高光谱遥感原理技术与应用精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的高光谱遥感原理技术与应用主题范文，仅供参考，欢迎阅读并收藏。

第1篇：高光谱遥感原理技术与应用范文

关键词：高光谱图像；数据融合；综合评价；最佳方法；地球观测1号

中图分类号： TP751.1； TP391.41

文献标志码：A

Abstract： Subject to the imaging principle， manufacturing technology and other factors， the spatial resolution of spaceborne hyperspectral remote sensing imagery is relatively low. Therefore， the thesis proposed the image fusion of hyperspectral imagery and high spatial resolution imagery， and designed the best fusion algorithm to enhance spatial resolution of hyperspectral remote sensing imagery. According to the characteristics of Earth Observing1 （EO1） Hyperion hyperspectral imagery and Advanced Land Imager （ALI） panchromatic imagery， 4 kinds of fusion algorithms were selected to carry out a comparative study of the image fusion effect for the city and mountain regions from 9 kinds of remote sensing image fusion algorithms， namely GramSchmidt spectral sharpening fusion method， transform fusion method of Smoothing Filterbased Intensity Modulation （SFIM）， Weighted Average Method （WAM） fusion method and Wavelet Transformation （WT） fusion method. And it carried out the comprehensive evaluation and analysis of the image fusion effect from 3 aspects of qualitative， quantitative and classification precision， which aims to determine the best fusion method for EO1 hyperspectral imagery and panchromatic imagery. The experimental results show that： 1） from the image fusion effect， GramSchmidt spectral sharpening fusion method is the best in 4 kinds of fusion methods used； 2） from the image classification effect， the classification results based on the fusion image is better than the classification results based on the source image. The theoretical analysis and experimental results show that GramSchmidt spectral sharpening fusion method is an ideal fusion algorithm for hyperspectral imagery and high spatial resolution imagery， and it can provide powerful support to improve the clarity of hyperspectral remote sensing imagery， the reliability and the accuracy of the image object recognition and classification.

Key words： hyperspectral imagery； data fusion； comprehensive evaluation； best method； Earth Observing1 （EO1）

0引言

对于一套光学遥感器系统而言，图像的空间分辨率与光谱分辨率是一对矛盾，在给定信噪比的条件下，为求得较高的光谱分辨率（窄光谱波段）往往意味着要付出低空间分辨率的代价[1]。相对于较高空间分辨率的多光谱图像而言，当前高光谱遥感图像的空间分辨率还都不够高，尤其是航天高光谱遥感数据。为解决这一矛盾，已经（或即将）发射的搭载成像光谱仪的航天遥感平台往往都会带有一个高空间分辨率的全色通道传感器。例如，地球观测1号（Earth Observing1， EO1）卫星上就载有3个传感器，即高级陆地成像仪（Advanced Land Imager， ALI）、高光谱成像光谱仪（Hyperion）和大气校正仪（Linear Etalon Imaging Spectrometer Array Atmospheric Corrector， LAC）。其中Hyperion高光谱遥感图像的光谱分辨率为10nm，空间分辨率为30m；而ALI图像数据中就有一个空间分辨率为10m的全色通道波段。由此为本研究通过数据融合方式来提高高光谱遥感数据的空间分辨率提供了有利的条件，研究高光谱遥感图像与高空间分辨率图像的融合将具有十分重要的理论和现实意义。

将高光谱图像与高空间分辨率图像进行融合处理，在保持高光谱图像的光谱物理特性和波形形态的同时，还可大幅度改善高光谱图像的空间解析特性；融合后的图像仍可为超多波段的图像数据，且具有可定量分析的波谱形状。目前有关多光谱遥感图像与高空间分辨率全色图像融合的文章很多，但鲜见涉及高光谱图像融合的报道，这可能与目前此类数据源较少及数据特性限制有关。本研究将针对Hyperion和ALI遥感图像的特点，选用多种融合方法对其进行数据融合实验，并对这些方法的融合效果进行综合分析评价，旨在寻找最佳的增强高光谱遥感图像空间分辨率的融合算法，以提高高光谱图像计算机分类的精度。

1研究方法

1.1遥感数据融合

遥感数据融合是将那些在空间或时间上冗余或互补的多源遥感图像数据按一定的规则（或算法）进行运算处理，以获得比任何单一数据更精确、更丰富的信息，从而生成一幅具有新的空间、波谱、时间特征的合成图像[2-4]。遥感数据融合通常可分为3个层次：像元级融合、特征级融合和决策级融合。其中像元级融合强调不同图像信息在像元基础上的综合及必须进行基本的地理编码，即对栅格数据进行相互间的几何配准，在各像元一一对应的前提下进行像元级的合并处理，以改善图像处理的效果，使特征提取、图像分割等工作在更准确的基础上进行，并可获得更好的图像视觉效果[2]。由于像元级融合是基于最原始的图像数据，能最大限度地保留图像原有的真实感，以提供其他融合层次所不能提供的细微信息，故其一直是遥感图像融合研究的热点。本文所提及的遥感数据融合均指像元级的图像数据融合。

目前，遥感数据融合的方法可分为4类：光谱变换、频率的滤波、代数和多分辨率变换。1）基于光谱变换的融合方法，是将多光谱波段转换到另一光谱域，并用全色高空间分辨率图像替换其中的相关波段，然后通过反变换回到原始光谱域。其具体方法有彩色变换、主成分变换、GramSchmidt变换等。2）基于频率的滤波融合方法，是在提取高空间分辨率图像的高频结构信息的基础上，与多光谱波段图像融合，使得在提高后者空间分辨率的同时保持其原有丰富的光谱信息。其具体方法有高通滤波、平滑调节滤波等。3）基于代数的融合方法，是通过加、减、乘、除及混合运算或对各波段图像数据间的相关性进行加权运算来获得融合图像，可不同程度地消除大气影响，增强相关的信息特征。其具体方法有加权平均法、Brovey变换等。4）基于多分辨率变换的融合方法，是先将参加融合的原图像作多分辨率分解；然后将各相应层上的分解系数按一定的融合规则进行合成处理而得到融合系数；最后将融合系数进行多分辨率逆变换得到融合图像。其具体方法有金字塔分解融合法、小波变换融合法等。

1.2高光谱与高空间分辨率图像融合的特点及方法

高光谱遥感以多达数百个的纳米量级宽度的窄波段对目标实施连续的光谱成像，由此可获得地物在一定范围内连续而精细的光谱曲线，故能充分利用地物不同波段光谱响应特征的微小差异来实现对地物的精细探测。但由于受制于制造技术及高光谱成像本身的特点，当前航天高光谱图像的空间分辨率还不够高，由此给对地物的精确识别与分类带来一定的困难。鉴于此，研究高光谱分辨率图像与高空间分辨率图像的融合将具有十分重要的意义。高光谱遥感图像与高空间分辨率遥感图像融合的目的不仅在于提高高光谱图像数据的空间分辨率，还应尽量保持高光谱图像原有的光谱信息和波形形态，且仍可为超多窄波段的图像数据，即所要得到的是高空间分辨率的高光谱图像。采用常规方法进行高光谱图像融合的困难在于：随着波段数目的增加，高光谱图像不仅数据量呈指数级增加，且其数据的特征空间维度及信息冗余度也在增大，海量的遥感数据及其衍生数据正极大地挑战常规方法的数据解析能力。由此可见，传统的多光谱遥感图像融合方法不宜直接应用于高光谱遥感图像融合，寻求适合于高光谱图像的融合方法是高光谱遥感应用的一个有意义的研究方向。

由以上分析可知，高光谱数据的特点要求融合处理算法应能同时提高n个光谱波段的空间分辨率，且同时应尽量保留原始的光谱信息。在上述所列举的9种具体的遥感图像融合方法中，彩色变换和Brovey变换这两种融合方法因仅能用于3个波段的多光谱图像与全色波段图像的融合，故不适用于高光谱图像；主成分变换融合方法是把信息量最大的第一主成分替换掉，故难免会造成一定的光谱失真；高通滤波融合方法因采用大小固定的滤波器，故难以对图像数据进行任意尺度的分解，且融合图像仍包含较大的噪声；金字塔分解融合方法虽能对不同传感器的图像进行较好的融合运算，但因其层间分解量之间具有相关性而导致其融合结果不够理想。因此，本文舍弃这5种方法而选用其余4种方法对Hyperion高光谱图像和ALI全色波段图像进行融合：即基于光谱变换的GramSchmidt光谱锐化融合法、基于频率的平滑调节滤波融合法、基于代数的加权平均融合法和基于多分辨率变换的小波变换融合法，并对这4种方法的融合效果进行综合评价与分析，旨在寻找最佳的增强高光谱遥感图像空间分辨率的融合算法，以改善高光谱图像的空间解析特性，且同时能最大限度地保持其原有的光谱物理特性和波形形态。

1.3.4小波变换融合法

小波变换（Wavelet Transformation， WT）建立于傅里叶分析基础之上，具有良好的时频局部化特点，因而能有效地从信号中获取信息。它通过伸缩、平移等运算功能对函数或信号进行多尺度的细化处理与分析，解决了傅里叶变换所不能解决的很多难题，故被称为“数学显微镜”，而正是这种特性使小波变换具有对信号的自适应性[11]。

小波变换将原始图像分解成一系列具有不同空间分辨率和不同频率特性的子图像，低频分量反映的是图像的整体视觉信息，而高频分量反映的则是图像的细节特征。将高空间分辨率图像的高频分量与相应的多光谱图像的低频分量组合并进行小波重建，所得到的融合图像既能保留高空间分辨率图像的空间结构信息，又能融合多光谱图像丰富的光谱信息，可提高遥感图像的解译能力和分类精度。但由小波变换得到的融合图像会随小波分解尺度的增大而出现明显的方块效应，且小波在表达图像边缘的方向特性方面也存在一定的缺陷[12]。

3融合算法综合评价与分析

以下从定性、定量和分类精度这3个方面对这些融合图像的效果进行综合评价和对比分析，从而确定适合EO1高光谱与全色图像融合的最佳方法。

3.1定性评价

分别将上述子区1和子区2采用4种方法获得的融合图像与高光谱源图像进行比对，发现融合后的图像在视觉效果上均有很大改善，且图像的空间纹理信息也都有显著提升，可较好地反映图像的细节特征。由此可见，图像经此融合后，都能在较大程度地保持源有光谱信息的同时提高了空间分辨率。在这4种融合方法中，GSSS融合方法获取的融合图像效果最好，其整体视觉与原始图像相差不大，尤其水体等地物的色调差异较小，道路、建筑物和植被等信息亦较清晰；SFIM融合方法次之；WAM融合方法使图像变亮；WT融合方法使图像变暗（如图5）。此外，SFIM和WT方法的融合图像存在较明显的边界模糊现象，尤其后者的模糊程度更为明显。

进一步随机选某一波段（如第48波段），对比融合前后图像在该波段的水平方向光谱剖面曲线。由于两个子区光谱剖面曲线的对比特征基本一致且受篇幅限制，故以下仅给出子区1的曲线结果（如图6）。从图6中可见，各种融合方法融合后的图像与原始高光谱图像在形态上基本一致，且因图像空间分辨率的提高，光谱波动的细节均得到明显的刻画。其中：GSSS融合方法的光谱保真性最好，其水平光谱剖面曲线与源光谱图像的水平光谱剖面曲线吻合度较高；SFIM融合方法次之；WAM和WT融合方法的水平光谱剖面线中存在某些局部反射率值的放大或缩小。

由表2可见，无论采用何种分类方法，高光谱融合图像的总体分类精度及Kappa系数均比高光谱源图像高，由此表明融合图像的分类效果要优于源图像；无论对高光谱源图像或融合图像进行分类，支持向量机分类方法的总体分类精度及Kappa系数均高于其他几种分类方法，由此表明Hyperion高光谱图像采用支持向量分类方法要优于其他几种分类方法。

4结语

受制于成像原理及制造技术等因素，航天高光谱遥感图像的空间分辨率相对较低。解决这一问题的思路在于：将高光谱图像与高空间分辨率图像进行融合处理，由此可提高高光谱遥感数据的空间分辨率，并较好地保持其光谱物理特性和波形形态。本研究着眼于高光谱图像和高空间分辨率图像各自的特点，开展了对Hyperion高光谱图像和ALI全色波段图像的一系列融合与分类实验。选用4种融合方法对实验区数据进行融合：即GramSchmidt光谱锐化融合法、SFIM变换融合法、WAM融合法和WT融合法，并分别从定性、定量和分类精度这3方面对这些方法的融合效果进行综合评价与分析。

实验结果显示，从图像融合效果看，在所采用的4种融合方法中，GramSchmidt光谱锐化融合法的效果最好；从图像分类效果看，基于融合图像的分类效果要优于基于源图像的分类效果。由此表明，对于EO1高光谱与全色图像的融合，GramSchmidt光谱锐化融合法是最佳融合方法，该方法不仅能较大程度地保留高光谱图像中原有的光谱信息，同时也增强了其空间结构信息，由此可为提高高光谱遥感图像的清晰度、可靠性及图像的地物识别和分类的准确性提供有力的支持。

参考文献：

[1]ZHANG B. Hyperspectral data mining supported by temporal and spatial information [J]. Beijing： Chinese Academy of Sciences， Institute of Remote Sensing Applications， 2002.（张兵.时空信息辅助下的高光谱数据挖掘 [D].北京：中国科学院遥感应用研究所，2002.）

[2]ZHAO Y. Analysis principles and methods of remote sensing applications [M]. Beijing： Science Press， 2003.（赵英时.遥感应用分析原理与方法 [M].北京：科学出版社，2003.）

[3]EHLERS M. Multisensor image fusion techniques in remote sensing [J]. ISPRS Journal of Photogrammetry and Remote Sensing， 1991， 46（1）： 19-30.

