CN114384031A - 星-空-地高光谱遥感水体重金属污染立体监测方法 - Google Patents
星-空-地高光谱遥感水体重金属污染立体监测方法 Download PDFInfo
- Publication number
- CN114384031A CN114384031A CN202210030056.6A CN202210030056A CN114384031A CN 114384031 A CN114384031 A CN 114384031A CN 202210030056 A CN202210030056 A CN 202210030056A CN 114384031 A CN114384031 A CN 114384031A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- heavy metal
- remote sensing
- water body
- curve
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims description 54
- 230000003595 spectral effect Effects 0.000 claims description 46
- 238000012937 correction Methods 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 238000003556 assay Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000003911 water pollution Methods 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 description 32
- 239000000523 sample Substances 0.000 description 29
- 238000001228 spectrum Methods 0.000 description 26
- 238000003384 imaging method Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 229910052793 cadmium Inorganic materials 0.000 description 4
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 229910052785 arsenic Inorganic materials 0.000 description 2
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229930002868 chlorophyll a Natural products 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
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
- 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Abstract
本发明公开了星‑空‑地高光谱遥感水体重金属污染立体监测方法,依托“星‑空‑地”高光谱遥感立体观测手段,基于卫星和无人机高光谱遥感影像以及地面实测数据,探讨利用高光谱数据进行水污染监测的技术原理、工艺流程,结合卫星高光谱影像监测面积广、无人机高光谱影像获取速度快和样点数据重金属浓度提取精度高的优点,通过定性评价与定量反演的手段,获取不同尺度下目标水域污染情况信息,解决其中存在的某些技术难点,实现对水资源流域水体中的重金属污染进行重金属含量反演估算,分析监测重金属污染的变化情况,实现目标水域的水质监测,为目标水域的环境保护与治理工作奠定技术基础。
Description
技术领域
本发明属于水环境定量遥感技术领域,具体涉及基于星-空-地遥感观测网络 的星-空-地高光谱遥感水体重金属污染立体监测方法。
背景技术
水体污染问题日趋严重,特别是广西柳江地区的镉污染事件,对该地人民的 水安全造成了极大影响。因此,对水污染的动态监测与评价已成为当务之急,但 是传统的水质监测方法检测和分析过程复杂、周期长,数据的频次、时效和代表 性远远滞后于环境管理与决策的需求,特别是一些突发性、大范围的环境质量变 化不能被及时捕捉。
常规的水体污染监测方法采用人工实地采样、实验室样本分析评价,监测周 期长、成本高、工作量大,且监测结果只能代表局部水体区域的污染分布情况。 高光谱遥感技术利用成像光谱仪以纳米级的光谱分辨率,以几十或几百个波段同 时对地表地物像,能够获得地物的连续光谱信息,实现了地物空间信息、辐射信 息、光谱信息的同步获取,是监测和反演水体重金属含量的重要手段。
目前,国内外还没有采用“星载多光谱遥感+无人机高光谱+地面实测”光谱 立体监测技术,开展高精度水质参数反演和重金属污染监测研究的公开文献报 道。国内尚无重金属污染监测研究及方法的相关专利登记。
发明内容
本发明所为了解决背景技术中存在的技术问题,目的在于提供了星-空-地高 光谱遥感水体重金属污染立体监测方法,采用高光谱遥感观测手段,利用卫星和 无人机平台采集实验区遥感影像数据,结合地面光谱仪实测数据,以1种典型重 金属镉、叶绿素a和悬浮物为例,建立星-空-地高光谱遥感水质参数协同反演方 法,对广西区1个典型实验区内的水体进行水质参数反演估算。
为了解决技术问题,本发明的技术方案是:
星-空-地高光谱遥感水体重金属污染立体监测方法,所述方法包括:
获取污染水体区域的原始高光谱遥感影像;
对所述原始高光谱遥感影像进行预处理,得到优化后的目标区域高光谱遥感 影像;
获取污染水体区域的多个采样点的水体样本,对水体样本化验处理,得到重 金属元素的多个浓度数据;
基于所述优化后的目标区域高光谱遥感影像获取与各所述采样点对应的高 光谱曲线;
对所述高光谱曲线预处理,得到优化后的高光谱曲线;
