高光谱遥感实验

作物长势高光谱
作物长势高光谱遥感是一种利用高光谱遥感技术来监测作物生长状况的方法。

高光谱遥感技术可以通过获取农田地表的多个波段反射光谱信息来分析农作物的生长状态和长势，同时还可以获取植被的生理和生态参数，进而分析农作物的生长状况、营养状况和病虫害情况。

相比传统的遥感方法，高光谱遥感技术具有更高的精度和灵活性，可以更准确地监测作物的生长状况和变化趋势。

通过对高光谱数据的分析和处理，可以提取出与作物生长相关的特征信息，如叶面积指数、生物量、叶绿素含量等，从而实现对作物长势的精准评估。

在作物长势高光谱遥感中，常用的方法包括高光谱图像采集、数据处理和分析、模型建立等。

其中，高光谱图像采集可以通过飞机、卫星等遥感平台来完成，可以获取大范围的农田高光谱数据。

数据处理和分析则是通过对高光谱数据的预处理、特征提取和分类识别等步骤，提取出与作物长势相关的特征信息。

模型建立则是利用提取的特征信息建立预测模型，实现对作物长势的精准预测。

在实际应用中，作物长势高光谱遥感技术可以为农业生产提供重要的决策支持，如制定合理的施肥方案、控制病虫害等。

同时，还可以为科研人员提供更加精准的实验数据和分析结果，有助于推动农业科技的进步和发展。

常用传感器实训报告高光谱遥感一、实训目的：1、高光谱遥感技术的最初应用就是在地质上，蚀变带是找矿的重要依据，同时，蚀变带在2.2微米处具有光谱吸收特征，其吸收光谱的半带宽在10纳米到50纳米之间。

因此，具有10纳米光谱分辨率的成像光谱仪就有能力直接通过遥感发现蚀变带，以确定找矿的靶区。

同时，通过对植被光谱特征的分析也是找矿的依据，由于矿物中金属离子对植被的侵蚀，会引起植被的病变，使得植被近红外高反射峰就会向短波方向移动5--20纳米，称为“红边蓝移”现象。

高光谱遥感就有能力发现这种现象。

2、人类“鸟瞰”地球的梦想催生了遥感这门科学的兴起，高光谱遥感是遥感科学最前沿的领域。

新中国建立后特别是最近的20多年，中国的高光谱遥感科技研究取得了长足的发展，在某些方面的应用技术实现了出口。

但是，由于缺乏持续性的支持，我们在仪器研制方面还处于落后局面。

人类鸟瞰地球的梦想遥感通俗讲就是遥远的感知，是通过电磁波和记录的相互作用，以波谷和空间两维成像的方式来勘测记录的技术。

3、高光谱(hyper spectral)遥感是上世纪末地球观测系统中最重要的技术突破之一，它克服了传统单波段、多光谱遥感在波段数、波段范围、精细信息表达等方面的局限性，以较窄的波段区间、较多的波段数量提供遥感信息，能够从光谱空间中对地物予以细分和鉴别，在资源、环境、城市、生态等领域得到了广泛应用。

本文介绍了高光谱遥感技术的原理，列举了高光谱技术的运用，以及叙述了其前景与展望。

因此学好高光谱遥感对我们了解遥感这门学科有很好的促进作用。

二、实训内容：1、高光谱遥感的发展：、1957年10月，前苏联发射了第一颗人造地球卫星，拉开了人类进入航天遥感的序幕，他们把相机放在卫星上，围着地球转，对地面进行拍摄。