[4]SIMONE G， FARINA A， MORABITO F C， et al. Image fusion techniques for remote sensing applications [J]. Information Fusion， 2002， 3（1）： 3-15.

[5]CLAYTON D G. GramSchmidt orthogonalization [J]. Applied Statistics， 1971， 20（3）： 335-338.

[6]LABEN C A， BROWER B V. Process for enhancing the spatial resolution of multispectral imagery using Pansharpening： USA， 6011875 [P]. 20000104.

[7]LI C， LIU L， WANG J， et al. Comparison of two methods of fusing remote sensing images with fidelity of spectral information [J]. Journal of Image and Graphics， 2004， 9（11）： 1376-1385.（李存军，刘良云，王纪华，等.两种高保真遥感影像融合方法比较[J].中国图象图形学报，2004，9（11）：1376-1385.）

[8]LIU J G. Smoothing filterbased intensity modulation： a spectral preserve image fusion technique for improving spatial details [J]. International Journal of Remote Sensing， 2000， 21（18）： 3461-3472.

[9]XU H. Classification of fused imagery base on the SFIM algorithm [J]. Geomatics and Information Science of Wuhan University， 2004， 29（10）： 920-923.（徐涵秋.基于SFIM算法的融合影像分类研究 [J].武汉大学学报：信息科学版，2004，29（10）：920-923.）

[10]TONG Q， ZHANG B， ZHENG L. Hyperspectral remote sensing―principles， techniques and applications [M]. Beijing： Higher Education Press， 2006.（童庆禧，张兵，郑兰芬.高光谱遥感――原理、技术与应用 [M].北京：高等教育出版社，2006.）

[11]QIN Q， YANG Z. Practical wavelet analysis [M]. Xian： Xidian University Press， 1994.（秦前清，杨宗凯.实用小波分析 [M].西安：西安电子科技大学出版社，1994.）

[12]MAN W， YUAN Y， HUANG Y. A new remote sensing fusion algorithm based on curvelet transform [J]. Journal of Yangtze University： Natural Science Edition， 2010， 7（2）： 70-73.（满旺，袁莹，黄于同.一种基于曲波变换的遥感图像融合新算法[J].长江大学学报：自然科学版，2010，7（2）：70-73.）

[13]U.S. Geological Survey. Earth Observing 1 （EO1） [EB/OL]. [20111113]. http：//eo1.usgs.gov.

[14]WU P. From Earth Observing1 satellite to see the new satellite technology in the 21st century [J]. International Space， 2001（8）： 10-16.（吴培中.从地球观测1卫星看21世纪卫星新技术[J].国际太空，2001（8）：10-16.）

[15]UNGAR S G， PEARLMAN J S， MENDENHALL J A， et al. Overview of the Earth Observing One （EO1） mission [J]. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（6）： 1149-1159.

[16]TOET A. Multiscale contrast enhancement with applications to image fusion [J]. Optical Engineering， 1992， 31（5）： 1026-1031.

[17]LIU T， CHENG J. Remote sensing image fusion with wavelet transform and sparse representation [J]. Journal of Image and Graphics， 2013， 18（8）： 1045-1053.（刘婷，程建.小波变换和稀疏表示相结合的遥感图像融合[J].中国图象图形学报，2013，18（8）：1045-1053.）

第2篇：高光谱遥感原理技术与应用范文

关键词：遥感水质监测遥感数据

1水体遥感监测的基本理论

1.1水体遥感监测原理、特点。影响水质的参数有：水中悬浮物、藻类、化学物质、溶解性有机物、热释放物、病原体和油类物质等。随着遥感技术的革新和对物质光谱特征研究的深入，可以监测的水质参数种类也在逐渐增加，除了热污染和溢油污染等突发性水污染事故的监测外，用遥感监测的水质数据大致可以分为以下四大类：浑浊度、浮游植物、溶解性有机物、化学性水质指标。

利用遥感技术进行水环境质量监测的主要机理是被污染水体具有独特的有别于清洁水体的光谱特征，这些光谱特征体现在其对特定波长的光的吸收或反射，而且这些光谱特征能够为遥感器所捕获并在遥感图象中体现出来。如当水体出现富营养化时，浮游植物中的叶绿素对近红外波段具有明显的“陡坡效应”，故而这类水体兼有水体和植物的光谱特征，即在可见光波段反射率低，在近红外波段反射率却明显升高。

1.2水质参数的遥感监测过程。首先，根据水质参数选择遥感数据，并获得同期内的地面监测的水质分析数据。现今广泛使用的遥感图象波段较宽，所反映的往往是综合信息，加之太阳光、大气等因素的影响，遥感信息表现的不甚明显，要对遥感数据进行一系列校正和转换将原始数字图像格式转换为辐射值或反射率值。然后根据经验选择不同波段或波段组合的数据与同步观测的地面数据进行统计分析，再经检验得到最后满意的模型方程（如图）。

图1：遥感监测水质步骤简图

2水质遥感监测常用的遥感数据

2.1多光谱遥感数据。在水质遥感监测中常用的多光谱遥感数据，包括美国Landsat卫星的MSS、TM、ETM 数据，法国SPOT卫星的HRV数据，气象卫星NOAA的AVHRR数据，印度遥感IRS系统的LISS数据，日本JERS卫星的OPS(光学传感器)接收的多光谱图像数据，中巴地球资源1号卫星（CBERS--1）CCD相机数据等。

Landsat数据是目前应用较广的数据。1972年Landsat1发射后，MSS数据便开始被用于水质研究中。如解亚龙等用MSS数据对滇池悬浮物污染丰度进行了研究，明确了遥感数据与悬浮物浓度的关系；张海林等用MSS和TM数据建立了内陆水体的水质模型；Anne等人用TM和ETM 数据对芬兰的海岸水体进行了研究。

SPOT地球观测卫星系统，较陆地卫星最大的优势是最高空间分辨率达10m。SPOT数据应用于水质研究中，学者们也做了一些研究。如可以利用SPOT数据来估算悬浮物质浓度和估计藻类生物参数。

AVHRR(高级甚高分辨率辐射计)是装载在NOAA列卫星上的传感器，每天都可以提供可见光图像和两幅热红外图像，在水质监测等许多领域广泛应用，如1986年，国家海洋局第二海洋研究所用NOAA数据对杭州湾悬浮固体浓度进行了研究。

2.2高光谱遥感数据

2.2.1成像光谱仪数据。成像光谱仪也称高光谱成像仪，实质上是将二维图像和地物光谱测量结合起来的图谱合一的遥感技术，其光谱分辨率高达纳米数量级。国内外的学者主要利用的有：美国的AVIRIS数据、加拿大的CASI数据、芬兰的AISA数据、中国的PHI数据以及OMIS数据、SEAWIFS数据等进行了水体水质遥感研究，对一些水质参数，如叶绿素浓度、悬浮物浓度、溶解性有机物作了估测。

2.2.2非成像光谱仪数据。非成像光谱仪主要指各种野外工作时用的地面光谱测量仪，地物的光谱反射率不以影像的形式记录，而以图形等非影像形式记录。常见的有ASD野外光谱仪、便携式超光谱仪等。如对我国太湖进行水质监测时，水面光谱测量就用了GRE-1500便携式超光谱仪，光谱的响应范围0.30~1.1um，共512个测量通道，主要将其中0.35~0.90um的316个通道的数据用于水质光谱分析。并且非成像光谱仪与星载高光谱数据的结合，可望研究出具有一定适用性的水质参数反演模型。

2.3新型卫星遥感数据。新的卫星陆续升空为水质遥感监测提供了更高空间、时间和光谱分辨率的遥感数据。如美国的LandsatETM 、EO--1ALI、MODIS，欧空局的EnvlsatMERIS等多光谱数据和美国的EO-1Hyperion高光谱数据。Koponen用AISA数据模拟MERIS数据对芬兰南部的湖泊水质进行分类，结果表明分类精度和利用AISA数据几乎相同；Hanna等利用AISA数据模拟MODIS和MERIS数据来研究这两种数据在水质监测中的可用性时发现；MERIS以705nm为中心的波段9很适合用来估算叶绿素a的浓度，但是利用模拟的MODIS数据得到的算法精度并不高。Sabine等把CASI数据和HyMap数据结合，对德国梅克莱堡州湖区水质进行了监测，为营养参数和叶绿素浓度的定量化建立了算法。

3水质遥感存在的问题与发展趋势

3.1存在的问题：①多数限定于定性研究，或进行已有的航空和卫星遥感数据分析，却很少进行定量分析。②监测精度不高，各种算法以经验、半经验方法为主。③算法具有局部性、地方性和季节性，适用性、可移植性差。④监测的水质参数少，主要集中在悬浮沉积物、叶绿素和透明度、浑浊度等参数。⑤遥感水质监测的波段范围小，多集中于可见光和近红外波段范围，而且光谱分辨率大小不等，尤其是缺乏微波波段表面水质的研究。

3.2发展趋势

3.2.1建立遥感监测技术体系。研究利用新型遥感数据进行水质定量监测的关键技术与方法，形成一个标准化的水安全定量遥感监测技术体系，针对不同类型的内陆水体，建立多种水质参数反演算法，实现实验遥感和定量遥感的跨跃，从中获得原始创新性的成果。

3.2.2加强水质遥感基础研究。加深对遥感机理的认识，特别是水质对表层水体的光学和热量特征的影响机理上，以进一步发展基于物理的模型，把水质参数更好的和遥感器获得的光学测量值联系起来；加深目视解译和数字图象处理的研究，提高遥感影象的解译精度；增强高光谱遥感的研究，完善航空成像光谱仪数据处理技术。

3.2.3开展微波波段对水质的遥感监测。常规水质遥感监测波段范围多数选择在可见光或近红外，尤其是缺乏微波波段表面水质的研究情况。将微波波段与可见光或近红外复合可提高对表面水质参数的反演能力。

3.2.4拓宽遥感水质监测项。现阶段水质遥感局限于某些特定的水质参数，叶绿素、悬浮物及与之相关的水体透明度、浑浊度等参数，对可溶性有机物、COD等参数光谱特征和定量遥感监测研究较少，拓宽遥感监测项是今后的发展趋势之一。应加强其他水质参数的光谱特征研究，以扩大水质参数的定量监测种类，进一步建立不同水质参数的光谱特征数据库。

3.2.5提高水质遥感监测精度。研究表明利用遥感进行水质参数反演，其反演精度、稳定度、空间可扩展性受遥感波段设置影响较大，利用星载高光谱数据进行水质参数反演，对其上百的波段宽度为10nm左右的连续波段与主要水质参数的波谱响应特性进行研究，确定水质参数诊断性波谱及波段组合，形成构造水质参数遥感模型和反演的核心技术，提高水质监测精度。

3.2.6扩展水质遥感监测模型空间。系统深入的研究水质组分的内在光学特性，利用高光谱数据和中、低分辨率多光谱数据进行水质遥感定量监测机理研究，进行水质组分的

定量提取和组分间混合信息的剥离，消除水质组分间的相互干扰，建立不受时间和地域限制的水质参数反演算法，形成利用中内陆水体水质多光谱遥感监测方法和技术研究低分辨率遥感数据进行大范围、动态监测的遥感定量模型。

3.2.7改进统计分析技术。利用光谱分辨率较低的宽波段遥感数据得到的水质参数算法精度都不是很高，可以借鉴已在地质、生态等领域应用的混合光谱分解技术，人工神经网络分类技术等，充分挖掘水质信息，建立不受时间和地域限制的水质参数反演算法，提高遥感定量监测精度。

3.2.8综合利用“3S”技术。利用遥感技术视域广，信息更新快的特点，实时、快速地提取大面积流域及其周边地区的水环境信息及各种变化参数；GPS为所获取的空间目标及属性信息提供实时、快速的空间定位，实现空间与地面实测数据的对应关系；GIS完成庞大的水资源环境信息存储、管理和分析。将“3S”技术在水质遥感监测中综合应用，建立水质遥感监测和评价系统，实现水环境质量信息的准确、动态快速，推动国家水安全预警系统建设。参考文献：

[1]张继贤，乔平林.水资源环境遥感监测与评价[M].北京:测绘出版社，20__.

