高光谱遥感技术

合集下载

高光谱遥感

光谱范围 400~850nm 采样间隔 1.8nm 光谱分辨率 <5nm 瞬时视场角 1.5mrad 行象元数 376 信噪比 ~200
• 中国：MAIS、PHI、OMIS-1（10个热波段）、中国：个热波段）、、、（个热波段 CMODIS（神舟III号）、Env-DD（环境灾害小卫星）（神舟号（环境灾害小卫星）
三、高光谱遥感技术优势与局限性
优势 1：充分利用地物波谱信息资源：
图不同波谱分辨率对水铝反射光谱曲线
优势 2：利用波形精细光谱特征进行分类与识别地物：利用波形/精细光谱特征进行分类与识别地物
Al-OH
Paragonite
Muscovite
Phengite
三种类型的白云母精细光谱特征
岩石的光谱发射率特征
航空高光谱遥感飞行设计图
（2）光谱特征参数定量分析技术）
不同水分含量的叶片的光谱反射率
RWC(%)=24.5+7.13*面积 (R2=0.845)
（3）光谱匹配技术（二值编码））光谱匹配技术（二值编码） • 岩矿光谱分类与识别
岩石和矿物
2.15-2.31微米粘土矿 2.24-2.31微米 Mg-OH 对称性>1 滑石 2.15-2.19微米叶蜡石 2.31-2.35微米碳酸盐
优势 3：利用图谱实现自动识别地物并制图：利用图-谱实现自动识别地物并制图
局限1：海量数据的传输、局限：海量数据的传输、处理与存储 128波段的波段的OMIS: 采集数据速率采集数据速率60Mb/s；400Mb/km2 波段的；
高光谱遥感信息的图像立方体表达形式是一种新高光谱遥感信息的图像立方体表达形式是一种新型的数据存储格式，型的数据存储格式，其正面图像是由沿飞行方向的扫描线合沿扫描方向的像元点组成的一景优选的三波段合成的二维空间彩色影像；合成的二维空间彩色影像；其后面依次为各单波段的图象叠合，其数据量为所有波段图像的总和；图象叠合，其数据量为所有波段图像的总和；位于图像立方体边缘的信息表达了各单波段图像最边缘各像元的地物辐射亮度的编码值或视反射率。元的地物辐射亮度的编码值或视反射率。

高光谱遥感的概念

定量反演与模型模拟技术
定量反演
利用高光谱数据反演地物参数，如叶绿素含量、地表温度等。
模型模拟
建立地物光谱模型，模拟地物光谱特征，用于预测和模拟。
参数优化
对反演和模拟的参数进行优化，提高结果的准确性和可靠性。
04
高光谱遥感的应用案例
农业应用案例
作物分类与识别
土壤质量评估
高光谱遥感能够通过分析不同作物反射的光谱特征，实现对农作物的精细分类和识别，有助于精准农业的实施。
图像融合
将多源遥感数据融合，提高信息量和分辨率。
图像增强
通过对比度拉伸、色彩映射等手段，改善图像的可视化效果。
特征提取与分类技术
特征提取
从高光谱数据中提取地物光谱特征，如光谱曲线、谱带宽度等。
分类识别
利用提取的特征进行地物分类，识别不同类型地物。
精度评估
对分类结果进行精度评估，提高分类准确率。
高光谱遥感的概念
目
CONTENCT
录
• 引言 • 高光谱遥感的原理 • 高光谱遥感的关键技术 • 高光谱遥感的应用案例 • 高光谱遥感的未来发展
01
引言
什么是高光谱遥感
高光谱遥感是一种利用光谱信息对地球表面进行观测和监测的技术。它通过卫星、飞机或其他遥感平台搭载的高光谱传感器，获取地表反射、发射和散射的光谱数据，从而实现对地物的精细识别和分类。
高光谱遥感的数据获取方式
采集方式
通过卫星或飞机搭载高光谱传感器进行数据采集。
数据处理
对采集的高光谱数据进行预处理、特征提取和分类识别等操作。
应用领域
农业、环境监测、城市规划、地质勘察等领域。
03

