当前位置:文档之家› 病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究

病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究

病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究
病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究

第27卷,第7期 光谱学与光谱分析Vol 127,No 17,pp136321367

2007年7月 Spectroscopy and Spectral Analysis J uly ,2007 

病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究

蒋金豹1,2,陈云浩13,黄文江3

11北京师范大学资源学院,北京 100875 21河南理工大学测绘学院,河南焦作 45400031国家农业信息化工程技术研究中心,北京 100089

关键词 冬小麦;病害胁迫;高光谱;色素含量;估测模型中图分类号:O65713,S127 文献标识码:A 文章编号:100020593(2007)0721363205

 收稿日期:2006204228,修订日期:2006208206

 基金项目:国防科技工业民用专项科研技术研究项目(J Z20050001206),北京市自然科学基金项目(4052014)和地理空间信息工程国家测绘

局重点实验室基础测绘经费联合资助

 作者简介:蒋金豹,1978年生,北京师范大学资源学院博士研究生 3通讯联系人 e 2mail :cyh @bnu 1edu 1cn

引 言

植被光合作用过程中起吸收光能作用的色素有叶绿素a

(Chla )、叶绿素b (Chlb )和类胡萝卜素(Cars ),其中叶绿素是吸收光能的物质,直接影响植被对光能的利用和吸收[1,2]。植被色素含量与其光合能力、发育阶段和营养状况有较好的相关性,它们通常是植被环境胁迫、光合作用能力和植被发育阶段的指示器[3]。张宏名[4]研究了小麦叶绿素含量与可见光反射率之间的关系。Horler 等[527]研究了植被光谱与叶绿素浓度的关系,并提出了光谱“红边”位置在植被叶绿素浓度估计中的应用。Blackburn 等[8]研究表明冠层与叶片单位重量色素浓度和Log (1/R )的一阶导数、二阶导数强相关。目前对于病害胁迫下小麦冠层叶片色素的变化以及光谱响应研究报道比较少,本文结合小麦的生长规律,通过人工诱发小麦条锈病并测量不同发病程度小麦的冠层光谱和叶片色素含量,借助统计分析方法研究色素含量与光谱和光谱指数之间的关系,建立反演模型,促进高光谱遥感技术在作物长势监测、病虫害监测以及遥感估产中的应用。

1 材料与方法

111 材料

试验于2005春季在北京市昌平区小汤山国家精准农业示范研究基地进行,土壤有机质含量为114%,碱解氮含量为6313mg ?kg -1,速效钾含量为12314mg ?kg -1。本试验田块为长100m ,宽50m 。

供试品种:京冬8号,设5处理,2个重复,在返青期进行田间匀苗,保证各处理在苗期的叶面积指数均匀。条锈病接种方法:2005年4月12日下午5:00采取喷雾法接种条锈病菌,20天后,诱发接种区域冬小麦开始出现条锈病症状。

112 数据测量

显症后我们在小麦挑旗期、抽穗期、灌浆期和成熟期分别测量冠层光谱和相应的生理生化参数,共采集有效数据36组。

11211 冠层光谱测量

光谱测量采用ASD FieldSpec Pro 光谱仪,测量时间为北京时间10:30~14:30。观测时探头垂直向下,高度始终离地面113m ,探头视场角25°,地面视场范围直径为50cm ,

每小区测量20次,取平均值作为该小区的光谱反射值,各小区测量前后立即进行参考板校正。11212 色素含量测量

色素测量采用80%的丙酮浸泡一星期,用分光光度法在

663,645,440nm 下进行测定其OD 值。利用叶绿素a 、叶绿素b 和类胡萝卜素吸收光谱的不同,测定各特定峰值波长下的光密度,再根据色素分子在该波长下的消光系数,计算出浓度。11213 获取病情指数

小麦病情严重程度用病情指数(disease index ,DI )表示。其获取方法见参考文献[9]。113 高光谱变量特征参数

表1中高光谱变量是在前人研究的基础上[10220],结合病害小麦敏感波段改造而来。

T able 1 Summ ary of the vegetation indices

and derivative indices

植被指数

定义

S I PI (R 800-R 445)/(R 800+R 445)PS S R a R 800/R 680PS S R b R 800/R 635PS S R c R 800/R 470

R g ave 绿峰552~560nm 反射率的平均值

SD b 蓝边(492~530nm )内一阶微分总和SD g 绿边(505~553nm )内一阶微分总和Re p 红边内一阶微分最大值处的波长

PS N D a (R 800-R 680)/(R 800+R 680)PS N D b (R 800-R 635)/(R 800+R 635)PS N D c (R 800-R 470)/(R 800+R 470)GN DV I (R 750-R 550)/(R 750+R 5500)

SD y 黄边(555~571nm )内一阶微分总和

SD r 红边(680~760nm )内一阶微分总和D r

红边范围内一阶微分最大值

2 数据处理与分析

211 色素含量与光谱变量的相关分析21111 色素含量与原始光谱的相关分析

色素含量与病害小麦原始光谱相关性见图1。由图1可以看出,波长小于733nm ,光谱反射率数据与色素含量呈负相关,在518~726nm 各色素含量与原始光谱都达到极显著相关,相关系数在708nm 处最大;波长大于734nm ,光谱反射率与色素含量呈正相关,但只有叶绿素a 在753~816nm 内与原始光谱达到极显著相关,766nm 处达到最大,随后逐渐下降。叶绿素a 和b 以及胡萝卜素含量与原始光谱的相关系数变化规律具有一致性。可以得出结论:可见光和近红外区域是色素反射和吸收的敏感区域。21112 色素含量与一阶微分变量的相关分析

图2示出了色素含量与病害小麦一阶微分相关性。从图2可以看出,叶绿素a 和b 以及胡萝卜素含量与一阶微分

Fig 11 Correlation betw een spectra of disease

wheat and pigment contents

■:Chla ;●:Chlb ;▲:Cars ;—:5%Level ;━:1%Level

Fig 12 Correlation betw een f irst derivative of

disease wheat and pigment contents

■:Chla ;●:Chlb ;▲:Cars ;—:5%Level ;━:1%Level

T able 2 The correlation coeff icient betw een pigment

content and hyperspectral variables(n =2)光谱变量

Chla Chlb Car S I PI -0165833-0162333

-015473

3

PS S R a 016013

3

PS S R b 015833

3

PS S R c

01346

PS N D a 01653

33

PS N D b 016723

3

PS N D c 01380GN DV I 0172033

01684330159533R g 平均

-0180233-0177633-0166733(S D r -S D g )/(S D r +S D g )018193301791330170133(S D g -S D y )/(S D g -S D y )

-0179133-0174633-0167033D r 016943301645330159533R ep 017393301660330166433S D b -0180833-0180033-0170533S D g -0184433-0183133-0173833S D r 01578330152733014843S D y /S D b -0177533-0172133-0165333S D g /S D b -0168333-0165933-0159233S D r /S D b 017663301721330163333S D r /S D g

018023301757330166533(S D r -S D b )/(S D r +S D b )017553301728330164333(S D r -S D y )/(S D r +S D y )

