前言：中文期刊网精心挑选了高光谱遥感原理技术与应用范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
高光谱遥感原理技术与应用范文1
农作物遥感识别是遥感技术在农业领域应用的重要内容,也是资源遥感的重要组成部分。植被光谱不仅具有高度相似性和空间变异性,而且具有时间动态性强等特点。不同植被的光谱随时间的变化规律也具有明显的区别,因此充分发挥高光谱遥感的独特性能,特别是其在区分地表细微差别方面的优势,同时结合植被的时间动态特征,将大大提高土地覆盖类型的识别与分类精度。熊桢等基于获得的常州水稻生长期80波段PHI航空高光谱图像,利用混合决策树方法对水稻品种进行了高光谱图像精细分类,完成了对11种地物(其中6个水稻品种)的划分,测试样本的分类精度达到94.9%[7-8]。林文鹏等以中国华北地区冬小麦识别为例,利用MODIS自身光谱信息,即可实现作物遥感全覆盖自动识别,并可达到较高的精度,比传统方法认为的冬小麦遥感识别的最佳时间(返青期的3月份)提前约一个季度[9]。刘亮等以北京顺义区为研究区域,利用高光谱遥感数据,通过逐级分层分类方法进行农作物信息提取与分类,并对分类图进行了随机抽样检查,各种农作物的分类精度均达到95%以上[10]。刘良云等利用OMIS图像的波段20(中心波长为687nm)和波段35(中心波长为853nm)计算了归一化发射率方法反演得到的试验区的地物表面温度(LST),进而在NDVI-LST空间生成了6类典型地物(生长旺盛小麦、较稀疏小麦、池塘水体、淤泥湿地、水草、土壤)的散点图,并采用最大似然分类算法,根据地物表面温度和归一化植被指数,利用上述6类地物样本,对北京小汤山精细农业示范区的OMIS遥感图像进行了分类,得到了较好的分类结果[11]。以上研究结果表明,高光谱遥感技术能有效地对作物进行分类和识别,且分类精度较高,这对于大比例尺尺度上研究地表作物覆盖,提取更加细致的信息提供了有力保障。
2高光谱遥感监测作物叶面积指数、生物量和叶绿素含量
叶面积指数(LAI)通常是指单位面积土地上所有叶片表面积的总和,或单位面积上植物叶片的垂直投影面积总和。它是生态系统的一个重要结构参数,可用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应,为植物冠层表面物质和能量交换的描述提供结构化的定量信息[12]。叶面积指数与生物量(干重、鲜重)和叶绿素是衡量作物生长状况的重要指标。如何利用遥感技术实时监测植株叶面积、生物量和叶绿素,对于作物的管理调控及估产具有重要意义。王秀珍等[13]采用单变量线性与非线性拟合模型和逐步回归分析,建立了水稻LAI的高光谱遥感估算模型,提出高光谱变量与LAI之间的拟合分析中,蓝边内一阶微分的总和与红边内一阶微分总和的比值和归一化差植被指数是最佳变量。黄春燕等利用棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术与光谱微分处理技术,建立了基于植被指数和归一化植被指数的5种函数形式的棉花干物质积累估测模型[14]。唐延林等测定了不同品种类型、不同株型、不同发育期的春玉米叶片及其他器官、不同叶位叶片及叶片不同部位的高光谱反射率和叶片叶绿素、类胡萝卜素含量,提出叶片叶绿素和类胡萝卜素浓度与光谱植被指数R800/R550、R673/R640、PSSRa、PSNDa、RCh、CARI、λred、Dλred和Sred极显著相关[15]。吴长山等对早播稻、晚播稻和玉米的多时相群体光谱测量数据和相应的叶片叶绿素密度测量数据进行了相关性分析,结果表明早播稻、晚播稻和玉米的群体光谱反射率数据及其导数光谱数据与叶绿素密度具有很好的相关性[16]。Tumbo等指出玉米V6生长阶段的叶绿素水平是其氮含量的重要指示器,利用光谱反射建立的模型可稳定地预测玉米在V6生长阶段的叶绿素水平[17]。金震宇等获取了水稻生育期的光谱反射率数据,并利用SPAD-502叶绿素仪测量对应叶片的叶绿素浓度,对光谱数据和实际测量值进行了相关性分析,发现水稻叶片叶绿素浓度与其光谱反射率具有相关性,且在450~680nm和750~770nm光谱区内相关性较好,在686nm处两者的相关性最高;水稻叶片的“红边”拐点位置波长与其叶绿素浓度具有很强的相关性(复相关系数为0.88)[18]。Shibayama等利用多元回归方法分析了水稻多时相的可见光、近红外和中红外光谱与叶面积指数、干生物量及产量的关系,并研究了水稻冠层的可见光、近红外和中红外反射光谱,进而评价水稻的缺水情况,结果表明,其一阶导数光谱在960nm处与水稻冠层水分指数具有很高的相关性,可用于指导灌溉作业[19]。由以上研究结果可知,利用高光谱数据可以及时估算及预测作物的生物量、叶面积指数、叶绿素等生理参数。目前,光谱特征正成为实时、快速监测作物长势的有效手段。
3高光谱遥感监测作物养分及水分状况
在农作物生产中,水肥是影响作物生长的最主要因素之一。氮磷钾肥是作物生长和产量形成所必需的重要元素;水分是作物的主要组成成分,水分亏缺将直接影响作物的生理生化过程和形态结构,从而影响作物生长。因此,及时准确地监测作物的水分状况对提高作物水分管理水平、指导节水农业生产具有重要意义。利用高光谱遥感技术对作物矿质营养和水分胁迫进行监测,进而估算作物的营养和需水状况,从而指导施肥灌溉,是近年来发展起来的一门新技术。Tomas等研究表明,氮、磷、钾等元素的缺乏可导致小麦叶绿素含量降低和可见光(400~700nm)及近红外波段(700~1100nm)光谱反射率增加[20]。唐延林等研究了不同供氮水平下2个水稻品种冠层、主茎叶片在不同发育期的高光谱反射率及对应的叶绿素、类胡萝卜素含量,结果表明,不同供氮水平的水稻冠层和叶片光谱差异明显,其光谱反射率随供氮水平的提高在可见光范围内降低,在近红外区域增高[21]。冯伟等研究了小麦叶片氮积累与冠层高光谱参数的定量关系,结果表明,冠层叶片氮积累量随着施氮水平的提高而增加,光谱反射率在不同叶片氮积累水平下发生相应变化[22]。黄春燕等利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,并应用光谱多元统计分析技术对光谱数据进行了分析计算,结果表明,基于高光谱数据的棉花冠层叶绿素密度的遥感估测可间接用于棉花冠层叶片氮积累量的监测研究[23]。吴华兵等分析了不同施氮水平下不同棉花品种叶片氮积累量与冠层反射光谱的定量关系,建立了棉花叶片氮积累量的敏感光谱参数及预测方程,结果显示,棉花叶片氮积累量和冠层高光谱反射率均随施氮水平的变化而变化[24]。Milton等通过水培试验发现大豆缺磷导致红、黄波段的反射率增加,且无红移现象发生[25]。王珂等研究表明,580~710nm和750~950nm波段可作为检测水稻钾营养水平的冠层光谱敏感波段[26]。谷艳芳等测定了不同水分胁迫下冬小麦的高光谱反射率和红边参数,结果表明,不同水分处理下冬小麦高光谱反射率具有绿色植物特征[27]。Ramalingam等利用多光谱图像传感器对叶面水分进行了测量,获得了可见光(400~700nm)、短波近红外(700~1300nm)和近红外(1300~2500nm)区域的叶面反射光谱,并采用光谱背景补偿技术提高了叶面水分的预测精度[28]。其研究发现,可见光、近红外区域受背景影响较小,而短波近红外区域受背景影响较大。孙莉等分析了水分胁迫下新疆北部地区棉花冠层关键生育期的高光谱数据,结果表明,红边位移现象结合红边幅度变化可用于诊断棉花水分胁迫,其关键是建立相应合理的诊断指标体系[29]。以上大量研究结果表明,利用高光谱遥感技术可以对作物的营养状况和水分含量进行比较准确的分析和检测,为变量施肥和灌溉提供参考,从而节省农业资源的投入。高光谱养分和水分诊断模型在农业生产中具有较高的应用价值和广阔的应用前景。
4农作物长势监测和估产
