高光谱实验报告三
高光谱实习报告
高光谱遥感实习报告1、通过给定的数据1DATA（excel文档格式）建立光谱库，并将该光谱库数据重采样至TM传感器的光谱分辨率。
1.1光谱库重采样使用“Spectral Libraries | Spectral Library Resampling”子菜单进行光谱库重采样。
在“Spectral Resampling Parameters”对话框里，选择“Input Data File” 作为重采样方法,第一步：出现“File Containing Output Wavelength”对话框时，点击需要的文件名。
此时是can_tmr.img作为参考文件，也就是说光谱库中的光谱将以TM的波长范围进行重采样。
如下系列图所示：第二步：点击【OK】开始重采样过程。
数据文件在它的相关文件头中，必须包含用于重采样的波长数值。
如果在文件头中，出现FWHM 值，它们也将用于重采样。
（1）在“Available Bands List”中出现重采样后的光谱库。
（2）通过光谱库查看功能查看重采样后的光谱数据。
第三步：通过光谱库查看重采样后的结果1.2光谱库建立操作步骤：第一步：选择“Spectral | Spectral Libraries | Spectral Library Builder”。
第二步：出现“Spectral Library Builder”对话框时，从“Data File” (ENVI图像文件)或ASCII File” 、或“File Input Spectrum”，为新库选择数据源。
第三步：出现“File Containing Output Wavelength”对话框时，用标准选择程序选择包含波长和可选项FWHM值的输入文件。
（1）当采用“Data File”，波长和FWHM 值（若存在）从ENVI 头文件中读取。
如图18.（2）当采用“ASCII File”, 必须选上包含波长值与FWHM (若存在)的列。
光谱法实验报告
一、实验目的1. 掌握光谱法的基本原理和应用领域。
2. 熟悉光谱仪器的构造和操作方法。
3. 学习利用光谱法对物质进行定性和定量分析。
4. 培养实验操作技能和数据分析能力。
二、实验原理光谱法是利用物质对光的吸收、发射、散射等现象来分析物质组成和结构的方法。
根据物质对不同波长光的吸收或发射特性，可以识别和定量分析物质中的元素和化合物。
1. 吸收光谱法：当一束单色光通过物质时，物质中的某些分子会吸收特定波长的光，导致光强减弱。
通过测量光强随波长的变化，可以确定物质中的元素和化合物。
2. 发射光谱法：当物质受到激发时，分子会从基态跃迁到激发态，然后返回基态并发射出特定波长的光。
通过测量发射光的光谱，可以确定物质中的元素和化合物。
三、实验仪器与试剂1. 仪器：紫外-可见分光光度计、原子吸收光谱仪、荧光光谱仪、比色皿、移液器等。
2. 试剂：待测溶液、标准溶液、空白溶液、酸碱指示剂等。
四、实验步骤1. 吸收光谱法实验（1）配制标准溶液：根据实验要求，准确配制一定浓度的标准溶液。
（2）测量标准溶液的吸光度：将标准溶液置于比色皿中，使用紫外-可见分光光度计测定其在特定波长下的吸光度。
（3）绘制标准曲线：以标准溶液的浓度为横坐标，吸光度为纵坐标，绘制标准曲线。
（4）测定待测溶液的吸光度：将待测溶液置于比色皿中，使用紫外-可见分光光度计测定其在特定波长下的吸光度。
（5）计算待测溶液的浓度：根据待测溶液的吸光度，从标准曲线上查找对应的浓度。
2. 发射光谱法实验（1）激发待测物质：将待测物质置于荧光光谱仪的样品室中，使用激发光源激发物质。
（2）测量发射光谱：记录激发后的物质发射的光谱。
（3）分析发射光谱：根据发射光谱的峰位、峰强和峰形，确定物质中的元素和化合物。
五、实验结果与讨论1. 吸收光谱法实验（1）标准曲线：绘制了标准溶液的吸光度-浓度曲线，线性关系良好。
（2）待测溶液的浓度：根据标准曲线，计算出待测溶液的浓度为X mol/L。
高光谱遥感实验三
2012级研究生《高光谱遥感技术》实验报告姓名：张东霞学号：2012110673专业：摄影测量与遥感成绩：2013年4月28日实验项目三张东霞 2012110673一、实验目的1、掌握光谱包络线去除法；2、掌握光谱数据变换的基本方法；3、掌握光谱特征提取的基本方法；二、实验内容1、土壤光谱吸收带包络去除变换（正，反），参数提取位置、深度、宽度、对称度；计算各参数与土壤有机质含量之间的相关性。
以hs15为例绘制正、反包络线，并提取位置、深度、宽度、对称度等参数。
在光谱曲线相似的情况下，直接从中提取光谱特征不便于计算，需要对光谱曲线做进一步处理，以突出光谱的吸收特征。
包络线去除法（continuum removal）是一种有效增强感兴趣吸收特征的光谱分析方法，它可以有效突出光谱曲线的吸收和反射特征，并将反射率归一化为0 ~ 1.0，光谱的吸收特征也归一化到一致的光谱背景上，有利于与其他光谱曲线进行特征数值的比较，从而提取特征波段以供分类识别。
“包络线”通常定义为逐点直线连接光谱曲线上那些凸出的峰值点，并使折线在峰值点上的外角大于180°，以原始光谱曲线上的值除以包络线上对应的值，即为光谱去包络。
光谱曲线的包络线计算公式：光谱曲线的反包络线计算公式：深度计算公式：运用上述公式计算各数值绘制图表.首先绘制样本hs15的原始光谱曲线图：图1 原始光谱曲线选择355-592为例进行各参数计算，首先计算斜率“=(B254-B4)/(A254-A4)”，其次计算包络线“=B x/(B$4+N$5*(A x-A$4))”,然后计算反包络“=1/C x”，最后计算深度“=1-C x”，找到最大深度、最大宽度、最大高差所在行列号为H58、I58、J58，分别用H58/(H247- H58)、I58/(IH247- I58)、J58/(J247- J58)得到对称度1、对称度2、对称度3，结果如下：图2 参数计算结果其中，计算发现第波段号为357的数据不符合要求，剔除：图3 剔除坏数据将所选的几个波段的合格计算数据绘制成图：图4 特征参数光谱曲线图对84个样本分别不分区间的进行上述参数计算，将计算结果保存列表如下图所示：图5 所有样本参数计算结果表选中特征指标与相关系数行列，插入二维柱状图，设置格式后显示结果如下：图6 特征参数的相关系数图2、土壤光谱整体变换，包括取平方、对数、一阶微分等，计算各参数与土壤有机质含量之间的相关性，按极大相关性原则，提取特征波段。