-0160433

-0157433

-0152133

 注:3,33分别代表5%和1%的显著水平,R 0105[24]=01388,R 0101[24]=01496

4631光谱学与光谱分析 第27卷

变量的相关系数变化规律具有一致性。在454~571nm,637~673nm,678~701nm,723~757nm处各色素含量与一阶微分值都达到极显著相关。

21113 色素含量与光谱变量的相关分析

表2列出了色素含量与高光谱变量之间的相关系数。由表2可见,色素含量与原始光谱变量之间的相关系数以绿峰反射率平均值为最大,因此可以用高光谱遥感影像绿峰所在的波段进行反演植被色素含量,其他光谱变量除PS S R a和PS N D c之外,全部达到极显著相关,与前人研究的结果一致[8]。微分变量由于可以很好地消除背景影响,因此除S D r 与胡萝卜素含量达到显著相关外,其他变量全部达到极显著相关,其中变量S D b,S D g,S D r/S D g和(S D r-S D g)/(S D r +S D g)与Chla的相关系数达到018以上。因此,可以利用上述极显著相关的高光谱变量建立估算色素含量的模型。212 小麦色素含量的高光谱估算模型

从表2中筛选出相关系数较大的光谱变量R g ave,S D b,

S D g,S D r/S D g和(S D r-S D g)/(S D r+S D g)使用线性或非线性回归技术建立色素含量估算模型。

作者使用了以下5个模型:(1)简单线性模型:Y=a+ bX;(2)对数模型:Y=a+b3ln(X);(3)指数模型:Y=

a3exp(bX);(4)抛物线模型:Y=a+bX+cX2;(5)一元三次函数:Y=a+bX+cX2+dX3。

式中,Y代表色素含量的拟合值,X代表光谱变量,a,

b,c和d为拟合系数。其目的就是从这些模型中选择最佳光谱变量与色素含量的关系模型。各模型的相关系数及F检验值见表3。

T able3 R egression analysis betw een pigment contents and the hyperspectral variables

色素模型

自变量

R g ave S D b S D g S D r/S D g(S D r-S D g)/(S D r+S D g) R2F R2F R2F R2F R2F

Chla线性016433391710165334114701713354130164333916401673344168对数0156332811301623335184016833471270168334611401663342149

抛物线01913310211201733328141017333281890171332511601693323117

三次019033941350173332718017333281520175332012601693323101

指数0158333017301603333123016533411520157332819601623335169 Chlb线性013313101643339116016933481910157332915701633336166对数0152332318801613333182016633421570162333517301623335157

抛物线0190339112801733327196017233261720166332014101633317194

三次0190339011701723327159017233261440169331415801633317186

指数01533324178015733281701613333190150332116901563328115 Car线性0145331716301503321175015433261250144331714801493321126对数0137331219301463318149015133221440148332016201493320181

抛物线017833371480166332014101613316139015333111990150331013

三次01783336110165331917601603315194015833912501493310127

指数0142331610701483319198015233231570141331515201473319154 注:3,33分别代表5%和1%的显著水平,R20105[24]=011505,R20101[24]=012460

从表3可见,由回归分析得到的全部R2值均通过0101极显著检验水平。我们选取最佳模型的标准是既要相关系数通过0101极显著检验水平,又要其F值最大。因此,对于变量R g平均来说,最佳模型是抛物线模型,对于变量S D r/ S D g最佳模型为对数模型,对于变量S D b,S D g,和(S D r-S D g)/(S D r+S D g)最佳模型是线性模型。

213 小麦色素含量的高光谱估算模型的精度检验

以2005年小麦发病后采集36个样本中的24个作为训练样本,其余12个作为检验样本对模型进行精度检验。

表4列出了高光谱变量估测色素含量的模型以及误差分析。从表4可知,色素含量高光谱估算模型的拟合r2全部通过0101极显著性检验水平,以S D b为变量的模型预测r2未通过0101极显著检验水平,只通过0105显著水平检验,其r2全部通过0101极显著性检验水平。以红边和绿边内一阶微分的总和构成的比值与归一化值为变量的模型预测色素含量精度相对较高。但由于以S D r/S D g为变量的反演模型是对数模型,而以(S D r-S D g)/(S D r+S D g)为变量的估测模型为线性模型,而线性模型更便于应用,因此可以认为以(S D r-S D g)/(S D r+S D g)为变量的估测模型为最佳模型。

3 结 论

利用条锈病胁迫下的小麦冠层光谱和各色素含量的实测数据,综合前人研究的成果,结合发病小麦的光谱特征,构造一些高光谱指数进行估测色素的含量,经过综合分析,得出以下几条结论。

(1)在病害小麦冠层叶片色素含量与光谱数据分析中,色素含量与原始光谱在可见光范围内(518~726nm)、与一阶微分光谱在蓝边(454~571nm)、绿边(637~673nm)和红边(678~701nm,723~757nm)内具有极显著相关性。

5631

第7期 光谱学与光谱分析

T able4 The models of using hyperspectral variables estim ated pigment contents and errors analysis 色素名称模拟方程拟合(r2)预测(r2)标准误差相对误差/% Chla Y=41642-11523(S D b)01653330140130163633318 Y=41123-0191(S D g)017123301668330112811

Y=-1107+11256ln(S D r/S D g)016773301824330132871715

Y=-41016+71209((S D r-S D g)/(S D r+S D g))016703301827330131961710

Y=-31799+31079(R g)-01383(R g)2019073301729330157463015 Chlb Y=11457-01460(S D b)01640330141530119513119 Y=11297-01273(S D g)016903301708330116062612

Y=-01237+01366ln(S D r/S D g)016193301803330110371619

Y=-11114+21124((S D r-S D g)/(S D r+S D g))016253301812330109961613

Y=-11275+11007(R g)-01124(R g)2018973301671330117612818 Car Y=61099-11983(S D b)01497330134730111192012 Y=01877-01129(S D g)015543301597330109741716

Y=01155+01172ln(S D r/S D g)014843301745330107091218

Y=-0126+11000((S D r-S D g)/(S D r+S D g))014913301750330106881214

Y=-01597+01588(R g)-0107(R g)2017183301579330110901917

注:3,33分别代表5%和1%的显著水平;R20105[24]=011505,R20101[24]=012460;R20105[12]=012830,R20101[12]=014369

(2)选取相关系数较大的微分变量,使用线性或非线性回归技术建立单变量估测色素含量模型,对于变量R g ave而言,最佳模型是抛物线模型,对于变量S D r/S D g最佳模型是对数模型,对于变量S D b,S D g,和(S D r-S D g)/(S D r+ S D g)最佳模型是线性模型。

(3)经过检验证明,以(S D r-S D g)/(S D r+S D g)为变量的线性模型,估测Chla,Chlb和Cars含量的标准误差为013196,010996和010688,相对误差分别为1710%, 1613%和1214%,高于其他模型的精度,可以认为其是冠层光谱指数估测病害作物色素含量的最佳模型。

(4)用高光谱遥感估测病害作物冠层叶片的色素含量是可行的,且估测精度较高。

本文研究结果对利用高光谱遥感监测农作物长势和病害都具有实际应用价值,也为精准农业的实施提供信息支持。

参考文献

[1] Filella D,Pen2uelas J.International Journal of Remote Sensing,1994,15(7):1459.

[2] TAN G Yan2lin,WAN GJi2hua,HUAN GJing2feng,et al(唐延林,王纪华,黄敬峰,等).Transactions of t he Chinese Society of Agricul2

tural Engineering(农业工程学报),2003,19(6):167.

[3] Collins W.Photogrammet ric Engineering and Remote Sensing,1978,44:43.

[4] ZHAN G Hong2ming(张宏名).Spectroscopy and Spectral Analysis(光谱学与光谱分析),1994,14(5):25.

[5] Horler D N H,Barber J P,Ferns D C,et al.Advanced Space Reseach,1983,3:175.

[6] Horler D N H,Dockray M,Barber J P,et al.Advanced Space Reseach,1983,3:273.

