航空高光谱遥感技术在铀矿找矿中的典型应用——以新疆雪米斯坦地区为例

高光谱遥感技术是地质矿产勘查领域的重要新技术、新方法。近些年,航空高光谱遥感技术及其在铀矿找矿中的应用得到核地质系统的重视并开展深入研究。在分析前人铀矿找矿思路基础上,阐述了CASI/SASI航空高光谱遥感技术在新疆雪米斯坦地区的铀矿找矿新思路及其典型应用效果。首先深入剖析了白杨河铀矿床及其周围的航空高光谱遥感特征,识别了铀矿床产出的区域热液活动中心、铀成矿高铝绢云母蚀变等区域找矿关键要素,提出“区域热液活动中心识别-铀矿化航空高光谱蚀变组合发育地段确定-蚀变、构造、有利岩性等要素复合地段优选”的航空高光谱遥感铀矿找矿新思路;然后根据全区的航空高光谱遥感信息进行了找矿远景区筛选和野外查证,新发现了铀矿化异常。新发现的铀矿化异常地段航空高光谱遥感特征明显,地表铀异常显著,控矿断裂构造发育,地质环境有利,铀矿找矿前景良好。其是笔者对如何充分挖掘高光谱遥感铀矿找矿信息,提升高光谱遥感技术更好服务铀矿找矿应用效果的深入思考与探索,也是在地表岩石裸露程度良好的地区利用高光谱遥感技术直接寻找热液型矿产的良好例证,希冀为广大地质工作者开展找矿方法创新和应用提供参考。

高光谱遥感技术在矿山地质环境调查中的应用

矿山地质环境受矿产资源开采活动的影响而产生剧烈变化,直接或间接影响了生态环境的可持续发展。近年来,高光谱遥感技术因其具备高光谱分辨率、空间信息与光谱信息合一的优势,解决了传统遥感技术仅能识别大致地物的问题,被广泛应用于矿山地质环境研究与监测。在梳理相关文献的基础上,介绍了高光谱遥感技术原理及发展现状,归纳了高光谱遥感技术在矿区植被、矿区水体、矿区土壤和矿区大气等方面的应用与监测;对矿区高光谱发展前景进行展望,认为未来随着遥感技术的发展对矿山地质环境的监测将逐渐有序化、长期化。

基于多特征核的高光谱遥感影像分类方法

支持向量机(SVM)的核函数选取是制约其分类性能的重要因素,而当前的核函数大多以光谱距离作为构核元素,而忽略了光谱角度这一光谱特征。文章提出一种均衡化光谱距离与光谱角多特征组合核(ESAD)的SVM分类器,对2003年意大利帕维亚大学的ROSIS高光谱数据作分类处理,并对影像的分类精度作评价分析。实验结果表明:ESAD核SVM整体分类精度相较于光谱距离核SVM和光谱角核SVM分别提升8.88%和11.03%,分类精度理想,一定程度上抑制了“同谱异物”现象。

基于无人机高光谱遥感的水体CHL-a反演

无人机平台搭载高光谱传感器获取的高光谱数据具有高分辨率、波谱丰富的特点,本研究基于实测采样点光谱特征、采样点CHL-a浓度,采用相关性分析的方法选取最优波段,构建水体CHL-a反演模型,应用于无人机高光谱数据进行CHL-a的反演监测。结果表明:通过分析单波段、一阶微分值与CHL-a参数,发现使用674 nm、570nm波长构建的一阶微分与水体CHL-a构建的线性反演模型,具有较高的相关性与精度,可满足对小中型地表水体叶绿素的快速反演监测。基于反演结果构建空间分布图,实现水质参数的可视化。