[2]谢欢，童小华.水质监测与评价中的遥感应用[J].遥感信息，20__.

[3]齐峰，王学军.内陆水体水质监测与评价中的饿遥感应用[J].环境科学进展，1999.

[4]解亚龙，李勃，王星捷等.滇池悬浮物污染丰度的遥感检测分析[J].昆明理工大学学报，20__.

[5]张海林，何报寅.遥感应用于湖泊富营养化评价的研究[J].上海环境科学，20__.

[6]刘灿德，何报寅.水质遥感监测研究进展[J].世界科技研究与发展，20__.

[7]万余庆，张凤丽，闫永忠.高光谱遥感技术在水环境监测中的应用研究[J].国土资源遥感，20__.

[8]周艺，周伟奇，王世新等.遥感技术在内陆水体水质监测中的应用[J].水科学进展，20__.

[9]李嵘.遥感技术在水环境监测中的应用研究[J].江西化工，20__.

[10]顾先冰，司群英.国内外遥感卫星发展现状[J].航天返回与遥感，20__.

作者简介：

第3篇：高光谱遥感原理技术与应用范文

【关键词】海上溢油；遥感；监测

中图分类号：C35文献标识码： A

0.引言

在各类海洋污染中，造成主要污染的因素就是海上溢油。由于轮船的碰撞、海上油井的破裂、翻船、海底油田泄露等各种不同的意外事故，造成大海大面积的石油污染，不仅损害海洋、自然环境，对生态环境、人体健康也是一种危害。溢油对海洋的污染已经引起了各国政府的重视，很多国家都建立了海上溢油的探测系统，对近海领域进行巡视、监测和管理。一旦发生溢油事故，能够在最短的时间内了解到溢油发生的位置以及扩散趋势。通过建立完整的监测系统，大范围有效了解海洋面积的动态信息，对于海洋溢油污染进行定量分析，准确反映溢油污染的情况与程度。

1.遥感技术监测海上溢油范围

海面发生溢油灾害后，溢油区域水面的电磁波谱特性发生变化，相对于没有石油区域的水面有明显差别，利用这种光谱特性的差异可以划分油水分界线，从而确定溢油范围。

1.1可见光、近红外红外遥感技术

利用可见光、近红外红外波段的遥感监测技术是我国针对溢油污染发展最为成熟的监测技术。在其波段的范围内，入射物表面的电磁波与物体发生光学作用，监测系统的传感器通过记录来源物与入射电磁波发生的反射作用，由于物体不同，对电磁波的反射率也不同。实验表明，油种的类型以及厚度都会对海面油膜的光谱曲线造成影响，卫星遥感的最佳敏感波段也存在差异[1]。

1.2微波雷达遥感技术

合成孔径雷达（synthetic aperture radar，SAR）和侧视机载雷达（side-looking radar，SLAR）是微波雷达的遥感技术用于溢油范围监测的两种雷达。前者是利用多普勒效应，依靠短天线达到高空间分辨率。后者是一种传统雷达，造价低，空间分辨率与天线长度成正比。现阶段，合成孔径雷达已经被广泛运用到溢油范围监测。SAR传感器通过接收仪器发出的电磁波信号，对物体进行识别。海面的毛细波是可以反射雷达的波束，从而造成海面杂波，在SAR传感器的图像上呈现亮图像，油膜覆盖海水表面，致使雷达传感器接收到的波束减少，无法在SAR传感器上体现亮的颜色。

2.遥感技术监测海上溢油类型

如何判断海面上的溢油类型，是遥感技术中的模式识别问题，也是遥感监测中较难实现的问题。

2.1激光荧光遥感技术

激光荧光法是利用激光作为激励光源，激发物质的荧光效应，利用物质的荧光光谱作为信息的参照，通过SAR传感器的监测，进行输入远的荧光光谱分析方法。当物质被光波照射时，基态的物质分子吸收光能量，由原来的能级跃转移到较高的第一电子单线激发态或者第二电子激发态。所谓的荧光效应，就是指通常情况下，转移的电子会急剧地降落，降至最低振动能级，并且以光的形式释放能量。每种物质的荧光谱不同，由于石油油膜中所含有的荧光基质种类的不同以及各种基质比例不同，在相同激光照射条件下所反馈的荧光也不同，荧光谱通常具有不同的强度和形状，这就是激光荧光遥感技术鉴别溢油种类的原理[2]。

2.2红外偏振遥感技术

作为一种新颖的遥感监测手段，被动傅里叶变换红外遥感（Fourier transform infrared spectroscopy，FTIR）是一种检测多原子分子的方法，可以实现多组目标的同时进行检测与鉴别。这和传统的红外遥感技术不同，红外偏振遥感技术是能够获取物质表面的状态以及物质的信息等相关偏振信息，这样有助于识别石油的种类。

2.3高光谱遥感技术

在针对溢油种类进行检测时，需要得到足够多的光谱信息，高光谱遥感技术是以其宽度与庞大的波段数量为主要特点，使其成为溢油种类的一种可行手段。通过光谱混合分析的方法对溢油高光谱数据进行研究分析。利用Hyerion高光谱卫星数据进行溢油监测研究，对多种原油的高光谱波谱进行分析，同时利用GA-PCA特征进行提取法与SAM-SFF方法对不同的油种的高光谱波进行提取，以达到鉴别油种的差异。

3.遥感技术监测海上溢油量

溢油量取决于溢油油膜的厚度，根据油膜的厚度对其进行分布以及估算，可以大致得出溢油总量。

3.1紫外遥感技术

紫外遥感技术是通过紫外传感器油膜油层进行探测，对于小于0.05um的薄油层即使在紫外波段也具有很高的反射，通过紫外光与红外光的叠加，大致可以得到油膜的厚度。但是，紫外遥感技术有一个很大的缺点，就是紫外遥感很容易受到外界环境因素的干扰，一旦受到外界因素的干扰紫外遥感就很容易出现虚假信息。

3.2热红外遥感技术

由于油膜在吸收太阳辐射之后会将一部分能量以热能的形式进行释放，所以采用热红外遥感技术，这种技术中红外波段包含地物的温度信息，所以能够辨别油层的厚度，较厚油层表现为“热”的特性，中等厚度油层表现为“冷”的特性。经相关研究表明，发生“冷”、“热”的油膜厚度范围大致为50-150um之间，而这种技术的最小探测油层厚度大约为20-70um之间，由于厚度的区间很小，所以SAR传感器的敏感性因此受到限制[3]。

3.3微波雷达遥感技术

由于海洋的海水本身会发射微波辐射，而海上溢油发生以后油膜区域会发射比海水更强的微波信号，水的微波辐射发射率约为0.4，而油的发射率约为0.8，因此在海水背景中，溢油区域呈现亮信号，并且信号强弱与油膜厚度具有一定的比率。通过微波雷达遥感技术监测溢油量，一方面能够监测海上溢油的范围，一方面可以通过被动式的微波辐射大致计算油膜厚度。但是，我国这方面的技术还不是很发达，油膜厚度的微波遥感定量技术受到环境、传感器等多方面因素的影响，其精度仍然有待提高[4]。

4.结语

本文介绍了海上溢油的三大监测指标，海上溢油监测指标分为溢油范围、溢油类型和溢油量。但是，针对溢油类型和溢油量的监测技术仍不成熟，随着我国海上溢油监测系统的不断完善，溢油遥感技术不断发展，为实现全面监测海上溢油指标而不懈努力。

【参考文献】

[1]李栖筠，陈维英，肖乾广,等．老铁山水道溢油事故卫星监测[J].环境遥感，2010，9（4）：256-262.

[2]李四海．海上溢油遥感探测技术及其应用进展[J].遥感信息，2012,03（2）：:53-56.

第4篇：高光谱遥感原理技术与应用范文

Vol.43No.3

红外与激光工程

Infrared and Laser Engineering

2014年3月

Mar .2014

基于高光谱数据的叶面积指数遥感反演

李子扬1,2，钱永刚1，申庆丰3，马灵玲1，孔祥生4王宁1，刘耀开1，(1.中国科学院光电研究院定量遥感信息技术重点实验室，北京100094；2. 中国科学院大学，北京100049；3. 中国运载火箭技术研究院，北京100076；

4. 鲁东大学地理与规划学院，山东烟台264025)

摘

要：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。

关键词：叶面积指数；植被指数；高光谱数据中图分类号：TP701

文献标志码：A

文章编号：1007-2276(2014)03-0944-06

Leaf area index retrieval from remotely sensed hyperspectral data

Li Ziyang 1,2, Qian Yonggang 1, Shen Qingfeng 3, Wang Ning 1, Liu Yaokai 1,

Ma Lingling 1, Kong Xiangsheng 4

(1.Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto -Electronics, Chinese Academy

of Sciences, Beijing 100094, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China;

3. China Academy of Launch Vehicle Technology(CALT),Beijing 100076, China; 4. College of Geography and Planning, Ludong University, Yantai 264025, China)

Abstract:An experimental leaf area index (LAI)retrieval model was proposed with the aid of a leaf -radiative transfer model (PROSPECT)and a canopy bidirectional reflectance model (SAILH)to simulate the canopy reflectance in this paper. Then, the vegetation indices (VIs)were introduced, and the sensitivities were analyzed between LAI and VIs, soil background. Based on the sensitivity analysis, a modified chlorophyll ratio index II (MCARI2)was proposed by Haboudane et al.