[7] Horler D N H,Dockray M,Barber J P,et al.International Journal of Remote Sensing,1983,4:273.

[8] Blackburn G A.Remote Sensing of Environment,1998,66:273.

[9] HUAN G Mu2yi,WAN G Ji2hua,HUAN G Wen2jiang,et al(黄木易,王纪华,黄文江,等).Transactions of t he Chinese Society of Agri2

cultural Engineering(农业工程学报),2003,19(6):154.

[10] Blackburn G A.Remote Sensing of Environment,1999,70:224.

[11] WAN G Xiu2zhen,HUAN G Jing2feng,L I Yun2mei,et al(王秀珍,黄敬峰,李云梅,等).Journal of Remote Sensing(遥感学报),2004,

8(1):81.

[12] PU Rui2liang,GON G Peng(浦瑞良,宫 鹏).Hyperspectral Remote Sensing and It s Applications(高光谱遥感及其应用).Beijing:

Higher Education Press(北京:高等教育出版社),2000.

[13] TON G Qing2xi,ZHAN G Bing,ZHAN G Lan2fen(童庆禧,张 兵,郑兰芳).Hyperspectral Remote Sensing(高光谱遥感).Beijing:

Higher Education Press(北京:高等教育出版社),2006.

[14] NIU Zheng,CH EN Y ong2hua,SU I Hong2zhi,et al(牛 铮,陈永华,隋洪智,等).Journal of Remote Sensing,2000,4(2):125.

[15] Duli Zhao,K Raja Reddya,Vijaya G opal Kakania,et al.European Journal of Agronomy,2005,22:391.

[16] SUN Xue2mei,ZHOU Qi2fa,H E Qiu2xia.Acta Agronomica Sinica,2005,31(7):844.

[17] Pen2Uelas J,Baret V,Vilella I.Semi2Empirical Indices to Access Carotenoids&Chlorophll a Ratio from Leaf Spectral Reflectance.Pho2

tosynt heica,1995,31:221.

[18] Strachan I B,Pattey E,Boisvert J B.Remote Sens Environ,2002,80:213.

6631光谱学与光谱分析 第27卷

[19] Gausman H W ,Allen W A ,Cardenas R ,et al.Appl.Optics ,1970,9:545.

[20] HUAN G Wen 2jiang ,HUAN G Mu 2yi ,L IU Liang 2yun ,et al.Transactions of t he Chinese Society of Agricultural Engineering ,2005,21

(4):97.

Study on H yperspectra Estim ation of Pigment Contents in C anopy Leaves of Winter Wheat U nder Disease Stress

J IAN G Jin 2bao 1,2,CH EN Yun 2hao 13,HUAN G Wen 2jiang 3

1.College of Resources Science and Technology ,Beijing Normal University ,Beijing 100875,China

2.College of Surveying and Land Information Engineering ,Henan Polytechnic University ,Jiaozuo 454000,China

3.National Engineering Research Center for Information Technology in Agriculture ,Beijing 100089,China

Abstract The canopy reflectance of winter wheat infected with stripe rust was measured in the field through artificial inocula 2tion ,and the pigment contents of the wheat leaves were determined indoor.The correlation between pigment contents and cano 2py hyperspectra data and the first derivative data of the disease wheat were analyzed https://www.doczj.com/doc/0310634352.html,ing linear and non 2linear re 2gression methods ,and choosing a part of samples ,the estimation models about pigment contents of disease wheat were built.Through the test of the other part samples ,the result shows that the model containing the normalized value of the sum of first derivative within green edge (S D g )and the sum of first derivative within red edge (S D r )is the best one.The model was used to estimate the contents of chlorophyll a and chlorophyll b and carotenoid of the disease wheat ,and the relative errors were 1710%,1613%and 1214%,respectively.This study shows that canopy hyperspectra data can be used to estimate the pigment contents of crop s leaves and the estimation precision is high.This conclusion has great practice and application value to monitor the grow 2ing way of and disease influence on crops by using hyperspectral remote sensing.

K eyw ords Winter wheat ;Disease stress ;Hyperspectra ;Pigment content ;Estimation models

3Corresponding author (Received Apr.28,2006;accepted Aug.6,2006)

7

631第7期 光谱学与光谱分析

红外光谱分析概述

红外光谱分析概述(上) 1.红外光谱 红外光谱是反映红外辐射强度或其他与之相关性质随波长(波数)变化的谱图。目前,它是一种被广泛应用于研究表征物质的化学组成,在分子层次上的结构及分子间相互作用的有力手段。红外射线发现于1800年,在用普通温度计测量可见光谱的温度效应时,在红光一端的外侧观察到有较强的热效应。后来,实验证实了这是由一种肉眼看不见、波长比红光更长的电磁辐射所造成的,这种电磁辐射被称为红外光。通常将红外辐射的波长范围定为0.8~1000微米,并可粗略地分为三个波段:(1)近红外的波段为0.8~2.5微米,波数为12500~4000厘米-1;(2)中红外的波段为2.5~25微米,波数为4000~400厘米-1;(3)远红外的波段为25~1000微米,波数为400~10厘米,目前,实验上已能测定到2500微米,波数为4厘米-1。相应地有近红外光谱、中红外光谱和远红外光谱。 红外光谱的形式虽然多种多样,从本质上可分为发射光谱和吸收光谱两大类。物体的红外发射光谱是指样品在通过受激或自发辐射的条件下,所发射的红外光的强度随波长(波数)变化的光谱图,红外发射光谱主要决定于物体的温度和化学组成。吸收光谱是指样品对红外辐射的吸收能力随波长(波数)变化的光谱图,在实验上,使红外光与样品发生相互作用,测定红外光与物质相互作用前后光强的变化与波长(波数)之间的关系, 称红外吸收光谱。 2.分子的振动和转动光谱 对于分子体系而言,其振动和转动是量子化的,其能级差所对应的光子的波长落在红外光范围,因此是红外光谱(拉曼光谱)的主要研究对象。研究指出,红外光谱的研究范围不仅仅局限于分子的振动、转动跃迁,某些特殊体系的电子能级跃迁亦可能落在红外光谱波段范围内,例如,超大规模共轭体系的电子跃迁、某些稀土离子的f-f能级跃迁等等。不过目前绝大多数的红外光谱研究工作仍集中于分子的振动能级跃迁上,以最简单的双原子为例,其振动吸收Eν可近似地表示为: 式中h为普朗克常数;ν为振动量子数(取正整数);n0为简谐振动频率。当ν=0时,分子的能量最低,称为基态。处于基态的分子受到频率为n0的红外射线照射时,分子吸收了能量为n0的光量子,跃迁到第一激发态,得到频率为n0的红外吸收带, 它称为分子振动的基频。反之,处于该激发态的分子也可发射频率为n0的红外射线而恢复到基态。n0的数值决定于分子的约化质量μ和力常数κ: κ决定于原子的核间距离、原子的特性和化学键及键级等。 在多原子分子体系中,各原子在平衡位置附近作相对运动。这些振动方式可以被分解为各种简正振动的线性组合,所谓简正振动就是指分子中各原子以同一频率、同一相位在平衡位置附近作简揩振动。含N个原子的非线分子有3N-6个简正振动方式;线性分子有3N-5种简正振动方式。 对于分子的转动而言,往往可以假定分子为刚性转子,则其转动能量Er为: 红外光谱分析概述(中)