所述优化后的高光谱曲线包括:多个训练样本高光谱曲线和多个验证样本高 光谱曲线;
基于各所述训练样本高光谱曲线获取与各所述训练样本高光谱曲线对应的 光谱特征波段;
基于与各所述训练样本高光谱曲线对应的光谱特征波段以及与各所述训练 样本高光谱曲线对应的重金属元素浓度数据,利用CARS+PLS算法进行模型训练, 获得重金属元素浓度与分布的最优反演模型;
基于所述重金属元素浓度与分布的最优反演模型对所述优化后的目标区域 高光谱遥感影像进行重金属元素浓度与分布的反演。
采用“星-空-地”遥感观测网络,构建无人机遥感平台,进行大面积水体的 快速同步监测,高效自动地对影像进行几何校正,结合GPU与CPU异构并行系统, 快速生成高光谱正射影像,基于已建立的重金属元素含量与光谱特征关系,研发 了一种星空地重金属污染变化立体监测方法,以及水体中重金属元素含量与地面 反射光谱特征参量的统计关系模型。
进一步,所述获取污染水体区域的原始高光谱遥感影像,具体包括:
利用卫星和无人机观测平台获取污染水体区域的原始高光谱遥感影像。
进一步,所述原始高光谱遥感影像包括:星载高光谱遥感影像和机载高光谱 遥感影像。
进一步,对所述原始高光谱遥感影像进行预处理,具体包括:
对星载高光谱遥感影像进行辐射定标、几何校正和大气校正处理;
对机载高光谱遥感影像进行几何校正、影像拼接、大气校正、均值平滑和噪 声去除处理。
进一步,获取污染水体区域的多个采样点的水体样本,对水体样本进行野外 化验处理和实验室实测化验处理,得到重金属元素的多个浓度数据。
进一步,对所述高光谱曲线预处理,具体包括:
对所述高光谱曲线进行数据转换、滤波去噪和水汽吸收波段剔除处理。
进一步,所述基于各所述训练样本高光谱曲线获取与各所述训练样本高光谱 曲线对应的光谱特征波段,具体包括:
对各所述训练样本高光谱曲线进行特征波段分析,获得与各所述训练样本高 光谱曲线对应的第一特征波段;基于各所述第一特征波段获取与各所述第一特征 波段对应的单波段反射率或波段反射率组合值,以获得所述与各训练样本高光谱 曲线对应的光谱特征波段。
进一步,所述模型训练,包括:
基于与各所述训练样本高光谱曲线对应的光谱特征波段以及与各所述训练 样本高光谱曲线对应的重金属元素浓度数据进行相关度计算,获得与各所述训练 样本高光谱曲线对应的光谱特征波段与重金属元素浓度数据的相关系数;基于与 各所述训练样本高光谱曲线对应的相关系数对各所述训练样本高光谱曲线进行 筛选,获得用于进行模型训练的目标高光谱曲线。
进一步,所述方法还包括:基于各多个验证样本高光谱曲线获取与各多个验 证样本高光谱曲线对应的光谱特征波段;基于与各多个验证样本高光谱曲线对应 的光谱特征波段以及所述重金属元素浓度反演模型计算获得与各多个验证样本 高光谱曲线对应的重金属元素浓度的反演值;基于与各所述多个验证样本高光谱 曲线对应重金属元素浓度以及与各多个验证样本高光谱曲线对应的重金属元素 浓度的反演值,对所述重金属元素浓度反演模型进行验证,以至少在验证其不符 合预定条件的情况下,修正所述重金属元素浓度反演模型。
与现有技术相比,本发明的优点在于:(1)树立典型示范,推动科技发展。 目前基于遥感的方法监测水质参数主要集中在总悬浮物、叶绿素a、透明度、总 磷和总氮以及COD等,对水体重金属含量的反演的研究较少,其中在国内尚未发 现对水体中重金属镉的含量进行反演的报道,故本发明作为先例,可为后续研究 提供参考及支持,推动广西乃至国内水体重金属污染的研究。
(2)降低监测成本,节约人力物力。常用的监测方法基于物理-化学的手段, 对目标区域的水体样本进行采集,进而通过化学、生物方法分析进行评定与预估, 该法耗时、耗力且无法获得大面积整体水域的污染分布情况。而星-空-地高光谱 遥感水质参数协同反演方结合了卫星高光谱影像监测面积广、无人机高光谱影像 获取速度快和样点数据重金属浓度提取精度高的优点,弥补了传统水质监测的不 足与缺陷,可作为常规监测的有益补充。可大幅度降低广西河流域监测所需的人 力、物力和财力。
(3)提供辅助信息,助力绿色生态。创造绿色生态环境是人类跨世纪的追 求,是可持续发展的重要方面,是″以人为本″原则最直接的体现。水体重金属监 测为目标水域环境监测和综合治理提供决策辅助信息,从而对污染环境严重、危 害人类及动植物生存安全的矿产资源开发和工厂排污等活动进行合理规划和有 效治理,为目标水域的环境保护与治理工作奠定技术基础。
(5)快速应急响应,实时动态监测;水体污染问题日趋严重,特别是广西 柳江地区的镉污染事件,对该地人民的水安全造成了极大影响。因此,对水污染 的动态监测与评价已成为当务之急,但是传统的水质监测方法检测和分析过程复 杂、周期长,数据的频次、时效和代表性远远滞后于环境管理与决策的需求,特 别是一些突发性、大范围的环境质量变化不能被及时捕捉。随着高光谱遥感技术 的发展,利用无人机平台可以快速大范围的监测水污染爆发区域,其灵活机动、 实时性强等独特优点有效弥补了卫星遥感与地面遥感的不足,辅助相关部门实现 快速应急响应。
附图说明
图1、本发明星-空-地高光谱遥感水体重金属污染立体监测方法的总体框架 图;
图2、本发明星-空-地高光谱遥感水体重金属污染立体监测方法的光谱数据 采集结果;
图3、水体数据采样地点示意图;
图4、实验区域无人机高光谱影像结果图;
图5、传感器辐射定标流程图;
图6、机载高光谱影像辐射定标结果;
图7、场地定标前后影像采样点光谱曲线;
图8、几何校正前后对比图像;
图9、原始影像与水体结果对比图;
图10、反射率与As浓度相关性图;
图11、反射率一阶微分与As浓度相关性图;
图12、单波段建模集实际值和预测值图;
图13、单波段校准集实际值与预测值图;
图14、本发明建模集实际值和预测值图;
图15、本发明校准集实际值与预测值图;
图16、As(砷)浓度反演结果图。
具体实施方式
下面结合实施例描述本发明具体实施方式:
需要说明的是,本说明书所示意的结构、比例、大小等,均仅用以配合说明 书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实 施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发 明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能 涵盖的范围内。