1972年，美国发射了陆地卫星，这是航天遥感的标志性事件。

二十世纪八十年代遥感领域最重要的发展之一就是高光谱遥感的兴起。

从二十世纪九十年代开始，高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段[1]。

高光谱遥感图像分类准确度分析与评估算法改进摘要：随着遥感技术的发展和高光谱遥感图像数据的广泛应用，图像分类准确度成为评估遥感图像处理算法优劣的重要指标之一。

本文通过分析目前常用的高光谱遥感图像分类算法，发现存在一些问题，例如对于光谱特征提取不准确、样本分布不均衡、特征选择不合理等。

因此，本文提出了几种改进的算法，包括基于深度学习的特征提取和分类、模型融合方法等，以提高高光谱遥感图像分类的准确度。

1. 引言高光谱遥感图像是利用能够接收地物反射或辐射的多个波段信息进行图像获取和解译的一种遥感数据。

由于其具有更多的波段信息和更高的光谱分辨率，高光谱图像能够提供更多的地物属性信息，因此在农业、环境监测、城市规划等领域具有广泛的应用前景。

而高光谱遥感图像的分类准确度，则直接关系到地物分类的精度和应用效果。

2. 目前高光谱遥感图像分类算法存在的问题2.1 光谱特征提取不准确对高光谱遥感图像进行分类，首先需要提取有意义的光谱特征。

目前常用的方法有基于PCA（主成份分析）、SAM（光谱角度匹配）等。

然而，这些方法在提取光谱特征时，容易由于数据噪声、信噪比低等原因导致提取结果不准确，从而影响图像分类的准确度。

2.2 样本分布不均衡高光谱遥感图像分类中，不同类别的样本数量通常是不均衡的。

样本分布不均衡会导致训练的模型对多数类别的分类准确度较高，而对少数类别的分类准确度较低。

这样会影响整体分类的准确度。

2.3 特征选择不合理在高光谱图像分类中，特征选择对分类的准确度起着重要的作用。

目前常用的特征选择方法有相关系数法、信息增益法等。

然而，这些方法在选择特征时，往往无法准确地评估特征与类别之间的关联程度，导致选取的特征不一定是最具代表性和区分性的。

3. 高光谱遥感图像分类准确度分析与评估算法改进3.1 基于深度学习的特征提取和分类深度学习在计算机视觉领域取得了巨大成功，对于高光谱遥感图像分类也有着广泛的应用。

通过使用已经在自然图像领域得到验证的深度神经网络，可以实现对高光谱图像的特征提取和分类。

实验一高光谱数据分析一、实验目的理解波谱库的概念，掌握波谱库操作、浏览和提取影像反射率，学会从感兴趣区中提取波谱信息，并进行彩色合成。

实验过程：打开cup95_at.int，在可用波段列表对话框中，选择Band 193（2.2008um）点击Gray Scale 单选按钮，然后点击Load Band。

将灰度影像加载到显示窗口中。

从主影像窗口菜单中选择Tools →Profiles →Z Profile (Spectrum)，提取表观反射率波谱曲线浏览影像波谱并同波谱库进行比较在主影像窗口中，使用鼠标左键点击并拖动缩放指示矩形框或者直接点击鼠标左键，将缩放指示矩形框移动到以所选像素点为中心的区域中，右图曲线发生变化。

打开ENVI给定的波谱库，本次实验使用JPL和USGS波谱库，步骤如下：从ENVI 主菜单中选择Spectral →Spectral Libraries →Spectral Library Viewer。

在Spectral Library Input File 对话框中，点击Open File 按钮，从spec_lib/jpl_lib 子目录中，选择jpl1.sli 波谱库文件，点击OK。

选择Select Input File 区域中的jpl1.sli，点击OK。

在Spectral Library Viewer 对话框中，选择Options →Edit (x, y) Scale Factors，并在Y Data Multiplier 文本框中，输入值1.000，以匹配影像表观反射率范围（1-1000），点击OK。

在Spectral Library Viewer 对话框中，选择下列波谱名称，绘制它们的波谱曲线：ALUNITE SO-4ABUDDINGTONITE FELDS TS-11ACALCITE C-3DKAOLINITE WELL ORDERED PS-1A得到如下的波谱图像：波谱库的波谱曲线从绘制（plot）窗口菜单中，选择Edit →Plot Parameters，自定义波谱曲线的绘制图。