近红外光谱分析及其应用简介

近红外光谱分析及其应用简介 1、近红外光谱分析及其在国际、国内分析领域的定位 近红外光谱分析是将近红外谱区(800-2500nm)的光谱测量技术、化学计量学技术、计算机技术与基础测试技术交叉结合的现代分析技术,主要用于复杂样品的直接快速分析。近红外分析复杂样品时,通常首先需要将样品的近红外光谱与样品的结构、组成或性质等测量参数(用标准或认可的参比方法测得的),采用化学计量学技术加以关联,建立待测量的校正模型;然后通过对未知样品光谱的测定并应用已经建立的校正模型,来快速预测样品待测量。 近红外光谱分析技术自上世纪60年代开始首先在农业领域应用,随着化学计量学与计算机技术的发展,80年代以来逐步受到光谱分析学家的重视,该项技术逐渐成熟,90年代国际匹茨堡会议与我国的BCEIA等重要分析专业会议均先后把近红外光谱分析与紫外、红外光谱分析等技术并列,作为一种独立的分析方法;2000年PITTCON 会议上近红外光谱方法是所有光谱法中最受重视的一类方法,这种分析方法已经成为ICC(International Association for Cereal Science and Technology国际谷物科技协会)、AOAC(American Association of Official Analytical Chemists美国公职化学家协会)、AACC(American Association of Cereal Chemists美国谷物化学家协会)等行业协会的标准;各发达国家药典如USP(United States Pharmacopoeia美国药典)均收入了近红外光谱方法;我国2005年版的药典也将该方法收入。在应用方面近红外光谱分析技术已扩展到石油化工、医药、生物化学、烟草、纺织品等领域。发达国家已经将近红外方法做为质量控制、品质分析和在线分析等快速、无损分析的主要手段。 我国对近红外光谱技术的研究及应用起步较晚,上世纪70年代开始,进行了近红外光谱分析的基础与应用研究,到了90年代,石化、农业、烟草等领域开始大量应用近红外光谱分析技术,但主要是依靠国外大型分析仪器生产商的进口仪器。目前国内能够提供完整近红外光

空谱联合先验的高光谱图像解混与分类方法

空谱联合先验的高光谱图像解混与分类方法高光谱成像是近年来遥感领域发展较快、较前沿的技术。由于包含丰富的空间、辐射和光谱三重信息,高光谱遥感已被广泛应用于精准农业、矿物勘测、军事目标识别、环境监测、灾害评估等领域。 因此,对高光谱数据的处理与解译具有重要的理论意义和实际应用价值。高光谱解混和分类是高光谱遥感信息处理中的关键科学问题,也是定量分析以及后续应用的重要基础。 由于受仪器、大气辐射、光照不均、地物结构等因素的影响,相同地物的光谱曲线存在一定的差异,使得仅利用光谱信息的解混和分类方法的精度无法得到保障。空间信息可以充分刻画地物结构,有效降低“同质异谱”的影响,空谱联合的方法受到众多学者的重视。 本文研究围绕高光谱线性解混、分类等高光谱数据处理中的热点问题,重点提出基于光谱库的l1/2正则化稀疏回归解混方法、以及空谱联合的高光谱分类方法,并在此基础上设计了相应问题的高效算法。本文所做的主要工作和研究成果如下:1、根据高光谱线性解混模型,利用光谱库作为端元字典,将解混问题转化为稀疏回归问题;针对模型解的唯一性要求进行光谱库预优,利用l1/2范数对丰度系数向量进行稀疏正则化约束,在“和为一”、“非负性”条件下,提出了一种约束的l1/2正则化稀疏回归解混模型,并通过迭代重加权的l1算法进行优化求解。 模拟和真实高光谱数据实验表明,基于光谱库的l1/2正则化稀疏回归解混方法能够有效地从光谱库字典中选择出端元并准确反演出其对应的丰度系数。2、针对高光谱监督分类问题,在贝叶斯最大后验框架下,利用l1-l2正则化稀疏表

示方法对似然概率进行建模,并利用MRF分类标签的空间先验进行建模,提出了稀疏表示和马尔可夫场空间先验相结合的空谱联合分类模型,并通过图割算法进行了快速近似求解。 真实高光谱数据实验表明,基于稀疏表示与马尔可夫场空间先验相结合的高光谱分类模型能够有效地提升分类精度,且分类精度优于主流的分类方法。3、在贝叶斯推断框架下,采用稀疏多项式逻辑回归方法对似然概率进行建模,并将最大后验(MAP)分布的边际概率作为实值的隐形场引入到马尔可夫空间先验中,提出了一种加权马尔可夫场空间先验的高光谱分类方法。 利用最大后验边际概率上的加权TV函数定义该马尔可夫场的势函数,并将MAP分类模型转化为加权TV正则化的变分模型,同时添加“非负性”、“和为一”以及“训练样本类别标签固定”三个约束项,建立约束条件下的空谱分类模型,并利用ADMM方法提出了SMLR-SpATV (sparse multinomial logistic regression based spatially adaptive total variation method)算法对模型进行了快速求解。实验结果表明所提出的基于隐形场空间先验的空谱分类模型对高光谱分类的有效性,对比实验表明该方法优于主流的分类方法。 4、为了充分挖掘特征空间与原始空间、全局分类与局部分类的特点,提出了一种子空间逻辑回归分类器与稀疏表示分类器融合的空谱分类方法。其中,仅利用光谱信息的分类概率是由子空间逻辑回归分类器和稀疏表示分类器以一定的方式融合求得,空间先验信息由边缘保持的马尔可夫随机场进行建模。 最后,空谱模型采用图割算法进行快速优化求解。真实高光谱数据实验表明:多分类器融合能够充分发挥多个分类器的优点,分类结果大大高于单个分类器,且优于大部分主流的高光谱分类方法。

高光谱图像分类

《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月

一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初,是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线,将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起,使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高,人们对相关地物的光谱属性特征的了解也不断深入,许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现,这些因素大大加速了遥感技术的发展,使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前,必须进行必要的数据处理。常用的数据处理技术方法包括:数据降维、目标检测、变化检测等。其中,分类是遥感数据处理中比较重要的环节,分类结果不但直接提取了影像数据有效信息,可以直接运用于实际需求中,同时也是实现各种应用的前提,为后续应用提供有用的数据信息和技术支持,如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言,由于高光谱遥感的波谱覆盖范围较宽,因此我们可以根据需要选择特定的波段来突显地物特征,从而能够精确地处理地物的光谱信[2]。目前,许多国家开展大量的科研项目对高光谱遥感进行研究,研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感,并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。

高光谱遥感

高光谱遥感

? ? ? ?
高光谱遥感的基本概念 高光谱遥感器及平台简介 高光谱遥感技术 高光谱应用概况

高光谱遥感的基本概念
? 高光谱分辨率(简称为高光谱)遥感或成像光 谱遥感技术的发展是过去二十年中人类在对地 观测方面所取得的重大技术突破之一,是当前 遥感的前沿技术。它是指利用很多很窄的电磁 波波段获取许多非常窄且光谱连续的图像数据 的技术,融合了成像技术和光谱技术,准实时 地获取研究对象的影像和每个像元的光谱分布。

国际遥感界认为光谱分辨率在10-1λ数量级范围内的为多 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,如美陆地卫星TM和法国SPOT卫星等; 光谱分 辨率在10-2λ的遥感信息称之为高光谱(Hyperspectral)遥感。由 于其光谱分辨率高达纳米(nm)数量级,往往具有波段多的特 点,即在可见到近红外光谱区其光谱通道多达数十甚至超过 100以上。随着遥感光谱分辨率的进一步提高,在达到10-3λ 时,遥感即进入了超高光谱(Ultraspectral)阶段 、
光谱区域(nm) : 400 700 1100 2500 5500 14000
VIS VNIR
PIR
MIR
Sunlight 光谱分辨率 波段数 多光谱 高光谱 5-10 100-200 Δλ/λ 0.1 0.01 VNIR 50-100 5-20
IRT
MIR 100-200 10-50
IRT 1000-2000 100-500

