高光谱遥感基本概念

高光谱遥感基本概念

高光谱遥感用很窄而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外线波段其光谱分辨率高达纳米数量级，通常具有波段多特点，光谱通道数多达数十甚至上百以上，而且各光谱通道间往往是连续的，因此又称成像光谱遥感。

地物光谱特征：自然界中任何地物都具有其自身的电磁辐射规律，如具有反射、吸收，外来的紫外线、可见光、红外线和微波的某些波段的特性，他们有都具有发射某些红外线、微波的特性；少数地物还具有透射电磁波的特性。

混合像元的分解：从一个像元的实际光谱数据（一般为地物光谱混合的数据）中提取各种地物成分所占的比例的法。

成像光谱：就是在特定光谱域以高光谱分辨率同事获得连续的地物光谱图像，这使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物理化过程与参数。

高光谱：它是一种图谱合一的成像方式，常用于遥感或同时获取图像和光谱信息的应用。

地物光谱：地物的反射率随入射波长而变化的规律。数据融合⑴概念：遥感数据融合包括不同传感器、不同空间分辨率、不同时相图像的融合，以及遥感数据与其他辅助数据如地形数据、物化探数据的融合。

⑵三个层次：像素级，特征级，决策级。

植被指数：当光照射在植物上时,近红外波段的光大部分被植物反射回来,可见光波段的红光则大部分被植物吸收,通过对近红外和红波段反

射率的线性或非线性组合,可以消除土地光谱的影响,得到的特征指数称为。

表观光学量AOP：指随入射光场变化而变化的水体光学参数。

固有光学量IOP：指不随入射光场变化而变化，仅与水体成分有关的光学量。水色遥感：就是利用光学量来反演出水体成分的浓度。

几何校正：消除几何畸变，即定量的确定图像上的像元坐标（图像坐标）与目标物的地理坐标（地图坐标）的对应关系。

为什么要进行几何校正？遥感影像的总体变形（相对于地面真实形态而言）是平移、缩放、旋转、偏扭、弯曲及其他变形综合作用的结果。产生畸变的图像给定量分析及位置配准造成困难，因此遥感数据接收后，首先由接收部门进行校正，这种校正往往根据遥感平台、地球、传感器的各种参数进行处理。而用户拿到这种产品后，由于使用目的不同或投影及比例尺的不同，仍旧需要作进一步的几何校正。

几何校正的两个步骤：1、像元坐标转换的两种方法

①直接纠正法：从原始图象阵列出发，依次对其中每一个像元分别计算其在输出（纠正）图像的坐标。②间接纠正法：从原始图象阵列出发，依次计算每个像元P（X, Y）在原始图象中的位置P（x, y），然后将该点的灰度值计算后返送给P（X, Y）。2、像元灰度值重新计算计算每一点的亮度值。由于计算后的（x，y）多数不在原图的像元中心处，因此必须重新计算新位置的亮度值。一般来说，新点的亮度值介于邻点亮度值之间，所以常用内插法计算。通常有三种方法：最近邻法双向线性内插法三次卷积内插法。

监督分类：①概念：先取有代表性的训练区作为样本，通过选择特征参数（如像元亮度均值，方法等），确定判别函数，据此进行分类。

②算法：平行管道分类，最小距离分类，线性判别法，最大似然判别法，模糊分类，神经网络分类，决策树法，专家系统分类。

③优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度，避免分类中的严重错误；避免了非监督分类中对光谱集群组的重新归类。缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力时间；只能识别训练样本中所定义的类别，从而影响分类结果。非监督分类（又称聚类分析）：①概念：在没有先验类别作为样本的条件下，根据像元间相似度大小进行计算自动判别归类，无须人为干预，分类后需确定地面类别。

②算法：聚类法，分裂法，动态聚类，K均值算法，ISODATA算法。

③优点：无需对分类区有较多的了解，仅需一定的知识来解释分类出现的集群组；

人为误差减少，需输入的初始参数较少；可形成范围很小但有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的覆盖量小的类别均能够被识别。缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；存在同物异谱及异物同谱现象，使集群组与类别的匹配难度大；不同图像间的光谱集群组无法保持其连续性，难以对比。高光谱进行分类的流程遥感图像监督分类处理的一般流程：确定分类类别—选择特征—提取训练数据—测算总体的统计量—分类—检验结

果遥感图像非监督分类处理的一般流程：选择特征—确定类别数与先验值—测算总体统计量—分类—确定分类类别—检验结果辐射校正

⑴原因：大气散射与吸收对下行辐射和遥感器接收的上行辐射的光谱特性造成深刻影响。⑵方法：①图像统计学模型法（相对反射率反演），包括平场域法，内部平均法，经验线性法，对数残差法。②大气辐射传输模型法（绝对反射率反演），包括6S大气辐射校正模型，ATREM大气辐射校正模型，FLAASH大气校正FLAASH 模型主要有以下6方面内容1 输入文件准备2 基本参数设置3 多光谱数据参数设置4 高光谱数据参数设置5 高级设置6 输出文件7 处理结果以小麦冠层叶片氮含量的反演为例1：数据获取2：提取目标区域（利用植被指数；利用分类算法）3：选择植被指数4：建立反演模型（利用各光谱指数建立反演模型，并进行比较分析）5：指数与反演模型的评估（各光谱指数反演模型的预测能力分析；各指数对不同含氮水平样本的预测能力分析；各指数对不同LAI值样本的预测能力分析；各指数对LAI的敏感性分析）6：反演模型的优化（建模方法的优化选择；LS-SVR模型评价）7：遥感影像填图及其精度检验