(2004)was used to

build the LAI retrieval model, because it is rather sensitive to the LAI and insensitive to soil background. Finally, the retrieval model proposed was performed to estimate LAI from the hyperspectral data. Compared with the ground -measured LAI, the LAI retrieved from hyperspectral data underestimate approximately 0.42. Key words:leaf area index;

收稿日期：2013-07-21；

vegetation index; hyperspectral data

修订日期：2013-08-25

基金项目：国家863计划(2012AA12A302)；国家自然科学基金(41101330，41371353，40901176，41271342)

作者简介：李子扬(1977-)，男，研究员，硕士生导师，博士，主要从事遥感地面系统及遥感应用方面的研究。Email:zyli@aoe.ac.cn通讯作者：钱永刚(1980-)，硕士生导师，博士，主要从事定量遥感地表参数反演及应用方面的研究。Email:qianyg@aoe.ac.cn

第3期

李子

扬等：基于高光谱数据的叶面积指数遥感反演

945

反演过程的流程图。

0引言

叶面积指数(LeafArea Index ，LAI) 是表征植被冠层结构最基本的参数之一，影响着植被的生物、物理过程[1]。LAI 通常被定义为单位地面面积上总叶面积的一半[2]。目前大区域范围内LAI 获取通常采用遥感反演的方式。LAI 遥感反演方法主要有经验统计法和物理模型反演法。

经验统计方法从植被独有的光谱特征出发，利用健康绿色植物在红光和近红外波段的反射特性差异建立植被指数，进而利用植被指数与LAI 的统计关系进行反演。该类方法形式简单，需要的参数少，被广泛应用于局部LAI 参数反演，并发展了基于多种植被指数(如归一化植被指数[3]或者改进叶绿素吸收指数) 的反演模型。然而该方法缺乏物理基础，建

[4]

图1植被指数方法反演叶面积指数流程图

Fig.1Flowchart of leaf area index retrieval from vegetation index

文中通过PROSPECT 和SAILH 模型联合模拟植被冠层反射率，在此基础上分析了不同条件下8种植被指数与LAI 的敏感性，选取其中最敏感的叶绿素吸收植被指数(MCARI2)并建立其与LAI 之间的经验统计模型。基于该模型和无人机获取的高光谱遥感数据，反演得到研究区的LAI ，最后利用实测不同地物类型的LAI 数据对反演结果进行了验证，并给出了精度分析。

立的经验关系仅适用于特定的时间和区域。相对而言，物理模型反演法从植被的辐射传输原理出发，具备较强的普适性和较高的反演精度。物理模型反演法可分为几何光学模型法、辐射传输模型法以及混合模型法。几何光学模型法考虑了植被冠层的二向性反射，但没有考虑冠层内多次散射；辐射传输模型法考虑了植被多次散射，但无法模拟植被冠层的二向性反射，尽管可加入热点效应模型[6]，仍难以直接得到LAI 的解析解。由于不同方法具备独特的优势，近年来出现了各种混合模型，如基于物理模型与统计模型相结合的核驱动模型，取得了较好的反演精度。还出现了查找表法和非参数方法(如神经网

[7]

[5]

[5]

1.1辐射传输模型介绍

该研究耦合叶片辐射传输模型(PROSPECT)和冠层辐射传输模型(SAILH)得到大量模拟数据，为

LAI 反演模型建立提供数据源。

(1)PROSPECT 模型

PROSPECT 是一个基于“平板模型”的辐射传输模型。该模型以植被结构参数、叶片色素含量、等效水厚度和干物质含量为输入参数，能够模拟叶片从

络方法等) 。

中国科学院光电研究院牵头在内蒙古包头与贵州安顺建立了遥感载荷综合验证场，验证场配备有光谱、辐射和几何特性靶标，能够利用验证场开展光学、

400~2500nm 的上、下行辐射通量，进而得到叶片的光学特性，即叶片的反射率和透射率[8]。该模型输入参数较多，并且部分参数没有实测方法，参数设置带有主观经验性。Jacquemoud 等人根据实验室测量的玉米反射率和透过率，通过PROSPECT 模型估算得到叶肉结构参数的均值约为1.4[9]。Haboudane 等人将等效水厚度、干物质含量和叶肉结构参数分别设置为0.0015、0.0035和1.55作为各种庄稼(如玉米、大豆和小麦等) 的均值输入PROSPECT 模型[4]。

文中研究利用LOPEX ′93(LeafOptical Properties

SAR 载荷飞行测试实验。文中研究基于863项目“无人机遥感载荷综合验证系统”对内蒙古包头验证场无人机高光谱遥感载荷数据开展叶面积指数反演研究。

1方法

植被指数法是建立不同植被类型的植被指数与

LAI 之间的经验统计关系实现遥感反演。植被指数法是一种经验性方法，因而要求研究区内有足够的资料。文中研究基于植被指数方法反演LAI ，图1是

Experiment) 植物生化参数数据库作为PROSPECT 模型输入参数的选择基础。该数据库是由欧盟委员会联合中心的空间应用研究所实测获取的[10]，包含70个

946红外与激光工程第43卷

叶片样本，代表了50种木本和草本植物。数据体现了叶片内部结构、色素含量、水分含量和其他组分含量的多样性。能够保证参数设置的合理性。

致植被指数与LAI 经验的关系不一致且系数各异。考虑到无人机获取的遥感影像高空间分辨率较高，土壤背景信息和植被信息都能很好的从影像中反映出来，因此，选择能够具有抵抗背景因素影响的植被指数对于LAI 反演尤为重要。

文中研究采用了归一化敏感性分析函数分析

(2)SAILH 模型

SAILH 模型是在SAIL(Scatteringby Arbitrarily Inclined Leaves) 模型的基础上加入了热点效应发展而来的。通过求解四流线性微分方程组以及引入考虑冠层热点效应的双向相关概率模型，进而计算连续植被冠层的方向反射率。SAILH 模型的输入参数包括角度参数、结构参数和光谱参数三部分，其中

LAI 与植被指数的敏感性[11]，其公式如下：

Y

N X =X lim Y =X d Y =d Y /Y =dln Y

Y

(1)

式中：N X 为归一化敏感性分析函数；X 为自变量

PROSPECT 模型的输出为SAILH 模型提供叶片的反射率和透射率。SAILH 模型涉及到多个输入参数，针对角度参数，文中研究采用无人机飞行中的观测角度、太阳角度等信息；结构参数主要有LAI 、叶倾角分布函数、热点因子，其中LAI 取值范围为0.2~

(LAI)；Y 为因变量(光谱反射率/植被指数等) 。归一化敏感性分析函数的含义是参数X 变化某一固定比率时，因变量Y 变化的百分比。

图2给出了3种亮度不同的土壤背景下LAI 与植被指数之间的敏感性。从图2可以看出：8种植被

7；叶倾角分布函数采用椭球体叶倾角分布参数。1.2植被指数

现有用于反演LAI 的植被指数种类繁多，文中分析了较为常用的8种植被指数(见表1) 。

表1植被指数计算公式

Tab.1Equations of vegetation indices

Vegetation index Normalized difference

vegetation index (NDVI)Renormalized difference vegetation index (RDVI)Simple ratio index (SR)Modified simple ratio

index (MSR)Soil -adjusted vegetation

index (SAVI)Modified soil-adjusted vegetation index (MSAVI)Modified chlorophyll absorption ratio index

(MCARI)Modified chlorophyll absorption ratio index 2

（MCARI2）

Formulas

ρ800-ρ670800670

姨[1**********]0ρ800/ρ670

ρ800670

-1/

姨姨800670

+1

(1+L ) ρ800-ρ6708006701[2ρ+1-800

姨800800670][(ρ700-ρ670)-0.2(ρ700-ρ550)]

(ρ700/ρ550) 1.5[2.5(ρ800-ρ

670)-1.3(ρ800-ρ550)]

姨(2ρ800+1)2-(6ρ800-5姨670

) -0.5

注：ρ表示反射率，下标表示特定的波长。

1.3植被指数与LAI 敏感性分析

不同植被指数所考虑到的因素各不相同，因此土壤背景反射率、植被结构和叶绿素含量等因素导

图2基于归一化敏感性函数的植被指数与叶面积指数的敏感性

Fig.2Sensitivity of leaf area index to vegetation indexes with

normalized sensitivity analysis

第3期

李子

扬等：基于高光谱数据的叶面积指数遥感反演

947

指数的敏感性随着LAI 增大先增大后减小；RDVI 和表反射率需要经过大气校正。利用大气辐射传输模型逐像元进行大气校正是非常复杂的计算，需要占用大量的计算机时间和资源。因此，文中研究根据无人机高光谱成像仪的性能特点，通过大气辐射传输模型MODTRAN 建立了以气溶胶光学厚度、大气水汽含量、飞行高度、地表高程、太阳天顶角、观测天顶角和相对方位角为索引的多维大气参数查找表。利用与飞行试验同步探空气球测量的气溶胶光学厚度和大气水汽含量，结合太阳以及无人机载荷观测的几何参数(天顶角、方位角等) ，基于大气参数查找表反演无人机高光谱数据地表反射率。

NDVI 的敏感性最弱；MCARI 和SR 的敏感性最强，MCARI2和MSR 次之；随着土壤亮度的增强，MCARI 、SR 和MSR 的敏感性增强，MCARI2和MSAVI 对土壤背景表现出很小的敏感性。显然，各种植被指数对小于3的LAI 表现出最大的敏感性。同时可以看出，当LAI 范围在2.5~3.0时，NDVI 、

RDVI 、MCARI 、SAVI 和MSAVI 基本达到饱和状态；MSAVI 和MCARI2对土壤背景的敏感性最弱，尽管SR 和MSR 表现出更高的饱和性，但是当LAI 在小于3.5时对土壤背景影响敏感。

相比其他植被指数，MCARI2对LAI 具有更高的敏感性及高的抗土壤背景干扰能力。因此，文中研究选择MCARI2反演无人机高光谱数据的LAI 。两者之间的统计模型采用如下形式：

LAI 反演时需要依据不同植被类型进行模型建模，因此，首先采用监督分类方式对无人机高光谱数据进行了分类(见图3) 。

LAI=a ×exp(b ×MCARI2)+c ×exp(d ×MCARI2) (2)

式中：a ，b ，c ，d 为拟合系数。拟合系数的获取方法如下：利用不同LAI 值，结合叶片和冠层辐射传输模型

(PROSPECT+SAILH)模拟冠层反射率数据，进而构建植被指数MCARI2，最后基于不同植被类型分别拟合MCARI2和LAI ，得到上述4个拟合系数。

图3无人机高光谱载荷地表分类图

Fig.3Classification of the UAV hyperspectral data

2数据

2.1无人机高光谱数据和地面测量数据

2011年9月3日，基于863项目“无人机遥感载荷综合验证系统”，由中国科学院光电研究院组织在内蒙古(包头乌拉特前旗，经度：109.53°，纬度：40.88°) 开展了光学载荷科学试验飞行。此次试验沿飞行航线布设了经过严格测试的多种用途靶标，并同步获取了靶标地面光谱测量数据及场地气象参数数据，用于开展光学载荷辐射、几何、光谱性能定标与评价的工作。无人机平台所搭载的高光谱成像仪光谱范围为400~1030nm ，光谱分辨率为5nm ，瞬时视场角

3结果与分析

3.1叶面积指数反演结果

根据无人机高光谱数据的特点，针对不同的植被类型，利用PROSPECT+SAILH模型获取反演模型

(公式(2))的系数(详见表2) 。

表2不同植被类型下MCARI2与LAI 的拟合系数

Tab.2Fitting coefficients between MCARI2

and LAI

Vegeta -tion type Grass Rice

Fitting coefficient

R 2

a 8.148e-7

b 15.6

c 0.28520.23310.36040.31340.28240.3148

d 2.4582.8362.7923.2982.5822.368

0.94380.47870.92320.55970.96940.35310.92590.54990.9549

0.429RMSE

0.2mrad ，128个波段，地面分辨率1.6m@8km 。

LAI 反演及验证的工作主要在农业示范区开展。同时，飞行过程中在农业示范区内利用叶面积指数仪(LAI2200) 采集了3种作物(马铃薯、向日葵、玉米) 共13组的LAI 测量数据。考虑到作物的非均一性，每组试验测量3次，取其平均值作为验证数据。

2.845e-717.19

21.3611.215.9

Sunflower 4.353e-9Corn Potato

7.821e-55.919e-7

2.2载荷数据处理

机载平台载荷传感器获得的辐射亮度转换为地

Broadleaf

5.116e-410.45

forests

0.90140.6341

948红外与激光工程第43卷

研究通过利用PROSPECT+SAILH模型模拟出冠层反射率，再耦合无人机高光谱成像仪通道响应函数模拟出无人机高光谱地表反射率数据，并建立不同植被类型的LAI 反演模型，最终将模型应用于真实无人机高光谱数据中反演出地物的LAI ，图4是利用2011年9月3日的无人机高光谱数据反演的LAI 结果。

果能够较好反映出地物的LAI ，证明采用的

MCARI2能够反演得到精度较高的LAI 。

图6无人机叶面积指数地面实测反演结果图

Fig.6Measured and retrieved LAI from UAV hyperspectral data

图4北方场无人机叶面积指数反演结果

Fig.4Results of the retrieved LAI from UAV in the North Site

影响到反演精度的因素可能有以下几点：从地面测试实验中可以发现，传感器测量的是地物的“面”信息，而地面测量仪器测量的是地物“点”信息，尺度效应问题影响了LAI 的对比精度；其次，地面测试过程中发现向日葵地和马铃薯两种植被覆盖的均匀性较差，测量过程中不可避免地会引起一定的误差；再次，随着LAI 的增大，近红外通道趋于饱和，会对LAI 反演精度产生影响；同时，植物生化数据库(LOPEX′93) 测量的地物特性因地域差异、气候差异等因素也会有所不同，同样会对LAI 的反演精度产生一定的影响；最后，测量仪器本身也存在一定的测量误差，对验证结果的精度也会产生一定的影响。

