高光谱遥感数据的特点
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。
作物长势高光谱
作物长势高光谱
作物长势高光谱遥感是一种利用高光谱遥感技术来监测作物生长状况的方法。
高光谱遥感技术可以通过获取农田地表的多个波段反射光谱信息来分析农作物的生长状态和长势，同时还可以获取植被的生理和生态参数，进而分析农作物的生长状况、营养状况和病虫害情况。
相比传统的遥感方法，高光谱遥感技术具有更高的精度和灵活性，可以更准确地监测作物的生长状况和变化趋势。
通过对高光谱数据的分析和处理，可以提取出与作物生长相关的特征信息，如叶面积指数、生物量、叶绿素含量等，从而实现对作物长势的精准评估。
在作物长势高光谱遥感中，常用的方法包括高光谱图像采集、数据处理和分析、模型建立等。
其中，高光谱图像采集可以通过飞机、卫星等遥感平台来完成，可以获取大范围的农田高光谱数据。
数据处理和分析则是通过对高光谱数据的预处理、特征提取和分类识别等步骤，提取出与作物长势相关的特征信息。
模型建立则是利用提取的特征信息建立预测模型，实现对作物长势的精准预测。
在实际应用中，作物长势高光谱遥感技术可以为农业生产提供重要的决策支持，如制定合理的施肥方案、控制病虫害等。
同时，还可以为科研人员提供更加精准的实验数据和分析结果，有助于推动农业科技的进步和发展。
高光谱遥感卫星技术及其地质应用
高光谱遥感卫星技术及其地质应用高光谱遥感卫星技术是一种先进的地球观测技术，具有光谱分辨率高、覆盖范围广、信息量大等特点，在地质领域具有广泛的应用前景。
本文将介绍高光谱遥感卫星技术的基本概念、原理、组成及其在地质领域的应用，并探讨未来的发展趋势。
高光谱遥感卫星技术是一种利用高光谱传感器获取地球表面信息的卫星遥感技术。
高光谱传感器可以捕捉到电磁波谱上从可见光到热红外波段的光谱信息，将地物目标的反射、透射、辐射等多维度信息进行采集和处理，从而识别地物类型、结构和变化。
高光谱遥感卫星技术的优势在于其具有高的光谱分辨率和空间分辨率，可以获取地物的精细光谱特征，为地质应用提供更为准确和全面的信息。
高光谱遥感卫星技术的组成包括数据采集、数据预处理、特征提取和分类应用等方面。
数据采集是利用高光谱传感器获取地球表面信息，生成包含大量光谱特征的数据立方体。
数据预处理是对原始数据进行校正、定标、融合等处理，提取出有效的光谱特征。
特征提取是对预处理后的数据进行统计分析，提取出与地物类型、结构和变化相关的光谱特征。
分类应用是根据提取的光谱特征，利用分类算法对地物进行分类和识别。
高光谱遥感卫星技术在地质领域具有广泛的应用，包括地质灾害监测、矿藏探测、生态环境监测等方面。
地质灾害监测方面，高光谱遥感卫星技术可以获取地质灾害（如滑坡、泥石流等）发生前后的光谱特征，为灾害预警和评估提供依据。
矿藏探测方面，高光谱遥感卫星技术可以通过探测岩石的光谱特征，识别出不同类型的矿藏和其分布规律。
生态环境监测方面，高光谱遥感卫星技术可以监测土地利用变化、生态保护区范围内的人类活动和自然生态的变化等。
为了更好地说明高光谱遥感卫星技术在地质应用中的效果和优势，我们选取了一个具体的应用案例进行分析和对比。
该案例是对某区域进行矿藏探测的应用。
我们利用高光谱遥感卫星技术获取了该区域的高光谱数据，并通过数据预处理提取出有效的光谱特征。
然后，我们根据提取的光谱特征，利用分类算法对该区域进行了矿藏类型的分类和识别。
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。
全色 多光谱 高光谱影像特征-概述说明以及解释
全色多光谱高光谱影像特征-概述说明以及解释1.引言概述部分的内容可能如下所示：1.1 概述全色、多光谱和高光谱影像是遥感技术中常用的图像数据。
这些影像可以捕捉到地球表面的各种光谱信息，从而为地质、农业、环境等领域的研究提供重要的数据支持。
全色影像是指通过对可见光范围内的全部波段进行拍摄和合成，获得高分辨率的图像数据。
它主要反映了地物的明暗、纹理和细节特征，对于城市规划、土地管理和基础设施建设等方面具有重要的应用价值。
