前言：中文期刊網精心挑選了高光譜遙感原理技術與應用范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
高光譜遙感原理技術與應用范文1
農作物遙感識別是遙感技術在農業領域應用的重要內容,也是資源遙感的重要組成部分。植被光譜不僅具有高度相似性和空間變異性,而且具有時間動態性強等特點。不同植被的光譜隨時間的變化規律也具有明顯的區別,因此充分發揮高光譜遙感的獨特性能,特別是其在區分地表細微差別方面的優勢,同時結合植被的時間動態特征,將大大提高土地覆蓋類型的識別與分類精度。熊楨等基于獲得的常州水稻生長期80波段PHI航空高光譜圖像,利用混合決策樹方法對水稻品種進行了高光譜圖像精細分類,完成了對11種地物(其中6個水稻品種)的劃分,測試樣本的分類精度達到94.9%[7-8]。林文鵬等以中國華北地區冬小麥識別為例,利用MODIS自身光譜信息,即可實現作物遙感全覆蓋自動識別,并可達到較高的精度,比傳統方法認為的冬小麥遙感識別的最佳時間(返青期的3月份)提前約一個季度[9]。劉亮等以北京順義區為研究區域,利用高光譜遙感數據,通過逐級分層分類方法進行農作物信息提取與分類,并對分類圖進行了隨機抽樣檢查,各種農作物的分類精度均達到95%以上[10]。劉良云等利用OMIS圖像的波段20(中心波長為687nm)和波段35(中心波長為853nm)計算了歸一化發射率方法反演得到的試驗區的地物表面溫度(LST),進而在NDVI-LST空間生成了6類典型地物(生長旺盛小麥、較稀疏小麥、池塘水體、淤泥濕地、水草、土壤)的散點圖,并采用最大似然分類算法,根據地物表面溫度和歸一化植被指數,利用上述6類地物樣本,對北京小湯山精細農業示范區的OMIS遙感圖像進行了分類,得到了較好的分類結果[11]。以上研究結果表明,高光譜遙感技術能有效地對作物進行分類和識別,且分類精度較高,這對于大比例尺尺度上研究地表作物覆蓋,提取更加細致的信息提供了有力保障。
2高光譜遙感監測作物葉面積指數、生物量和葉綠素含量
葉面積指數(LAI)通常是指單位面積土地上所有葉片表面積的總和,或單位面積上植物葉片的垂直投影面積總和。它是生態系統的一個重要結構參數,可用來反映植物葉面數量、冠層結構變化、植物群落生命活力及其環境效應,為植物冠層表面物質和能量交換的描述提供結構化的定量信息[12]。葉面積指數與生物量(干重、鮮重)和葉綠素是衡量作物生長狀況的重要指標。如何利用遙感技術實時監測植株葉面積、生物量和葉綠素,對于作物的管理調控及估產具有重要意義。王秀珍等[13]采用單變量線性與非線性擬合模型和逐步回歸分析,建立了水稻LAI的高光譜遙感估算模型,提出高光譜變量與LAI之間的擬合分析中,藍邊內一階微分的總和與紅邊內一階微分總和的比值和歸一化差植被指數是最佳變量。黃春燕等利用棉花不同品種、不同密度冠層關鍵生育時期的反射光譜數據,應用光譜多元統計分析技術與光譜微分處理技術,建立了基于植被指數和歸一化植被指數的5種函數形式的棉花干物質積累估測模型[14]。唐延林等測定了不同品種類型、不同株型、不同發育期的春玉米葉片及其他器官、不同葉位葉片及葉片不同部位的高光譜反射率和葉片葉綠素、類胡蘿卜素含量,提出葉片葉綠素和類胡蘿卜素濃度與光譜植被指數R800/R550、R673/R640、PSSRa、PSNDa、RCh、CARI、λred、Dλred和Sred極顯著相關[15]。吳長山等對早播稻、晚播稻和玉米的多時相群體光譜測量數據和相應的葉片葉綠素密度測量數據進行了相關性分析,結果表明早播稻、晚播稻和玉米的群體光譜反射率數據及其導數光譜數據與葉綠素密度具有很好的相關性[16]。Tumbo等指出玉米V6生長階段的葉綠素水平是其氮含量的重要指示器,利用光譜反射建立的模型可穩定地預測玉米在V6生長階段的葉綠素水平[17]。金震宇等獲取了水稻生育期的光譜反射率數據,并利用SPAD-502葉綠素儀測量對應葉片的葉綠素濃度,對光譜數據和實際測量值進行了相關性分析,發現水稻葉片葉綠素濃度與其光譜反射率具有相關性,且在450~680nm和750~770nm光譜區內相關性較好,在686nm處兩者的相關性最高;水稻葉片的“紅邊”拐點位置波長與其葉綠素濃度具有很強的相關性(復相關系數為0.88)[18]。Shibayama等利用多元回歸方法分析了水稻多時相的可見光、近紅外和中紅外光譜與葉面積指數、干生物量及產量的關系,并研究了水稻冠層的可見光、近紅外和中紅外反射光譜,進而評價水稻的缺水情況,結果表明,其一階導數光譜在960nm處與水稻冠層水分指數具有很高的相關性,可用于指導灌溉作業[19]。由以上研究結果可知,利用高光譜數據可以及時估算及預測作物的生物量、葉面積指數、葉綠素等生理參數。目前,光譜特征正成為實時、快速監測作物長勢的有效手段。
3高光譜遙感監測作物養分及水分狀況
在農作物生產中,水肥是影響作物生長的最主要因素之一。氮磷鉀肥是作物生長和產量形成所必需的重要元素;水分是作物的主要組成成分,水分虧缺將直接影響作物的生理生化過程和形態結構,從而影響作物生長。因此,及時準確地監測作物的水分狀況對提高作物水分管理水平、指導節水農業生產具有重要意義。利用高光譜遙感技術對作物礦質營養和水分脅迫進行監測,進而估算作物的營養和需水狀況,從而指導施肥灌溉,是近年來發展起來的一門新技術。Tomas等研究表明,氮、磷、鉀等元素的缺乏可導致小麥葉綠素含量降低和可見光(400~700nm)及近紅外波段(700~1100nm)光譜反射率增加[20]。唐延林等研究了不同供氮水平下2個水稻品種冠層、主莖葉片在不同發育期的高光譜反射率及對應的葉綠素、類胡蘿卜素含量,結果表明,不同供氮水平的水稻冠層和葉片光譜差異明顯,其光譜反射率隨供氮水平的提高在可見光范圍內降低,在近紅外區域增高[21]。馮偉等研究了小麥葉片氮積累與冠層高光譜參數的定量關系,結果表明,冠層葉片氮積累量隨著施氮水平的提高而增加,光譜反射率在不同葉片氮積累水平下發生相應變化[22]。黃春燕等利用非成像高光譜儀,獲取棉花不同品種、不同密度冠層關鍵生育時期的反射光譜數據,并應用光譜多元統計分析技術對光譜數據進行了分析計算,結果表明,基于高光譜數據的棉花冠層葉綠素密度的遙感估測可間接用于棉花冠層葉片氮積累量的監測研究[23]。吳華兵等分析了不同施氮水平下不同棉花品種葉片氮積累量與冠層反射光譜的定量關系,建立了棉花葉片氮積累量的敏感光譜參數及預測方程,結果顯示,棉花葉片氮積累量和冠層高光譜反射率均隨施氮水平的變化而變化[24]。Milton等通過水培試驗發現大豆缺磷導致紅、黃波段的反射率增加,且無紅移現象發生[25]。王珂等研究表明,580~710nm和750~950nm波段可作為檢測水稻鉀營養水平的冠層光譜敏感波段[26]。谷艷芳等測定了不同水分脅迫下冬小麥的高光譜反射率和紅邊參數,結果表明,不同水分處理下冬小麥高光譜反射率具有綠色植物特征[27]。Ramalingam等利用多光譜圖像傳感器對葉面水分進行了測量,獲得了可見光(400~700nm)、短波近紅外(700~1300nm)和近紅外(1300~2500nm)區域的葉面反射光譜,并采用光譜背景補償技術提高了葉面水分的預測精度[28]。其研究發現,可見光、近紅外區域受背景影響較小,而短波近紅外區域受背景影響較大。孫莉等分析了水分脅迫下新疆北部地區棉花冠層關鍵生育期的高光譜數據,結果表明,紅邊位移現象結合紅邊幅度變化可用于診斷棉花水分脅迫,其關鍵是建立相應合理的診斷指標體系[29]。以上大量研究結果表明,利用高光譜遙感技術可以對作物的營養狀況和水分含量進行比較準確的分析和檢測,為變量施肥和灌溉提供參考,從而節省農業資源的投入。高光譜養分和水分診斷模型在農業生產中具有較高的應用價值和廣闊的應用前景。
4農作物長勢監測和估產
