CN110376138B - 基于航空高光谱的土地质量监测方法 - Google Patents

基于航空高光谱的土地质量监测方法 Download PDF

Info

Publication number
CN110376138B
CN110376138B CN201910717696.2A CN201910717696A CN110376138B CN 110376138 B CN110376138 B CN 110376138B CN 201910717696 A CN201910717696 A CN 201910717696A CN 110376138 B CN110376138 B CN 110376138B
Authority
CN
China
Prior art keywords
data
aviation
spectrum
land
quality monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910717696.2A
Other languages
English (en)
Other versions
CN110376138A (zh
Inventor
常睿春
王建华
郭科
李一平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Green Earth Technology Co ltd
Chengdu Univeristy of Technology
Original Assignee
Beijing Green Earth Technology Co ltd
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Green Earth Technology Co ltd, Chengdu Univeristy of Technology filed Critical Beijing Green Earth Technology Co ltd
Priority to CN201910717696.2A priority Critical patent/CN110376138B/zh
Publication of CN110376138A publication Critical patent/CN110376138A/zh
Application granted granted Critical
Publication of CN110376138B publication Critical patent/CN110376138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于航空高光谱的土地质量监测方法，包括以下步骤：步骤1、采集土地质量监测区的航空高光谱数据，并野外采集土地质量监测区的样品进行重金属元素含量分析；步骤2、对航空高光谱数据进行预处理；步骤3、重建航空高光谱数据光谱消除各种大气成分造成的地物光谱的辐射畸变；步骤4、提取航空高光谱遥感数据中采样点航空高光谱图像光谱；步骤5、光谱变换及相关系数分析，获得其含量与土壤光谱参量之间的相关系数，找出特征光谱的敏感波段；步骤6、建立航空高光谱数据反演土地质量监测模型，得到监测的土壤养分及金属元素含量数据。本发明应用时可准确地获得大范围的土地基础数据，能减少工作量，缩短土地质量监测周期，降低成本。

Description

基于航空高光谱的土地质量监测方法
技术领域
本发明涉及生态环境监测领域，具体是基于航空高光谱的土地质量监测方法。
背景技术
目前高强度掠夺式开发使得土壤退化严重，主要体现在农田土壤养分下降、养分失衡和局部重金属超标等。因此，开展土地土壤质量评价研究，对土地资源的规范管理、有效利用和保护以及对保障粮食安全等具有重要意义。
传统的土壤质量检测方法需投入大量的人力物力对研究区进行地球化学采样。以1:5万地球化学采样为例：采样密度为4-8个点/km2，每个土地采样点需要耗时一小时以上，进行野外实地监测通常需要长时间和大范围的密集监测。传统土壤质量检测方法劳动强度大、效率低下、周期漫长、成本耗高昂，这导致基础数据的获得非常困难。
发明内容
本发明的目的在于解决现有土壤质量检测方法劳动强度大、效率低下、周期漫长、成本耗高昂的问题，提供了一种基于航空高光谱的土地质量监测方法，其应用时可准确地获得大范围的土地基础数据，能极大地减少工作量，缩短土地质量监测周期，降低了成本。
本发明的目的主要通过以下技术方案实现：基于航空高光谱的土地质量监测方法，包括以下步骤：
步骤1、采用航空高光谱成像光谱仪采集土地质量监测区的航空高光谱数据，并野外采集土地质量监测区的样品进行重金属元素含量分析；
步骤2、对航空高光谱数据进行预处理；
步骤3、重建航空高光谱数据光谱消除各种大气成分造成的地物光谱的辐射畸变；
步骤4、提取航空高光谱遥感数据中采样点航空高光谱图像光谱；
步骤5、光谱变换及相关系数分析，获得其含量与土壤光谱参量之间的相关系数，找出特征光谱的敏感波段；
步骤6、建立航空高光谱数据反演土地质量监测模型，得到监测的土壤养分及金属元素含量数据。
进一步的，所述航空高光谱成像光谱仪的传感器性能参数与出厂设置性能参数比较，差异小于5％；所述步骤1还包括对高光谱成像光谱仪进行辐射定标和光谱定标，其中，成像光谱峰值信噪比计算公式为：
Figure GDA0003729978900000021
其中，SNR为信噪比，Nfloor为系统噪声，FW为图像像元达到饱和前的最大信号，其计算公式为：
Figure GDA0003729978900000022
公式(2)中，K为图像像元达到饱和前平均信号，
Figure GDA0003729978900000023
