高光谱技术监测植物病虫害方法研究进展

以农作物、生态观赏林、经济果树林为研究对象,从数据采集、处理、分析等方面对基于高光谱技术的病虫害监测方法进行梳理、总结,并提出高光谱技术应用在农林果木方面的不足和展望,为以后的植物分类识别、病虫害监测等研究提供参考.     

高光谱成像遥感载荷技术的现状与发展

高光谱成像技术可同时获取地物的几何、辐射和光谱信息,集相机、辐射计和光谱仪能力于一体,相比光学空间二维成像,可对地物进行空间和光谱三维成像,在一定的空间分辨率下,获取宽谱段范围内地物独特的连续特征光谱,对地物的精细分类和识别具有突出的优势,目前已成为对地遥感的重要前沿技术手段,在自然资源调查、生态环境监测、农林牧渔、海洋与海岸带监测等领域发挥着越来越重要的作用。随着高光谱遥感应用的深入研究,对高光谱成像遥感仪器的光谱范围、幅宽、光谱分辨率、空间分辨率、时间分辨率与定标精度等指标提出了新的要求。同时满足这些相互制约的参数指标,是国内外高光谱载荷研制中一直难以突破的技术难点。本文主要对国内外的高光谱成像遥感载荷技术进行了综述,介绍了国内外典型的机载、星载高光谱成像遥感仪器,以及近年来发射、正在研制和计划发展的星载高光谱成像载荷,并分析了这些载荷的技术方案、性能指标和应用效果;介绍了声光调谐（AOTF）、液晶调谐（LCTF）、法布里—珀罗调谐（FPTF）,渐变式（LVF）和阶跃式（ISF）光楔滤光片,压缩感知光谱成像等新型分光技术,并分析了它们各自的技术优缺点以及应用于高光谱成像的可行性和现状;最后展望了高光谱成像载荷技术的发展趋势。     

矿山环境高光谱遥感监测研究进展

在综合分析大量文献的基础上,归纳了高光谱技术在矿山次生矿物识别、重金属浓度反演、p H值定量估算、污染植被信息提取等方面的应用,总结了基于高光谱遥感提取有关氧化和脱水状态动态分析、气候变化追踪等信息的研究进展,展示了高光谱技术在矿山环境调查监测领域的广阔应用前景。研究表明,含铁硫化物及其氧化矿物标准光谱库的建立具有重大意义,推动了酸性矿山环境高光谱遥感研究;对矿山环境地质作用与光谱响应之间关系的认识逐渐深入,促进了高光谱地质应用模型的开发;高光谱数据蕴含着丰富的矿山环境地学信息,具备提取多方面重要信息的潜力。最后结合当前欧美发达国家开发高光谱小卫星的实际,指出今后矿山环境高光谱遥感研究将从矿物及矿物成分识别转向矿物形成时的物理化学性质反演、从短期调查向长期监测、从航空向航天、从单一矿山向成矿区带或大型矿集区转变。     

高光谱遥感在农业中的应用

首先概括作物分类与识别、作物生态物理参数估算、作物长势监测、作物估产4个主要研究内容。分析高光谱遥感技术在农业中的应用现状,提出高光谱技术当前存在的问题。最后展望高光谱技术在农业遥感中的应用前景。     

天宫一号高光谱成像仪遥感应用

本文重点介绍了天宫一号高光谱成像仪设计、特性、在轨运控支持、地面数据处理技术及应用研究等方面内容,其中高光谱数据的辐射纠正及系统几何校正的精度满足各应用需要,数据产品质量在遥感各个应用领域获得验证.大量用户利用天宫一号高光谱数据在国土资源、海洋、林业、城市环境监测、水文生态监测等方面开展了较好的应用研究工作,取得了一批有价值的应用成果.中国科学院空间应用工程与技术中心作为载人航天空间应用系统的总体单位,负责天宫一号高光谱成像仪的总体研制管理、集成测试验证、在轨运行支持及应用研究的组织推广,为更好地发挥应用效益做出了积极的贡献.     

高光谱遥感在植物多样性研究中的应用进展与趋势

人类活动、极端气候、物种入侵等事件导致植物的生物多样性丧失加剧,生物多样性保护迫切需要快速准确地收集陆地植物多样性信息。高光谱遥感的出现,为大空间尺度上的植物多样性研究提供了技术基础,为群落和景观水平的生物多样性相关理论的验证提供了契机。本文简要回顾了近年来高光谱遥感技术的发展及其在植物多样性研究中的应用。重点介绍了两类高光谱遥感反演多样性的手段,即直接反演和间接反演。直接反演手段以光谱变异假说为理论基础,从光谱曲线特征入手直接建立光谱信息与植物多样性的关系;间接反演手段则通过植被指数将光谱信息关联植物多样性,或通过定量反演功能性状计算功能多样性指标,进而实现植物多样性的间接估测。论文进一步结合实例,论述了高光谱遥感技术在大尺度生物多样性相关研究中的应用,如物种入侵监测、物种分布及多样性格局制图、生物多样性与生态系统功能关系研究。最后分析了高光谱遥感技术在生态研究应用中的局限性。随着多源遥感技术的发展日渐成熟,高光谱遥感技术与地面通量监测、激光雷达、计算机可视化等其他技术的协同应用可能是在生物多样性研究领域中一个新的发展方向。     

