高光谱遥感实验
高光谱遥感
• 中国：MAIS、PHI、OMIS-1（10个热波段）、 中国： 个热波段）、 、 、 （ 个热波段 CMODIS（神舟III号） 、Env-DD（环境灾害小卫星） （神舟 号 （环境灾害小卫星）
三、高光谱遥感技术优势与局限性
优势 1：充分利用地物波谱信息资源 ：
图 不同波谱分辨率对水铝反射光谱曲线
优势 2： 利用波形 精细光谱特征进行分类与识别地物 ： 利用波形/精细光谱特征进行分类与识别地物
Al-OH
Paragonite
Muscovite
Phengite
三种类型的白云母精细光谱特征
岩石的光谱发射率特征
航空高光谱遥感飞行设计图
（2）光谱特征参数定量分析技术 ）
不同水分含量的叶片的光谱反射率
RWC(%)=24.5+7.13*面积 (R2=0.845)
（3）光谱匹配技术（二值编码） ）光谱匹配技术（二值编码） • 岩矿光谱分类与识别
岩石和矿物
2.15-2.31微米 粘 土 矿 2.24-2.31微米 Mg-OH 对称性>1 滑石 2.15-2.19微米 叶蜡石 2.31-2.35微米 碳 酸 盐
优势 3： 利用图 谱实现自动识别地物并制图 ： 利用图-谱实现自动识别地物并制图
局限1：海量数据的传输、 局限 ：海量数据的传输、处理与存储 128波段的 波段的OMIS: 采集数据速率 采集数据速率60Mb/s；400Mb/km2 波段的 ；
高光谱遥感信息的图像立方体表达形式是一种新 高光谱遥感信息的图像立方体 表达形式是一种新 型的数据存储格式， 型的数据存储格式，其正面图像是由沿飞行方向的扫 描线合沿扫描方向的像元点组成的一景优选的三波段 合成的二维空间彩色影像； 合成的二维空间彩色影像；其后面依次为各单波段的 图象叠合，其数据量为所有波段图像的总和； 图象叠合，其数据量为所有波段图像的总和；位于图 像立方体边缘的信息表达了各单波段图像最边缘各像 元的地物辐射亮度的编码值或视反射率。 元的地物辐射亮度的编码值或视反射率。
作物长势高光谱
作物长势高光谱
作物长势高光谱遥感是一种利用高光谱遥感技术来监测作物生长状况的方法。
高光谱遥感技术可以通过获取农田地表的多个波段反射光谱信息来分析农作物的生长状态和长势，同时还可以获取植被的生理和生态参数，进而分析农作物的生长状况、营养状况和病虫害情况。
相比传统的遥感方法，高光谱遥感技术具有更高的精度和灵活性，可以更准确地监测作物的生长状况和变化趋势。
通过对高光谱数据的分析和处理，可以提取出与作物生长相关的特征信息，如叶面积指数、生物量、叶绿素含量等，从而实现对作物长势的精准评估。
在作物长势高光谱遥感中，常用的方法包括高光谱图像采集、数据处理和分析、模型建立等。
其中，高光谱图像采集可以通过飞机、卫星等遥感平台来完成，可以获取大范围的农田高光谱数据。
数据处理和分析则是通过对高光谱数据的预处理、特征提取和分类识别等步骤，提取出与作物长势相关的特征信息。
模型建立则是利用提取的特征信息建立预测模型，实现对作物长势的精准预测。
在实际应用中，作物长势高光谱遥感技术可以为农业生产提供重要的决策支持，如制定合理的施肥方案、控制病虫害等。
同时，还可以为科研人员提供更加精准的实验数据和分析结果，有助于推动农业科技的进步和发展。
传感器实训报告
常用传感器实训报告高光谱遥感一、实训目的：1、高光谱遥感技术的最初应用就是在地质上，蚀变带是找矿的重要依据，同时，蚀变带在2.2微米处具有光谱吸收特征，其吸收光谱的半带宽在10纳米到50纳米之间。
因此，具有10纳米光谱分辨率的成像光谱仪就有能力直接通过遥感发现蚀变带，以确定找矿的靶区。
同时，通过对植被光谱特征的分析也是找矿的依据，由于矿物中金属离子对植被的侵蚀，会引起植被的病变，使得植被近红外高反射峰就会向短波方向移动5--20纳米，称为“红边蓝移”现象。
高光谱遥感就有能力发现这种现象。
2、人类“鸟瞰”地球的梦想催生了遥感这门科学的兴起，高光谱遥感是遥感科学最前沿的领域。
新中国建立后特别是最近的20多年，中国的高光谱遥感科技研究取得了长足的发展，在某些方面的应用技术实现了出口。
但是，由于缺乏持续性的支持，我们在仪器研制方面还处于落后局面。
人类鸟瞰地球的梦想遥感通俗讲就是遥远的感知，是通过电磁波和记录的相互作用，以波谷和空间两维成像的方式来勘测记录的技术。
3、高光谱(hyper spectral)遥感是上世纪末地球观测系统中最重要的技术突破之一，它克服了传统单波段、多光谱遥感在波段数、波段范围、精细信息表达等方面的局限性，以较窄的波段区间、较多的波段数量提供遥感信息，能够从光谱空间中对地物予以细分和鉴别，在资源、环境、城市、生态等领域得到了广泛应用。