近红外光谱技术在药物分析中的应用

近红外光谱技术在药物分析中的应用 1·前言 近红外光谱分析技术是分析化学领域迅猛发展的高新分析技术,越来越引起国内外分析专家的注目,在分析化学领域被誉为分析“巨人”,它的出现可以说带来了又一次分析技术的革命。 近红外(NIR)谱区是人类认识最早的非可见光谱区,波长范围在0.75—2.5 m之间,用波数表示时则在13330—4000cm-1之间。由于近红外的吸收谱带复杂,谱峰重叠,信号弱,在分析上难以应用,长期以来没有受到人们的重视。近十多年来,随着近红外仪器的改良,新的光谱理论和光度分析方法的建立,特别是计算机技术和化学计量学的广泛应用和迅速发展,使近红外光谱技术成为目前发展最快、最引人注目的分析技术,并以其简单快速、实时在线、无损伤无污染分析等特点,在复杂物质的分析上得到广泛应用。在包括制糖和制药的许多与化学分析和品质管理有关的行业中的应用前景极其广阔。 关于近红外光谱技术在制药行业中应用的文献报道越来越多,显示了近红外光谱技术在制药领域中越来越受到人们的重视。近红外光谱分析具有的快速实时、操作简单、无损伤测定、不受样品状态影响的特点很符合药物分析的要求。因此,在制药业中原料药的分析、药物制剂中水分、有效成分的分析、药物生产品质的过程控制等方面近红外光谱技术得到了十分广泛的应用。 2·光谱介绍 近红外光是介于可见光和中红外光之间的电磁波,根据ASTM(美国试验和材料检测协会)定义是指波长在780~2526nm范围内的电

磁波,习惯上又将近红外区划分为近红外短波(780~1100nm)和近红外长波(1100~2526nm)两个区域。 近红外光谱属于分子振动光谱的倍频和主频吸收光谱,主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的,具有较强的穿透能力。近红外光主要是对含氢基团X-H(X=C、N、O)振动的倍频和合频吸收,其中包含了大多数类型有机化合物的组成和分子结构的信息。由于不同的有机物含有不同的基团,不同的基团有不同的能级,不同的基团和同一基团在不同物理化学环境中对近红外光的吸收波长都有明显差别,且吸收系数小,发热少,因此近红外光谱可作为获取信息的一种有效的载体。近红外光照射时,频率相同的光线和基团将发生共振现象,光的能量通过分子偶极矩的变化传递给分子;而近红外光的频率和样品的振动频率不相同,该频率的红外光就不会被吸收。因此,选用连续改变频率的近红外光照射某样品时,由于试样对不同频率近红外光的选择性吸收,通过试样后的近红外光线在某些波长范围内会变弱,透射出来的红外光线就携带有机物组分和结构的信息。通过检测器分析透射或反射光线的光密度,就可以确定该组分的含量。 3·近红外光谱技术在制药业中的应用 3·1 原料和活性组分的测定 药物加工过程中第一步就是原料的鉴定,其质量的好坏直接决定后续加工过程的成败于否,而同一类型的原料中多变因素主要是湿度和颗粒大小,近红外光谱在湿度测定中的灵敏度及其适于固体表面的表征的特性,使他能够很快地得到样品的湿度和颗粒大小的信息,然

高光谱遥感图像研究意义及现状

高光谱遥感图像研究意义及现状 1研究高光谱遥感图像的意义 (1) 2高光谱遥感图像分类以及其基本现状 (2) 2.1图像预处理 (3) 2.2定义感兴趣地物类别并标记训练样本 (3) 2.3特征提取与特征选择 (4) 2.4分类判决 (4) 1研究高光谱遥感图像的意义 遥感图像是按一定比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式,因此遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征。遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。只要了解这些因素对遥感图像特征的影响,则可按图像特征判读地面物体的属性及其分布范围,实现遥感图像的分类识别。 高光谱遥感图像是一种高维图像,可反映地物的空间信息和光谱信息,其数据量庞大。随着传感器的不断更新,人们已经可以在不同的航空、航天遥感平台上获取不同时空间分辨率和光谱分辨率的遥感影像。高光谱遥感与以往遥感技术相比,具有图谱合一的特征和从可见光到红外甚至热红外的一系列波段,是一种综合性的遥感技术手段。特别是在地面的信息比较微弱的情况下,高光谱遥感具有识别微弱信息和定量探测的优势。 发展高光谱遥感技术,满足军事和民用对该技术的需求,开展该领域的研究是非常必要而有实际意义的。发展以地物精确分类、地物识别、地物特征信息提取为目标的超光谱遥感信息处理模型,提高超光谱数据处理的自动化和智能化水平。 高光谱遥感技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起,而许多物质的特征往往表现在一些狭窄的光谱范围内,高光谱遥感实现了获取地物的光谱特征同时又不失其整体形态及其与周围地物的关系。 高光谱技术产生的一组图像所提供的丰富信息可以显著地提高数据分析的质量、细节性、可靠性以及可信度,可有效地用于地物类型的像素级甚至亚像素级识别,己广泛应用于地质勘探与地球资源调查、城市遥感与规划管理、环境与

01高光谱遥感第一讲

研究生选修课:《高光谱遥感》2009-2010学年第二学期 高光谱遥感 Lecture 1:An Overview of Hyperspectral Remote Sensing 主讲:张显峰 北京大学地球与空间科学学院 遥感与GIS研究所 2010年3月1日 研究生选修课:《高光谱遥感》2009-2010学年第二学期 Who am I? ?张显峰,副教授,北京大学遥感与地理信息系统研究所 ?1993~2000,中国科学院遥感应用研究所工作 ?1997~2000,获中国科学院遥感所地图学与地理信息系统专业博士学位 ?2001~2005,获加拿大西安大略大学遥感信息科学专业博士学位 ?Contact Information(联系方式): Email: xfzhang@https://www.doczj.com/doc/0310634352.html,, Tel:62759123 RM: 遥感楼427

研究生选修课:《高光谱遥感》2009-2010学年第二学期 课程说明 课程名称(中文):高光谱遥感 课程名称(英文):Hyperspectral Remote Sensing 学分/学时:2 / 34 课程类型:专业选修 星期一:7、8节(14:40 -15:30);理教116 https://www.doczj.com/doc/0310634352.html,/persons/zhangxianfeng/HyperRS 研究生选修课:《高光谱遥感》2009-2010学年第二学期 课程目标 为“摄影测量与遥感”专业研究生开设的专业选修课程,重点介绍高光谱遥感的基本理论与概念、高光谱数据处理、专题信息提取与应用; 作为遥感技术的重要研究前沿,本课程将重点介绍数据处理方法与前沿研究领域与问题; 以高光谱数据在岩性矿物信息提取和生态遥感研究中的应用为实例,揭示高光谱遥感的应用特点与前景。

高光谱遥感实习报告

高光谱遥感实习报告 目录 一.数据预处理 (2) 1. 数据说明 (2) 2.数据转换 (3) 2.FLAASH大气校正 (4) 3.图像裁剪 (7)