高光谱遥感的超多波段(几十、上百个)和高分辨率(3~20nm)使其可用于探测植被的精细光谱信息(特别是植被各种生化组分的吸收光谱信息),反演植被各生化组分的含量,监测植被的生长状况。另外,还可通过高光谱信息监测植物病虫害。植物病虫害监测是通过监测叶片的生物化学成分来实现的,病虫害感染导致叶片叶肉细胞的结构发生变化,进而使叶片的光谱反射率发生变化。MinghuaZhang等研究了西红柿在晚疫病胁迫下的叶片光谱反射率,结果表明,近红外区域,特别是0•7~1.3μm对病虫害的反应比可见光波段更敏感,健康植物和受病虫害影响的植物可见光波段光谱反射率仅相差1•19%,而近红外波段两者光谱反射率差值达到10%[30]。蔡成静等研究发现,同种健康小麦和发生条锈病的小麦植株(包括病害处于潜伏期的植株)的光谱特征存在明显差异,而这些差异主要体现在某个或某几个光的光谱吸收带上[31]。同时,蔡成静等对不同病情指数下小麦冠层的光谱进行了研究,发现小麦条锈病冠层反射率随小麦病情指数的变化呈明显而有规律的变化[31]。乔红波等分析了不同严重度小麦白粉病冠层光谱反射率及病情指数,结果表明,灌浆期地面光谱测量冠层光谱反射率和低空遥感数字图像反射率与小麦白粉病病情指数存在显著的相关关系[32]。乔红波等研究了发病小麦冠层的高光谱遥感数据特征,获得了近地和对应高空2个不同平台的光谱数据,经比较分析,发现高空获得的光谱反射率在可见光谱区域明显大于近地获得的光谱反射率[33]。吴彤等利用地面高光谱数据,分析和比较了正常生长芦苇和受蝗虫危害芦苇的冠层反射光谱和高光谱特征,并建立了高光谱特征参数与芦苇叶面积指数(LAI)的关系模型,结果表明,虫害光谱指数(DSI)最能反映研究区芦苇受蝗虫危害的程度[33]。利用遥感信息进行作物估产是利用某种植被指数在作物生长发育关键期内的和与产量的实测或统计数据间建立的各种形式的相关方程来实现的,如目前单产估算应用较多的是回归分析法,其基本原理为:y=b0+b1x1+b2x2+b3x3+…+bixi+e式中,y为作物产量;xi为经过平滑的光谱反射率或NDVI指数[34]。唐延林等结合水稻的生长发育规律,对水稻抽穗后冠层、叶片和穗进行了高光谱反射率测定,根据光谱曲线特征构建了新的高光谱植被指数,利用相关分析方法分析水稻理论产量和实际产量与这些植被指数及冠层红边参数的相关关系,建立了水稻高光谱单产估算模型[35]。白丽等结合棉花生长发育规律,对棉花各时期冠层的高光谱反射率进行了测定,并根据光谱曲线特征构建了高光谱植被指数,基于棉花盛蕾期至吐絮后期7次地面光谱和产量测定,对光谱反射率与产量进行了统计分析,结果表明,各生育期可见光波段、近红外波段及短波红外波段光谱反射率与产量分别呈显著负相关、显著正相关与显著负相关,在此基础上建立了棉花高光谱估算模型[36]。从上述研究结果可知,利用高光谱遥感技术可以快速、简便、大面积、无破坏、客观地监测作物的长势并对作物进行估产,高光谱遥感技术在生产中具有良好的应用前景,是农作物长势监测和估产的主要发展方向。
5问题和展望
利用高光谱遥感技术获取作物的相关信息是探测作物营养状态和长势信息的有效手段,但从目前国内外研究情况来看,很多研究仍停留在前期阶段,很多问题尚需解决。
(1)目前,高光谱遥感在农业生产上的应用主要集中在作物个体生长状况与作物叶片光谱关系的研究上,对作物群体的高光谱研究很少,因此高光谱遥感还不能在农业生产中大量应用。
(2)由于作物生长环境的复杂性,遥感成像过程带来的同物异谱、同谱异物现象非常普遍。这是长期困扰遥感应用的一大问题,解决此问题是高光谱遥感广泛应用于农业生产的关键。
高光谱遥感原理技术与应用范文2
1．1直接应用——遥感蚀变信息的提取
岩浆热液或汽水热液使围岩的结构、构造和成分发生改变的地质作用称为围岩蚀变。围岩蚀变是成矿作用的产物，围岩蚀变的种类(组合)与围岩成分、矿床类型有一定的内在联系，围岩蚀变的范围往往大于矿化的范围，而且不同的蚀变类型与金属矿化在空间分布上常具规律可循，因此，围岩蚀变可作为有效的找矿标志。
1．1．1蚀变遥感异常找矿标志
围岩蚀变是热液与原岩相互作用的产物。常见的蚀变有硅化、绢云母化、绿泥石化、云英岩化、夕卡岩化等。
1．1．2信息提取的实现
与地物发生反射、透射等作用的电磁波是地物信息的载体，地物的光谱特性与其内在的物理化学特性紧密相关，物质成分和结构的差异造成物质内部对不同波长光子的选择性吸收和反射。具有稳定化学组分和物理结构的岩石矿物具有稳定的本征光谱吸收特征，光谱特征的产生主要是由组成物质的内部离子、基团的晶体场效应或基团的振动效果引起的。各种矿物都有自己独特的电磁辐射，利用波谱仪对野外采样进行光谱曲线测量，根据实测光谱与参考资料库中的参考光谱进行对比，可以确定出样品的吸收谷，识别出矿物组合。根据曲线的吸收特征，选择合适的图像波段进行信息提取。根据量子力学分子群理论，物质的光谱特征为各组成分子光谱特征的简单叠加。传感器在空中接收地表物质的光谱特性，根据量子力学分子群理论，物质的光谱特征为各组成分子光谱特征的简单叠加。传感器在空中接收地表物质的光谱特性，因为探测范围内有干扰介质存在(白云、大气、水体、阴影、植被、土壤等)，因此，在进行蚀变矿物信息提取时，根据干扰物质的光谱曲线出发，进行预处理消除干扰。主要造岩矿物成分(0，si，A1，Mg)的振动基频在可见——近红外区不产生诊断性吸收谷的谱带。不同类型的矿物蚀变会引起Fe，Fe，OH一，中某一类的变化，Fe2+，Fe3+，OH一，CO：在可见一近红外区可产生岩石谱带中的不同吸收谷组合，例如，在0．4～1．3um范围内的光谱特性是因为矿物晶格结构中的Fe，cu等过渡性金属元素的电子跃迁引起的；1．3~2．5的光谱特性是由矿物组成中的CO：，OH口HO引起的。根据吸收谷所处的波长位置、深度、宽度、对称性等特征进行处理，提取相应的蚀变遥感异常(遥感异常)。现在应用的数据有多光谱TM，ETM+，ASTER数据以及少量的高光谱与微波遥感数据等。蚀变遥感信息在整景图像上信息占有份额低，但局部地区的信息并不微弱，因此即使是微弱的蚀变异常也可以被检测出，试验证明，遥感信息检测的蚀变检出下限优于1／20000。目前遥感找矿蚀变异常信息的提取有多种方法，例如波段比值法、主成分分析法、光谱角识别法和MPH技术(MaskPCAandHIS)、混合象元分解等。“ETM+图像数据的综合遥感找矿蚀变异常信息的提取”、“ETM+(TM)蚀变遥感异常提取方法技术”都取得了一定的成果。在蚀变遥感信息提取和应用研究中，形成了～套独特的技术，即“去干扰异常主分量门限化技术”，包括：①预处理：校正及去干扰，校正包括系统辐射校正、几何校正、大气粗略校正；干扰包括云、植被、阴影、水、雪等的去除。②信息提取：以整景的TM(ETM+)图像遥感异常信息的提取为主，其方法以PCA主分量分析为主，比值法为辅，同时用光谱角分析法对所获得的主分量异常进行筛选，然后进行门限化分级处理，以获得分级异常图。由于涉及到的矿床类型、规模、控矿要素、蚀变类型以及矿产勘查程度不同，仅靠单一的处理方法不利于异常信息的提取，因此需要多种方法的有效组合，一种方法为主其他方法为辅这些遥感信息提取技术在资源勘探过程中发挥了很大的作用，目前，利用围岩蚀变找矿已经取得了很好的效果。
1.2遥感技术间接找矿的应用
1．2．1地质构造信．息的提取
内生矿产在空间上常产于各类地质构造的边缘部位及变异部位，重要的矿产主要分布于扳块构造不同块体的结合部或者近边界地带，在时间上一般与地质构造事件相伴而生，矿床多成带分布，成矿带的规模和地质构造变异大致相同。遥感找矿的地质标志主要反映在空间信息上。从与区域成矿相关的线状影像中提取信息(主要包括断裂、芍理、推覆体等类型)，从中酸性岩体、火山盆地、火山机构及深亨岩浆、热液活动相关的环状影像提取信息(包括与火山有关的盆地、构造)，从矿源层、赋矿岩层相关的带状影像提取信启、(主要表现为岩层信息)，从与控矿断裂交切形成的块状影像及与感矿有关的色异常中提取信息(如与蚀变、接触带有关的色环、色带、色块等)。当断裂是主要控矿构造时，对断裂构造遥感信息进行重点提取会取得一定的成效。遥感系统在成像过程中可能产生“模糊作用”，常使用户感兴趣的线性形迹、纹理等信息显示得不清晰、不易识别。人们通过目视解译和人机交互式方法，对遥感影像进行处理，如边缘增强、灰度拉伸、方向滤波、比值分析、卷积运算等，可以将这些构造信息明显地突现出来。除此之外，遥感还可通过地表岩性、构造、地貌、水系分布、植被分布等特征来提取隐伏的构造信息，如褶皱、断裂等。提取线性信息的主要技术是边缘增强。
1．2.2植被波谱特征的找矿意义
在微生物以及地下水的参与下，矿区的某些金属元素或矿物引起上方地层的结构变化，进而使土壤层的成分产生变化，地表的植物对金属具有不同程度的吸收和聚集作用，影响植叶体内叶绿素、含水量等的变化，导致植被的反射光谱特征有不同程度的差异。矿区的生物地球化学特征为在植被地区的遥感找矿提供了可能，可以通过提取遥感资料中由生物地球化学效应引起的植被光谱异常信息来指导植被密集覆盖区的矿产勘查，较为成功的是某金矿的遥感找矿、东南地区金矿遥感信息提取。不同植被以及同种植被的不同器官问金属含量的变化很大，因此需要在已知矿区采集不同植被样品进行光谱特征测试，统计对金属最具吸收聚集作用的植被，把这种植被作为矿产勘探的特征植被，其他的植被作为辅助植被。遥感图像处理通常采用一些特殊的光谱特征增强处理技术，采用主成分分析、穗帽变换、监督分类(非监督分类)等方法。植被的反射光谱异常信息在遥感图像上呈现特殊的异常色调，通过图像处理，这些微弱的异常可以有效地被分离和提取出来，在遥感图像上可用直观的色调表现出来，以这种色调的异同为依据来推测未知的找矿靶区。植被内某种金属成分的含量微小，因此金属含量变化的检测受到谱测试技术灵敏度的限制，当金属含量变化微弱时，现有的技术条件难以检测出，检测下限的定量化还需进一步试验。理论上讲，高光谱提取植被波谱的性能要优于多光谱很多倍，例如对某一农业区进行管理，根据每一块地的波谱空间信息可以做出灌溉、施肥、喷洒农药等决策，当某农作物干枯时，多光谱只能知道农作物受到损害，而高光谱可以推断出造成损害的原因，是因为土地干旱还是遭受病虫害。因此利用高光谱数据更有希望提取出对找矿有指示意义的植被波谱特征。
1．2．3矿床改造信息标志
矿床形成以后，由于所在环境、空间位置的变化会引起矿床某些性状的改变。利用不同时相遥感图像的宏观对比，可以研究矿床的剥蚀改造作用；结合矿床成矿深度的研究，可以对类矿床的产出部位进行判断。通过研究区域夷平面与矿床位置的关系，可以找寻不同矿床在不同夷平面的产出关系及分布规律，建立夷平面的找矿标志。另外，遥感图像还可进行岩性类型的区分应用于地质填图，是区域地质填图的理想技术之一，有利于在区域范围内迅速圈定找矿靶区。