高光譜遙感的超多波段(幾十、上百個)和高分辨率(3~20nm)使其可用于探測植被的精細光譜信息(特別是植被各種生化組分的吸收光譜信息),反演植被各生化組分的含量,監測植被的生長狀況。另外,還可通過高光譜信息監測植物病蟲害。植物病蟲害監測是通過監測葉片的生物化學成分來實現的,病蟲害感染導致葉片葉肉細胞的結構發生變化,進而使葉片的光譜反射率發生變化。MinghuaZhang等研究了西紅柿在晚疫病脅迫下的葉片光譜反射率,結果表明,近紅外區域,特別是0•7~1.3μm對病蟲害的反應比可見光波段更敏感,健康植物和受病蟲害影響的植物可見光波段光譜反射率僅相差1•19%,而近紅外波段兩者光譜反射率差值達到10%[30]。蔡成靜等研究發現,同種健康小麥和發生條銹病的小麥植株(包括病害處于潛伏期的植株)的光譜特征存在明顯差異,而這些差異主要體現在某個或某幾個光的光譜吸收帶上[31]。同時,蔡成靜等對不同病情指數下小麥冠層的光譜進行了研究,發現小麥條銹病冠層反射率隨小麥病情指數的變化呈明顯而有規律的變化[31]。喬紅波等分析了不同嚴重度小麥白粉病冠層光譜反射率及病情指數,結果表明,灌漿期地面光譜測量冠層光譜反射率和低空遙感數字圖像反射率與小麥白粉病病情指數存在顯著的相關關系[32]。喬紅波等研究了發病小麥冠層的高光譜遙感數據特征,獲得了近地和對應高空2個不同平臺的光譜數據,經比較分析,發現高空獲得的光譜反射率在可見光譜區域明顯大于近地獲得的光譜反射率[33]。吳彤等利用地面高光譜數據,分析和比較了正常生長蘆葦和受蝗蟲危害蘆葦的冠層反射光譜和高光譜特征,并建立了高光譜特征參數與蘆葦葉面積指數(LAI)的關系模型,結果表明,蟲害光譜指數(DSI)最能反映研究區蘆葦受蝗蟲危害的程度[33]。利用遙感信息進行作物估產是利用某種植被指數在作物生長發育關鍵期內的和與產量的實測或統計數據間建立的各種形式的相關方程來實現的,如目前單產估算應用較多的是回歸分析法,其基本原理為:y=b0+b1x1+b2x2+b3x3+…+bixi+e式中,y為作物產量;xi為經過平滑的光譜反射率或NDVI指數[34]。唐延林等結合水稻的生長發育規律,對水稻抽穗后冠層、葉片和穗進行了高光譜反射率測定,根據光譜曲線特征構建了新的高光譜植被指數,利用相關分析方法分析水稻理論產量和實際產量與這些植被指數及冠層紅邊參數的相關關系,建立了水稻高光譜單產估算模型[35]。白麗等結合棉花生長發育規律,對棉花各時期冠層的高光譜反射率進行了測定,并根據光譜曲線特征構建了高光譜植被指數,基于棉花盛蕾期至吐絮后期7次地面光譜和產量測定,對光譜反射率與產量進行了統計分析,結果表明,各生育期可見光波段、近紅外波段及短波紅外波段光譜反射率與產量分別呈顯著負相關、顯著正相關與顯著負相關,在此基礎上建立了棉花高光譜估算模型[36]。從上述研究結果可知,利用高光譜遙感技術可以快速、簡便、大面積、無破壞、客觀地監測作物的長勢并對作物進行估產,高光譜遙感技術在生產中具有良好的應用前景,是農作物長勢監測和估產的主要發展方向。
5問題和展望
利用高光譜遙感技術獲取作物的相關信息是探測作物營養狀態和長勢信息的有效手段,但從目前國內外研究情況來看,很多研究仍停留在前期階段,很多問題尚需解決。
(1)目前,高光譜遙感在農業生產上的應用主要集中在作物個體生長狀況與作物葉片光譜關系的研究上,對作物群體的高光譜研究很少,因此高光譜遙感還不能在農業生產中大量應用。
(2)由于作物生長環境的復雜性,遙感成像過程帶來的同物異譜、同譜異物現象非常普遍。這是長期困擾遙感應用的一大問題,解決此問題是高光譜遙感廣泛應用于農業生產的關鍵。
高光譜遙感原理技術與應用范文2
1．1直接應用——遙感蝕變信息的提取
巖漿熱液或汽水熱液使圍巖的結構、構造和成分發生改變的地質作用稱為圍巖蝕變。圍巖蝕變是成礦作用的產物，圍巖蝕變的種類(組合)與圍巖成分、礦床類型有一定的內在聯系，圍巖蝕變的范圍往往大于礦化的范圍，而且不同的蝕變類型與金屬礦化在空間分布上常具規律可循，因此，圍巖蝕變可作為有效的找礦標志。
1．1．1蝕變遙感異常找礦標志
圍巖蝕變是熱液與原巖相互作用的產物。常見的蝕變有硅化、絹云母化、綠泥石化、云英巖化、夕卡巖化等。
1．1．2信息提取的實現
與地物發生反射、透射等作用的電磁波是地物信息的載體，地物的光譜特性與其內在的物理化學特性緊密相關，物質成分和結構的差異造成物質內部對不同波長光子的選擇性吸收和反射。具有穩定化學組分和物理結構的巖石礦物具有穩定的本征光譜吸收特征，光譜特征的產生主要是由組成物質的內部離子、基團的晶體場效應或基團的振動效果引起的。各種礦物都有自己獨特的電磁輻射，利用波譜儀對野外采樣進行光譜曲線測量，根據實測光譜與參考資料庫中的參考光譜進行對比，可以確定出樣品的吸收谷，識別出礦物組合。根據曲線的吸收特征，選擇合適的圖像波段進行信息提取。根據量子力學分子群理論，物質的光譜特征為各組成分子光譜特征的簡單疊加。傳感器在空中接收地表物質的光譜特性，根據量子力學分子群理論，物質的光譜特征為各組成分子光譜特征的簡單疊加。傳感器在空中接收地表物質的光譜特性，因為探測范圍內有干擾介質存在(白云、大氣、水體、陰影、植被、土壤等)，因此，在進行蝕變礦物信息提取時，根據干擾物質的光譜曲線出發，進行預處理消除干擾。主要造巖礦物成分(0，si，A1，Mg)的振動基頻在可見——近紅外區不產生診斷性吸收谷的譜帶。不同類型的礦物蝕變會引起Fe，Fe，OH一，中某一類的變化，Fe2+，Fe3+，OH一，CO：在可見一近紅外區可產生巖石譜帶中的不同吸收谷組合，例如，在0．4～1．3um范圍內的光譜特性是因為礦物晶格結構中的Fe，cu等過渡性金屬元素的電子躍遷引起的；1．3~2．5的光譜特性是由礦物組成中的CO：，OH口HO引起的。根據吸收谷所處的波長位置、深度、寬度、對稱性等特征進行處理，提取相應的蝕變遙感異常(遙感異常)?，F在應用的數據有多光譜TM，ETM+，ASTER數據以及少量的高光譜與微波遙感數據等。蝕變遙感信息在整景圖像上信息占有份額低，但局部地區的信息并不微弱，因此即使是微弱的蝕變異常也可以被檢測出，試驗證明，遙感信息檢測的蝕變檢出下限優于1／20000。目前遙感找礦蝕變異常信息的提取有多種方法，例如波段比值法、主成分分析法、光譜角識別法和MPH技術(MaskPCAandHIS)、混合象元分解等。“ETM+圖像數據的綜合遙感找礦蝕變異常信息的提取”、“ETM+(TM)蝕變遙感異常提取方法技術”都取得了一定的成果。在蝕變遙感信息提取和應用研究中，形成了～套獨特的技術，即“去干擾異常主分量門限化技術”，包括：①預處理：校正及去干擾，校正包括系統輻射校正、幾何校正、大氣粗略校正；干擾包括云、植被、陰影、水、雪等的去除。②信息提?。阂哉暗腡M(ETM+)圖像遙感異常信息的提取為主，其方法以PCA主分量分析為主，比值法為輔，同時用光譜角分析法對所獲得的主分量異常進行篩選，然后進行門限化分級處理，以獲得分級異常圖。由于涉及到的礦床類型、規模、控礦要素、蝕變類型以及礦產勘查程度不同，僅靠單一的處理方法不利于異常信息的提取，因此需要多種方法的有效組合，一種方法為主其他方法為輔這些遙感信息提取技術在資源勘探過程中發揮了很大的作用，目前，利用圍巖蝕變找礦已經取得了很好的效果。
1.2遙感技術間接找礦的應用
1．2．1地質構造信．息的提取
內生礦產在空間上常產于各類地質構造的邊緣部位及變異部位，重要的礦產主要分布于扳塊構造不同塊體的結合部或者近邊界地帶，在時間上一般與地質構造事件相伴而生，礦床多成帶分布，成礦帶的規模和地質構造變異大致相同。遙感找礦的地質標志主要反映在空間信息上。從與區域成礦相關的線狀影像中提取信息(主要包括斷裂、芍理、推覆體等類型)，從中酸性巖體、火山盆地、火山機構及深亨巖漿、熱液活動相關的環狀影像提取信息(包括與火山有關的盆地、構造)，從礦源層、賦礦巖層相關的帶狀影像提取信啟、(主要表現為巖層信息)，從與控礦斷裂交切形成的塊狀影像及與感礦有關的色異常中提取信息(如與蝕變、接觸帶有關的色環、色帶、色塊等)。當斷裂是主要控礦構造時，對斷裂構造遙感信息進行重點提取會取得一定的成效。遙感系統在成像過程中可能產生“模糊作用”，常使用戶感興趣的線性形跡、紋理等信息顯示得不清晰、不易識別。人們通過目視解譯和人機交互式方法，對遙感影像進行處理，如邊緣增強、灰度拉伸、方向濾波、比值分析、卷積運算等，可以將這些構造信息明顯地突現出來。除此之外，遙感還可通過地表巖性、構造、地貌、水系分布、植被分布等特征來提取隱伏的構造信息，如褶皺、斷裂等。提取線性信息的主要技術是邊緣增強。
