高分辨率遥感影像的应用

遥
分析 已有 资料 ，建 立滑坡 遥感解 译标 志
感
图
像 处
理
采用 人机交 互方 式对滑坡 体进 行初步 解译
实地调查 验证
层区划上属华北地层 区之陕甘宁盆地分 区， 以第 四系
黄 土堆积 为主 ， 谷 地带有 陆 相碎 屑岩 基 岩 出露 ， 质 河 地
补 充解译 ，修 正初步解 译成 果
综合分 析研 究 ，编 制解译 总结
构造简单。
图 １ 遥 感 解 译 工作 技 术 流 程 图
Ｆｉ． Ｐ ｏ ｅ ｕ ｅ ｏ ｎ ｅｐ ｅａ ｉ ｎ ｏ ｅ ｔ ｅ ｓ ｍａ ｅ ｇ１ ｒ ｃ ｄ ｒ ｓｆ ｒｉ ｔ ｒ ｒ ｔ ｔ ｆｒ ｍｏｅ ｓ ｎ ｅ ｉ ｇ ｓ ｏ
的重点。初 步解译标志 根据 已有 的资料 予 以归纳总
并随着工作进展不断加以完善 ， 最终解译标志须经 多光谱波段分辨率为 １ 全色波段经处理后分辨率 结 ， ０ｍ， 可 达 ２５ｍ， ． 已进入 高分辨率遥 感 图像行列 。重点解 剖 野 外验 证后 确定 。
收 稿 日期 ：２ ０ 叭 一１ ０７一 ７；改 回 日期 ：２０ ０ ０７— ２—１ ２
作者简介 ：马瑛 （９２一 ，女 ，高级工程师 ，地质矿产专业 ，从事地质矿产勘查 、计算机信息处理等工作 。Ｅ ｍ ｉ ａｉ １３＠ｓ ａｃｒ １６ ） — ａ ：ｍｙ ｇ７３ ｉ ．ｏ ｌ ｎ ｎ ｎ
维普资讯
资 源环 境 与 工程
２０ ０ ７正
及预测效率低下， 而高分辨率遥感 图像在滑坡 研究 中
的应用 ， 具有效 率 高 、 野广 、 确度 高 ， 以进 行 动 则 视 准 可 态监测 的特 点 ， 而且在 黄 土高原 区滑 坡 解译 效 果 极佳 ， 可为工 程地 质选 线 、 大 工程 地质灾 害 监测 、 质 环境 重 地 研究 等 ， 供重要 的高新技 术 手段 ， 社 会 效益 和 经 济 提 其 效益 十分 显著 。