叶片多理化参数的高光谱遥感与深度学习估算

准确的植物叶片理化参数对于监测植物生长状况至关重要。随着深度学习技术的迅速应用,结合深度学习和高光谱遥感技术的植物叶片理化参数分析应用潜力巨大;然而,现阶段结合深度学习和高光谱遥感技术在植物多叶片理化参数的联合估算研究尚少。该研究旨在挖掘结合高光谱遥感技术和深度学习技术开展高精度的多植被叶片理化参数(叶绿素含量、类胡萝卜素含量、水分含量、蛋白质含量和碳基成分含量)联合估算的潜力。首先,通过利用新型PROSPECT-PRO辐射传输模型模拟分析,确定了多个植被叶片理化参数的敏感光谱区域,并设计了LeafTraitNet模型;然后,基于Lopex93数据开展LeafTr aitNet模型训练和验证,取得了高精度的叶片参数估算结果。得到以下结论:(1)基于PROSPECT-PRO辐射传输模型辅助实测开展植被光谱特征选择十分必要;叶绿素(约434和约676 nm)和类胡萝卜素(约445 nm)两类色素的光谱吸收峰均主要位于可见光区域;然而,其与叶片光谱的相关系数绝对值最大的点却不是各自的吸收峰位置,这可能是因为叶绿素和类胡萝卜素对光谱吸收的相互影响。(2)水分的吸收峰主要位于950~2500 nm范围内,这与叶片蛋白质和碳基成分的吸收区域重叠,因此削弱了后者的高光谱遥感估算精度。基于PROSPECT-PRO辐射传输模型和Lopex93数据集的叶片参数相关性分析结果表明,叶片水分含量与950~2500 nm范围内叶片光谱反射率相关系数绝对值接近1,而叶片蛋白质和碳基成分含量与950~2500 nm范围内光谱反射率相关系数较低。(3)三种传统统计回归方法和LeafTraitNet模型的叶片理化参数估算精度可以基于其估算总nRMSE而排序为:Le afTraitNet(总nRMSE=0.84)<RF(总nRMSE=1.59)<MLP(总nRMSE=1.73)<MLR(总nRMS E=1.74)。研究显示基于深度学习的LeafTraitNet模型有潜力提供远高于传统统计回归模型的植物叶片理化参数估算结果,但其在冠层尺度的研究仍需要更多的实验来进一步验证。

草甸草原植物beta多样性高光谱遥感估算方法

目前,全球生物多样性的状态非常堪忧,因此,利用光谱技术估算生物多样性成为了生态学家和遥感学家共同关注的热点。目前关于植物alpha多样性的研究很多,而关于beta多样性的研究较少,仍存在一些问题值得去探索。为了探究利用遥感技术估算植物beta多样性的最佳光谱指数以及最佳影像空间分辨率,以草甸草原为研究区,基于无人机高光谱遥感影像,从光谱距离、光谱角度、生物多样性概念三个方面计算了6种beta多样性估算指数(4种为我们构建的新指数,2种为已有的指数),并采用Mantel tests和相关系数筛选最佳的光谱指数。然后将筛选出来的指数应用于不同空间分辨率的影像,以期得到最佳观测尺度。另外,为了提高指数的估算能力,对比了一阶导数变换和Savitzky-Golay滤波两种光谱变换方法,以及相关系数法、连续投影法、竞争性自适应重加权法三种特征波段选择方法。结果表明,不论是采用亚尺度观测(像元大小<样方大小)还是等尺度观测(像元大小=样方大小),最佳的光谱指数均为光谱距离指数,且光谱距离指数在不同影像空间分辨率下均表现良好。在草原地区,当影像空间分辨率约为0.25 m时,该指数可以取得最佳的估算结果。经一阶导数变换并用相关系数法提取特征波段后构建的光谱距离指数与beta多样性拥有最强的相关性,今后可利用该指数构建估算模型或者直接表征beta多样性。该研究对于科学的选取光谱指数和影像空间分辨率去估算植物beta多样性具有一定的指导意义。

高光谱遥感植被图谱信息提取研究进展

高光谱遥感在植被健康检测、植被群落分类以及精准农业等领域得到了广泛的运用,同时,高光谱遥感还能够利用精细的光谱信息来识别物质成分,使植被分类等工作更加精细和准确。高光谱遥感数据的图谱信息具备信息容量大和图谱一体化特点,能够通过连续窄波段获取地表地物信息,并记录植被等地物的光谱信息,同时也记录地物的图形信息。然而,由于数据量庞大且存在冗余,所以高光谱遥感在植被图谱信息提取方面仍面临巨大挑战,本文研究了国内外学者在高光谱植被图谱研究中的重要贡献,分析了高光谱的图谱特征、植被图谱信息提取方法并展开讨论,高光谱技术不仅能提供丰富的植被图谱信息,在其他领域研究中也具有巨大应用潜力。