2遥感找矿的发展前景
2．1高光谱数据及微波遥感的应用
高光谱是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。它利用成像光谱仪以纳米级的光谱分辨率，成像的同时记录下成百条的光谱通道数据，从每个像元上均可以提取一条连续的光谱曲线，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而具有巨大的应用价值和广阔的发展前景。成像光谱仪获得的数据具有波段多，光谱分辨率高、波段相关性高、数据冗余大、空问分辨率高等特点。高光谱图像的光谱信息层次丰富，不同的波段具有不同的信息变化量，通过建立岩石光谱的信息模型，可反演某些指示矿物的丰度。充分利用高光谱的窄波段、高光谱分辨率的优势，结合遥感专题图件以及利用丰富的纹理信息，加强高光谱数据的处理应用能力。微波遥感的成像原理不同于光学遥感，是利用红外光束投射到物体表面，由天线接收端接收目标返回的微弱回波并产生可监测的电压信号，由此可以判定物体表面的物理结构等特征。微波遥感具有全天时、全天候、穿透性强、波段范围大等特点，因此对提取构造信息有一定的优越性，同时也可以区分物理结构不同的地表物体，因为穿透性强，对覆盖地区的信息提取也有效。微波遥感技术因其自身的特点而具有很大的应用潜力，但微波遥感在天线、极化方式、斑噪消除、几何校正及辐射校正等关键技术都有待于深入研究，否则势必影响微波遥感的发展。
2．2数据的融合
随着遥感技术的微波、多光谱、高光谱等大量功能各异的传感器不断问世，它们以不同的空间尺度、时间周期、光谱范围等多方面反映地物目标的各种特性，构成同一地区的多源数据，相对于单源数据而言，多源数据既存在互补性，又存在冗余性。任何单源信息只能反映地物目标的某一方面或几个方面的特征，为了更准确地识别目标，必须从多源数据中提取比单源数据更丰富、有用的信息。多源数据的综合分析、互相补充促使数据融合技术的不断发展。通过数据融合，一方面可以去除无用信息，减少数据处理量，另一方面将有用的信息集中起来，便于各种信息特征的优势互补。数据的融合包括遥感数据间的融合、遥感数捱与非遥感数据的融合。融合技术的实现方法有多种，简单易行的是对几何配准后的像元逐点进行四则运算或HIS变换，还有一些方法是对多源数据先进行预处理(特征提取、判别分析)后再进行信息融合，主要的方法有代数运算融合、小波变换融合等。蚀变矿物特征光谱曲线的吸收谷位于多光谱数据的波段位置，因此可以识别蚀变矿物，但是波段较宽，只对蚀变矿物的种属进行分类。与可见一红外波段的电磁波相比，雷达波对地面的某些物体具有强的穿透能力，能够很好地反映线性、环性沟造。雷达图像成像系统向多波段、多极化、多模式发展，获取地表信息的能力越来越强。总的来说，多光谱、高光谱数据的光谱由线特征具有区分识别岩石矿物的效果，所以对光学图像与雷达图像进行融合处理，既能提高图像的分辨率、增强纹理的识别能力，又能有效地识别矿物类型。尽管融合技术的研究取得了一些可喜的进展，但未形成成熟的理论、模型及算法，缺乏对融合结果的有效评价手段。在以后的研究中，应该深入分析各种图像的成像机理及数据间的相关性、互补性、冗余性等，解决多源数据的辐校正问题，发展空间配准技术。
2.33S的结合
3s是遥感(RS)、地理信息系统(GIS)及全球定位系统(GPS)的简称。利用GPS能迅速定位，确定点的位置坐标并科学地管理空间点坐标。海量的遥感数据需庞大的空间，因此要有强大的管理系统，随着当今人力资源价格的升高，在区域范围内找矿时，遥感表现出最小投入获得最大回报的优势，那么RS与GIS的结合也势在必行，因为GIS更有利于区域范围的影像管理及浏览。随着3S技术发展，遥感数据的可解译程度与解译速度得到进一步提高，目前，地质工作者尝试将3S与VS(可视化系统)、CS(卫星通讯系统)等技术综合应用，取得了较好的效果。
2．4图像接收、处理及信息提取技术的发展完善
由传感器接收的地物光谱信息传到地面接收站，在计算机操作平台上进行图像的处理以及遥感信息提取。随着传感器的发展、数据量的增大，从海量的遥感数据中提取有用的、相对微量的找矿信息不是一件容易的事，传感器的发展是信息提取的前提，图像处理技术的开发是信息提取的关键。为了提取更客观有效的找矿信息，需要进行以下几方面的工作：
(1)进一步发展高分辨率传感器，以便接收更微弱、细小的地质信息；
(2)加强信息提取方法的研究解决计算机处理的技术问题，例如补偿信号在传感器的误差、校正辐射、地形起伏等引起的图像失真等；
(3)在选择参与信息提取的波段时，深入波段选取依据的理论研究，例如进行岩石样品的光谱测试，矿物识别与分析是遥感地质信息提取的核心，所以需要确定不同类型的矿物在各波段的吸收性。同样在利用植物地化找矿时需配套精密的物质成分分析仪器及技术等；
(4)遥感图像处理海量数据，经处理后的一景图数据量很大，为保障数据处理速度，需要强大的计算机技术(硬件与软件)支撑，：图像处理中要将算法转化为计算机的可识别语句，需要计算机语言的发展。发展有利于提高遥感图像的信噪比、优化信息提叉的软件平台，实现不同格式图像问的兼容性。
高光谱遥感原理技术与应用范文3
作者简介:陈伟（1983-），男，浙江杭州人，博士研究生，主要研究方向：模式识别、高光谱遥感； 余旭初（1963-），男，湖北罗田人，教授，博士生导师，博士，主要研究方向：摄影测量与遥感、模式识别； 张鹏强（1978-），男，甘肃镇原人，讲师，博士，主要研究方向：摄影测量与遥感、序列影像处理。
文章编号:1001-9081（2011）08-02092-05doi:10.3724/SP.J.1087.2011.02092
（1.信息工程大学 测绘学院，郑州450052； 2.65015部队，辽宁 大连116023；
3.北京望神州科技有限公司 销售部，北京100020）
（）
摘 要:高光谱遥感影像具有丰富的光谱信息，在地物识别方面具有明显的优势。一类支持向量机（OCSVM）不仅保留了支持向量机的原有优势，而且只需要待识别类型的训练样本。为此提出了算法，通过数学模型选择、核函数设计与参数的自适应调整将OCSVM原理融入到高光谱影像的地物识别算法中，提高了识别的精度，降低了对训练样本的要求。最后利用两幅高光谱影像进行了实验分析，实验结果证明了所提算法的有效性。
关键词:高光谱影像；一类支持向量机；支持向量数据描述；地物识别；参数选择
中图分类号: TP391.413文献标志码:A
Object recognition based on one-class support vector machine in
hyperspectral image
CHEN Wei1, YU Xu-chu1, ZHANG Peng-qiang1, WANG Zhi-chao2,WANG He3
（1. Institute of Surveying and Mapping, Information Engineering University, Zhengzhou Henan 450052, China；
2. Unit 65105, Dalian Liaoning 116023, China;
3. Sales Department, Digital LandView Technology Company Limited, Beijing 100020, China）
Abstract: The hyperspectral remote sensing image is rich in spectrum information, so it has advantages in object recognition. One-Class Support Vector Machine （OCSVM） not only holds the advantages of support vector machines but also only needs the train samples of the recognized objects. The algorithm proposed in this paper selected mathematical model, designed kernel function, adjusted parameter adaptively, and added the theory of OCSVM into the object recognition algorithm for hyperspectral image which improved the precision of recognition and reduced the demand of train samples. Lastly, the experiments were conducted on two hyperspectral images, and the results prove the validity of the proposed method.