多光谱影像则是采用多个波段的光谱信息，通过某种方式对光谱进行组合和处理，获得不同波段上的图像。
不同波段的图像对应了不同的物质组成和能量反射特征，能够提供更加丰富的地物分类和识别信息，常用于农业、林业和环境监测等领域。
高光谱影像是一种相对于多光谱影像更为细致和细分的光谱数据。
它利用较窄的波段间隔捕捉和分析地物的光谱信息，能够提供更详细的物质组成和光谱特性，广泛应用于矿产勘探、地质调查和环境变化监测等领域。
本文将重点介绍全色、多光谱和高光谱影像的特征和应用领域，并分析它们在遥感技术中的重要性。
同时，也将探讨未来发展方向，以期为相关领域的研究提供参考和启示。
1.2 文章结构文章结构是指文章的组织和布局方式，它的设计直接关系到读者对文章内容的理解和掌握程度。
本文将以全色、多光谱和高光谱影像特征为主线，从整体到细节逐步展开，以便读者能够系统地了解这些影像特征的定义、应用领域和特征分析情况。
本文的文章结构如下所示：第一部分是引言部分，主要包括概述、文章结构和目的。
在概述中，将简要介绍全色、多光谱和高光谱影像特征的背景和意义；在文章结构中，将提供本文的组织结构，使读者能够清晰地了解全文的框架；在目的部分，则明确说明本文的目标是为了全面介绍和分析全色、多光谱和高光谱影像特征。
第二部分是正文部分，是文章的主体部分，主要包括全色影像特征、多光谱影像特征和高光谱影像特征三个章节。
在每个章节中，将先对该影像特征进行定义和概念的介绍，然后分析该影像特征在不同应用领域中的具体应用情况，最后对该影像特征进行详细的特征分析，包括特征的表示、提取和处理方法等。
遥感数据的管理制度
遥感数据的管理制度引言随着遥感技术的快速发展，遥感数据的获取、处理、应用在各个领域得到了广泛的应用。
遥感数据是多源多元的，其规模庞大、种类繁多，如何有效管理这些数据成为了一个迫切的问题。
建立科学合理的遥感数据管理制度，对于提高遥感数据的利用效率、推动遥感技术的发展具有重要意义。
本文将探讨遥感数据管理制度的建立和实施，以帮助相关部门和单位更好地管理遥感数据资源。
一、遥感数据的特点1. 多源性：遥感数据来源多样，包括卫星遥感、航空遥感、地面遥感等多种形式，每种形式又涵盖了多个观测参数，数据种类繁多。
2. 大数据量：由于遥感数据一般都是以像素为单位的大规模数据，处理遥感数据需要大量的计算和存储资源。
3. 多样性：遥感数据包括多光谱、高光谱、合成孔径雷达、激光雷达等多种类型，每种类型的数据又有不同的处理方式和应用场景。
4. 实时性：随着卫星技术的发展，很多卫星都能够提供实时或准实时的遥感数据，这就要求数据管理系统要能够处理高频率、大容量的数据流。
二、遥感数据管理的目标1. 实现数据共享：遥感数据管理制度的一个重要目标是实现数据的共享和交换，避免重复采集和处理数据，提高数据的利用效率。
2. 确保数据的安全性：遥感数据包含着重要的地理信息，为了保护国家和个人的信息安全，必须建立安全可靠的数据管理系统。
3. 提高数据利用效率：通过建立科学合理的数据管理制度，可以提高遥感数据的利用效率，促进遥感技术的应用推广。
4. 规范数据使用行为：遥感数据的使用涉及到多个利益主体，要建立规范的数据使用行为，避免数据滥用和侵权行为的发生。
三、遥感数据管理制度的建立1. 统一管理机构：建立统一的遥感数据管理机构，负责遥感数据的采集、处理、存储、传输和应用，协调各个部门和单位之间的数据管理工作。
2. 制定数据管理规范：制定遥感数据管理规范，明确数据的归属、使用权限、安全保障措施等内容，保障数据的安全性和合法性。
3. 建立数据存储和传输系统：建立高效安全的数据存储和传输系统，包括数据中心、云存储、数据备份等设施，确保数据的完整性和可靠性。
高光谱遥感的特征
高光谱遥感的特征
高光谱遥感是一种通过收集大量的连续、窄带光谱数据来获取地物光谱信息的遥感技术。
其特征包括以下几个方面：
1. 光谱分辨率高：高光谱遥感能够获取几百到上千个连续光谱波段的信息，使得不同地物具有不同的光谱响应特征可以被有效地区分和识别。
2. 空间分辨率适中：高光谱遥感通常具有中等的空间分辨率，不同波段的图像可以提供关于地物的精细细节信息。