本文介绍了高光谱遥感技术的原理，列举了高光谱技术的运用，以及叙述了其前景与展望。
因此学好高光谱遥感对我们了解遥感这门学科有很好的促进作用。
二、实训内容：1、高光谱遥感的发展：、1957年10月，前苏联发射了第一颗人造地球卫星，拉开了人类进入航天遥感的序幕，他们把相机放在卫星上，围着地球转，对地面进行拍摄。
1972年，美国发射了陆地卫星，这是航天遥感的标志性事件。
二十世纪八十年代遥感领域最重要的发展之一就是高光谱遥感的兴起。
从二十世纪九十年代开始，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[1]。
高光谱遥感图像分类准确度分析与评估算法改进
高光谱遥感图像分类准确度分析与评估算法改进摘要：随着遥感技术的发展和高光谱遥感图像数据的广泛应用，图像分类准确度成为评估遥感图像处理算法优劣的重要指标之一。
本文通过分析目前常用的高光谱遥感图像分类算法，发现存在一些问题，例如对于光谱特征提取不准确、样本分布不均衡、特征选择不合理等。
因此，本文提出了几种改进的算法，包括基于深度学习的特征提取和分类、模型融合方法等，以提高高光谱遥感图像分类的准确度。
1. 引言高光谱遥感图像是利用能够接收地物反射或辐射的多个波段信息进行图像获取和解译的一种遥感数据。
由于其具有更多的波段信息和更高的光谱分辨率，高光谱图像能够提供更多的地物属性信息，因此在农业、环境监测、城市规划等领域具有广泛的应用前景。
而高光谱遥感图像的分类准确度，则直接关系到地物分类的精度和应用效果。
2. 目前高光谱遥感图像分类算法存在的问题2.1 光谱特征提取不准确对高光谱遥感图像进行分类，首先需要提取有意义的光谱特征。
目前常用的方法有基于PCA（主成份分析）、SAM（光谱角度匹配）等。
然而，这些方法在提取光谱特征时，容易由于数据噪声、信噪比低等原因导致提取结果不准确，从而影响图像分类的准确度。
2.2 样本分布不均衡高光谱遥感图像分类中，不同类别的样本数量通常是不均衡的。
样本分布不均衡会导致训练的模型对多数类别的分类准确度较高，而对少数类别的分类准确度较低。
这样会影响整体分类的准确度。
2.3 特征选择不合理在高光谱图像分类中，特征选择对分类的准确度起着重要的作用。
目前常用的特征选择方法有相关系数法、信息增益法等。
然而，这些方法在选择特征时，往往无法准确地评估特征与类别之间的关联程度，导致选取的特征不一定是最具代表性和区分性的。
3. 高光谱遥感图像分类准确度分析与评估算法改进3.1 基于深度学习的特征提取和分类深度学习在计算机视觉领域取得了巨大成功，对于高光谱遥感图像分类也有着广泛的应用。
通过使用已经在自然图像领域得到验证的深度神经网络，可以实现对高光谱图像的特征提取和分类。
高光谱遥感
25
高光谱影像分析技术：
国内外关于成像光谱仪的遥感应用研究中，所采用 的分析方法可归纳为两大类： 一、 基于纯像元的分析方法 （1）。。。
（2）。。。
二、基于混合像元的分析方法
21
PHI和OMIS成像光谱仪的技术指标
22
• 2002年3月在我国载人航天计划中发射的第三艘试验飞船“神 舟三号”中，搭载了一台我国自行研制的中分辨率成像光谱 仪。这是继美国EOS计划MODIS之后，几乎与欧洲环境卫星 （ENVISAT）上的MERIS同时进入地球轨道的同类仪器。它 在可见光到热红外波长范围（0.4-12.5μm）具有34个波段。 • 2007年10月24日我国发射的“嫦娥-1”探月卫星上，成像光谱 仪也作为一种主要载荷进入月球轨道。这是我国的第一台基 于富里叶变换的航天干涉成像光谱仪，它具有光谱分辨率高 的特点。 • 2008年发射的环境与减灾小卫星（HJ-1）星座中，也搭载一 台工作在可见光—近红外光谱区（0.45—0.95μm）、具有128 个波段、光谱分辨率优于5nm的高光谱成像仪。它将对广大 陆地及海洋环境和灾害进行不间断的业务性观测。 • “风云-3”气象卫星也将中分辨率光谱成像仪作为基本观测仪 器，纳入大气、海洋、陆地观测体系，为对地球的全面观测 和监测提供服务。
18
19
我国高光谱发展：
• 80年代，研制和发展了新型模块化航空成像光谱仪 （MAIS）。这一成像光谱系统在可见—近红外—短波红 外具有64波段，并可与6-8波段的热红外多光谱扫描仪集 成使用，从而使其总波段达到70—72个。
• 高光谱仪器的研制成功，为中国遥感科学家提供了新的技 术手段。通过在我国西部干旱环境下的地质找矿试验，证 明这一技术对各种矿物的识别以及矿化蚀变带的制图十分 有利，成为地质研究和填图的有效工具。