为电子偏置最小信号均值，G为系统增益；
系统噪声Nfloor的计算公式为：
Figure GDA0003729978900000024
公式(3)中，G为系统增益，
Figure GDA0003729978900000025
为系统本身产生的最小信号均值。
进一步的，所述航空高光谱数据预处理包括辐射校正、传感器姿态数据处理、GPS定位数据处理、姿态数据与定位数据时间同步与集成、以及几何校正。
进一步的，所述步骤3具体包括以下步骤：先采用大气辐射传输模型的大气校正生成地表反射率数据，再采用地-空回归方法作进一步校正，对图像数据与地面同步或准同步实测地物的光谱作最小二乘拟合，建立地-空回归方程，将图像数据转化为地面的反射光谱数据。
进一步的，所述步骤4具体包括以下步骤：
步骤4.1、对航空高光谱遥感数据进行处理，构造多重掩膜，剔除其它地物，提取土地信息；
步骤4.2、根据土地反射率相对大小，进行密度分割，对航空高光谱影像数据进行粗分类；
步骤4.3、使用波段运算b1＞0构造第一层掩膜，用于去除土壤和水体以外的地物；
步骤4.4、提取影像中典型地物，并使用波段运算构造第二重掩膜，保留土壤，去除其余地物；
步骤4.5、对保留的土壤进行密度分割，根据反射率大小选择阈值，均分为若干类；
步骤4.6、根据采样点GPS坐标，在影像合成后的图像上通过输入坐标的方式提取采样点土壤光谱。掩膜是使用特定的图像对需要处理的遥感图像进行遮挡，用以控制图像处理区域，这个特定的图像就是掩膜图像。遥感图像处理中掩膜的主要作用是：(1)屏蔽作用—仅对屏蔽区作处理或统计；(2)提取感兴趣区—用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0；(3)特殊形状图像的制作—跟提取感兴趣区原理一样，是另外一种形式的图像裁剪。本发明对航空高光谱遥感数据进行处理，构造的多重掩膜，使用波段运算b1＞0构造第一层掩膜，用于去除土壤和水体以外的地物；使用波段运算构造第二重掩膜，保留土壤，去除其余地物。如此，以确保本发明主要是提取土壤信息，剔除其它地物。
进一步的，所述步骤5中的光谱变换采用的具体方式为：将图像光谱进行一阶微分、二阶微分、倒数、倒数一阶微分、倒数二阶微分、对数、对数一阶微分、对数二阶微分、倒对数、倒对数一阶微分、倒对数二阶微分、平方根、平方根一阶微分、平方根二阶微分。
进一步的，所述步骤6利用偏最小二乘法对土壤养分及金属元素建立含量反演模型，在进行土地质量参数建模时，将土地质量参数作为因变量分别进行建模分析，对于单因变量PLSR偏最小二乘回归的算法：
步骤6.1、土壤某一参数含量Y的公式为：
Figure GDA0003729978900000031
公式(4)中，n为土地样本个数，X为p个自变量形成的集合，X＝{x1，…，xp},p为光谱数据的个波段个数，t为在X中提取一个对Y有最佳解释能力的成分；
步骤6.2、主成分t提取后，进行Y和X对t的回归，方程达到设定精度时，算法终止；否则，将X中主成分t不能解释的残差部分E作为新的X，Y中主成分t不能解释的残差部分F作为新的Y，再次进行回归，循环往复，直到残差F达到设定精度，或者主成分数量已经达到上限，算法结束；
步骤6.3、若最终对X共提取了k个成分，分别为t1，t2，…，tk，偏最小二乘回归将实施Y对t1，t2，…，tk的回归，再表达成Y关于原变量{x1，…，xP}的回归方程；
最终可将原始X,Y表示为：
X＝t1pT 1+t2pT 2+...+tkpT k+E (5)
Y＝t1rT 1+t2rT 2+...+tkrT k+F (6)
其中，p1＝(XTt1)/||t1||2,r1＝(YTt1)/||t1||2,E、F为残差。
本发明利用航空高光谱数据直接识别土地质量的前提条件是光谱信息的准确性，航空高光谱数据在肥力元素和重金属元素含量识别之前需要对获取的成像光谱数据做必要处理，以消除各种大气成分造成的地物光谱的辐射畸变，将记录的图像值转换为地面光谱值，根据光谱特征提取土地类型，反演成分，以便通过后期光谱匹配等算法，进行土地质量检测区元素反演制图。本发明的光谱变换处理能很好地突出光谱吸收反射特征，提高土地肥力元素含量和重金属元素含量反演模型的精度和稳定性。
本发明通过提取航空高光谱反射率，与对应的地化数据和土地质量参数(肥力元素和重金属元素)进行相关性分析，构建模型，建立了航空高光谱图像光谱与土地质量参数的偏最小二乘法回归关系模型，找出特征光谱敏感波段，对图像数据与地面同步或准同步实测地物的光谱作拟合，建立地-空的反演模型，完成土地质量的快速监测工作。
本发明采用大气辐射传输模型耦合地-空回归方法对航空高光谱遥感数据进行光谱重建，经过基于大气辐射传输模型的大气校正生成的地表反射率数据有可能包含的数据辐射定标误差，采用地-空回归方法作进一步校正，以消除大气对传感器辐射的影响。利用自然地标的同步或准同步地面光谱与经大气辐射传输模型校正生成的反射率数据进行地-空回归校正，消除因辐射定标、波段间相对定标、波段配准、大气参数选取等误差的影响而重建光谱中可能会出现一些小的虚假峰、谷。
综上所述，本发明与现有技术相比具有以下有益效果：(1)本发明利用航空高光谱遥感的时效性强、全覆盖等特点，只需辅以对不同类型土地进行极少量的地球化学分析，即可准确地获得大范围的土地基础数据，能极大地减少工作量，缩短土地质量监测周期，降低了成本。
(2)本发明解决了现有的土壤质量监测方法需要配备大量专业技术人员以及需要大量地球化学采样及化学分析数据才能实现的问题，为突破航空高光谱遥感在土地资源快速准确评价中的关键技术。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一个具体实施例的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：