二.光谱识别与地物分析 (8) 1.波段相关性分析 (8) 2.MNF变换 (8) 3.端元提取 (10) 3.1 2-D散点图法 (10) 3.2基于PPI的端元提取(N维散点图法) (13) 三.实习心得 (19) 一.数据预处理 1.数据说明 环境与灾害监测预报小卫星星座A、B星(简称环境小卫星,简写HJ-1A /1B)于2009

年3月30日开始正式交付使用,HJ-1-A星搭载了CCD相机和超光谱成像仪(HSI),HJ-1-B 星搭载了CCD相机和红外相机(IRS)。HJ-1A /1B卫星是继我国继气象、海洋、国土资源卫星之后一个全新的民用卫星。卫星投入使用后,对自然灾害、生态破坏、环境污染进行大范围、全天候、全天时的动态监测,对灾害和环境质量进行快速和科学评估,提高灾害和环境信息的观测、采集、传送和处理能力,为紧急救援、灾后救助及恢复重建和环境保护工作提高科学依据。 HSI 对地成像幅宽为50 km, 星下点像元地面分辨率为100 m,115个波段,工作谱段:459~ 956nm。具有30度侧视能力和星上定标功能。HJ-1数据应用于自然灾害、生态环境之前,需要进行几何及光谱方面的预处理。ENVI在数据读取、图像配准、精确大气校正等方面提供了非常好的工具。 2.数据转换 目前,网上免费获取的HJ-1A /1B卫星CCD和HSI影像的分发的格式主要有两种:CCD 为Geotiff,每一个波段为一个Geotiff文件,并提供一个元数据说明(.XML); HSI为HDF5格式,也提供一个元数据说明(.XML)。 使用HJ-1数据读取补丁,启动ENVI->File->Open External File->HJ-1->HJ-1A /1B Tools工具。直接读取CCD、HIS、IRS数据,之后选择Basic Tools->Convert Data(BSQ,BIL,BIP),将刚才生成的文件转成BIL储存顺序的文件。至此,已经将HSI数据转成BIL储存顺序、带有中心波长信息、波段宽度信息的ENVI格式文件。 图1.1 HJ-1A /1B Tools面板

红外光谱分析

红外光谱分析 序言 二十世纪初叶,Coblentz发表了一百多个有机化合物的红外光谱图,给有机化学家提供了鉴别未知化合物的有力手段。到四十年代红外光谱技术得到了广泛的研究和应用。当今红外光谱仪的分辨率越来越高,检测范围扩展到10000-200cm-1,样品量少至微克级。红外光谱提供的某些信息简捷可靠,检测样品中有无羰基及属于哪一类(酸酐、酯、酮或醛)是其他光谱技术难以替代的。因此,对从事有机化合物为研究对象的化学工作者来说,红外光谱学是必需熟悉和掌握的一门重要光谱知识。 一、基本原理 1、基本知识 光是一种电磁波。可根据电磁波的波长范围分成不同类型的光谱,它们各自反映出物质的不同类型的运动形式。表1列出这些电磁波的波长,其所在区域的光谱名称,以及对应的运动形式。 红外光谱研究的内容涉及的是分子运动,因此称之为分子光谱。通常红外光谱系指2-25μ之间的吸收光谱,常用的为中红外区4000-650cm-1或4000-400cm-1。 这段波长范围反映出分子中原子间的振动和变角振动,分子在振

动运动的同时还存在转动运动。在红外光谱区实际所测得的图谱是分子的振动与转动运动的加合表现,即所谓振转光谱。 每一化合物都有其特有的光谱,因此使我们有可能通过红外光谱对化合物作出鉴别。 红外光谱所用的单位波长μ,波数cm-1。光学中的一个基本公式是λυ= C,式中λ为波长,υ为频率,C为光速(3×1010cm/s)。设υ为波数,其含义是单位长度(1cm)中所含的波的个数,并应具有以下关系:波数(cm-1)=104/波长(μ) 波长和波数都被用于表示红外光谱的吸收位置,即红外光谱图的横坐标。目前倾向于普遍采用波数为单位,而在图谱上方标以对应的波长值。红外光谱图的纵坐标反映的是吸收强度,一般以透过率(T%)表示。 2、红外光谱的几种振动形式 主要的基本可以分为两大类:伸缩振动和弯曲振动。 (1)伸缩振动(υ) 沿着键轴方向伸或缩的振动,存在对称与非对称两种类型。它的吸收频率相对在高波数区。 (2)弯曲振动(δ) 包括面内、面外弯曲振动,变角振动,摇摆振动等。它的吸收频率相对在低波数区。 4000cm-1(高)400cm-1(低) 3、红外光谱吸收峰主要的几种类型 (1)基频峰:伸缩振动,弯曲振动产生的吸收峰均为基频峰。 (2)倍频峰:出现在基频峰波数二倍处。如基频为900cm-1,倍频为 1800cm-1。 4、红外光谱吸收峰的强度

高光谱遥感的发展与应用_张达

第11卷 第3期2 013年6月光学与光电技术 OPTICS &OPTOELECTRONIC  TECHNOLOGYVol.11,No.3  June,2013收稿日期 2012-09-29; 收到修改稿日期 2012-12- 13作者简介 张达(1981-) ,男,博士,副研究员,硕士生导师,主要从事空间光学遥感仪器的研制、空间光学成像,以及光谱探测技术方面的研究。E-mail:zhangda@ciomp .ac.cn基金项目 国防预研基金(SA050),国家863高技术研究发展计划(2010AA1221091001) ,吉林省科技发展计划(201101079 )资助项目文章编号:1672-3392(2013)03-0067- 07高光谱遥感的发展与应用 张 达 郑玉权 (中国科学院长春光学精密机械与物理研究所,吉林长春130033) 摘要 阐述了高光谱遥感的特点、优势,以及在航空及航天领域的发展情况,列举了几种典型高光谱成像仪的光学系统原理和主要技术指标。在此基础上, 概述了高光谱遥感在植被生态、大气环境、地质矿产、海洋、军事等领域的应用情况。最后对高光谱遥感发展趋势提出了几点建议,包括低反射率目标遥感、高信噪比、高空间分辨率及宽覆盖范围等方面。关键词 高光谱遥感;发展;应用;成像光谱仪中图分类号 TP70 文献标识码 A 1 引 言 遥感技术是20世纪60年代发展起来的对地 观测综合性技术[1] ,随着20世纪80年代成像光谱 技术的出现, 光学遥感进入了高光谱遥感阶段。从20世纪90年代开始, 高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。 高光谱遥感技术作为对地观测技术的重大突破[ 2] ,其发展潜力巨大。 高光谱遥感实现了遥感数据图像维与光谱维信息的有机融合,在光谱分辨率上有巨大优势,是遥感发展的里程碑。随着高光谱遥感技术的日趋成熟,其应用领域也日益广泛,已渗透到国民经济的各个领域,如环境监测、资源调查、工程建设等,对于推动经济建设、社会进步、环境的改善和国防建设起到了重大的作用。本文主要阐述高光谱遥感的特点、优势以及在航空及航天领域的发展情况,概括了高光谱遥感在植被生态、大气环境、地质矿产, 海洋军事等领域的应用情况。2 高光谱遥感特点与优势 高光谱遥感是高光谱分辨率遥感(Hypersp ec-tral Remote Sensing) 的简称[3] ,它是在电磁波谱的紫外、可见光、近红外、中红外和热红外波段范围 内,获取许多非常窄且光谱连续的影像数据的技 术,是在传统的二维遥感的基础上增加了光谱维,形成的一种独特的三维遥感。对大量的地球表面物质的光谱测量表明, 不同的物体会表现出不同的光谱反射和辐射特征,这种特征引起吸收峰和反射峰的波长宽度在5~50nm左右,其物理内涵是不同的分子、 原子和离子的晶格振动,引起不同波长的光谱发射和吸收,从而产生了不同的光谱特征。运用具有高光谱分辨率的仪器,通过获取图像上任何一个像元或像元组合所反映的地球表面物质的光谱特性, 经过后续数据处理,就能达到快速区分和识别地球表面物质的目的[ 4] 。高光谱遥感的成像光谱仪具有光谱分辨率高(5~10nm),光谱范围宽(0.4μm~2.5μm) 的显著特点,可以分离成几十甚至数百个很窄的波段来接收信息, 所有波段排列在一起能形成一条连续的完整的光谱曲线,光谱的覆盖范围从可见光、近红外到短波红外的全部电磁辐射波谱范围。高光谱数据是一个光谱图像的立方体,其空间图像维描述地表二维空间特征,其光谱维揭示图像每一像元的光谱曲线特征,由此实现了遥感数据图像维与光谱 维信息的有机融合[ 5] 。高光谱遥感在光谱分辨率方面的巨大优势,使得空间对地观测时可获取众多连续波段的地物光谱图像, 从而达到直接识别地球表面物质的目的。地物光谱维信息量的增加为遥感对地观测、地物识别及地理环境变化监测提供了