5_高光谱遥感_反演建模
5.3 多元线性回归分析模型
多元线性回归模型：
建立模型的步骤：
5.3 多元线性回归分析模型
多元线性回归模型
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.3 多元线性回归分析模型
多元线性回归模型：
5.4 非线性分析反演模型
一、模式识别：
模式是供模仿用的理想样本。 所谓模式识别,是指从待识别对象中识别出哪些对象与已知模 式相同或相近。 在日常生活中,人们经常用感宫来识别图形、文字、语言等。 在科学技术中,通过气象卫星资料的分析和处理,对未来天气属于何 种类型作出预报；医生通过病情分析,对病人所患病情作出判断； 地质工作者通过对地质资料的分析,对矿藏分布情况作出判断,等等。 这些工作的共同特点是给出了各种已经模式,识别给定的对象属于 哪一种类型,这就是模式识别。 根据光谱信息和样本数据，判断每个像元对应研究对象的大小， 属于模式识别问题。
5.4 非线性分析反演模型
5.4 非线性分析反演模型
5.4 非线性分析反演模型
5.4 非线性分析反演模型
5.4 非线性分析反演模型
一、模式识别：
土壤含水量距离贴近度识别结果
5.4 非线性分析反演模型
二、BP神经网络法： 1、基本原理
5.4 非线性分析反演模型
二、BP神经网络法： 2、模型结构
5.2 一元回归分析模型
一元线性回归模型：
回归分析方法，是研究要素之间具体的数量关系的一种强有力的 工具，运用这种方法能够建立反映光谱特征与研究要素之间具体的数 量关系的数学模型，即回归模型。
遥感上机高光谱数据分析实验
实验一高光谱数据分析一、实验目的理解波谱库的概念，掌握波谱库操作、浏览和提取影像反射率，学会从感兴趣区中提取波谱信息，并进行彩色合成。
实验过程：打开cup95_at.int，在可用波段列表对话框中，选择Band 193（2.2008um）点击Gray Scale 单选按钮，然后点击Load Band。
将灰度影像加载到显示窗口中。
从主影像窗口菜单中选择Tools →Profiles →Z Profile (Spectrum)，提取表观反射率波谱曲线浏览影像波谱并同波谱库进行比较在主影像窗口中，使用鼠标左键点击并拖动缩放指示矩形框或者直接点击鼠标左键，将缩放指示矩形框移动到以所选像素点为中心的区域中，右图曲线发生变化。
打开ENVI给定的波谱库，本次实验使用JPL和USGS波谱库，步骤如下：从ENVI 主菜单中选择Spectral →Spectral Libraries →Spectral Library Viewer。
在Spectral Library Input File 对话框中，点击Open File 按钮，从spec_lib/jpl_lib 子目录中，选择jpl1.sli 波谱库文件，点击OK。
选择Select Input File 区域中的jpl1.sli，点击OK。
在Spectral Library Viewer 对话框中，选择Options →Edit (x, y) Scale Factors，并在Y Data Multiplier 文本框中，输入值1.000，以匹配影像表观反射率范围（1-1000），点击OK。
在Spectral Library Viewer 对话框中，选择下列波谱名称，绘制它们的波谱曲线：ALUNITE SO-4ABUDDINGTONITE FELDS TS-11ACALCITE C-3DKAOLINITE WELL ORDERED PS-1A得到如下的波谱图像：波谱库的波谱曲线从绘制（plot）窗口菜单中，选择Edit →Plot Parameters，自定义波谱曲线的绘制图。
高光谱预处理实验指导书
高光谱遥感图像预处理实验指导书指导教师：赵泉华一、实习目的通过高光谱遥感图像预处理的学习，使学生在课堂教学及实验课教学的基础上进一步将理论与实践相结合，消化和理解课堂所学理论知识，达到初步掌握利用ENVI等软件预处理高光谱遥感图像，并熟悉高光谱遥感图像预处理流程与方法的目的。
二、实习方式学生自学指导书为主，指导教师讲授为辅；利用计算机，结合相应遥感图像及ENVI软件的具体操作进行。
三、练习数据机载高光谱AVIRIS数据。
四、实习内容与要求掌握高光谱遥感图像预处理的理论与方法，利用ENVI中FLAASH大气校正工具和快速大气校正工具对高光谱数据进行大气校正及快速大气校正。
实验一、高光谱FLAASH数据大气校正实验目的：通过实验操作，掌握高光谱遥感图像FLAASH数据的大气校正的基本方法和步骤，深刻理解遥感图像大气校正的意义。