如图1所示，基于航空高光谱的土地质量监测方法，包括以下步骤：步骤1、采用航空高光谱成像光谱仪采集土地质量监测区的航空高光谱数据，并野外采集土地质量监测区的样品进行重金属元素含量分析；步骤2、对航空高光谱数据进行预处理；步骤3、重建航空高光谱数据光谱消除各种大气成分造成的地物光谱的辐射畸变；步骤4、提取航空高光谱遥感数据中采样点航空高光谱图像光谱；步骤5、光谱变换及相关系数分析，获得其含量与土壤光谱参量之间的相关系数，找出特征光谱的敏感波段；步骤6、建立航空高光谱数据反演土地质量监测模型，得到监测的土壤养分及金属元素含量数据。
本实施例的航空高光谱成像光谱仪的传感器性能参数与出厂设置性能参数比较，差异小于5％。本实施例的步骤1还包括对高光谱成像光谱仪进行辐射定标和光谱定标，其中，成像光谱峰值信噪比计算公式为：
Figure GDA0003729978900000051
其中，SNR为信噪比，Nfloor为系统噪声，FW为图像像元达到饱和前的最大信号，其计算公式为：
Figure GDA0003729978900000052
公式(2)中，K为图像像元达到饱和前平均信号，
Figure GDA0003729978900000053
为电子偏置最小信号均值，G为系统增益；
系统噪声Nfloor的计算公式为：
Figure GDA0003729978900000054
公式(3)中，G为系统增益，
Figure GDA0003729978900000055
为系统本身产生的最小信号均值。
本实施例的航空高光谱成像光谱仪实验室定标，以检查航空高光谱成像光谱仪的状态是否符合要求，其中，高光谱传感器的性能参数包括传感器系统增益、电子偏置、信噪比等性能参数等，通过将其与出厂设置的性能参数进行比较，差异小于5％，则符合设备的工作要求。本实施例在实验室定标时获取辐射定标和光谱定标的主要参数，用于传感器定标和数据预处理时辐射校正。系统噪声Nfloor为没有真实信号输入时，传感器的暗电流等所产生的信号。辐射定标和光谱定标获取相应的定标文件和精度参数。在实验室内，应用标准光源，采集标准光源光谱数据，根据采集的标准光谱数据，拟合出所有高光谱探测像元的中心波长。
本实施例在土地质量监测区采样前，先获取地面定位数据，再获取地面定标数据。其中，地面定位数据的获取方式为：根据航空成像飞行区的地貌、交通状况等条件，选择地面卫星导航基站架设位置。定位测量基站设备的放置原则为：位于整个土地质量监测区的中部，较为空旷，能够有效地获取定位数据，交通较为便利。在飞行数据获取过程中，严格按照技术规程要求，飞行前半小时打开地面基站，在卫星导航定位基站搜索卫星成功后(至少8颗卫星)，采用静态测量模式记录数据，数据记录频率为1赫兹。飞行结束半小时后停止记录，导出基站数据并备份。
地面定标数据的获取方式为：在土地质量监测区选择黑白布作为定标场，在航空飞行过程中，开展黑白布定标场和地面光谱测量。通过对定标场数据的质量分析和航空数据光谱重建效果对比，选择最佳的定标地物。
本实施例在土地质量监测区采样时，将野外采集的不同土地类型的样品进行风干,去除土样中的石块与植物碎屑等杂质,并将大的土块打散,进而用玛瑙研体碾细后装瓶送检，对土地地球化学含量等进行测试，测试对象包括：氮、磷、钾等肥力元素、铬、镉、铅、锌等重金属元素。
本实施例的航空高光谱数据预处理包括辐射校正、传感器姿态数据处理、GPS定位数据处理、姿态数据与定位数据时间同步与集成、以及几何校正。其中，辐射校正、传感器姿态数据处理、GPS定位数据处理、姿态数据与定位数据时间同步与集成、以及几何校正均采用现有技术实现。辐射校正：剔除由探测器各探元的响应不一致导致的部分波段存在的噪声和条带。当机上定标系统不能很好工作或者不能完全消除各种条带时，需要使用一些基于图像的统计方法来实现相对辐射校正。对航空高光谱数据信噪比较低的波段做辐射增强处理，即包括直方图匹配、直方图拉伸、坏道填补、去除条带噪声处理等方法。传感器姿态数据处理：由于加速度(例如待测物运动时会产生加速度，电机运行时振动会产生加速度等)和一些震动等会产生噪声干扰，传感器姿态数据处理通过一阶互补算法，将加速度和角速度一起来做，融合出一个角度值通过六轴数据，通过四元数(四元数包括笛卡尔坐标系的变化，里边有三个角度值)的融合，用以去除传感器自身产生的噪声。GPS定位数据处理：GPS定位的基本原理是根据高速运动的卫星瞬间位置作为已知的起算数据，采用空间距离后方交会的方法，确定待测点的位置。GPS数据处理要从原始的观测值出发得到最终的测量定位结果，数据处理过程大致分为GPS测量数据的基线向量解算、GPS基线向量网平差以及GPS网平差或与地面网联合平差等几个阶段。几何校正：消除航空高光谱图像中的几何变形，精细几何校正回避了成像的空间几何过程，认为航空高光谱图像的总体几何畸变是挤压，扭曲、缩放、偏移及其他变形综合作用的结果。
本实施例在采集航空高光谱数据时，先进行飞行基本参数确定。首先确定航线设计的重要参考，土地质量监测区的行政区划界线和成图比例尺，然后结合不同土地质量监测区的探测目标大小和地形特点，利用空间分辨率和机载成像光谱仪的瞬时视场确定飞行高度(相对航高、绝对航高)，利用空间分辨率和机载成像光谱仪的扫描速率确定飞行速度(地速)。最后，沿调查区长轴方向设定航线，航带旁向重叠率设置为20％～30％。
本实施例步骤3具体包括以下步骤：先采用大气辐射传输模型的大气校正生成地表反射率数据，再采用地-空回归方法作进一步校正，对图像数据与地面同步或准同步实测地物的光谱作最小二乘拟合，建立地-空回归方程，将图像数据转化为地面的反射光谱数据。