Key words: hyperspectral image; One-Class Support Vector Machine （OCSVM）; Support Vector Data Description （SVDD）; object recognition; parameter selection
0 引言
高光谱遥感将反映目标辐射属性的光谱与反映目标空间和几何关系的图像有机地结合在一起，续写和完善了光学遥感从黑白全色影像通过多光谱到高光谱的全部影像信息链，其图谱合一的特点为分类、探测及目标识别提供了极大的便利。其应用领域已涵盖地球科学的各个方面，除了在地质找矿和制图、大气和环境监测、农业和森林调查、海洋生物和物理研究等领域发挥着越来越重要的作用之外，还在遥感测绘领域展现出美好的前景［1］。生产突出表示某种地形要素的专题地图是测绘的重要任务，可以通过分类的方法得到感兴趣的目标地物在影像中的分布情况，但是基于分类的方法需要摄影区域中各类地物的训练样本，而在实际中获取训练样本的时间和经济成本较高。高光谱地物识别的目的与目标检测［2］相似，都是将影像分为目标地物与背景两部分，此外，与基于光谱匹配的目标检测方法类似都需要目标地物光谱的先验信息。但是，基于光谱匹配的目标检测方法并不完全适用于地物识别的场合，主要原因有以下两点：首先，基于正交子空间投影（Orthogonal Subspace Projection， OSP）的系列方法、基于最小二乘（Least Squares， LS）的系列方法和子空间匹配方法需要的不仅仅是目标地物光谱的先验信息，并且需要各类背景地物光谱的先验信息；其次，目标检测关心的多是亚像素级的小地物，并且这类地物在影像中的分布较少，而地物识别通常关心植被、水系等分布较广的地物类型，在这种情况下线性约束最小方差（Linearly Constrained Minimum Variance， LCMV）以及约束能量最小（Constrained Energy Minimization， CEM）等目标光谱信号约束检测方法虽然仅需要目标地物光谱的先验信息，但是会由于目标地物在影像中的分布过多而造成很低的探测精度。在高光谱影像处理中，通常采用光谱角度匹配（Spectral Angle Match， SAM）的方法进行地物识别，利用SAM识别地物，仅需目标地物光谱的先验信息，并且计算效率较高，但是受到光照变化、相同地物不同质地、成像噪声等因素的影响，光谱匹配方法很难满足地物精细识别的要求。
支持向量机（Support Vector Machine， SVM）技术自20世纪90年代以来异军突起，由于其处理高维小样本、非线性可分数据时的良好性能，正好满足了高光谱影像处理的要求，因此在高光谱影像分类［3］与混合像素分解［4］领域都得到了应用。但是地物识别问题与分类问题的不同之处在于，其训练样本只有目标地物，因此，普通的SVM算法无法直接应用于地物识别中。一类支持向量机（One-Class Support Vector Machine， OCSVM）是SVM的一种分支算法，与普通的SVM算法需要每个待分类别的训练样本相比，OCSVM只需要待识别类型一类的训练样本。目前，OCSVM已经在多种检测问题中得到了应用［5-6］。本文将分析OCSVM算法的原理，并将其应用于高光谱影像地物识别中。
1 算法原理与描述
OCSVM仅需利用待识别类型即正类的样本进行训练，就可将样本分为正类与外点（负类），因此它解决的是一个一分类问题，从机器学习的角度看一类SVM属于无指导学习问题。从不同的角度出发，Tax等人提出的支持向量数据描述（Support Vector Data Description， SVDD）方法［7］与Schlkopf等人设计的算法［8］，是一类SVM的两条技术途径，为便于区分，在后续内容中将Schlkopf等人的算法称为1-SVM算法。SVDD的目的是计算得到在高维空间中能包含最多正类样本同时具有最小半径的超球体，而1-SVM是将一分类问题视为一个特殊的两类分类问题，并且通过在高维空间中求取正类与原点之间的最大间隔分离超平面来达到一类分类的目的。
对于高光谱影像地物识别而言，基于OCSVM的方法既具有SVM原有的优势，又有其自身的优点，概括起来主要有以下几个方面：1）仅需利用待识别地物的训练样本，有利于降低训练样本获取的成本和提高作业效率；2）非参数估计，该方法完全依赖于数据本身，而不需要事先对数据的分布进行假设；3）满足稀疏性条件，即仅需要待识别地物类型少量的训练样本，并且仅用较少的数据就可对待识别地物进行精确的描述；4）良好的泛化性能；5）由于核函数的引入使其具有非线性分类能力；6）较快的处理速度，有利于高光谱数据的实时和近实时处理。
下面，首先对OCSVM的两种主要算法的原理进行分析，然而给出基于OCSVM的高光谱影像地物识别的具体过程。
1.1 SVDD算法
SVDD的基本思想是对正类分布的支撑区域建立一个“小”而“紧”的超球面模型，该超球面需以较大的概率包含尽可能多的正类样本并尽量排除负类样本，同时该超球面应该具有较小的半径，如图1所示为最小超球面模型，落在超球面上的正类样本就是支持向量。对于线性不可分的情况，SVDD通过引入松弛变量，以及利用核函数将样本隐式非线性映射到高维特征空间的方法加以解决。
图1 SVDD示意图
由于高光谱地物识别面临的情况大多数都是非线性的，所以在此直接介绍非线性SVDD，具体方法用数学语言可以描述为：设有训练样本集T{Xi|i1,2,…,N}且Xi∈Rl，Φ（・）为原始l维空间至某个高维特征空间F的非线性映射，则SVDD在变换后的高维特征空间中计算寻找最优超球面的任务，可以表示为如下所示的优化问题：
minr,c,ζi r2+C∑Ni1ζi（1）
s.t. Φ（Xi）－a2≤r2+ζi, ζi≥0且i1,2,…,N（2）
其中：r为最优超球面的半径；a为超球体的质心；・表示欧氏距离；ζi为松弛变量，类似SVM线性不可分的情况，表示允许部分训练样本落于超球面之外；C为惩罚系数，用于调节超球面的半径与超球面包裹训练样本数量之间的关系，C的大小与超球体包含样本数量之间呈正比关系，是需要人工设置的参数。
利用拉格朗日乘子法，同时结合核函数代替高维特征空间F上的内积，可将如式（1）和式（2）所示的优化问题转化为对偶形式：
minα∑i, jαiαjk（Xi,Xj）－∑iαik（Xi,Xi）（3）
s.t. 0≤αi≤C, ∑iαi1（4）
其中k（・,・）为满足Mercer条件的核函数。利用二次规划优化方法可以求解式（3）和式（4）所示的优化问题从而得到α，如果αi0则对应的样本落于超球面内，若αiC则对应的样本落于超球面外，而满足0
f（X）sgn（r2－Φ（X）－c2）
sgn（r2－∑i, jαiαjk（Xi,Xj）+2∑iαik（Xi,X）－k（X,X））（5）
其中超球面的半径r等于任意一个支持向量到球心的距离。
1.2 1-SVM算法
不同于SVDD构造最小超球面的思想，1-SVM的出发点是在变换后的特征空间中寻找到最优分离超平面，使得正类样本和原点之间具有最大间隔。图2为表示1-SVM原理与其参数意义的示意图。
图2 1-SVM示意图
1-SVM通过引入分离超平面和最大间隔的思想，在变换后的特征空间中尽可能地使正类落于分离超平面的一侧，而使原点与其他类别落于另一侧。设有训练样本集T{Xi|i1,2,…,N}且Xi∈Rl，Φ（・）为原始l维空间至某个高维特征空间F的非线性映射，则1-SVM寻找最优分离超平面任务的目标函数可表示为式（6）：
minw,ρ,ζ,b〈w,w〉+∑Ni1ζi－ρ（6）
s.t. 〈w,Φ（Xi）〉≥ρ－ζi; ζi≥0且v∈［0,1］（7）
其中：w和ρ为分离超平面的参数，ρ/w代表间隔的大小；ζi为松弛变量，表示允许部分训练样本落于分离超平面的原点一侧；v的作用是调节w和ζi之间的关系，是需要设置的变量，代表了训练样本识别错误率的上限，而vN代表支持向量数量的下限［9］。