1．2.2植被波譜特征的找礦意義
在微生物以及地下水的參與下，礦區的某些金屬元素或礦物引起上方地層的結構變化，進而使土壤層的成分產生變化，地表的植物對金屬具有不同程度的吸收和聚集作用，影響植葉體內葉綠素、含水量等的變化，導致植被的反射光譜特征有不同程度的差異。礦區的生物地球化學特征為在植被地區的遙感找礦提供了可能，可以通過提取遙感資料中由生物地球化學效應引起的植被光譜異常信息來指導植被密集覆蓋區的礦產勘查，較為成功的是某金礦的遙感找礦、東南地區金礦遙感信息提取。不同植被以及同種植被的不同器官問金屬含量的變化很大，因此需要在已知礦區采集不同植被樣品進行光譜特征測試，統計對金屬最具吸收聚集作用的植被，把這種植被作為礦產勘探的特征植被，其他的植被作為輔助植被。遙感圖像處理通常采用一些特殊的光譜特征增強處理技術，采用主成分分析、穗帽變換、監督分類(非監督分類)等方法。植被的反射光譜異常信息在遙感圖像上呈現特殊的異常色調，通過圖像處理，這些微弱的異?？梢杂行У乇环蛛x和提取出來，在遙感圖像上可用直觀的色調表現出來，以這種色調的異同為依據來推測未知的找礦靶區。植被內某種金屬成分的含量微小，因此金屬含量變化的檢測受到譜測試技術靈敏度的限制，當金屬含量變化微弱時，現有的技術條件難以檢測出，檢測下限的定量化還需進一步試驗。理論上講，高光譜提取植被波譜的性能要優于多光譜很多倍，例如對某一農業區進行管理，根據每一塊地的波譜空間信息可以做出灌溉、施肥、噴灑農藥等決策，當某農作物干枯時，多光譜只能知道農作物受到損害，而高光譜可以推斷出造成損害的原因，是因為土地干旱還是遭受病蟲害。因此利用高光譜數據更有希望提取出對找礦有指示意義的植被波譜特征。
1．2．3礦床改造信息標志
礦床形成以后，由于所在環境、空間位置的變化會引起礦床某些性狀的改變。利用不同時相遙感圖像的宏觀對比，可以研究礦床的剝蝕改造作用；結合礦床成礦深度的研究，可以對類礦床的產出部位進行判斷。通過研究區域夷平面與礦床位置的關系，可以找尋不同礦床在不同夷平面的產出關系及分布規律，建立夷平面的找礦標志。另外，遙感圖像還可進行巖性類型的區分應用于地質填圖，是區域地質填圖的理想技術之一，有利于在區域范圍內迅速圈定找礦靶區。
2遙感找礦的發展前景
2．1高光譜數據及微波遙感的應用
高光譜是集探測器技術、精密光學機械、微弱信號檢測、計算機技術、信息處理技術于一體的綜合性技術。它利用成像光譜儀以納米級的光譜分辨率，成像的同時記錄下成百條的光譜通道數據，從每個像元上均可以提取一條連續的光譜曲線，實現了地物空間信息、輻射信息、光譜信息的同步獲取，因而具有巨大的應用價值和廣闊的發展前景。成像光譜儀獲得的數據具有波段多，光譜分辨率高、波段相關性高、數據冗余大、空問分辨率高等特點。高光譜圖像的光譜信息層次豐富，不同的波段具有不同的信息變化量，通過建立巖石光譜的信息模型，可反演某些指示礦物的豐度。充分利用高光譜的窄波段、高光譜分辨率的優勢，結合遙感專題圖件以及利用豐富的紋理信息，加強高光譜數據的處理應用能力。微波遙感的成像原理不同于光學遙感，是利用紅外光束投射到物體表面，由天線接收端接收目標返回的微弱回波并產生可監測的電壓信號，由此可以判定物體表面的物理結構等特征。微波遙感具有全天時、全天候、穿透性強、波段范圍大等特點，因此對提取構造信息有一定的優越性，同時也可以區分物理結構不同的地表物體，因為穿透性強，對覆蓋地區的信息提取也有效。微波遙感技術因其自身的特點而具有很大的應用潛力，但微波遙感在天線、極化方式、斑噪消除、幾何校正及輻射校正等關鍵技術都有待于深入研究，否則勢必影響微波遙感的發展。
2．2數據的融合
隨著遙感技術的微波、多光譜、高光譜等大量功能各異的傳感器不斷問世，它們以不同的空間尺度、時間周期、光譜范圍等多方面反映地物目標的各種特性，構成同一地區的多源數據，相對于單源數據而言，多源數據既存在互補性，又存在冗余性。任何單源信息只能反映地物目標的某一方面或幾個方面的特征，為了更準確地識別目標，必須從多源數據中提取比單源數據更豐富、有用的信息。多源數據的綜合分析、互相補充促使數據融合技術的不斷發展。通過數據融合，一方面可以去除無用信息，減少數據處理量，另一方面將有用的信息集中起來，便于各種信息特征的優勢互補。數據的融合包括遙感數據間的融合、遙感數捱與非遙感數據的融合。融合技術的實現方法有多種，簡單易行的是對幾何配準后的像元逐點進行四則運算或HIS變換，還有一些方法是對多源數據先進行預處理(特征提取、判別分析)后再進行信息融合，主要的方法有代數運算融合、小波變換融合等。蝕變礦物特征光譜曲線的吸收谷位于多光譜數據的波段位置，因此可以識別蝕變礦物，但是波段較寬，只對蝕變礦物的種屬進行分類。與可見一紅外波段的電磁波相比，雷達波對地面的某些物體具有強的穿透能力，能夠很好地反映線性、環性溝造。雷達圖像成像系統向多波段、多極化、多模式發展，獲取地表信息的能力越來越強。總的來說，多光譜、高光譜數據的光譜由線特征具有區分識別巖石礦物的效果，所以對光學圖像與雷達圖像進行融合處理，既能提高圖像的分辨率、增強紋理的識別能力，又能有效地識別礦物類型。盡管融合技術的研究取得了一些可喜的進展，但未形成成熟的理論、模型及算法，缺乏對融合結果的有效評價手段。在以后的研究中，應該深入分析各種圖像的成像機理及數據間的相關性、互補性、冗余性等，解決多源數據的輻校正問題，發展空間配準技術。
2.33S的結合
3s是遙感(RS)、地理信息系統(GIS)及全球定位系統(GPS)的簡稱。利用GPS能迅速定位，確定點的位置坐標并科學地管理空間點坐標。海量的遙感數據需龐大的空間，因此要有強大的管理系統，隨著當今人力資源價格的升高，在區域范圍內找礦時，遙感表現出最小投入獲得最大回報的優勢，那么RS與GIS的結合也勢在必行，因為GIS更有利于區域范圍的影像管理及瀏覽。隨著3S技術發展，遙感數據的可解譯程度與解譯速度得到進一步提高，目前，地質工作者嘗試將3S與VS(可視化系統)、CS(衛星通訊系統)等技術綜合應用，取得了較好的效果。
2．4圖像接收、處理及信息提取技術的發展完善
由傳感器接收的地物光譜信息傳到地面接收站，在計算機操作平臺上進行圖像的處理以及遙感信息提取。隨著傳感器的發展、數據量的增大，從海量的遙感數據中提取有用的、相對微量的找礦信息不是一件容易的事，傳感器的發展是信息提取的前提，圖像處理技術的開發是信息提取的關鍵。為了提取更客觀有效的找礦信息，需要進行以下幾方面的工作：
(1)進一步發展高分辨率傳感器，以便接收更微弱、細小的地質信息；
(2)加強信息提取方法的研究解決計算機處理的技術問題，例如補償信號在傳感器的誤差、校正輻射、地形起伏等引起的圖像失真等；
(3)在選擇參與信息提取的波段時，深入波段選取依據的理論研究，例如進行巖石樣品的光譜測試，礦物識別與分析是遙感地質信息提取的核心，所以需要確定不同類型的礦物在各波段的吸收性。同樣在利用植物地化找礦時需配套精密的物質成分分析儀器及技術等；
(4)遙感圖像處理海量數據，經處理后的一景圖數據量很大，為保障數據處理速度，需要強大的計算機技術(硬件與軟件)支撐，：圖像處理中要將算法轉化為計算機的可識別語句，需要計算機語言的發展。發展有利于提高遙感圖像的信噪比、優化信息提叉的軟件平臺，實現不同格式圖像問的兼容性。
高光譜遙感原理技術與應用范文3
作者簡介:陳偉（1983-），男，浙江杭州人，博士研究生，主要研究方向：模式識別、高光譜遙感； 余旭初（1963-），男，湖北羅田人，教授，博士生導師，博士，主要研究方向：攝影測量與遙感、模式識別； 張鵬強（1978-），男，甘肅鎮原人，講師，博士，主要研究方向：攝影測量與遙感、序列影像處理。
文章編號:1001-9081（2011）08-02092-05doi:10.3724/SP.J.1087.2011.02092
（1.信息工程大學 測繪學院，鄭州450052； 2.65015部隊，遼寧 大連116023；
3.北京望神州科技有限公司 銷售部，北京100020）
（）
