基于室内高光谱激光雷达的典型树种叶片光谱观测和分类

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650～1000 nm (71个通道)内观测的叶片高光谱和ASD光谱一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650～750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650～750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。     

基于高光谱分辨率激光雷达的气溶胶分类方法研究

气溶胶是影响气候变化和空气质量的重要因素,对气溶胶作用的量化分析依赖于气溶胶光学性质及其垂直剖面的精细探测。高光谱分辨率激光雷达利用窄带光学滤波器,可在光谱上实现对分子散射和气溶胶散射的分离,从而在不需假设气溶胶激光雷达比的情况下,独立获取气溶胶消光系数和后向散射系数。文中基于高光谱分辨率激光雷达技术,开展气溶胶分类方法研究。根据已有的气溶胶分类研究结果,给出基于气溶胶光学参数的分类方法,并建立气溶胶分类查找表。利用高光谱分辨率激光雷达于2015年春季在青岛地区测量的气溶胶消光系数、后向散射系数和退偏振比,参照建立的气溶胶分类查找表,实现了对气溶胶的分类识别,并用HYSPLIT轨迹模式、NAAPS气溶胶模式进行了印证。个例研究结果表明该方法能够实现对气溶胶类型的正确识别。     

大气遥感高光谱分辨率激光雷达研究进展

高光谱分辨率激光雷达由于可实现对大气参数的精确反演,在大气遥感领域具有较好的发展前景。介绍了高光谱分辨率激光雷达探测气溶胶、大气温度以及风速的基本原理以及目前国内外的研究进展,并重点介绍了高光谱分辨率激光雷达系统中的鉴频技术、激光技术、锁频技术以及数据处理技术等几项关键技术。     

激光雷达与高光谱遥感对地立体探测研究

将激光雷达对大气,水体的透视及对地精确测距定位的立体成像探测能力和高光谱技术相结合,发展先进的空、天基对地立体成像综合定量探测系统,是国家对大气、陆地和海洋精确立体综合定量探测的迫切需要,也是遥感技术自身发展进步的要求,激光与地面、水体和大气的相互作用及其在高光谱的遥感响应是空,天基激光雷达和高光谱对地立体成像综合定量探测的核心理论基础和关键科学问题.综述了激光雷达对地探测系统的研究现状和发展趋势.提出了新的基于激光雷达与高光谱遥感的对地立体探测系统.将激光雷达对大气、水体的透视以及对地的精确测距定位与高光谱技术相结合,介绍了该系统的原理方法和特点.从激光雷达和高光谱数字影像的广义大气修正和地形辐射改正,大气光学厚度与程辐射图像的生成,激光雷达的非均匀水体修正和水底地形改正,激光雷达和高光谱与介质以及目标的相互作用,多源数据融合等五个方面阐述了该体系的关键技术及其研究思路.     

基于小波变换的高光谱激光雷达回波微弱信号处理技术

针对高光谱激光雷达回波信号能量弱导致的波形信息常常淹没在噪声中而难以提取的问题,基于高光谱激光雷达原理验证样机系统采集到的高光谱激光雷达回波信号数据,通过分析小波变换参数选取对信号处理的影响,寻找到一种基于小波变换的高光谱激光雷达回波微弱信号的处理方法,即在sym6小波3层分解下,运用软阈值函数和启发式阈值处理可有效处理高光谱激光雷达回波微弱信号,运用该方法在仅有少量回波样本信号数量情况下,达到高斯拟合在数倍回波样本信号数量情况下的处理效果,降低了提取出波形信息所需要的高光谱激光雷达回波信号探测时间。     

机载激光雷达和高光谱技术的遥感监测数据分类

针对随机森林算法、支持向量机以及线性判别分析3种分类方法分类准确率较低、性能不佳的问题,基于机载激光雷达和高光谱技术提出一种新的遥感监测数据分类方法。分析机载激光雷达和高光谱遥感的工作原理,依据二者的工作原理提取遥感监测数据。为了提升数据分类的准确性,需要进行数据预处理,具体包括噪声点剔除和平滑校正处理,并进行数据配准。在此基础上,采用K最近邻搜索算法提取遥感监测数据特征,最终运用决策树算法中的C4.5算法构建分类器,实现遥感监测数据的分类。实验结果表明:通过混淆矩阵得到所设计方法的分类准确性达到了95以上,分类结果优于传统分类方法,能准确识别目标,证明了方法有效性和可行性。     

基于高光谱数据的叶面积指数遥感反演

文中耦合叶片辐射传输模型（PROSPECT）和冠层辐射传输模型（SAILH）,基于高光谱载荷通道设置,模拟高光谱冠层反射率数据;利用模拟数据深入分析了不同植被指数与叶面积指数之间的敏感性;通过敏感性分析发现改进型叶绿素吸收植被指数（MCARI2）具备抗土壤背景因素的影响能力,而且对叶面积指数较为敏感,因此该研究建立植被指数MCARI2 与叶面积指数之间的经验统计模型,并用于高光谱数据进行叶面积指数反演;最后利用飞行同步测量的叶面积指数对反演模型进行精度分析。结果表明:相比实测叶面积指数,文中建立的反演模型约低估0.42,该反演模型能够较好的反映出地物真实叶面积指数。     