高光谱遥感

遥感分类
多光谱遥感：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。高光谱遥感：光谱分辨率在λ /100的遥感信息称之为高光谱遥感 (HyPerspectral)。它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，获取许多非常窄的光谱连续的影像数据的技术。其成像光谱仪可以收集到上百个非常窄的光谱波段信息。高光谱遥感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。高光谱遥感使本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。超高光谱遥感：而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(ultraspeetral)阶段。
土壤属性高光谱反演
土壤盐分
在土壤反射光谱中的特征光谱，从而对土壤营养状况和
土壤侵蚀状况做进一步检测与评价。有图可知，总氮在 0.55-0.60μm之间和0.80-0.85μm之间有较明显的反射峰，在1.4μm周围有较显著的吸收谷。
土壤水分
当土壤的含水率增加时，土壤的反射率下降，在水的吸
Hyperion/EO-1
Hyperion 传感器搭载于 EO-1 卫星平台，EO-1(Earth
Observing-1)是美国NASA 面向 21 世纪为接替 LandSat-7 而研制的新型地球观测卫星，于 2000 年 11月发射升空，其卫星轨道参数与 LandSat-7 卫星的轨道参数接近，之所以设计相同轨道，目的是为了使 EO-1 和 LandSat-7 两颗星的图像每天至少有 1~4 景重叠，以便进行比对。传统的陆地资源卫星只提供为数不多的七个多光谱波段，远远不能满足各种实际应用的需要，因此美国地质调查局（USGS）与美国宇航局（NASA）合作发射了 EO-1 卫星，并在该卫星上搭载了三种传感器分别是 ALI (the Advanced Land Imager), Hyperion, LEISA （the Linear Etalon Imaging Spectrometer Array）Atmospheric Corrector

高光谱遥感

高光谱遥感的基本概念
高光谱遥感的基础是波谱学，早在20世纪初波谱学就被用于识别分子和原子的结构。由于物质是由分子、原子构成的，组成物质的分子、原子的种类及其排列方式决定了该物质区别于其它物质的本质特征。当电磁波入射到物质表面时，物质内部的电子跃迁，原子、分子的振动、转动等作用使物质在特定的波长形成特有的吸收和反射特征，能够通过物质的反射（或吸收）光谱上反映出物质的组成成分与结构的差异,然而这些吸收和反射特征在传统的多光谱遥感数据上很难清楚地体现（童庆禧， 1990）。
10-1λ
>10-2λ
高光谱遥感的基本概念 2 Radiant
2 Spatial (2D)
高光谱图像立方体
2 Spectral
高光谱遥感的基本概念
z光谱分辨率高(λ×10-2)
特点
z波段多⎯数十到数百 z谱⎯像合一的特点 z信息量大，一次数据获取达千兆(GB)级
z数据速率高，数十⎯数百兆比特/秒
10
ΕΟ−1/ΗΨ
220
ΠΕΡΙ ON
EO-1/ LAC
256
Landsat7
7/W TM+
Obv iew-4
MO DIS
MERIS
AR IES
400-2 500
2 5.4 12 0.0 1 6.5 <5.0 12.5 2 5.0 2 0.0-71.0 6 0.0 57 0.0 1 6.0 10 0.0 1 5.0 200 0.0 60 0.0 2 0.0 5 0.0 8.0 400/ 500
航天高光谱仪 Hyperion
遥感器 PLI-PMI C ASI S FSI AIS-1
AIS-2 AVI RIS (20 km) A SAS 改进 ASAS

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（AIS-1）获取的高光谱分辨率图像的正式出现标志着第一代高光谱分辨率传感器面世。

