下载文档原格式
基于HJ-1高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究任广波;张杰;汪伟奇;耿延杰;陈妍君;马毅【摘要】湿地植被的生物量是湿地生态评价、保护和利用的重要基础数据,遥感技术已经成为湿地生物量高效、准确监测的重要手段.基于2013年9月的HJ-1高光谱遥感影像,应用准同步现场踏勘数据,通过单变量线性回归和多变量线性回归的方法,针对7种常用的窄波段植被指数和2种红边指数对黄河口芦苇和碱蓬生物量(地上干重)的估测能力进行了评价.结果表明:(1)单光谱指数变量情况下,对于芦苇,选择近红外827 nm波段和红635 nm波段简单植被指数(SRI)和线性插值红边指数(REP_ linear interpolation)取得了最佳的单变量回归结果,决定系数分别达到0.42和0.58;对于碱蓬,选择近红外807 nm波段和红692 nm波段的归一化差值植被指数(NDVI)、SRI和优化的土壤校正植被指数(OSAVI)取得了较好的回归结果,决定系数分别达到0.60,0.59和0.47;(2)多光谱指数变量情况下,以在单变量回归分析中取得较好结果的SRI和REP_ linear interpolation指数为变量,芦苇得到了与其生物量之间决定系数为0.71的高相关性;同时,以NDVI、SRI和OSAVI为变量,与碱蓬生物量的决定系数达到了0.66.【期刊名称】《海洋学研究》【年(卷),期】2014(032)004【总页数】8页(P27-34)【关键词】生物量遥感;HJ-1高光谱;植被指数;红边指数【作者】任广波;张杰;汪伟奇;耿延杰;陈妍君;马毅【作者单位】国家海洋局第一海洋研究所,山东青岛 266063;国家海洋局第一海洋研究所,山东青岛 266063;中国海洋大学信息科学与工程学院,山东青岛 266063;中国海洋大学信息科学与工程学院,山东青岛 266063;中国海洋大学信息科学与工程学院,山东青岛 266063;国家海洋局第一海洋研究所,山东青岛 266063【正文语种】中文【中图分类】TP75遥感已经作为一种不可或缺的手段在植被生物量监测中发挥了重要的作用[1-6]。
基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊是重要的淡水资源和生态环境，叶绿素a是湖泊水体中重要的生物地球化学指标之一，对湖泊水质和生态环境拥有重要的指示作用。
监测湖泊叶绿素a浓度可以有效评估湖泊的营养状态和生态环境，为湖泊管理和保护提供重要的科学依据。
遥感技术已经成为湖泊水质监测的重要手段，可以在较大范围内快速获取湖泊的叶绿素a浓度分布信息。
本文旨在利用HJ-1A/B卫星CCD数据反演湖泊叶绿素a浓度，并分析其时空变化规律，为湖泊水质监测和管理提供科学依据。
一、HJ-1A/B卫星CCD数据HJ-1A/B是我国自主研制的一对环境监测卫星，搭载有CCD等多种传感器，能够获取高分辨率的遥感影像数据。
CCD传感器具有高空间分辨率和较高的动态范围，适用于湖泊水质参数反演。
本文选取HJ-1A/B卫星CCD数据作为研究数据源，利用其多光谱信息反演湖泊叶绿素a浓度。
二、叶绿素a浓度反演方法1. 反演模型本文采用经验模型和统计模型相结合的方法进行叶绿素a浓度反演。
首先利用地面采样数据和遥感影像数据建立经验模型，然后利用统计模型对经验模型进行优化，得到湖泊叶绿素a浓度的空间分布图。
2. 数据预处理对HJ-1A/B卫星CCD数据进行预处理，包括大气校正、辐射定标、噪声去除等步骤，以提高数据的质量和可用性。
3. 特征参数提取从HJ-1A/B卫星CCD数据中提取反演叶绿素a浓度所需的特征参数，包括叶绿素吸收峰位置、叶绿素荧光峰位置、水体颜色指数等。
4. 建立经验模型利用地面采样数据和遥感影像数据建立叶绿素a浓度与特征参数之间的经验关系模型，包括线性模型、非线性模型等。
5. 统计模型优化利用统计方法对经验模型进行优化，修正模型参数，提高模型的适用性和精度。
6. 反演叶绿素a浓度利用经过优化的模型对湖泊遥感影像数据进行反演，得到叶绿素a浓度的空间分布图。
三、叶绿素a浓度反演结果分析利用上述方法对某湖泊的HJ-1A/B卫星CCD数据进行处理和分析，得到湖泊叶绿素a浓度的空间分布图。