基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究

为提高冬小麦叶面积指数(LAI)的遥感估测精度,以实现其无损快速测定目标,在田块尺度设置多年定点不同冬小麦品种氮梯度试验,测定其不同生育时期冠层高光谱数据和LAI,通过原始冠层光谱数据与一阶导数预处理(first-derivative, FD)组合竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)、无信息变量消除(uninformative variable elimination, UVE)和随机蛙跳(random frog, RF)三种特征波段选择方法进行偏最小二乘回归(partial least squares regression, PLSR)高光谱估测模型构建。结果表明,一阶导数预处理在简化波段数量和提升模型精度上具有较好作用。经过与全波段数据及六种组合内部建模预测精度对比,RF在简化波段方面效果最好,FD-RF组合筛选波段数量为6个,建模的R^(2)和RMSE分别达到0.850和0.730,预测的R^(2)和RMSE分别为0.704和1.005;FD-CARS组合达到了最佳建模精度,R^(2)和RMSE分别为0.876和0.641;FD-UVE组合达到了最佳预测精度,R^(2)和RMSE分别为0.755和0.672。这说明基于特征波段选择可以进行冬小麦叶面积指数高光谱遥感模型建立与有效估测。

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法(Competitive adaptive reweighted sampling, CARS)优选特征谱段,采用偏最小二乘回归法(Partial least squares regression, PLSR)建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明:有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法(Correlation coefficient, CC)和遗传算法(Genetic algorithm, GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。

基于机器学习方法的高光谱遥感图像目标检测研究

针对高光谱遥感图像目标检测的难题,提出基于机器学习的高光谱遥感图像目标检测方法。首先,通过动力演化算法找到满足偏度、峰度最大化的投影方向,将高维图像数据投影至低维子空间,从而提取图像的光谱信息。然后,通过线性判别法将提取的信息转换为直方图形式,再利用自动标记分水岭算法和KNN方法进行目标区域的初分割和分类,以去除非目标光谱像元。测试结果表明,对目标信息进行检测处理后,图像像元整体分类精度与平均分类精度数值区间为[0.97,0.98],信息熵数值仅有0.01,说明该方法具有较高精度,结果可信度较高。

基于验证集信息的高光谱遥感动态集成算法

为了提升动态集成算法的分类精度,提出了一种基于验证集信息的两阶段动态集成算法(TS)。首先通过同时限制分类器精度和相似度自适应调整KNN大小,优先判别光谱性能较优的待分类样本;再以优先判别的待分类样本为新的验证样本补充扩大验证集,从而充分利用验证集信息增加分类的准确性和可靠性。采用两组高光谱遥感影像数据对该算法进行实验,并与3种多分类器动态集成算法进行对比分析。结果表明,与经典动态集成算法相比,TS算法具有更好的分类表现,对于推动高光谱遥感精细分类具有一定的理论和实用价值。

基于空谱融合和随机多图的高光谱遥感图像农作物分类

针对高光谱遥感图像复杂农作物分类问题,提出了一种基于空谱融合和随机多图的高光谱遥感图像农作物分类方法。通过使用一种潜在特征融合和最优聚类(Latent Features Fusion and Optimal Clustering Framework,LFFOCF)的波段选择方法和分段主成分分析(Segmented Principal Component Analysis,SPCA)进行光谱降维,采用多尺度二维奇异谱分析(2-D-Singular Spectrum Analysis,2-D-SSA)应用于降维图像,以提取不同尺度的空间特征。将多尺度空间特征与主成分分析(Principal Component Analysis,PCA)得到的全局光谱特征融合送到随机多图(Random Multi-Graphs,RMG)中进行分类。在印度松树、萨利纳斯和龙口数据集上,所提出的方法与一些现有的方法进行了对比实验。实验结果表明,该方法的类别精度(Class Accuracy,CA)、总体分类精度(Overall Accuracy,OA)、平均分类精度(Average Accuracy,AA)和Kappa系数优于这些方法。

高光谱遥感技术在地质环境监测中的应用与展望

高光谱遥感技术是一种功能非常强大的综合性学科技术,其以数据的实时性、光谱信息的丰富性、成本的高效益性、覆盖范围的广泛性等特征以及高分辨率和图谱合一的优势,在各个领域上得到了广泛的应用。文章介绍了高光谱遥感技术成像的基本原理、国内外高光谱成像仪和高光谱卫星的发展历程,重点描述了高光谱遥感技术在矿山环境监测、水环境监测与评价、土壤含水率监测等方面的应用成果。高光谱遥感技术面临着“维数灾难”、精确度不足、时效性受限、高光谱遥感数据解译困难等问题,未来可通过协同多平台、利用人工智能模型等方式提高精确度,构建典型的光谱库提高模型的普适性。

