测量表明， 不同的物体会表现出不同的光谱反射和辐射特征，这种特征引起吸收峰和反射峰的波长宽度在５～５０ｎｍ左右，其物理内涵是不同的分子、 原子和离子的晶格振动，引起不同波长的光谱发射和吸收，从而产生了不同的光谱特征。运用具有高光谱分辨率的仪器，通过获取图像上任何一个像元或像元组合所反映的地球表面物质的光谱特性， 经过后续数据处理，就能达到快速区分和识别地球表面物质的目的［ ４］ 。高光谱遥感的成像光谱仪具有光谱分辨率高（５～１０ｎｍ），光谱范围宽（０．４μｍ～２．５μｍ） 的显著特点，可以分离成几十甚至数百个很窄的波段来接收信息， 所有波段排列在一起能形成一条连续的完整的光谱曲线，光谱的覆盖范围从可见光、近红外到短波红外的全部电磁辐射波谱范围。高光谱数据是一个光谱图像的立方体，其空间图像维描述地表二维空间特征，其光谱维揭示图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱 维信息的有机融合［ ５］ 。高光谱遥感在光谱分辨率方面的巨大优势，使得空间对地观测时可获取众多连续波段的地物光谱图像， 从而达到直接识别地球表面物质的目的。地物光谱维信息量的增加为遥感对地观测、地物识别及地理环境变化监测提供了

高光谱在遥感技术的应用

高光谱在遥感技术的应用 高光谱遥感技术（Hyperspectral Remote Sensing）的兴起是20世纪80年代遥感技术发展的主要成就之一.作为当前遥感的前沿技术，高光谱遥感在光谱分辨率上具有巨大的优势。，随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛。本文主要阐述高光谱遥感的特点和主要应用。 1 高光谱遥感 孙钊在《高光谱遥感的应用》中提到，高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。 [1]高光谱遥感具有较高的光谱分辨率，通常达到10～2λ数量级。[2] 1.1 高光谱遥感特点 综合多篇关于高光谱的期刊文章，总结高光谱具有如下特点： （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。[3]与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。[4] （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。[5]成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm 左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。 （4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2 高光谱遥感的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势:

高光谱遥感数据的大气校正

实验二高光谱遥感数据的大气校正 --GIS0901 赵建平 2009303200901 一. 基本概念: a)大气散射 辐射在传播过程中遇到小微粒而使传播方向改变，并向各个方向散开，称为散射。大气散射是电磁波同大气分子或气溶 胶等发生相互作用，使入射能量以一定规律在各方向重新分布 的现象。其实质是大气分子或气溶胶等粒子在入射电磁波的作 用下产生电偶极子或多极子振荡，并以此为中心向四周辐射出 与入射波频率相同的子波，即散射波。散射波能量的分布同入 射波的波长、强度以及粒子的大小、形状和折射率有关。 b)大气吸收和地面遥感可以利用的主要大气窗口 对遥感传感器而言，只有选择透过率高的波段才对观测有意义。电磁波通过大气层较少被反射、吸收和散射的那些透射 率高的波段成为大气窗口。通常把太阳光透过大气层时透过率 较高的光谱段称为大气窗口。大气窗口的光谱段主要有: 微波波段（即0.8~2.5cm），由于微波穿云透雾能力强，这一区间可以用于全天候观测，而且是主动遥感方式。 远红外波段（即8~14μm），主要通透来自地物热辐射的能量，适用于夜间成像。 中红外波段（即3.5~5.5μm），该波段除了反射外，地面物体也可以自身发射热辐射能量。 近、中红外波段（即1.5~1.8μm和2.0~3.5μm），是白天

日照条件好时扫描成像的常用波段。 紫外、可见光和近红外波段（即0.3~1.3μm）这一波段是摄影成像的最佳波段，也是许多卫星传感器扫描成像的常用波段。 c)天空为什么是蓝色的？太阳升起和落下时天空为什么是红色 或橘红色？ 我们所看到的蓝天是因为空气分子和其他微粒对入射的太阳光进行选择性散射的结果。当微粒的直径小于可见光波长时，散射强度和波长的4次方成反比，不同波长的光被散射的比例不同。当太阳光进入大气后，空气分子和微粒(尘埃、水滴、冰晶等)会将太阳光向四周散射。组成太阳光的红、橙、黄、绿、蓝、靛、紫7种光中，红光波长最长，紫光波长最短。 波长比较长的红光透射性最大，大部分能够直接透过大气中的微粒射向地面。而波长较短的蓝、靛、紫等色光，很容易被大气中的微粒散射。因此晴天天空是蔚蓝的。 当太阳将要落山时，太阳光穿透大气层到达观察者所经过的路程要比中午时长得多，更多的光被散射和反射，所以光线也没有中午时明亮。因为在到达所观察的地方，波长较短的光——蓝色和紫色的光几乎已经散射殆尽，只剩下橙色和红色的光，所以随着太阳慢慢落下，天空看起来也从橙色变成红色。 同样道理，当太阳升起的时候，也是橙色或者红色的。 d)为什么要进行大气校正？

高光谱遥感影像的光谱匹配算法研究概要

https://www.wendangku.net/doc/2e13148528.html, 中国科技论文在线高光谱遥感影像的光谱匹配算法研究 蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感 通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt@https://www.wendangku.net/doc/2e13148528.html, （1. 中国矿业大学环境与测绘学院，江苏徐州 221008； 2. 江苏煤炭地质勘探四队，南京 210046） 摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C++平台实现了最小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。 关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码 中图分类号：TP751 The Study on the Spectral Matching Technique of hyperspectral romote sensing Cai Yan1, Mei Ling2 (1. School Of Environment Science and Spatial Informatics China University of Mining and Technology, JiangSu XuZhou 221008;

2. JiangSu Geological Prospecting Team Four, NanJing 210046 Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes. Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding 0 引言 高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱 维上进行图像信息的展开和定量分析。 高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小 距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。

高光谱图像分类讲解学习

高光谱图像分类

《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月

一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统