摘 要:高光譜遙感影像具有豐富的光譜信息，在地物識別方面具有明顯的優勢。一類支持向量機（OCSVM）不僅保留了支持向量機的原有優勢，而且只需要待識別類型的訓練樣本。為此提出了算法，通過數學模型選擇、核函數設計與參數的自適應調整將OCSVM原理融入到高光譜影像的地物識別算法中，提高了識別的精度，降低了對訓練樣本的要求。最后利用兩幅高光譜影像進行了實驗分析，實驗結果證明了所提算法的有效性。
關鍵詞:高光譜影像；一類支持向量機；支持向量數據描述；地物識別；參數選擇
中圖分類號: TP391.413文獻標志碼: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
高光譜遙感將反映目標輻射屬性的光譜與反映目標空間和幾何關系的圖像有機地結合在一起，續寫和完善了光學遙感從黑白全色影像通過多光譜到高光譜的全部影像信息鏈，其圖譜合一的特點為分類、探測及目標識別提供了極大的便利。其應用領域已涵蓋地球科學的各個方面，除了在地質找礦和制圖、大氣和環境監測、農業和森林調查、海洋生物和物理研究等領域發揮著越來越重要的作用之外，還在遙感測繪領域展現出美好的前景［1］。生產突出表示某種地形要素的專題地圖是測繪的重要任務，可以通過分類的方法得到感興趣的目標地物在影像中的分布情況，但是基于分類的方法需要攝影區域中各類地物的訓練樣本，而在實際中獲取訓練樣本的時間和經濟成本較高。高光譜地物識別的目的與目標檢測［2］相似，都是將影像分為目標地物與背景兩部分，此外，與基于光譜匹配的目標檢測方法類似都需要目標地物光譜的先驗信息。但是，基于光譜匹配的目標檢測方法并不完全適用于地物識別的場合，主要原因有以下兩點：首先，基于正交子空間投影（Orthogonal Subspace Projection， OSP）的系列方法、基于最小二乘（Least Squares， LS）的系列方法和子空間匹配方法需要的不僅僅是目標地物光譜的先驗信息，并且需要各類背景地物光譜的先驗信息；其次，目標檢測關心的多是亞像素級的小地物，并且這類地物在影像中的分布較少，而地物識別通常關心植被、水系等分布較廣的地物類型，在這種情況下線性約束最小方差（Linearly Constrained Minimum Variance， LCMV）以及約束能量最?。–onstrained Energy Minimization， CEM）等目標光譜信號約束檢測方法雖然僅需要目標地物光譜的先驗信息，但是會由于目標地物在影像中的分布過多而造成很低的探測精度。在高光譜影像處理中，通常采用光譜角度匹配（Spectral Angle Match， SAM）的方法進行地物識別，利用SAM識別地物，僅需目標地物光譜的先驗信息，并且計算效率較高，但是受到光照變化、相同地物不同質地、成像噪聲等因素的影響，光譜匹配方法很難滿足地物精細識別的要求。
支持向量機（Support Vector Machine， SVM）技術自20世紀90年代以來異軍突起，由于其處理高維小樣本、非線性可分數據時的良好性能，正好滿足了高光譜影像處理的要求，因此在高光譜影像分類［3］與混合像素分解［4］領域都得到了應用。但是地物識別問題與分類問題的不同之處在于，其訓練樣本只有目標地物，因此，普通的SVM算法無法直接應用于地物識別中。一類支持向量機（One-Class Support Vector Machine， OCSVM）是SVM的一種分支算法，與普通的SVM算法需要每個待分類別的訓練樣本相比，OCSVM只需要待識別類型一類的訓練樣本。目前，OCSVM已經在多種檢測問題中得到了應用［5-6］。本文將分析OCSVM算法的原理，并將其應用于高光譜影像地物識別中。
1 算法原理與描述
OCSVM僅需利用待識別類型即正類的樣本進行訓練，就可將樣本分為正類與外點（負類），因此它解決的是一個一分類問題，從機器學習的角度看一類SVM屬于無指導學習問題。從不同的角度出發，Tax等人提出的支持向量數據描述（Support Vector Data Description， SVDD）方法［7］與Schlkopf等人設計的算法［8］，是一類SVM的兩條技術途徑，為便于區分，在后續內容中將Schlkopf等人的算法稱為1-SVM算法。SVDD的目的是計算得到在高維空間中能包含最多正類樣本同時具有最小半徑的超球體，而1-SVM是將一分類問題視為一個特殊的兩類分類問題，并且通過在高維空間中求取正類與原點之間的最大間隔分離超平面來達到一類分類的目的。
對于高光譜影像地物識別而言，基于OCSVM的方法既具有SVM原有的優勢，又有其自身的優點，概括起來主要有以下幾個方面：1）僅需利用待識別地物的訓練樣本，有利于降低訓練樣本獲取的成本和提高作業效率；2）非參數估計，該方法完全依賴于數據本身，而不需要事先對數據的分布進行假設；3）滿足稀疏性條件，即僅需要待識別地物類型少量的訓練樣本，并且僅用較少的數據就可對待識別地物進行精確的描述；4）良好的泛化性能；5）由于核函數的引入使其具有非線性分類能力；6）較快的處理速度，有利于高光譜數據的實時和近實時處理。
下面，首先對OCSVM的兩種主要算法的原理進行分析，然而給出基于OCSVM的高光譜影像地物識別的具體過程。
1.1 SVDD算法
SVDD的基本思想是對正類分布的支撐區域建立一個“小”而“緊”的超球面模型，該超球面需以較大的概率包含盡可能多的正類樣本并盡量排除負類樣本，同時該超球面應該具有較小的半徑，如圖1所示為最小超球面模型，落在超球面上的正類樣本就是支持向量。對于線性不可分的情況，SVDD通過引入松弛變量，以及利用核函數將樣本隱式非線性映射到高維特征空間的方法加以解決。
圖1 SVDD示意圖
由于高光譜地物識別面臨的情況大多數都是非線性的，所以在此直接介紹非線性SVDD，具體方法用數學語言可以描述為：設有訓練樣本集T{Xi|i1,2,…,N}且Xi∈Rl，Φ（?）為原始l維空間至某個高維特征空間F的非線性映射，則SVDD在變換后的高維特征空間中計算尋找最優超球面的任務，可以表示為如下所示的優化問題：
minr,c,ζi r2+C∑Ni1ζi（1）
s.t. Φ（Xi）－a2≤r2+ζi, ζi≥0且i1,2,…,N（2）
其中：r為最優超球面的半徑；a為超球體的質心；?表示歐氏距離；ζi為松弛變量，類似SVM線性不可分的情況，表示允許部分訓練樣本落于超球面之外；C為懲罰系數，用于調節超球面的半徑與超球面包裹訓練樣本數量之間的關系，C的大小與超球體包含樣本數量之間呈正比關系，是需要人工設置的參數。
利用拉格朗日乘子法，同時結合核函數代替高維特征空間F上的內積，可將如式（1）和式（2）所示的優化問題轉化為對偶形式：
minα∑i, jαiαjk（Xi,Xj）－∑iαik（Xi,Xi）（3）
s.t. 0≤αi≤C, ∑iαi1（4）
其中k（?,?）為滿足Mercer條件的核函數。利用二次規劃優化方法可以求解式（3）和式（4）所示的優化問題從而得到α，如果αi0則對應的樣本落于超球面內，若αiC則對應的樣本落于超球面外，而滿足0
f（X）sgn（r2－Φ（X）－c2）
sgn（r2－∑i, jαiαjk（Xi,Xj）+2∑iαik（Xi,X）－k（X,X））（5）
其中超球面的半徑r等于任意一個支持向量到球心的距離。
1.2 1-SVM算法
不同于SVDD構造最小超球面的思想，1-SVM的出發點是在變換后的特征空間中尋找到最優分離超平面，使得正類樣本和原點之間具有最大間隔。圖2為表示1-SVM原理與其參數意義的示意圖。
圖2 1-SVM示意圖
1-SVM通過引入分離超平面和最大間隔的思想，在變換后的特征空間中盡可能地使正類落于分離超平面的一側，而使原點與其他類別落于另一側。設有訓練樣本集T{Xi|i1,2,…,N}且Xi∈Rl，Φ（?）為原始l維空間至某個高維特征空間F的非線性映射，則1-SVM尋找最優分離超平面任務的目標函數可表示為式（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為分離超平面的參數，ρ/w代表間隔的大?。沪苅為松弛變量，表示允許部分訓練樣本落于分離超平面的原點一側；v的作用是調節w和ζi之間的關系，是需要設置的變量，代表了訓練樣本識別錯誤率的上限，而vN代表支持向量數量的下限［9］。