高光谱遥感技术在地质勘查中的应用现状及展望

高光谱遥感技术是目前新兴的一种绿色勘查手段,其基于矿物化学成分变化会导致矿物光谱特征吸收峰发生变化的特点,对矿物信息进行识别与提取,具有成本低、无损测量、绿色环保等特点,应用前景广阔。本文系统综述了高光谱遥感技术在国内外的研究现状,总结了石英族、碳酸盐类(方解石、白云石)、云母类(白云母、黑云母)、石榴子石等常见矿物的光谱特征,介绍了高光谱遥感技术在国内外矿床勘查中的典型应用实例,并展望了该技术未来的发展方向,旨在为绿色、高效地质勘查技术研究提供借鉴。

基于UAV高光谱遥感的春小麦表型特征提取

表型特征是评估作物生长状况的关键指标,对作物长势的分析至关重要。本研究利用Cubert S185机载高光谱成像仪采集了春小麦4个生长期的高光谱影像,同时测量了作物高度,叶面积指数和叶绿素含量。采用线性回归和多种机器学习算法,确定不同表型特征的最优反演模型,结果发现:利用播种前和不同生长期的DSM数据估算春小麦高度,实测值与预测值间的R^(2)为0.808,RMSE为0.105,较好地模拟了高度变化;对比3种机器学习回归模型,发现基于光谱指数NDSI_((710,714))构建的支持向量回归(SVR)模型对LAI具有良好的预测能力,R^(2)为0.723,RMSE为0.267。同样,基于光谱指数NDSI_((738,710))构建的XGBoost模型在预测CCC方面也表现优异,R^(2)为0.795,RMSE为132.811。本研究结果可为精准农业的高效管理提供有力的技术支撑。

基于高光谱遥感技术的棉花长势监测研究进展

高光谱遥感技术的快速发展使得作物长势监测方法更加简单、便捷、准确,同时还可获得大范围的作物信息,这为实现棉花生长状态的快速、连续监测提供了重要技术支撑。综述高光谱遥感技术在棉花长势监测方面的研究进展,并对高光谱遥感技术在棉花长势监测方面的未来发展进行展望。

高光谱遥感技术在耕地质量反演中的应用

本文基于高光谱影像对耕地质量相关指标进行反演估算,以河北省石家庄市东北部平原部分耕地区域为研究对象,基于辐射、几何校正预处理后的资源一号02D高光谱遥感影像,采集影像覆盖范围内地表土壤样本共110组,并完成理化分析等流程,获取样本的耕地质量相关指标含量数据。通过Hapke模型、CARS方法与SVM模型建立耕地质量相关指标的反演模型。结合70%的建模样本和30%的预测样本验证表明,水解性氮、有机质等指标达到较高的精度,证实了高光谱遥感技术针对土壤有机质和养分指标反演的应用价值。

一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。

高光谱遥感在自然资源调查监测中的运用探讨

高光谱遥感技术是一种重要的遥感技术,在自然资源调查监测中具有广泛的应用前景。首先,分析高光谱遥感的基本原理及其与传统遥感技术的区别。其次,详细阐述高光谱遥感在自然资源调查监测中的应用研究。经过实践证明,高光谱遥感在自然资源调查监测中具有广泛的应用潜力,能为工作人员提供丰富的光谱信息,帮助其更好地了解自然资源的状况和环境问题,进而为资源的可持续发展提供科学依据。因此,进一步推动高光谱遥感技术在自然资源调查监测中的运用研究十分必要。

无人机高光谱遥感平台研究进展与应用

随着高光谱传感器与无人机的集成,无人机高光谱遥感技术成为遥感领域的最重要的研究方向之一。相比于传统的卫星遥感技术,无人机遥感技术具有成本低、操作简单、高空间分辨率与高时间分辨率兼备的优势,且研究人员能够灵活地获取研究区的高光谱图像。高光谱传感器具有更多的光谱细节,无人机技术与高光谱技术的结合,为科研人员在遥感相关的研究工作提供了有效的技术手段,近些年来受到广泛关注。文章总结了无人机、传感器以及高光谱技术的特点及发展现状,并阐述了无人机高光谱遥感技术在飞行前的准备工作和对所采集到数据的处理工作。文章重点介绍了无人机高光谱遥感技术在水文、农林业、自然灾害以及海洋环境等领域的应用以及无人机携带的主要传感器类型与基本参数,并指出使用无人机高光谱技术目前存在的挑战、机遇与发展前景。