3.2模型自身精度分析

模型自身精度分析主要利用模拟数据对反演模型进行评价。为了检验LAI 反演的模型精度，通过模拟数据对LAI 反演模型进行了模型精度评价。利用PROSPECT 和SAILH 模型模拟的地表反射率数据反演出不同地物的叶面积指数，再与输入到

PROSPECT 和SAILH 模型中的LAI 进行对比，得到LAI 反演的模型精度。模拟获取了六种植被类型(草地、水稻、向日葵、玉米、马铃薯、阔叶林) 的LAI 反演模型，图5是利用高光谱数据反演LAI 的误差结果图，可以看出，LAI 的反演误差均在7%以内。

4总结

文中利用叶片辐射传输模型(PROSPECT)和冠层辐射传输模型(SAILH)模拟植被冠层反射率，分析了不同条件下LAI 与植被指数的敏感性。发现常用于LAI 反演的归一化差值植被指数(NDVI)受土壤背景因素影响严重，而且当LAI>2时，基本处于饱和状态。此研究建立了具备抗土壤背景影响、对LAI

图5高光谱叶面积指数反演模型精度评估结果

敏感的改进型叶绿素吸收植被指数(MCARI2)与LAI 之间的经验统计模型，并成功用于无人机高光谱数据的LAI 反演。经实测数据验证表面，模型反演结果可以取得比较好的精度。尽管如此，考虑到经验统计方法的局限性，所建立的经验关系是针对特定的时

间和研究区

，

模型不具备普适性。今后对MCARI2的应用范围还需要进一步探讨。

Fig.5Accuracy assessment of the LAI retrieval model

3.3地面测量验证分析

地面同步获取的LAI 以玉米、向日葵和马铃薯这三类自然植被类型为主。利用地面准同步测量的

LAI 验证结果如图6所示。相比地面实测的数据，模型反演值偏低，均方根误差RMSE 为0.42。但反演结

第3期

李子扬等：基于高光谱数据的叶面积指数遥感反演

949

刘晓臣, 范闻捷, 田庆久, 等. 不同叶面积指数反演方法比

参考文献：

[1]

Chen J M, Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images[J].Remote Sensing of Environment , 1996, 55:153-162. [2]

Chen J M, Pavlic G, Brown L, et al. Derivation and validation of Canada -wide coarse -resolution leaf area index maps using high -resolution satellite imagery and ground measurements [J].Remote Sensing of Environment , 2001, 80:165-184. [3]

Price J C, Baush W C. Leaf area index estimation from visible and near -infrared reflectance data[J].Remote Sensing of Environment , 1995, 52:55-65. [4]

Haboudane D, John R M, Patteyc E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies:modeling and validation in the context of precision agriculture [J].Remote Sensing of Environment , 2004, 90:337-352. [5]

Liu Xiaochen, Fan Wenjie, Tian Qingjiu, et al. Comparative analysis among different methods of leaf area index inversion [J].Acta Scientiarum Naturalium Universitatis Pekinensis , 2008, 2:57-64. (inChinese)

[11][9][8][7][6]

较研究[J].北京大学学报(自然科学版), 2008, 2:57-64.

Jupp D L B, Strahler A H. A hot spot model for leaf canopies [J].Remote Sensing of Environment , 1991, 38:193-210.

Li Xiaowen, Strahler A H. A hypid geometric optical radiative

transfer

approach

for

modeling

albedo

and

directional reflectance of discontinuous canopies [J].IEEE Transactions Geoscience Remote Sensing , 1995, 33:466-48Jacquemoud S. Prospect:A model of leaf optical properties [J].Remote Sensing of Environment , 1990, 34:75-91. Jacquemoud S, Bacour C, Poilve H, et al. Comparison of four radiative transfer models to simulate plant canopies reflectance:direct and inverse mode [J].Remote Sensing of Environment , 2000, 74(3):471-481.

[10]Hosgood B, Jacquemoud S, Andreoli G, et al. Leaf optical

第5篇：高光谱遥感原理技术与应用范文

【关键词】航测；遥感；装备；技术；发展

引言

随着科学技术的不断推进与发展，航空摄影测量学也历经多重变革，其中航测制图的技术分为三个发展阶段分别是模拟、解析与数字化。在不断的变革中航空摄影测量仪器、相关设备、生产形式、构造理论、使用方法都在不断革新。

1 航测装备与技术

1.1 新型航测传感器

1.1.1 面阵传感器DMC

主要产品有Z/I公司的DMC和VEXCEL公司的UCD（U1traCAM-D）。以下是二者的特点优势：

（1）Z/I Imaging与Carl Zeiss二者合作，提供镜头部分零件，其自身独特的性能是畸变小、分辨率高以及匀质响应。

（2）DMC在部分零件尺寸限制上，采用了新的技术，将八台CCD连接安置于光学光架结构内，这样能够有效的减少干扰，从而提高了影响的成像质量。

（3）DMC具有FMC功能，能够在较少的光照环境中保持高分辨率，在飞机航拍的使用中不会因为速度的变化影响到成像的质量。

（4）分辨率高达12bit、彩色模型采用四频段，在此基础上DMC能够完成一次性排设，同时能够存储影像两千张。

1.1.2 不线阵和多线阵传感器

瑞士LH公司与德国宇航中心DLR共同合作制成的、最具代表性的一款传感器为ADS40，其中结构是航天传感器材，全色波段三条、彩色波段三条以及CCD阵列传感器，具有红外线波段，在操作过程中能够获取三点影响，分别是前视、底点以及后视，其成像的特点是百分之六十的三度重叠以及连续性的立体成像。自身的储存器是MM40，存储能力非常雄厚，而且能够在航测过程中记录四个小时的数据影响信息。

1.1.3 航空三维激光扫描与成像技术（LIDAR ）

LIDAR技术中综合了GPS、IMS以及激光测高计这三中技术，在操作过程中使用激光测距以及航空摄影测量的技术原理，在飞机上安置航空摄像机以及三维激光扫描仪器，这样能够保证在航测过程中尽可能多的获取地球表面的三位信息以及影像数据。

1.2 低空航测平台

1.2.1 超轻型飞机低空遥感平台

超轻型飞机中安置低空数码遥感系统时，是要满足遥感系统操作基本要求的，超轻型飞机自身必须轻便灵活、操作简单、运行稳定、可以不使用专用飞机机场，能够满足在公路、草地以及任何空旷场地降落的要求。这种遥感系统在操作过程中能够保持航测工作连续进行三个小时，而且运输性能非常好，遥感系统的投入成本与后期的检修维护费用非常低廉，在操作过程中支持无遮挡垂直摄影，同时可以忽略振动以及油烟的影响。

1.2.2 无人飞行器低空遥感系统

无人飞机设备的特点：投入成本低廉、运行安全、行动敏捷、维护简单。应用范围：以一种理想的平台模式被应用在军事与民事中。新型传感器的特点：设备体积较小、整体机具重量较轻、操作精准度较高。

1.2.3 GPS/IMU辅助航空摄影测量

GPS/IMU技术中有机融合了DGPS （ Differential GPS）以及Inertial Navigation System技术，在航测过程中能够对移动物体进行监测，并及时获取其空间位置以及三轴姿态的数据信息。于航空影像技术来说，这是一种更加快捷、方便的测量方式。

2 高分辨率遥感

表1列举了几种载有高分辨率光学传感器的遥感卫星系统

卫星类别 EROS-l ARS-1D IKONOS-2 QuickBird-2 SPOT-5 OrbVIew3 Cartosat-1 ALOS

发射时间 2000-12- OS 1997-09-30 1999-09-24 2001一10-18 2002-OS-04 2003-06 2005-OS-OS 2006-01-24

国家 以色列 印度 美国 美国 法国 美国 印度 日本

主遥感器 CCD PAN+LISS DI 全色/多光谱 CCD 全色l多 光谱

CCD HRG/ HRS 全色l多光谱 CCD 2台全色

CCD PRIS-MAVNIR-2 PAISAR

Pan波段

Ms波段Swir波段 /m 0.50-0.90 0.50-0.75

0.52-0.59

0.62-0.68 0.77-.0.86

1.55-1.75 0.44-0.90

0.450.52

0.520.60

0.60-0.69

0.760.90 0.44-.0.90

0.45-0.52

0.52-.0.60

0.600.69

0.76-0.90 0.51-0.73

0.50--0.59

0.61～ 0.68

0.79-0.89

1.581.75 0.45-0.90

0.45-0.52

0.52-0.60

0.6250.695

0.76 -0.90 0.50-0.85

0.520.77

0.42-0.5

0.52-0.69

0.61～ 0.69

0.76-0.89

量化等级/bit 11 7 11 11 8 11 10 8 8 5/3

地面 分辨率//m 1.8（ Pan）

5.8 （Pan ） 23（Ms） 70（ Swir ） 1.0（Pan ） 4.0（Ms） 0.61（ Pan ）

2.44（ Ms ） 2.5/5.0（ Pan ）

10（HRS） 10（Ms） 20（ Swir ） 1（pan） 4（Ms） （8） 20 2.5 2.5

幅宽/km 12.5 142 13 16.5 60（HRG） 120（ HRS ） 8

8 30 70/35

自主定位精度水平 100 m 10 m 12 m

10 m 23 m 10-15 m

10m 小于220 m

平面/ 立体成像 前后倾摆

扫描洞轨

立体成像 左右侧摆

扫描/异轨

立体成像 左右侧摆

扫描/异轨

立体成像 左右侧摆

扫描/异轨

立体成像 左右侧摆

扫描洞轨

立体成像 左右侧摆

扫描/同轨

立体成像 同轨

立体成像 同轨

立体成像

高分辨率遥感卫星的技术主要分为以下几点：

（1）高分辨率遥感卫星中光学传感器在操作中的分辨率升至一米之内，测绘选用比例尺可以是1：10000。

（2）在遥感技术中被广泛使用得是传感器类型是线阵列扫描式的，这种设备自身能够发挥较强的指向功能。

（3）技术中立体成像能力被强化，同归立体能够凭借单一传感器进行获取。

（4）操作过程中影像的精准度被提高。

3 微波遥感与高光谱遥感

微波遥感技术在操作过程中可以分为主动与被动两种形式。高光谱的形式是由电磁光谱范围内多窄波段传感器获取的图像而构成的。在监测过程中，这种技术带来的信息不仅仅是信息量与光谱空间信息的增加，同时对于地面环境的监测提供了更多的数据信息，也就是实现了遥感监测目标质量上的升华。

4 结论

综上所述，是集中对新型航测遥感技术与装备的分析，不断发展这种检测技术、完善设备质量与功能，用以获取我国社会经济可持续发展所需要的时空信息，从而为航测与遥感工作人员提供更缜密的工作环境，使之有效发挥科学技术能力。

参考文献：

第6篇：高光谱遥感原理技术与应用范文

由于水中悬浮物微粒或者浮游生物粒子的影响，射到水体中的太阳光会被一定程度地吸收和散射。任何地物包括水体都具有光谱反射特征，遥感就是通过水体在光谱影像上的差异来判定水体污染的变化。胡举波等研究发现，随着悬浮物质数量的增加，光谱衰减系数不断增大，最容易透过的波段从0．50μm附近向红色区移动。随着浑浊水泥沙浓度的增大和悬浮沙粒径的增大，入射光被散射的深度变浅，水的反射率逐渐增高，其峰值逐渐从蓝光移向绿光甚至向黄色变化。Gitelson等研究证明，500～600nm波段适合用来监测水体的悬浮物，700～900nm波段的反射率对悬浮物质的浓度变化最敏感，也是遥感用来估算水体悬浮物质浓度的最佳波段。通过遥感拍摄水体的图像，观察图像上波峰出现的位置区域，就能够清楚地了解水体浑浊度的变化。