星载高光谱成像载荷发展及关键技术

星载高光谱遥感技术可通过光谱特征对地物进行大范围快速精细识别,在自然资源勘查、生态环境保护、精细农业、碳排放监测和地表异常即时探测等方面有着广阔的应用前景。自20世纪80年代初期美国NASA研制出第一台机载高光谱成像仪以来,高光谱成像技术的研究发展日益得到重视。与机载高光谱载荷相比,星载高光谱载荷的研制难度大幅增加,但其全球范围快速探测识别的巨大应用价值,成为国际上竞相攻克的科技制高点,也是人类探测地球感知万物的重要手段。我国高分五号卫星的成功发射,使国际上星载高光谱成像技术的水平达到了一个新的高度,在助力碳排放、土壤有机质、土壤重金属污染、水质微量污染和大范围地球深部找矿等应用方面产生诸多突破。本文回顾了星载高光谱载荷技术的发展历程,总结了星载宽谱宽幅高光谱载荷的要点、关键技术及应用情况。结合团队在该领域多年实际开展的工作,凝炼提出了静止轨道高光谱、荧光超光谱和高光谱即时遥感探测几个重要发展方向及其关键技术,为星载高光谱载荷研究工作的重大发展提供一些重点有益的参考。     

高光谱遥感技术在植被信息提取中的应用

高光谱遥感技术与传统遥感技术相比,有着图谱合一和光谱连续的优势,能够实现地物的准确识别和精细分类,并且在岩矿信息提取方面取得了显著成果,然而在植被信息提取中的研究尚处于发展阶段。随着农作物估产和土地利用监测等领域对植被精细信息的要求日益提高,高光谱遥感在植被研究中的应用显得越发重要。本文针对高光谱在植被信息提取中的应用进行研究,实现传统多光谱遥感难以完成的准确识别与分类。     

高光谱矿物填图技术与应用研究

回顾和总结了"九五"以来,中国国土资源航空物探遥感中心在高光谱矿物识别和矿物填图领域所取得的成果,包括主要岩矿光谱特征与影响因素分析;矿物的种类识别、丰度反演和成分识别;中—热红外多/高光谱的数据处理和矿物识别;高光谱矿物识别的地质应用模式、矿物填图的工作方法和技术流程、矿物填图的技术体系;矿物填图在区域地质找矿、矿区勘查和成矿与找矿模型、植物地球化学探测、矿山环境监测以及月球和行星探测等方面的应用示范。最后,提出了高光谱矿物填图近期的研究方向。     

立足国内开拓创新走向世界——中国科学院遥感应用研究所高光谱遥感发展30年回顾

世界高光谱遥感技术的发展只有20 多年的历程, 中国的高光谱遥感发展与国际基本同步, 在需求牵引和中国科学院、自然科学基金委员会的支持下, 特别是通过863 计划和国家攻关计划, 中国科学院遥感应用研究所(简称遥感所)与上海技术物理研究所等单位紧密协作, 相继研制了一系列高光谱遥感设备, 开展了大量的技术试验和应用基础研究, 不仅在国内结合国家需求取得了很好的应用效益, 而且开展了多项国际合作, 走向世界, 开创了以中国高光谱技术支持中国科学家与国外发达国家科学家合作研究的先河, 并进一步推动了高光谱遥感的发展。在长达20 多年的发展中, 遥感所高光谱遥感已成为中国的一个重要研究基地。本文从航空航天高光谱成像仪器的研制、应用技术及信息处理等方面, 回顾了遥感所高光谱遥感走过的历程及其对高光谱遥感发展的贡献。     

基于天宫一号高光谱数据与Landsat TM数据的湿地利用变化监测

本文利用2013年4月18日获取的天宫一号高光谱成像仪数据和1985年5月1日获取的Landsat TM数据,对黄河入海口地区湿地的土地利用状况进行了监测研究.通过对比分类结果发现,该地区近30年来人类活动对湿地的影响强烈,滩涂开垦、水产养殖业占用自然水面现象严重.同时由于天宫一号高光谱成像仪数据具有更高的光谱和空间分辨率,其分类精度优于Landsat TM,更适合于湿地的监测.     

Multi-Feature Classification Approach for High Spatial Resolution Hyperspectral Images

High spatial resolution hyperspectral images not only contain abundant radiant and spectral information, but also display rich spatial information. In this paper, we propose a multi-feature high spatial resolution hyperspectral image classification approach based on the combination of spectral information and spatial information. Three features are derived from the original high spatial resolution hyperspectral image: the spectral features that are acquired from the auto subspace partition technique and the band index technique; the texture features that are obtained from GLCM analysis of the first principal component after principal component analysis is performed on the original image; and the spatial autocorrelation features that contain spatial band X and spatial band Y, with the grey level of spatial band X changing along columns and the grey level of spatial band Y changing along rows. The three features are subsequently combined together in Support Vector Machine to classify the high spatial resolution hyperspectral image. The experiments with a high spatial resolution hyperspectral image prove that the proposed multi-feature classification approach significantly increases classification accuracies.     

