SWIR成像光谱仪
基于高光谱遥感影像的AOD反演
基于高光谱遥感影像的AOD反演刘安伟【摘要】气溶胶光学厚度(Aerial Optical Depth,AOD)是重要的大气参数,也是大气校正中不可缺少的变量.文中通过两种AOD反演算法的实施和比较,探讨了利用高光谱进行AOD反演的可行性和算法的适用性.通过两种方法,对四幅影像进行了气溶胶的反演,并以地基观测数据进行了对比验证.结果显示改进的V5.2算法在非浓密植被区域的精度较高,而在浓密植被区域与DDV算法精度相当,由于两种算法均依赖于波段固定的线性关系,使得两种算法在气溶胶的反演中均有误差.【期刊名称】《矿山测量》【年(卷),期】2017(045)004【总页数】6页(P38-43)【关键词】AOD;敏感性分析;DDV;高光谱遥感影像【作者】刘安伟【作者单位】甘肃工业职业技术学院测绘学院,甘肃天水741025【正文语种】中文【中图分类】TU4陆地气溶胶遥感反演从八十年代发展至今，算法和应用精度越来越高。
Fraser等[1]和Durkee等[2]分别在陆地和海洋上空发展了双-多通道反射率算法，Tanre等[3]提出了结构函数法，Kaufman等[5]最早提出了浓密植被算法。
Remer等[5]又将浓密植被算法所适用的短波红外波段的反射率扩展。
随后，Levy 等[6]提出了新的V5.2方法，新方法扩大了暗目标的范围，同时考虑了气溶胶光学厚取较小值的情况，使气溶胶光学厚度反演结果与AERONET观测数据相关性较高，该方法在高反射率区域误差仍然较大。
牛铮[7]将双视角算法应用于Terra和Aqua卫星的气溶胶反演。
孙林[8]使用构建的BRDF模型结合MODIS数据反演北京地区的气溶胶光学厚度，讨论了稀疏植被等高地表反射率地区的气溶胶反演问题，指出土壤湿度对于可见光波段地表反射率具有一定的影响。
Liang等[9]在建立Landsat ETM+图像大气纠正方法中提出了基于直方图匹配的大气气溶胶光学厚度反演算法。
基于光谱遥感技术的作物营养诊断研究进展
林业工程学报，２０２３，８（６）：１３－２３ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２２１２０１６收稿日期：２０２２－１２－１１㊀㊀㊀㊀修回日期：２０２３－０３－１６基金项目：江苏省现代农机装备与技术示范推广项目（ＮＪ２０２２－１２）；江苏省科技计划专项资金（重点研发计划现代农业）项目（ＢＥ２０２２３７４）㊂作者简介：蒋雪松，男，教授，研究方向为农林产品品质诊断㊂Ｅ⁃ｍａｉｌ：ｘｓｊｉａｎｇ＠ｎｊｆｕ．ｅｄｕ．ｃｎ基于光谱遥感技术的作物营养诊断研究进展蒋雪松，黄林峰，贾志成，戎子凡（南京林业大学机械电子工程学院，南京２１００３７）摘㊀要：营养元素在作物生长的各个阶段都具有重要作用，其含量的丰缺直接影响作物正常生理活动，如叶绿素㊁蛋白质的合成，根系的生长等㊂准确的作物营养诊断可以保证施肥量与作物本身营养需求量相匹配，保证作物的正常生长㊂随着无人机㊁直升机和卫星等遥感平台，多光谱和高光谱相机等光学传感器以及相关技术发展成熟之后，光谱遥感技术逐渐应用于农林业营养诊断㊂光谱遥感技术利用反射光谱数据估计叶片理化参数，是获取作物营养元素含量的一种有效手段，具有成本低㊁作业范围大㊁劳动量需求性低等优点㊂分析了物理与化学营养诊断技术的方法与手段，指出光谱遥感技术的先进性，归纳了光谱遥感技术的基本分析步骤，重点综述了近年来该技术在诊断作物氮㊁磷㊁钾等必需营养元素方面的具体应用和理论研究方面的不足，提出了微量元素含量检测的必要性，推动多营养元素光谱数据库建立㊁数字孪生技术应用和算法优化，以期提高作物大面积营养诊断的准确度和便利性㊂关键词：作物；遥感；营养元素；营养诊断；光谱诊断中图分类号：ＴＰ７９㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２３）０６－００１３－１１ＲｅｓｅａｒｃｈａｎｄｐｒｏｇｒｅｓｓｏｆｃｒｏｐｎｕｔｒｉｔｉｏｎｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙＪＩＡＮＧＸｕｅｓｏｎｇ，ＨＵＡＮＧＬｉｎｆｅｎｇ，ＪＩＡＺｈｉｃｈｅｎｇ，ＲＯＮＧＺｉｆａｎ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｓｐｌａｙａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎａｌｌｓｔａｇｅｓｏｆｃｒｏｐｇｒｏｗｔｈ，ａｎｄｔｈｅｉｒａｂｕｎｄａｎｃｅｏｒｄｅｆｉｃｉｅｎｃｙｄｉ⁃ｒｅｃｔｌｙａｆｆｅｃｔｓｎｏｒｍａｌｐｈｙｓｉｏｌｏｇｉｃａｌａｃｔｉｖｉｔｉｅｓｏｆｃｒｏｐｓ，ｓｕｃｈａｓｃｈｌｏｒｏｐｈｙｌｌａｎｄｐｒｏｔｅｉｎｓｙｎｔｈｅｓｉｓ，ｒｏｏｔｇｒｏｗｔｈ，ｅｔｃ．Ｔｈｅｃｕｒｒｅｎｔｃｒｏｐｐｒｏｄｕｃｔｉｏｎｐｒｏｃｅｓｓｉｓｃｈａｒａｃｔｅｒｉｚｅｄｂｙｉｒｒａｔｉｏｎａｌｓｉｔｕａｔｉｏｎｓｓｕｃｈａｓｏｖｅｒ⁃ｆｅｒｔｉｌｉｚａｔｉｏｎ，ｗｈｉｃｈａｆｆｅｃｔｓｃｒｏｐｇｒｏｗｔｈａｎｄｃａｕｓｅｓｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｂｌｅｍｓ．Ｗｉｔｈｐｅｏｐｌｅ ｓｃｏｎｃｅｒｎｓａｂｏｕｔｉｓｓｕｅｓｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｔｅｃｔｉｏｎａｎｄｈｕ⁃ｍａｎｈｅａｌｔｈ，ｔｈｅｐｒｅｃｉｓｅａｐｐｌｉｃａｔｉｏｎｏｆｆｅｒｔｉｌｉｚｅｒｈａｓｂｅｃｏｍｅａｒｅｓｅａｒｃｈｈｏｔｓｐｏｔ．Ａｃｃｕｒａｔｅｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｃａｎｅｎｓｕｒｅｔｈａｔｔｈｅｆｅｒｔｉｌｉｚｅｒａｐｐｌｉｃａｔｉｏｎｍａｔｃｈｅｓｔｈｅｃｒｏｐ ｓｏｗｎｎｕｔｒｉｅｎｔｒｅｑｕｉｒｅｍｅｎｔｓｗｉｔｈｏｕｔｂｅｉｎｇｗａｓｔｅｄａｎｄｄｏｉｎｇｈａｒｍｔｏｔｈｅｅｎｖｉｒｏｎｍｅｎｔ．Ａｓｔｈｅｍａｉｎｉｎｄｉｃａｔｏｒｏｆｎｕｔｒｉｅｎｔａｂｕｎｄａｎｃｅａｎｄｄｅｆｉｃｉｅｎｃｙ，ｔｈｅｃｒｏｐ ｓｏｗｎｎｕｔｒｉｔｉｏｎａｌｓｔａｔｕｓｃａｎｂｅｊｕｄｇｅｄｂｙｔｒａｉｔｓｓｕｃｈａｓｌｅａｆｃｏｌｏｒ，ｃｕｒｌａｎｄｄｒｙｎｅｓｓ．Ｌｏｗｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｗｏｕｌｄｌｅａｄｔｏａｓｌｏｗｅｒｒａｔｅｏｆｃｈｌｏｒｏｐｈｙｌｌｓｙｎｔｈｅｓｉｓｉｎｃｒｏｐｌｅａｖｅｓａｎｄａｙｅｌｌｏｗｃｏｌｏｒｉｎｔｈｅｃｅｎｔｅｒｏｆｔｈｅｌｅａｆａｎｄｔｈｅｖｅｉｎａｒｅａ；ｔｏｏｍｕｃｈｎｉｔｒｏｇｅｎｗｏｕｌｄｌｅａｄｔｏｔｈｉｎｎｉｎｇｏｆｔｈｅｃｅｌｌｗａｌｌｓａｎｄｓｕｄｄｅｎｇｒｏｗｔｈｏｆｓｔｅｍｓａｎｄｂｒａｎｃｈｅｓ．Ｐｈｏｓｐｈｏｒｕｓｃｏｎｔｅｎｔｉｓｓｅｃｏｎｄｏｎｌｙｔｏｎｉｔｒｏｇｅｎａｎｄｐｏｔａｓｓｉｕｍ，ｏｆｔｅｎｉｎｔｈｅｆｏｒｍｏｆｏｒｇａｎｉｃｍａｔｔｅｒｉｎｖｏｌｖｅｄｉｎｔｈｅｍｅｔａｂｏｌｉｃｐｒｏｃｅｓｓｏｆｖｅｇｅｔａｔｉｏｎ，ｐｒｏｍｏｔｉｎｇｔｈｅｇｒｏｗｔｈｏｆｅａｒｌｙｐｌａｎｔｒｏｏｔｓａｎｄｉｍｐｒｏｖｅｃｒｏｐｙｉｅｌｄ．Ｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｉｓｃｏｍｐａｒａｂｌｅｔｏｔｈａｔｏｆｎｉｔｒｏｇｅｎａｎｄｅｘｉｓｔｓｍａｉｎｌｙｉｎｔｈｅｆｏｒｍｏｆｉｎｏｒｇａｎｉｃｓａｌｔｓ．Ｉｎｐｏｔａｓｓｉｕｍｄｅｆｉｃｉｅｎｃｙ，ｃａｒｂｏｈｙｄｒａｔｅｍｅｔａｂｏｌｉｓｍｉｓｄｉｓｔｕｒｂｅｄ，ｃｈｌｏｒｏｐｈｙｌｌｉｓｄｅｓｔｒｏｙｅｄ，ｌｅａｆｍａｒｇｉｎｓａｒｅｓｃｏｒｃｈｅｄａｎｄｒｕｆｆｌｅｄ，ａｎｄｔｒａｎｓｐｉｒａｔｉｏｎｒａｔｅｉｓｓｕｂｓｅｑｕｅｎｔｌｙａｆｆｅｃｔｅｄ．Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｃａｎｂｅｕｔｉｌｉｚｅｄｔｏｓｔｕｄｙｔｈｅｒｅｆｌｅｃｔａｎｃｅｐｒｏｐｅｒｔｉｅｓｏｆｃｒｏｐｌｅａｖｅｓ．Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｇｒａｄｕａｌｌｙａｐ⁃ｐｌｉｅｄｔｏｔｈｅａｇｒｏｆｏｒｅｓｔｒｙａｓｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓ，ｏｐｔｉｃａｌｓｅｎｓｏｒｓａｎｄｒｅｌａｔｅｄｔｅｃｈｎｏｌｏｇｉｅｓｄｅｖｅｌｏｐｉｎｇ．Ｉｔｉｓａｎｅｆ⁃ｆｅｃｔｉｖｅｍｅａｎｓｔｏｏｂｔａｉｎｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｉｎｆｏｒｍａｔｉｏｎｗｈｉｃｈｕｓｅｓｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒａｌｄａｔａｔｏｅｓｔｉｍａｔｅｌｅａｆｐｈｙｓｉｃｏｃｈｅｍｉ⁃ｃａｌｐａｒａｍｅｔｅｒｓ，ｗｉｔｈｌｏｗｃｏｓｔ，ｌａｒｇｅｏｐｅｒａｔｉｎｇｒａｎｇｅａｎｄｌｏｗｌａｂｏｒｄｅｍａｎｄ．