高光谱遥感数据的大气校正

实验二高光谱遥感数据的大气校正 --GIS0901 赵建平 2009303200901 一. 基本概念: a)大气散射 辐射在传播过程中遇到小微粒而使传播方向改变,并向各个方向散开,称为散射。大气散射是电磁波同大气分子或气溶 胶等发生相互作用,使入射能量以一定规律在各方向重新分布 的现象。其实质是大气分子或气溶胶等粒子在入射电磁波的作 用下产生电偶极子或多极子振荡,并以此为中心向四周辐射出 与入射波频率相同的子波,即散射波。散射波能量的分布同入 射波的波长、强度以及粒子的大小、形状和折射率有关。 b)大气吸收和地面遥感可以利用的主要大气窗口 对遥感传感器而言,只有选择透过率高的波段才对观测有意义。电磁波通过大气层较少被反射、吸收和散射的那些透射 率高的波段成为大气窗口。通常把太阳光透过大气层时透过率 较高的光谱段称为大气窗口。大气窗口的光谱段主要有: 微波波段(即0.8~2.5cm),由于微波穿云透雾能力强,这一区间可以用于全天候观测,而且是主动遥感方式。 远红外波段(即8~14μm),主要通透来自地物热辐射的能量,适用于夜间成像。 中红外波段(即3.5~5.5μm),该波段除了反射外,地面物体也可以自身发射热辐射能量。 近、中红外波段(即1.5~1.8μm和2.0~3.5μm),是白天

日照条件好时扫描成像的常用波段。 紫外、可见光和近红外波段(即0.3~1.3μm)这一波段是摄影成像的最佳波段,也是许多卫星传感器扫描成像的常用波段。 c)天空为什么是蓝色的?太阳升起和落下时天空为什么是红色 或橘红色? 我们所看到的蓝天是因为空气分子和其他微粒对入射的太阳光进行选择性散射的结果。当微粒的直径小于可见光波长时,散射强度和波长的4次方成反比,不同波长的光被散射的比例不同。当太阳光进入大气后,空气分子和微粒(尘埃、水滴、冰晶等)会将太阳光向四周散射。组成太阳光的红、橙、黄、绿、蓝、靛、紫7种光中,红光波长最长,紫光波长最短。 波长比较长的红光透射性最大,大部分能够直接透过大气中的微粒射向地面。而波长较短的蓝、靛、紫等色光,很容易被大气中的微粒散射。因此晴天天空是蔚蓝的。 当太阳将要落山时,太阳光穿透大气层到达观察者所经过的路程要比中午时长得多,更多的光被散射和反射,所以光线也没有中午时明亮。因为在到达所观察的地方,波长较短的光——蓝色和紫色的光几乎已经散射殆尽,只剩下橙色和红色的光,所以随着太阳慢慢落下,天空看起来也从橙色变成红色。 同样道理,当太阳升起的时候,也是橙色或者红色的。 d)为什么要进行大气校正?

高光谱遥感影像的光谱匹配算法研究概要

https://www.doczj.com/doc/0310634352.html, 中国科技论文在线高光谱遥感影像的光谱匹配算法研究 蔡燕1,梅玲2作者简介:蔡燕,(1984-),女,硕士研究生,主要研究方向:高光谱遥感 通信联系人:梅玲,(1984-),女,助理工程师,主要研究方向:水文地质. E-mail: meilingcumt@https://www.doczj.com/doc/0310634352.html, (1. 中国矿业大学环境与测绘学院,江苏徐州 221008; 2. 江苏煤炭地质勘探四队,南京 210046) 摘要:在高光谱遥感影像处理中,光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开,分析讨论了常用的几种光谱匹配技术的特点,根据先验知识建立了多种地物标准光谱库,并将其读入程序存储,基于Visual C++平台实现了最小距离匹配,光谱角度匹配,四值编码匹配法,最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。 关键词:高光谱;光谱匹配;最小距离匹配;光谱角度匹配;四值编码 中图分类号:TP751 The Study on the Spectral Matching Technique of hyperspectral romote sensing Cai Yan1, Mei Ling2 (1. School Of Environment Science and Spatial Informatics China University of Mining and Technology, JiangSu XuZhou 221008;

2. JiangSu Geological Prospecting Team Four, NanJing 210046 Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes. Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding 0 引言 高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一,与传统的多光谱遥感技术相比,高光谱分辨率遥感的核心特点是图谱合一,即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱 维上进行图像信息的展开和定量分析。 高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上,结合高光谱数据特点,对高光谱图像数据进行目标识别,是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率,且光谱通道连续,因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线,将其与地物波谱库中的光谱曲线进行匹配运算,实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一,主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较,求算他们之间的相似性或差异性,突出特征谱段,有小提取光谱维信息,以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小 距离法,光谱角度匹配法,以及四值编码法,进行精度分析与方法比较。

高光谱遥感及其发展与应用综述

高光谱遥感及其发展与应用综述 摘要:高光谱遥感是20世纪80年代兴起的新型对地观测技术。文中归纳了高光谱遥感技术波段多、波段宽度窄,光谱分辨率高,数据量大、信息冗余,“图谱合一”等特点,具有近似连续的地物光谱信息、地表覆盖的识别能力极大提高、地形要素分类识别方法灵活多样、地形要素的定量或半定量分类识别成为可能等优势,简单介绍了高光谱遥感在国外及国内的发展情况。在此基础上,概述了高光谱遥感在地质矿产、植被生态、大气科学、海洋、农业等领域的应用。 关键词:高光谱遥感;发展;应用 1高光谱遥感 高光谱分辨率遥感是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。它的基础是测谱学。测谱学早在20世纪初就被用于识别分子和原子及其结构,20世纪80年代才开始建立成像光谱学。它是在电磁波谱的紫外、可见光、近红外和中红外区域,获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个象元提供数十至数百个窄波段光谱信息,能产生一条完整而连续的光谱曲线。 1.1高光谱遥感的特点 (1)波段多,波段宽度窄。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。与传统的遥感相比,高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段,波段数与多光谱遥感相比大大增多,在可见光和近红外波段可达几十到几百个,且在某个光谱区间是连续分布的,这不只是简单的数量的增加,而是有关地物光谱空间信息量的增加。 (2)光谱响应范围广,光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外,甚至到中红外。成像光谱仪采样的间隔小,光谱分辨率达到纳米级,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。 (3)可提供空间域信息和光谱域信息,即“谱像合一”,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。在成像高光谱遥感中,以波长为横轴,灰度值为纵轴建立坐标系,可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线,即所谓的“谱像合一”。(4)数据量大,信息冗余多。高光谱数据的波段众多,其数据量巨大,而且由于相邻波段的相关性高,信息冗余度增加。 (5)数据描述模型多,分析更加灵活。高光谱影像通常有三种描述模型:图像模型、光谱模型与特征模型。 1.2高光谱的优势 高光谱遥感的光谱分辨率的提高,使地物目标的属性信息探测能力有所增强。因此,较之全色和多光谱遥感,高光谱遥感有以下显著优势: (1)蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建,能获取