高光谱遥感图像预处理实验指导书指导教师：赵泉华一、实习目的通过高光谱遥感图像预处理的学习，使学生在课堂教学及实验课教学的基础上进一步将理论与实践相结合，消化和理解课堂所学理论知识，达到初步掌握利用ENVI等软件预处理高光谱遥感图像，并熟悉高光谱遥感图像预处理流程与方法的目的。

二、实习方式学生自学指导书为主，指导教师讲授为辅；利用计算机，结合相应遥感图像及ENVI软件的具体操作进行。

三、练习数据机载高光谱AVIRIS数据。

四、实习内容与要求掌握高光谱遥感图像预处理的理论与方法，利用ENVI中FLAASH大气校正工具和快速大气校正工具对高光谱数据进行大气校正及快速大气校正。

实验一、高光谱FLAASH数据大气校正实验目的：通过实验操作，掌握高光谱遥感图像FLAASH数据的大气校正的基本方法和步骤，深刻理解遥感图像大气校正的意义。

实验内容：ENVI软件中高光谱图像预处理模块下的图像大气校正。

高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气校正。

辐射校正一般由数据提供商完成。

太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。

如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。

操作步骤：1.打开文件File→Open→CupriteAVIRISSubset.dat→打开。

2. FLAASH Atmospheric Correction Module Input Parameters设置在Toolbox 中打开FLAASH 工具Radiometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction→双击启动→进入FLAASH Atmospheric Correction Module Input Parameters 面板。

九、高光谱图像处理高光谱分辨率遥感（Hyperspectral Remote Sensing），简称高光谱遥感，是在电磁波的紫外、可见光、近红外和中红外波段范围内，获取许多非常窄且光谱连续的影像数据的技术。

常规遥感的波段宽度一般大于50nm，并且波段在电磁波谱上不连续，所有波段加起来并不能覆盖可见光到热红外的整个波普范围，而光谱遥感成像光谱仪可以提供数十个甚至数百个很窄的波段（波段宽度一般小于10nm）来接受信息，且能够产生一条连续完整的光谱曲线（V ane and Goetz,1933），光谱覆盖从可见光到红外光的全部电磁波范围，因此其信息量是无法探测的，而高光谱传感器极窄的波段宽度，足够识别这些地物特征。

高光谱遥感凭借着其明显的技术优势，在各领域展现出广阔的应用前景。

目前已广泛应用于地质矿产调查、植被研究、环境监测、土壤调查、农作物估产、大气科学等领域中。

高光谱图像具有以下特点：（1）波段多，光谱分辨率高，光谱间相关性强。

（2）空间分辨率高。

高的光谱分辨率和空间分辨率是遥感技术发展的两个方向，这两个方向有趋于统一的趋势。

（3）由于波段多，狭窄且连续，使得高光谱数据量巨大、数据冗余严重。

一些常规遥感图像处理分析方法仍可用于高光谱影像。

但由于高光谱图像波段多、广谱分辨率大、数据量大等特点，常规的遥感图像处理方法并不完全适合高光谱图像处理，对它的处理需要一些特殊的方法和技术。

ERDAS IMAGINE9.2提供了一个高光谱分析工具，是高光谱数据的分析简单化、自动化。

本章主要介绍高光谱分析工具中的各个功能，这些功能都在Interpreter图标下的BasicHyperSpectral Tools工具中（图9.1）。

本例使用的示例数据是一幅1995年美国内华达州某地的AVIRS图像，从波段172~221，共50个波段，文件格式为img，存放在chp\tutor\ex_hyper.img（图9.2）。

图9.1Basic HyperSpectral Tools工具图9.2实例图像ex_hyper.img9.1归一化处理光谱归一化（Normalize ），是将每一个像元的光谱值统一到整体平均亮度水平，以减小亮度差异。