Ｔｈｅｍｅｔｈｏｄｓａｎｄｍｅａｎｓｏｆｔｈｅｐｈｙｓｉｃａｌａｎｄｃｈｅｍｉｃａｌｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙａｒｅａｎａｌｙｚｅｄ，ｔｈｅａｄｖａｎｃｅｍｅｎｔｏｆｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｐｏｉｎｔｅｄｏｕｔ，ａｎｄｔｈｅｂａｓｉｃｓｔｅｐｓｏｆｔｈｅｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇａｎａｌｙｓｉｓｔｅｃｈｎｏｌｏｇｙａｒｅｓｕｍｍａｒｉｚｅｄ，ｆｏｃｕｓｉｎｇｏｎｒｅｖｉｅ⁃ｗｉｎｇｔｈｅｓｐｅｃｉｆｉｃａｐｐｌｉｃａｔｉｏｎｓａｎｄｔｈｅｏｒｅｔｉｃａｌｒｅｓｅａｒｃｈｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎｄｉａｇｎｏｓｉｎｇｅｓｓｅｎｔｉａｌｎｕｔｒｉｅｎｔｓ林业工程学报第８卷ｓｕｃｈａｓｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｉｎｃｒｏｐｓｉｎｒｅｃｅｎｔｙｅａｒｓ．Ｔｈｅｎｅｃｅｓｓｉｔｙｏｆｔｒａｃｅｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔｄｅｔｅｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｅｍｕｌｔｉ⁃ｎｕｔｒｉｅｎｔｓｐｅｃｔｒａｌｄａｔａｂａｓｅａｎｄａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚａｔｉｏｎａｒｅｐｒｏｐｏｓｅｄｔｏｐｒｏｍｏｔｅｔｈｅｅｓｔａｂｌｉｓｈ⁃ｍｅｎｔｏｆｍｕｌｔｉ⁃ｎｕｔｒｉｅｎｔｓｐｅｃｔｒａｌｄａｔａｂａｓｅｓａｎｄａｌｇｏｒｉｔｈｍｓｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙａｎｄｃｏｎｖｅｎｉｅｎｃｅｏｆｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓｉｎｌａｒｇｅａｒｅａｓｏｆｃｒｏｐｓ．Ｋｅｙｗｏｒｄｓ：ｃｒｏｐ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｎｕｔｒｉｅｎｔｅｌｅｍｅｎｔ；ｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｉｓ；ｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎ㊀㊀我国是传统农林业大国，作物种植面积和产量皆居世界前列［１］㊂氮磷钾等主要营养元素与作物的生长密切相关，合理施用可使产量增加２．４６倍以上［２］㊂当前作物在生长过程中存在过量施肥等不合理情况，既影响作物生长，也易引发环境问题㊂实现作物生长各个阶段的实时营养诊断可以为农林业从业人员及时调节施肥用量，进而优化种植模式㊁减少环境污染提供参考㊂目前的作物营养诊断技术尚未达到大面积实时诊断的要求㊂笔者介绍了作物营养诊断的基本手段，对比当前主流物理与化学诊断技术的特点，对其优缺点进行分析，指出光谱遥感技术是较理想的诊断手段，并从主流的多光谱和高光谱遥感技术入手，重点综述了光谱遥感技术在常见作物氮磷钾等必需元素的营养诊断中的应用成果及研究进展，最后分析存在的问题与挑战，为后续研究提供技术参考㊂１㊀作物营养诊断技术研究现况目前，主流的作物营养诊断技术包括化学诊断和物理诊断两大类㊂化学诊断常见手段包括植株化学㊁土壤养分和酶学诊断，物理诊断则包括声学㊁电学和光学诊断㊂１．１ 现有作物营养诊断技术１．１．１㊀化学诊断技术化学诊断是通过化学反应测定植株体内的营养元素含量水平，与正常或异常植株标本进行直接比较而作出丰缺判断的诊断技术㊂其包括植株化学诊断㊁土壤养分诊断和酶学诊断［３－５］等，通过在田间㊁林间采集样本并在实验室环境下对植株以及土壤的营养元素进行理化分析㊂植株营养诊断技术包括凯氏定氮法［３］，即通过氧化剂消煮分解样品有机含氮化合物进行测定；微量元素测定则可以通过原子吸收光谱法，能直接反映作物的营养状况，是判断营养丰缺最可靠的手段㊂作物通过汲取土壤中营养元素供给自身生长所需，土壤养分诊断［４，６］通过比色分析法检测生长地域土壤配比的土壤浸提液中的养分情况，间接判断作物营养状况，有一定的滞后性㊂酶学诊断技术［５］则是通过检测植株酶促反应代谢产物含量，判断植株酶含量与活性情况，以此进行作物营养元素含量水平的诊断㊂大多数作物不同生长阶段和不同组织器官的营养元素含量临界值已基本研究确定㊂化学诊断技术能有效进行早期营养诊断和潜在性的缺素判断，但存在损伤植株，不同地域生长环境差异性较大，标准环境的临界值无法对不同地域的作物营养状况进行科学诊断，且操作烦琐，消耗大量检测时间等一系列问题，在农林业方面的推广存在限制㊂１．１．２㊀物理诊断技术物理诊断是指通过声学㊁电学和光学等物理手段对作物的营养状况进行诊断㊂其中，声学诊断主要是通过发射超声波进入作物内部探测缺陷［７］，抑或利用振动声学技术，通过物体撞击作物本身产生声信号进行物质检测［８］㊂电学诊断主要根据作物的介电特性，利用电极片对其物理成分进行检测［９］㊂目前主流的作物营养光学诊断技术主要是叶片及冠层尺度和区域尺度的光谱诊断，利用作物叶片细胞㊁色素㊁含水量对光线的吸收和反射的程度不同进行光谱分析和营养诊断㊂叶片及冠层尺度的光谱采集主要利用地面便携式光谱仪（如ＦｉｅｌｄＳｐｅｃ４光谱仪），但易受外界光照强度变化影响，易用性差，尤其是面对高大经济林木局限性较大㊂区域尺度的光谱遥感诊断主要是通过机载或星载式光谱仪（如ｎａｎｏ⁃Ｈｙｐｅｒｓｐｅｃ成像光谱仪，高分五号卫星）进行远程㊁大面积的检测，可以克服地面便携式光谱仪诊断的局限性㊂主要在粮食估产［１０］㊁病虫害识别［１１］㊁作物种类识别［１２］㊁作物长势监测［１３］等领域有广泛应用㊂综合比较，如表１所示，化学诊断操作复杂，成本高，耗时长；物理诊断中的声学诊断受噪声影响大；电学诊断对检测仪器精度要求高；叶片及冠层尺度的光谱诊断效率低，受作物立地条件和生长状态影响；区域尺度的光谱遥感诊断能克服其他营养诊断技术存在的弊端，具有作业覆盖面积大㊁效率高等优点［１４－１５］㊂４１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展表１㊀不同作物营养元素诊断法的优缺点Ｔａｂｌｅ１㊀Ａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｄｉｆｆｅｒｅｎｔｃｒｏｐｎｕｔｒｉｅｎｔｄｉａｇｎｏｓｔｉｃｍｅｔｈｏｄｓ方法尺度优点缺点化学诊断法适用于多种营养元素复合诊断，缺素早期预防操作难度大，存在破坏性，不适大面积诊断声学诊断法能同时获取样本力学性能存在较小破坏性，外界噪声对声音信号的检测影响大电学诊断法操作简单，能获取样本内部整体信息电极测量仪属敏感仪器，对测量精度要求高光学诊断法叶片及冠层尺度成本较低，响应迅速冠层高度等因素限制使用场区域尺度适于大面积的缺素诊断和早期预防机载与星载平台成本高，星载光谱仪空间分辨率较低，不利于实验推广１．２㊀作物光谱遥感技术根据数据采集方式的不同，光谱遥感技术可以分为非成像式和成像式㊂非成像式通常是对计算光谱探头采集的视场角之内平均光谱进行研究［１６］，涉及光谱范围通常包括可见光（ＶＩＳ）至短波红外线（ＳＷＩＲ）（４００ ２５００ｎｍ）㊂成像式主要包括推扫式和快照式，获取光谱信息和图片信息二合一的光谱图像［８］，相较于非成像式，其额外的图片信息反映的作物信息更加丰富㊂主流的光谱遥感技术根据采集的波段个数也可分为多光谱遥感技术和高光谱遥感技术㊂多光谱遥感技术采集的图像波段较少（红波段㊁绿波段㊁蓝波段㊁可见光㊁热红外㊁近红外波段等）㊂高光谱图像一般是将全波段分割成１ ５ｎｍ的连续波段，分辨率更高，能够获取更多样本信息，相对而言数据处理难度也较大㊂光谱遥感技术通常包括采集冠层遥感光谱数据㊁遥感信息预处理㊁筛选敏感波段和特征植被指数㊁建立模型和评估模型等典型步骤，其流程如图图１㊀光谱遥感诊断流程Ｆｉｇ．１㊀Ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄｉａｇｎｏｓｉｓｆｌｏｗｃｈａｒｔ１．２．