Hyperspectral image classification by a variable interval spectral average and spectral curve matching combined algorithm

Classification of hyperspectral images has been receiving considerable attention with many new applications reported from commercial and military sectors. Hyperspectral images are composed of a large number of spectral channels, and have the potential to deliver a great deal of information about a remotely sensed scene. However, in addition to high dimensionality, hyperspectral image classification is compounded with a coarse ground pixel size of the sensor for want of adequate sensor signal to noise ratio within a fine spectral passband. This makes multiple ground features jointly occupying a single pixel. Spectral mixture analysis typically begins with pixel classification with spectral matching techniques, followed by the use of spectral unmixing algorithms for estimating endmembers abundance values in the pixel. The spectral matching techniques are analogous to supervised pattern recognition approaches, and try to estimate some similarity between spectral signatures of the pixel and reference target. In this paper, we propose a spectral matching approach by combining two schemes—variable interval spectral average (VISA) method and spectral curve matching (SCM) method. The VISA method helps to detect transient spectral features at different scales of spectral windows, while the SCM method finds a match between these features of the pixel and one of library spectra by least square fitting. Here we also compare the performance of the combined algorithm with other spectral matching techniques using a simulated and the AVIRIS hyperspectral data sets. Our results indicate that the proposed combination technique exhibits a stronger performance over the other methods in the classification of both the pure and mixed class pixels simultaneously.     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

采用IDL小波工具优化高光谱影像光谱特征匹配分类

光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征，可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征，基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性，选取PaviaU、Salinas和Chikusei高光谱影像数据，利用核极限学习机分类器，分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明，多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%，明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征，有助于提高影像分类精度并获取更加平滑的分类结果图。     

小样本的高光谱图像降噪与分类

在样本数目稀少情况下实现高光谱图像精细分类是个挑战性的问题。高光谱图像信噪比提高比较困难,噪声大小对分类结果有最直接的影响。利用高光谱图像相邻波段之间的相关性和相邻像素之间的相关性,提出多级降噪滤波的高光谱图像分类方法,通过改进的两阶段稀疏与低秩矩阵分解方法,去除高光谱图像中能量较高的噪声,利用主成分分析方法去除高光谱图像中能量较低的噪声,引导滤波方法去除分类结果图中的"椒盐噪声"。选取两幅真实高光谱图像进行实验,结果表明,两阶段稀疏与低秩矩阵分解法和主成分分析法两种降噪方法具有较强的互补性;引导滤波方法使得分类图更加平滑且分类精度更高。与其他光谱空间分类方法相比,本文方法分类精度更高,且在样本极少时能获得很高的分类精度。     

Hyperspectral image noise reduction based on rank-1 tensor decomposition

In this study, a novel noise reduction algorithm for hyperspectral imagery (HSI) is proposed based on high-order rank-1 tensor decomposition. The hyperspectral data cube is considered as a three-order tensor that is able to jointly treat both the spatial and spectral modes. Subsequently, the rank-1 tensor decomposition (R1TD) algorithm is applied to the tensor data, which takes into account both the spatial and spectral information of the hyperspectral data cube. A noise-reduced hyperspectral image is then obtained by combining the rank-1 tensors using an eigenvalue intensity sorting and reconstruction technique. Compared with the existing noise reduction methods such as the conventional channel-by-channel approaches and the recently developed multidimensional filter, the spatial–spectral adaptive total variation filter, experiments with both synthetic noisy data and real HSI data reveal that the proposed R1TD algorithm significantly improves the HSI data quality in terms of both visual inspection and image quality indices. The subsequent image classification results further validate the effectiveness of the proposed HSI noise reduction algorithm.     

Dimensionality reduction of hyperspectral data using spectral fractal feature

A new approach for dimensionality reduction of hyperspectral data has been proposed in this article. The method is based on extraction of fractal-based features from the hyperspectral data. The features have been generated using spectral fractal dimension of the spectral response curves (SRCs) after smoothing, interpolating and segmenting the curves. The new features so generated have then been used to classify hyperspectral data. Comparing the post classification accuracies with some other conventional dimensionality reduction methods, it has been found that the proposed method, with less computational complexity than the conventional methods, is able to provide classification accuracy statistically equivalent to those from conventional methods.     

基于光谱相似性的多光谱数据纹理编码算法研究

基于多光谱纹理“映射模式”概念，提出了基于光谱数据相似性的多光谱、高光谱数据的编码方法。利用光谱相似测度对不同类型的纹理进行编码，表征地物的全局纹理特征，将纹理提取的算法扩展到多维光谱图像分析中，提出了多尺度纹理组合算法。试验证明，该方法合理有效，可大大提高分类的准确性和精度。