高光谱遥感实验报告影像融合
实验报告
班级：遥感科学与技术2013级1班姓名：文凤平学号：2013043009 一．实验名称
图像融和
二．实验目的
1.熟悉ENVI界面和操作；
2.学会利用ENVI实现高空间分辨率数据和多光谱数据的融合。
三．实验数据
1.搞空间分辨率数据：Bldr_sp.img；
2.多光谱数据：TM_30m.img。
四．实验内容与结果分析（实验主要内容，软件操作的主要过程截图及实验结果截图）
1.Transform->image sharpening->PC spectral sharpening在Select Low Spatial Resolution Band Input Multi Band Input File对话框中选择地空间分辨率的图像也就是多光谱分辨率的TM-30m数据；
2.接下来在Select High Spatial Resolution Input File对话框中选择高空间分辨率的图像Bldr_sp数据，点击ok按钮即可；
3.在PC Spectral sharpening paraments设置参数如下：
4.融合后的波段数据与TM数据对比：。
高光谱遥感实验指导书
（2） 选择 cup95eff.int 文件，默认 Spatial Subsetting, Spectral Subsetting, 和 Masking，然后点击 OK，打开 Forward MNF Transform Parameters 的对话框；
实验内容
1、 MNF变换 cup95eff.int是本次实验使用AVIRIS的高光谱影像，已经经过消
光和大气校正。在ENVI中打开该影像，按照下列步骤进行MNF变换处 理：
（1） 从 ENVI 的主菜单按照下列之一的方式打开 MNF 的对话框
a) Transform → MNF Rotation → Forward MNF → Estimate Noise Statistics From Data
6
实验三 地物光谱测量与成像
实验目的
1、 了解地面高光谱数据获取的一般方法和测量过程 2、 了解地物光谱仪的一般工组原理 3、 理解地物光谱测量是定量遥感建模的重要内容
实验内容
1、了解野外便携式地物光谱仪的原理、使用和操作 2、使用野外便携式地物光谱仪测量典型地物（水，土，作物）的 光谱曲线
预备知识
I
实验一 高光谱遥感数据获取
实验目的
高光谱遥感数据的具有较高的光谱分辨率，每个波段的范围小 （窄波段），通常具有数十个至 200 多个窄波段。本次实验的目的是 利用 ENVI、Erdas 等软件观察 TM、AVIRIS 和 Hyperion 等遥感数据或 者实验室使用 Headwall 高光谱相机拍摄的高光谱图像数据，认识高 光谱数据的图谱合一的特点。
光谱实验报告
一、实验目的1. 了解光谱分析的基本原理和实验方法。
2. 掌握使用光谱仪进行物质定性和定量分析的操作步骤。
3. 通过实验，验证光谱分析在实际中的应用价值。
二、实验原理光谱分析是利用物质对光的吸收、发射、散射等现象，通过分析其光谱特征，实现对物质的定性和定量分析。
根据光谱产生的原因，光谱分析主要分为以下几种：1. 原子光谱：由原子外层电子的跃迁产生，如发射光谱、吸收光谱、荧光光谱等。
2. 分子光谱：由分子内电子、振动、转动能级的跃迁产生，如红外光谱、拉曼光谱等。
3. 固体光谱：由固体中电子、离子、晶格振动等产生，如X射线衍射、拉曼光谱等。
本实验主要涉及原子光谱和分子光谱分析，通过观察和记录物质的光谱特征，实现对物质的定性和定量分析。
三、实验仪器与试剂1. 仪器：紫外-可见分光光度计、荧光光谱仪、光谱仪样品池、氢氘灯、钨灯等。
2. 试剂：荧光黄、水、氯化钠、氯化钾、氯化铁等。
四、实验内容与步骤1. 激发光谱测定（1）将荧光黄溶液倒入样品池，设定激发波长范围为200-500nm，步长为5nm。
（2）打开氢氘灯，调整光谱仪至激发光谱模式，记录荧光黄溶液的激发光谱。
（3）根据激发光谱，确定荧光黄溶液的最大激发波长。
2. 发射光谱测定（1）根据最大激发波长，设定发射光谱的检测范围为最大激发波长两侧各100nm，步长为5nm。
（2）打开钨灯，调整光谱仪至发射光谱模式，记录荧光黄溶液的发射光谱。
（3）根据发射光谱，确定荧光黄溶液的最大发射波长。
3. 物质定量分析（1）分别配制不同浓度的氯化钠、氯化钾、氯化铁溶液。
（2）按照激发光谱和发射光谱的测定方法，分别记录各溶液的光谱。
（3）根据标准曲线法，确定各溶液的浓度。
五、实验结果与分析1. 激发光谱和发射光谱（1）荧光黄溶液的激发光谱在440nm处出现最大吸收峰，发射光谱在540nm处出现最大发射峰。
（2）氯化钠、氯化钾、氯化铁溶液的激发光谱和发射光谱分别与荧光黄溶液的光谱相似。
光谱分析实验报告
光谱分析实验报告光谱分析实验报告引言光谱分析是一种重要的科学实验方法，通过对物质发射、吸收、散射光的分析，可以了解物质的组成、结构和性质。
本实验旨在通过实际操作，探究不同物质的光谱特征，并理解光谱分析在科学研究和实际应用中的重要性。
实验目的1. 了解光谱分析的基本原理和方法；2. 掌握光谱仪的操作技巧；3. 利用光谱分析仪器，研究不同物质的光谱特征。