１㊀光谱数据预处理方法实际实验操作过程中，叶片及冠层尺度光谱图像与区域尺度光谱图像在数据预处理步骤上稍有不同，由于区域尺度图像传感器与目标距离远，光谱仪易受空间辐射和云层干扰，预处理第一步需进行辐射校正㊁大气校正和正射校正操作，剔除大气㊁太阳反射对目标区域反射率的干扰，提高目标的目视效果㊂而对于叶片及冠层尺度光谱图像，则无须进行辐射校正㊁大气校正等操作，可以直接提取光谱图像感兴趣区（ＲＯＩ）内光谱反射率谱线进行后续处理㊂预处理第二步是剔除光谱采集过程中光强不均㊁传输噪声等因素的干扰，常用处理方法有基线校正㊁散射校正㊁平滑处理和尺度缩放４类［１７］㊂基线校正可以消除噪声和漂移对有效信号的影响，将光谱基线人为拉回０基线上，常用方法有一阶导㊁二阶导等㊂散射校正用来消除散射水平不同带来的光谱差异对诊断结果的影响，可以有效增强光谱与数据的相关性，常用方法包括多元散射校正（ＭＳＣ）和标准正态变量变换（ＳＮＶ）［１８］等㊂平滑处理进行平滑滤波，可以提高光谱信息的平滑性，提高信噪比，常用方法包括ＳＧ平滑法和移动窗口平滑等㊂尺度缩放可以缩小数据尺度之间的差异性，常用方法包括：中心化㊁最大最小归一化和标准化等㊂同时，为了解决光谱遥感技术中空间分辨率与光谱分辨率相互制约的问题：学者也采用空⁃谱遥感信息融合技术，将不同空间㊁光谱分辨率的遥感图像进行融合，获得同时具有高空间㊁谱分辨率的遥感影像［１９］，主要包括全色⁃多光谱融合㊁全色⁃高光谱融合㊁多光谱⁃高光谱融合等技术，可以有效提高光谱遥感数据质量㊂１．２．２㊀光谱遥感特征提取方法在光谱数据的处理过程中，对遥感数据进行加工，获得的各类型光谱参数能增强作物营养诊断能力，如基于光谱位置的特征参数（ 三边 参数），基５１林业工程学报第８卷于光谱波段的植被指数以及敏感波段组合㊂这能使筛选出来的光谱特征与样本化学成分之间有较强的相关性，同时提高处理速度㊂光谱数据特征提取的方法主要有逐步回归（ＳＲ）㊁无信息变量消除法（ＵＶＥ）㊁偏最小二乘法（ＰＬＳ）㊁主成分分析（ＰＣＡ）㊁人工神经网络（ＡＮＮ）㊁独立成分分析（ＩＣＡ）和连续投影算法（ＳＰＡ）［２０］等，可以有效降低后期建模的复杂程度，提高鲁棒性㊂同时，学者也尝试提取光谱遥感图像的空间特征（如纹理特征㊁形态学特征等）进一步提升光谱遥感信息的处理能力，提高数据处理的可靠性［２１］㊂１．２．３㊀建模分析方法回归模型将建立作物样本化学元素含量数值与光谱反射率数据之间的对应关系㊂常用机器学习算法有多元线性回归（ＭＬＲ）㊁偏最小二乘法（ＰＬＳ）㊁主成分回归（ＰＣＲ）等定量模型；人工神经网络（ＡＮＮ）㊁支持向量机（ＳＶＭ）㊁ｋ⁃近邻算法（ＫＮＮ）等定性模型；同时由于深度学习回归模型具有较强非线性拟合能力，如深度森林（ＤＦ）也被尝试用于小数据量高光谱数据建模［２２］１．２．４㊀模型评价指标评估回归模型的过程中，通常会用到一些统计参数，如均方根误差（ＲＭＳＥ）㊁决定系数（Ｒ２）或相关系数（Ｒ）等㊂通常情况下，预测模型的ＲＭＳＥ越小，相关系数或决定系数越大，模型的性能越好㊂２㊀光谱遥感技术在作物营养诊断方面的具体应用㊀㊀由于施肥水平㊁作物生长土壤基质和作物生长阶段等差异性因素的影响，作物对于必需营养元素的需求也具有时间性和地域性的差异［２３］㊂作物的叶片作为主要的营养元素丰缺指示器，通过叶片的颜色㊁卷曲和干枯程度等性状可以对作物本身的营养状况进行判断㊂通过光谱遥感技术可对作物叶片的反射率特性进行研究（图２）㊂由于地面的光谱信息采集能力有限，光谱遥感技术能从高空视角实现作物营养元素含量信息的快速获取，便于掌握作物缺素情况，从而指导农林业从业人员科学施肥㊂图２㊀叶片的光谱反射率特性Ｆｉｇ．２㊀Ｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｐｒｏｐｅｒｔｉｅｓｏｆｌｅａｆｂｌａｄｅｓ２．１㊀必需营养元素营养诊断氮㊁磷㊁钾是植物生长发育的三大必需营养元素，其含量的丰缺直接影响作物生长和产量等㊂在光谱遥感技术对氮磷钾三大营养元素的诊断研究中，王人潮等［２４］在２０世纪９０年代测定了水稻（Ｏｒｙｚａｓａｔｉｖａ）冠层营养元素光谱特征及其敏感波段，为后续研究提供参考㊂近年来对磷和钾元素的研究也逐渐增多，且朝着多种营养元素共同作用场景下的诊断㊁诊断过程高效便利安全等方向快速发展㊂基于光谱遥感技术作物营养诊断主要包括基于直接光谱和基于植被指数㊂基于植被指数根据地面植被中叶绿素㊁水分等不同物质的光谱差异，可以减少土壤㊁大气等无关特性等信息对诊断的影响，更精确反映植被特征㊂基于直接光谱则是利用全波段高光谱数据或通过筛选与营养元素相关性高的光谱敏感波段进行建模和营养诊断㊂２．１．１㊀氮元素的光谱诊断分析氮元素是植物细胞蛋白质的主要成分，也是叶绿素㊁酶㊁激素等重要代谢有机化合物的组成成分，在生命活动过程中占据重要地位㊂氮含量过少将导致作物叶片叶绿素合成速率变缓，叶片中心与叶脉区域颜色呈黄色；过多则导致细胞壁变薄，茎枝骤长，抗逆性差，严重影响作物长势㊁产量及品质［２５］㊂６１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展由于氮元素含量与叶绿素密切相关，叶绿素在红光和蓝光波段有较强的吸收率，同时红边波段的形状和位置会随氮元素的丰缺而改变，可以据此进行作物氮含量的光谱营养诊断㊂基于直接光谱是通过筛选与氮含量相关的光谱敏感特征波长来进行建模与预测，学者多使用高光谱遥感进行数据的采集并进行敏感波段的筛选㊂Ｈｕ等［２６］应用ＰＬＳ⁃ＤＡ㊁ＳＶＭ㊁极限学习机（ＥＬＭ）和卷积神经网络（ＣＮＮ）模型构建橡胶树（Ｈｅｖｅａｂｒａ⁃ｓｉｌｉｅｎｓｉｓ）氮含量估算模型，敏感波段为８３９，１６７９，１８２９，２０５９，２１８４，２３７０ｎｍ，准确率达９７．７３％㊂Ｃｈｅｎ等［２７］证明非线性建模方法优于线性方法，提取苹果（Ｍａｌｕｓｐｕｍｉｌａ）树冠层氮元素敏感波段并建模，Ｒｆｒｏｇ⁃ＥＬＭ的模型获得最佳结果（Ｒ２＝０．８４３）㊂基于植被指数的氮含量检测中较常见的做法是通过拍摄光谱遥感影像，获取可见光㊁红边和近红外等波段的光谱信息，筛选已有植被指数（表２）或自我构建合适的植被指数，研究与氮元素之间的相关性㊂Ｏｓｃｏ等［２８］使用基于无人机传感器获取的柑橘（Ｃｉｔｒｕｓｒｅｔｉｃｕｌａｔａ）多光谱图像中约３３个光谱指数，其中ＳＲ７５０／５５０和ＴｒｉＶＩ指数与其冠层氮元素相关性较好，随机森林算法在预测氮含量方面的性能最好（Ｒ２＝０．９０）㊂李美炫等［２９］则证明绿光和红光波段为苹果树冠层氮含量敏感波段（Ｒ２＝０．７７４）㊂同时也有学者对比叶片尺度与区域尺度的营养诊断技术，在冬小麦（Ｔｒｉｔｉｃｕｍａｅｓｔｉｖｕｍ）重要生长阶段推荐使用叶片尺度的光谱诊断手段以避免区域尺度的星载传感器易受的云层影响［３０］㊂表２㊀常见光谱指数及其计算公式Ｔａｂｌｅ２㊀Ｃｏｍｍｏｎｓｐｅｃｔｒａｌｉｎｄｉｃｅｓａｎｄｔｈｅｉｒｃａｌｃｕｌａｔｉｏｎｆｏｒｍｕｌａｅｓ光谱指数计算公式参考文献差值植被指数（ＤＶＩ，ＩＤＶ）ＩＤＶ＝Ｒｎｉｒ－Ｒｒｅｄ［３１］绿色归一化差值植被指数（ＧＮＤＶＩ，ＩＤＮＤＶ）ＩＧＮＤＶ＝（Ｒｎｉｒ－Ｒｇｒｅ）／（Ｒｎｉｒ＋Ｒｇｒｅ）［３２］植被衰减指数（ＰＳＲＩ，ＩＰＳＲ）ＩＰＳＲ＝（Ｒ６８０－Ｒ５００）／Ｒ７５０［３３］再归一化差植被指数（ＲＤＶＩ，ＩＲＤＶ）ＩＲＤＶ＝（ＲＮＤＶＩˑＲＤＶＩ）１／２［３４］归一化植被指数（ＮＤＶＩ，ＩＮＤＶ）ＩＮＤＶ＝（Ｒｎｉｒ－Ｒｒｅｄ）／（Ｒｎｉｒ＋Ｒｒｅｄ）［３１］比值植被指数（ＲＶＩ，ＩＲＶ）ＩＲＶ＝Ｒｎｉｒ／Ｒｒｅｄ［３５］土壤调节植被指数（ＳＡＶＩ，ＩＳＡＶ）ＩＳＡＶ＝［（Ｒｎｉｒ－Ｒｒｅｄ）／（Ｒｎｉｒ＋Ｒｒｅｄ＋Ｌ）］ˑ（１＋Ｌ）［３６］三角植被指数（ＴＶＩ，ＩＴＶ）ＩＴＶ＝０．５ˑ［１２０ˑ（Ｒｎｉｒ－Ｒｇｒｅ）－２００ˑ（Ｒｒｅｄ－Ｒｇｒｅ）］［３７］简化冠层叶绿素含量指数（ＳＣＣＣＩ，ＩＳＣＣＣ）ＩＳＣＣＣ＝ＲＮＤＲＥ／ＲＮＤＶＩ［３８］㊀注：Ｒｎｉｒ为近红波段光谱反射率；Ｒｒｅｄ为红光波段光谱反射率；Ｒｇｒｅ为绿光波段光谱反射率；Ｒ５００㊁Ｒ６８０㊁Ｒ７５０分别为波长为５００，６８０和７５０ｎｍ的光谱反射率；ＲＮＤＶＩ为归一化植被指数光谱反射率；ＲＤＶＩ为差值植被指数光谱反射率；Ｌ为土壤调节系数，范围为０ １；ＲＮＤＲＥ为归一化差异红边植被指数光谱反射率㊂㊀㊀此外，由于受成像设备与外部环境等因素的影响，光谱遥感数据在采集㊁转换㊁ＲＯＩ划分和信息处理等过程中容易产生误差及噪声㊂国外学者研究发现，与ＶＩ⁃ＳＬＲ和ＳＭＬＲ回归方法相比，ＲＦ回归方法可以显著提高无人机遥感的估计精度［３９］㊂Ｌｉ等［４０］开发了一种修正相关系数方法（ＭＣＣＭ）来筛选氮元素敏感波段，同时证明归一化差分冠层阴影指数（ＮＤＣＳＩ）可以去除无人机高光谱图像中的阴影，得到冠层光谱信息㊂同时通过筛选预处理方法也可提高氮含量诊断的准确度㊂使用ＳＧ和一阶导数组合对原始光谱进行预处理，适合用于后续苹果树冠层氮元素敏感波段的筛选工作［４１］㊂由于作物叶片氮元素与叶绿素含量相关性强，含量丰缺的表现明显，使得基于直接光谱与植被指数的估算模型性能在三大必需营养元素中拟合效果最好，利用多光谱数据进行回归即可达到高精度㊂但作物叶片氮元素在不同生长阶段呈规律性变化，原有高相关性植被指数难以适应作物的时间性变化㊂对于不同应用场景，模型的通用性将大打折扣㊂因此，必须在诊断过程中充分考虑作物生长环境和生长周期的变化性，使用大跨度和高时间分辨率的数据做支撑，分别建立氮元素估算模型㊂２．１．２㊀磷元素的光谱诊断分析磷元素在作物中的含量仅次于氮和钾，常以有机物形态参与植被代谢过程，促进早期植物根系的生长，并能提高抗逆性，提高作物产量［４２］㊂相比缺氮叶片，缺磷叶片光谱反射率另受花青素含量影响，同时作物的磷元素含量随生长周期的变化较大［４３］，作物间敏感波段存在较大差异性（表３），增加了磷元素含量的诊断难度㊂由于多光谱遥感光谱分辨率较低，在磷含量的研究方面实验的准确度表现不尽如人意，现有对于磷元素含量的监测研究主要基于高光谱遥感技术㊂Ｍａｈａｊａｎ等［４４］提出了用于遥感诊断磷元素的新植７１林业工程学报第８卷被指数：ＶＩＰ＿６７０＿１２６０检索水稻冠层磷元素含量㊂Ｐｉｎｉｔ等［４５］发现泰国水稻叶片磷酸盐（Ｐｉ）含量与近红外（７２０ ７９０ｎｍ）和可见光波段（绿黄边和红边）相关性较强（Ｒ２＞０．