天宫一号高光谱遥感场景分类数据集及应用

天宫一号高光谱成像仪具有空间分辨率高、光谱分辨率高、图谱合一等特性，在中国航天高光谱领域具有里程碑的意义。针对一般遥感场景分类数据集尺度单一、光谱分辨率较低等问题，本文提出基于天宫一号的多谱段、高空间分辨率、多时相高光谱遥感场景分类数据集(TG1HRSSC)。利用天宫一号高光谱成像仪获取的高质量数据，经过辐射校正、几何校正、空间裁剪、波段筛选、数据质量分析与控制等，制作了一批通用的航天高光谱遥感场景分类数据集，通过载人航天空间应用数据推广服务平台（http://www.msadc.cn[2019-09-10]）进行分发和共享。该数据集包括天宫一号高光谱成像仪获取的城镇、农田、林地、养殖塘、荒漠、湖泊、河流、港口、机场等9个典型地物场景的204个高光谱影像数据，其中5 m分辨率全色谱段1个波段、10 m分辨率可见近红外谱段54个有效波段以及20 m分辨率短波红外谱段52个有效波段。研究利用AlexNet、VGG-VD-16、GoogLeNet等深度学习算法网络对构建的数据集进行场景分类的试验，结果表明该数据集的场景分类应用实现较好效果。由于该数据集具备高分辨、高光谱等特征优势，未来在语义理解、多目标检测等方面有着广泛的应用价值。     

天宫一号高光谱成像仪系统光谱辐射校正

针对天宫一号高光谱成像仪工作原理与数据特点,提出了可见—近红外波段高光谱成像仪,短波红外波段高光谱成像仪的系统光谱辐射校正方法,给出1级标准产品数据生成流程.该过程包括:背景噪声扣除,相对与绝对辐射校正,坏列检测与修复,光谱smile校正.最后,面向光谱辐射校正后数据存储给出了数据放大系数.为天宫一号高光谱数据的标准化产品生产提供了技术支撑,为天宫一号高光谱成像仪的在轨运行、民用示范与定量化应用提供了重要基础.     

高光谱红外谱段交叉定标与近海遥感应用试验

以MODIS红外谱段数据为基准,对高光谱红外谱段数据进行辐射交叉定标试验,同时运用高光谱红外谱段数据对近海海表水温进行了评估试验.交叉定标数据选取2012年—2013年冬、夏两季各一幅代表性图像,MODIS与高光谱红外谱段数据成像时间均为同一天白天.实验结果表明,天宫一号高光谱红外谱段数据与MODIS数据具有极好的相关性,相关系数R大于0.95;在此基础上建立了基于MODIS 32波段的辐亮度线性回归校正方程,并用于海表温度反演、检测自然与人工扰动造成的海表温度异常.基于校正数据反演的中国南北典型冬、夏代表性季节的海表温度与常识较为一致.由此表明,基于MODIS交叉定标的天宫一号数据可用于实际的业务化定量评估;同时,由于空间分辨率较高,天宫一号高光谱红外谱段数据在海水精细空间动态变化检测上表现出极好的性能.     

天宫一号高光谱数据相关检测法蚀变信息提取

天宫一号高光谱成像仪是目前中国空间分辨率和光谱综合指标最高的星载光谱成像仪.针对天宫一号高光谱数据,提出了一种基于波段相关检测的蚀变信息提取方法.该方法在对天宫一号高光谱数据进行波段相关检测提取蚀变异常特征波段的基础上,结合异常探测、端元提取和光谱匹配等方法的各自优势进行天高一号高光谱数据的蚀变信息提取.利用该法成功提取了天宫一号高光谱数据中的Al-OH矿物蚀变异常及4种蚀变矿物,结果表明该方法可以有效提取天宫一号高光谱数据中的蚀变信息,有助于天宫一号高光谱数据在地质矿产资源调查中发挥巨大的应用潜力.     

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.     

天宫一号数据地表温度反演及其在城市热岛效应中的应用

针对天宫一号高光谱成像仪红外波段数据提出了一个单通道地表温度反演算法,算法的输入参数为大气水汽含量和地表发射率.利用模拟数据和黑河流域生态—水文过程综合遥感观测联合试验的地面实测数据对算法进行了精度评价,结果表明算法的均方根误差为2.72 K,能够满足大多数应用研究的需求.以北京市二环以内为研究区域,采用4个时相的天宫一号高光谱红外波段数据进行了城市热岛效应研究,结果表明天宫一号高光谱红外波段数据适合用来进行街区尺度的城市热岛效应研究,具有很大的应用潜力.     

应用天宫一号高光谱红外谱段数据反演地表温度产品及验证

本文利用天宫一号获取的具有高空间分辨率的红外谱段数据,选择黑河中游作为反演区域,基于辐射传输模型和Planck定律进行地表温度反演.影像的反演结果表明使用天宫一号高空间分辨率的红外谱段反演得到的地表温度能更细致合理的刻画地表温度分布,这对地表温度异质性的研究具有重要意义.为了进一步验证反演精度,本文依托黑河流域已有观测平台和系统,选取黑河中游8个典型下垫面作为验证场地,开展地面同步观测实验.实验结果表明通过反演获得的地表温度与地面实测数据的平均偏差为-0.375℃,这也说明本文的反演过程能够较为精确的使用天宫一号红外谱段反演地表温度.     