3. 数据多样性：高光谱遥感数据能够提供丰富多样的信息，包括光谱信息、空间信息以及时间信息，可以支持多种遥感应用和科学研究。
4. 光谱特征敏感性：高光谱遥感数据对地物的光谱特征非常敏感，不同地物在光谱上呈现出独特的波谱特征，因此可以对地物进行精确的分类和识别。
5. 特征提取能力强：高光谱遥感数据可以通过光谱分析、像元反演等方法，从数据中提取出多种地物属性特征，如植被指数、地表覆盖类型等，具有较高的特征提取能力。
总之，高光谱遥感具有多光谱波段、高光谱分辨率、适中的空间分辨率和丰富的信息内容等特征，因此在环境监测、农业、地质勘查、城市规划等领域具有广泛
的应用前景。
《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
遥感概论第8章 高光谱遥感数据 72.8 第8章 高光谱遥感数据
遥感技术的发展: 全色摄影 彩色摄影
多光谱
高光谱
前面章节所学习的遥感数据如SPOT的HRV、Landsat的MSS和 TM分别提供了4、4、7个波段，每个波段的宽度较大（属于 多光谱）
本章主要介绍高光谱，即将以前的宽波段再进行细分，形 成许多宽度很窄的波段，如AVIRIS能够获得224个波段，每 个波段宽约10nm
光谱技术领域诸光谱仪按其搭载的平台，可分为机载成像光谱仪和星 载成像光谱仪。
2000年底，NASA地球观测1号（EO-1）卫星携带的高光谱 遥感传感器HYPERION发射升空，成为新一代航天成像光谱 仪的代表。
EO-1 Hyperion 高光谱数据
该数据共有242波段，其中1～70 波段是可见光近红外波段 （visible near infrared，VNIR），71～242 波段是短波红外 波段（short wave infrared，SWIR）， （其中可见光35个 波段，近红外35个波段，短波红外172个波段）
光谱分辨率为10nm，空间分辨率为30m。
首先删除2 个重复、20 个受水汽影响严重及44 个未定标波 段，剩余176 个波段；然后对剩余波段进行处理，包括坏 线修复、条纹去除以及smile 效应去除；最后，对处理后的 图像进行检验，继续删除质量差的波段7 个，剩余169 个 波段。利用FLAASH软件对剩余的169 个波段进行大气纠 正，得到反射率图像。大气纠正后，采用 1∶50 000地形 图对影像进行几何纠正，总误差是0.35 个像元。
高光谱遥感指的就是高“光谱分辨率”遥感，与传统多光 谱遥感相似，但也有很多无可比拟的优势
高光谱遥感原理
高光谱遥感的基本概念 高光谱遥感(Hyperspectral Remote Sensing)是指利用很
基于人工神经网络的高光谱遥感数据分类
基于人工神经网络的高光谱遥感数据分类一、引言高光谱遥感数据分类是遥感领域的一项重要应用，能够很好地提高遥感数据的处理和应用效率。
而在高光谱遥感数据分类中，人工神经网络被广泛应用于数据的分类。
本文将从以下几个方面对基于人工神经网络的高光谱遥感数据分类进行深入探讨。
二、高光谱遥感数据的分类方法高光谱遥感数据具有高维、多特征的特点，使得传统的分类方法难以处理，因此需要采用机器学习等方法进行分类。
常见的分类方法包括：基于统计学原理的分类方法和基于人工神经网络的分类方法。
基于统计学原理的分类方法，是通过区分不同物体、地物在遥感数据中的不同特征，进行分类，本质上是一种基于特征提取的分类方法。
该方法常常使用支持向量机、随机森林等分类算法，对高光谱遥感影像数据进行分类。
而基于人工神经网络的分类方法，是通过构造一种类似于人脑神经系统的结构，以对高维、多特征的遥感数据进行分类。
该方法具有高度的自适应性和容错性，能够处理大规模的高维度数据，具有较好的分类效果。
由于人工神经网络在处理高光谱遥感数据中具有很强的优势，因此下面将简要介绍其基本原理及其在高光谱遥感数据分类中的应用。
三、人工神经网络的基本原理人工神经网络是受生物学中的神经元系统启发而设计出的一种思想模型。
其基本原理是将不同权值的输入信号通过连接节点传输，形成多层的神经网络，最终产生输出结果的过程。