随着对气候变化、环境监测、大气遥感等领域研究的深入，大气辐射传输研究的重要性日益凸显，往往需要进行辐射传输模拟，计算大气透过率、光谱辐亮度等参数，进行部分气象要素的反演等，因此亟需发展快速精确、普遍适用的辐射传输模式。从20世纪80年代起，国外一些学者对遥感影像的大气订正研究做了许多工作，在模拟地-气过程的能力上有了很大提高，发展了一系列辐射传输模型，如6S、LOWTRAN、MODTRAN和FASCODE模型等。其中，6S(SECOND SIMULATION OF THE SATELLITE SIGNAL IN THE SOLAR SPECTRUM)模型估计了0.25-4.0μm波长电磁波在晴空无云条件下的辐射特性，是在Tanre等人提出的5S(SIMULATION OF THE SATELLITE SIGNAL IN THE SOLAR SPECTRUM)基础上发展而来的。它在假设均一地表的前提下，描述了非朗伯反射地表情况下的大气影响理论，而后Vermote又将其改进为6S模型。LOWTRAN是由美国地球物理实验室开发的单参数，谱带模式的大气传输模型，是计算大气透过率及辐射的软件包，其原意是“低谱分辨率大气透过率计算程序”，适用于从紫外、可见、红外到微波乃至更宽的电磁波谱范围内，包括云、雾、雨等多种大气状况的大气透过率及背景辐射。MODTRAN是LOWTRAN的改进模型，其程序的基本结构和框架保持原样。它覆盖了0-22600cm-1(即波长0.44μm-∞)的光谱范围，具有2cm-1的光谱分辨率。它利用二流(twosteams)近似模型考虑大气多次散射效应。MODTRAN是一个中分辨率大气辐射传输模型，吸收带模式参数用最新HITRAN数据库计算而得，采用Curtis-Godson近似将多层的分层路径近似为等价的均匀路径，而且可以计算热红外的辐射亮度、辐照度等。FASCODE是一个全世界公认的、以完全的逐线Beer-Lambert算法计算大气透过率和辐射的软件，它的分辨率很高，提供了“精确”透过率计算，并且考虑了非局地热力平衡状态的影响，原则上它的应用高度不受限制。因此，FASCODE通常用作评估遥感系统或参数化带模型的标准，也常用于大气精细化结构的研究。本实施例的大气辐射传输模型除了采用现有的6S、LOWTRAN、MODTRAN和FASCODE模型外，还可采用SHARC、UVRAD(Ultraviolet and VisibleRadiation)，TURNER，UCSB的SBDART、SAMM SERTRAN模型，三维辐射传输模型(MOD3D)等大气辐射传输模型。
本实施例步骤3在具体实施时，首先，基于大气辐射传输模型进行光谱重建，其具体实施流程为：采用大气辐射传输模型，根据输入的大气模式、大气水气含量、气溶胶类型、大气能见度等参数，计算大气透过率、程辐射、地面目标的辐照度(单位时间内，单位面积上接收到的辐射能量)。利用这三个参数可实现大气校正，校正公式为：
Figure GDA0003729978900000071
公式中，LP为大气程辐射，E为地面目标的辐照度，τ为大气透过率。飞行参数与地理参数分别为数据获取的日期、时间、航高以及调查区的海拔高度、地理坐标等。除大气水气与气溶胶之外的其它大气参数均采用标准大气模式参数，可根据数据获取的时间与地理坐标从查找表选取相应的标准大气模式。大气水气含量主要根据820nm、940nm或1135nm附近的水气吸收谱带的吸收面积与大气水气含量的统计关系来反演，反演利用大气辐射传输模型建立的查找表完成。820nm、940nm附近的水气谱带因受750-1000nm Fe3+谱带的影响，而导致水气含量的高估，在这类地区，应利用1135nm的谱带反演水气。根据研究区性质选取城市、乡村两种气溶胶模式之一，输入数据获取时记录的大气能见度数据，或550nm处的大气光学厚度。水气是大气校正与光谱重建中最大的影响因素，水气含量反演偏低时，地物光谱在820nm、940nm、1135nm波段会出现明显的谱峰，相反，会出现明显的谱谷。
在校正过程中，需及时对水气含量反演结果进行评估：反演生成的水气图像应呈云雾状，地物的轮廓基本分辨不清。若水气图像中地物的轮廓和特征仍隐约可辨，则说明水气含量被低估，大气校正不完全，这时，应改变大气水气含量反演的谱段(820nm、940nm或1135nm)，重新反演大气水气含量，重新进行大气校正。
其次，进行地面特定地物的光谱特征检验，其具体实施步骤为：检查重建光谱中某些地物，如植物、水体等的光谱特征、光谱变化趋势的是否正确合理。水体光谱特征为450nm-750nm谱段内地反射率峰值以及750nm-2450nm谱段内的极低反射率；植被光谱特征包括450nm-650nm、1450nm-2450nm谱段内的低反射率，750nm-1350nm谱段内的高反射率，以及分别位于450nm与650nm附近的蓝谷与红谷。
再次，采用地-空回归方法进行光谱重建检验，其具体实施步骤为：对比光谱重建前后数据信噪比的变化，以及检查大气水气含量反演结果，可判别光谱重建中的大气水气反演质量与光谱重建中是否引入了明显的大气噪声。如光谱重建前后光谱信噪比显著降低或大气水气含量反演结果中可见明显的地物纹理信息,则表明光谱重建中引入了明显的大气噪声,则需检查光谱重建流程及方法是否正确,参数设置是否正确，并进行改正重新处理。