如式（6）和式（7）所示的最优分离超平面目标函数可以转化为如下所示的二次规划（Quadratic Programming, QP）寻优的对偶问题：
minα∑i, jαiαjk（Xi,Xj）（8）
s.t. 0≤αi≤; ∑iαi1（9）
求解上述QP问题可以得到最终的判别函数：
f（X）sgn（∑iαik（Xi,X）－ρ）（10）
其中：Xi都为支持向量；αi为相应的拉格朗日乘子，且αi满足0
ρ∑jαjk（Xi,Xj）（11）
1.3 SVDD与1-SVM的相关性分析
SVDD与1-SVM之间有着紧密的联系，当采用的核函数为分别如式（12）和式（13）所示的高斯径向基核以及指数径向基核这类径向基核函数时：
k（Xi,Xj）exp－（12）
k（Xi,Xj）exp（－qXi－Xj）（13）
如式（3）所示的对偶形式可表示为式（14）:
minα（∑i, jαiαjk（Xi,Xj）-1）（14）
如果再认为C和为相同的变量，则此时在数学形式上SVDD和1-SVM满足等价关系［8］。
1.4 算法描述
如上所述，SVDD的惩罚系数C负责调节最小化超球体半径和包含尽可能多的正类样本这对矛盾间的关系，定性地讲C的值具有明确的含义，即C值的大小与超球体包裹的正类样本个数呈正比关系。定量地讲C值本身并没有确切的意义，所以C值的设置比较困难。与之相比1-SVM的参数v表示的是对训练样本识别错误率的上限，同时也相当于支持向量占训练样本比例的下限，具有明确的定量意义，因此在数学形式上采用1-SVM算法的最大间隔分离超平面模型，有利于参数的设置。
多项式函数、径向基函数和Sigmoid函数是三种常用的满足Mercer条件的核函数，其中最为常用的是如式（12）所示的高斯径向基核函数，这是由于其对应的特征空间是无穷维的，有限的数据样本在该特征空间中肯定是线性可分的［10］。同时考虑到核函数为高斯径向基函数时，SVDD和1-SVM两者存在等价关系，而高斯核函数适用于超球体模型［11］。因此选择高斯径向基函数作为核函数。
在高光谱影像地物识别中，对于不同的地物需要设置不同的高斯核函数的尺度参数σ。σ控制着核函数的平滑程度，并且其值应该与1-SVM的参数v相适应，以达到最好的识别效果。在此，采用Unnthorsson等人提出的方法［12］来获取参数σ的值。在这种方法中，事先规定训练样本最大错误率v以及σ的取值范围［σmax,σmin］，然后利用1-SVM对训练样本进行识别得到不同σ值下的识别正确率。
如图3所示，x轴和y轴分别表示σ的取值和1-SVM对训练样本的识别正确率，取使得识别正确率第一次满足大于（1－v）条件时的σ作为最优值。此外，为了便于设置σ的取值范围，事先需将高光谱影像的DN值规范化至［0,1］。
图3 σ选择方法示意图
地物识别的目的是区分目标地物与背景，可视为一种特殊的两类分类问题。因此可借助误差矩阵，通过计算分类精度的方法作为识别精度的评价指标。分类精度评价指标包括：制图精度、用户精度、总体精度和Kappa系数。其中用户精度是从用户的角度反映分类图的可靠性，制图精度是从制图的角度反映图像上被标识为各类地物的可靠性，总体精度的计算只采用了误差矩阵中对角线上被正确分类的像素数量，因此这三种指标不能全面反映整体的精度。而Kappa系数既考虑了对角线上被正确分类的像素数量，同时也考虑到各种错分和漏分的误差，更加全面反映了分类精度［13］。由于篇幅的限制，本文不能给出每种地物识别结果的误差矩阵，结合上述的原因，利用Kappa系数作为精度评价的综合指标。
综上所述的数学模型和核函数选择、参数设置以及精度评价指标，基于一类SVM的高光谱影像地物识别过程如下：
1）将原始高光谱影像的DN值规划至［0,1］；
2）选择待识别地物的训练样本；
3）设置高斯核函数参数σ的范围和1-SVM的参数v；
4）利用Unnthorsson的方法选择最优的σ值；
5）训练1-SVM得到αi和ρ；
6）利用训练好的1-SVM对整幅影像进行识别；
7）识别精度评价。
2 实验
本文进行两组高光谱数据的实验，每组数据都提供了摄影地区主要地物类型的样本，在实验中将以每种地物类型轮流作为目标地物，从该类型地物的样本中随机选择100个用于分类器的训练，剩余的所有样本则用于测试，以此来验证一类SVM算法的效果。实验中设置训练样本错误识别率上限v为0.05，并运用文献［12］中的方法确定高斯核函数的尺度参数σ。
此外，为了便于比较，本文还给出了SAM［14］方法的识别结果。由于SAM得到的是待识别样本与参考光谱间的光谱角度值，为了便于比较精度，借助测试样本得到对SAM结果的最佳分割阈值，从而以SAM的最高识别精度参与比较。
本实验采用的计算机硬件环境为Intel Core2 CPU 3.0GHz、2.99GHz，内存3.25GB，软件环境为Windows XP、Matlab 7.5。
2.1 实验1
由中国科学院上海技术物理研究所的OMIS获取的江苏太湖沿岸的影像，光谱覆盖范围0.46～12.85μm，共128波段，影像宽347像素、高513像素，实验采用受噪声影响比较小的6～64、113～128共75个波段。通过对影像目视判读，采集了7类地物的样本，其分布如图4（a）所示，样本信息如表1所示，地物样本均值光谱曲线如图5所示。各类地物的识别结果如图4（b）～（h）所示，具体精度指标如表2所示。表2中，采用SAM对太湖影像的任何一种地物进行识别需耗时8.6653s。
图4 OMIS太湖影像
图5 太湖影像样本均值光谱曲线
表1 太湖影像检验样本信息
2.2 实验2
2001年5月31日，由NASA的EO-1卫星上的Hyperion传感器获取的南非博茨瓦纳（Botswana）Okavango三角洲地区影像，影像宽256像素、高400像素，光谱分辨率大约为10nm，光谱范围400～2500nm，共242波段，经过辐射校正，去除噪声和大气吸收波段。实验采用原数据中10～55、82～97、102～119、134～164、187～220波段共145波段。地面覆盖类型的样本采集用来反映所研究地区洪水对植被的影响，样本采集根据植被测量和航空摄影测量获得，如图6（a）所示，样本信息如表3所示，地物样本光谱曲线如图7所示。各类地物的识别结果如图6（b）～（f）所示，具体精度指标如表4所示。表4中，采用SAM对博茨瓦纳影像的任何一种地物进行识别需耗时5.0715s。
表2 太湖影像地物识别精度
5道路2.180.90240.00090.5916110.85056房屋0.350.84670.00060.562390.74717水体0.350.96160.00060.5013100.9460
表3 博茨瓦纳影像样本信息
2.3 实验结果分析
本文采用的基于一类支持向量机的高光谱影像地物识别方法，对以上两组实验数据都取得了较SAM地物识别方法更高的识别精度。特别是在不同植被类型的识别这种复杂情况下，基于一类支持向量机的方法更是体现出来它的优势，与SAM相比，其精度普遍要高出10%～20%。另外，基于一类支持向量机的识别方法同时也具有较高的处理速度。
3 结语
一类支持向量机不仅保留了支持向量机方法处理高维小样本数据的原有优势，而且仅需要待识别类型一类的训练样本。它的这些特点与复杂的高光谱影像地物识别问题的要求相契合。本文分析总结了一类支持向量机的基本原理与技术
途径，并以此为基础设计了基于一类支持向量机的高光谱影像地物识别方法，最后通过实验证明了本文算法的有效性。然而，一类支持向量机方法作为一种新兴的数据分析的有效手段，其本身还有很大的改进余地，此外，它在高光谱影像分析的应用领域也不仅限于地物识别方面。因此，下一步的研究，一方面将追踪一类支持向量机方法的最新进展，用于提高地物识别的精度；另一方面还将探索其在高光谱影像聚类分析、分类和混合像素分解方面的应用。
图6 Hyperion博茨瓦纳影像
表4 博茨瓦纳影像地物识别精度
图7 博茨瓦纳影像样本均值光谱曲线
参考文献:
[1] 余旭初，冯伍法，林丽霞.高光谱――遥感测绘的新机遇［J］.测绘科学技术学报，2006，23（2）：130-132.