高光谱遥感技术的发展与应用现状

三、高光谱遥感技术的应用现状
然而，目前高光谱遥感技术还存在一些问题和挑战。首先，高光谱遥感技术的数据采集和处理成本较高，限制了其广泛应用。其次，高光谱遥感技术的数据处理算法和模型还不够完善，分类精度有待提高。此外，由于高光谱遥感技术使用的光谱波段范
三、高光谱遥感技术的应用现状
围较窄，对于某些特定地物目标的识别精度有限。
一、高光谱遥感技术概述
一、高光谱遥感技术概述
高光谱遥感技术是一种利用电磁波谱中可见光、近红外、中红外和热红外波段的光谱信息，进行地表特征识别的遥感技术。它能够揭示出地物的光谱特征，反映地物的空间、形态、结构等信息，具有很高的空间分辨率和光谱分辨率。
一、高光谱遥感技术概述
高光谱遥感技术的应用，为地球表面的资源调查、环境监测、精准农业等提供了强有力的技术支持。
四、未来展望
四、未来展望
针对现有问题和未来发展趋势，高光谱遥感技术的研究和应用将朝着以下几个方向发展：
1、降低成本：通过研发成本更低的硬件设备和优化数据处理算法，降低高光谱遥感技术的数据采集和处理成本，促进其广泛应用。
四、未来展望
2、提高精度：通过对数据处理算法和模型的深入研究和完善，提高高光谱遥感技术的分类精度和识别精度。
三、高光谱遥感技术的应用现状
高光谱遥感技术可以用于土地资源调查、土地利用规划、土地资源保护等方面的应用。例如，通过对不同土地类型的光谱特征进行分析，可以实现对土地类型的精细分类和利用评估。
三、高光谱遥感技术的应用现状
在农作物监测方面，高光谱遥感技术可以用于农作物的生长状态监测、产量预测、品质评估等方面的应用。例如，通过测量农作物的叶绿素含量和水分含量等光谱特征，可以判断农作物的生长状况和预测产量。此外，高光谱遥感技术在地质勘察、城市规划、军事侦察等领域也有广泛的应用。