环境小卫星高多光谱数据FLAASH精确大气校正方法高光谱遥感数据的特点是光谱分辨率高、波段连续性强，能够获得地物在一定范围内连续的、精细的光谱曲线，具有非常好的应用前景。
第一个星载民用成像光谱仪是高光谱成像仪Hyperion，其平均光谱分辨率为10 nm，空间分辨率达到30米。
2008年9 月6日我国HJ-1顺利升空，其中A星搭载了我国自主研制的空间调制型干涉高光谱成像仪（HSI）。
HSI 对地成像幅宽为50 km, 星下点像元地面分辨率为100 m，115个波段，工作谱段：459~ 956nm。
具有30度侧视能力和星上定标功能。
ENVI扩展工具一、HDF5读取补丁从HIS数据中获取元数据信息。
下载地址：/ESRI/viewthread.php?tid=37118&extra=page%3 D1。
二、HJ-1数据预处理补丁为HIS数据添加中心波长信息和波段宽度（FWHM）.下载地址：/ESRI/thread-75575-1-1.html拷贝sav 文件到 ENVI安装目录的save_add 目录下。
步骤：(1)选择ENVI->File->Open External File->HJ-1->HJ-1A /1B Tools工具。
图1(2)选择HIS，单击Input Files选择HIS文件（.xml）(3)选择输出路径，单击Apply执行。
(4)在ENVI主模块中，选择Basic Tools->Convert Data(BSQ,BIL,BIP)，将刚才生成的文件转成BIP储存顺序的文件。
按照FLAASH工具的要求，已经将HSI数据转成BIP储存顺序、带有中心波长信息、波段宽度信息的ENVI格式文件。
说明：如果不用HJ-1数据预处理补丁，可以在波段列表中手动输入中心波长和波段宽度信息。
FLAASH参数设定HSI数据已经经过了定标，单位是100W/(m2*um*sr )，启动FLAASH工具，在输入辐射率数据时候，缩放系数填写：1000（即缩小1000倍），（符合FLAASH对辐射亮度单位的要求（μW）/（cm2*nm*sr））。
星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量邱赛;邢艳秋;徐卫华;丁建华;田静【期刊名称】《生态学报》【年(卷),期】2016(036)022【摘要】以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量.从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型.由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图.研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R2=0.78,RMSE=2.5 lm,模型验证的adj.R2=0.85,RMSE=1.67m.地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R2 =-0.64,RMSE=0.13,模型验证的adj.R2=0.65,RMSE=0.12.利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R2=0.62,RMSE=10.88 t/hm2,模型验证的adj.R2=0.60,RMSE=11.52 t/hm2.基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R2=0.62,RMSE=11.11t/hm2),能够满足林业应用的需要.因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度.【总页数】11页(P7401-7411)【作者】邱赛;邢艳秋;徐卫华;丁建华;田静【作者单位】东北林业大学工程技术学院,哈尔滨 150040;东北林业大学工程技术学院,哈尔滨 150040;中国科学院生态环境研究中心,北京100085;东北林业大学工程技术学院,哈尔滨 150040;东北林业大学工程技术学院,哈尔滨 150040【正文语种】中文【相关文献】1.星载LiDAR与HJ-1 A/HSI高光谱数据联合估测区域森林冠层高度 [J], 邱赛;邢艳秋;田静;丁建华2.基于机载全波形LiDAR数据的森林地上生物量估测算法研究 [J], 邢艳秋;姚松涛;李梦颖;谢杰;闫灿3.运用融合纹理和机载LiDAR特征模型估测森林地上生物量 [J], 胡凯龙;刘清旺;李世明;庞勇;李梅4.星载LiDAR与MODIS多光谱数据联合估测区域生物量 [J], 王馨慧;邢艳秋;黄佳鹏;尤浩田;常晓晴5.联合GF-3 PolSAR数据与Landsat-8 OLI数据的森林地上生物量估测 [J], 潘婧靓;邢艳秋;黄佳鹏;汪献义因版权原因，仅展示原文概要，查看原文内容请购买。