基于小波特征融合的Hyperion影像降维方法

根据影像中地物光谱曲线的小波特征点确定地物识别的合适光谱分辨率,通过融合原先若干窄波段生成具有适合地物识别光谱分辨率的宽波段数据,达到降维高光谱数据的目的。文中对hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正,得到155个波段。对提取的八类地物的样本平均光谱进行DB4小波分解,计算小波细节系数方差;以小波细节系数信息熵作为特征点,得出不可渗透表面、居民地、水田、裸土4类地物识别适宜光谱分辨率为80nm,其余地物识别适宜光谱分辨率为160nm。以窄波段间的活跃度为指标进行融合,生成降维后的宽波段分别是21个波段和11个波段。8类地物在3尺度和4尺度下的分类结果说明降维影像能满足应用需求,提出的降维方法可行。     

FY-3250m分辨率数据的华北平原冬小麦提取

冬小麦是中国最主要的粮食作物之一,利用遥感技术提取冬小麦种植区是遥感应用研究的一个重要方向。2008年以来发射的系列风云三号(FY-3)卫星均携带着中分辨率光谱成像仪(MERSI),该传感器有5个250 m分辨率的波段,波段范围包括可见光、近红外和热红外,观测数据包含丰富的地表信息,为大范围冬小麦种植区提取提供了新的数据源。首先,选取生长季前期多幅高质量的MERSI数据,采用分层提取的方法,对于不同的层次选用与待提取类别最为敏感的特征波段来构建相应的决策树,从而将每一幅影像中冬小麦种植区提取出来,然后,将多幅数据融合为一幅生长季内的冬小麦种植区图。最后,使用野外实地调查的数据进行精度验证,面积提取精度为90.8%。结果表明,在春季返青后,即可做出当季冬小麦种植分布图,为农情监测提供及时的信息支撑。     

基于轻小型无人机获取高光谱影像分类精度评定

小型高光谱成像仪搭载在无人机平台上,可以获取更高空间分辨率的影像数据,在无人机升限范围内可以获取多种分辨率的高光谱数据,相比于卫星影像,无人机获取的高光谱影像分辨率往往会高出很多。通过已有数据验证,并非分辨率越高就能取得越好的识别分类效果,高分辨率数据更容易造成错分、漏分等。无人机获取的不同高分辨率的数据在进行分类时分类精度存在差异,本文将通过对比两种不同分辨率的高光谱数据分类结果精度,计算出分类精度差异,为高分辨率的高光谱数据获取和处理提供参考。     

结合数据增广和迁移学习的高分辨率遥感影像场景分类

深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。对于遥感领域而言,获取用于训练CNN的有标签数据集通常是一个重大挑战。本文研究了如何将CNN用于高分辨率遥感影像的场景分类,为了克服缺乏大量有标签遥感影像数据集的问题,结合CNN采用了两种技术：数据增广和迁移学习。在UC Merced Land Use数据集上,验证了VGG16、VGG19、ResNet50、InceptionV3、DenseNet121等5种网络的性能,分别达到了98.10%、96.19%、99.05%、97.62%、99.52%的分类准确率。     

基于子区域多标签学习的露天煤矿区场景识别

露天煤矿开采易对区域生态环境产生不利影响,对其进行高效监管有利于矿区环境保护和可持续发展。随着遥感技术和人工智能的发展,基于高分辨率遥感影像的露天煤矿区场景自动识别成为可能。本文针对单标签学习算法在场景子区域识别中识别率较低的问题,将多标签学习策略和地理学第一定律相结合,提出一种基于子区域多标签学习的露天煤矿区场景识别方法。为了区分露天煤矿区场景与其周边场景,设置了6类矿区标签和7类非矿区标签,对9768张场景子区域图像进行标注,构建多标签数据集,利用该数据集训练基于多标签学习的Inception-v3模型。场景识别时,首先将一幅覆盖研究区的遥感影像划分为相同大小的子区域并进行多标签分类;然后对含有矿区标签的子区域,利用地理学第一定律对其矿区标签的相关性和完整性进行判定,识别出属于露天煤矿区场景的子区域。胜利西露天煤矿区识别实验结果表明：该方法提取的结果最接近真值,显著高于单标签学习的识别精度;其子区域多标签分类F1分数达到0.857,与单标签学习中性能最好的ResNet50模型相比,提高了8个百分点。本文提出的方法能够自动提取子区域内多类标签的有效特征,提高露天煤矿区场景识别的精度,其识别结果可为露天矿区开采管理提供数据支撑。     