［2］ 贺霖，潘泉，邸|,等.高光谱图像目标检测进展［J］.电子学报，2009，37（9）：2016-2024.
［3］ 杨国鹏.基于机器学习方法的高光谱影像分类研究［D］.郑州：信息工程大学,2010.
［4］ 吴波，张良培，李平湘.基于支持向量回归的高光谱混合像元非线性分解［J］.遥感学报，2006，10（3）：312-318.
［5］ LI KUN-LUN, HUANG HOU-KUAN, TIAN SHENG-FENG, et al. Improving one-class SVM for anomaly detection ［C］// Proceedings of 2003 International Conference on Machine Learning and Cybernetics. Washington, DC: IEEE Computer Society, 2003: 3077-3081.
［6］ BANERJEE A, BURLINA P, DIEHL C. A support vector method for anomaly detection in hyperspectral imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44（8）： 2282-2291.
［7］ TAX D, DUIN R. Data domain description using by support vectors ［C］// Proceedings of 1999 the European Symposium on Artificial Neural Networks. Brussel: D-Facto, 1999： 251-256.
［8］ SCHZLKOPF B, PLATT J C, SHAWE-TAYLOR J T, et al. Estimating the support of a high-dimensional distribution ［J］. Neural Computation, 2001, 13（7）: 1443-1471.
［9］ SCHZLKOPF B, SMOLA J, WILLIAMSON R C, et al. New support vector algorithms ［J］. Neural Computation, 2000, 12（5）: 1207-1245.
［10］ 白鹏，张喜斌，张斌,等.支持向量机理论及工程应用实例［M］.西安：西安电子科技大学出版社，2008：18.
［11］ TAX D, DUIN R. Support vector domain description ［J］. Pattern Recognition Letters, 1999, 20（11/12/13）： 1191-1199.
［12］ UNNTHORSSON R, RUNARSSON R T, JOHNSON T M. Model selection in one class nu-SVMs using RBF kernels ［C］// Proceedings of the 16th International Conference on Condition Monitoring and Diagnostic Engineering Management. Vaxjo, Sweden: V|xj University Press, 2003： 1054-1060.
高光谱遥感原理技术与应用范文4
关键词：精细农业；遥感技术；应用；问题；解决途径
收稿日期：2011-06-04
作者简介：张旭（1990―），男，内蒙古人，中国地质大学（北京）地质学专业大学生。
中图分类号：TP79文献标识码：A文章编号：1674-9944（2011）07-0211-03
1引言
精细农业也被称为因地制宜农业、处方农业。它可以在遥感、地理信息系统和全球定位系统技术支持下,进行抽样调查,获取作物生长的各种影响因素信息（如土壤结构、含水量、地形、病虫害等）。通过进行农田小区作物产量对比,分析影响小区产量差异的原因,获取农业生产中存在的空间和时间差异性,可以根据每个地块的农业资源特点,按需实施微观调控,以充分利用现代化和机械化,精耕细作,获取高的经济效益。
遥感技术是指运用现代光学、电子学探测仪器,不与目标物相接触,从远距离把目标物的电磁波特性记录下来,通过分析、解译揭示出目标物本身的特征、性质及其变化规律的综合性探测技术。其基本原理就是不同物体的电磁波特性是不同的（黄惠珍,2010）,通过探测地表物体对电磁波的反射和其发射的电磁波,从而提取这些物体的信息,完成对远距离物体的识别。
2遥感技术应用于精细农业的必要性
随着科学技术的发展,传统农业因耗能高、产量低,正逐步被新型农业所代替,而精细农业,适应了现代农业产量高、投入少、节约资源、保护环境的要求（姚建松,2009）,它的出现,是传统农业向新型农业转型的必然结果,具有历史必然性。
遥感技术是精细农业获得田间数据的核心来源。没有遥感技术的服务,就没有精细农业的发展。由于不同含水量的土壤具有不同的地表温度（谷纪良,2010）,不同生长期和不同生长情况的农作物具有不同的波谱发射特征。因此,通过对作物本身及其生长环境的波谱特性研究,可定量测定作物的生长状况和空间变异信息（李新磊等,2010）,了解生态环境变化,为及时作出合理化的调整提供最权威的数据资料。因此,精细农业要发展,必然需要遥感技术的应用。
3遥感技术在精细农业中的应用
遥感技术可以客观、准确、及时地提供作物生态环境和作物生长的各种信息。这是精细农业获得田间数据的重要来源。因些,遥感可以在很多方面为精细农业服务。
3.1作物养分诊断与监测研究
作物养分主要包括氮、磷、钾等元素,如果缺乏会导致作物光合作用能力和产量降低。近20年来,利用遥感进行作物养分（尤其是氮）实时监测和快速诊断一直是农业应用研究的热点,其中,高光谱遥感可很好的对作物养分进行诊断和监测（姚云军等,2008）。基本原理就是利用作物氮、磷、钾等含量的变化会引起作物叶片生理和形态结构变化,造成作物光谱反射特性变化的特性。作物养分高光谱诊断与监测方法主要包括多元统计回归方法诊断作物养分含量，基于特定吸收波段内波谱特征参数的作物养分诊断。
3.2农作物播种面积遥感监测与估算
搭载遥感器的卫星或飞机通过田地时,可以监测并记录下农作物覆盖面积数据,通过这些数据可以对农作物分类,在此基础上可以估算出每种作物的播种面积。目前商业销售的遥感图像已经达到1m空间分辨率,在这种高分辨率图像中可以进行精确的农作物播种面积估算。
3.3遥感监测农作物长势与产量估算
作物长势是作物生长发育状况评价的综合参数,长势监测是对作物苗情、生长状况与变化的宏观监测。构建时空信息辅助下的遥感信息技术与作物生理特性及作物长势之间的关系模型便于作物长势监测。利用遥感技术在作物生长不同阶段进行观测,获得不同时间序列的图像,农田管理者可以通过遥感提供的信息,及时发现作物生长中出现的问题,采取针对措施进行田间管理（如施肥、喷施农药等）。管理者可以根据不同时间序列的遥感图像,了解不同生长阶段中作物的长势,提前预测作物产量。自20世纪80年代初开始,中国有关研究部门与高校合作,利用陆地卫星和气象卫星进行大面积作物长势和产量监测的研究与试验。这为我国作物产量的提前预报奠定了科学基础。
3.4作物生态环境监测
利用遥感技术可以对土壤侵蚀、土地盐碱化面积、主要分布区域与土地盐碱化变化趋势进行监测,也可对土壤水和其它作物生态环境进行监测,这些信息有助于田间管理者采取相应措施,合理调配,及时改善作物生态环境,使作物更好地成长。
3.5灾害损失评估
气候异常对作物生长具有一定影响,利用遥感技术可以监测与定量评估作物受灾程度,作物受旱涝灾害影响的面积,对作物损失进行评估,然后针对具体受灾情况,进行补种、浇水、施肥或排水等抗灾措施,减少损失。
4遥感技术在精细农业发展中面临的问题与解决途径
4.1遥感数据库不足
遥感技术在应用于精细农业中,因作物的生态物理参数（如含水量、叶绿素含量、叶面积指数等）各异,生长环境复杂,生长过程中随时间的推移作物与土壤的各种物理化学条件都会变化,这就需要建立大量的数据库,给遥感农业带来了不便。而现有精细农业中的遥感数据库还处于发展阶段,数据量不足,有待进一步完善。
4.2解译水平有待进一步提高
遥感技术在精细农业中的应用尚且处于探索阶段,许多解译方法尚不成熟,如多种田间组分（作物、土壤等）混合光谱的研究等。而现代遥感技术单一解译技术已趋于成熟,但混合光谱的研究才刚刚起步,还需要加强解译水平,完善解译体系。
4.3建立标形植被光谱数据库
深入开展农业应用中标准地物光谱特征研究,总结标准地物在不同条件下光谱变异规律,完善和扩充农业光谱数据库,在应用研究时将目标物与标形地物的波谱特征进行对比,观察波谱图像,总结波谱特征规律,进一步确定目标物的现实特征,进而实施相应手段,提高作物产量。
4.4建立健全解译体系
加大遥感解译的投入力度,建立健全常用地物的解译体系,特别是完善农业遥感中的解译系统,将传统解译与现代信息技术相结合,结合地理信息系统,定位导航系统的发展,将不同地区不同地物的波谱特征纳入解译体系,提高解译水平。
建立标形地物波谱数据库,加强农田水分条件、肥力条件、病虫害等因子在遥感图像中的解译标志,实现农作物征兆信息的智能化提取,上述关键技术的突破,将有助于阐明作物生长环境和收获产量实际分布的相关机理,有助于遥感动态监测定量化,建立作物长势与产量预报定量模型,这对于提高农业田间科学管理（灌溉、施肥或喷洒农药）具有重要意义。
5结语
遥感技术的研究与发展,是促进精细农业发展的重要一步,随着更高分辨率遥感技术的发展,遥感技术在精细农业中的应用必将更进一步。未来精细农业中遥感的定位,将从定性监测逐步转向定量监测,定量遥感将在精细农业中发挥更加重要的作用。因此,加强定量遥感的研究力度,完善定量遥感体系,建立定量遥感农业模型,将为农业遥感发展带来新的活力,必将促进精细农业的蓬勃发展。
参考文献：
［1］ 黄惠珍.遥感技术在我国农业生产中的应用［J］.科技信息,2010（24）:46.