同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的 用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系 的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
实施例1
如图1所示,星-空-地高光谱遥感水体重金属污染立体监测方法,所述方法 包括:
获取污染水体区域的原始高光谱遥感影像;
对所述原始高光谱遥感影像进行预处理,得到优化后的目标区域高光谱遥感 影像;
获取污染水体区域的多个采样点的水体样本,对水体样本化验处理,得到重 金属元素的多个浓度数据;
基于所述优化后的目标区域高光谱遥感影像获取与各所述采样点对应的高 光谱曲线;
对所述高光谱曲线预处理,得到优化后的高光谱曲线;
所述优化后的高光谱曲线包括:多个训练样本高光谱曲线和多个验证样本高 光谱曲线;
基于各所述训练样本高光谱曲线获取与各所述训练样本高光谱曲线对应的 光谱特征波段;
基于与各所述训练样本高光谱曲线对应的光谱特征波段以及与各所述训练 样本高光谱曲线对应的重金属元素浓度数据,利用CARS+PLS算法进行模型训练, 获得重金属元素浓度与分布的最优反演模型;获得重金属元素浓度:即重金属含 量与分布,也就是定性定量,还有空间分布,都含有什么重金属,含量有多少, 重金属在水体的分布情况。
基于所述重金属元素浓度与分布的最优反演模型对所述优化后的目标区域 高光谱遥感影像进行重金属元素浓度与分布的反演。
采用“星-空-地”遥感观测网络,构建无人机遥感平台,进行大面积水体的 快速同步监测,高效自动地对影像进行几何校正,结合GPU与CPU异构并行系统, 快速生成高光谱正射影像,基于已建立的重金属元素含量与光谱特征关系,研发 了一种星空地重金属污染变化立体监测方法,以及水体中重金属元素含量与地面 反射光谱特征参量的统计关系模型。
进一步,所述获取污染水体区域的原始高光谱遥感影像,具体包括:
利用卫星和无人机观测平台获取污染水体区域的原始高光谱遥感影像。
进一步,所述原始高光谱遥感影像包括:星载高光谱遥感影像和机载高光谱 遥感影像。
进一步,对所述原始高光谱遥感影像进行预处理,具体包括:
对星载高光谱遥感影像进行辐射定标、几何校正和大气校正处理;
对机载高光谱遥感影像进行几何校正、影像拼接、大气校正、均值平滑和噪 声去除处理。
进一步,获取污染水体区域的多个采样点的水体样本,对水体样本进行野外 化验处理和实验室实测化验处理,得到重金属元素的多个浓度数据。
进一步,对所述高光谱曲线预处理,具体包括:
对所述高光谱曲线进行数据转换、滤波去噪和水汽吸收波段剔除处理。
进一步,所述基于各所述训练样本高光谱曲线获取与各所述训练样本高光谱 曲线对应的光谱特征波段,具体包括:
对各所述训练样本高光谱曲线进行特征波段分析,获得与各所述训练样本高 光谱曲线对应的第一特征波段;基于各所述第一特征波段获取与各所述第一特征 波段对应的单波段反射率或波段反射率组合值,以获得所述与各训练样本高光谱 曲线对应的光谱特征波段。
进一步,所述模型训练,包括:
基于与各所述训练样本高光谱曲线对应的光谱特征波段以及与各所述训练 样本高光谱曲线对应的重金属元素浓度数据进行相关度计算,获得与各所述训练 样本高光谱曲线对应的光谱特征波段与重金属元素浓度数据的相关系数;基于与 各所述训练样本高光谱曲线对应的相关系数对各所述训练样本高光谱曲线进行 筛选,获得用于进行模型训练的目标高光谱曲线。
进一步,所述方法还包括:基于各多个验证样本高光谱曲线获取与各多个验 证样本高光谱曲线对应的光谱特征波段;基于与各多个验证样本高光谱曲线对应 的光谱特征波段以及所述重金属元素浓度反演模型计算获得与各多个验证样本 高光谱曲线对应的重金属元素浓度的反演值;基于与各所述多个验证样本高光谱 曲线对应重金属元素浓度以及与各多个验证样本高光谱曲线对应的重金属元素 浓度的反演值,对所述重金属元素浓度反演模型进行验证,以至少在验证其不符 合预定条件的情况下,修正所述重金属元素浓度反演模型。
实施例2:
光谱数据采集,如图2所示:
光谱数据采集所使用的仪器设备为ASDFieldSpec3野外便携式光谱仪及其 配套设备,FieldSpec3便携式地物波谱仪是美国ASD公司(Analytical Spectral Devices)的最新产品,适用于从遥感测量,农作物监测,森林研究到工业照明测 量,海洋学研究和矿物勘察的各方面应用。操作简单,软件包功能强劲,此仪器 可用做测量辐射度,CIE颜色,光谱反射率和光谱透过率。
(2)水体数据采集,如图3所示。
采集水体数据共布设采样点36个,并使用天宝手持式GPS记录每个采样点 的坐标,在每个采样点均使用哈希溶解氧仪记录每个采样点的溶解氧值,对每个 采样点以标准方法取水样,并进行水质参数化验。
水质化验结果如表1所示:
表1
实施例3:
无人机高光谱数据采集所使用设备为大疆M600PRo无人机及配套云台和Headwall Nano高光谱成像光谱仪,分别搭载高光谱传感器和用于获取目标水域 的高光谱影像数据。所获得的实验区域无人机高光谱影像结果如图4所示。
无人机高光谱数据预处理
无人机高光谱影像是由Nano微型机载高光谱成像仪获得。Nano-Hyperspec 的光谱范围为400-1000nm,光谱通道数270个,空间通道数为640,GPS/IMU模 块同时也在记录成像仪的姿态信息(包括Altitude,Longitude,latitude,Roll, Pitch,Yaw值),在Headwall提供的后处理软件中载入姿态信息后,用户可对 采集的条带进行几何校正。另外每台Nano-Hyperspec在出厂前都以用户选配的 镜头进行了辐射定标,在Headwall提供的后处理软件中可直接进行辐射校正, 将DN值数据转换为辐亮度数据。采用同轴反射式光谱成像技术,具有体积小, 光谱信息准确等优点。内置板载存储模块和GPS/IMU导航模块,搭载专用云台, 在4级风下仍然可以采集高质量的高光谱成像数据。Nano-Hyperspe高光谱成像系统的机载飞行平台为八旋翼无人机DJ M600 Pro。飞行高度设为400m,航向 重叠度80%,旁向重叠度60%。空间分辨率16cm,波长范围0.4~1um,光谱波段数 270个。