如式（6）和式（7）所示的最優分離超平面目標函數可以轉化為如下所示的二次規劃（Quadratic Programming, QP）尋優的對偶問題：
minα∑i, jαiαjk（Xi,Xj）（8）
s.t. 0≤αi≤; ∑iαi1（9）
求解上述QP問題可以得到最終的判別函數：
f（X）sgn（∑iαik（Xi,X）－ρ）（10）
其中：Xi都為支持向量；αi為相應的拉格朗日乘子，且αi滿足0
ρ∑jαjk（Xi,Xj）（11）
1.3 SVDD與1-SVM的相關性分析
SVDD與1-SVM之間有著緊密的聯系，當采用的核函數為分別如式（12）和式（13）所示的高斯徑向基核以及指數徑向基核這類徑向基核函數時：
k（Xi,Xj）exp－（12）
k（Xi,Xj）exp（－qXi－Xj）（13）
如式（3）所示的對偶形式可表示為式（14）:
minα（∑i, jαiαjk（Xi,Xj）-1）（14）
如果再認為C和為相同的變量，則此時在數學形式上SVDD和1-SVM滿足等價關系［8］。
1.4 算法描述
如上所述，SVDD的懲罰系數C負責調節最小化超球體半徑和包含盡可能多的正類樣本這對矛盾間的關系，定性地講C的值具有明確的含義，即C值的大小與超球體包裹的正類樣本個數呈正比關系。定量地講C值本身并沒有確切的意義，所以C值的設置比較困難。與之相比1-SVM的參數v表示的是對訓練樣本識別錯誤率的上限，同時也相當于支持向量占訓練樣本比例的下限，具有明確的定量意義，因此在數學形式上采用1-SVM算法的最大間隔分離超平面模型，有利于參數的設置。
多項式函數、徑向基函數和Sigmoid函數是三種常用的滿足Mercer條件的核函數，其中最為常用的是如式（12）所示的高斯徑向基核函數，這是由于其對應的特征空間是無窮維的，有限的數據樣本在該特征空間中肯定是線性可分的［10］。同時考慮到核函數為高斯徑向基函數時，SVDD和1-SVM兩者存在等價關系，而高斯核函數適用于超球體模型［11］。因此選擇高斯徑向基函數作為核函數。
在高光譜影像地物識別中，對于不同的地物需要設置不同的高斯核函數的尺度參數σ。σ控制著核函數的平滑程度，并且其值應該與1-SVM的參數v相適應，以達到最好的識別效果。在此，采用Unnthorsson等人提出的方法［12］來獲取參數σ的值。在這種方法中，事先規定訓練樣本最大錯誤率v以及σ的取值范圍［σmax,σmin］，然后利用1-SVM對訓練樣本進行識別得到不同σ值下的識別正確率。
如圖3所示，x軸和y軸分別表示σ的取值和1-SVM對訓練樣本的識別正確率，取使得識別正確率第一次滿足大于（1－v）條件時的σ作為最優值。此外，為了便于設置σ的取值范圍，事先需將高光譜影像的DN值規范化至［0,1］。
圖3 σ選擇方法示意圖
地物識別的目的是區分目標地物與背景，可視為一種特殊的兩類分類問題。因此可借助誤差矩陣，通過計算分類精度的方法作為識別精度的評價指標。分類精度評價指標包括：制圖精度、用戶精度、總體精度和Kappa系數。其中用戶精度是從用戶的角度反映分類圖的可靠性，制圖精度是從制圖的角度反映圖像上被標識為各類地物的可靠性，總體精度的計算只采用了誤差矩陣中對角線上被正確分類的像素數量，因此這三種指標不能全面反映整體的精度。而Kappa系數既考慮了對角線上被正確分類的像素數量，同時也考慮到各種錯分和漏分的誤差，更加全面反映了分類精度［13］。由于篇幅的限制，本文不能給出每種地物識別結果的誤差矩陣，結合上述的原因，利用Kappa系數作為精度評價的綜合指標。
綜上所述的數學模型和核函數選擇、參數設置以及精度評價指標，基于一類SVM的高光譜影像地物識別過程如下：
1）將原始高光譜影像的DN值規劃至［0,1］；
2）選擇待識別地物的訓練樣本；
3）設置高斯核函數參數σ的范圍和1-SVM的參數v；
4）利用Unnthorsson的方法選擇最優的σ值；
5）訓練1-SVM得到αi和ρ；
6）利用訓練好的1-SVM對整幅影像進行識別；
7）識別精度評價。
2 實驗
本文進行兩組高光譜數據的實驗，每組數據都提供了攝影地區主要地物類型的樣本，在實驗中將以每種地物類型輪流作為目標地物，從該類型地物的樣本中隨機選擇100個用于分類器的訓練，剩余的所有樣本則用于測試，以此來驗證一類SVM算法的效果。實驗中設置訓練樣本錯誤識別率上限v為0.05，并運用文獻［12］中的方法確定高斯核函數的尺度參數σ。
此外，為了便于比較，本文還給出了SAM［14］方法的識別結果。由于SAM得到的是待識別樣本與參考光譜間的光譜角度值，為了便于比較精度，借助測試樣本得到對SAM結果的最佳分割閾值，從而以SAM的最高識別精度參與比較。
本實驗采用的計算機硬件環境為Intel Core2 CPU 3.0GHz、2.99GHz，內存3.25GB，軟件環境為Windows XP、Matlab 7.5。
2.1 實驗1
由中國科學院上海技術物理研究所的OMIS獲取的江蘇太湖沿岸的影像，光譜覆蓋范圍0.46～12.85μm，共128波段，影像寬347像素、高513像素，實驗采用受噪聲影響比較小的6～64、113～128共75個波段。通過對影像目視判讀，采集了7類地物的樣本，其分布如圖4（a）所示，樣本信息如表1所示，地物樣本均值光譜曲線如圖5所示。各類地物的識別結果如圖4（b）～（h）所示，具體精度指標如表2所示。表2中，采用SAM對太湖影像的任何一種地物進行識別需耗時8.6653s。
圖4 OMIS太湖影像
圖5 太湖影像樣本均值光譜曲線
表1 太湖影像檢驗樣本信息
2.2 實驗2
2001年5月31日，由NASA的EO-1衛星上的Hyperion傳感器獲取的南非博茨瓦納（Botswana）Okavango三角洲地區影像，影像寬256像素、高400像素，光譜分辨率大約為10nm，光譜范圍400～2500nm，共242波段，經過輻射校正，去除噪聲和大氣吸收波段。實驗采用原數據中10～55、82～97、102～119、134～164、187～220波段共145波段。地面覆蓋類型的樣本采集用來反映所研究地區洪水對植被的影響，樣本采集根據植被測量和航空攝影測量獲得，如圖6（a）所示，樣本信息如表3所示，地物樣本光譜曲線如圖7所示。各類地物的識別結果如圖6（b）～（f）所示，具體精度指標如表4所示。表4中，采用SAM對博茨瓦納影像的任何一種地物進行識別需耗時5.0715s。
表2 太湖影像地物識別精度
5道路2.180.90240.00090.5916110.85056房屋0.350.84670.00060.562390.74717水體0.350.96160.00060.5013100.9460
表3 博茨瓦納影像樣本信息
2.3 實驗結果分析
本文采用的基于一類支持向量機的高光譜影像地物識別方法，對以上兩組實驗數據都取得了較SAM地物識別方法更高的識別精度。特別是在不同植被類型的識別這種復雜情況下，基于一類支持向量機的方法更是體現出來它的優勢，與SAM相比，其精度普遍要高出10%～20%。另外，基于一類支持向量機的識別方法同時也具有較高的處理速度。
3 結語
一類支持向量機不僅保留了支持向量機方法處理高維小樣本數據的原有優勢，而且僅需要待識別類型一類的訓練樣本。它的這些特點與復雜的高光譜影像地物識別問題的要求相契合。本文分析總結了一類支持向量機的基本原理與技術
途徑，并以此為基礎設計了基于一類支持向量機的高光譜影像地物識別方法，最后通過實驗證明了本文算法的有效性。然而，一類支持向量機方法作為一種新興的數據分析的有效手段，其本身還有很大的改進余地，此外，它在高光譜影像分析的應用領域也不僅限于地物識別方面。因此，下一步的研究，一方面將追蹤一類支持向量機方法的最新進展，用于提高地物識別的精度；另一方面還將探索其在高光譜影像聚類分析、分類和混合像素分解方面的應用。
圖6 Hyperion博茨瓦納影像
表4 博茨瓦納影像地物識別精度
圖7 博茨瓦納影像樣本均值光譜曲線
參考文獻:
[1] 余旭初，馮伍法，林麗霞.高光譜――遙感測繪的新機遇［J］.測繪科學技術學報，2006，23（2）：130-132.