本实施例步骤4具体包括以下步骤：步骤4.1、对航空高光谱遥感数据进行处理，构造多重掩膜，剔除其它地物，提取土地信息；步骤4.2、根据土地反射率相对大小，进行密度分割，对航空高光谱影像数据进行粗分类；步骤4.3、使用波段运算b1＞0构造第一层掩膜，用于去除土壤和水体以外的地物；步骤4.4、提取影像中典型地物，并使用波段运算构造第二重掩膜，保留土壤，去除其余地物；步骤4.5、对保留的土壤进行密度分割，根据反射率大小选择阈值，均分为若干类；步骤4.6、根据采样点GPS坐标，在影像合成后的图像上通过输入坐标的方式提取采样点土壤光谱。其中，提取的影像中典型地物包括土壤、河流、大棚。图像掩模主要用于：b1＞0提取感兴趣区，用预先制作的感兴趣区掩模与待处理图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0。密度分割是一种图像彩色变换的方法，它是把遥感图像按照亮度来分层，对于每一层赋予不同的颜色，使之成为一幅彩色图像，其中每一层包含的亮度值范围可以不同。如果分层方案与地物光谱差异对应的很好，通过这种方法就可以区分出各种地物的类别。密度分割时，分级的数量以及每级的密度范围，要根据各种地物的波谱特性、空间分布、相互关系以及判读要求来确定。因地物光谱特性是由其影像密度(灰度)反映的，而人眼对灰度的辨别能力不足以充分利用影像灰度的细微差别所提供的地物特征信息，故密度分割是一种有助于目视判读的影像密度分析方法。
本实施例步骤5中的光谱变换采用的具体方式为：将图像光谱进行一阶微分、二阶微分、倒数、倒数一阶微分、倒数二阶微分、对数、对数一阶微分、对数二阶微分、倒对数、倒对数一阶微分、倒对数二阶微分、平方根、平方根一阶微分、平方根二阶微分。相关系数为
Figure GDA0003729978900000091
其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，是一个可以表征x和y之间关系紧密程度的量。本实施例中所述的敏感波段为在光谱曲线上能反映出土壤中某种元素含量特征的波段，在敏感波段下获得的光谱特征因子中，能与所对应元素含量拟合效果最好。
本实施例步骤6利用偏最小二乘法对土壤养分及金属元素建立含量反演模型，在进行土地质量参数建模时，将土地质量参数作为因变量分别进行建模分析，对于单因变量PLSR偏最小二乘回归的算法：
步骤6.1、土壤某一参数含量Y的公式为：
Figure GDA0003729978900000092
公式(4)中，n为土地样本个数，p为光谱数据的个波段个数，X为p个自变量形成的集合，X＝{x1，…，xp}，t为在X中提取一个对Y有最佳解释能力的成分；
步骤6.2、主成分t提取后，进行Y和X对t的回归，方程达到设定精度时，算法终止；否则，将X中主成分t不能解释的残差部分E作为新的X，Y中主成分t不能解释的残差部分F作为新的Y，再次进行回归，循环往复，直到残差F达到设定精度，或者主成分数量已经达到上限，算法结束；
步骤6.3、若最终对X共提取了k个成分，分别为t1，t2，…，tk，偏最小二乘回归将实施Y对t1，t2，…，tk的回归，再表达成Y关于原变量{x1，…，xP}的回归方程；
最终可将原始X,Y表示为：
X＝t1pT 1+t2pT 2+...+tkpT k+E (5)
Y＝t1rT 1+t2rT 2+...+tkrT k+F (6)
其中，p1＝(XTt1)/||t1||2,r1＝(YTt1)/||t1||2,E、F为残差。t是因子分值，在步骤6.3中，t1，t2，…，tk是最终对X共提取的k个成分。t尽可能地携带X中的变异信息，且与Y的相关程度能够达到最大，即对Y有最强的解释能力。本实施例步骤6.2中所述的第一个精度为拟合精度，越接近1说明拟合度越好，一般0.7以上就是较好的拟合模型；第二个精度为残差，所谓残差是指观测值与预测值(拟合值)之间的差，即是实际观察值与回归估计值的差，用残差大小衡量预测模型的准确性，残差与数据本身的分布特性，回归方程的选择有关。
偏最小二乘回归在自变量之间存在高度相关时，能提供更可靠的建模结果，适合样本个数小于自变量个数的情况下来建立回归模型。它结合了建模类型的预测分析方法和非模型式的数据内侧分析方法，在一个算法下同时进行数据结构简化(主成分分析)、回归建模(多元线性回归)以及两组变量之间的相关性分析(单相关分析)，简化了多维复杂数据的分析难度。偏最小二乘回归是逐步提取光谱数据中的成分，与主成分回归相比，还考虑了对目标变量的最大解释。
对本实施例的土地质量高光谱数据反演结果分析，航空高光谱影像的空间分辨率很高，高光谱反演图像能够清晰地反映出不同地块的元素含量差异。将航空高光谱反演结果进行多尺度对比性研究，如：1:1万、1:5万、1:10万、1:25万等，可知，本实施例能同时兼顾宏观趋势和细节特征，适应不同层次的研究需要。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于航空高光谱的土地质量监测方法，其特征在于，包括以下步骤：
步骤1、采用航空高光谱成像光谱仪采集土地质量监测区的航空高光谱数据，并野外采集土地质量监测区的样品进行重金属元素含量分析；
步骤2、对航空高光谱数据进行预处理；
步骤3、重建航空高光谱数据光谱消除各种大气成分造成的地物光谱的辐射畸变；
步骤4、提取航空高光谱遥感数据中采样点航空高光谱图像光谱；
步骤5、光谱变换及相关系数分析，获得其含量与土壤光谱参量之间的相关系数，找出特征光谱的敏感波段；
步骤6、建立航空高光谱数据反演土地质量监测模型，得到监测的土壤养分及金属元素含量数据；
所述步骤3具体包括以下步骤：先采用大气辐射传输模型的大气校正生成地表反射率数据，再采用地-空回归方法作进一步校正，对图像数据与地面同步或准同步实测地物的光谱作最小二乘拟合，建立地-空回归方程，将图像数据转化为地面的反射光谱数据；
所述步骤4具体包括以下步骤：
步骤4.1、对航空高光谱遥感数据进行处理，构造多重掩膜，剔除其它地物，提取土地信息；
步骤4.2、根据土地反射率相对大小，进行密度分割，对航空高光谱影像数据进行粗分类；
步骤4.3、使用波段运算b1＞0构造第一层掩膜，用于去除土壤和水体以外的地物；
步骤4.4、提取影像中典型地物，并使用波段运算构造第二重掩膜，保留土壤，去除其余地物；
步骤4.5、对保留的土壤进行密度分割，根据反射率大小选择阈值，均分为若干类；