无人机高光谱数据处理主要包括:传感器辐射定标,场地辐射校正,影像去 噪,几何校正,水体提取。
(1)传感器辐射定标
传感器辐射定标流程图如图5所示,传感器的辐射定标将传感器的每个传感 器单元输出的信号转换成实际的辐射强度值。通常,实验室辐射校正使用积分球 来确定实验室环境中传感器的每个波段的校正系数。在正常情况下,高光谱传感 器的制造商将配置校正文档以在输出信号和辐射强度值之间提供模型和转换参 数。根据辐射校正文档,原始图像数据可以逐个像素地从数字数(DN)值转换为 辐射值。
(2)场地辐射校正
根据实际的飞行情况和大气的复杂程度,无人机高光谱的场地辐射校正分为 两种情况。
一是在辐射校正期间考虑大气效应,在获得包含辐射的图像之后,需要进一 步的大气校正程序以消除图像采集期间大气吸收和散射的影响,并获得地面的标 准参考物的光谱反射或光谱辐射。高光谱图像的常见大气校正模型是6S模型和 MODTRAN模型。通过给定的大气参数条件将原始图像的辐射率转换为反射率,并 结合辐射传递方程。这种情况适用于飞行时大气环境比较复杂并且无人机飞行高 度较高(千米级别)时的情况,这种情况下需要消除大气对辐射传输的影响。
二是在辐射校正没有考虑到大气的影响,该情形下也主要分为两种情况,一 是采用实验室定标的均质油布的光谱进行辐射校正,二是采用手持式地面光谱仪 测量地面上均质物体的光谱曲线进行辐射校正,多用水体,均质的道路,均质的 草地等地物等。
(a)在实验室定标的均质油布的光谱进行辐射校正时:
基于灰白色面板的辐射校正,基于实验室中测量的多个标准灰色面板反射率 值和无人机高光谱图像的辐射值构建基于经验的大气校正模型。在提取无人机高 光谱影像上定标毯相应位置的辐射值后,将定标毯标准辐射反射率值(R)与高光 谱遥感影像上的辐射亮度值(L)值进行线性回归即可得出每个波段定标系数。各 波段遥感反射率与辐射亮度值之间的关系为:
Ri=aiLi+bi 式1
ai、bi为各波段定标系数。
以所采用的3块实验室标定的定标毯,做ENVI的二次开发:
获取定标毯三组的平均辐射值:
Step1:打开所有波段文件,找寻含有定标毯(有一条为蓝色的正方形)的 航带图像。
Step2:使用ROI工具在定标毯3种反射率区域选3组ROI(以蓝色区域为 第一组依次选择),3个区域宽度相同,注意不要选到太边缘的区域,定标毯较 小时,选“点”类型的ROI即可。
Step3.选好ROI后输出为ROIs to n-D visualizer,选择所有ROI后输 出结果。
选择Mean All计算每组ROI的各波段平均DN值,得到三组ROI在各波段的 平均DN值曲线。
定标参数计算及进行辐射定标处理:
将上一步保存的DN.txt放入待辐射定标文件所在文件夹,打开IDL文件 ra_ca_AUTO.pro运行即可,首次运行需要点两次运行,第一次为加载IDL调用 ENVI处理环境。
Step1:选择需要处理的文件夹,每次处理将会把整个文件夹的目标影像 一起处理。
Step2:将会自动读取刚才选择文件夹下的DN.txt文件并写入data_DN矩 阵,如果命名为其他文件名需要修改。
;;读取DN值文件;
d_fn=’DN.txt’;
Step3:定标毯各区域对应的各波段辐射亮度输入值L已经内置进HR矩阵 ;;内置HR文件;
Step4:利用LinFit函数对data_DN和HR进行线性回归计算,得到定标 参数pm_data;
;;定标参数计算;
Step5:读取待辐射定标文件,将会自动读取选择文件夹下名字包含_rd_or 的hdr文件,如果待辐射定标文件命名为其他规则,修改_rd_or即可。
fns=file_search(’*_rd_or.{hdr,HDR}*’,count=fnums);
Step6:定标后文件设置,将会在待辐射定标文件名后加_fs,也可修改为 其他;
;保存定标后文件;
o_fn=ENVI_fns[ii]+’_fs’;
Step7:辐射定标计算,tem[i,j]和data[i,j]分别为k波段(i,j)处的DN 值和辐亮度值。
data[i,j]=tem[i,j]*gain+bias;;用定标系数将原始DN值转换为辐亮 度L;
if k mod 50 eq 1 then begin;
print,’Band’,k,’processed’;
endif;
(b)采用均质地物进行辐射定标:
在实际应用中,如果标准参考板无法满足实际需求时,均质柏油或者水体等 原位光谱测量将是一种比较好的解决方案。同样在地面上实测光谱时记录地物的 空间位置坐标,在遥感影像上标出该像素的辐射曲线,构建辐射曲线和实测光谱 曲线之间的关系。
通过测量地面22个采样点的地面光谱曲线,并记录GPS坐标信息,通过在 记录的GPS信息在影像上标注对应的像素,并将像素的辐射曲线提取出来,构建 辐射曲线和实测光谱曲线之间的线性关系,实现对原始影像的场地定标,如图7 所示。
(3)影像去噪:
高光谱影像中的噪声是一种常见的现象,尤其是条带噪声。条带噪声是影像 中具有一定周期性、方向性且呈条带状分布的一种特殊噪声,这种噪声是传感器 光、电器件在反复扫描地物的成像过程中,受扫描探测元响应差异、系统内定标 的一些轻微错误、仪器及元件老化和工作环境等多种因素的影响造成的。在UAV 高光谱影像中有时也会存在部分的条带噪声,本项目对获取影像中的部分存在严 重噪声的区域采用矩匹配的方式进行去噪。
矩匹配是目前比较常用的条带噪声去除算法,目前已成功应用于MODIS成像 光谱仪,海岸带卫星,环境一号卫星(HJ-1A)等多种遥感影像的质量改善中。 类似于直方图匹配方法,矩匹配方法假设每个探测元所探测的地物具有相同的均 衡式辐射分布,进而将每个探测元的均值方差调整至某一参考值,从而达到去条 带的目的。其主要计算公式为:
Y=g·X+b 式2
式2为调整探测单元的线性变换公式,式中X为原始影像的灰度值,Y为去 噪后影像的灰度值,g和b为该方程的增益和偏置系数,分别由公式3和公式4 计算。其中,σr和μr为参考探测单元列数据的标准方差和均值;σj和μj为原始 影像中列数据的标准方差和均值。