高光谱遥感资料处理方法与数据融合

高光谱遥感资料处理方法与数据融合高光谱遥感技术是一种获取地球表面物质光谱信息的重要手段，其应用广泛，如农业、环境监测、地质勘探等领域。

然而，高光谱数据量大、维度高、处理复杂，因此需要有效的处理方法与数据融合技术来提取有价值的信息。

高光谱遥感资料处理方法主要包括预处理、特征提取、分类与解译等几个步骤。

首先，预处理是为了去除噪声、校正辐射、减少大气效应等，以确保数据的准确性。

在预处理过程中，常用的方法有大气校正、波段选择、空间和时间滤波等。

特征提取是高光谱资料处理的核心环节，目的是从大量的光谱数据中提取出目标物体的特征，以便进行分类与解译。

常用的特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）、小波变换等。

PCA通过线性组合将高维的原始光谱数据转换为低维的主成分变量，以达到减少数据维度、保留重要信息的目的。

LDA是一种监督方法，它可以通过最大化类别内的散度和最小化类别间的散度来提取判别信息。

小波变换则可以将光谱信号分解为不同尺度的频域成分，从而更好地表达光谱特征。

分类与解译是高光谱遥感图像处理中的重要环节，它可以通过将像素分为不同的类别或解释对象，以获得对地物的识别与定量分析。

在分类过程中，常用的方法有最大似然法、支持向量机、人工神经网络等。

最大似然法基于统计模型，通过计算概率分布最大的类别来进行分类。

支持向量机是一种基于统计学习的分类方法，它通过寻找一个最优的超平面将数据集分割为不同的类别。

人工神经网络则模拟人脑神经元的运作规律，通过多层神经元的连接来进行模式识别和分类。

除了高光谱遥感资料的处理方法，数据融合也是高光谱遥感技术中的关键环节之一。

数据融合是将来自不同传感器的遥感数据进行整合，以获得更全面、准确的信息。

常用的数据融合方法有基于物理模型的融合和基于统计方法的融合。

基于物理模型的融合是通过数学模型和物理原理将不同传感器的观测分量融合，以得到具有更高空间分辨率和光谱分辨率的数据。

高光谱遥感的应用

星载成像光谱仪美国的 Hyperion，德国的 EnMAP 和日本的 Hyper-X。
在外星探测中，有火星探测热红外高光谱仪等，中国和印度的探月计划中也将搭载高光谱仪。
基于高光谱数据的矿物精细识别
利用高光谱遥感（含热红外高光谱）进行矿物识别可分为 3 个层次：
矿物种类识别矿物含量识别矿物成分识别
3.混合光谱分解技术
用以确定在同一像元内不同地物光谱成分所占的比例或非已知成分。因为不同地物光谱成分的混合会改变波段的深度，波段的位置，宽度，面积和吸收的程度等。这种技术采用矩形方程，神经元网络方法以及光谱吸收指数技术等，求出在给定像元内各成分光谱的比例。
4.光谱分类技术
主要的方法包括传统的最大似然方法、人工神经网络方法、支持向量机方法和光谱角制图方法（Spectral Angel Map-per, SAM）。
5.光谱维特征提取方法
可以按照一定的准则直接从原始空间中选出一个子空间；或者在原特征空间之间找到某种映射关系。这一方法是以主成分分析为基础的改进方法。
6、模型方法
是模型矿物和岩石反射光谱的各种模型方法。因为高光谱测量数据可以提供连续的光谱抽样信息，这种细微的光谱模型特征是模型计算一改传统的统计模型方法建立起确定性模型方法。因而，模型方法可以提供更有效和更可靠的分析结果。
植被遥感研究的分析方法，除了应用于地质分析中的一些方法外，主要有以下几种技术：
1、多元统计分析技术用原始的光谱反射率或经微分变换、对数变换、植被指数变换或其
他数学变换后的数据作为自变量，以叶面指数、生物量、叶绿素含量
等作为因变量，建立多元回归预测模型来估计或预测生物物理模型和生物化学参数。 2、基于光谱波长位置变量的分析技术