实验内容：ENVI软件中高光谱图像预处理模块下的图像大气校正。
高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气校正。
辐射校正一般由数据提供商完成。
太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。
如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。
操作步骤：1.打开文件File→Open→CupriteAVIRISSubset.dat→打开。
2. FLAASH Atmospheric Correction Module Input Parameters设置在Toolbox 中打开FLAASH 工具Radiometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction→双击启动→进入FLAASH Atmospheric Correction Module Input Parameters 面板。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
高光谱遥感实验
实验一高光谱遥感数据
一. 分别使用AVIRIS和Hyperion数据，如何针对植被、水体等不同
地物进行假彩色合成选择合适的波段？
根据彩色合成原理，可选择同一目标的单个多光谱数据合成一幅彩色图像，当合成图像的红绿蓝三色与三个多光谱段相吻合，这幅图像就再现了地物的彩色原理，就称为真彩色合成。
假彩色合成又称彩色合成。
根据加色法或减色法，将多波段单色影像合成为假彩色影像的一种彩色增强技术。
合成彩色影像常与天然色彩不同，且可任意变换，故称假彩色影像。
下面以ETM影像为例，进行真彩色合成，详细步骤如下：
1.在ERDAS IMAGINE 2010中加载ETM影像etmsubsrt.img。
图一.添加ETM影像数据
2.由ETM影像数据的基本参数中，RGB三色数据如下
故分别选取1、2、3波段作为蓝、绿、红三色进行真彩色合成，结果如下
图二.ETM影像真彩色合成
图中绿色为植被，蓝色为水体。
3.对ETM影像数据的基本参数进行分析，选取对水体、植被
有特征三个波段进行假彩色合成。
因为ETM影像中波段2，
即绿色波段可用于分辨植被，波段,3，即红色波段处于叶
绿素吸收区域，可用于观测植被效果好，波段4，即近红
外波段，可以从植被中区分出水体，故分别选取波段2、3、
4作为蓝、绿、红三色进行假彩色合成。
图三.ETM影像假彩色合成
图中深蓝色为植被，浅蓝色和红色为水体。
使用AVIRIS和Hyperion数据，针对植被、水体等不同地物进行假彩色合成的步骤如上，其中，使用AVIRIS数据进行假彩色合成时选取波段50、31、20作为红绿蓝三色进行假彩色合成
图四.AVIRIS影像假彩色合成
使用Hyperion数据进行假彩色合成时选取波段110、31、21作为红、绿、蓝三色进行假彩色合成
图五. Hyperion影像假彩色合成
图中深蓝色为水体，浅蓝色为植被。
二. 分别从ETM、AVIRIS和Hyperion数据中分别选取3到5种不同的
地物，提取曲线。
从光谱剖面曲线上，比较分析多光谱数据和高光谱数据的各自特点。
1.对于ETM影像数据，分别提取水体、植被、建筑物三种地物，
步骤如下
在ERDAS IMAGINE 2010中加载ETM影像etmsubsrt.img后，
分别选取波段2、3、4作为蓝、绿、红三色进行假彩色合成，在合成影像上分别选取蓝色水体、棕色建筑物、红色植被，查
看其光谱特征曲线，结果如下。
2. 在ERDAS IMAGINE 2010中加载Hyperion影像后，分别选取波段50、31、20作为红、绿、蓝三色进行假彩色合成，在合成影像上分别选取蓝色水体、棕色建筑物、红色植被，查看其光谱特征曲线，结果如下
3.由于使用AVIRIS数据，针对植被、水体等不同地物进行假彩色合成的结果不理想，因此难以进行地物特征曲线的提取。
4.由于1、2中的ETM影像和Hyperion影像为同一地区，且分别为多光谱影像和高光谱影像，对比其地物特征曲线，可以发现，前者曲线为折线，后者为十分弯曲的曲线。
这一点
说明高光谱影像的光谱分辨率远远高于多光谱影像，这也正是高光谱影像相对于多光谱影像的最后要特征，即相对于多光谱影像，高光谱遥感可获取许多非常窄的光谱连续的影像数据，每个波段宽度仅小于10nm；所有波段排列在一起能形成一条连续的光谱曲线。