７０）㊂也有学者通过改进算法提高准确度，Ｇｕｏ等［４６］提出将ＭＣ⁃ＵＶＥ与ＳＰＡ算法相结合估计橡胶树叶片磷元素含量的模型，筛选出２４４９，２２４３，１６８６，１４０５，１１４４，７１３和４３７ｎｍ为其敏感波段㊂Ｎｏｇｕｅｒａ等［４７］使用ＰＬＳ㊁ＡＮＮ㊁ＳＶＭ和高斯过程回归对橄榄树（Ｃａｎａｒｉｕｍａｌｂｕｍ）叶片磷元素含量进行检测，其中ＡＮＮ方法效果最佳（Ｒ２＝０．８９）㊂对于三大营养元素之间的相互作用，Ｗａｎｇ等［４８］创新性地建立了甘蔗（Ｓａｃ⁃ｃｈａｒｕｍｏｆｆｉｃｉｎａｒｕｍ）多因子三次多项式ＰＬＳ和ＭＬＲ回归模型，提高了模型的性能㊂表３㊀常见作物磷元素敏感波段Ｔａｂｌｅ３㊀Ｐｈｏｓｐｈｏｒｕｓｓｅｎｓｉｔｉｖｉｔｙｂａｎｄｓｆｏｒｃｏｍｍｏｎｃｒｏｐｓ作物波段／ｎｍȡ３８０ ５００ȡ５００ ６２０ȡ６２０ ７６０ȡ７６０ １５００＞１５００文献玉米（Ｚｅａｍａｙｓ）ɿɿɿ［４９］柑橘（Ｃｉｔｒｕｓｒｅｔｉｃｕｌａｔａ）ɿɿ［５０］苹果（Ｍａｌｕｓｐｕｍｉｌａ）ɿɿ［５１］水稻（Ｏｒｙｚａｓａｔｉｖａ）ɿɿ［５２］小麦（Ｔｒｉｔｉｃｕｍａｅｓｔｉｖｕｍ）ɿɿ［５３］番茄（Ｌｙｃｏｐｅｒｓｉｃｏｎｅｓｃｕｌｅｎｔｕｍ）ɿɿɿɿ［５４］㊀注：ɿ为作物的敏感波段㊂㊀㊀此外，筛选对比不同预处理方法和建模方法也能在一定程度上提高磷元素含量诊断的准确性㊂全东平［５５］发现采用小波去噪处理后，基于原始光谱建立的ＰＬＳＲ估算模型对柑橘叶片磷含量的建模效果较不经过小波去噪处理的估算模型有一定精度提升㊂Ｗａｎｇ等［５６］发现ＳＮＶ在预测磷元素和钾元素含量方面都显示出优于其他变量的模型性能㊂Ｏｓｃｏ等［５７］使用机器学习及反射率／一阶导数数据评估常量营养素和微量营养素含量，发现随机森林（ＲＦ）最适合用于建立大多数作物的磷元素含量估算模型㊂与氮元素模型研究相比，作物之间磷元素敏感波段的差异较大，导致不同作物敏感波段之间的可参考性较低，模型转移的难度系数高㊂如何建立稳定㊁适用性高的估算模型是磷元素营养诊断的关键㊂２．１．３㊀钾元素的光谱诊断分析虽然钾含量与氮元素相当，主要以无机盐的形式存在，在光合作用㊁碳水化合物的转运和储存㊁蛋白质的合成等过程中占重要作用㊂缺钾时，碳水化合物代谢会受到干扰，叶绿素被破坏，叶缘焦枯㊁褶皱，蒸腾速率也会随之受到影响［５８］㊂钾元素通过影响叶片化合物含量间接改变光谱反射率，无法像氮元素含量能直接通过叶绿素含量进行基本判断㊂与磷元素情况类似，针对钾元素的光谱特性研究相对较少㊂植被指数仅在区分作物严重缺钾（ＳＰＤ）和钾供应充足（ＡＳＰ）处理方面有效，而无法辨识中度钾缺乏（ＭＰＤ）［５９］㊂同时钾元素在特征光谱上存在相当明显的漂移现象，作物在各个生长阶段的光谱敏感波段分布情况不同，随着作物从萌芽向成熟结果的生长阶段推移，钾元素反射光谱会有部分相关性高的敏感波段向高波段偏移［６０］㊂针对此类情况，黄双萍等［６１］研究发现，在柑橘树不同物候期特征光谱漂移情况下，使用支持矢量回归（ＳＶＲ）建立全生育期钾元素含量估算能力良好，决定系数Ｒ２为０．９９４㊂同时Ｌｕ等［６２］实验证明短波红外区域的光谱反射率与水稻钾元素含量相关性较高㊂除了基于传统的直接光谱和植被指数营养诊断，石吉勇等［６３］利用缺钾元素叶片叶绿素含量偏低区域为叶片边缘的图像特征，对比黄瓜（Ｃｕｃｕｍｉｓｓａｔｉｖｕｓ）缺钾叶片及正常叶片高光谱图像的叶绿素分布情况，进行钾元素丰缺判断，正确率达９５％㊂同时也有学者将气象因素纳入考虑范畴［６４］，证明将日平均气温与湿度作为输入特征进行回归建模可以提高水稻钾元素营养诊断水平（Ｒ２＞０．７４）㊂钾元素对于作物的水汽运输和代谢作用有着深远影响，但现阶段对于作物钾元素的研究仍然较少，基于植被指数与敏感波段的统计模型存在精度低的问题㊂而钾元素缺乏的叶片表型性状明显，基于图像识别的钾元素诊断精度较高，笔者认为尝试光谱特征和图像纹理特征融合分析是下一阶段对作物钾元素诊断的关键方向㊂２．２㊀其他营养元素营养诊断随着植物营养学的不断研究发展，除了氮磷钾三大营养元素，国内外学者探索出更多与作物生长８１㊀第６期蒋雪松，等：基于光谱遥感技术的作物营养诊断研究进展发育相关的必需营养元素，其在调节树体酸度㊁合成叶绿素㊁激素运转和植物代谢等方面有重要的调节功能［６５］㊂目前，作物养分遥感监测研究主要集中在氮磷钾三大主要营养元素的估计上，只有少数尝试诊断其他营养元素，如钙㊁镁㊁硼㊁铁㊁锰等㊂近年来，使用光谱技术诊断作物其他营养元素含量的研究逐渐深入，但大多基于叶片和冠层尺度，而基于区域尺度的研究较少㊂早在２０世纪７０年代，国外学者就发现使用光谱的近红外波段能对作物体内部分含量较高的元素进行准确诊断［６６］㊂之后利用ＰＬＳＲ建模，估算豇豆（Ｖｉｇｎａｕｎｇｕｉｃｕｌａｔａ）Ｓ㊁Ｃａ㊁Ｎａ㊁Ｍｇ的元素含量［６７］㊂对于微量元素的敏感波段筛选和建模，瞿余红等［６８］采用ＳＲ和ＰＣＡ两种方法构建核桃树（Ｃａｒｙａｃａｔｈａｙｅｎｓｉｓ）叶片铁元素含量估测模型，其中以光谱７２５ ７３０，１１４０，１１４１，１４４３，１４４４和１４４５ｎｍ作为敏感波段构建的ＰＣＡ模型精度最佳㊂Ｔｈｕｍ等［６９］研究葡萄（Ｖｉｔｉｓｖｉｎｉｆｅｒａ）藤叶不同微量元素的光谱反射率特征（Ｒ２＞０．６），并以此验证利用微量元素含量区分葡萄产地与品种的可行性㊂而在光谱预处理和建模方面，ｄｅＯｌｉｖｅｉｒａ等［７０］对多种营养元素进行诊断，发现一阶导数可更准确地预测硫元素含量（Ｒ２＝０．８５），使用对数变换可以更准确估计钙（Ｒ２＝０．８１）和镁（Ｒ２＝０．２２）元素含量㊂同时Ｒａｍｄａｓ等［７１］对芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）叶常量和微量营养元素进行研究，发现使用ＰＬＳＲ组合机器学习模型的方法是预测大多数营养素的最佳方法，铁㊁铜㊁硼元素的预测精度良好（Ｒ２ȡ０．９５）㊂Ｈａｒｉｈａｒａｎ等［７２］则开发了一种使用有限差分近似（ＦＤＡ）和双变量相关（ＢＣ）分析高光谱数据的新方法，以区分健康鳄梨（Ｐｅｒｓｅａａｍｅｒｉｃａｎａ）枯萎病㊁氮元素和铁元素丰缺㊂国内外的作物微量元素研究较少，且大多基于便携式高光谱仪，同时微量元素缺乏所导致的表型症状较小，多光谱遥感技术诊断难度大㊂笔者认为基于高光谱遥感技术的微量元素营养诊断潜力巨大，是下一阶段的研究重点㊂３㊀问题与展望尽管在作物营养元素含量诊断过程中，与化学计量学相互结合的光谱遥感技术在作物常量与微量元素诊断等方面表现良好，具有相当广阔的应用前景与市场，但在其实际应用时仍存在问题有待解决㊂１）在检验的营养元素方面，采用单一生长阶段的单一营养元素敏感波段探讨整个生育期作物生理状态和营养状况的研究较多㊂然而，随着作物生长阶段的推移，叶片的光谱反射率将伴随叶片的含水量㊁细胞结构等生化参数变化而发生变化，从而导致光谱反射率与叶片营养元素含量的统计学模型改变，所建立的估算模型难以适用到其他生育时期㊂因此亟须筛选作物不同生长阶段的敏感波段，并利用敏感波段构建光谱指数，以此提高不同生育时期的营养元素含量光谱模型的精度㊂同时，现阶段的作物营养元素研究大多是针对单一营养元素的诊断，对于作物多种营养元素之间的相互作用对光谱特性影响机理的研究较少，对于作物的营养元素丰缺情况缺乏较全面的了解㊂２）对于作物中微量元素含量的光谱诊断研究较为鲜见㊂微量元素在作物代谢过程中起着重要作用，对植物光谱特征的影响与氮㊁磷㊁钾等必要营养元素具有相似性，但丰缺影响差异性大㊂作物微量营养元素的定量化诊断更为少见，根据研究作物样本所建立的微量元素估算模型精度是否能满足后续营养元素补给的需要仍有待进一步研究㊂３）相较于多光谱遥感技术，高光谱遥感技术受制于高昂的设备成本以及缓慢的图像处理速度，应用场景局限性较大，而多光谱遥感技术在诊断估算精度上表现稍差㊂由于高光谱数据变量多，因此基于高光谱遥感的营养诊断在分析时需要比较多种算法和获取大量训练样本才能达到较高的识别精度，这将极大地增加田间作业的工作量和诊断难度㊂４）国内外研究大多只是建立了统计学模型，并未探寻微量元素缺乏所导致的植株生理形态变化与光谱反射率变化之间的因果关系，没有真正揭示微量元素的光谱响应机理㊂其受限于地面实测数据，具有一定的时间和对象局限性，无法反映作物生长全过程，普适性不高，不利于全面推广应用㊂数字孪生技术可以模拟㊁验证㊁预测作物全生育期变化过程［７３］，有效解决统计学模型的局限性，但技术尚未应用于作物营养诊断领域㊂综上所述，光谱遥感技术在作物营养诊断的后续研究可以从以下几个方面入手：１）目前利用地物光谱仪诊断作物营养元素的研究较为深入，而对于无人机遥感或卫星遥感的研究仍然较少㊂因此，如何实现从地面光谱到遥感光谱数据的同化，加速作物营养元素诊断研究进程十分关键㊂２）开发建立各类作物营养元素的光谱信息数９１。
Headwall高光谱成像光谱仪
Hyperspec 高光谱成像分析仪
TM
遥感探测
生命科学
食品安全
流程制造