步骤4.6、根据采样点GPS坐标，在影像合成后的图像上通过输入坐标的方式提取采样点土壤光谱；
所述步骤6利用偏最小二乘法对土壤养分及金属元素建立含量反演模型，在进行土地质量参数建模时，将土地质量参数作为因变量分别进行建模分析，对于单因变量PLSR偏最小二乘回归的算法：
步骤6.1、土壤某一参数含量Y的公式为：
Figure FDA0003729978890000011
公式(4)中，n为土地样本个数，X为p个自变量形成的集合，X＝{x1，…，xp}，p为光谱数据的个波段个数，i的取值为1至p的整数，t为在X中提取一个对Y有最佳解释能力的成分；
步骤6.2、主成分t提取后，进行Y和X对t的回归，方程达到设定精度时，算法终止；否则，将X中主成分t不能解释的残差部分E作为新的X，Y中主成分t不能解释的残差部分F作为新的Y，再次进行回归，循环往复，直到残差F达到设定精度，或者主成分数量已经达到上限，算法结束；
步骤6.3、若最终对X共提取了k个成分，分别为t1，t2，…，tk，偏最小二乘回归将实施Y对t1，t2，…，tk的回归，再表达成Y关于原变量{x1，…，xP}的回归方程；
最终可将原始X,Y表示为：
X＝t1pT 1+t2pT 2+...+tkpT k+E (5)
Y＝t1rT 1+t2rT 2+...+tkrT k+F (6)
其中，p1＝(XTt1)/||t1||2,r1＝(YTt1)/||t1||2,E、F为残差。
2.根据权利要求1所述的基于航空高光谱的土地质量监测方法，其特征在于，所述航空高光谱成像光谱仪的传感器性能参数与出厂设置性能参数比较，差异小于5％；所述步骤1还包括对高光谱成像光谱仪进行辐射定标和光谱定标，其中，成像光谱峰值信噪比计算公式为：
Figure FDA0003729978890000021
其中，SNR为信噪比，Nfloor为系统噪声，FW为图像像元达到饱和前的最大信号，其计算公式为：
Figure FDA0003729978890000022
公式(2)中，K为图像像元达到饱和前平均信号，
Figure FDA0003729978890000023
为电子偏置最小信号均值，G为系统增益；
系统噪声Nfloor的计算公式为：
Figure FDA0003729978890000024
公式(3)中，G为系统增益，
Figure FDA0003729978890000025
为系统本身产生的最小信号均值。
3.根据权利要求1所述的基于航空高光谱的土地质量监测方法，其特征在于，所述航空高光谱数据预处理包括辐射校正、传感器姿态数据处理、GPS定位数据处理、姿态数据与定位数据时间同步与集成、以及几何校正。
4.根据权利要求1～3中任意一项所述的基于航空高光谱的土地质量监测方法，其特征在于，所述步骤5中的光谱变换采用的具体方式为：将图像光谱进行一阶微分、二阶微分、倒数、倒数一阶微分、倒数二阶微分、对数、对数一阶微分、对数二阶微分、倒对数、倒对数一阶微分、倒对数二阶微分、平方根、平方根一阶微分、平方根二阶微分。
CN201910717696.2A 2019-08-05 2019-08-05 基于航空高光谱的土地质量监测方法 Active CN110376138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910717696.2A CN110376138B (zh) 2019-08-05 2019-08-05 基于航空高光谱的土地质量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910717696.2A CN110376138B (zh) 2019-08-05 2019-08-05 基于航空高光谱的土地质量监测方法

Publications (2)

Publication Number Publication Date
CN110376138A CN110376138A (zh) 2019-10-25
CN110376138B true CN110376138B (zh) 2022-09-06

Family

ID=68258037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910717696.2A Active CN110376138B (zh) 2019-08-05 2019-08-05 基于航空高光谱的土地质量监测方法

Country Status (1)

Country Link
CN (1) CN110376138B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110793923A (zh) * 2019-10-31 2020-02-14 北京绿土科技有限公司 基于手机的高光谱土壤数据采集与分析方法
CN110907367B (zh) * 2019-11-09 2022-10-04 华东师范大学 一种基于高光谱遥感的土壤墒情检测方法
CN111721738A (zh) * 2020-06-23 2020-09-29 陕西理工大学 基于高光谱的植物生长状态与土壤含氮量关系的分析方法
CN112070234B (zh) * 2020-09-04 2024-01-30 中国科学院南京地理与湖泊研究所 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN112378864B (zh) * 2020-10-27 2024-07-19 核工业北京地质研究院 一种机载高光谱土壤信息反演方法
CN112257690B (zh) * 2020-12-21 2021-07-13 航天宏图信息技术股份有限公司 一种重金属污染评估方法及装置