匹配算法可批量处理整景影像,主要针对影像中大面积存在的纵向条带噪声 与死像元缺失现象。
(4)几何校正
无人机高光谱传感器为Headwall Nano,为线性推扫成像传感器。在无人机 飞行的过程中很容易抖动,推扫出的影像会发生严重的变形。因此,高精度几何 校正是为了接下来应用的重要前提。无人机集差分GPS技术和IMU(Inertial Measurement Unit,惯性测量单元)技术于一体的POS跟传感器集成在一起,可 以提供传感器的位置和姿态参数,直接、快速地进行影像的地理定位,将影像纠 正到正确的地理位置。
几何校正的关键是要得到每一行对应的外方位元素,由于推扫式相机是逐行 采集数据的,而每一行的数据采集时对应的位置又不相同,因此需要POS给每一 行影像数据提供相应的方位;另外POS和相机系统不是统一的坐标系,还需要经 过坐标系转化。基于POS数据的几何校正步骤为:首先要将pOS数据和高光谱影 像获取的时间标准统一并对应;然后通过坐标系转化建立影像像元与地面坐标的 对应关系;最后对校正像元重采样,重建校正后影像。
(a)POS数据与影像数据时间匹配
POS的采样频率与成像光谱仪数据的采样频率不一致,可见一近红外波段 图像的采样频率可根据曝光时间确定,一般为每秒10~30条扫描行,而POS每秒 可以采集200次。因此,必须先确定POS与成像光谱仪的时间对应关系,对POS 数据进行时间维上的重采样。
(b)影像像元与地面对应实际坐标的转化:
影像像元与地面实际坐标转化需要已知像元所在扫描行的外方位元素,外方 位元素的获取需要借助POS数据经过一系列转化得到。
影像像元与地面实际坐标转化需要已知像元所在扫描行的外方位元素,外方 位元素的获取需要借助POS数据经过一系列转化得到。
机载推扫式成像光谱数据外方位元素的解算涉及到惯性导航系统和摄影测 量系统两个领域。惯性导航系统中常用的坐标系有地心坐标系(E),(导航坐标系 (g)和IMU坐标系(b)。POS输出的导航解属于惯性导航领域,它包括IMU坐标系 (b)在WGS-84直角坐标系中的坐标(XIMU,YIMU,ZIMU)以及其在导航坐标系(g) 中的侧滚(Roll)、俯仰(Pitch)和偏航角(Heading)。摄影测量系统中常用的坐标 系有地面摄影测量坐标系(m)、传感器坐标系(c)和像空间坐标系(i)。外方位元 素属于摄影测量领域,它包括曝光瞬间传感器投影中心在地面摄影测量坐标系(m) 中的位置(Xs,Ys,Zs)以及像空间坐标系}z}到地面摄影测量坐标系(m)的旋转角 (ω,φ,k)。扫描行外方位元素与现有的POS导航解的坐标转换如下:
Step1:角元素的确定。根据前述外方位元素的定义,像空间坐标系(i)可以 看成是地面摄影测量坐标系(m)依次经过绕Y,X,Z轴旋转角度(ω,φ,k)得到, 这一过程可以分多步坐标系统变换完成。地面摄影测量坐标系(m)到像空间坐标 系(i)的旋转矩阵可表示为:
确定,即可由上式解出外方位角元素。
式中,地面摄影测量坐标系(m)变换到地心坐标系(E)(WGS-84);地心坐标系(WGS-84)变换到导航坐标系(g);:导航坐标系(g)变换到IMU坐标系(b);:IMU坐 标系(b)变换到传感器坐标系(c);:传感器坐标系(c}变换到像空间坐标系(i)。
Step2:线元素的确定。镜头透视中心在地面摄影测量坐标系中的坐标可通 过下式得到:
其中(x1,y1,z1)为传感器透视中心在IMU坐标系中的偏心矢量;(X0,Y0,Z0) 为地面摄影测量坐标系原点(L0,B0})对应的地心直角坐标。
得到扫描行的外方位元素后,就可以利用下式进行校正像元的列号计算,(x, y)是像平面坐标。
校正像元的灰度值是从原始影校正像元的灰度值是从原始影像上像元灰度 值通过一定方法获取的,采用双线性内插法。几何校正图像对比如图8所示。
(5)水陆分界
水陆分界是水体遥感的特殊操作,用于提取水体研究区域。采用NDWI阈值 法进行水体提取,该指标基于绿波段与近红外波段,可表示为:
式8中,Green和NIR分别代表绿波段和近红外波段反射率。
在理想情况下,NDWI为正值时表示地面有水、雨雪覆盖;NDWI等于0时表 示地面覆盖为岩石或裸土等;NDWI为负值时表示有植被覆盖。但实际情况下由 于受到水体表面植被等多种影响,区分水体与其他地物的阈值往往不为零。以往 研究发现,水体阈值随影像的变化而变化,因而需要根据具体的研究区域对每个 时期的影像分别确定合适的阈值。
基于不同地物之间灰度值的差异,根据NDWI直方图人机交互的分析方式确 定阈值。首先基于直方图中水体与非水体的波谷位置中的点确定水体提取的最初 阈值。在此基础上,通过不断调整阈值的大小直到提取出的水体与湖岸及原始影 像上的水体分布达到最佳匹配。最终确定最优的阈值,根据水体和陆地光谱计算 得到水体掩膜图像。本项目中设置的阈值为0.60,当NDWI大于0.60为认为该 像素是水体,水体提取结果如下图9所示。
实施例4:
重金属中以As反演模型及结果为例:
通过公式:
Cov(X,Y);X,YcovarianceD(X),D(Y):the variances of X and Y
如图10和11所示,计算出反射率与As浓度之间的相关性,以及反射率一 阶微分与As浓度之间的相关性。
由相关性曲线可知,通过随着波长的增加,反射率与As浓度相关系数从负 相关逐渐变为正相关,最大相关系数(-0.409)的波长为714nm。而反射率一阶 微分与As浓度相关系数总体上波动较大。
单波段反演模型
如表2所示,选取715nm波长为特征波段,应用单波段建立一元一次回归方 程,经验证集预测结果评价,其R2为0.167,建立模型和验证样本评价结果如 图12和13所示:
表2
表3.验证样本实测值、预测值、绝对误差、相对误差;
表3
CARS+PLS
通过竞争性自适应重加权算法(CARS)和偏最小二乘法(PLS)模型,将此 种算法应用到As浓度的反演上,如表4所示,选取708nm,710nm,713nm,715nm, 和717nm五个特征波段,这些波段与As浓度相关系数分别为0.378,-0.393, -0.399,-0.409和-0.405,验证集R2为0.237,建立模型和验证样本评价结果如 图14和15所示:
表4
表5.验证样本实测值、预测值、绝对误差、相对误差;
表5
最终As(砷)浓度反演结果如图16所示。
实施例5:
基于“星-空-地”遥感观测网络,获取星载、无人机载高光谱影像,以及野 外采样点实测光谱曲线与实验室水样实测光谱曲线。
星载高光谱遥感影像预处理包括辐射定标、几何校正、大气校正;
无人机载高光谱遥感影像预处理包括几何校正、影像拼接、大气校正、均值 平滑、噪声去除;
野外实测光谱和实验室实测光谱进行数据转换、滤波去噪、水汽吸收波段剔 除。
基于获取的预处理后的观测数据,综合利用高光谱影像与光谱曲线的信息, 结合机器学习方法对高光谱影像及预处理光谱曲线降维处理,特征波段选择包括 相关系数法、间隔及间隔组合最小二乘波段选择、遗传算法、蚁群算法及人工判 别相结合的方法。
对于智能算法选取的特征波段,考虑带水质参数光谱曲线受多种因素的影 响,智能算法自动选取的特征波段在一定程度上存在会有错选和漏选的情况。因 此,项目对智能算法自动提取的敏感波段进行人工判别,人工判别将基于各水质 参数的生化性质和光谱曲线形态等先验信息对智能算法选取的敏感波段进行添 加和删除等操作,实现特征波段集的更新。结合地面实测水质参数,构建“星- 空-地高光谱遥感水质参数协同反演方法”,对典型实验区内的水体水质参数进 行监测。
上述实施例中,图中所涉及的英文:Wavelength\Radiance\First orderdifferential\Laboratory results\Predictive results,翻译为波长\辐射\ 一阶微分\实验室结果\预测结果;
Sample Num:Laboratory results(mg/m3);Predictive results (mg/m3);Absolute error(mg/m3);Relative error;Sample Num;Laboratory results(mg/m3);Predictive results(mg/m3);
Absolute error(mg/m3);Relative error。翻译为样品数量;实验室 结果(mg/m3);预测结果(mg/m3);绝对误差(mg/m3);相对误差;样品数 量;实验室结果(mg/m3);预测结果(mg/m3);绝对误差误差(mg/m3); 相对误差。
上面对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方 式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的 前提下做出各种变化。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发 明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (9)
1.星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,所述方法包括:
获取污染水体区域的原始高光谱遥感影像;
对所述原始高光谱遥感影像进行预处理,得到优化后的目标区域高光谱遥感影像;
获取污染水体区域的多个采样点的水体样本,对水体样本化验处理,得到重金属元素的多个浓度数据;
基于所述优化后的目标区域高光谱遥感影像获取与各所述采样点对应的高光谱曲线;
对所述高光谱曲线预处理,得到优化后的高光谱曲线;
所述优化后的高光谱曲线包括:多个训练样本高光谱曲线和多个验证样本高光谱曲线;
基于各所述训练样本高光谱曲线获取与各所述训练样本高光谱曲线对应的光谱特征波段;
基于与各所述训练样本高光谱曲线对应的光谱特征波段以及与各所述训练样本高光谱曲线对应的重金属元素浓度数据,利用CARs+PLs算法进行模型训练,获得重金属元素浓度与分布的最优反演模型;
基于所述重金属元素浓度与分布的最优反演模型对所述优化后的目标区域高光谱遥感影像进行重金属元素浓度与分布的反演。
2.根据权利求1所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,所述获取污染水体区域的原始高光谱遥感影像,具体包括:
利用卫星和无人机观测平台获取污染水体区域的原始高光谱遥感影像。
3.根据权利要求2所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,所述原始高光谱遥感影像包括:星载高光谱遥感影像和机载高光谱遥感影像。
4.根据权利要求3所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,对所述原始高光谱遥感影像进行预处理,具体包括:
对星载高光谱遥感影像进行辐射定标、几何校正和大气校正处理;
对机载高光谱遥感影像进行几何校正、影像拼接、大气校正、均值平滑和噪声去除处理。
5.根据权利要求1所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,获取污染水体区域的多个采样点的水体样本,对水体样本进行野外化验处理和实验室实测化验处理,得到重金属元素的多个浓度数据。
6.根据权利要求1所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,对所述高光谱曲线预处理,具体包括:
对所述高光谱曲线进行数据转换、滤波去噪和水汽吸收波段剔除处理。
7.根据权利要求1所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,所述基于各所述训练样本高光谱曲线获取与各所述训练样本高光谱曲线对应的光谱特征波段,具体包括:
对各所述训练样本高光谱曲线进行特征波段分析,获得与各所述训练样本高光谱曲线对应的第一特征波段;基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值,以获得所述与各训练样本高光谱曲线对应的光谱特征波段。
8.根据权利要求1所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,所述模型训练,包括:
基于与各所述训练样本高光谱曲线对应的光谱特征波段以及与各所述训练样本高光谱曲线对应的重金属元素浓度数据进行相关度计算,获得与各所述训练样本高光谱曲线对应的光谱特征波段与重金属元素浓度数据的相关系数;基于与各所述训练样本高光谱曲线对应的相关系数对各所述训练样本高光谱曲线进行筛选,获得用于进行模型训练的目标高光谱曲线。
9.根据权利要求1所述的星-空-地高光谱遥感水体重金属污染立体监测方法,其特征在于,所述方法还包括:基于各多个验证样本高光谱曲线获取与各多个验证样本高光谱曲线对应的光谱特征波段;基于与各多个验证样本高光谱曲线对应的光谱特征波段以及所述重金属元素浓度反演模型计算获得与各多个验证样本高光谱曲线对应的重金属元素浓度的反演值;基于与各所述多个验证样本高光谱曲线对应重金属元素浓度以及与各多个验证样本高光谱曲线对应的重金属元素浓度的反演值,对所述重金属元素浓度反演模型进行验证,以至少在验证其不符合预定条件的情况下,修正所述重金属元素浓度反演模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210030056.6A CN114384031A (zh) | 2022-01-12 | 2022-01-12 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210030056.6A CN114384031A (zh) | 2022-01-12 | 2022-01-12 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114384031A true CN114384031A (zh) | 2022-04-22 |
Family
ID=81202639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210030056.6A Pending CN114384031A (zh) | 2022-01-12 | 2022-01-12 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384031A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641412A (zh) * | 2022-05-13 | 2023-01-24 | 泰瑞数创科技(北京)股份有限公司 | 基于高光谱数据的三维语义地图的生成方法 |
CN115656057A (zh) * | 2022-12-05 | 2023-01-31 | 中国水利水电科学研究院 | 基于多源数据融合的水华精准协同监测方法 |
CN116704064A (zh) * | 2023-06-08 | 2023-09-05 | 深圳市中科云驰环境科技有限公司 | 基于高光谱的污水成像方法、系统、电子设备及存储介质 |
CN116908115A (zh) * | 2023-09-12 | 2023-10-20 | 航天宏图信息技术股份有限公司 | 高光谱水质反演方法、装置、电子设备和存储介质 |
CN117194902A (zh) * | 2023-11-08 | 2023-12-08 | 昆山尚瑞智能科技有限公司 | 一种光谱测量过程中噪声数据滤除方法 |
CN117434034A (zh) * | 2023-10-24 | 2024-01-23 | 上海普适导航科技股份有限公司 | 一种基于光谱库的水质多源遥感数据快速反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN113884465A (zh) * | 2021-09-28 | 2022-01-04 | 武汉轻工大学 | 一种树脂结合近红外光谱检测小龙虾中铅、镉浓度的预测模型及其建立方法和应用 |
-
2022
- 2022-01-12 CN CN202210030056.6A patent/CN114384031A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN113884465A (zh) * | 2021-09-28 | 2022-01-04 | 武汉轻工大学 | 一种树脂结合近红外光谱检测小龙虾中铅、镉浓度的预测模型及其建立方法和应用 |
Non-Patent Citations (2)
Title |
---|
张立福等: "高光谱遥感信息处理", 30 June 2021, 湖北科学技术出版社, pages: 67 - 72 * |
钱佳: "特征优选下KPLS模型反演耕地土壤重金属含量", 中国优秀硕士学位论文全文数据库 (基础科学辑) 工程科技Ⅰ辑, pages 9 - 20 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641412A (zh) * | 2022-05-13 | 2023-01-24 | 泰瑞数创科技(北京)股份有限公司 | 基于高光谱数据的三维语义地图的生成方法 |
CN115641412B (zh) * | 2022-05-13 | 2023-08-04 | 泰瑞数创科技(北京)股份有限公司 | 基于高光谱数据的三维语义地图的生成方法 |
CN115656057A (zh) * | 2022-12-05 | 2023-01-31 | 中国水利水电科学研究院 | 基于多源数据融合的水华精准协同监测方法 |
CN116704064A (zh) * | 2023-06-08 | 2023-09-05 | 深圳市中科云驰环境科技有限公司 | 基于高光谱的污水成像方法、系统、电子设备及存储介质 |
CN116704064B (zh) * | 2023-06-08 | 2024-02-23 | 深圳市中科云驰环境科技有限公司 | 基于高光谱的污水成像方法、系统、电子设备及存储介质 |
CN116908115A (zh) * | 2023-09-12 | 2023-10-20 | 航天宏图信息技术股份有限公司 | 高光谱水质反演方法、装置、电子设备和存储介质 |