一种适用于古建筑建模的全波形高光谱激光雷达设计与实现

为了获取古建筑完整的空间结构、历史演进及其健康状态等特征信息,研制了一种全波形的高光谱激光雷达系统(HSL)。该系统同时获得目标的空间三维信息和光谱信息,用于古建筑空间和状态特征的建模。利用超连续谱激光器和声光可调滤波器(AOTF)作为发射单元,实现550~1050 nm的连续光谱波长范围内101个光谱通道采样,并利用5 GHz/s高速采集卡完成主波和回波全波形数据采集。设计了静态单点测试和zigzag单点扫描相结合的双模式分步扫描方案,保证三维空间和光谱信息的准确获取。在实验室环境下,对HSL系统反射率稳定性、信噪比以及扫描精度进行了分析测试。利用三维空间和超连续的高光谱信息对古建筑构件样本建模进行验证,并采用随机森林(RF)多分类方法实现不同古建筑构件木种材料的分类。结果表明,HSL系统能够同时获得空间三维信息和连续光谱信息,满足古建筑空间和状态特征建模的信息采集的需求。     

基于高光谱激光雷达信号强度免校准的煤岩分类

安全性对于深井开采至关重要。基于激光雷达的扫描探测技术可以有效监测巷道和深部煤矿现场的围岩安全状况。新兴的高光谱激光雷达不仅可以提供空间几何信息还可以提供丰富的光谱数据,在深井煤矿安全检测和精细结构分析方面具有良好的应用前景,而精确的煤岩分类是监测分析的基础。在实际应用中,雷达强度信号易受仪器属性和环境因素的影响,需校准才能使用。由于深井煤矿粉尘污染严重,常规校准方法难以达到理想效果。针对这个问题,提出一种信号强度免校准的方法,从激光雷达回波信号中提取新特征实现煤岩精确分类。首先,使用高光谱激光雷达获得煤/岩石样本的回波强度信息,并计算出波形熵（WE）和联合偏斜度-峰度系数（JSKF）作为新分类特征参数。其次,采用随机森林(RF)与支持向量机(SVM)分类器实现煤/岩石分类。最后,笔者进行了光谱分段测试,对特征分类性能进行优化。结果表明,所提的免校准方法,提高高光谱激光雷达直接应用能力的同时能够保持良好的分类性能。     

红外高光谱成像仪(ATHIS)对矿物和气体的实验室光谱测量

首先介绍了热红外高光谱成像应用的独特优势,然后论述了机载热红外高光谱成像仪（Airborne Thermal-Infrared Hyperspectral Imaging System, ATHIS）灵敏度优化的设计方法,结合仪器特点介绍了实验室矿物发射光谱和气体吸收光谱测量的辐射模型,分析了样本红外光谱与温度分离的数据处理流程。在此基础上,利用ATHIS开展了矿物发射光谱和气体红外吸收光谱的实验室测量,结果表明,利用ATHIS仪器和本文建立的数据方法已具备准确反演矿物发射率光谱和气体吸收光谱的能力,后续将利用该仪器开展多平台的遥感应用试验,为未来开展星载热红外高光谱相机研制和数据处理方法奠定基础。     

采用高光谱指数的龟裂碱土盐碱化信息提取与分析

以宁夏平罗县为研究对象,将Unispec-SC 便携式光谱仪测得的盐渍化光谱数据和实验室测得的土壤含盐量数据作为基础数据源。运用高光谱数据处理方法,分析不同盐渍化地区植被的光谱特征曲线;对实测植被、土壤光谱曲线进行对数、均方根和一阶微分等变换,筛选与土壤含盐量相关性最好的变换形式和特征波段构造盐分指数SI 及多种植被指数,利用多元非线性回归分析建立土壤盐渍化遥感监测模型。结果表明:土壤、植被光谱一阶微分变换与土壤含盐量响应敏感;协同盐分指数SI 和植被指数MSAVI 构造的土壤盐渍化指数模型,模拟值和实测值相关系数达到0.758 9,模拟效果很好,实现快速提取该区域的土壤盐渍化信息。     

面向高光谱探测的伪装效果评价方法

20世纪80年代发展起来的高光谱成像技术能充分探测并利用地物的光谱信息,有着较强的伪装识别能力,而传统的伪装评价方法主要基于伪装和背景的空间特征,不适用于基于光谱特征的高光谱伪装探测技术。提出了一种面向高光谱探测的伪装效果评价方法。该方法以伪装目标和背景的光谱特征及光谱导数特征的综合相似度为评价指标,综合相似度值越大则说明伪装效果越好。同时通过实验评价了三种伪装材料的伪装效果,其中绿色棉质布料与背景综合相似度为0.976 6,伪装效果最佳。最后在高光谱图像分类技术基础上提出了错分率的概念,验证了评价方法的客观性。所提出的伪装评价方法对于面向高光谱探测的新型伪装材料的设计有一定的指导意义。     