采矿与产探测
空间与卫星
系统规格
国际认同，多项奖励
100 Award
Product Innovation Award
Achievement Award
New England Innovation Award
一体 式 镜扫系 统
自动聚焦、扫描功能 快速获取高光谱空间数据 可选定位平台、光源等
机载/艇 载系统
低重量 、 高性能的成像光谱 系统 可见 、 近红外多波段可选 完整硬件 、 软件支持的解决 方案
NBL IMAGING SYSTEM LTD．
应用领域
遥感探测 精细农业，环境监测 采矿和勘探 食品安全和质量控制 军事/国 防,目 标识别和跟踪 法庭科学 生命科学，显微成像 制药，药物研究 循环生产和分选 机器视觉 叶片的高光谱观察和伪彩显示
TM
TM
室内、室外 、镜扫、机载/艇 载等多 种平台可选
带移 动 台的室 内 平台
配备全视野宽度均一线性照 明光源, VIS-SW IR通用 同步载物台/相 机操作 光源距离和成像距离可调 250毫米线性移动距离，0.5um 步进精度
倾斜和 摆 扫的 野 外平台
倾斜和摆扫两种模式,多 个 安装位置 最大有效载荷：11Kg 旋转精度：0.0075° 全景环扫功能
Hyperspec 高光谱成像分析仪
产品特点 Hyperspec 高光谱成像分析仪
专利的全息光栅为核心的C-T同轴反射光路设计 优良的色差校正光学性能, 超 低杂散光<0.02% 出厂前光学校准，使用时无需再次校准 狭缝可更换，适用多种环境要求 最佳高光谱分辨率 1-2 nm 光谱探测无运动部件，成像更稳定 VIS, VNIR, EVNIR, NIR, SW IR可选 （380-825nm）,（400-1000nm）,（600-1600nm）, （900-1700nm）,（ 1000-2500 nm） 多种焦距像差校正镜头可选, 最 大光圈F/ N1.4~2.2 (根据镜头选择略有不同) 可选光纤输入，多达100点以上同步探测能力
国际上主要遥感传感器参数
国际上主要遥感传感器参数1、法国SPOT卫星法国SPOT-4卫星轨道参数：轨道高度：832公里轨道倾角：98.721o轨道周期：101.469分/圈重复周期：369圈/26天降交点时间：上午10：30分扫描带宽度：60 公里两侧侧视：+/-27o 扫描带宽：950公里波谱范围：多光谱XI B1 0.50 – 0.59um20米分辨率B2 0.61 – 0.68umB3 0.78 – 0.89umSWIR 1.58 – 1.75um全色P10米B2 0.61 – 0.68umSPOT是世界上首先具有立体成像能力的遥感卫星，其侧视功能具有很强的实用性和很大的应用潜力，但SPOT系统前几颗卫星设计的不同轨迹立体观察存在着未曾想到的问题，由垂直观察转向侧视时，反光镜旋转引起卫星姿态的变化和不稳定，造成立体对的精度很不稳定。
2、ERS卫星ERS-1、ERS-2 欧空局分别于1991年和1995年发射。
携带有多种有效载荷，包括侧视合成孔径雷达（SAR）和风向散射计等装置），由于ERS-1（2）采用了先进的微波遥感技术来获取全天候与全天时的图象，比起传统的光学遥感图象有着独特的优点。
卫星参数：椭圆形太阳同步轨道轨道高度：780公里半长轴：7153.135公里轨道倾角：98.52o飞行周期：100.465分钟每天运行轨道数：14 -1/3降交点的当地太阳时：10：30空间分辨率：方位方向<30米距离方向<26.3米幅宽：100公里3、日本JERS-1卫星JERS-1日本宇宙开发事业团于1992年发射。
用于国土调查、农林渔业、环境保护、灾害监测。
负载全天候、高分辨率的主动微波成像传感器——合成孔径雷达(SAR)和高分辨率的多光谱辐射仪——光学传感器(OPS)。
卫星参数：太阳同步轨道赤道上空高度：568.023公里半长轴：6946.165公里轨道倾角：97.662o周期：96.146分钟轨道重复周期：44天经过降交点的当地时间：10：30-11：00空间分辨率：方位方向18米距离方向18米幅宽：75公里4、RADARSAT-2RADARSAT-2具有3米高分辨率成像能力，多种极化方式使用户选择更为灵活，根据指令进行左右视切换获取图像缩短了卫星的重访周期，增加了立体数据的获取能力。
短波红外光谱仪用途
短波红外光谱仪用途1.农业领域：SWIR光谱仪可以用于测量作物的营养素含量、叶片水分含量以及植物病害的检测。
通过分析作物的SWIR光谱特性，农民和研究人员可以确定作物的健康状况并优化农业管理。
2.食品和饮料行业：SWIR光谱仪可用于检测食品和饮料中的成分和质量。
通过测量食物样品的SWIR光谱，可以确定其水分含量、脂肪含量、蛋白质含量等，并验证产品是否符合标准。
3.制药工业：在药品研发和生产过程中，SWIR光谱仪可用于分析药物中的有机成分、结构和含量，以确保其质量和安全性。
此外，SWIR光谱仪还可用于检测药品中的杂质和控制制药过程中的质量。
4.环境监测：SWIR光谱仪可以用于监测大气和水体中的污染物。
通过测量SWIR光谱特性，可以检测到大气中的有害气体和水中的污染物，从而实现环境污染的快速监测和评估。
5.材料科学和工程：SWIR光谱仪可用于研究和表征各种材料的光谱特性。
它可以用于分析材料的组成、晶体结构和表面形貌，从而帮助开发新材料和改进现有材料的性能。
6.安检领域：SWIR光谱仪广泛应用于安全检测领域。
它可以用于检测爆炸物、毒品和化学品等危险物质。
由于SWIR光谱仪具有较高的灵敏度和特异性，因此在安全检测中具有很大的潜力。
7.医学和生物领域：SWIR光谱仪可以用于研究生物组织、细胞和生物标记物等。
它可以提供关于生物体的组织结构和化学成分的信息，从而帮助医学研究人员了解疾病的发展和诊断。
总之，短波红外光谱仪是一种广泛应用于各个领域的重要科学仪器。
它在农业、食品和饮料行业、制药工业、环境监测、材料科学和工程、安检、医学和生物领域等方面发挥着重要的作用。
随着技术的不断进步，SWIR光谱仪将在更多领域中得到应用，并为相关行业的研究和发展提供更多的支持。
卫星参数
2.1.1.1EOS/MODIS美国国家航空航天局（NASA）自1991年开始实施对地观测系列（Earth Observation System，EOS）计划。
1999年12月18日成功发射了这一系列对地观测卫星中得第一颗卫星TERRA（极地轨道环境遥感卫星），过顶时间为当地时间上午10:30和晚上10:30，以取得最好光照条件并最大限度地减少云的影响。
第二颗星AQUA于2002年5月4日发射成功，其主要任务也是对地观测，每日地方时下午过境，在数据采集时间上与TERRA形成互补。
中分辨率成像光谱仪MODIS（Moderate-resolution Imaging Spectroradiometer）是EOS 系列卫星的主要探测仪器，是CZCS、A VHRR、HIRS和TM等仪器的继续，具有36个光谱通道，分布在0.4μm~14μm的电磁波谱范围内，覆盖了当前各主要遥感卫星的主要观测通道，各通道范围和主要用途如表2-1所示。
星下点的空间分辨率1~2通道为250m、3~7通道为500m、8~36通道为1000m，扫描速度20.3RPM，扫描宽度2330km×10km，其横向的扫描每次是一条宽度约10km的扫描带，其中包含了1000m分辨率的扫描线10条、500m 分辨率的扫描线20条、250m分辨率的扫描线40条。
与NOAA卫星相比，MODIS空间分辨率大幅提高，提升了一个量级，即由NOAA的千米级提高到了MODIS的百米级。
另外，光谱分辨率也大大提高，36个光谱通道观测大大增强了对地球复杂系统的观测能力和对地表类型的识别能力。
当前，MODIS是卫星上唯一将实时观测数据通过x波段向全世界直接广播、可以免费接收数据并无偿使用的星载仪器，全球许多国家和地区都在接收和使用MODIS数据，其36个波段的数据可以同时提供反映陆地、云边界、云特征、海洋水色、浮游植物、生物地理、化学、大气水汽、地表温度、云顶温度、大气温度、臭氧和云顶高度等来自大气、海洋和陆地表面的信息。
短波红外光谱成像在医学上的应用研究
短波红外光谱成像在医学上的应用研究短波红外光谱成像（shortwave infrared (SWIR) imaging）的发展已经吸引了越来越多的人的关注，尤其在医学领域。
SWIR光谱成像技术可用于无创检测、肿瘤诊断和治疗，这为医学研究和治疗带来了新的进展。
在本文中，我们将探讨SWIR 成像技术的原理、发展历程和在医学领域中的应用。
一、SWIR光谱成像技术的原理和发展SWIR光谱成像技术的原理是利用物质在不同波段的吸收、反射和散射等性质来获取图像信息。
SWIR波段范围为1-2.5微米，这些波段被称为“眼睛不可见”的区域，因此，这种技术不同于人眼对光的感知。
在这个波段中，可检测到物质分子的振动、拉伸和弯曲等特征，因此SWIR光谱成像技术可用于检测物质的组成和结构。
随着科技的发展，SWIR光谱成像技术也不断取得进步。
目前，该技术已经发展出多种成像技术，例如：全光谱成像、双波段成像、超分辨成像等。
二、SWIR光谱成像技术在医学领域的应用SWIR光谱成像技术的应用正在医学领域蓬勃发展。
它提供了一种采用无创手段检测生物组织的新方法，为实现肿瘤诊断和治疗提供了一定的帮助。