［2］ 賀霖，潘泉，邸|,等.高光譜圖像目標檢測進展［J］.電子學報，2009，37（9）：2016-2024.
［3］ 楊國鵬.基于機器學習方法的高光譜影像分類研究［D］.鄭州：信息工程大學,2010.
［4］ 吳波，張良培，李平湘.基于支持向量回歸的高光譜混合像元非線性分解［J］.遙感學報，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］ 白鵬，張喜斌，張斌,等.支持向量機理論及工程應用實例［M］.西安：西安電子科技大學出版社，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.
高光譜遙感原理技術與應用范文4
關鍵詞：精細農業；遙感技術；應用；問題；解決途徑
收稿日期：2011-06-04
作者簡介：張旭（1990―），男，內蒙古人，中國地質大學（北京）地質學專業大學生。
中圖分類號：TP79文獻標識碼：A文章編號：1674-9944（2011）07-0211-03
1引言
精細農業也被稱為因地制宜農業、處方農業。它可以在遙感、地理信息系統和全球定位系統技術支持下,進行抽樣調查,獲取作物生長的各種影響因素信息（如土壤結構、含水量、地形、病蟲害等）。通過進行農田小區作物產量對比,分析影響小區產量差異的原因,獲取農業生產中存在的空間和時間差異性,可以根據每個地塊的農業資源特點,按需實施微觀調控,以充分利用現代化和機械化,精耕細作,獲取高的經濟效益。
遙感技術是指運用現代光學、電子學探測儀器,不與目標物相接觸,從遠距離把目標物的電磁波特性記錄下來,通過分析、解譯揭示出目標物本身的特征、性質及其變化規律的綜合性探測技術。其基本原理就是不同物體的電磁波特性是不同的（黃惠珍,2010）,通過探測地表物體對電磁波的反射和其發射的電磁波,從而提取這些物體的信息,完成對遠距離物體的識別。
2遙感技術應用于精細農業的必要性
隨著科學技術的發展,傳統農業因耗能高、產量低,正逐步被新型農業所代替,而精細農業,適應了現代農業產量高、投入少、節約資源、保護環境的要求（姚建松,2009）,它的出現,是傳統農業向新型農業轉型的必然結果,具有歷史必然性。
遙感技術是精細農業獲得田間數據的核心來源。沒有遙感技術的服務,就沒有精細農業的發展。由于不同含水量的土壤具有不同的地表溫度（谷紀良,2010）,不同生長期和不同生長情況的農作物具有不同的波譜發射特征。因此,通過對作物本身及其生長環境的波譜特性研究,可定量測定作物的生長狀況和空間變異信息（李新磊等,2010）,了解生態環境變化,為及時作出合理化的調整提供最權威的數據資料。因此,精細農業要發展,必然需要遙感技術的應用。
3遙感技術在精細農業中的應用
遙感技術可以客觀、準確、及時地提供作物生態環境和作物生長的各種信息。這是精細農業獲得田間數據的重要來源。因些,遙感可以在很多方面為精細農業服務。
3.1作物養分診斷與監測研究
作物養分主要包括氮、磷、鉀等元素,如果缺乏會導致作物光合作用能力和產量降低。近20年來,利用遙感進行作物養分（尤其是氮）實時監測和快速診斷一直是農業應用研究的熱點,其中,高光譜遙感可很好的對作物養分進行診斷和監測（姚云軍等,2008）?；驹砭褪抢米魑锏?、磷、鉀等含量的變化會引起作物葉片生理和形態結構變化,造成作物光譜反射特性變化的特性。作物養分高光譜診斷與監測方法主要包括多元統計回歸方法診斷作物養分含量，基于特定吸收波段內波譜特征參數的作物養分診斷。
3.2農作物播種面積遙感監測與估算
搭載遙感器的衛星或飛機通過田地時,可以監測并記錄下農作物覆蓋面積數據,通過這些數據可以對農作物分類,在此基礎上可以估算出每種作物的播種面積。目前商業銷售的遙感圖像已經達到1m空間分辨率,在這種高分辨率圖像中可以進行精確的農作物播種面積估算。
3.3遙感監測農作物長勢與產量估算
作物長勢是作物生長發育狀況評價的綜合參數,長勢監測是對作物苗情、生長狀況與變化的宏觀監測。構建時空信息輔助下的遙感信息技術與作物生理特性及作物長勢之間的關系模型便于作物長勢監測。利用遙感技術在作物生長不同階段進行觀測,獲得不同時間序列的圖像,農田管理者可以通過遙感提供的信息,及時發現作物生長中出現的問題,采取針對措施進行田間管理（如施肥、噴施農藥等）。管理者可以根據不同時間序列的遙感圖像,了解不同生長階段中作物的長勢,提前預測作物產量。自20世紀80年代初開始,中國有關研究部門與高校合作,利用陸地衛星和氣象衛星進行大面積作物長勢和產量監測的研究與試驗。這為我國作物產量的提前預報奠定了科學基礎。
3.4作物生態環境監測
利用遙感技術可以對土壤侵蝕、土地鹽堿化面積、主要分布區域與土地鹽堿化變化趨勢進行監測,也可對土壤水和其它作物生態環境進行監測,這些信息有助于田間管理者采取相應措施,合理調配,及時改善作物生態環境,使作物更好地成長。
3.5災害損失評估
氣候異常對作物生長具有一定影響,利用遙感技術可以監測與定量評估作物受災程度,作物受旱澇災害影響的面積,對作物損失進行評估,然后針對具體受災情況,進行補種、澆水、施肥或排水等抗災措施,減少損失。
4遙感技術在精細農業發展中面臨的問題與解決途徑
4.1遙感數據庫不足
遙感技術在應用于精細農業中,因作物的生態物理參數（如含水量、葉綠素含量、葉面積指數等）各異,生長環境復雜,生長過程中隨時間的推移作物與土壤的各種物理化學條件都會變化,這就需要建立大量的數據庫,給遙感農業帶來了不便。而現有精細農業中的遙感數據庫還處于發展階段,數據量不足,有待進一步完善。
4.2解譯水平有待進一步提高
遙感技術在精細農業中的應用尚且處于探索階段,許多解譯方法尚不成熟,如多種田間組分（作物、土壤等）混合光譜的研究等。而現代遙感技術單一解譯技術已趨于成熟,但混合光譜的研究才剛剛起步,還需要加強解譯水平,完善解譯體系。
4.3建立標形植被光譜數據庫
深入開展農業應用中標準地物光譜特征研究,總結標準地物在不同條件下光譜變異規律,完善和擴充農業光譜數據庫,在應用研究時將目標物與標形地物的波譜特征進行對比,觀察波譜圖像,總結波譜特征規律,進一步確定目標物的現實特征,進而實施相應手段,提高作物產量。
4.4建立健全解譯體系
加大遙感解譯的投入力度,建立健全常用地物的解譯體系,特別是完善農業遙感中的解譯系統,將傳統解譯與現代信息技術相結合,結合地理信息系統,定位導航系統的發展,將不同地區不同地物的波譜特征納入解譯體系,提高解譯水平。
建立標形地物波譜數據庫,加強農田水分條件、肥力條件、病蟲害等因子在遙感圖像中的解譯標志,實現農作物征兆信息的智能化提取,上述關鍵技術的突破,將有助于闡明作物生長環境和收獲產量實際分布的相關機理,有助于遙感動態監測定量化,建立作物長勢與產量預報定量模型,這對于提高農業田間科學管理（灌溉、施肥或噴灑農藥）具有重要意義。
5結語
遙感技術的研究與發展,是促進精細農業發展的重要一步,隨著更高分辨率遙感技術的發展,遙感技術在精細農業中的應用必將更進一步。未來精細農業中遙感的定位,將從定性監測逐步轉向定量監測,定量遙感將在精細農業中發揮更加重要的作用。因此,加強定量遙感的研究力度,完善定量遙感體系,建立定量遙感農業模型,將為農業遙感發展帶來新的活力,必將促進精細農業的蓬勃發展。
參考文獻：
［1］ 黃惠珍.遙感技術在我國農業生產中的應用［J］.科技信息,2010（24）:46.