［2］ 姚建松.我国精细农业发展前景探讨与研究［J］.中国农机化,2009（3）：26～28.
［3］ 谷纪良.浅谈我国精细农业的应用情况和技术构成［J］.消费导刊,2010（8）：224.
［4］ 李新磊,苏俊.试述现代精细农业的技术构成及其应用［J］.中小企业管理与科技,2010（6）：79～81.
［5］ 姚云军,秦其明,张自力,等.高光谱技术在农业遥感中的应用研究进展［J］.农业工程学报,2008,24（7）:301～306.
［6］ 任丽萍,杜波.精细农业-现代化农业的发展方向［J］.黑龙江科技信息,2009（21）:145.
［7］ 王建强,王丽梅.3S 技术在精细农业发展中的综合应用探讨［J］.水利科技与经济,2008,14（3）：235～236,244.
［8］ 杨淑芳.遥感技术在农业上的应用与展望［J］.农业科技展望,2008（7）:39～42.
高光谱遥感原理技术与应用范文5
关键词:遥感技术 信息提取 找矿
遥感技术(Remote Sensing)即遥远的感知,是20世纪60年代兴起并迅速发展起来的一门综合性探测技术,它是在航空摄影测量基础上,随着空间技术、信息技术、电子计算机技术等当代高新技术的迅速发展,以及地学、环境等学科发展的需要,逐步形成发展的一门新兴交叉科学技术。具有宏观、动态、综合、快速、多层次、多时相的优势。在新技术迅猛发展的今天,遥感技术伴随着航空、航天技术的发展而不断提高与完善,服务领域不断扩展,受到普遍重视,显示出极其广泛的应用价值、良好的经济效益和巨大的生命力。
1、遥感信息提取
全球变化的研究涉及一系列重大全球性环境问题,提出了大量关系到地球的重要科学问题。由于涉及的范围极其广泛,因而具有高度综合和交叉学科研究的特点。叶笃正先生曾指出,“全球环境是一个不可分割的整体,任何区域的环境变化都要受到整体环境变化的制约;反过来,整体环境的变化又是各区域相互影响着的环境变化的综合体”。遥感作为获取地球表面时空多变要素的先进方法,是地球系统科学研究的重要组成部分,是对全球变化进行动态监测不可替代的手段。陈述彭先生指出,没有遥感,就提不出全球变化这样的科学问题。所以遥感对地理信息学科具有巨大的推动作用,就像望远镜对天文学和物理学的推动作用一样。遥感科学的意义在于:对传统地理学来说,遥感要求从定性到定量描述;对传统物理学来说,遥感要求在像元尺度上对局地尺度上定义的概念、推导出的物理定律、定理的适用性进行检验和纠正,而这种纠正是与像元尺度上的地学定量描述密不可分的。
1.1 遥感图像掩膜处理
卫星遥感图像处理,尤其是提取矿化蚀变等微弱遥感信息,需要针对工作区选取尽可能小的图像范围,同时要对工作区范围内图像中的云雾、水体、冰雪、植被、大面积风成土壤等干扰进行掩膜等处理,然后才能进行图像处理。
1.2 去相关拉伸
去相关拉伸变换是原始光谱波段的一种线性变换,这种变换通常是原始光谱波段的加权总和与差。研究表明该方法对一些遥感图像数据有效,能产生好的图像效果和提供新的洞察点;利用这种图像处理方法主要目的是提取一些方法不能提取的一些重要矿化蚀变、侵入体及构造等遥感信息。
1.3 卷积增强
遥感图像上的线性特征,特别是和地质构造和成矿环境有关的线性体和断裂构造的增强处理和分析是遥感图像处理和研究的一个重要方面。对数字图像而言,线性体信息提取目前主要有梯度阈值法、模板卷积法、超曲面拟合法、曲线追踪和区域生长等,地质遥感线性体信息提取采用模板卷积滤波算法效果较好,它是一种邻域处理技术,即通过一定尺寸的模板(矩阵)对原图像进行卷积运算来实现的。
2、遥感技术在地质找矿中的应用现状
长期以来,地质工作者迫切希望能有一种目的性明确、“窥一斑而知全豹”的理论和方法来指导找矿。因此遥感技术以其独有的特点在地质找矿中的作用显得尤为重要。应用遥感与地质资料进行综合分析、预测区域成矿远景等已取得了很多成果。遥感技术在地质找矿中的应用主要表现在两个方面:(1)通过研究遥感影像上的地质构造与成矿的关系,认识成矿规律并圈定找矿远景区。(2)是通过对遥感图像进行增强处理,综合分析,提取一定的地质信息,从而为成矿预测提供有用资料。遥感图像早已非常成功地应用于农、林、水利和交通等部门的调查和规划。在我国最早使用遥感图像的是地质行业,其主要任务就是用于地质找矿。
3、遥感技术信息提取在找矿中应用的相关技术
3.1 遥感图像分析找矿
遥感图像分析找矿是利用各种航天与航空遥感图像进行目视判读,分析已知矿产地质的图像特征,结合地质背景、成矿条件及物化探异常,根据类比的原则从已知推未知,可进行一定的成矿预测。使用大比例尺航空像片,尤其是彩色和红外彩色像片,能直接识别原生矿体及矿化地区的露头,尤其是金属矿床及露头的特异彩色形成良好的找矿标志。例如在彩色航片上磁铁矿、锰矿、煤矿等呈深灰色或黑色;赤铁矿、斑铜矿为红色;孔雀石、铜矿、次生铀矿、次生铬矿为绿色;风化的铁帽常呈褐色;盐矿、石英脉矿呈白色等。由于矿体露头与围岩抗风化、抗侵蚀能力不同,形成岩墙或沟谷,也可直接识别。此外,人工开采区的采矿场、竖井、平峒、废石堆、尾砂等在图像上也能直接识别。
3.2 遥感图像提取矿产信息进行成矿预测
遥感图像提取矿产信息进行成矿预测是利用遥感图像处理技术对遥感图像进行处理,提取矿床、矿化有关信息,如蚀变带、氧化带、铁帽等含矿地质体或某元素地球化学异常区,直接显示在图像上,从而达到找矿的目的。
3.3 遥感图像地质综合分析找矿
遥感图像地质综合分析找矿是以区域地质演化与成矿规律分析为基础,确定出调查区内主要的成矿模式与控矿的地质要素,根据控矿地质要素的遥感信息特征(包括的与隐伏的)选取一定的图像处理方案,进行有关地质信息的增强或提取处理,同时结合物化探资料进行目视图像分析。物化探资料的图像化及用数学地质与遥感地质相结合的方法进行成矿预测,是遥感地质综合找矿向纵深发展的新趋势。
4、结语
目前遥感已成为地质调查和资源勘查与监测的重要技术手段。应用范围已由区域地质、矿产勘查、水文地质、工程地质、环境地质勘查扩大到农业地质、旅游地质、国土资源、土地利用、城市综合调查、环境监测等许多领域。应用技术方法水平随着遥感和计算机技术的发展也有了很大的提高,应用效果和社会经济效益也愈来愈明显。
参考文献
[1]陈述.遥感技术与遥感数字图像分析处理方法、解译制图及其综合应用实务全书[M].银川:宁夏大地音像出版社,2005.9:90-92.