1.1城市污水的监测

城市大量排放的工业废水和生活污水中带有大量有机物，使水质恶化。卫星遥感技术通过水体在光谱影像上的差异来判定水体污染的变化，不仅能够实时观察污染物的运动特点，还可以根据水中的悬浮物作为判定指示物来追踪污染源。韩阳等针对不同浓度的3个生活污水样本，采用二向反射光度计的方法，测定了不同样本在2π空间的多角度偏振反射光谱数据，建立了探测方位角、光线入射角、探测天顶角、偏振角、波段等因素与所测水体的偏振数据的关系。黄妙芬等利用2006年4月6～7日在甘肃省庆阳市境内环江、柔远和马莲河实测的水体波谱数据，以及化学需氧量COD测定数据，采用Fisher判别方法，建立了基于地面实测光谱数据和适用于该研究区的水环境COD遥感识别模式。水环境COD污染遥感模式的建立为从遥感影像上快速、大面积获取COD信息提供了一种技术手段。ChuqunChen等利用卫星数据来评估珠江水质，结合综合污染（CPI）法，测得水体COD和养分的含量，定量分析了珠江口水污染的状况。巩彩兰等提出了利用多光谱、高光谱遥感技术对水环境情况进行大面积、多时相、低成本监测和评价的新方法，并通过水样采集、光谱测量、模型建立、图像处理、水质反演和系统演示等实现了对黄浦江和淀山湖的水环境情况的宏观监测和评价，并验证了该方法的有效性。通过监测水体的反射光谱数据、光谱数据，再结合实测水体的波谱数据建立相关关系和模型，实现对水体全方位快速、准确地监测。

1.2水体热污染的监测

废水中悬浮物千差万别，导致特征曲线反射峰的位置和强度也不一样。一般采用多光谱合成图像来监测废水污染，也可以根据温度的差异选择热红外的方法进行调查、监测。由于热红外传感器对热源比较敏感，能够准确、有效地探测出热污染排放源。吴传庆等利用多时相的TM热红外数据对大亚湾核电站周围的水温场变化进行监测，通过对信息的提取分析，有效地对核电站周围的环境影响进行了评价。石登荣等利用多时相航空热红外扫描，获取水体热辐射场变化资料，结合数学模拟，研究上海地区感潮水体热污染的时间和空间的动态变化，建立了相应的动态方程，数学拟合的误差平均在±2．7％左右。说明，利用航空热红外扫描结合数学模式，可以较好地反映水体热污染的动态变化。采用热红外遥感技术对水温变化进行时空监测，根据影像上的热辐射信息，能够准确地识别热污染的分布，较好地完成对热污染的监测和评价。

1.3水体富营养化的监测

水体富营养化是水体接纳的N、P等营养元素超过了自身的最大负荷量，造成水体中浮游植物大量繁殖，这是水质富营养化的显著标志。遥感技术根据浮游植物中的叶绿素与可见和近红外光之间具有特殊的陡坡效应，即叶绿素含量高的地方反射率的峰值也大的现象来监测富营养化的分布范围，然后，从彩色红外图像上的颜色变化来监测富营养化的污染程度。宋瑜等结合高光谱的实验数据，建立了基于MODIS数据对太湖水体富营养化识别的模型，实现了水富营养化遥感信息的有效提取。XiaoqinXue等采用水体富营养化状态指数（TSI）对西安渭河水体富营养化的研究证明，使用TM遥感数据对水体富营养化的远程监测和评估是可行的。吴传庆等研究证明，从叶绿素a和悬浮物浓度反馈角度的遥感评价方法，可行性强，能够充分运用遥感数据源很好地完成湖泊富营养化状态的评价工作。遥感技术能够多角度对水体富营养化进行监测和评价，为动态监测水体富营养化提供了有效的监测技术手段。

1.4石油污染的监测

海上或港口的石油污染是一种常见的水体污染，也是污染数量多、范围广、危害深的一种污染。遥感技术利用油和水对太阳辐射的反射不同，在遥感影像上表现为同物异谱和同谱异物现象来监测水体是否有油层覆盖。张永宁等在可见光波段对不同厚度煤油、轻柴油、油和重柴油的监测中发现，油膜反射率的大小与油膜的厚度有关。赵冬至等总结了油膜在可见光近红外波段的地物光谱特征，为识别油膜的厚度提供了参考。Palmer等利用小型的机载成像光谱仪分析了发生在英国设得兰（Shetlands）的溢油事故，证明440～900nm是油膜提取的最有效波段。ShiL等搜集了中国东海西部2002—2005年石油泄漏的（SAR）图像，分析了不同类型的石油泄漏量昼夜性变化和季节性变化的规律，为控制和治理大面积的石油污染提供了科学的指导。不同厚度的油膜对太阳光的反射不同，通过对水面影像上反射率的变化监测水体的油污染以及油层的覆盖厚度，从遥感影像上观察石油泄漏的时空分布特点和扩散规律实现对石油污染的快速准确的监测。

2遥感技术在大气污染监测中的应用

大气遥感是利用遥感传感器来监测大气结构、状态及变化，不需要直接接触目标而进行区域性的跟踪测量，能够快速地进行污染源的定点定位，从而获得全面的综合信息。由于水汽、二氧化碳、臭氧、甲烷等微量气体成分具有各自分子所固有的辐射和吸收光谱，通过选择合适的波段来测量大气的散射、吸收及辐射的光谱，然后，从其结果中推算出污染气体的成分。白亮通过对几种主要大气污染物定量反演方法的分析，论述了定量遥感技术在福建省大气环境监测中的应用。杨岚简述了大气环境遥感监测技术的基本原理，着重阐述被动式空基遥感和主动式空基遥感在大气环境中的应用。

2.1大气气溶胶的监测

气溶胶是指悬浮在大气中的各种液态或固态微粒，通常所指的烟、雾、尘等都是气溶胶。在遥感图像中工厂排放的烟雾、大规模的沙尘暴、火山喷发产生的烟柱、森林失火导致的浓烟都有清晰的影像。气溶胶光学厚度则是气溶胶粒子各个特性参量的综合反映，气溶胶光学厚度能够反映大气污染浑浊的程度，利用气溶胶光学厚度反应气溶胶的变化，方法种类多，内容也各不相同。程立刚等介绍了应用于大气环境遥感监测的多种方法，并着重阐述了被动式空基遥感和主动式地基遥感在大气环境遥感中的应用以及探测气溶胶的卫星传感器的发展历程和特点。王耀庭等针对大气气溶胶性质及其卫星遥感反演的研究发现，气溶胶光学厚度对低地表反射率比较敏感，而与太阳光的相互作用主要表现为吸收。孙娟等证明，MODIS的气溶胶光学厚度（AOD）资料与能见度之间具有较好的相关性，利用MODIS产品来反演能见度是可行的。此外，毛节泰等对MODIS卫星遥感气溶胶的方法与地面多波段太阳光度计的观测法进行对比，发现二者有较好的相关性。MODIS卫星遥感能够精确地识别每一地区气溶胶细微的变化，利用MODIS产品来监测气溶胶的变化，为大气污染监测提供了非常有效的手段。

2.2有害气体的监测

有害气体通常指人为或自然条件下产生的二氧化硫、氟化物、乙烯、烟雾等对生物有机体有害的气体。遥感监测有害气体主要有2种方法，一类是根据有害气体污染区地物反射率的发生变化、边界模糊的情况来对有害气体的污染情况进行估计，另一类是利用间接解译标志－实际反演来推断某地区大气污染的程度和性质。魏合理等利用地面可见光（430～450m）波段的太阳光谱和大气上界的参考太阳光谱，反演出大气中NO2的柱总含量，得到了该地区上空NO2含量及其变化，其变化与当地环境监测站用常规法测量的NO2浓度的变化基本一致。赵春雷等选取2010年的资料制作了河北省SO2的遥感图像，与地面监测情况基本符合，还通过光学厚度资料和地面观测资料进行遥感效果检验，平均遥感监测精度达86％，基本可以满足大范围大气环境动态监测的需要。白文广开发了基于优化拟合的CH4物理反演算法，用于实际反演，与官方反演结果比较一致性较好；并首次在中国区域开展地基FTIR大气成分遥感监测研究，用于卫星反演产品的地基验证。对中国区域CH4时空分布特征进行监测，并给出分析结果，为政府决策提供科学依据。无论是直接观测污染物的反射光谱还是通过间接解译的方法，最终都是通过观测反射率的变化来监测有害气体的存在，为监测大气中其他污染物提供了科学的借鉴。

2.3城市热岛效应的监测

城市热岛效应是城市中的空气温度高于城市周围郊区的温度，从而形成了从城市流向郊区的一种环流。城市热岛效应是环境遥感中经久不衰的研究课题，对城市环境而言，城市热岛也是一种大气热污染现象。目前，针对城市热岛的环境遥感监测是通过研究城市下垫面的热红外遥感进行的，通过对不同时相的遥感资料的收集，总结出城市热岛的日变化和年变化规律。XuhanQiu等提出了城市热岛比例指数（URI），可以用来定量分析近一个时期的城市热岛效应随时间的变化。根据植被、水分和表面温度之间的相互关系，对照目标城市，根据城郊植被的差异，选出2幅不同时期的TM（4．5．6波段）彩色合成图像，大致定出城市热岛的范围。Zak－sek等采用欧洲高空间分辨率SEVIRI来估算地表的温度，再根据陆地表面温度（LST）来分析城市热岛的日变化，结果证明，该方法可以用来分析城市热岛的日变化分析，为监测和治理城市热岛的变化提供了一种科学的方法。Gallo等用NOAA／AVHRR数据获得归一化植被指数（NDVI）估算城市热岛对城郊气温差异的影响，结果表明，植被指数和城郊气温差异之间存在显著的相关性。

LinLiu等观察香港一天的热岛效应与植被指数（NDVI）的相关性时发现，热岛效应和NDVI存在着负相关，同时表明了绿色土地可以削弱城市的热岛效应；热岛效应和归一化差异指数（NDBI）存在着正相关，可以用于城市热岛效应案例的分析研究。遥感技术能够从时空中分析城市热岛的变化趋势，为监测城市热岛效应提供了科学手段。

3结论与展望

3.1结论

目前，遥感技术正从单一遥感资料的分析向多时相、多数据源（包括非遥感资料数据）的信息复合与综合分析过渡。利用多时相监测方法对环境污染的种类进行追踪，能够及时、客观、准确地反应污染物的信息，如污染源的位置、污染物的种类、扩散方向等，并能够对大面积的环境污染通览全貌，在环境污染监测中有巨大的技术优势。

3.2展望

随着各领域对遥感技术需求的提高，遥感技术仍有待于从以下几方面加强研究。

1）实现环境遥感信息的定量化，对全球环境监测的数据进行定量分析、预测和管理。随着RS与GIS、GPS结合越来越多地运用到环境中，而GIS的发展更需要遥感信息的定量化，实现遥感信息的定量化，才能使RS与GIS结合拥有更广阔的应用前景。

2）发展环境遥感监测的网络化，借助互联网的资源共享性，将全国范围监测数据实现网络化及资源共享，充分利用一个最新的研究成果并促进其运用，可以节省监测时间和成本。

3）提高卫星遥感的分辨率。由于大气中云和雾的干扰，在进行大气校正时会产生误差，造成误判。高分辨率和高频率的传感器的建立，可以对突发性环境污染事故进行实时监测和预警，且高空间和高光谱分辨率已是卫星遥感技术的发展趋势。

4）提高信息提取的精度和可靠性。应发展神经网络、认知模型和影像处理系统的集成技术，目前遥感技术正朝着多时相、多光谱、多平台、多角度、多传感器以及多空间分辨率之间的融合技术的方向发展。

第7篇：高光谱遥感原理技术与应用范文

关键词：教改；遥感；农业院校

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2013）09-0059-03

遥感是农业高等院校一些专业（如资源环境与城乡规划、土地资源管理、农业资源与环境、环境科学等）的本科生必修的专业核心课程。遥感技术已经广泛应用于社会生产的各个领域，培养遥感应用型的高级技术人才非常重要，但目前农业院校的遥感课程的教学体系、教学内容和教学方式难以适应遥感技术的快速发展，存在不少问题，使培养的人才与社会产生脱节。