基于端元优化的非线性高光谱分解算法

针对高光谱图像中端元的可变性和光谱的非线性混合特性,提出一种基于端元优化的非线性光谱解混算法,通过加入阴影端元对混合像元的端元集进行优化,对优化的端元子集采用基于分层贝叶斯模型的双线性光谱分解算法进行光谱分解。模拟数据和真实数据实验表明,提出的算法能很好地解决高光谱图像中存在的阴影效应,分解效果优于FCLS和GBM算法。     

基于独立分量分析的高光谱遥感图像混合像元盲分解

传统的独立分量分析并不适用于高光谱遥感图像的混合像元解混,因为图像中各端元的分布不是相互独立的.针对这一问题,提出了一种有约束的独立分量分析方法,来实现遥感图像混合像元的盲分解.通过在独立分量分析的目标函数中引入丰度非负约束与丰度和为一约束,改变了传统的独立性假设.同时,为了更好地适用于遥感数据分析,还提出了一种自适应...     

基于无人机高光谱荒漠草原鼠洞识别方法研究

近年,我国草原鼠害有逐年上升的趋势。草原鼠害不仅加剧了水土流失与荒漠化进 程,还会 引发鼠疫。鼠洞洞口数是我国进行鼠害监测与等级评价的重要指标,目前采用的人工勘察方 法存在着 精度低、费时费力、调查成本较高、只适用小面积调查等诸多问题,难以满足大面积实时监 测和研究 的要求。进行实时、动态的鼠洞数量分布监测,是有效地制定灭鼠措施和预防鼠疫发生的重要手 段。本研 究利用无人机携带高光谱仪对荒漠化草原进行数据采集,提出鼠洞指数(rat hole index, RHI)对草 原鼠洞进行识别。研究结果表明,利用RHI识别草原鼠洞,总体精度可达97%,Kappa系数可达0.93, 该模型与归一化植被指数(normalized difference vegetation index,NDVI)、土壤调节植被指数(soil-adjusted vegetation index,SAVI)、比值植被指数(ratio vegetation index,RVI)等3种植被指数模型相比具有较高的识别精度。RHI的提出,有 效地提高 草原鼠洞的识别精度和效率,为鼠害防治以及草原退化监测和研究提供有效方法。     

基于带参考信号独立分量分析的高光谱图像目标探测

提出了一种用于高光谱图像目标探测的预处理方法,目的是提高目标光谱的准确性,进而提高有监督目标探测算法的精度.该方法将实验室或野外获取的目标光谱作为参考信号,利用带参考信号的独立分量分析方法,从图像中提取出与参考信号相关性最大的独立分量作为新的目标光谱.仿真和实际高光谱数据的实验结果表明,所提出的方法能较大提高目标光谱的准确性,从而较大提高目标探测算法的精度.     

基于无人机高光谱遥感的荒漠草原覆盖度提取方法研究

植被覆盖度(fractional vegetation coverage, FVC)是草地退化评价的重要指标之一,实时、快速、准确地采集FVC是进行草地退化评价的基础。本文以无人机(unmanned aerial vehicle, UAV)高光谱遥感图像为数据源,提出了3D-ResNet18深度学习覆盖度提取方法,将此方法与回归模型法和ResNet18经典深度学习方法进行比较,并对提取精度进行验证。结果表明,提出的3D-ResNet18方法对荒漠草原FVC展现出较优的提取效果,总体估算精度达97.56%,相比较NDVI、SA-VI、G＿CR＿NDVI、G＿CR＿SAVI和ResNet18分别提高了8.32%、5.92%、2.20%、2.14%和1.87%,为荒漠草原FVC信息高精度和高效率的统计奠定基础。     

基于EnMAP卫星和深度神经网络的LAI遥感反演方法

区域叶面积指数(Leaf Area Index,LAI)定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题,提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络(Small Simple Learning LAI-Net,SSLLAI-Net)。该网络由2个卷积层、1个池化层和3个全连接层构成,将光谱反射率数据作为网络输入端、输出端得到LAI反演值,且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program(EnMAP)为数据源,以该区域的谷物、玉米、油菜、其他作物为研究对象,数值实验结果表明当各作物类别的训练样本量均为50时,基于SSLLAI-Net的LAI反演精度分别为0. 95、0. 99、0. 98、0. 90;且在添加噪声的情况下,各作物类别的LAI反演精度分别为0. 95、0. 98、0. 96、0. 89。综上,提出的基于深度神经网络的区域LAI遥感定量反演方法 SSLLAI-Net是鲁棒可靠的,且该模型能够支持稳定的小样本建模。