实验步骤1. 实验前准备：根据实验要求，准备好所需的光谱仪器和试样；2. 确定实验条件：调整光谱仪器的波长范围、积分时间等参数，以获得清晰的光谱图像；3. 测量样品光谱：将待测样品放入光谱仪器中，记录下样品的光谱图像；4. 数据处理与分析：根据测量结果，分析样品的光谱特征，并与已知数据进行比对；5. 结果验证与讨论：对实验结果进行验证，并进行相关讨论。
实验结果与分析在本次实验中，我们选取了几种常见物质进行光谱分析，包括金属元素、有机化合物和荧光物质。
金属元素的光谱特征我们首先对几种金属元素进行了光谱分析，包括铜、铁和锌。
通过实验测量，我们得到了它们的光谱图像，并进行了比对分析。
铜的光谱图像显示了明显的特征峰，这是由于铜原子在激发态和基态之间的能级跃迁所产生的。
通过对比不同波长下的吸收峰值，我们可以确定铜的特征波长范围。
铁的光谱图像显示了多个特征峰，这是由于铁原子的电子结构复杂所致。
通过对比不同峰值的强度和位置，我们可以推断出铁的不同能级跃迁。
锌的光谱图像显示了较为简单的特征峰，这是由于锌原子的电子结构相对简单。
通过对比不同波长下的吸收峰值，我们可以确定锌的特征波长范围。
有机化合物的光谱特征我们还选取了几种常见的有机化合物进行了光谱分析，包括苯酚、甲苯和乙醇。
通过实验测量，我们得到了它们的光谱图像，并进行了比对分析。
苯酚的光谱图像显示了明显的吸收峰，这是由于苯酚分子中的特定官能团所致。
通过对比不同峰值的位置和强度，我们可以推断出苯酚的结构特征。
甲苯的光谱图像显示了多个吸收峰，这是由于甲苯分子中的不同官能团所致。
光谱测量实验报告
光谱测量实验报告光谱测量是物理学中一项非常重要的实验技术。
通过对物质发出或吸收的光进行分析，可以了解物质的能级结构以及其组成成分。
本实验旨在通过光谱仪的使用，对不同物质的光谱进行测量和分析，探索光谱测量技术在实践中的应用。
实验中，我们使用一台高分辨率的光谱仪，该仪器能够将光分成不同波长并显示出其强度分布。
首先，我们选择了白炽灯作为实验光源，并将其光通过光谱仪进行测量。
结果显示，白炽灯发出的光谱中包含了连续的、平滑的亮度分布曲线。
这是因为白炽灯是一种连续光源，其光包含了各个波长的连续能量分布。
接下来，我们选择了氢气放电灯作为实验光源。
氢气放电灯是一种低压气体放电光源，其灯管内充满了氢气，并通电使之发光。
通过测量氢气放电灯的光谱，我们可以观察到一系列离散的亮线。
这些亮线对应于氢气原子在不同能级之间跃迁所产生的光。
通过与已知的能级跃迁相对应，我们可以确定氢气光谱中这些亮线的波长，进而了解氢气原子的能级结构。
进一步地，我们选择了各种不同物质的样本，并对其进行了光谱测量。
我们发现，不同物质的光谱具有明显的差异。
例如，通过测量荧光灯的光谱，我们可以看到其主要由几个尖锐的发射峰组成，这些峰对应于荧光粉发光时的能级跃迁。
而对于各种元素的样品，我们通过测量其吸收光谱，可以发现吸收峰的位置和个数与元素的组成和浓度有关。
这为物质的化学分析提供了有力的手段。
除了对物质的成分进行分析，光谱测量还能用于其他许多领域。
光谱测量技术在天文学中也有着广泛的应用。
通过测量恒星的光谱，天文学家们可以了解星体的温度、组成、运动以及更深入的物理特性。
在医学领域，光谱测量还用于生物分析和诊断。
例如，通过测量人体血液中不同物质的吸收光谱，医生们可以对患者进行疾病的诊断和治疗。
总之，光谱测量是一项重要而广泛应用的实验技术。
通过测量光的波长和强度分布，我们可以了解物质的能级结构、成分和性质。
光谱测量技术在物理学、化学、天文学以及医学等众多领域具有重要作用。
光谱实验初步实验报告
一、实验目的1. 熟悉光谱实验的基本原理和方法；2. 掌握光谱仪器的使用技巧；3. 学习光谱数据分析方法；4. 培养实验操作能力和科学思维。
二、实验原理光谱分析是研究物质组成和结构的重要手段之一。
当物质受到特定波长的光照射时，其内部的电子会发生跃迁，产生特定波长的光辐射。
这些光辐射通过光谱仪器的分析，可以得到物质的光谱信息，从而推断出物质的组成和结构。
三、实验仪器与试剂1. 仪器：紫外-可见分光光度计、红外光谱仪、拉曼光谱仪、荧光光谱仪、氢原子光谱仪等；2. 试剂：样品、溶剂、标准品等。
四、实验内容1. 紫外-可见分光光度法实验：测定样品在紫外-可见光区的吸收光谱，分析样品的组成和结构；2. 红外光谱法实验：测定样品的红外光谱，分析样品的官能团和化学键；3. 拉曼光谱法实验：测定样品的拉曼光谱，分析样品的分子振动和旋转；4. 荧光光谱法实验：测定样品的激发光谱和发射光谱，分析样品的荧光性质；5. 氢原子光谱法实验：测定氢原子的巴尔末系发射光谱，计算氢原子的里德伯常数。
五、实验步骤1. 紫外-可见分光光度法实验：（1）将样品配制成一定浓度的溶液；（2）设置紫外-可见分光光度计的工作参数；（3）测定样品在紫外-可见光区的吸收光谱；（4）分析样品的吸收光谱，推断样品的组成和结构。
2. 红外光谱法实验：（1）将样品制成薄膜或溶液；（2）设置红外光谱仪的工作参数；（3）测定样品的红外光谱；（4）分析样品的红外光谱，推断样品的官能团和化学键。
3. 拉曼光谱法实验：（1）将样品制成薄膜或溶液；（2）设置拉曼光谱仪的工作参数；（3）测定样品的拉曼光谱；（4）分析样品的拉曼光谱，推断样品的分子振动和旋转。
4. 荧光光谱法实验：（1）将样品配制成一定浓度的溶液；（2）设置荧光光谱仪的工作参数；（3）测定样品的激发光谱和发射光谱；（4）分析样品的荧光性质。
5. 氢原子光谱法实验：（1）设置氢原子光谱仪的工作参数；（2）测定氢原子的巴尔末系发射光谱；（3）计算氢原子的里德伯常数。
高光谱与高空间分辨率遥感实习
13
三、实习仪器与数据 SPSS软件、EXCELL软件及玉米叶片反射光谱
数据、叶绿素含量数据。 四、实习步骤 1、相关分析
1）将玉米反射光谱数据及叶绿素数据导入SPSS软 件，并进行对每个波段与对应的叶绿素含量数据 进行相关分析
幅影像的真实地表反射率ρ.
19
2、模块参数设置 参数主要包括：传感器几何参数、地面高程、遥 感影像成像时间和日期、大气参数气溶胶模式、 能见度、光谱波段响应。
三、实习仪器与数据 ENVI软件及Hyperion影像数据。
20
四、实习步骤 1、处理流程
图4 处理流程
21
2、去除未定标及水汽影像波段 删除的波段见表1，最终保留196个波段，分别为857,79-224。 表1 被删除的波段
14
2）获得相关分析结果，找出相关系数绝对值 最大值波段，并与临界值进行比较。
反射率/相关系数
0.6
0.4
0.2
0 400 -0.2
-0.4
-0.6
玉米叶片反射光谱 相关系数
500
600
700
800
波长 (nm)
图3 相关系数曲线
900
1000
15
2、回归建模 1)选用540nm反射率与叶绿素含量进行回归 分析 2）回归分析结果
步计算A,B,S 和La.
②忽略影像邻近像元效应影响,利用(5)式计算像元空
间平均反射率ρe,获取邻近像元反射率.FLAASH 模
块中用一个径向距离近似指数函数,代替大气点扩 散函数进行邻近像元反射率计算.当求得邻近像元 反射率后,将遥感器接收的辐射亮度和 MODTRAN4 模拟大气校正参数代入(4)式,求得整
ENVI实习-高光谱遥感
高光谱遥感第三次实习一、实习任务：运用MNF变换后的波段以及散点图工具提取端元运用MNF变换后的波段以及纯净像元指数工具以及N维可视化仪提取端元运用提取的端元进行分类和制图二、实习目标以及用时：学习运用ENVI软件进行纯净像元的提取方法三、教学方式：依据实习指导书进行实验，并完成实习报告四、使用器材：美国内华达的赤铜矿AVIRIS遥感数据，该数据已经经过ATREM大气校正，ENVI遥感软件五、具体实习过程本次实习主要内容：本章选用的实验数据是一幅经过校准的AVIRIS图像，处理的结果用于地质学应用，这主要是考虑到，到目前为止地质学研究仍然是高光谱遥感的主要应用领域之一。
在ENVI主菜单下选择：File > Open Image File，在打开的文件选择窗口中选择图像文件cup95eff，点击OK打开图像：这是一幅经过校准的有50个波段的AVIRIS图像，图中显示的是将第183、193、207波段分别赋红、绿、蓝合成的彩色图像。
我们可以打开它的2-D散点图观察一下。
在主图像窗口中选择：Tools > 2-D Scatter Plots，在随即弹出的波段选择窗口中任意选择两个波段，点击OK构成2-D散点图。
这里选择的是第172、173波段。
在这幅2-D三点图上我们可以观察到，在由172和173波段组成的光谱特征空间中图像上的点明显地呈线状点云分布，说明这两个波段的相关性极强。
遥感图像的某些波段之间往往存在着很高的相关性，直观上波段图像彼此很相似，从提取有用信息的角度考虑，有相当一部分数据是多余和重复的，解决这一问题的有效方法是进行特征提取和特征选择，去相关和分离噪声。
在多光谱遥感图像处理中，我们会采取PC 旋转，但是相比之下，MNF变化更适用于高光谱遥感数据。
下面我们就用MNF变换对图像进行处理。
最低噪声分数（MNF）变换用以确定图像数据的内在维度、隔离噪声以及降低后处理的计算要求。
MNF变换的本质就是两个叠置的主成分变换。
实习4 高光谱分类实习报告
实习四高光谱分类一、实习目的应用不同方法实现高光谱数据的分类。
二、实习内容1、光谱角度制图分类2、最大似然法分类3、混合像元分解三、实习步骤1、启动ENVI软件，打开sub2文件，并以假彩色方式显示。
2、点击Overlay---Region of interest，开始提取感兴趣区，最后保存，并将感兴趣区合并：Optiong---Merge Regions ,将感兴趣区合并。
3、Transform-----MNF Rotation----Forward MNF -------Estimate Noise Statisticsfrom data，弹出对话框，输入文件选择sub2，OK，弹出对话框中，赋予相应的路径保存文件。
OK后输出文件，并弹出MNF Eigenvalues对话框，其纵坐标表示特征值。
4、Spectral-----n-Dimensional Visualizer(n维可视化)----- Visualize with new data，在弹出的对话框中，Inpu file选择刚刚得出的MNF文件，Spectral subset选择前十个波段，点击OK。
弹出n-D Controls 对话框，将1~10全选。
5、选取顶点处的点，并点击Class下修改颜色，点击start开始旋转，适当角度stop，options---mean all，输入文件选择sub2，得到以下图示：6、将选好的点导入到ROI中去，在n-D Controls对话框中，点击options ----exportall7、光谱角度制图分类Spectral-----Mapping Methods----Spectral Angel Mapper，输入文件寻则sub2，点击OK，然后点击Import -----from plot window，选择刚刚得出的光谱曲线。
然后点击Select all---Apply,在弹出的Spectral Angel Mapper Parametres中，将Maxium Angel改为0.5，最后保存输出文件。
光谱分析实验报告
光谱分析实验报告
实验目的：
1. 了解光谱分析的基本原理和仪器装置。
2. 学习如何进行光谱测量和分析。
3. 熟悉光谱仪的操作和调节方法。
实验仪器和材料：
1. 光谱仪：包括光源、入射光栅、显微镜、光电探测器等。
2. 待测样品：例如化合物溶液或固体样品。
3. 透明容器：用于装载化合物溶液。
实验步骤：
1. 将待测样品置于透明容器中。
2. 调节光谱仪的入射光栅和显微镜，使得光线能够通过样品并进入光电探测器。
3. 打开光源，调节光源的强度和位置，使得样品处的光照射强度适中。
4. 使用光谱仪的控制面板，选择合适的波长范围和步进值。
5. 开始测量，记录下每个波长点对应的光强值。
6. 完成测量后，绘制出光谱图，并根据光谱图进行分析和判断。
实验结果与讨论：
根据实验测量得到的光谱图，可以看到某些波长点对应的光强值较高，表明样品在这些波长点有较强的吸收能力。
通过和已知样品的光谱图进行比较，可以初步确定待测样品的成分。
实验总结：
光谱分析是一种重要的物质分析方法，通过测量不同波长下的光强值，可以得到物质的吸收特性和组成信息。
实验中我们学习了光谱仪的操作和调节方法，掌握了如何进行光谱测量和分析。
通过实验，我们对光谱分析原理和应用有了更深入的了解，提高了科学实验技能。
高光谱图像分类实验报告
高光谱图像分类实验报告实验目的：本实验旨在通过使用高光谱图像分类方法，对不同类别的目标进行准确分类。
通过分析和比较不同的特征提取和分类算法，评估它们在高光谱图像分类中的性能。
实验过程：1.数据收集和预处理：-对图像进行预处理，包括去噪、裁剪和归一化等操作，以确保数据质量和一致性。
2.特征提取：-利用主成分分析（PCA）降维方法，从高维的高光谱数据中提取主要特征。
-考虑使用其他特征提取方法，如线性判别分析（LDA）等，对比其在分类任务中的效果。
3.分类算法设计和实现：-选择合适的分类算法，如支持向量机（SVM）、随机森林（RF）、深度神经网络（DNN）等，并实现相关代码。
-划分训练集和测试集，其中训练集用于模型训练，测试集用于评估模型的分类性能。
4.模型评估和结果分析：-对训练集进行模型训练，并在测试集上进行分类预测。
-使用评估指标（如准确率、精确率、召回率等）评估模型的分类性能。
-对比不同算法和特征提取方法的结果，分析它们在高光谱图像分类任务中的优缺点。
实验结果：根据实验的结果，我们发现在高光谱图像分类中，PCA方法能够有效地从原始数据中提取主要特征，并且具有较好的分类性能。
与PCA相比，LDA在一些情况下可能会提供更好的判别能力，但需要保证数据满足LDA 的假设条件。
在分类算法方面，SVM和DNN表现出了相对较好的性能，且具有较强的泛化能力。
随机森林虽然具有较好的抗噪性能，但在处理高维数据时可能会出现过拟合的问题。
此外，还发现数据预处理的重要性。
正确的去噪和归一化操作能够提高算法的稳定性和分类性能。
结论：通过实验，我们验证了高光谱图像分类的可行性，并探索了不同的特征提取和分类算法。
结果表明，在高光谱数据中，PCA方法和SVM、DNN 算法的组合能够获得较好的分类性能。
此外，数据预处理对于提高算法的稳定性和性能也具要作用。
然而，仍有许多可以进一步改进和研究的地方。
例如，可以尝试其他特征提取方法、优化分类算法的参数，或者增加更多的训练样本等。
高光谱暑期实习报告
实习1 地物光谱数据采集1、实习目的1.1 了解ASD光谱仪的使用方法以及光谱仪的工作原理；1.2 巩固《遥感原理与应用》课程中关于光谱采集的相关知识；1.3 掌握不同地物光谱的采集原理、方法与操作流程，并且正确的采集到所测地物的光谱信息；1.4 能够对几种典型的地物光谱进行区分和辨别。
2、实习任务2.1熟悉光谱仪的基本原理和操作方法，能熟练操作光谱仪对地物进行光谱采集；2.2做好采集记录(学号、姓名、采集时间、地点、天气情况、文件保存路径、文件名等)；2.3 每组每位同学分别记录7个典型地物光谱；描述所采集地物光谱特征；对所采集的7个地物光谱进行NDVI，NDWI和NDBI指数的计算和分析；2.4 利用相关的遥感数据处理软件对所采集的数据进行处理，并且利用所学的知识对各种地物进行区分。
3、实习基础知识3.1 地物的光谱特征自然界中任何地物都具有其自身的电磁辐射规律，如具有反射，吸收外界的紫外线，可见光，红外线和微波的某些波段的特性；它们又都具有发射某些红外线，微波的特性；少数地物还具有透射电磁波的特性，这种特性称为地物的光谱特性。
不同的地物类型有着不同的光谱特征，因此在利用遥感图像提取信息时必须首先要了解地物的光谱特征。
不同的地物对入射电磁波的反射能力是不一样的，通常采用反射率来表示。
反射率不仅是波长的函数，同时也是入射角、物体的电学性质（电导、介电、磁学性质等）以及表面粗糙度、质地等的函数。
一般地说，当入射电磁波波长一定时，反射能力强的地物，反射率大，在黑白遥感图像上呈现的色调就浅。
反之，反射入射光能力弱的地物，反射率小，在黑白遥感图像上呈现的色调就深。
在遥感图像上色调的差异是判读遥感图像的重要标志。
由于受到太阳位置、角度条件、大气条件、地形影响及传感器本身的性能的影响，传感器所记录的数据与目标的光谱反射率或光谱辐射亮度值并不一致。
因此，将传感器记录的原始辐射值（DN 值）转化为地物反射率，恢复地物光谱数据本来的面目，称为地物光谱数据重建。
高光谱图像分类实验报告
实验报告姓名专业：学号日期：2015 年12 月22 日课程名称：高光谱遥感指导教师（学生填写）：成绩：教师签名：一、实验项目：高光谱遥感图像的分类二、实验类型（√选）：0演示实验；1验证实验；2综合实验；3设计性实验；4创新实验三、实验目的：利用ENVI软件实现高光谱遥感图像的分类四、实验准备：电脑一台，ENVI Classic软件，HSI数据五、实验简要操作步骤及结果：1、EFFORT Folishing处理。
本次实验所用HIS数据是进行了大气校正等处理后的数据，由于数据光谱曲线呈明显的锯齿状。
所以先利用EFFORT Folishing工具进行处理。
1）选择Spectral->EFFORT Folishing2）出现“Select EFFORT Input File”对话框，选择数据，点击OK。
3）出现“EFFORT Input Parameters”窗口，进行目标的选择以及参数的设置。
处理完成后生成数据Memory14）将处理前后同一像元的光谱曲线进行比较处理前光谱曲线处理后光谱曲线可以明显看出，经过EFFORT Folishing处理后的数据，其波谱曲线比较平缓，明显的锯齿状消失。
2、Spectral Angle Mapper 光谱角填图光谱角填图是一种监督分类技术。
该算法是将图像波谱直接同参考波谱匹配的一种交互式分类方法，是一种比较图像波谱与地物波谱或波谱库中地物波谱的自动分类方法。
定义示意图计算公式1)选择Spectral->Mapping Methods->Spectral Angle Mapper.2)选择Memory1数据进行处理。
出现Endmember Collection:Sam窗口。
3）在#3窗口选择Overlay->Region of Interest.用Zoom视野在图像上选择感兴趣区域（明显的地物类型区域）4）将选择的区域加载到Endmember Collection:Sam窗口中，在Endmember Collection:Sam 窗口中选择Import->from ROI/EVF from input file.将所选区域全选，点击OK。
高光谱遥感实验
高光谱遥感实验实验一高光谱遥感数据一. 分别使用AVIRIS和Hyperion数据，如何针对植被、水体等不同地物进行假彩色合成选择合适的波段？根据彩色合成原理，可选择同一目标的单个多光谱数据合成一幅彩色图像，当合成图像的红绿蓝三色与三个多光谱段相吻合，这幅图像就再现了地物的彩色原理，就称为真彩色合成。
假彩色合成又称彩色合成。
根据加色法或减色法，将多波段单色影像合成为假彩色影像的一种彩色增强技术。
合成彩色影像常与天然色彩不同，且可任意变换，故称假彩色影像。
下面以ETM影像为例，进行真彩色合成，详细步骤如下：1.在ERDAS IMAGINE 2010中加载ETM影像etmsubsrt.img。
图一.添加ETM影像数据2.由ETM影像数据的基本参数中，RGB三色数据如下故分别选取1、2、3波段作为蓝、绿、红三色进行真彩色合成，结果如下图二.ETM影像真彩色合成图中绿色为植被，蓝色为水体。
3.对ETM影像数据的基本参数进行分析，选取对水体、植被有特征三个波段进行假彩色合成。
因为ETM影像中波段2，即绿色波段可用于分辨植被，波段,3，即红色波段处于叶绿素吸收区域，可用于观测植被效果好，波段4，即近红外波段，可以从植被中区分出水体，故分别选取波段2、3、4作为蓝、绿、红三色进行假彩色合成。
图三.ETM影像假彩色合成图中深蓝色为植被，浅蓝色和红色为水体。
使用AVIRIS和Hyperion数据，针对植被、水体等不同地物进行假彩色合成的步骤如上，其中，使用AVIRIS数据进行假彩色合成时选取波段50、31、20作为红绿蓝三色进行假彩色合成图四.AVIRIS影像假彩色合成使用Hyperion数据进行假彩色合成时选取波段110、31、21作为红、绿、蓝三色进行假彩色合成图五. Hyperion影像假彩色合成图中深蓝色为水体，浅蓝色为植被。
二. 分别从ETM、AVIRIS和Hyperion数据中分别选取3到5种不同的地物，提取曲线。
光谱分析实验报告
光谱分析实验报告1. 引言光谱分析是一种广泛应用于科学研究和工业生产中的分析方法。
通过测量物质在不同波长范围内的吸收或发射光谱，可以获得有关物质性质和组成的信息。
本实验旨在通过使用光谱仪对不同物质的光谱进行测量和分析，来理解光谱分析的原理和应用。
2. 实验目的1) 了解光谱分析的基本原理和仪器。
2) 学习如何使用光谱仪进行光谱测量。
3) 分析不同物质的光谱特征，探讨其应用价值。
3. 实验仪器和材料1) 光谱仪：本实验采用的是便携式光谱仪，具有较高的分辨率和灵敏度。
2) 试样：选择不同的液体和固体样品作为实验对象，如食盐水溶液、铜盐溶液、红外线透明玻璃等。
3) 透明容器：用于装载试样，确保光线的透过性。
4. 实验步骤1) 准备工作：打开光谱仪，保证其正常运行。
调整光谱仪的参数，使其适应本次实验的需求。
2) 校准仪器：使用标准物质进行光谱仪的校准，以获得准确的测量结果。
3) 测量样品光谱：将试样装载到透明容器中，并将容器放置于光谱仪的检测区域。
启动测量程序，获取试样的光谱图像。
4) 数据分析：根据测得的光谱图像，观察样品在不同波长范围内的吸收或发射特征。
通过对比和分析，确定样品的成分和性质。
可绘制吸收或发射光谱曲线，以更直观地理解样品的光谱特征。
5) 结果记录：记录实验测量的数据和分析结果，包括样品信息、吸收或发射峰的波长和强度等。
5. 实验结果与分析以食盐水溶液为例，我们测得其光谱图像如下：[在这里插入测得的光谱图像]从图中可以看出，在可见光区域内，食盐水溶液表现出明显的吸收特征。
具体来说，在蓝色和绿色波长范围内，食盐水溶液呈现出较高的吸收峰，而红色波长范围内的吸收较弱。
这说明食盐水溶液对蓝光和绿光有较强的吸收能力，而对红光的吸收较弱。
进一步分析，我们可以根据已知的物质光谱数据库，将食盐水溶液的光谱特征与相应的物质进行对比。
根据吸收峰的波长和强度，我们可以判断食盐水溶液中存在的离子种类和浓度。
通过与标准物质的光谱对比，我们可以确认食盐水中主要含有氯离子和钠离子。
光谱无损分析实验报告(3篇)
第1篇一、实验目的本次实验旨在通过光谱无损分析方法，对样品进行成分、结构及性质的分析，了解光谱无损分析的基本原理、实验方法及数据处理技术，掌握光谱分析仪器的基本操作，并培养实验技能。
二、实验原理光谱无损分析是利用物质对不同波长光的选择性吸收、发射、散射等特性，对物质进行定性和定量分析的方法。
光谱分析仪器（如紫外-可见光谱仪、红外光谱仪、荧光光谱仪等）可以检测样品的光谱特性，通过对比标准样品的光谱数据，实现样品的快速、无损检测。
三、实验仪器与试剂1. 实验仪器：紫外-可见光谱仪、红外光谱仪、荧光光谱仪、样品池、样品研磨机、分析天平、电子显微镜等。
2. 实验试剂：标准样品、待测样品、溶剂等。
四、实验步骤1. 样品准备：将待测样品进行研磨、过筛，取适量样品置于样品池中。
2. 光谱采集：打开光谱分析仪器，设置合适的波长范围、扫描速度、分辨率等参数，对样品进行光谱采集。
3. 标准曲线绘制：对标准样品进行光谱采集，以浓度为横坐标，吸光度或峰面积等光谱参数为纵坐标，绘制标准曲线。
4. 待测样品分析：将待测样品的光谱数据与标准曲线进行对比，根据线性关系计算待测样品中目标成分的含量。
5. 数据处理与分析：利用光谱分析软件对光谱数据进行处理，如基线校正、噪声消除、峰提取等，分析样品的成分、结构及性质。
五、实验结果与分析1. 标准曲线绘制：以浓度为横坐标，吸光度为纵坐标，绘制标准曲线，相关系数R²为0.99，表明线性关系良好。
2. 待测样品分析：根据标准曲线，计算待测样品中目标成分的含量，结果如下：样品A：目标成分含量为5.2mg/g样品B：目标成分含量为3.8mg/g3. 数据处理与分析：利用光谱分析软件对光谱数据进行处理，发现样品A中杂质峰较多，可能存在结构相似的物质；样品B中杂质峰较少，结构较为单一。
六、讨论与心得1. 光谱无损分析具有快速、准确、非破坏性等优点，在化学、生物、医药等领域具有广泛的应用。
高光谱地物识别实习报告
随着遥感技术的飞速发展，高光谱遥感作为一种新兴的遥感技术，因其高光谱分辨率和波段数量优势，在环境监测、资源调查、农业等领域得到了广泛应用。
为了深入了解高光谱技术在地物识别中的应用，我们于2023年7月至8月期间，在中科院上海技术物理研究所进行了为期一个月的高光谱地物识别实习。