联合稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类

零样本影像分类技术旨在通过学习数据集的部分类别（可见类）,获得识别在训练阶段未出现类别（不可见类）的能力。该技术在遥感大数据时代具有重要现实意义。目前,遥感领域的零样本场景分类方法对于映射后的语义空间优化关注很少,导致已有方法的整体分类性能较差。基于这一考虑,本文提出了一种基于稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类方法。在训练的有监督学习模块,基于可见类的类别语义向量和场景影像样本,实现深度特征提取器学习和视觉空间到语义空间的稳健映射。在训练的无监督学习阶段,基于全体类别的类别语义向量和不可见类遥感影像样本,分别通过协同表示学习和k近邻算法来渐进修正不可见类类别的语义向量,从而缓解可见类语义空间与不可见类语义空间的漂移问题和自编码跨域映射模型映射后不可见类语义空间与协同表示后不可见类语义空间的偏移问题。在测试阶段,基于学习所得的深度特征提取器、自编码跨域映射模型和修正后的不见类语义向量,实现对不可见类遥感影像场景的分类。本文整合多个已有公开的遥感影像场景数据集,组建了一个新的遥感影像场景数据集,在此数据集上进行试验。试验结果表明本文提出的算法在多种不同的可见类与不可见类的划分情况下都明显优于已有公开零样本分类方法。     

“一带一路”区域可持续发展生态环境遥感监测

2013年9月和10月,习近平主席在出访中亚和东南亚国家期间,先后提出了共建"丝绸之路经济带"和"21世纪海上丝绸之路"(简称"一带一路")的重大倡议。要全面保护"一带一路"区域生态环境,实现2030年可持续发展目标,是一个具有挑战性的问题。遥感技术对生态环境监测与评价发挥着十分重要的作用。本研究利用多尺度、多源遥感数据,对2015年"一带一路"区域的生态环境状况进行监测和分析,旨在提供可持续发展目标生态环境遥感监测的本底。本文选取了几个重要的生态环境方面开展监测与分析,主要包括宏观生态系统结构和植被状况、太阳能资源分布、水资源平衡、主要生态环境限制因素对经济走廊建设的影响、主要城市生态环境质量等。监测区域覆盖亚洲、非洲、欧洲和大洋洲的陆上区域。研究结果为生态环境评价与保护提供了有效的决策依据,有助于"一带一路"建设积极推进。     

基于CNN模型迁移的OLI影像光伏电池板场景识别

获取光伏电池板的空间分布及动态变化信息对于国土调查、资源环境监测和能源结构评估具有重要意义,然而,传统的光伏电池板的识别依赖于人工设计的中低层次特征,无法克服对象光谱不确定性、空间结构类型复杂等难题,算法普遍存在稳健性不强、效率不高等问题。目前,基于场景单元从遥感影像中提取空间信息,多数算法仅建立在少数标准数据集上,未考虑实际应用中遥感图像质量、空间分辨率等因素对图像场景深度特征表达的影响,制约了遥感技术在城市结构、经济社会知识挖掘方面的深入应用。针对以上情况,本文基于卷积神经网络（CNN）采用迁移学习和模型微调的策略,在中等分辨率的Landsat影像上进行光伏电池板场景识别。结果表明,本文方法能够提取电站场景的多层次特征,在形态结构复杂的电站场景中取得了较好的识别效果。     

基于高性能计算平台的天宫一号遥感数据地面预处理系统

针对天宫一号传感器特点,设计并实现了基于高性能并行集群环境的遥感数据地面预处理系统,可完成对高并发、海量遥感数据处理任务的快速、高效处理.该系统可通过传感器的星上定标参数完成系统辐射校正、系统几何校正等处理过程,生产出高光谱热红外谱段和高光谱数据的1级、2级遥感产品.同时,在数据产品封装与输出分系统中,采用了较为通用的GeoTiff与HDF作为产品的主要输出格式,可满足领域内多种用户的需求.     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

An operational method for fast detecting abnormal channels in imaging spectrometers

Data from abnormal channels in an imaging spectrometer almost always exerts an undesired impact on spectrum matching, classification, pattern recognition and other applications in hyperspectral remote sensing. To solve this problem, researchers should get rid of the data acquired by these channels. Selecting abnormal channels just in the way of visually examining each band image in a imaging data set is a conceivably hard and boring job. To relieve the burden, this paper proposes a method which exploits the spatial and spectral autocorrelations inherent in imaging spectrometer data, and can be used to speed up and, to a great degree, automate the detection of abnormal channels in an imaging spectrometer. This method is applied easily and successfully to one PHI data set and one Hymap data set, and can be applied to remotely sensed data from other hyperspectral sensors.     

An Operational Method for Fast Detecting Abnormal Channels in Imaging Spectrometers

Data from abnormal Channels in an imaging spectrometer almost always exerts an undesired impact on spectrum matching,chassification,pattern recognition and other applications in hyperspectral remote sensing.To solve this problem.researchers should get rid of the data acquired by these channels.Selecting abnormal channels just in the way of visually examining each band image in a imaging data set is a conceivably hard and boring job.To relieve the burden,this paper proposes a method which exploits the spatial and spectral autocorrelations inherent in imaging spectrometer data,and can be used to speed up and ,to a great degree,automate the detection of abnormal channels in an imaging spectrometer.This method is applied easily and successfully to one PHI data set and one Hymap data set ,and can be applied to remotely sensed data from other hyperspectral sensors.