CN116908115B (zh) * | 2023-09-12 | 2023-12-15 | 航天宏图信息技术股份有限公司 | 高光谱水质反演方法、装置、电子设备和存储介质 |
CN117434034A (zh) * | 2023-10-24 | 2024-01-23 | 上海普适导航科技股份有限公司 | 一种基于光谱库的水质多源遥感数据快速反演方法 |
CN117194902A (zh) * | 2023-11-08 | 2023-12-08 | 昆山尚瑞智能科技有限公司 | 一种光谱测量过程中噪声数据滤除方法 |
CN117194902B (zh) * | 2023-11-08 | 2024-02-06 | 昆山尚瑞智能科技有限公司 | 一种光谱测量过程中噪声数据滤除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114384031A (zh) | 星-空-地高光谱遥感水体重金属污染立体监测方法 | |
Houborg et al. | A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
Muller-Wilm et al. | Sentinel-2 level 2A prototype processor: Architecture, algorithms and first results | |
Dadon et al. | Use of derivative calculations and minimum noise fraction transform for detecting and correcting the spectral curvature effect (smile) in Hyperion images | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
Gao et al. | A review of atmospheric correction techniques for hyperspectral remote sensing of land surfaces and ocean color | |
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 | |
US20230186503A1 (en) | Method for troubleshooting hidden dangers of trees near power transmission lines by combining icesat-2 with jl-1 images | |
Duan et al. | Land surface reflectance retrieval from hyperspectral data collected by an unmanned aerial vehicle over the Baotou test site | |
Bue et al. | Real-time atmospheric correction of AVIRIS-NG imagery | |
Manakos et al. | Comparison between atmospheric correction modules on the basis of worldview-2 imagery and in situ spectroradiometric measurements | |
Kaufmann et al. | Environmental mapping and analysis program (EnMAP)-Recent advances and status | |
Gomez et al. | Using Vis-NIR hyperspectral data to map topsoil properties over bare soils in the Cap Bon region, Tunisia | |
JPH1183478A (ja) | 地球情報供給システム | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Bajwa et al. | Soil fertility characterization in agricultural fields using hyperspectral remote sensing | |
Tan et al. | Complete and accurate data correction for seamless mosaicking of airborne hyperspectral images: A case study at a mining site in Inner Mongolia, China | |
CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
Naethe et al. | Calibration and validation from ground to airborne and satellite level: joint application of time-synchronous field spectroscopy, drone, aircraft and Sentinel-2 imaging | |
Markelin | Radiometric calibration, validation and correction of multispectral photogrammetric imagery | |
CN114199800A (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN114863294A (zh) | 一种适用于微咸水湖泊的水质参数监测方法和装置 |
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 |