1、肿瘤诊断SWIR光谱成像技术被广泛应用于肿瘤诊断中。
该技术能够读取肿瘤处的光谱特征，并识别不同类型的肿瘤。
SWIR波段的成像能够突破磷酸盐的无法穿透的界限，并进入组织深处，达到更好的成像效果。
通过成像前和成像后的对比，可以非常明确、准确地看到肿瘤的增大或减小情况，进而评估肿瘤的治疗效果。
2、无创检测SWIR光谱成像技术可用于进行无创检测。
该技术可以通过人体皮肤和组织透过SWIR波来获取组织的信息。
因此，如果没有物理破坏组织，就可以进行组织检测。
通过这种全新的探测方式，SWIR光谱成像技术可以用于皮肤或腹部检测，并提供更为准确的成像结果。
3、治疗SWIR光谱成像技术还可以用于肿瘤治疗。
在治疗过程中，SWIR光谱成像技术提供了一种更好的监测手段。
环境一号卫星与 MODIS NDVI 的定量关系分析
环境一号卫星与 MODIS NDVI 的定量关系分析陈星;刘智华【摘要】不同遥感器由于波段设置和光谱响应函数差异导致其在红光和近红外波段所接收的地物反射信号不同，产生了 NDVI 的不一致性问题，针对这一问题，该文研究了 HJ-1 NDVI 和 MODIS NDVI 的定量关系。
采用高光谱 Hyperion 数据进行光谱卷积和空间卷积，模拟 HJ-1与 MODIS 两遥感器波段反射率数据。
通过计算 NDVI，进行回归分析求出两者之间的定量关系。
分别基于单一覆盖类型和混合覆盖类型建立 HJ-1与 MODIS 的转换方程，排除其定量关系可能受不同土地覆盖类型的影响。
定量分析与精度验证表明：HJ-1 NDVI 与 MODIS NDVI有很高的线性正相关性（R 2＞0．99）；单一覆盖类型转换精度高于混合覆盖类型转换精度，均能满足定量应用要求，但单一覆盖类型转换在实际应用中较为复杂，可采用混合覆盖类型转换方程进行 HJ-1 NDVI 与 MODIS NDVI 的转换。
%Quantitative relationship between NDVI of HJ-1 and MODIS was acquired using Hyperion hyperspectral data. Hyperion scenes were processed to simulate NDVI of the two sensors.To study the effect of land cover on the relationship of NDVI of HJ-1 and MODIS,regression models were derived both for land cover-dependent and land cover-independent situation. The conversion models were directly validated by comparison of HJ-1 and MODIS image data.The result indicated that HJ-1 NDVI was highly correlated with MODIS NDVI (R2 >0.99);Regression models under both situations worked well.The land cover-dependent model worked slightly better than the land cover-independent,but it was morecomplicated when used.So it was suggested to use a single equation to convert HJ-1 NDVI to MODIS NDVI.【期刊名称】《遥感信息》【年(卷),期】2015(000)004【总页数】6页(P85-90)【关键词】NDVI;定量关系;HJ-1;MODIS;光谱响应函数【作者】陈星;刘智华【作者单位】重庆市国土资源和房屋勘测规划院，重庆 400020; 重庆市土地利用与遥感监测工程技术研究中心，重庆400020;重庆市国土资源和房屋勘测规划院，重庆 400020; 重庆市土地利用与遥感监测工程技术研究中心，重庆 400020【正文语种】中文【中图分类】TP79目前，一系列卫星遥感器都用来构建植被指数数据集，从高分辨率、窄幅的遥感器，如TM、SPOTHRV，到中分辨率、宽幅的遥感器，如NOAA－AVHRR、MODIS。
(完整版)常见遥感卫星及传感器汇总介绍
20m
CCD相机
B1 0.45-0.52
113km
B2 0.52-0.59
B3 0.63-0.69
B4 0.77-0.89
B5 0.51-0.73
2.36m
高分辨率相机
B6 0.5-0.8
27km
(HR)
258m
宽视场成像仪
B7 0.63-0.69
890km
(WFI)
B8 0.77-0.89
臭氧层观测仪－OMI（Ozone Monitoring Instrument）
对流层放射光谱仪－TES（Tropospheric Emission Spectrometer）
德国所有的商用卫星
Rapideye-5(5)
5m
0.44-0.51 蓝
77km
0.52-0.59 绿
0.63-0.685 红
0.69-0.73 红边
0.76-0.85近红外
北京一号
二十一世纪空间技术应用股份有限公司（中国）
北京一号小卫星(4)
32m
32米多光谱传感器
绿
600km
红
ห้องสมุดไป่ตู้4m
近红外
4米全色传感器
5M/2.5M
P：0.49-0.69全色
quickbird
美国DigitalGlobe公司
quickbird(4)
全色0.45-0.90（？）0.61m
推扫式扫描成像方式
0.45-0.52 蓝
16.5km（条带16.5*165）
多光谱2.44m
0.52-0.66 绿
0.63-0.69 红
0.76-0.90 近红外
土壤重金属污染高光谱遥感监测方法综述
土壤重金属污染高光谱遥感监测方法综述作者：郭学飞曹颖焦润成来源：《城市地质》2020年第03期摘要：近年来土壤重金属污染日益严重，对生态环境安全和人类健康构成了严重威胁。
高光谱遥感技术具有快速、宏观地获取地物信息的能力，为快速高效获取土壤重金属含量开展污染防治提供了科学手段。
本文总结了基于土壤光谱分析和植被光谱分析的两类土壤重金属污染高光谱遥感监测的方法及原理，介绍了土壤重金属含量反演建模过程及建模方法。
土壤光谱分析法预测重金属含量主要基于实验室土壤光谱展开，具有较高的预测精度，但很难实现大范围土壤重金属污染监测;植被光谱分析法多是基于野外实测光谱数据展开，预测精度相对较低，但较易与高光谱影像相结合进行区域土壤重金属污染预测，是今后研究的热点方向。
多元逐步线性回归和偏最小二乘回归是土壤重金属含量反演应用最为广泛的建模方法，但反演模型往往缺乏普适性和稳定性，随着高光谱传感器和数据获取平台的发展，普适性更好稳定性更强的建模方法将不断出现。
关键词：土壤重金属;高光谱遥感;监测方法;反演模型Abstract： Heavy metal pollution in soil is a serious threat to ecological environment and human health. Hyperspectral remote sensing technology has the ability to acquire ground object information quickly and macroscopically. It provides a scientific method for fast， efficiently and quantitatively acquiring the heavy metal contents in soil and pollution prevention. In this paper， the methods and principles of hyperspectral remote sensing monitoring of soil heavy metal pollution were summarized based on soil spectral analysis and vegetation spectral analysis. The process and modeling method of soil heavy metal content inversion were introduced. The prediction of heavy metal contents by soil spectral analysis is based on the laboratory soil spectrum， which has high prediction accuracy， but it is difficult to realize the large-scale monitoring of heavy metal pollution in soil. Vegetation spectral analysis is mostly based