一、农业院校遥感教学存在的主要问题

1.遥感课程理论多而杂、抽象化等特点，抑制了学生的学习兴趣。遥感技术具有理论抽象、知识点庞杂的特点，其多学科交叉，基础知识面广而杂，技术性和实践性较强且多应用于大型项目。农业院校的本科生一般是第一次接触，缺乏与课程相关的预备基础知识和背景知识，学习遥感课程太抽象，实际生活中也很难接触到遥感应用方面的项目，这样会导致学生觉得遥感课程“遥不可测”，具有一定的距离感和陌生感。另外，遥感课程在农业类院校中一般属于专业基础性学科，得不到足够的重视，以及学时不多等原因都在一定程度上抑制了学生的学习兴趣。

2.教材内容过于突出前沿科学，忽略了其应用性。现在的农业院校遥感教材已经采用国家农林类普通高等教育“十一五”、21世纪规划教材，虽然教学内容进行了更新，基本上不存在以前的内容过于陈旧的问题，但仍然出现不少问题。主要存在教学内容过于突出其前沿科学以及发展趋势，导致部分教学内容或过于深奥，或与农业类等相关专业的结合性不大，在农业院校等相关领域中几乎应用不到；如“微波遥感原理”深奥难懂，在农业院校相关专业几乎很少用到；又如“高光谱的影像分析”过于深奥，对于遥感课程学时很有限的农业院校本科生关联系不多且过于深奥。现在国民生产的各领域中广泛应用的遥感技术或结合性较强的教学内容，很少有教材提及或提及极少。如近年在灾害监测中广泛应用高分辨率的QUICKBIRD、WORLDVIEW卫星数据WORLDVIEW；又如在农业中应用较多的测定地物光谱仪的设备和我国“北京一号”小卫星在北京近郊农业监测中应用等内容却无体现。脱离生产实践与应用的前沿技术，就像是没有方向的深海之舟，与农业类院校本科生的教学宗旨与教学目标背道而驰。

3.教学手段不够丰富，学生参与不够，缺乏学习热情。农业院校遥感课程虽然普遍使用了多媒体教学技术，但仍是以教师讲授为核心，缺乏形象教学必要的教学手段与辅助教学资料，很少有本科生参与教师的科研项目或大型的工程应用项目。由于时间等种种原因，也很少本科生参加课内外的遥感应用的体验与交流报告，缺乏学习遥感课程的源动力与热情。

4.现有的考试制度抑制了学生的创新。现有的考试制度以考试为主，侧重卷面成绩，试卷考核方式很难考验学生对理论体系的系统性掌握、知识点的内在联系以及实际技能的掌握程度与应用程度。农业院校的遥感实验课程学时设置少，实验个数少，实验成绩占课程成绩的比重不大，一般隶属于遥感课程理论教学的一部分，很少单独开设，实践环节教学得不到足够的重视，且多侧重实验报告成绩，忽视了实践环节学生能力的表现。现有的课程成绩构成缺乏讨论、专题制作、文献检索、学习报告等多手段，在一定程度上抑制了学生参与的积极性和主观能动性，导致学生自主学习的热情不够，缺乏创新的激情。

5.实践学时偏少，缺乏针对农业院校的上机教材。遥感实践课程少，难以培养学生的感性认识，动手能力的提高更是无从谈起。目前，与遥感课程配套上机的教材多是针对高等院校测绘类专业，缺乏与农业院校遥感课程配套的上机实验教材，市场上偶见农业院校专用教程，在内容的设置上与上机实验数据或样例数据方面却与测绘类专业并无多大区别。农业院校类本科生感觉不到遥感实践与专业的相关性或结合性，无法满足农业院校专业学生的实践教学的需求。

二、教学改革的基本内容与途径

1.教学内容的完善与改革。（1）教学内容的设置应重点突出。在农林院校遥感课程学时很有限，而遥感技术体系本身内容非常庞杂，教学内容与学时的设置除了体现理论的系统性，一定要注重各部分内容的内在的逻辑联系，突出主要内容和重要内容，必要时，应进行取舍。使学生对整个教学有一个比较宏观、层次清晰的印象，能够抓住遥感主要的原理和难点内容。农业院校的遥感课程主要内容包括航空像片与遥感相关的基本概念、地物的反射光谱特性、航空摄影测量的基础知识、遥感图像的像点误差、航空摄影测量的内外业、卫星传感器数据、遥感图像的目视判读与调绘、遥感数字图像处理原理与操作技能，以及遥感技术的应用案例，尤其是在农业领域的应用实例。（2）根据应用情况对前沿性内容取舍。现在很多教学改革过于突出课程的前沿性内容，但受到学时的限制，很难与生产实践或专业联系起来，学生感觉很陌生、很抽象，教学效果甚不理想。农林院校的遥感课程学时一般都很有限，在突出课程内容的系统性和重点内容的前提下，对于前沿性的内容，可结合授课专业情况进行灵活调整。若在相应专业领域中很少应用的可略讲或不讲（如微波遥感、高光谱）；若在相应专业领域实践中有应用或应用较多的（如在农业和土壤学科应用较多的便携式地物波谱仪），可侧重于先进的仪器以及在科研或生产实践中的作用与功能。这样学生既不会感到深奥难懂，又会觉得该课程很贴合实际需求，这样就可在有限的学时取得较好的教学效果。（3）实验内容的调整。遥感课程实验内容的设置应与基本理论、基本方法相呼应，突出其主要技能、实践技能，平衡传统方法与现代作业方法，采用的实验器材或软件应与当地生产部门基本保持一致，若有条件应尽量将实验课单独开设。遥感技术在实际作业中，数据源以及产品都是采用遥感数字图像，因此，传统的遥感课程实验内容应根据行业发展情况适当地删除过时的实验，保留主要的遥感实验外，应尽量根据授课对象的就业方向、科研情况以及学时情况选择性地增加设置遥感数字图像处理的实验内容与课时数，如“熟悉ERDAS或ENVI遥感图像处理软件的基本操作”、“遥感数字图像的增强处理”、“遥感数字图像的几何处理”、“遥感数字图像的计算机自动分类”。

2.教学手段与教学方法的改革。（1）从兴趣点或生产应用入手展开教学。由于遥感课程理论知识点多而杂，在教学内容的组织上可从学生感兴趣的知识点入手，适当引用遥感在测绘、国土、农业等重要部门的一些视频资料。阐述基本原理与基本方法时注重加强学生思维的引导，主要内容与重点内容可采用精讲、细讲，生产中不常用的原理与方法采取学生课外自主学习为主，遥感在实践中应用可采取具体案例分析，这样既可保证激发学生学习的兴趣，在面上对遥感有全面的把握，又可在重点内容上有所深入。除了现代常用的多媒体教授的教学方法，可布置与课程内容相关且很有趣的课外小作业，如可通过让学生在Google Earth上查找校舍或旅游目的地的方式对卫星遥感数据的认识。（2）制作遥感教学辅助材料。遥感教学辅助材料包括航空图像与卫星遥感图像样片的制作、各类教学视频的制作、试题库与习题库的制作、遥感精品课程在线网址的收集，完善各种网络教学资源库的建设等。将生涩难懂且方便用于直观教学的遥感图像的分类与遥感图像的解译标志等内容制作教学样片，如可将全色图像、红外、彩红外、多光谱等航空像片与各种常用的卫星遥感数据制作样片，形象而直观，易于理解与记忆。对于比较抽象、生活中接触较少的知识点用于制作1～5分钟的辅助视频，如航空拍摄的过程、卫星遥感以及传感器的工作原理等。将近年来遥感技术应用于现实生活中有影响力的重大事件的新闻视频片段制作教学视频资料，如“国土部：用卫星遥感图片严查违法用地”、“我国‘北京一号’、‘小卫星’监测北京近郊农作物长势”、“汶川地震前后遥感图像前后对比”等新闻视频片段。教学辅助材料在有些教学内容方面可发挥很大的教学作用与效果。（3）重视遥感技术应用案例分析。一般农业院校的遥感技术的应用所占学时极少，与专业结合性不够。一般只是泛泛地提到或者一带而过，没有具体的案例或应用视频，学生缺乏对遥感技术实际应用情况的了解。可根据授课对象与专业方向选择教学辅助材料，根据授课对象及专业方向播放其相关内容，重点分析应用案例。如面向土管专业授课时可侧重土地资源调查与土地执法的案例分析；面向农资专业时，可侧重农作物长势监测与估产、光谱反射率的野外测定与分析等案例分析，面向环境类专业，可侧重环境监测与灾害监测的案例分析。（4）实现教学手段的多元化，激发学生学习热情。除了常用的多媒体教学与板书等教授方式外，还可适当采取学生教学的方式，加强与学生互动交流，提高学生自主学习的能力。利用课前与课间的时间或借助网络平台，与学生进行充分交流，及时掌握他们的兴趣、学习难点以及就业意向等，因材施教。利用国家、省和校级精品课程建设的成果，建立网络实践教学平台，实现网络互动式教学，设置“课件下载”、“实验报告上载”、“答疑”、“FTP”等功能。可借助与测量学等课程的重叠交叉知识，进行触类旁通式的教学。通过小型专题报告的形式，促使学生课外收集文献资料学习实践应用性强、与专业结合紧密的内容，择优以多媒体的形式课堂交流并点评，并作为学生课程考核的一部分，有意识地将教学内容与科研、就业与生产项目管理等结合起来，引导学生自主学习，激发学习的创造性。

3.建立考试制度的改革，提高其学习的积极性。进行课程考试制度的改革，改进考核方法，建立考察学生全面素质的考核体系、建立科学的考察学生综合知识、综合素质、综合能力的实践考核体系，采取灵活多样的考试方式。在课程考试构成增加小型专题报告制作、文献检索与总结等，理论环节可增加课堂互动环节（如提问、讨论等）考核的比重；实践环节可强化动手实践与仪器操作的考核，淡化实验报告等书面成绩。通过建立考试制度的改革，促进学生积极学习。

三、教改效果分析

近年来遥感课程改革探索初步取得较为明显的成效，具体表现在以下几个方面。

1.学习态度的改变。学生对教学内容的兴趣和注意力明显提高，课堂互动变得更为积极，课外自主学习的激情提高，教学氛围良好，“教与学”变成了一件较为愉快的教学活动，学生对遥感方向的学术报告与毕业论文选题感兴趣的人数明显增加。

2.学生对遥感教学的评价。每学期都对全部遥感课程进行教学评估，学生无记名网上评教，结果表明总体优良。说明学生对于教学内容与教学形式是认可与肯定的。

3.学生的收获。国土资源管理、农业资源与环境等专业分别成立了兴趣小组，在老师的指导下能够独立完成校级创新型实验项目。学生的动手实践能力明显得到锻炼与提高，有机会参与到多项遥感技术应用的工程项目，特别优秀的学生能在测绘遥感相关的事业单位就业。也有本科生在国内的学术期刊上公开发表遥感领域内的科研论文。

虽然笔者针对农业类院校的遥感课程实践教学改革进行了探索与实践，然而，许多问题有待进一步探讨，诸如教学平台的完善、教学形式的改进、产学研实习基地建立、专业实践素材库的建立等。面向未来，我们需要更好地根据社会需求，积极进行遥感教学课程改革，为社会培养出更多的遥感应用型的高级人才。

参考文献：

[1]尹占娥.现代遥感导论[M].北京：科学出版社，2008.

[2]邓良基.遥感基础与应用[M].北京：中国农业出版社，2009.

[3]常庆瑞，蒋平安，周勇.遥感技术导论[M].北京：科学出版社，2004.

[4]彭望.遥感概论[M].北京：高等教育出版社，2010.