高光谱遥感技术应用的原理

高光谱遥感技术应用的原理1. 引言高光谱遥感技术是一种基于光谱信息的遥感技术，通过对地面物体反射、辐射或辐射传输特性进行监测和分析，实现对地表目标的信息获取。

该技术具有高光谱分辨率、高光谱信噪比以及高光谱空间分辨率等特点，因此在农业、环境监测、地质勘探等领域得到了广泛的应用。

2. 高光谱遥感技术的原理高光谱遥感技术利用地物在不同波段上的反射光谱特征来获取地面目标的相关信息。

其原理包括光谱分辨和光谱解译两个过程。

2.1 光谱分辨光谱分辨是高光谱遥感技术的核心环节之一，包括数据采集、数据处理和数据解译三个步骤。

2.1.1 数据采集高光谱遥感技术通过传感器记录地表目标的反射光谱，传感器可以是飞机、卫星或无人机等设备。

传感器在不同波段上接收地物的辐射能量，并将其数字化储存。

2.1.2 数据处理数据处理是光谱分辨过程的关键步骤，包括辐射定标、大气校正和几何校正等。

辐射定标是将数字化的辐射能量转换为辐射亮度，大气校正则是消除大气等因素对辐射亮度的影响，几何校正用于纠正传感器位置和姿态带来的影响。

2.1.3 数据解译数据解译是对高光谱影像图进行光谱特征提取、光谱分类和目标识别等过程。

光谱特征提取是将影像中的光谱信息与地物特征进行关联，光谱分类是将不同地物的光谱特征划分为不同的类别，目标识别则是根据光谱特征进行地物的识别和定位。

2.2 光谱解译光谱解译是根据光谱信息对地物进行分类和识别的过程。

该过程包括光谱库的建立、光谱曲线的拟合和光谱特征的提取等步骤。

2.2.1 光谱库的建立光谱库是包含不同地物光谱特征的数据库，通过采集不同地物的光谱信息，构建光谱库，为后续的光谱解译提供参考。

2.2.2 光谱曲线的拟合光谱曲线的拟合是将采集到的光谱数据与光谱库中的光谱特征进行比对和匹配，找出与之最相似的地物光谱曲线。

2.2.3 光谱特征的提取光谱特征的提取是对光谱曲线中的特征进行统计和分析，如光谱平均值、光谱峰值和光谱波宽等，从而得出地物的光谱特征。

高光谱遥感

EO-1
Landsat-7
1
mi
n
29 min
Terra
表 Hyperion主要技术参数
中国的环境与减灾1号卫星高光谱成像仪
• 高光谱遥感信息成像机理
➢ 高光谱遥感器接收到入瞳辐射后通过探测器产生电信号，在经过增益和模数转换（A/D）产生遥感影像数值（DN）。遥感器的空间响应、光谱响应和辐射响应决定了输出图像的信息特征。进入传感器的辐射量通过光学系统后，由分光器件分成不同的光谱段后到达探测器焦平面转换为测量值。该测量值的大小直接与探测器的光谱响应率相关，从而又与光学系统的透过率和探测器的光谱灵敏度相关联。
三、高光谱遥感器的发展
❖ 70年代末，美国加州理工学院喷气推进实验室（JPL）
学者提出。
❖ 1983年，世界上第一台成像光谱仪问世，AIS-1
（Airborne Imaging Spectrometer）问世，64波段。
❖ 1987年，航空可见光/红外成像光谱仪AVIRIS，224波段 ❖ 2000年第一台星载高分辨率成像光谱仪 HYPERION升空。 ❖ 1991年，中国第一台航空成像光谱仪（MAIS）运行
➢ 第一代成像光谱仪称航空成像光谱仪AIS(Airborne
Imaging Spectrometer)，64个通道，光谱覆盖范围从990nm-2400nm, 光谱分辨率9.3nm。
➢ 第二代成像光谱仪称航空可见光、近红外成像光谱仪
AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)，224个通道，光谱范围410nm-2450nm，光谱分辨率10nm。
❖多光谱遥感（Multirspectral Remote Sensing），光谱分辨率为波长的1/10数量级范围（几十个至几百个nm）；

高光谱遥感影像数据处理与分析技术研究

高光谱遥感影像数据处理与分析技术研究遥感技术是指利用航空、航天等手段对地球表面进行观测和记录，以获取地表信息的一种手段。

其中，高光谱遥感影像数据处理与分析技术是遥感技术中的一个重要分支。

高光谱遥感影像数据具有丰富的光谱信息，能够提供更多细节和特征，因此在农业、地质、环境等领域有着广泛的应用。

本文将从数据处理和数据分析两个方面对高光谱遥感影像数据进行研究，探讨其应用前景和方法。

一、高光谱遥感影像数据处理技术1. 数据获取和预处理高光谱遥感影像数据的获取主要通过卫星、飞机等平台进行，包括可见光和红外光谱。

首先，需要对获取的原始数据进行预处理，如图像去噪、辐射校正、几何校正等。

这些步骤能够提高数据质量，为后续分析提供可靠的基础。

2. 光谱信息提取和分析高光谱遥感影像数据的独特之处在于其具有连续的光谱信息。

在光谱信息的提取和分析过程中，可以采用一些常用的算法和方法。

例如，主成分分析(PCA)能够提取影像中的主要特征，并减少数据维度，帮助人们理解数据的空间分布；线性混合模型(LMM)可用于定量分析影像中的不同物质的含量。

此外，还可以结合光谱库和分类器进行分析，以提高分类和识别的准确性。

3. 特征提取和目标检测高光谱遥感影像数据中的每个像元都包含大量的光谱信息，因此可用于进行特征提取和目标检测。

人们可以基于已知目标的光谱特征，利用聚类、分类、分割等方法，对影像中的目标进行准确识别和提取。

这些特征可以用于农作物生长监测、病害检测、水质评估等领域。

二、高光谱遥感影像数据分析技术1. 植被指数分析植被指数可以通过高光谱遥感影像数据的光谱信息计算得出，例如归一化植被指数(NVI)、修正的归一化植被指数(MNVI)等。

植被指数可以用来评估植被的生长状况、叶绿素含量、土壤水分等因素。

通过对高光谱遥感影像数据进行植被指数分析，可以提供农作物的生产效率评估、植被变化监测等重要信息。

2. 土地覆盖分类高光谱遥感影像数据能够提供更多的光谱细节，因此在土地覆盖分类中有着广泛的应用。