［2］ 姚建松.我國精細農業發展前景探討與研究［J］.中國農機化,2009（3）：26～28.
［3］ 谷紀良.淺談我國精細農業的應用情況和技術構成［J］.消費導刊,2010（8）：224.
［4］ 李新磊,蘇俊.試述現代精細農業的技術構成及其應用［J］.中小企業管理與科技,2010（6）：79～81.
［5］ 姚云軍,秦其明,張自力,等.高光譜技術在農業遙感中的應用研究進展［J］.農業工程學報,2008,24（7）:301～306.
［6］ 任麗萍,杜波.精細農業-現代化農業的發展方向［J］.黑龍江科技信息,2009（21）:145.
［7］ 王建強,王麗梅.3S 技術在精細農業發展中的綜合應用探討［J］.水利科技與經濟,2008,14（3）：235～236,244.
［8］ 楊淑芳.遙感技術在農業上的應用與展望［J］.農業科技展望,2008（7）:39～42.
高光譜遙感原理技術與應用范文5
關鍵詞:遙感技術 信息提取 找礦
遙感技術(Remote Sensing)即遙遠的感知,是20世紀60年代興起并迅速發展起來的一門綜合性探測技術,它是在航空攝影測量基礎上,隨著空間技術、信息技術、電子計算機技術等當代高新技術的迅速發展,以及地學、環境等學科發展的需要,逐步形成發展的一門新興交叉科學技術。具有宏觀、動態、綜合、快速、多層次、多時相的優勢。在新技術迅猛發展的今天,遙感技術伴隨著航空、航天技術的發展而不斷提高與完善,服務領域不斷擴展,受到普遍重視,顯示出極其廣泛的應用價值、良好的經濟效益和巨大的生命力。
1、遙感信息提取
全球變化的研究涉及一系列重大全球性環境問題,提出了大量關系到地球的重要科學問題。由于涉及的范圍極其廣泛,因而具有高度綜合和交叉學科研究的特點。葉篤正先生曾指出,“全球環境是一個不可分割的整體,任何區域的環境變化都要受到整體環境變化的制約;反過來,整體環境的變化又是各區域相互影響著的環境變化的綜合體”。遙感作為獲取地球表面時空多變要素的先進方法,是地球系統科學研究的重要組成部分,是對全球變化進行動態監測不可替代的手段。陳述彭先生指出,沒有遙感,就提不出全球變化這樣的科學問題。所以遙感對地理信息學科具有巨大的推動作用,就像望遠鏡對天文學和物理學的推動作用一樣。遙感科學的意義在于:對傳統地理學來說,遙感要求從定性到定量描述;對傳統物理學來說,遙感要求在像元尺度上對局地尺度上定義的概念、推導出的物理定律、定理的適用性進行檢驗和糾正,而這種糾正是與像元尺度上的地學定量描述密不可分的。
1.1 遙感圖像掩膜處理
衛星遙感圖像處理,尤其是提取礦化蝕變等微弱遙感信息,需要針對工作區選取盡可能小的圖像范圍,同時要對工作區范圍內圖像中的云霧、水體、冰雪、植被、大面積風成土壤等干擾進行掩膜等處理,然后才能進行圖像處理。
1.2 去相關拉伸
去相關拉伸變換是原始光譜波段的一種線性變換,這種變換通常是原始光譜波段的加權總和與差。研究表明該方法對一些遙感圖像數據有效,能產生好的圖像效果和提供新的洞察點;利用這種圖像處理方法主要目的是提取一些方法不能提取的一些重要礦化蝕變、侵入體及構造等遙感信息。
1.3 卷積增強
遙感圖像上的線性特征,特別是和地質構造和成礦環境有關的線性體和斷裂構造的增強處理和分析是遙感圖像處理和研究的一個重要方面。對數字圖像而言,線性體信息提取目前主要有梯度閾值法、模板卷積法、超曲面擬合法、曲線追蹤和區域生長等,地質遙感線性體信息提取采用模板卷積濾波算法效果較好,它是一種鄰域處理技術,即通過一定尺寸的模板(矩陣)對原圖像進行卷積運算來實現的。
2、遙感技術在地質找礦中的應用現狀
長期以來,地質工作者迫切希望能有一種目的性明確、“窺一斑而知全豹”的理論和方法來指導找礦。因此遙感技術以其獨有的特點在地質找礦中的作用顯得尤為重要。應用遙感與地質資料進行綜合分析、預測區域成礦遠景等已取得了很多成果。遙感技術在地質找礦中的應用主要表現在兩個方面:(1)通過研究遙感影像上的地質構造與成礦的關系,認識成礦規律并圈定找礦遠景區。(2)是通過對遙感圖像進行增強處理,綜合分析,提取一定的地質信息,從而為成礦預測提供有用資料。遙感圖像早已非常成功地應用于農、林、水利和交通等部門的調查和規劃。在我國最早使用遙感圖像的是地質行業,其主要任務就是用于地質找礦。
3、遙感技術信息提取在找礦中應用的相關技術
3.1 遙感圖像分析找礦
遙感圖像分析找礦是利用各種航天與航空遙感圖像進行目視判讀,分析已知礦產地質的圖像特征,結合地質背景、成礦條件及物化探異常,根據類比的原則從已知推未知,可進行一定的成礦預測。使用大比例尺航空像片,尤其是彩色和紅外彩色像片,能直接識別原生礦體及礦化地區的露頭,尤其是金屬礦床及露頭的特異彩色形成良好的找礦標志。例如在彩色航片上磁鐵礦、錳礦、煤礦等呈深灰色或黑色;赤鐵礦、斑銅礦為紅色;孔雀石、銅礦、次生鈾礦、次生鉻礦為綠色;風化的鐵帽常呈褐色;鹽礦、石英脈礦呈白色等。由于礦體露頭與圍巖抗風化、抗侵蝕能力不同,形成巖墻或溝谷,也可直接識別。此外,人工開采區的采礦場、豎井、平峒、廢石堆、尾砂等在圖像上也能直接識別。
3.2 遙感圖像提取礦產信息進行成礦預測
遙感圖像提取礦產信息進行成礦預測是利用遙感圖像處理技術對遙感圖像進行處理,提取礦床、礦化有關信息,如蝕變帶、氧化帶、鐵帽等含礦地質體或某元素地球化學異常區,直接顯示在圖像上,從而達到找礦的目的。
3.3 遙感圖像地質綜合分析找礦
遙感圖像地質綜合分析找礦是以區域地質演化與成礦規律分析為基礎,確定出調查區內主要的成礦模式與控礦的地質要素,根據控礦地質要素的遙感信息特征(包括的與隱伏的)選取一定的圖像處理方案,進行有關地質信息的增強或提取處理,同時結合物化探資料進行目視圖像分析。物化探資料的圖像化及用數學地質與遙感地質相結合的方法進行成礦預測,是遙感地質綜合找礦向縱深發展的新趨勢。
4、結語
目前遙感已成為地質調查和資源勘查與監測的重要技術手段。應用范圍已由區域地質、礦產勘查、水文地質、工程地質、環境地質勘查擴大到農業地質、旅游地質、國土資源、土地利用、城市綜合調查、環境監測等許多領域。應用技術方法水平隨著遙感和計算機技術的發展也有了很大的提高,應用效果和社會經濟效益也愈來愈明顯。
參考文獻
[1]陳述.遙感技術與遙感數字圖像分析處理方法、解譯制圖及其綜合應用實務全書[M].銀川:寧夏大地音像出版社,2005.9:90-92.