CN112834446B (zh) * 2020-12-31 2024-06-11 中国地质调查局沈阳地质调查中心 一种基于航空高光谱的黑土地质量综合评价方法
CN112858178B (zh) * 2021-01-11 2022-05-13 武汉大学 一种航空热红外高光谱影像温度和发射率反演方法
CN113960642B (zh) * 2021-09-16 2023-05-30 成都理工大学 青藏高原区域光学遥感卫星影像大气折射定位误差修正方法
CN113866102B (zh) * 2021-09-24 2023-12-22 中国地质调查局西安地质调查中心(西北地质科技创新中心) 一种基于光谱的土壤健康调查监测方法
CN114065801B (zh) * 2021-10-14 2022-10-28 中国科学院地理科学与资源研究所 基于神经网络模型的土壤监测方法、系统和可读存储介质
CN118072866A (zh) * 2023-11-23 2024-05-24 东北大学 一种基于光谱差与含量差的土壤数据增强方法
CN117688835B (zh) * 2023-12-11 2024-06-04 哈尔滨航天恒星数据系统科技有限公司 一种土壤养分反演方法、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103592235A (zh) * 2013-11-27 2014-02-19 中国国土资源航空物探遥感中心 一种成像光谱反射率数据的光谱校正方法
CN103712955A (zh) * 2014-01-02 2014-04-09 李云梅 一种基于神经网络二次优化的二类水体大气校正方法
CN106855502A (zh) * 2015-12-09 2017-06-16 深圳先进技术研究院 一种陆源入海排污口的遥感监测方法与系统
AU2016230926A1 (en) * 2015-03-06 2017-09-07 Bae Systems Plc Method and apparatus for processing spectral images
CN107907490A (zh) * 2017-11-02 2018-04-13 北京师范大学 基于室外降雨和室内土壤的土壤侵蚀高光谱反演方法
CN108694392A (zh) * 2018-05-22 2018-10-23 成都理工大学 一种高精度同步提取广义s变换时频分析方法
CN108956483A (zh) * 2017-05-27 2018-12-07 核工业北京地质研究院 一种火山岩型铀矿化地段的航空高光谱遥感快速圈定方法
CN109781626A (zh) * 2019-03-11 2019-05-21 王祥 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2547359C (en) * 2003-11-26 2012-11-27 Florida Environmental Research Institute, Inc. Spectral imaging system
CN102749138B (zh) * 2012-06-11 2014-03-26 中国科学院安徽光学精密机械研究所 高光谱遥感器飞行中基于太阳和大气特征谱线的光谱定标方法
CN103699889A (zh) * 2014-01-06 2014-04-02 成都理工大学 一种基于高光谱遥感技术的尾矿识别方法及系统
CN103868857A (zh) * 2014-02-18 2014-06-18 成都理工大学 一种农药残留的检测方法、装置及系统
US10107770B2 (en) * 2014-06-18 2018-10-23 Texas Tech University System Portable apparatus for soil chemical characterization
CN104361563B (zh) * 2014-11-06 2017-02-15 西北工业大学 基于gps的高光谱遥感图像几何精校正方法
CN104406696B (zh) * 2014-11-27 2016-08-31 国家海洋环境预报中心 一种高光谱成像仪外场光谱辐射定标方法及装置
CN109870419B (zh) * 2017-12-05 2021-09-17 核工业北京地质研究院 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
CN108663330B (zh) * 2018-04-19 2019-08-16 中国自然资源航空物探遥感中心 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法
CN109738369B (zh) * 2018-12-10 2021-05-18 核工业北京地质研究院 一种采用航空高光谱遥感玉器的考古探测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103592235A (zh) * 2013-11-27 2014-02-19 中国国土资源航空物探遥感中心 一种成像光谱反射率数据的光谱校正方法
CN103712955A (zh) * 2014-01-02 2014-04-09 李云梅 一种基于神经网络二次优化的二类水体大气校正方法
AU2016230926A1 (en) * 2015-03-06 2017-09-07 Bae Systems Plc Method and apparatus for processing spectral images