高光谱遥感原理技术与应用范文6
［关键词］土地资源管理；3S 技术；应用
中图分类号：O434文献标识码： A
土地管理是指国家为了维护土地所有制，调整土地关系，保障土地的合理利用，促进经济社会的可持续发展，对土地资源的开发、利用、整理、保护，对土地资产的流转、收回等各项活动进行的计划、组织、控制和协调。然而，随着经济社会的快速发展，地的供需矛盾日益加剧，土地资源管理工作显得更为重要，传统的土地资源管理模式已经制约着土地资源管理事业的发展。随着 3S 技术的出现并被逐渐应用到土地管理工作中，从而为解决土地问题、 协调人地关系， 提供了强有力的技术支撑，为土地资源管理工作的现代化提供了可能。
一．3S技术概述
3S 技术即全球定位系统 (Global PositioningSystem，GPS)、遥感技术(Remote Sensing，RS)和地理信息系统(Geographic Information System，GIS)。3S技术构成对空间信息获取、存贮、管理、更新、分析和应用的强大技术体系，可以说，3S 技术是土地管理的有力支撑，重要信息获取手段，它将伴随着土地资源管理工作的开展而不断成熟。
1.全球定位系统
GPS是美国从20 世纪70年代开始研制，历时20 年，耗资200亿美元，于1994年全面建成，具有在海、陆、空进行全方位实时三维导航与定位能力的新一代卫星导航与定位系统。GPS具有全天候、高精度、自动化、高效益等显著特点，主要用于实时、 快速地提供目标的空间位置。
2.遥感技术
RS是指在高空和外层空间的各种平台上，运用各种传感器获取反映地表特征的各种数据，通过传输、变换和处理，提取有用的信息，实现研究地物空间形状、位置、性质、 变化及其与环境的相互关系的一门现代应用技术科学。
3.地理信息系统
GIS 是指在计算机硬件、软件系统支持下，对整个或部分地球表层（包括大气层）空间中的有关地理分布数据进行采集、存储、管理、计算、分析、显示和描述的技术系统。GIS具有较好的检索、查询、分析和综合处理能力。
二．3S技术在土地资源管理中的应用
1.在土地调查中的应用
2006 年，国务院关于开展第二次全国土地调查的通知（国发[2006]38号）下发，标志着第二次土地调查正式开始实施，此次土地调查包括农村土地调查和城镇土地调查。其技术流程为：1.以航空、航天遥感影像为主要信息源，完成正射影像和基础图件制作；2.利用遥感图像，内业判读与外业实地调查相结合；3.内业处理，完成各种信息的汇总和统计分析；4.土地利用数据库建设。
在此次土地调查中，RS、GPS和GIS 都发挥了举足轻重的作用。RS 能在大区域范围内快速、重复地成像，而且解决了野外调查时在有些地区工作人员无法进入实地的问题，它快捷、实时、高效地获取了土地利用变化信息；GPS完成对新增、变化地物的补测和权属界线调查，并及时对新增变化数据进行差分处理；GIS 能够管理、分析和综合多源、多时态、多层次的土地利用调查信息。它的核心是将空间信息和属性信息有机结合在一起，通过对空间数据的处理与分析，对土地利用现状进行有效地空间分析，并且可以通过图表、图件等途径清晰地反映第二次全国土地调查的成果。
2.在土地管理信息系统中的应用
土地管理信息系统又称土地信息系统，是辅助法律、行政和经济决策的工具，也是规划和研究的辅助设备。它既包含某一特定地区的土地相关信息数据库，也包含收集、更新、处理和传播数据的技术和方法。土地管理信息系统从软件系统结构总体上可以分为三个组成部分：土地资源调查评价信息系统；政务管理信息系统；社会服务信息系统。土地管理信息系统是集土地管理业务、计算机技术、GPS、GIS、RS、数据库以及网络等技术于一体的系统工程。尤其是GIS，它为土地管理信息系统的开发提供了一个很好的平台。
3.在土地利用动态监测中的应用
随着经济社会的快速发展，土地利用结构发生了显著的变化，人多地少的矛盾日益尖锐，如何准确快速地发现土地利用状况的变化并获取变化的数据，科学地掌握土地信息和管理土地，进行土地利用动态监测与更新是刻不容缓的。传统的土地利用动态监测受技术条件的限制，依靠用地单位的上报数据，被动地了解变化，并运用传统测量方法进行变化信息的空间测量和面积测算。这种调查方式不仅工作效率低，不能主动监测变化，而且获取的数据精度较差，资料缺乏现势性，因此无法实时地掌握土地的利用变化，无法分析评价土地利用变化是否合理。
GPS、RS和GIS 的集成技术为有效地实施土地利用动态监测提供了一个很好的方法。其工作过程如下：首先，以土地利用调查的数据和图件为基础，利用RS快速地提供目标及其环境的语义或非语义信息，主动地发现土地利用的变化信息；第二，利用GPS实时、快速地获取变化信息的空间位置，获得新的土地利用现状数据；第三，利用 GIS实现土地数据的计算机管理与可视化，实现土地利用数据库的更新，输出土地利用动态监测成果。
三.3S技术在土地资源管理中的发展趋势
1.3S集成技术
RS可以很好地反映大范围的地表信息，但存在“同物异谱”、“同谱异物”的情况，因此在对遥感图像中各类别进行分类时会影响分类精度，借助GIS的支持，补充一些非遥感信息， 便可以提高分类精度，而且通过这些非遥感信息的参与，当进行各种定性、定量分析时，有利于提高遥感信息的适用效率。GIS 能够存储空间信息和属性信息，强有力的分析模块能够最大可能地从已有数据中获取有效的信息，并进行综合集成，为科学决策提供依据。 随着技术的进步，GPS卫星系统的改善，GPS 提供的位置服务越来越精确和便捷。3S 技术在各自发展的同时，也趋向于内部之间的融合与集成，这使3S技术具有更强的判断和决策能力。因此，RS可以为GIS提供重要信息源并能及时对GIS进行数据更新，这有利于保持土地资料的现势性；GIS则对这些遥感信息进行提取与分析，为土地资源的各种应用提供科学决策；GPS实时、快速提供精确的空间定位，保障了土地信息数据的精度。可以说3S 技术的一体化应用将会极大地提高工作效率，能够实现自动、实时地采集、处理和更新数据，智能式地分析和运用数据，为土地资源的各种应用提供科学决策，三者的结合是现代土地资源管理的发展方向。
2.高光谱遥感
高光谱遥感是利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息，具有很高的时间和空间分辨率。高光谱图像的光谱信息层次丰富， 不同的波段具有不同的信息变化量。它与TM、SPOT等波段相比，可以探测出许多陆地卫星不能探测的地物，这使得RS具有广阔的应用前景。高光谱传感技术的出现给基于3S技术的土地利用变更与动态监测提供了质与量的保证。
3.3D地理信息系统技术
目前的GIS 技术是2维的，它是基于平面的概念，不能建立空间立体数据。真正的3维GIS是在X、Y 轴的技术上叠加Z轴，形成完整的空间结构，用3维的形式对实体目标进行立体分析，通过3维关系使数据实现空间量化，以(X，Y，Z)的模式来确定点的定位。3维GIS在地籍管理信息系统中可以增加地籍信息的含量、提高数据的精度、拓展业务职能，并且便于地籍资料的查询。地籍管理是土地管理的核心，地籍管理信息系统的进步与完善，可以为管理提供优良的工作环境和便捷的工作程序，有利于管理工作效率的提高。
4. 网络化
利用3S技术实现了对各种土地信息的获取、存储和管理。然而，随着计算机的广泛应用和通信网络技术的快速发展，土地管理信息化进程也在不断加快，如何实现这些信息与数据资源的集中管理、更新和共享已成为土地管理信息化建设的一个课题。网络化不仅有利于土地管理部门随时了解土地资源利用的具体情况，便于部门内部和部门之间的联系交流，有效地降低管理工作的成本，提高工作效率，而且便于公众看到土地利用、土地变更等相关信息。
四．结 语
随着3S技术的不断发展，3S技术与土地资源管理工作的密切结合也将日益完善，它将在土地资源管理领域产生重要影响，能够有力地推动国土资源的信息化建设。
五．参考文献
［1］刘胜华,刘家彬.土地管理概论.武汉:武汉大学出版社,2005.