on field measuring spectral data， with relatively low prediction accuracy. However， it is easy to combine with hyperspectral images to predict regional soil heavy metal pollution. Therefore， it is a most popular research field in the future. Multiple stepwise linear regression and partial least squares regression are the most widely used modeling methods for inversion of soil heavy metal contents， but the inversion model often lacks universality and stability. With the development of hyperspectral sensors and acquisition platforms， modeling methods with better universality and stability will continue to emerge.Keywords： Soil heavy metals; Hyperspectral remote sensing; Monitoring method; Inversion model0 前言近年來我国工农业生产发展迅速，土壤环境污染日益严重，其中以铜（Cu）、铅（Pb）、锌（Zn）、汞（Hg）、镉（Cd）、铬（Cr）、砷（As）、镍（Ni）等为代表的生物毒性显著的重金属污染尤其突出（庄国泰，2015;周建军等，2014）。
水体遥感原理
一、水体遥感原理水体的光学特征集中表现在可见光在水体中的辐射传输过程，包括水面的入射辐射、水的光学性质、表面粗糙度、日照角度与观测角度、气-水界面的相对折射率以及在某些情况下还涉及水底反射光等。
对于清水，在蓝一绿光波段反射率为4%〜5%。
0.5 u m以下的红光部分反射率降到2%〜3%，在近红外、短波红外部分几乎吸收全部的入射能量。
因此水体在这两个波段的反射能量很小。
这一特征与植物形成十分明显的差异，水在红外波段（NIR、SWIR）的强吸收，而植被在这一波段有一个反射峰，因而在红外波段识别水体是较容易的。
1.1、水光谱特性水体的光谱特性不仅是通过表面特征确定的，它包含了一定深度水体的信息，且这个深度及反映的光谱特性是随时空而变化的。
水色（即水体的光谱特性）主要决定于水体中浮游生物含量（叶绿素浓度）、悬浮固体含量（混浊度大小X营养盐含量、有机物质、盐度指标）以及其他污染物、底部形态（水下地形）、水深等因素。
二、水体富营养化2.1、富营养化定义当大量的营养盐进入水体后，在一定条件下引起藻类的大量繁殖，而后在藻类死亡分解过程中消耗大量溶解氧，从而导致鱼类和贝类的死亡。
这一过程称为水体的富营养化。
2.1、这些浮游植物以蓝藻为主，均含有叶绿素a，它们的存在使得近红外波段进入水体反射率明显上升。
叶绿素在蓝波段的440 nm以及红波段的678nm附近有显著的吸收，当藻类密度较高时水体光谱反射曲线在这两个波段附近出现吸收峰值。
因此可利用遥感影像对其进行动态监测预警。
水体富营养化主要评价依据三、遥感在水体富营养化中的应用过程一、采样和遥感数据预处理二、叶绿素模型建立三、多时相监测控污一、采样和遥感数据预处理采用实验区每个波段上的平均灰度值作为定量反演的指标值。
然后采样，根据实测数据在试验区遥感图片上选取对应灰度值，数据预处理通常包括卫星影像的投影坐标校正、水陆分界、噪声修正、辐射匹配、水面反射校正以及漂浮植物分布区的确定。
SWIR系列
SWIR
二、SWIR的特点
高灵敏度
高分辨率 能在夜空辉光下观测 昼夜成像 隐蔽照明 能看到隐蔽的激光器和信标
无需低温制冷
可采用常规的低成本可见光透镜 尺寸小 功率低
SWIR
二、SWIR的特点
高分辨率
尽管热成像能够在冷背景下探测到温暖的物体，但是短 波红外相机则能够实际辨认该物体是什么。
那是因为热成像仪无法提供采用InGaAs短波红外焦平面 阵列所能实现的分辨率和动态范围。
激光与通信 天文 生命科学 高端监控 铁路 ……
SWIR拥有极强的定量分 析能力
识别人造材料 火灾扑救 发现矿藏 窗口探测 ……
SWIR广泛应用于军事领域——
SWIR
三. SWIR的应用（军事领域）
(1) 夜视 短波红外成像仪将来可以作为新一代的夜视器材大量装备于部队。 (2) 侦察与监视、遥感 短波红外成像仪可用于 C4ISR 系统中的侦察、监视、遥感等车载、机载、星载的战场感知部 分, 用于战场侦察、监视、毁伤评估、遥感等。 (3) 遥感系统 短波红外成像仪易于与光学、电视集成为一体,作为各种武器系统的图像传感器。 (4) 红外成像制导 将短波红外成像与电视集成为一体, 形成电视/短波红外双波段成像制导, 使红外成像制导内 容更丰富。 (5) 光电对抗 短波红外成像仪能大范围、精确地探测短波红外激光光源的位置, 可以作为光电对抗系统的 传感器使用。
氢氧根、H2O、CO2、NH3、H2S、N2O 等物质的吸收谱； 飞行器尾焰的红外辐射； 夜空中的月光、星光、大气辉光； ……
SWIR
一.什么是SWIR？
主要传感材料为InGaAs（铟镓砷）
短波红外范围（0.9—1.7 μm）敏感是由于InGaAs传感器的发展才于最 近成为现实的。 其发展也经历了从单元到线列焦平面探测器，再到现在的面阵焦平面探 测器。 相比于碲镉汞（HgCdTe）或者锑化铟（InSb）之类材料制作的传感器需 要工作在极低的温度下，InGaAs探测器则可以在室温下达到同样的灵敏 度。 本质上，InGaAs探测器可以做得很小，使用极小的功率，却可以给出大 的结果。
高光谱遥感技术的发展与应用现状概要
文章编号:0494-0911(200810-0001-04中图分类号:P237 文献标识码:B高光谱遥感技术的发展与应用现状杨国鹏,余旭初,冯伍法,刘伟,陈伟(信息工程大学测绘学院遥感信息工程系,河南郑州450052The D evel op m ent and Applicati on of H yperspectral RS TechnologyYANG Guo -peng ,YU X u -chu ,FENG W u -fa ,L I U W e,i CHEN W e i摘要:20世纪80年代初期出现的高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,与传统的全色、多光谱遥感相比,在地物识别方面具有明显的优势。
高光谱遥感技术在许多国家的重视下发展迅速,其应用领域也日趋广泛并更加成熟。
对高光谱遥感技术的发展与应用现状进行总结。
关键词:高光谱影像;高光谱遥感;发展;应用收稿日期:2008-04-24作者简介:杨国鹏(1982-,男,山东聊城人,博士生,研究方向为图像处理与模式识别、高光谱遥感技术应用。
20世纪80年代初期出现的高光谱遥感,在光谱分辨率上具有巨大的优势,被称为遥感发展的里程碑。
世界各国对该类遥感的发展都十分重视,成像光谱仪技术发展迅速,高光谱影像处理技术日趋成熟与深入,应用日益广泛。
一、高光谱遥感技术成像光谱仪能获取许多波段狭窄且连续的影像,光谱分辨率达到纳米级。
利用高光谱数据反演得到的地物反射光谱特征,能研究地球表面物体的分类、物质的成分、含量、存在状态、空间分布及动态变化[1]。
1.高光谱遥感技术的特点与传统的全色、多光谱遥感影像相比较,高光谱影像具有以下特点[2,3]:1.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;光谱分辨率达到纳米级。
2.光谱信息与图像信息有机结合。
在高光谱影像数据中,每一像元对应于一条光谱曲线,整个数据是光谱影像的立方体,具有空间图像维和光谱维。
成像光谱仪分光技术概览_郑玉权
文章编号:1007-4619(2002)01-0075-06成像光谱仪分光技术概览郑玉权,禹秉熙(中国科学院长春光学精密机械与物理研究所,吉林 长春 130022)摘 要: 论文介绍了多种成像光谱仪的分光技术。
棱镜或光栅色散型成像光谱仪技术成熟,应用广泛;在发散光束中使用光栅的方法,克服了准直光束用法中的一些缺陷;傅里叶变换光谱仪是遥感探测可见和红外弱辐射的有力工具;光楔成像光谱仪结构简单,随着渐变滤光片工艺技术的成熟,已走向实用化;采用可调谐滤光片的成像光谱仪由于滤光片水平的限制,投入应用还有待时日;采用二元光学元件的成像光谱仪结构紧凑,体积小,扫描速度快,已研制出地面实用型产品;层析成像光谱仪原理新,目前还处在实验阶段;三维成像光谱仪可以同时获取二维影像和一维光谱信息,可实现对迅变目标的观测。
关键词: 成像光谱仪;分光技术;傅里叶变换光谱仪;可调谐滤光片;二元光学元件;层析;三维成像光谱仪中图分类号: TP702 文献标识码: A1 引 言成像光谱仪(即超光谱成像仪)是20世纪80年代开始在多光谱遥感成像技术的基础上发展起来的新一代光学遥感器,它能够以高光谱分辨率获取景物和目标的超多谱段图像,在大气、海洋和陆地观测中正在得到广泛的应用。