高光譜遙感原理技術與應用范文6
［關鍵詞］土地資源管理；3S 技術；應用
中圖分類號：O434文獻標識碼： A
土地管理是指國家為了維護土地所有制，調整土地關系，保障土地的合理利用，促進經濟社會的可持續發展，對土地資源的開發、利用、整理、保護，對土地資產的流轉、收回等各項活動進行的計劃、組織、控制和協調。然而，隨著經濟社會的快速發展，地的供需矛盾日益加劇，土地資源管理工作顯得更為重要，傳統的土地資源管理模式已經制約著土地資源管理事業的發展。隨著 3S 技術的出現并被逐漸應用到土地管理工作中，從而為解決土地問題、 協調人地關系， 提供了強有力的技術支撐，為土地資源管理工作的現代化提供了可能。
一．3S技術概述
3S 技術即全球定位系統 (Global PositioningSystem，GPS)、遙感技術(Remote Sensing，RS)和地理信息系統(Geographic Information System，GIS)。3S技術構成對空間信息獲取、存貯、管理、更新、分析和應用的強大技術體系，可以說，3S 技術是土地管理的有力支撐，重要信息獲取手段，它將伴隨著土地資源管理工作的開展而不斷成熟。
1.全球定位系統
GPS是美國從20 世紀70年代開始研制，歷時20 年，耗資200億美元，于1994年全面建成，具有在海、陸、空進行全方位實時三維導航與定位能力的新一代衛星導航與定位系統。GPS具有全天候、高精度、自動化、高效益等顯著特點，主要用于實時、 快速地提供目標的空間位置。
2.遙感技術
RS是指在高空和外層空間的各種平臺上，運用各種傳感器獲取反映地表特征的各種數據，通過傳輸、變換和處理，提取有用的信息，實現研究地物空間形狀、位置、性質、 變化及其與環境的相互關系的一門現代應用技術科學。
3.地理信息系統
GIS 是指在計算機硬件、軟件系統支持下，對整個或部分地球表層（包括大氣層）空間中的有關地理分布數據進行采集、存儲、管理、計算、分析、顯示和描述的技術系統。GIS具有較好的檢索、查詢、分析和綜合處理能力。
二．3S技術在土地資源管理中的應用
1.在土地調查中的應用
2006 年，國務院關于開展第二次全國土地調查的通知（國發[2006]38號）下發，標志著第二次土地調查正式開始實施，此次土地調查包括農村土地調查和城鎮土地調查。其技術流程為：1.以航空、航天遙感影像為主要信息源，完成正射影像和基礎圖件制作；2.利用遙感圖像，內業判讀與外業實地調查相結合；3.內業處理，完成各種信息的匯總和統計分析；4.土地利用數據庫建設。
在此次土地調查中，RS、GPS和GIS 都發揮了舉足輕重的作用。RS 能在大區域范圍內快速、重復地成像，而且解決了野外調查時在有些地區工作人員無法進入實地的問題，它快捷、實時、高效地獲取了土地利用變化信息；GPS完成對新增、變化地物的補測和權屬界線調查，并及時對新增變化數據進行差分處理；GIS 能夠管理、分析和綜合多源、多時態、多層次的土地利用調查信息。它的核心是將空間信息和屬性信息有機結合在一起，通過對空間數據的處理與分析，對土地利用現狀進行有效地空間分析，并且可以通過圖表、圖件等途徑清晰地反映第二次全國土地調查的成果。
2.在土地管理信息系統中的應用
土地管理信息系統又稱土地信息系統，是輔助法律、行政和經濟決策的工具，也是規劃和研究的輔助設備。它既包含某一特定地區的土地相關信息數據庫，也包含收集、更新、處理和傳播數據的技術和方法。土地管理信息系統從軟件系統結構總體上可以分為三個組成部分：土地資源調查評價信息系統；政務管理信息系統；社會服務信息系統。土地管理信息系統是集土地管理業務、計算機技術、GPS、GIS、RS、數據庫以及網絡等技術于一體的系統工程。尤其是GIS，它為土地管理信息系統的開發提供了一個很好的平臺。
3.在土地利用動態監測中的應用
隨著經濟社會的快速發展，土地利用結構發生了顯著的變化，人多地少的矛盾日益尖銳，如何準確快速地發現土地利用狀況的變化并獲取變化的數據，科學地掌握土地信息和管理土地，進行土地利用動態監測與更新是刻不容緩的。傳統的土地利用動態監測受技術條件的限制，依靠用地單位的上報數據，被動地了解變化，并運用傳統測量方法進行變化信息的空間測量和面積測算。這種調查方式不僅工作效率低，不能主動監測變化，而且獲取的數據精度較差，資料缺乏現勢性，因此無法實時地掌握土地的利用變化，無法分析評價土地利用變化是否合理。
GPS、RS和GIS 的集成技術為有效地實施土地利用動態監測提供了一個很好的方法。其工作過程如下：首先，以土地利用調查的數據和圖件為基礎，利用RS快速地提供目標及其環境的語義或非語義信息，主動地發現土地利用的變化信息；第二，利用GPS實時、快速地獲取變化信息的空間位置，獲得新的土地利用現狀數據；第三，利用 GIS實現土地數據的計算機管理與可視化，實現土地利用數據庫的更新，輸出土地利用動態監測成果。
三.3S技術在土地資源管理中的發展趨勢
1.3S集成技術
RS可以很好地反映大范圍的地表信息，但存在“同物異譜”、“同譜異物”的情況，因此在對遙感圖像中各類別進行分類時會影響分類精度，借助GIS的支持，補充一些非遙感信息， 便可以提高分類精度，而且通過這些非遙感信息的參與，當進行各種定性、定量分析時，有利于提高遙感信息的適用效率。GIS 能夠存儲空間信息和屬性信息，強有力的分析模塊能夠最大可能地從已有數據中獲取有效的信息，并進行綜合集成，為科學決策提供依據。 隨著技術的進步，GPS衛星系統的改善，GPS 提供的位置服務越來越精確和便捷。3S 技術在各自發展的同時，也趨向于內部之間的融合與集成，這使3S技術具有更強的判斷和決策能力。因此，RS可以為GIS提供重要信息源并能及時對GIS進行數據更新，這有利于保持土地資料的現勢性；GIS則對這些遙感信息進行提取與分析，為土地資源的各種應用提供科學決策；GPS實時、快速提供精確的空間定位，保障了土地信息數據的精度。可以說3S 技術的一體化應用將會極大地提高工作效率，能夠實現自動、實時地采集、處理和更新數據，智能式地分析和運用數據，為土地資源的各種應用提供科學決策，三者的結合是現代土地資源管理的發展方向。
2.高光譜遙感
高光譜遙感是利用很多很窄的電磁波波段從感興趣的物體獲得有關數據，它包含了豐富的空間、輻射和光譜三重信息，具有很高的時間和空間分辨率。高光譜圖像的光譜信息層次豐富， 不同的波段具有不同的信息變化量。它與TM、SPOT等波段相比，可以探測出許多陸地衛星不能探測的地物，這使得RS具有廣闊的應用前景。高光譜傳感技術的出現給基于3S技術的土地利用變更與動態監測提供了質與量的保證。
3.3D地理信息系統技術
目前的GIS 技術是2維的，它是基于平面的概念，不能建立空間立體數據。真正的3維GIS是在X、Y 軸的技術上疊加Z軸，形成完整的空間結構，用3維的形式對實體目標進行立體分析，通過3維關系使數據實現空間量化，以(X，Y，Z)的模式來確定點的定位。3維GIS在地籍管理信息系統中可以增加地籍信息的含量、提高數據的精度、拓展業務職能，并且便于地籍資料的查詢。地籍管理是土地管理的核心，地籍管理信息系統的進步與完善，可以為管理提供優良的工作環境和便捷的工作程序，有利于管理工作效率的提高。
4. 網絡化
利用3S技術實現了對各種土地信息的獲取、存儲和管理。然而，隨著計算機的廣泛應用和通信網絡技術的快速發展，土地管理信息化進程也在不斷加快，如何實現這些信息與數據資源的集中管理、更新和共享已成為土地管理信息化建設的一個課題。網絡化不僅有利于土地管理部門隨時了解土地資源利用的具體情況，便于部門內部和部門之間的聯系交流，有效地降低管理工作的成本，提高工作效率，而且便于公眾看到土地利用、土地變更等相關信息。
四．結 語
隨著3S技術的不斷發展，3S技術與土地資源管理工作的密切結合也將日益完善，它將在土地資源管理領域產生重要影響，能夠有力地推動國土資源的信息化建設。
五．參考文獻
［1］劉勝華,劉家彬.土地管理概論.武漢:武漢大學出版社,2005.