高光谱遥感技术

遥感技术与系统概论结课作业高光谱遥感技术及发展高光谱遥感技术及发展摘要：经过几十年的发展，无论在遥感平台、遥感传感器、还是遥感信息处理、遥感应用等方面，都获得了飞速的发展，目前遥感正进入一个以高光谱遥感技术、微波遥感技术为主的时代。

本文系统地阐述了高光谱遥感技术在分析技术及应用方面的发展概况，并简要介绍了高光谱遥感技术主要航空/卫星数据的参数及特点。

关键词：高光谱，遥感，现状，进展，应用一、高光谱遥感的概念及特点遥感是20 世纪60 年代发展起来的对地观测综合性技术，是指应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。

所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。

高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。

它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。

同其它传统遥感相比，高光谱遥感具有以下特点：⑴波段多。

成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。

⑵光谱分辨率高。

成像谱仪采样的间隔小，一般为10nm 左右。

精细的光谱分辨率反映了地物光谱的细微特征。

⑶数据量大。

随着波段数的增加，数据量呈指数增加[2]。

⑷信息冗余增加。

由于相邻波段的相关性高，信息冗余度增加。

⑸可提供空间域信息和光谱域信息，即“图谱合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。

近二十年来，高光谱遥感技术迅速发展，它集探测器技术、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，已成为当前遥感领域的前沿技术。