第8篇：高光谱遥感原理技术与应用范文

【关键词】遥感技术；大气环境；监测？

环境问题越来越严峻，各类的污染给人类的生活和工作带来了很大的影响，破坏了人们的日常生活并且威胁到人们的生命安全。遥感技术主要有两种类别：一为主动式遥感监，二为被动式遥感监测，主要以环境监测为主，利用遥感传感器监测大气结构，对污染源进行定位追踪，直接对污染物进行区域跟踪测量，从而获取某一区域大气污染的综合信息，以及时制定治理措施来减少大气污染的不利影响，对大气环境的治理产生了无法忽视的影响。？

1、大气环境遥感监测技术的基本原理？

遥感监测就是用仪器对一段距离以外的目标物或现象进行观测，是一种不直接接触目标物或现象而能收集信息，对其进行识别、分析、判断的更高自动化程度的监测手段。它最重要的作用是不需要采样而直接可以进行区域性的跟踪测量，快速进行污染源的定点定位，污染范围的核定，污染物在大气中的分布、扩散等，从而获得全面的综合信息。根据所利用的波段，？遥感监测技术主要分为紫外、可见光、反射红外遥感技术；热红外遥感技术和微波遥感技术三种类型。？

大气环境遥感监测作为遥感技术应用中较为重要的内容之一，在业务上不同于常规气象要素的监测。常规气象要素遥感监测[1]？主要是指测量大气的垂直温度剖面、大气的垂直湿度剖面、降水量及频度、云覆盖率（云量和云层厚度）？和长波辐射、风（风速和风向）？、地球辐射收支的测量等。而大气环境遥感则是监测大气中的臭氧（O3？）、CO2、SO2、甲烷（CH4）？等痕量气体成分以及气溶胶、有害气体等的三维分布。这些物理量通常不可能用遥感手段直接识别，但由于水汽、二氧化碳、臭氧、甲烷等微量气体成分具有各自分子所固有的辐射和吸收光谱特征，如影响水汽分布的主要光谱波长在017μm，？O3在0155～0165μm？之间存在一个明显的吸收带等，因此我们实际上可通过测量大气散射、吸收及辐射的光谱特征值而从中识别出这些组分来。研究表明，在卫星遥感中，有两个非常好的大气窗可以用来探测这些组分，即位于可见光范围内的0140～0175μm？的波段范围和在近红外和中红外的0185μm、1106μm、1122μm、1160μm、2120μm？波段处。？

2、遥感技术在大气污染监测中的作用？

2.1被动式空基遥感监测？

被动式遥感监测主要作用于臭氧层、大气气溶胶、温室气体、大气污染物、大气热污染源等等，这些问题很多不仅仅是区域性问题，甚至已经成为全球性问题，影响着全世界的正常发展。太阳直接辐射遥感技术利用散射和衰减，测量二氧化碳、臭氧等大气的主要组成部分，对有害气体、污染物、热污染源等进行监测，逐渐成为遥感技术中最常用的一种监测技术。现阶段，城市工业不断发展，雾霾成为人们生活中的一种普遍现象，严重影响着人们的身心健康，而遥感技术与地理信息系统技术相结合，获取雾霾地区的综合信息，通过对图像以及数据的分析得出影响雾霾的主要因素，从而制定相应的措施来消除雾霾。除此之外，随着城市化的不断发展，城市热岛效应成为城市发展的主要问题，遥感技术通过研究城市下垫面的热红外遥感总结城市热岛变化规律，对热岛效应的解决提供了一定的事实依据。？

2.2主动式空基遥感监测？

主动式空基遥感监测的载体是雷达，主要有机载和星载雷达，它可以在短时间内发射大功率的电磁波，再根据回波信号的振幅和位相分析得出测量物的方向、距离等数据，主动式遥感不依赖于太阳辐射，可以昼夜工作，还可以根据探测目的的不同，主动选择电磁波的波长和发射方式。主动式遥感可以用来监测大气中的臭氧、水汽、二氧化硫以及三氧化氮等分布情况，分析这些成分如何影响平流层和对流层，有利于制定空间雷达的探测技术，对大气环境的治理起着无法替代的作用。遥感技术正在经历由单一型遥感监测向多方面监测数据的综合性分析过渡，即多时相监测，对于污染物信息的监测可以做到更准确及时客观，使得大气污染监测上升到一个新高度。？

3、遥感技术的发展方向？

人们越来越重视环境问题，对环境的需求也不断增加，改善环境成为当前社会发展的重要任务，遥感技术能够改善环境，那就应该更大限度的开发利用这一技术。遥感技术还可以从以下一些方面取得进步：？

（1）遥感技术主要分为主动式遥感和被动式遥感，把主动与被动式卫星遥感相结合，可以更加准确的进行对污染物的监测，把污染物监测的误差精确到更小，不断改进大气环境遥感技术，对大气环境遥感进行定量化研究，形成一套严密的大气环境遥感监测技术运行系统，把遥感技术与地面监测共同运用到环境监测中，以便更加准确及时的制定解决环境污染的措施。？

（2）在当今社会，技术在任何方面都是不可或缺的，与此相应，互联网技术可以充分配置资源，使全球的资源和信息得到共享，实现遥感技术的网络化，普及遥感监测技术，可以借鉴其他国家的遥感技术创新之处与经验，进行多国合作，利用其它国家的资源环境卫星系统，提高监测的效率。？

（3）人才的进步才是社会的进步，必须要保证技术性人才的培养，国家要加大人才扶持力度，提供更多的人才发展机会，培养大批实用型人才和技术创新型人才，只有如此遥感技术才可能会有飞跃性的突破。？

（4）技术的不完善使得监测数据的不准确，而数据分析是制定措施的重要依据，提高数据的准确度是必须的，对此，应该研发更高性能的传感器以提高卫星遥感的分辨率，使数据精确度更高，更好的判断污染物信息，避免误判情况的发生。？

4、结束语？

环境问题与人类发展息息相关，实现人与自然的和谐相处是社会发展的必然要求，在尊重自然的基础上，通过自己的一系列活动改变环境对于自身的不利影响并造福于人类是对每个人的要求。环境问题种类多样，大气污染、水污染、固体废弃物污染等都可以通过遥感技术得到一定程度的治理，遥感技术的应用范围也越来越广泛，作为环境监测的重要技术力量，遥感技术应该不断发展自身，为制定科学准确的政策提供更加有理有据的支持。？

参考文献：？

[1]刘红，张清海，林绍霞.等.遥感技术在水环境和大气环境监测中的应用研究进展[J].贵州农业科学，2013（1）.？

第9篇：高光谱遥感原理技术与应用范文

关键词：遥感影像，监督分类，非监督分类，人工智能神经元网络方法。

引言：遥感影像由于具有丰富的纹理信息，同时具有获取方便、经济、快捷等特点，现已成为探测地物目标综合信息的最直观、最丰富的载体, 在数字城市的建设中占有重要的地位。遥感影像分类技术是遥感影像处理系统的核心功能之一，无论是遥感信息提取，动态变化检测，还是遥感专题制作，遥感数据库的建立等等都离不开它，因此遥感影像分类具有着广泛的应用前景。

遥感影像分类方法

1.1遥感图像分类的基本原理

遥感影像分类的基本原理是：遥感影像中的同类地物在相同条件下（纹理、地形、光照及植被覆盖等)应具有相同或相似的光谱信息特征和空间信息特征， 可以说，计算机用以识别和分类的主要标志是物体的光谱特性。目前的大多数研究还是基于此特征来进行的。

1.2监督分类方法

1.2.1监督分类方法定义

监督分类，又称为训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同的规则将其划分到与其最相似的样本类。它是一种由已知样本外推至未知区域类别的方法。

1.2.2监督分类的基本步骤及主要方法

监督分类可分二个基本步骤:

(1)选择训练样本和提取统计信息

训练样本的选择需要分析者对要分类图像所在的区域有所了解，或进行过初步的野外调查，或研究过有关图像和高精度的航空照片，其最终选择的训练样本应尽可能准确地代表整个区域内每个类别的光谱特征差异。其大小、形状和位置必须能同时在图像和实地容易识别和定位。

另外，在选择训练样本时，还必须考虑每一类别训练样本的总数量。作为一个普遍的规则，如果图像有N波段，则每一类别应该至少有10N个训练样本，才能满足一些分类算法中有关计算方差及协方差矩阵的要求。当然总的样本数量应根据区域的异质程度而有所不同。

对于不同的应用环境，监督分类中训练样本的选择和对其统计评价的步骤和方法都会有所不同。

(2)选择合适的分类算法

在监督分类中可以采用许多不同的算法，将一个未知类别的像元划分到一个类别中。常用的几种算法：①平行算法、②最小距离法、③最大似然法

1.3非监督分类

1.3.1非监督分类法概述

非监督分类，也称为聚类分析或点群分析， 是一种无先验（已知）类别标准的分类方法。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。长期以来，非监督分类已经发展了近百种不同的自然集群算法。这里仅简述最常用的ISODATA算法。

1.3.2 ISODATA法

ISODATA即重复自组织数据分析技术。经过ISODATA算法得到的集群组只是一些自然光谱组，需要分析者将每个集群组归到其对应的类别中，这个过程通常还需要参考其他的图，或者用户本身对于该区的了解。留下难以归类的图像，对这个残余图像重新运行ISODATA算法，直到所有的集群组都能正确归类。

2.1新的分类方法

分类是人们获取信息的一种重要的手段。传统的分类方法是以经验风险最小化为归纳原则，只有当训练样本数趋于无穷时，其性能才能达到理论上的最优。然而在光谱遥感影像分类中训练样本往往是有限的。当样本不足时，传统的分类方法往往不能达到理想的分类精度，尤其在对高光谱影像的分类中，样本不足的问题更为突出。新的分类方法目前分为：模糊分类、空间结构纹理分类、专家分类、人工智能神经元网络方法，本文着重介绍一下人工智能神经元网络方法。

2.1.2人工智能神经元网络方法

1943年随着神经元的数学模型（MP模型）的首次提出，人工神经网络的研究先后经历了兴起、沉淀和低潮期。20世纪80年代中期以来，神经网络的应用研究取得了很大的成绩。近年来，国内外众多学者已经将其广泛应用到遥感领域。

所谓人工智能神经元网络法(简称神经网络法)是利用计算器模拟人类学习的过程，建立输入和输出数据之间联系的程序。神经网络法从其本质上讲应属于非监督分类的范畴，因为简单实用, 在一定程度上满足了遥感影像分类的精度, 又恰好能有效解决遥感图像处理中常见的困难，因此它很快在遥感图像分析与处理领域得到了广泛地应用，现已日益成为遥感影像分类的有效手段。

人工神经网络具有如下基本特性：

(1)并行分布处理：神经网络具有高度的并行结构和并行实现能力，每个神经元都可根据接收到的信息作独立的运算和处理，然后将结果传送出去，有较好的耐故障能力和较快的总体处理能力；

(2)非线性映射：神经网络具有固有的非线性特性，这源于近似任意非线性变换能力；

(3)通过训练进行学习：神经网络通过研究系统过去的数据记录进行训练，一个经过适当训练的神经网络具有归纳全部数据的能力；

(4)适应与集成：神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络具有较强适应和信息融合能力，特别适合复杂、大规模和多变量系统的控制。

神经网络监督方法相对于传统的遥感影像分类方法具有的主要优势：

(1)可以处理各种非线性映射和求解各种十分复杂和高度非线性的分类和模式识别问题；

(2)统计方法依赖于模型而神经网络依赖于数据本身；

(3)具有并行处理能力，运算速度高于其他方法；

(4)能最大限度地利用已知类别遥感图像样本集的先验知识，神经网络可以根据这些知识自动进行学习，提炼出规则；

(5)具有联想能力，若训练集中的遥感图像具有代表性，那么求解这些样本的合理规则很可能就是求解原问题的一般性规则，它比其它方法具有更好的联想和推广能力。

结束语

随着遥感技术的纵深发展，遥感数据的时间、空间和光谱分辨率不断提高，传统的分类方法(如最大似然法、K-均值法等)已经不能满足分类精度的要求，因此应采用新的分类方法来提高遥感图像分类精度。但毕竟神经网络法也存在着一定局限性，我们在今后的研究中有几点必须注意：一方面，遥感图像分析与处理本身具有复杂性和多目标性，这样就要求我们在具体工作中必须设计出适合问题的模型，另一方面，人工神经网络在图像重建、图像压缩、图像去噪等方面的应用，虽然不如在遥感影像分类中应用的那么广泛，但也已经显示出其优势和意义，有待我们进一步研究。还要注意将人工神经网络与其它理论技术结合起来，这样它将有更加广阔的应用前景。

参考文献