高光谱图像分类讲解学习

高光谱图像分类

《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月

一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初,是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线,将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起,使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高,人们对相关地物的光谱属性特征的了解也不断深入,许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现,这些因素大大加速了遥感技术的发展,使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前,必须进行必要的数据处理。常用的数据处理技术方法包括:数据降维、目标检测、变化检测等。其中,分类是遥感数据处理中比较重要的环节,分类结果不但直接提取了影像数据有效信息,可以直接运用于实际需求中,同时也是实现各种应用的前提,为后续应用提供有用的数据信息和技术支持,如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言,由于高光谱遥感的波谱覆盖范围较宽,因此我们可以根据需要选择特定的波段来突显地物特征,从而能够精确地处理地物的光谱信[2]。目前,许多国家开展大量的科研项目对高光谱遥感进行研究,研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感,并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术,但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4],因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担,同时也加剧了数据处理过程的复杂性,并且由于波段与波段间存在着大量的冗余信息,从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统

高光谱遥感数据处理基础

泛函分析概括 高光谱遥感应用中,如何度量光谱间的相似性一直高光谱图象处理的核心问题,因而我们有必要先交代下度量空间的一些概念。 度量空间:所谓度量空间,就是指对偶(,)X d ,其中X 是一个集合,d 是X 上的一个度量(或X 上的距离函数),即d 是定义在X X ?上且对所有,,X ∈x y z 满足以下四条公理的函数: (1) d 是实值、有限和非负的。 (2) 当且仅当=x y 时,(,)0d =x y 。 (3) (,)(,)d d =x y y x (对称性)。 (4) (,)(,)(,)d d d ≤+x y x z z y (三角不等式)。 度量空间给出来空间中元素“距离”的度量,因而使得空间中的元素可比较。但是,仍需要在空间中引入代数结构,使得元素之间可进行代数运算。因而,这里需要引入线性空间。 线性空间:所谓域(K R 或C)上的线性空间是指一个非空集合X ,且其元素,,x y (称为矢量)关于X 和K 定义了两种代数运算。这两种运算分别叫做矢量的加法与标量的乘法。 矢量的加法是,对于X 中的每一对矢量(,)x y ,与其相联系的一个矢量+x y ,叫做矢量之和。按这种方式它还具有下述性质:矢量加法是可交换的和可结合的,即对所有矢量都有 ()()+=+++=++x y y x x y z x y z 此外存在零矢量,X ∈0并对每个矢量x ,存在有-x ,使得对一切矢量有 ()+=+-=x 0x x x 0 矢量与标量的乘法是,对于每个矢量x 和每个标量α,与其相联系的一个矢量αx ,叫做α与x 之积。按这种方式对一切,x y 和标量,,αβ具有

()()1αβαβ==x x x x 和分配律 ()()ααααβαβ+=++=+x y x y x x y 在很多情况下因为线性空间X 上定义了度量d ,所以X 同时也是一个度量空间。然而,如果X 的代数结构与度量没有什么关系的话,我们就不能指望把代数的概念和度量的概念结合在一起。为了保证X 的代数性质与几何性质有如此的关系,我们首先需要引入一个辅助的所谓“范数”的概念,其中要用到线性空间的代数运算。然后再用范数诱导出我们希望的度量d ,这一想法就导出了赋范空间的概念。简单的说,赋范空间把线性空间的代数结构和其作为度量空间的度量紧密结合在一起。 赋范空间:所谓赋范空间X ,就是指在其上定义了范数的线性空间X 。而所谓线性空间X 上的范数,就是指定义在X 上的一个实值函数,它在X ∈x 的值记为x ,并且具有如下性质: (1)0≥x (2)0=?=x x 0 (3)αα=x x (4)+≤+x y x y 其中,x y 是X 中的任意矢量,α为任意标量。 巴拿赫空间:所谓巴拿赫空间就是完备的赋范空间(这里的完备性是按范数定义的度量来衡量的,见下面公式) (,)d =-x y x y ,X ∈x y 此度量叫做由范数所诱导的度量。 由范数所诱导的度量具备以下基本性质: 引理(平移不变性):在赋范空间X 上,由范数诱导的度量d ,对所有的,X ∈x y 及每个标量α,都满足

高光谱遥感影像分类算法 - SVM

高光谱遥感影像分类算法——SVM 1高光谱遥感简介 20 世纪 80 年代以来,遥感技术的最大成就之一就是高光谱遥感技术的兴起[1]。高光谱遥感技术又称成像光谱遥感技术,始于成像光谱仪的研究[2]。所谓高光谱遥感(Hyperspectral Remote Sensing)通俗地说就是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据的方法。高光谱遥感的最大特点是,在获得目标地物二维空间影像信息的同时,还可以获得高分辨率的可表征其地物物理属性的光谱信息,即人们常说的具有“图谱合一”的特性。可见,与全色、彩色和多光谱等图像数据相比,高光谱影像革命性地把地物的光谱反射信息、空间信息和地物间的几何关系结合在了一起[3]。因此,可以很客观地说,高光谱遥感是代表遥感最新成就的新型技术之一,同时也是目前国内外学者,特别是遥感领域的学者的研究热点之一[4-5]。 2高光谱遥感研究背景 在以美国为代表的成像光谱仪研制成功,并获得高光谱影像数据后,高光谱遥感影像由于其蕴含了丰富的信息(包括地物的空间位置、结构以及光谱特性等信息)使得人们对地物的识别有了显著的提高,并且在许多方面和领域(比如,农业、林业、地质勘探与调查和军事等)都体现出了潜在的巨大应用价值[6]。虽然高光谱影像数据的确为我们的提供了丰富的对地观测信息,但也正是因为高光谱庞大的数据量和高维数的问题使得我们目前对高光谱数据的处理能力显得较为低效,而这也在一定程度上制约了高光谱数据在现实生产和生活的广泛应用与推广[7-8]。因此,为了响应人们对高光谱影像数据处理方法所提出的新的迫切要求,也为了充分利用高光谱数据所包含的丰富信息以最大程度地发挥高光谱的应用价值,我们必须针对高光谱数据的独有特点,在以往遥感图像数据处理技术的基础上,进一步改善和发展高光谱遥感影像处理分析的方法与技术。 3高光谱遥感分类研究 3.1分类的意义 分类是人类了解和认识世界的不可或缺的基本手段。人类的日常生活和生产实践都离不开,也不可能离开分类活动。面对海量数据,人类需要借助计算机来对自身感兴趣的数据进行自动、高效和准确地分类。这一迫切需求已体现在各个

相关主题
相关文档 最新文档