成像光谱仪是成像技术和光谱技术的有机结合,它的光学系统一般由望远系统和光谱仪系统组成,光谱仪系统采用的分光技术直接影响着整个成像光谱仪的性能、结构的复杂程度、重量和体积等。
本文在介绍传统的棱镜、光栅色散型成像光谱仪的基础上,概括了新发展起来的成像光谱仪分光技术,主要包括傅里叶变换光谱仪、采用可调谐滤光片的凝视型成像光谱仪、渐变滤光片(光楔)成像光谱仪、采用二元光学元件的成像光谱仪、层析成像光谱仪和完全无动件的三维成像光谱仪。
2 棱镜、光栅色散型成像光谱仪2.1 在准直光束中使用棱镜或光栅的分光技术 棱镜和光栅色散型成像光谱仪出现较早、技术比较成熟,绝大多数航空和航天成像光谱仪均采用了此类分光技术,棱镜和光栅的典型应用方式如图1所示。
Headwall-成像光谱仪资料
900-1700nm
通光孔径
F/2.0
25μm(可互换)可选-12， 狭缝长度 16，40，60，100μm 宽狭缝
18mm
4.8nm
光谱分辨率（25µm 狭缝）
5nm
167
空间通道
320
是
梯形失真修正
是
小于 0.02
相机接口
C-Mount
InGaAs，320x256 像元 像素尺寸
30µm
68db
重量
3.0 公斤
3.4 公斤
外形尺寸
15.5（长）x10（宽）x22.5(高)cm3 (不含镜头并且可能会随探测器制造厂的参数变化而改变)
HyperSpec VNIR高光谱成像光谱仪可以配合HyperSpec Starter Kit扫描架者P&T水平/倾斜扫描架一 起工作。
4
HyperSpec-SWIR(1000-2500nm) 机载/地面两用短波红外高光谱成像光谱仪
0 到 70ºC
不结露
重量
4.1kg(不含镜头)
15.5（长）x10（宽）x22.5(高)cm3(不含镜头，并且会随探测器制造厂的参数 变化而改变)
HyperSpec NIR高光谱成像光谱仪可以配合HyperSpec Starter Kit扫描架者P&T水平/倾斜扫描架一起 工作。
6
HyperSpec® Extended VNIR（600nm-1600nm） 机载/地面两用扩展型可见光近红外高光谱成像光谱仪
166
空间通道
320
谱线弯曲
已修正
梯形失真
已修正
探测器
VIS-InGaAs
像元尺寸
30µm
ENVI高光谱数据处理流程幻灯片
HYMAP
? Spectral coverage: ? VIS:400-800nm,15nm bands; ? NIR:881-1335nm, 14nm bands; ? SWIR1:1400-1813nm, 12nm bands; ? SWIR2:1950-2543nm, 16nm bands; ? Spectral bands: 126 ? FOV: 60° ? IFOV: 2.5 mrad(along_track) ? 2.0 mrad(across_track) ? Pixels per line: 512
? ENVI的大气校正模块能够对高光谱、多光谱影像进行校 正。
– 高光谱包括：HyMAP、 AVIRIS 、 HYDICE、HYPERION、 Probe-1, CASI 、AISA 等；
– 多光谱包括：ASTER、AVHRR 、IKONOS、IRS、Landsat 、 MODIS、SeaWiFS、SPOT、QuickBird 等，以及航空（860nm1135nm ）数据。
从光谱影像上获得光谱曲线
高光谱图像
空间成像的同时，记录 下成百个连续光谱通道 数据
从每个像元均可提取 一条连续的光谱曲线
对高光谱图像的处理实质是对像元光谱曲线的定量 化处理与分析
高光谱成像技术
? 成像光谱仪：
– 与地面光谱辐射计相比，成 像光谱仪不是在“点”上的 光谱测量，而是在连续空间 上进行光谱测量，因此它是 光谱成像的；
? 基于统计学模型
– 平场域定标 – 对数残差 – 内部平均反射率法 – 经验线性
? 基于简化辐射传输模型的黑暗像元法 ? 基于统计的不变目标法 ? 基于植被指数的大气阻抗植被指数法 ? ……
ENVI大气校正模块
ASD-FieldSpc4光谱仪宣传资料
确定仪器的IP地址。
打开选择的LEDs：VNIR、SWIR1或SWIR2。
单击Check，打开选择的LEDs。 透过放大器察看哪一根纤维发光。 完成检查后，关闭纤维检查软件。 小心的取下放大器。
• 农作物，叶片，植被，树冠，水体，矿物，岩 石，道路，建筑等等。 • 参考板—白板或灰板。 • 漫反射体（λ 体、朗伯体），半球形散射。 • Spectralon材料—LabShpere公司专利。 • 比常见的陶瓷材料软，但不褪色、不怕水。 • 怕磕碰、划伤。 • 需要维护。
室内测量时需要考虑的因素
• 暗室操作 • 几何布置 • 用黑天鹅绒布作背景 • 白板完全覆盖视场
实验室室内波谱测量是指对野外采样或人工样经一定 方式制备后的目标或样品在室内条件下测定反射率。 ： 实验室环境，负责测定的实验室应具有国家认证资格 。温度、湿度、电磁干扰、振动及电源条件应在仪器稳定 工作要求范围之内，符合“试验场、试验室与波谱测量仪 器设备规范”的要求。
TE-制冷稳定
5. 新增光纤自检FiberCheckerTM。ASD独有的光纤检测系统和检测光学光学器件用于
6. 更宽的光谱仪存储和操作温度范围:
储. 0 to 40 Deg C 操作, -15 to 45 deg C 存
7. 新的10/100 Base T Ethernet网络接口； 8. 新的无线Wi-Fi 接口，可进行无线数据接收，最远可达到46米。 9. 新的开发包: ASD TCP 服务器开发指导 – 用户可以控制光谱仪; LABView
独有的应用领域 大气研究 野外光谱测定 地质和矿产分析 实地验证 高光谱遥感 光谱辐射亮度定标
独有的应用领域 植物生理学 农学和林学 光能量测量 光子学 光源研究 多光谱实地验证
成像光谱仪星上定标技术
成像光谱仪星上定标技术李晓晖;颜昌翔【摘要】成像光谱仪足同时获取地物图像和光谱信息的新一代光学遥感仪器.星上定标是成像光谱仪光谱图像数据定量化应用的基础.本文阐述了成像光谱仪星上定标的原理,按照星上定标采用的参考标准对星上定标技术进行了分类,介绍了星上辐射定标和光潜定标技术,并展望了成像光谱仪未来发展趋势.最后指出,绝对辐射定标已经成为成像光谱仪星上定标的幕本要求,太阳将逐步代替星上标准灯成为绝对辐射标准.基于不同参考标准的定标方法的综合应用将使星上定标精度和可靠性大人提高.随着定标精度的进一步提高,地而光谱定标装置将逐步空间化,基于探测器的星上辐射定标系统也将逐步得到应用.【期刊名称】《中国光学》【年(卷),期】2009(002)004【总页数】7页(P309-315)【关键词】成像光谱仪;星上定标;辐射定标;光谱定标【作者】李晓晖;颜昌翔【作者单位】中国科学院长春光学精密机械与物理研究所,吉林长春130033;中国科学院长春光学精密机械与物理研究所,吉林长春130033【正文语种】中文【中图分类】TP73成像光谱仪是同时获取地物图像和光谱信息的新一代光学遥感仪器［1］，可为农作物估产、矿物勘探、资源普查、环境监测等提供新的研究手段。
按照搭载平台的不同，成像光谱仪可以分为星载成像光谱仪和机载成像光谱仪两大类，本文仅讨论星载成像光谱仪。
成像光谱仪的应用以定量化的数据为基础，因此需要对其进行准确定标。
成像光谱仪的定标包括辐射定标和光谱定标两方面。
辐射定标的任务是利用辐射参考标准，建立成像光谱仪的数字化输出与其接收的地面景物辐亮度之间的换算关系。
光谱定标的任务是确定成像光谱仪各光谱通道的光谱响应曲线及中心波长和半宽度。
发射过程中以及在轨运行期间，星载成像光谱仪的光学、结构和电子学部件会发生性能改变，导致实验室辐射定标建立的数字化输出和地面景物辐亮度之间的关系发生改变，同时也会使像面上谱线位置发生改变。
- 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)。
12
前置镜头
焦距4.8-70mm,可选配
仪器重量（kg）
4.5
尺寸（mm)
260*175*110
序号
参数
焦距
（mm)
有效视场
(°)
1
16
34
2
25
22
3
35
15
4
50
11
5
75
8
选配镜头参数
1000-2450nm SWIR 成像光谱仪
核心优势
.全反射镀金镜面光学系统；
.F/2.2大通光孔径
.高效率凸面光栅
.消除梯形失真和曲线弯曲
.宽波谱范围
.杰出的光谱/空间分辨率
.理想的弱照明、弱信号环境下的应用
.结构紧凑、宽视场角
.非常高的信噪比
.低散射或者杂散光水平
.稳定和耐用的坚固设计
.高性价比，多种标准镜ຫໍສະໝຸດ 选配成像光谱仪指标参数：指标名称
SWIR成像光谱仪
光谱范围（nm）
1000-2450
光谱分辨率（狭缝25um）
10 nm
光学孔径F/#
F/2.2
狭缝高度
12mm
像素色散值
7nm
光谱波长精度（nm)
优于4
光学系统效率（平均）
60%
光谱通道
200
空间通道
320
VNIR相机
像元：30um*30um
像元数：320*256