常见的人工神经网络包括：多层感知机(MLP)、循环神经网络(RNN)、卷积神经网络(CNN)等模型，其中，多层感知机在分类问题中应用最广泛。
多层感知机由输入层、隐层和输出层组成，其中输入层接收原始数据，隐层进行特征提取，输出层输出最终结果。
在训练过程中，通过调整各层的权重和偏置，使得网络输出结果与标签值之间的误差最小化。
四、基于人工神经网络的高光谱遥感数据分类在高光谱遥感数据分类中，基于人工神经网络的方法具有普适性、泛化性及分类准确度高等优点。
下面将针对该方法的具体实现进行探讨。
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
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）；
高光谱遥感技术在林业中的应用
4、农业环境监测
4、农业环境监测
高光谱技术还可以用于农业环境的监测。例如，通过对土壤湿度、土壤养分 等环境因子的监测和分析，可以了解土壤的状况和环境变化对作物生长的影响， 为农业生产提供环境监测和决策支持。
4、农业环境监测
结论 高光谱技术在农业遥感中的应用具有广泛的前景和重要的意义。通过对作物 生长状况、病虫害预警、产量估算以及农业环境监测等方面的应用，可以为农业 生产提供更加精准、高效的管理手段和决策支持。然而，高光谱技术在农业遥感 中的应用仍面临一些挑战，
二、高光谱技术在农业遥感中的 应用
1、作物生长监测
1、作物生长监测
高光谱技术可以捕捉到作物的生长状况和营养状况，通过对光谱数据的分析， 可以及时了解作物的生长状况，为农业生产提供决策支持。例如，通过监测作物 的叶绿素含量，可以判断作物的营养状况，及时进行施肥等管理措施。
2、病虫害预警
2、病虫害预警
高光谱技术可以捕捉到作物病虫害的发生和发展情况。当作物受到病虫害侵 袭时，其光谱特征会发生明显变化。通过实时监测作物的光谱信息，可以及时发 现病虫害的发生，为农业生产提供预警和防治措施。
3、产量估算
3、产量估算
高光谱技术可以通过对作物冠层的光谱信息进行测量和分析，预测作物的产 量。通过对不同生长阶段的光谱数据进行比较和分析，可以得出作物的生长趋势 和产量预测。这种方法可以为农业生产提供产量预测和决策支持。
2、数据预处理
2、数据预处理
获取的高光谱遥感数据需要进行一定的预处理，以满足后续分析和解译的需 要。主要包括定标定常、辐射定标、大气校正等步骤。这些处理过程可以消除遥 感数据的系统误差和畸变，提高数据的准确性和精度。
3、数据分析
3、数据分析
- 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)。
高光谱遥感数据的特点
高光谱遥感数据的特点是光谱分辨率高、波段连续性强，能够获得地物在一定范围内连续的、精细的光谱曲线，具有非常好的应用前景。
第一个星载民用成像光谱仪是高光谱成像仪Hyperion，其平均光谱分辨率为10 nm，空间分辨率达到30米。
2008年9月6日我国HJ-1顺利升空，其中A星搭载了我国自主研制的空间调制型干涉高光谱成像仪（HSI）。
HSI 对地成像幅宽为50 km，星下点像元地面分辨率为100 m，在工作谱段459-956nm 内有115个波谱通道。
HJ-1A/ HSI 的优点表现在：( 1) 光谱分辨率高。
HJ-1A/ HSI 的平均光谱分辨率为4.32 nm，优于当前国际上应用最广泛的Hyperion( 10 nm) ，说明HSI 能够获得更为精细的地物光谱曲线，对目标识别和信息提取能力更强。
( 2) 重访周期高。
HJ-1A/ H SI 通过30度侧摆可以实现96 h 重访观测，而Hyperion 的重访周期为16 d，HSI 的高重访周期对于满足溢油、赤潮等专题研究需求更有优势。
然而，HJ-1A/ HIS的空间分辨率相对较低，且工作谱段为459~ 956 nm，这对其应用产生了诸多限制。
本文基于HJ-1A/ HIS数据，探讨其在沿海植被环境监测方面的潜力，具有一定的参考意义。
广西善图科技有限公司。