基于HJ-1A高光谱数据的藏北高原草地分类方法对比郭芬芬;范建容;汤旭光;陈阳;刘青;李瑾杨【期刊名称】《遥感信息》【年(卷),期】2013(028)001【摘要】The vacancy of hyperspectral image (HSI) in China is made up by HJ-1A satellite. Now the application of the HS1 data is still in the premier stage. This paper evaluated the performance of the HSI data for classifying the grassland types in North Tibet based on the achievement of image processing in the past. The grassland of study area includes following four types:swamp meadow,alpine meadow,alpine prairie and desert steppe. Bare land was also added as one class type in this paper. Two classification approaches were used in this research:SPCA-MLC and HSI-SAM based on the analysis of measure samples, and its precision was evaluated through the classification accuracy and classification map respectively. This research shows that SPCA-MLC is better than HSI-SAM in grassland classification based on HJ-1A hyperspecfral image. The high classification accuracies of both approaches also proved that HSI data of HJ-1A have great potential applications in grassland classification of North Tibet.%环境减灾星星座A星(HJ-1A)携带的超光谱仪填补了我国星载高光谱影像采集领域的空白,但目前国内关于该高光谱数据的应用较少.本文基于HJ-1A高光谱(HSI)数据预处理技术,以申扎县北部为研究区,采用SPCA-MLC和HSI-SAM分类方法,结合野外实测样本,将研究区分为沼泽草甸、高寒草甸、高寒草原、荒漠化草原和裸地5种类型,并结合分类精度和分类图对2种分类方法进行了对比分析,可得基于HJ-1A高光谱数据的藏北高原草地分类方法中SPCA-MLC法优于HSI-SAM法.2种方法的分类精度皆大于80％,证明了HJ-1A的HSI数据在实现藏北草地高精度分类方面的巨大潜力.【总页数】7页(P77-82,88)【作者】郭芬芬;范建容;汤旭光;陈阳;刘青;李瑾杨【作者单位】中国科学院水利部成都山地灾害与环境研究所,成都610041;中国科学院大学,北京100049;中国科学院水利部成都山地灾害与环境研究所,成都610041;中国科学院大学,北京100049;中国科学院东北地理与农业生态研究所,长春130012;中国科学院水利部成都山地灾害与环境研究所,成都610041;中国科学院大学,北京100049;中国科学院水利部成都山地灾害与环境研究所,成都610041;中国科学院大学,北京100049;中国科学院大学,北京100049;西南交通大学,成都610031【正文语种】中文【中图分类】TP79【相关文献】1.