二、发展过程自80 年代以来，美国已经研制了三代高光谱成像光谱仪。

1983 年，第一幅由航空成像光谱仪（AIS-1）获取的高光谱分辨率图像的正式出现标志着第一代高光谱分辨率传感器面世。

高光谱遥感资料处理方法与数据融合高光谱遥感技术是一种获取地球表面物质光谱信息的重要手段，其应用广泛，如农业、环境监测、地质勘探等领域。

然而，高光谱数据量大、维度高、处理复杂，因此需要有效的处理方法与数据融合技术来提取有价值的信息。

高光谱遥感资料处理方法主要包括预处理、特征提取、分类与解译等几个步骤。

首先，预处理是为了去除噪声、校正辐射、减少大气效应等，以确保数据的准确性。

在预处理过程中，常用的方法有大气校正、波段选择、空间和时间滤波等。

特征提取是高光谱资料处理的核心环节，目的是从大量的光谱数据中提取出目标物体的特征，以便进行分类与解译。

常用的特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）、小波变换等。

PCA通过线性组合将高维的原始光谱数据转换为低维的主成分变量，以达到减少数据维度、保留重要信息的目的。

LDA是一种监督方法，它可以通过最大化类别内的散度和最小化类别间的散度来提取判别信息。

小波变换则可以将光谱信号分解为不同尺度的频域成分，从而更好地表达光谱特征。

分类与解译是高光谱遥感图像处理中的重要环节，它可以通过将像素分为不同的类别或解释对象，以获得对地物的识别与定量分析。

在分类过程中，常用的方法有最大似然法、支持向量机、人工神经网络等。

最大似然法基于统计模型，通过计算概率分布最大的类别来进行分类。

支持向量机是一种基于统计学习的分类方法，它通过寻找一个最优的超平面将数据集分割为不同的类别。

人工神经网络则模拟人脑神经元的运作规律，通过多层神经元的连接来进行模式识别和分类。

除了高光谱遥感资料的处理方法，数据融合也是高光谱遥感技术中的关键环节之一。

数据融合是将来自不同传感器的遥感数据进行整合，以获得更全面、准确的信息。

常用的数据融合方法有基于物理模型的融合和基于统计方法的融合。

基于物理模型的融合是通过数学模型和物理原理将不同传感器的观测分量融合，以得到具有更高空间分辨率和光谱分辨率的数据。

高光谱遥感技术应用的原理1. 引言高光谱遥感技术是一种基于光谱信息的遥感技术，通过对地面物体反射、辐射或辐射传输特性进行监测和分析，实现对地表目标的信息获取。

该技术具有高光谱分辨率、高光谱信噪比以及高光谱空间分辨率等特点，因此在农业、环境监测、地质勘探等领域得到了广泛的应用。

2. 高光谱遥感技术的原理高光谱遥感技术利用地物在不同波段上的反射光谱特征来获取地面目标的相关信息。

其原理包括光谱分辨和光谱解译两个过程。

2.1 光谱分辨光谱分辨是高光谱遥感技术的核心环节之一，包括数据采集、数据处理和数据解译三个步骤。

2.1.1 数据采集高光谱遥感技术通过传感器记录地表目标的反射光谱，传感器可以是飞机、卫星或无人机等设备。

传感器在不同波段上接收地物的辐射能量，并将其数字化储存。

2.1.2 数据处理数据处理是光谱分辨过程的关键步骤，包括辐射定标、大气校正和几何校正等。

辐射定标是将数字化的辐射能量转换为辐射亮度，大气校正则是消除大气等因素对辐射亮度的影响，几何校正用于纠正传感器位置和姿态带来的影响。

2.1.3 数据解译数据解译是对高光谱影像图进行光谱特征提取、光谱分类和目标识别等过程。

光谱特征提取是将影像中的光谱信息与地物特征进行关联，光谱分类是将不同地物的光谱特征划分为不同的类别，目标识别则是根据光谱特征进行地物的识别和定位。

2.2 光谱解译光谱解译是根据光谱信息对地物进行分类和识别的过程。

该过程包括光谱库的建立、光谱曲线的拟合和光谱特征的提取等步骤。

2.2.1 光谱库的建立光谱库是包含不同地物光谱特征的数据库，通过采集不同地物的光谱信息，构建光谱库，为后续的光谱解译提供参考。

2.2.2 光谱曲线的拟合光谱曲线的拟合是将采集到的光谱数据与光谱库中的光谱特征进行比对和匹配，找出与之最相似的地物光谱曲线。

2.2.3 光谱特征的提取光谱特征的提取是对光谱曲线中的特征进行统计和分析，如光谱平均值、光谱峰值和光谱波宽等，从而得出地物的光谱特征。

高光谱遥感影像数据处理与分析技术研究遥感技术是指利用航空、航天等手段对地球表面进行观测和记录，以获取地表信息的一种手段。

其中，高光谱遥感影像数据处理与分析技术是遥感技术中的一个重要分支。

高光谱遥感影像数据具有丰富的光谱信息，能够提供更多细节和特征，因此在农业、地质、环境等领域有着广泛的应用。

本文将从数据处理和数据分析两个方面对高光谱遥感影像数据进行研究，探讨其应用前景和方法。

一、高光谱遥感影像数据处理技术1. 数据获取和预处理高光谱遥感影像数据的获取主要通过卫星、飞机等平台进行，包括可见光和红外光谱。

首先，需要对获取的原始数据进行预处理，如图像去噪、辐射校正、几何校正等。

这些步骤能够提高数据质量，为后续分析提供可靠的基础。

2. 光谱信息提取和分析高光谱遥感影像数据的独特之处在于其具有连续的光谱信息。

在光谱信息的提取和分析过程中，可以采用一些常用的算法和方法。

例如，主成分分析(PCA)能够提取影像中的主要特征，并减少数据维度，帮助人们理解数据的空间分布；线性混合模型(LMM)可用于定量分析影像中的不同物质的含量。

此外，还可以结合光谱库和分类器进行分析，以提高分类和识别的准确性。

3. 特征提取和目标检测高光谱遥感影像数据中的每个像元都包含大量的光谱信息，因此可用于进行特征提取和目标检测。

人们可以基于已知目标的光谱特征，利用聚类、分类、分割等方法，对影像中的目标进行准确识别和提取。

这些特征可以用于农作物生长监测、病害检测、水质评估等领域。

二、高光谱遥感影像数据分析技术1. 植被指数分析植被指数可以通过高光谱遥感影像数据的光谱信息计算得出，例如归一化植被指数(NVI)、修正的归一化植被指数(MNVI)等。

植被指数可以用来评估植被的生长状况、叶绿素含量、土壤水分等因素。

通过对高光谱遥感影像数据进行植被指数分析，可以提供农作物的生产效率评估、植被变化监测等重要信息。

2. 土地覆盖分类高光谱遥感影像数据能够提供更多的光谱细节，因此在土地覆盖分类中有着广泛的应用。