二、实习内容1. 理论学习：实习期间，我们首先进行了高光谱遥感基础理论的学习，包括高光谱成像原理、光谱数据处理、地物光谱特性分析等内容。
通过理论学习，我们掌握了高光谱遥感的基本原理和数据处理方法。
2. 实地操作：在理论学习的基础上，我们进行了实地操作，包括数据采集、预处理、特征提取、分类识别等。
具体操作如下：- 数据采集：我们使用高光谱地物光谱仪对目标区域进行实地测量，采集了大量的高光谱数据。
- 数据预处理：对采集到的数据进行预处理，包括去除噪声、校正几何畸变、大气校正等。
- 特征提取：采用光谱角匹配、最小距离法等方法，从预处理后的数据中提取地物光谱特征。
- 分类识别：利用随机森林、支持向量机等分类算法，对提取的特征进行分类识别。
3. 项目实践：在实习过程中，我们参与了国家863计划高光谱红外一致性传递定标技术项目。
项目主要针对高光谱红外外场标准人工目标、大面积地物真值同步获取技术等开展关键技术攻关。
我们参与了项目中的实验室联调和定标工作，对可见光-近红外/短波机载/地物高光谱成像仪进行了实验室成像测试，测试效果满足任务书要求。
三、实习成果1. 掌握了高光谱遥感基本原理和数据处理方法。
2. 学会了高光谱数据采集、预处理、特征提取、分类识别等实际操作。
3. 参与了国家863计划高光谱红外一致性传递定标技术项目，了解了项目实施过程和关键技术。
1. 高光谱遥感技术在环境监测、资源调查、农业等领域具有广泛的应用前景。
2. 高光谱数据处理与分析需要掌握一定的专业知识，同时也需要熟练掌握相关软件和算法。
3. 实习过程中，团队合作至关重要，需要大家相互协作，共同完成项目任务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验三（数据处理）姓名：郜庆科学号：2012303200109一、实验过程（描述实验的主要步骤，列出主要方法）【1】、回归分析利用Excel中自带的回归分析工具对数据进行回归分析，得到结果如表所示：回归统计Multiple R 0.999999R Square 0.999998Adjusted R Square 0.999996标准误差 1.59E-05观测值20方差分析df SS MS F Significance F回归分析7 0.001234 0.000176 695553.4 1.12E-32残差12 3.04E-09 2.53E-10总计19 0.001234Coefficients 标准误差t Stat P-value Lower 95%Upper95%下限95.0%上限95.0%Intercept 0.000105 8.39E-05 1.249767 0.23521 -7.8E-05 0.000288 -7.8E-05 0.000288 X Variable 1 -2E-06 1.82E-06 -1.11978 0.284721 -6E-06 1.93E-06 -6E-06 1.93E-06 X Variable 2 -5.43968 0.149242 -36.4486 1.17E-13 -5.76485 -5.1145 -5.76485 -5.1145 X Variable 3 30.00856 0.835847 35.90199 1.39E-13 28.18741 31.82972 28.18741 31.82972 X Variable 4 -67.1698 1.881489 -35.7003 1.49E-13 -71.2692 -63.0704 -71.2692 -63.0704 X Variable 5 77.08559 2.136489 36.08049 1.32E-13 72.43058 81.7406 72.43058 81.7406 X Variable 6 -46.8141 1.298246 -36.0595 1.32E-13 -49.6427 -43.9854 -49.6427 -43.9854 X Variable 7 13.32797 0.35499 37.54468 8.19E-14 12.55451 14.10143 12.55451 14.10143 从回归统计表中可以得到其相关系数R值为0.999999，所以表明自变量与因变量之间有很大的相关性。
R平方为复决定系数，上述复相关系数R的平方。
用来说明自变量解释因变量y变差的程度，以说明因变量y的拟合效果。
此案例中的复决定系数为0.99998，表明用用自变量可解释因变量变差的99.98%，该值越大，模型拟合效果很好。
调整后的复决定系数R2，该值为0.999996，说明自变量能说明因变量y的99.99%，因变量y的0.0001%要由其他因素来解释。
方差分析表中的Significance F（F显著性统计量）的P值为1.12E-32，明显小于显著性水平0.05，所以说该回归方程回归效果显著，方程中至少有一个回归系数显著不为0。
在回归参数表中，可以得到各个X的回归系数和相关性等。
【2】、使用Excel的作图功能绘制冠层的光谱曲线，波长作为x轴，反射率作为y轴。
由于数据样本过于繁多，所以只挑选了前5个样本进行显示，如图所示，很显然，在1427-1613波段存在较明显的区别，所以我们取这个区间范围的数据进行重新显示，由于原始波段从350开始，所以这里的波段应该是1777-1963，其显示结果如下所示：【3】、作物叶绿素含量和N含量的相关性分析使用数据分析中的相关系数分析，对叶绿素和N的两列数据进行相关系数分析，分析界面如下：得到结果如下所示：列1 列2列1 1列2 0.958487 1得到结果说明叶绿素和N之间存在较大的相关性，相关系数为0.958487。
【4】、叶绿素、N含量和各波段反射率的相关性分析此次方法与上述相关性分析方法相同，不过需要在很多个数据前加上一列值为叶绿素值（或N 值），在分析时，只需要看第一列的相关系数就可以确定与各个波段的相关系数了，其相关系数结果如下所示：相关系数分布：这里只需要观察第一列数据的结果就可以了，结果前部分大部分波段为负相关且值普遍偏小，后半部分为正相关，且值略微偏大。
说明叶绿素受后边的波段影响略大，大概集中在2000-2500左右。
N元素的计算方法与叶绿素的计算方法相同，只需要将第一列的数据改为N值即可，这里省略N的计算过程。