CN106855502A (zh) * 2015-12-09 2017-06-16 深圳先进技术研究院 一种陆源入海排污口的遥感监测方法与系统
CN108956483A (zh) * 2017-05-27 2018-12-07 核工业北京地质研究院 一种火山岩型铀矿化地段的航空高光谱遥感快速圈定方法
CN107907490A (zh) * 2017-11-02 2018-04-13 北京师范大学 基于室外降雨和室内土壤的土壤侵蚀高光谱反演方法
CN108694392A (zh) * 2018-05-22 2018-10-23 成都理工大学 一种高精度同步提取广义s变换时频分析方法
CN109781626A (zh) * 2019-03-11 2019-05-21 王祥 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许海蓬.大气校正对水深遥感反演的影响分析.《现代测绘》.2017,第40卷(第3期),第1-4,9页. *

Also Published As

Publication number Publication date
CN110376138A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110376138B (zh) 基于航空高光谱的土地质量监测方法
US10832390B2 (en) Atmospheric compensation in satellite imagery
Liu et al. Object-based shadow extraction and correction of high-resolution optical satellite images
CN110186820A (zh) 多源数据融合与环境污染源及污染物分布分析方法
CN116778104B (zh) 一种动态遥感监测的测绘方法及系统
CN111553245A (zh) 基于机器学习算法和多源遥感数据融合的植被分类方法
CN101101338A (zh) 一种油气勘探方法及系统
CN110109118B (zh) 一种森林冠层生物量的预测方法
CN110388986B (zh) 基于tasi数据的土地表面温度反演方法
CN114926748A (zh) Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法
CN115372282B (zh) 一种基于无人机高光谱影像的农田土壤含水量监测方法
US20240312206A1 (en) Accurate inversion method and system for aboveground biomass of urban vegetations considering vegetation type
CN117611978B (zh) 一种土地资源测绘数据库的构建方法及系统
CN116817869B (zh) 一种利用激光雷达数据的海底光子信号确定方法
Yang et al. Extraction of multiple building heights using ICESat/GLAS full-waveform data assisted by optical imagery
CN115235997A (zh) 一种基于卫星高光谱影像的土壤质地反演方法
Yang et al. An RGB channel operation for removal of the difference of atmospheric scattering and its application on total sky cloud detection
CN117423013B (zh) 基于地质大数据的成矿潜力预测方法
US9952146B1 (en) Determining gas concentration near planetary surfaces
Kawishwar Atmospheric correction models for retrievals of calibrated spectral profiles from hyperion EO-1 data
Kesselring et al. Diversity of 3D APAR and LAI dynamics in broadleaf and coniferous forests: Implications for the interpretation of remote sensing-based products
Campbell et al. Using Desis and EO-1 Hyperion reflectance time series for the assessment of vegetation traits and gross primary production (GPP)
Jayaraman et al. Total solution approach using IRS-1C and IRS-P3 data
Li et al. Unsupervised Winter Wheat Mapping Based on Multi-Spectral and Synthetic Aperture Radar Observations
Bojinski et al. Aerosol mapping over rugged heterogeneous terrain with imaging spectrometer data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant