高光谱遥感
高光谱遥感影像的提取和处理方法
高光谱遥感影像的提取和处理方法近年来，随着遥感技术的不断发展，高光谱遥感影像的获取成为了现实。
高光谱遥感影像是指通过遥感仪器获取的光谱范围较广的遥感影像，其相较于传统遥感影像具有更高的空间和光谱分辨率。
在许多领域，包括环境保护、农业、城市规划等，高光谱遥感影像的提取和处理方法具有重要的应用价值。
一、高光谱遥感影像的获取高光谱遥感影像的获取需要使用高光谱遥感仪器，该仪器能够捕捉到丰富的光谱信息。
一般来说，高光谱遥感仪器由多个波段的传感器组成，这些传感器能够同时记录多个波段的图像。
获取的高光谱遥感影像通常具有数百个波段，使得我们在遥感影像处理中能够获取更多的光谱信息。
二、高光谱遥感影像的预处理在进行高光谱遥感影像的提取和处理之前，我们需要对其进行预处理。
预处理的目的是提高图像的质量和减小噪声的影响。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正旨在消除遥感影像中的辐射差异，以便更好地比较不同区域的反射率。
大气校正则旨在消除大气引起的影响，使得遥感影像更加准确。
几何校正则是为了将遥感影像的几何形状与地形相匹配。
三、高光谱遥感影像的特征提取高光谱遥感影像的特征提取是指从遥感影像中提取出我们感兴趣的信息。
常见的特征提取方法有以下几种：1. 光谱特征提取光谱特征提取是指通过对高光谱遥感影像每个波段的分析，提取出不同波长下的光谱信息。
这些信息可以用于分类、识别和分析。
常见的光谱特征提取方法包括光谱曲线拟合、波段选择、光谱角等。
2. 空间特征提取空间特征提取是指通过对高光谱遥感影像空间分布的分析，提取出图像上不同位置的信息。
常见的空间特征提取方法包括纹理特征、形状特征、结构特征等。
3. 混合特征提取混合特征提取是指将光谱特征和空间特征相结合，提取出更全面的图像信息。
这种方法更常用于高光谱遥感影像的分类与识别。
四、高光谱遥感影像的分类与识别高光谱遥感影像的分类与识别是利用图像处理和分类算法对遥感影像进行分析，将其划分为不同的类别。
高光谱遥感
• 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。
高光谱遥感分解课件
端元提取的效果直接影响到后续的混合 像元分解和谱间关系分析的精度和可靠 性，因此是高光谱遥感分解中的关键步
骤。
混合像元分解方法
混合像元分解的方法包括基于物理模型的方法和基于 统计模型的方法等。这些方法通过建立地物光谱与像 元光谱之间的数学模型，利用优化算法对模型参数进 行求解，从而得到每个像元的纯组分和丰度信息。
高光谱遥感分解方法
端元提取方法
端元提取是高光谱遥感分解的基础，目 的是从高光谱数据中提取出纯净的地物 光谱，为后续的混合像元分解和谱间关
系分析提供基础。
端元提取的方法包括基于统计的方法、 基于空间的方法和基于变换的方法等。 这些方法通过不同的原理和算法，从高 光谱数据中提取出尽可能纯净的地物光
谱。
矿物与地质应用
总结词
高光谱遥感在矿物与地质应用中具有重要作用，可以用于矿产资源调查、地质构造分析 等。
详细描述
高光谱遥感能够通过分析地物的光谱特征差异，识别不同类型的矿物和地质构造。在矿 产资源调查中，高光谱遥感可以用于发现潜在的矿床和评估矿产资源的分布情况。同时 ，在地质构造分析中，高光谱遥感可以通过分析地物的光谱特征差异，揭示地质构造的
高光谱遥感分解课件
ቤተ መጻሕፍቲ ባይዱ
目录
CONTENTS
• 高光谱遥感概述 • 高光谱遥感技术原理 • 高光谱遥感分解方法 • 高光谱遥感应用实例 • 高光谱遥感技术展望
01
CHAPTER
高光谱遥感概述
高光谱遥感的定义
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。它通过卫星或飞机搭载的高光谱成像仪获取地物辐 射的连续光谱信息，进而分析地物的成分、结构和动态变化 。
高光谱遥感技术的挑战与问题
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
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
高光谱遥感与多光谱遥感
高光谱和多光谱实质上的差别就是，高光谱的波段 波段 较多，谱带较窄（比如hyperion 有242个波段，带 较多，谱带较窄 宽10nm） 多光谱相对波段较少 波段较少（比如ETM+，8个波段，分为 波段较少 红波段，绿波段，蓝波段，可见光，热红外（2个）， 短波红外和全波段）。 高光谱遥感就是比多光谱遥感的光谱分辨率更高， 但是光谱分辨率高的同时空间分辨率会降低。
高光谱遥感简介
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 成像技术与光谱技术结合在一起,在对目标的空间 成像技术与光谱技术 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了丰富的 空间,辐射和光谱 辐射和光谱三重信息。 空间 辐射和光谱 高光谱遥感技术已经成为当前遥感领域的前沿技术。
高光谱遥感简介高光谱遥感简介高光谱遥感简介高光谱遥感简介高光谱遥感起源于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
高光谱遥感与 多光谱遥感的异同
遥感影像的表现——多波段的显示
优点： 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 扩大了遥感的 信息量。 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 能得到不同谱段的遥感资料 不同谱段的遥感资料，分谱段的图像或数据可以通 不同谱段的遥感资料 过摄影彩色合成或计算机图像处理，获得比常规方法更为 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。 丰富的图像
高光谱遥感技术在环境监测中的应用
高光谱遥感技术在环境监测中的应用高光谱遥感技术是一种通过获取地面物体的光谱信息，并通过光谱分析来推断物体的性质和组成的遥感技术。
它具有高精度、高分辨率、大范围、实时性强等优势，在环境监测中得到了广泛的应用。
本文将深入探讨高光谱遥感技术在环境监测中的应用。
首先，高光谱遥感技术可以用于水质监测。
水质是生态环境的重要组成部分，对人类和生态系统都具有重要影响。
通过高光谱遥感仪器获取水体反射谱线，可以分析出水体的透明度、浊度、富营养化程度、水色等关键指标。
通过对水体光谱的分析，可以实现对水体中悬浮物、藻类和溶解有机物等的监测，为水质改善和保护提供科学依据。
其次，高光谱遥感技术也可以应用于土壤监测。
土壤是农田和森林生态系统的重要组成部分，对农作物生长和生态恢复至关重要。
高光谱遥感技术可以获取土壤的反射光谱，并通过光谱分析来评估土壤的质地、含水量、养分含量等关键参数。
根据这些参数的测量结果，可以精确地制定土壤肥力调整和施肥方案，提高农作物的产量和质量，实现可持续农业发展。
同时，高光谱遥感技术在植被监测中也具有重要应用。
植被覆盖是环境监测和生态恢复的重要指标之一。
通过高光谱遥感技术获取植被反射谱线，可以分析出植被的生理状态、叶绿素含量、植被类型等关键信息。
这些信息可用于评估植被的健康状况、植被覆盖度以及生物量，为植被保护、生态恢复和生态系统管理提供科学依据。
另外，高光谱遥感技术还可以应用于大气污染监测。
大气污染对人们的健康和生态系统都具有严重危害，因此对大气污染的监测和预警非常重要。
通过高光谱遥感技术，可以获取大气中的颗粒物和气体的反射、散射光谱，通过光学模型分析得出大气中的颗粒物浓度、气体浓度等关键参数。
这些数据可以用于评估大气质量、掌握污染源分布和变化情况，为大气污染治理和应急响应提供指导。
最后，高光谱遥感技术在城市环境监测中也具有重要应用。
城市化进程快速推进，城市环境问题日益突出。
高光谱遥感技术可以获取城市地表的光谱信息并进行分析，识别并定量监测城市地表的构成元素、城市扩张规模、建筑物高度等关键参数。
《高光谱遥感的发展》课件
高光谱遥感技术的发展趋势
提高数据获取能力
未来将进一步提高高光谱传感器的性 能，提高数据获取的精度和稳定性。
加强数据处理能力
未来将进一步发展人工智能、机器学 习等技术，提高数据处理的速度和精 度。
拓展应用领域
未来将进一步拓展高光谱遥感技术的 应用领域，如城市规划、资源调查、 灾害监测等。
加强技术交流与合作
从分割后的图像中提取地物的光谱特征，包括光谱曲线、谱带宽度 、谱带深度等。
地物分类与识别
利用提取的光谱特征，对地物进行分类和识别，常用的方法包括监 督分类、非监督分类和支持向量机等。
03
高光谱遥感技术发展现状
高光谱遥感传感器的发展
高光谱成像技术进步
随着技术的不断进步，高光谱成像传 感器在空间分辨率、光谱分辨率和辐 射分辨率等方面取得了显著提升，为 地物精细识别提供了有力支持。
新型传感器研发
科研人员正致力于开发新型的高光谱 传感器，如多角度高光谱传感器和热 红外高光谱传感器，以拓宽遥感的应 用领域。
高光谱数据处理技术的发展
数据处理算法优化
针对高光谱数据的处理，算法不断优 化以提高数据处理速度和准确性，例 如支持向量机、神经网络等机器学习 方法在高光谱分类和识别中的广泛应 用。
3
城市规划与管理
在城市规划与管理方面，高光谱遥感为城市发展 提供了丰富的空间和环境信息，有助于实现精细 化管理和可持续发展。
04
高光谱遥感技术面临的挑战与展 望
高光谱遥感技术面临的挑战
数据获取难度大
数据处理复杂度高
高光谱遥感技术需要获取大量的高光谱数 据，但受到传感器性能、天气条件等多种 因素的影响，数据获取难度较大。
资源调查与利用
高光谱与高空间分辨率遥感实习课件
数据质量评价
01
数据完整性
检查获取的数据是否完整，是否存 在缺失或异常值。
辐射与几何精度
对数据的辐射和几何精度进行评估 ，确保数据质量可靠。
03
02
精度评价
通过与已知地物信息进行对比，评 估分类与识别的精度。
应用效果评价
将处理后的数据应用于实际应用场 景，评估其效果和价值。
04
04
案例分析与实践操作
高光谱遥感的应用领域
高光谱遥感广泛应用于环境监测、资源调查、城市规划等领 域。
在环境监测方面，高光谱遥感可用于检测大气污染、水体污 染和土壤污染等；在资源调查方面，可用于调查土地利用、 森林覆盖、矿产资源等；在城市规划方面，可用于城市扩张 监测、城市绿化监测和城市环境质量评估等。
02
高空间分辨率遥感基本原 理
高空间分辨率遥感图像能够准确监测土地 资源的利用状况和变化情况，为土地管理 和治理提供依据。
环境保护和治理
灾害监测与救援
通过高空间分辨率遥感图像的监测，可以 及时发现和评估环境问题，为环境保护和 治理提供决策支持。
高空间分辨率遥感图像能够快速获取灾区 地形地貌和灾情状况，为灾害监测、救援 和恢复提供重要信息。
报告撰写
撰写实习报告，总结实习过程、 方法、成果和经验教训，为后续 实践提供参考。
05
实习总结与展望
实习收获与体会
掌握高光谱与高空间分辨 率遥感技术的基本原理和 应用方法。
学会使用相关软件和工具 进行遥感数据处理和分析 ，如ENVI、ERDAS Imagine等。
ABCD
了解遥感数据处理和分析 的流程，包括数据预处理 、特征提取和分类识别等 。
特征提取
从遥感图像中提取地物光谱、纹理、形状等特征 ，为后续分析提供依据。
高光谱遥感的应用
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
高光谱遥感理论基础.pptx
地物反射率：主要在可见光、近红外波段反射太阳的辐射， 反射率等于物体的反射辐射通量与入射辐射通量之比
E
E
反射波谱特性曲线：是某物体的反射率（或反射辐射能）随 波长变化的规律，以波长为横坐标，反射率为纵坐标所得的 曲线即称为该物体的反射波谱特性曲线。
31
1.岩矿
高光谱遥感最早是人们研究岩石和矿物的光谱特性时提 出来的，因此，地质是高光谱遥感应用中最广泛的领域 之一。
33
2）分子振动产生光谱特征 晶体结构不同，受到外来能量的时候，发生振动 而产生的光谱特性并不一致。
3）除此之外，还受到温度和矿物粒度的影响，温度升高，向短 波方向移动。
34
岩石
野外的岩石光谱是矿物光谱的混合而成，可 见光和红外只有几厘米的穿透率，因此，分析岩石 表面情况很重要： （1）风化，水化物的影响 （2）岩石表面结构：颗粒减小，反射率增大 （3）岩石表面颜色：铁，碳的影响 （4）大气环境
26
• 野外光谱测量的光源主要来自三个方面：太阳直射，太阳散射和周围物体的散射光源。
27
光谱地面测量
以美国ASD公司生产的野外光谱分析仪 FieldSpec Pro为例，它是一种测量可见光到近 红外波段地物波谱的有效工具。它能快速扫描地 物，光纤探头能在毫秒内得到地物单一光谱。 可以测量：相对反射率，辐射照度与辐射亮度。
镜面反射(…) 清 ➢反地澈射水物近体在似可不漫达同反10波0射m段，的的深但反度各。射个率方是向不反同射的的。能量大小不同。 主 ➢地反要表集射物吸中率体收在是太的长阳可波反辐以，射射即测满后6定足μ具m的有反以。约射上3定0的0热律K红的，外温入区度射段，角。从而等形于成反自射身角的热。辐只射有，在其反峰值射波波长射为出9.6的6 μ方m向， ➢才时荧反能很光射探暗，率测，物也体到就被与电是单地磁这一物波个波的，原长表辐水因射面面造照颜是成射色近的而、似。发粗射的出糙镜另度面外和反一湿射种度波，长等在辐有遥射关感的。图现象像。上比水如面硫有化物时，很亮，有 ➢地物的反射光谱曲线：反射率随波长变化的曲线。
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）；
高光谱遥感在农业领域中的应用研究
高光谱遥感在农业领域中的应用研究一、引言高光谱遥感技术是指在可见光、近红外以及波段较短的红、绿、蓝三个波长范围内对物质进行高分辨率、高精度和高灵敏度的遥感探测技术。
该技术具有观察范围广、观测精度高、实时性强等特点，被广泛应用于农业领域。
本文将探讨高光谱遥感在农业领域中的应用研究。
二、高光谱遥感技术的基础1.高光谱遥感技术的原理高光谱遥感技术是运用高光谱仪进行多光谱遥感探测，可以获取从红外到可见光中所有可采集波段的多光谱数据。
高光谱遥感技术集光学、电子、计算机等多学科技术于一体，可以有效获取植被、土壤、水体、生物等自然环境中的光谱信息，从而进行遥感监测、分析和研究。
2.高光谱遥感技术的特点高光谱遥感技术具有以下几个特点：（1）采集的光谱信息丰富，包括色调、饱和度、亮度等多个维度。
（2）数据量大，需要进行复杂的处理和分析。
（3）数据处理技术要求高，需要使用多元统计学、模式识别和机器学习等技术手段。
三、高光谱遥感在农业监测中的应用1.作物生长监测利用高光谱遥感技术可以对作物生长情况进行全面、快速、准确的监测，主要表现为以下三种情况：（1）植被指数监测。
植被指数可以反映作物的生长状态，如植被覆盖度、光合作用状况等。
通过比较不同时间点的植被指数，可以评估作物生长情况。
（2）作物叶面积指数监测。
叶面积增加会使得反射和散射较多的植物物质增多，因此该指数可以反映作物叶面积的变化。
在作物生育期不同阶段，可以通过叶面积指数的变化来判断作物的生长情况。
（3）作物生理特征监测。
作物种类、品种、生长环境等因素会直接影响到作物的生理特征，如光合作用、水分利用效率等。
通过高光谱遥感技术可以对这些特征进行检测和分析，帮助农业生产提高产量和质量。
2.农业灾害监测农业灾害包括干旱、洪涝、病虫害等，将直接影响到农业生产。
利用高光谱遥感技术可以实时、准确地监测农业灾害情况，早期预警，并及时采取措施。
以病虫害监测为例，病害、虫害、草害都会释放大量化学物质，通过对这些化学物质的光谱特性进行分析，可以对病虫害的发生和传播情况进行检测和预测，及时采取控制措施。
- 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)。
(一)高光谱遥感基本概念
1、高光谱遥感特点
波段特点：波段多、波段宽度窄、不断连续数据量特点：数据量大、数据冗余增加2、波谱空间与光谱空间
光谱特征空间：以波段为维度的空间，波段增加会导致光谱空间维度增加。
波普特征空间：不同波段影像所构成的测度空间。
3、高光谱数据图谱合一的特点
高光谱数据同时反映地物的空间特征〔图〕和光谱特征〔谱〕。
(二)成像光谱仪
1、成像光谱仪的空间成像方式和光谱成像方式的含义
空间成像方式：从影像二维空间形成角度考察成像光谱仪的工作方式。
光谱成像方式：从光谱维数据形成的角度考察成像光谱仪的工作方式。
2、成像光谱仪的瞬时视场角〔IFOV〕仪器视场角〔FOV〕
瞬时视场角：以毫弧度为计量单位，所对应的地面大小被称为地面分辨单元。
仪器视场角：仪器扫描镜在空中扫过的角度，与系统平台高度决定了地面扫描幅宽。
摆扫型：单个像元凝视时间短,进一步提升光谱分辨率和信噪比较困难。
推扫型：凝视时间长,分辨率高,仪器体积小(无光机),视场角小(30°)定标量大不稳定。
3、成像光谱仪的三种定标方式
共性：出于同一目的，特定情况下都是不可缺少的。
差异：处于不同阶段，考虑因素不同，入瞳辐射值获取方式不同
〔实验室定标：有实验室测得，原始定标，准确度高，后续定标基础〕
〔机上星上定标：综合性定标，对前一项进行的修正，机上星上测得考虑搬运安装操作影响〕〔场地定标：入轨后实际运行情况，大面积均匀地表做参照,考虑大气传输，多通道大范围〕
场地定标的常用方法：反射基法〔气溶胶参数〕、辐照度基法〔过程〕、辐亮度基法〔人力〕机上定标一般使用内定标法，星上定标受制于体积一般进行辐射定标〔人造辐射源/太阳〕
光谱定标：确定成像光谱仪增益系数和偏置量之前，必须通过光谱定标，获得成像光谱仪每个波段的中心波长和带宽。
辐射定标：确定成像光谱仪在该波长小输入辐射能与输出响应关系〔增益系数和偏置量〕4、空间分辨率和光谱分辨率
光谱分辨率：指探测器波长方向上的记录宽度，又称波段宽度〔50%〕
空间分辨率：由仪器瞬时视场角决定，地面分辨单元。
分光系统分出的色散光源再聚集到探测器上，成像光谱仪获得图像有光谱与空间分辨率。
(三)地物光谱重建
1、目的
实现从影像像元光谱特性的定量化表达。
核心建立像元灰度值与光谱反射率之间的转化关系，DN-->ρ
(四)高光谱数据降维〔立足于高维数据由使用目的对对数据进行选择〕
1、高光谱数据的高维特征〔不同于低维的分布特点〕〔降维原因〕
信息冗余量大,超维几何体体积迅速增加,维数灾难,参数估计(样本量大),高阶统计特性〔维数灾难：训练样本不足时出现的样本点数目一定时，分类精度随维度增加“先增后降”〕〔高阶统计特性：高维数据分类时除数据点分布绝对位置外，数据分布形状与方向更重要〕〔考虑均值向量分类精度随维度增加先增后减，考虑方差分类精度提升〕
2、可分性准则〔判据〕〔基于几何距离，基于概率密度〕
概念：从高维数据中得到一组用来分类的特征，需要一个定量标准衡量特征对分类的有效性。
特点：通过已知类别先验知识，衡量当前特征空间对类别的区分效果。
构造原则：直接表达降维后特征空间的类别可分性。
〔衡量概率密度重叠度〕
光谱搜索：利用地物波段吸收特性进行选择〔先验知识-〕针对特定目的选择->包络线去除〕
3、高光谱特征提取〔提取是重组映射运算，选择是子集挑选〕
定义：对原始光谱空间特征进行重新组合优化，取出最适合当前应用需求的新特征。
要点：维数降低，特征性能更优良，不能完全取代原始数据
4、两种主要途径
波段选择〔特征选择〕〔穷举，启发性、随机〕
特征变换〔特征提取〕〔经典PCA，最小噪声别离，噪声适应主成分，通用光谱模式分解〕
(五)光谱特征参量化
1、基本概念
目的：对高光谱曲线进行定量化表达，用数值化形式描述反射率随波长的变化特征。
地位：针对待分析对象由高光谱特征参量提取，构建分析特征集为后续处理做基础。
2、主要方法
〔1〕波谱特征简化表达
特点：反射率为浮点型且波段多，为提升分析效率对曲线进行简化表达，用于较粗略的波谱特征查找和匹配,提高处理效率或服务于目视判读,不适用于精细分析典型方法：光谱二值编码，地物类型序列光谱柱状图
〔2〕光谱吸收特征参数提取
1、光谱吸收特征参数
定位光谱吸收谷位置，量化吸收谷形状特征的参数称为光谱吸收特征参数。
2、包络线消除
定义：将光谱曲线相应波段的反射率值与包络线曲线的反射率值镜像比例换算，得到新的光谱曲线
特点：没有改变敏感波位置，可更有效地进行光谱特征数值的比较，对后续特征参数提取十分有利，曲线上形成假设干吸收谷，突出反映光谱吸收特点，强化光谱
曲线形态特征，增强可识别性，有利于相近地物的区分。
〔包络线：每条光谱曲线的外凸包曲线，与光谱曲线相切或相离，相当于光谱曲线外壳〕
3、吸收位置：光谱吸收谷中‘反射率最低处波长。
4、吸收深度：最大吸收深度一半时的光谱带宽。
5、吸收面积:吸收谷的的面积，积分结果。
6、吸收对称性：以过吸收位置的垂线为边界，左右两边区域面积比值的常数对数。
7、光谱吸收指数：光谱上吸收谷反射率，与对应波长下非吸收基线的反射率之比。
〔非吸收基线：吸收谷两谷口〔肩〕连线〕
3、红边与红边分析〔植被倒高斯模型〕
〔1〕红边
μμm处反射率急剧增加形成红外陡肩。
〔2〕红边分析
以红边起始位置和红边斜率为分析对象，建立与植被健康状况密切相关的模型。
〔PPT〕
〔3〕光谱倒数
光谱倒数可增强光谱曲线在坡度上的表现，光谱倒数波形分析可消除部分大气效应。
〔4〕光谱积分
求某一波长范围内的下覆面积，由高光谱数据得到多光谱数据。
3、光谱曲线函数模拟法
目的：为准确通过数学形式模拟部分典型地物的典型波态确定特征点位，将光谱曲线转化为数学函数进行表达。
特点：曲线平滑去噪，离散点变为稳定曲线特征点更具代表性，参数有针对性和实用意义。
(六)混合光谱分解
1、基本概念〔混合以累加形式存在〕
1、混合光谱：往往一个像元覆盖范围内的地表包含不同的覆盖成分,一个像元用一个信号记
录这些异质成分,形成混合像元现象,制约分类精度,这些像元称为混合像元。
2、端元与丰度：像元对应地表的地物组成成分称为端元，各成分比称为丰度。
3、混合像元分解：确定端元类型和相应丰度的过程称为混合像元解混。
4、主要成因：物质混合〔线性〕，大气传输因素〔非线性〕，仪器因素〔非线性校准定标〕。
5、混合光谱模型类型：线性模型与非线性模型(出发点相同，其他地面特征和影响因素不同)
线性、概率〔二类问题〕、几何光学、随机几何、模糊分析……
2、线性光谱混合模型
〔1〕物理学
像元混合光谱是像元内部各地物纯光谱的地物分布面积加权平均。
混合像元光谱吸收反射等信息为内部端元光谱的吸收、反射强度的叠加。
〔2〕代数学
遥感图像所获得的像元光谱矢量是各端元光谱矢量与各端元丰度矢量的乘积。
〔3〕几何学
光谱特征空间中端元为基本构成元素，n个通道可解译n+1个端元
〔4〕适用条件
给定区域内，地表由光谱特征相对固定的地物组成，光谱变化主要由端元丰度不同产生。
〔5〕端元提取〔以标准光谱重建(物理端元)找纯点(图像端元)〕
提取几何定点的端元提取〔高光谱影像所有数据都包含在一端元为定点的单体内〕
纯像元指数法：降维(PCA)->投影运算(各方向〕->投影结果统计->确定端元(指数高概率大) 方便高效，背景知识要求高，有监督的处理方法，随机投影方向的选择有主观性
基于误差分析的端元提取〔利用方根误差逐个搜索，对当前端元误差评估选择调整方向〕初始端元->计算RMS->统计RMS误差最大点->形成新的端元矩阵->不断重复以上过程
〔6〕丰度解算(利用方程组解算，总丰度累计为1)
非限制性方法：不考虑限制因素，仅由线性关系求解〔简单直接，不太精确有悖论〕
限制性方法：线性关系与限制性条件综合考虑〔高精度不违背物理意义，复杂〕
(七)光谱匹配〔像元响应光谱与地物标准光谱比照分析，确定像元类别〕
1、两种运作方式
〔1〕从像元出发
定义：从影像像元出发，在光谱库中搜索最相似的标准光谱响应曲线，进行归类。
主要用途：影像解译，获得丰富的影像像元类别信息。
〔2〕从地物标准光谱出发
定义：将某种地物的标准曲线做模板与每个像元比较，记录像元相似性
主要用途：特定地物专题分析，获得较详细的地物含量信息。
2、匹配算法
〔1〕核心
地物标准光谱与像元光谱相似性判断，需要寻找有效的相似性衡量算法。
〔汉明距离：遥感影像处理中指两等长字符串对应位置不同字符数〕
〔2〕光谱角度匹配
以野外测量光谱(参考)与像元光谱(测试)向量的广义角夹角为基础，比较亮光谱曲线相似性。
〔3〕交叉相关匹配
考虑参考光谱和像元光谱之间的相关系数、偏度等标准。
(八)应用〔PPT植被〕。