只给出N的第一列的分布情况：【5】、选择波段，建立叶绿素、N的光谱估计的多元回归模型利用相关系数的分布，我们可以找出与叶绿素相关系数最大的几个值以建立关于叶绿素的多元回归模型，由于Excel中只允许有16个变量的回归，所以应该挑选小于16个相关系数绝对值最大的值来代表这多个个变量。
这里我们挑选5个波段，如下所示：列2042 列2043 列2044 列2047 列2048相关系数0.074668 0.074563 0.074086 0.074409 0.074172 由于波段数从350开始，所以其波段号依次是1698,1697,1696,1693,1692，将这几个波段的250个数据分别添加到叶绿素值跟前以便进行回归分析，如下图所示：然后以叶绿素值为因变量，以这5个波段的值为自变量，进行回归分析，得到结果如下所示：回归统计Multiple R 0.297483R Square 0.088496Adjusted R Square 0.069818标准误差 4.347325观测值250方差分析df SS MS F SignificanceF回归分析 5 447.7121 89.54242 4.737887 0.000377残差244 4611.412 18.89923总计249 5059.125Coefficients 标准误差t Stat P-value Lower 95% Upper 95% 下限上限95.0% 95.0%Intercept 39.80796 0.494261 80.54038 9E-178 38.8344 40.78153 38.8344 40.78153 X Variable 1 -11162.4 3264.206 -3.41964 0.000735 -17592 -4732.79 -17592 -4732.79 X Variable 2 17134.03 4571.746 3.747808 0.000223 8128.903 26139.15 8128.903 26139.15 X Variable 3 -4555.39 5692.617 -0.80023 0.424357 -15768.3 6657.553 -15768.3 6657.553 X Variable 4 -9240.94 7696.799 -1.20062 0.231062 -24401.6 5919.702 -24401.6 5919.702 X Variable 5 7820.577 3657.646 2.138145 0.033499 615.9874 15025.17 615.9874 15025.17 得到的回归分析的公式为：Y=-11162.4*x1+17134.03*x2-4555.39*x3-9240.948x4+7820.577*x5+39.80796其结果与叶绿素的相关系数分布结果大概相同。
针对N的分布其值大致相同，选取波段也相同，得到的结果如下所示：回归统计Multiple R 0.30383R Square 0.092313Adjusted R Square 0.073713标准误差0.322008观测值250方差分析df SS MS F Significance F回归分析 5 2.573054 0.514611 4.963016 0.00024残差244 25.30015 0.103689总计249 27.8732Coefficients 标准误差t Stat P-value Lower 95%Upper95%下限95.0%上限95.0%Intercept 2.766465 0.03661 75.56564 2.8E-171 2.694353 2.838577 2.694353 2.838577 X Variable 1 -849.185 241.781 -3.51221 0.000529 -1325.43 -372.941 -1325.43 -372.941 X Variable 2 1309.747 338.631 3.867771 0.000141 642.7341 1976.76 642.7341 1976.76 X Variable 3 -385.861 421.6543 -0.91511 0.361036 -1216.41 444.6859 -1216.41 444.6859 X Variable 4 -650.184 570.1048 -1.14046 0.255211 -1773.14 472.7706 -1773.14 472.7706 X Variable 5 575.2527 270.9232 2.123305 0.034735 41.60602 1108.899 41.60602 1108.899 其回归分析的公式如下所示：Y=-849.185*x1+1309.747*x2-385.861*x3-650.184*x4+575.2527*x5+2.766465二、实验数据（描述数据名称、类型和主要指标等）本次的实验数据rice2014.xls中是水稻的生理生化参数数据和冠层光谱反射率数据。
在Excel中打开rice2014.xls，该文件包括2个sheet，第一个sheet命名为“生理指标”，包括250个样本的编号、叶绿素、N数据；第二个sheet命名为“光谱数据”，包括250个样本的编号、波长及对应的冠层反射率数据。
三、问题分析（完成实验报告中的问题分析，结果用图、表等形式，详细地说明结果和分析过程）【1】、首先对250 个样本数据中，随机选取其中2/3 （160个）的样本，建立叶绿素和N 的特征光谱估计模型。
本题目的计算过程与上述得到回归公式的过程大致相同，不过上述选取了250个样本作为回归的样本，本次回归只需要选取前160个作为样本就可以了，其回归结果如下所示：Intercept X Variable 1 X Variable 2 X Variable 3 X Variable 4 X Variable 5 39.65405689 -7230.42071 9479.023977 -74.96287112 -6197.28 4029.818983Y=-7230.42071*x1+9479.023977*x2-74.96287112*x3-6197.28*x4+4029.818983*x5+39.65405689【2】、利用上述公式，对剩下的91个样本进行预测，并求得其残差结果如下所示：上述公式在前边的预测结果比较好，在后续的波段中预测结果并不是很好，这很可能与中间波段出现异常有关。