基于 HJ-1A 卫星数据的高寒草地氮素评估－以青海省贵南县及玛沁县高寒草地为例 [J], 高金龙;孟宝平;杨淑霞;冯琦胜;崔霞;梁天刚2.基于HJ-1A高光谱数据的有效波段批量提取方法研究 [J], 程艺喆;雷武虎;戴胜波3.基于KPCA和FCM的HJ-1A星遥感数据分类 [J], 白杨;赵银娣4.基于HJ-1A/1B数据的高寒草地牧草营养动态监测模型 [J], 王迅;刘书杰;张晓卫;郝力壮;赵月平;王万邦5.基于HJ-1A高光谱数据的滇池悬浮物浓度估测研究 [J], 余哲修;徐沛;罗唯学;张超因版权原因，仅展示原文概要，查看原文内容请购买。
高光谱遥感数据处理方法研究1. 引言高光谱遥感数据是指利用高光谱传感器获取的大量连续波段的图像数据。
由于其具有大量的波段信息，高光谱遥感数据在农业、环境、地质和资源调查等领域具有广泛的应用前景。
然而，高光谱遥感数据的处理方法仍然是一个具有挑战性的问题。
2. 数据校正高光谱遥感数据处理的第一步是数据校正。
由于传感器响应、大气遮盖等原因，高光谱遥感数据中可能存在噪音和偏差。
因此，需要对数据进行预处理，包括辐射校正、大气校正和几何校正等。
通过校正后的数据可以更准确地反映地面物质的光谱特征。
3. 数据融合根据不同的应用需求，高光谱遥感数据可以与其他遥感数据进行融合。
常见的数据融合方法包括特征级融合和决策级融合。
特征级融合是将多源数据的特征进行组合，提取出更全面、细致的特征信息；决策级融合是将多源数据的分类结果进行组合，提高分类的准确性和可靠性。
通过数据融合，可以进一步提高高光谱遥感数据的综合利用效果。
4. 数据压缩高光谱遥感数据量大，处理起来非常耗时和耗资源。
为了减少数据存储和传输的成本，需要对数据进行压缩。
常用的数据压缩方法包括无损压缩和有损压缩。
无损压缩方法主要通过编码和解码技术实现数据的压缩和恢复；有损压缩方法则是通过舍弃部分冗余信息来达到数据压缩的目的。
选择合适的数据压缩方法，既可以节省存储空间，又可以提高数据传输的效率。
5. 数据分类与提取高光谱遥感数据中包含了丰富的光谱信息，但仍然需要将其进行分类和提取，以获得感兴趣的目标信息。
数据分类与提取方法主要包括传统的像元级分类方法和基于特征的分类方法。
传统的像元级分类方法是将数据划分为若干像元，然后根据一些准则对像元进行分类；基于特征的分类方法则是根据目标的光谱特征、空间特征等进行分类。
通过数据分类和提取，可以得到地物的空间分布和数量统计等重要信息。
6. 数据分析与应用高光谱遥感数据处理的最终目标是实现对地物的分析和应用。
数据分析方法主要包括植被指数计算、水体提取、土壤质量评估等。
基于高光谱数据的水体溶解氧反演研究
刘元艺;田正航;唐晓燕
【期刊名称】《中国新技术新产品》
【年(卷),期】2022()12
【摘要】基于卫星高光谱遥感的水质监测技术作为一种划时代的新型监测技术,可以及时对大面积水域进行水质污染监测。
该文使用HJ-1A高光谱HSI影像对香港近海区域的溶解氧浓度进行反演。
首先,对HJ-1A卫星HSI传感器所拍摄的2级影像产品进行预处理,包括数据格式转换、FLAASH大气校正以及几何精校正。
其次,使用半经验线性回归方法对实测溶解氧浓度和反射率进行相关性分析,利用反射峰和吸收谷的波段进行波段组合,A+A1/B1(波段)的相关性为0.587,并以此建立模型y=39.68x^(4)-290.83x^(3)+787.52x^(2)-931.03x+409.6(x为水体反射率,y为水质浓度参数),根据模型反演结果得出回归方程拟合系数R2=0.639,说明反演精度较高。
【总页数】4页(P1-4)
【作者】刘元艺;田正航;唐晓燕
【作者单位】南阳理工学院信息工程学院
【正文语种】中文
【中图分类】P332
【相关文献】
1.基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演
2.基于高光谱数据的珠江口表层水体悬浮泥沙遥感反演模式
3.基于高光谱数据的水体叶绿素a指数反演模型的建立
4.基于高光谱数据的汉江中下游典型河段水体悬浮物遥感反演
5.资源一号02D卫星高光谱数据水体透明度反演研究
因版权原因，仅展示原文概要，查看原文内容请购买。