遥感与测绘技术在城市古建筑保护中的应用分析引言：伴随着城市化的进程，人们对古建筑的保护和传承的重要性逐渐认识到。

城市古建筑是国家和地方文化遗产的重要组成部分，具有历史、文化和艺术价值。

然而，由于年代久远、环境破坏和人为因素的影响，古建筑的保护变得越来越困难。

在这个背景下，遥感与测绘技术的应用在城市古建筑保护中具有重要的意义。

一、遥感技术在城市古建筑保护中的应用1. 高分辨率卫星影像的获取通过高分辨率卫星影像的获取，可以获得古建筑的全貌和细节信息。

遥感技术能够获取大范围的信息，能够帮助保护方了解整个古建筑所在区域的环境、用地情况等。

同时，高分辨率的卫星影像还能够捕捉到古建筑的尺度、形状、结构等细节特征，为后续的保护工作提供重要参考。

2. 遥感影像在病害检测和评估中的作用古建筑在长期使用过程中容易出现各种各样的病害问题，如裂缝、腐蚀、倾斜等。

利用遥感影像技术，可以对古建筑的病害进行监测和评估。

通过遥感影像的分析，可以准确地识别古建筑中存在的病害，及时采取保护和修复措施，防止进一步的破坏。

3. 遥感技术在环境监测中的应用古建筑的保护不仅仅需要关注其自身的状况，还需要关注周围环境的影响。

遥感技术可以对古建筑所在区域的环境情况进行监测，包括空气质量、气候变化、土壤状况等。

通过及时了解周围环境的变化，可以采取措施保护古建筑免受外界环境的影响。

二、测绘技术在城市古建筑保护中的应用1. 激光扫描技术激光扫描技术是一种高精度三维测量技术，能够快速获取古建筑的准确形态和结构信息。

通过激光扫描技术，可以获得古建筑的形态、尺寸、立面以及内部结构等信息。

这些信息对古建筑的保护和保养非常重要，可以帮助保护方了解古建筑的现状和存在的问题，为保护工作提供科学依据。

2. 视频测量技术古建筑的保护需要对其进行全面的监测和评估。

视频测量技术可以实时监测古建筑的运动和变形情况，对古建筑的结构稳定性进行评估。

通过这一技术，保护方可以及时发现古建筑的问题，采取相应的措施，避免可能造成的损失。

基于遥感与地理信息系统的高精度测绘技术研究与应用摘要：高精度测绘技术是利用遥感与地理信息系统相结合的方法，获取地球表面准确、全面的地理空间信息的重要手段。

本文首先介绍了遥感技术原理与高分辨率影像处理方法，以及遥感数据在测绘中的应用案例。

其次，探讨了遥感数据与GIS数据集成、遥感数据与地面测量数据融合技术，以及它们在高精度测绘中的应用案例。

最后，分析了高精度测绘技术面临的挑战与瓶颈，包括数据获取成本、精度与准确性、技术标准等方面的问题。

未来，随着人工智能、大数据等新技术的发展，高精度测绘技术有望在城市规划、资源管理、环境监测等领域发挥更为重要的作用，为社会经济的可持续发展提供更为强大的支持。

关键词：信息系统；技术研究引言在当今数字化时代，高精度测绘技术在城市规划、资源管理、环境监测等领域扮演着至关重要的角色。

遥感与地理信息系统的融合使得我们能够获取地球表面更加准确、全面的地理空间信息，为社会发展提供了强有力的支持。

本文旨在探讨高精度测绘技术的研究与应用，着重介绍遥感技术原理、数据处理方法以及与地理信息系统的集成与融合技术。

首先，将对遥感技术的基本原理和方法进行介绍，以及其在高精度测绘中的重要性和应用。

其次，将重点讨论遥感数据与地理信息系统的融合技术，包括数据集成与融合方法以及在实际应用中的案例分析。

最后，将分析当前高精度测绘技术所面临的挑战与瓶颈，并探讨未来发展的趋势与应用前景。

通过本文的研究，有望为高精度测绘技术的进一步发展提供理论支持和实践指导，推动其在各个领域的广泛应用和深入研究。

一、遥感技术在高精度测绘中的应用（一）遥感原理与技术遥感是通过卫星、飞机等载具获取地球表面的信息，其原理基于电磁波与地物的相互作用。

不同波段的电磁波与地物有不同的反射、吸收和透射特性，遥感技术通过探测这些特性来识别地物。

常用的遥感波段包括可见光、红外线、热红外等。

遥感技术主要分为光学遥感和微波遥感两大类，光学遥感适用于地表覆盖和地形特征的识别，微波遥感则可以穿透云层和植被，适用于土地利用分类和海洋监测等。

基于高分辨率影像土地利用遥感动态监测与分类信息提取方法摘要：本文介绍了基于高分辨率影像的土地利用遥感动态监测与分类信息提取方法，利用遥感技术动态监测土地利用的本质是对图像系列时域效果进行量化，通过量化多时相遥感图像空间域、时间域、光谱域的耦合特征，来获得土地利用变化的类型、位置和数量等内容。

利用遥感技术可以快速、大范围的获得土地利用变化区域，例如建设用地、农业用地、工业用地、交通用地，水体（河道变化）等。

关键字：遥感技术土地利用影像分类动态监测图像分割1.背景随着社会经济的发展，特别是城市建设步伐的加速，城市土地利用每年都在发生明显的变化。

传统的土地利用调查需要花费大量的人力、时间和经费,难以适应土地利用的这种快速变化。

遥感以其覆盖面大、信息更新快、人为干扰因素小等优点已逐渐应用到土地利用变化遥感动态监测中。

我国遥感技术在土地资源调查和监测中的应用始于20 世纪90 年代。

国家土地管理局成立以后，在国务院统一布署下，利用了TM、SPOT等多种遥感数据源，进行目视解译、分析和计算机自动分类制图等组织完成了全国县级土地详查，这一成果为各级政府制定经济建设规划、计划，为农业、工业、水利、能源、交通等各专业部门制定规划、计划提供了可靠的数据资料、为各项土地管理工作提供准确依据，已在经济建设、农业生产和土地管理中发挥了重要作用，也为我国开展土地利用动态监测提供了完整、可靠的本底资料。

1.技术流程和关键技术1.技术流程土地利用变化遥感动态监测是一个工作量比较大的过程，对遥感数据的预处理要求较高，变化信息的发现和变化信息的提取可选择和组合的方法很多，技术含量较高。

下图为土地利用变化遥感动态监测的技术流程。

1.动态监测技术流程1.关键技术遥感动态监测主要涉及图像预处理和土地利用变化信息检测和提取两部分，其关键技术也就主要包括图像预处理方法和土地利用变化信息提取方法。

值得我们注意的是，变化检测方法和信息提取方法不能说哪个绝对的好与坏，只能是根据不同的数据源和不同的应用需求选用适合的方法。

维普资讯
第３ ３卷
第１
内
蒙
古
林
业
科
技
Ｖ０． ３ Ｎｏ １ １３ ． Ｍａ ． ２ ０ ｒ ０ ７
２０ ０ ７年 ３月
Ｊ ｕｎ ｌｏ ｎ ｅ ｎ ｏｉ ｏｅｔ ｃｅ ｃ ｏ ｒａ ｆ ｎ ｒＭｏ ｇ ｌ Ｆ ｒｓｒ Ｓ ｉｎ ｅ＆ Ｔ ｃ ｎ ｌｇ Ｉ ａ ｙ ｅ ｈ ｏｏ ｙ
摘
要： 为提高 高分 辨率 遥感 影像的分类精 度 ， 文提 出 了一种 ＧＳ Ｒ 本 Ｉ 、 Ｓ与 目视解译 集成 的分 类技 术。它从
遥感影像和 Ｇ Ｓ矢量数据一体化 的角度 出发 ， Ｉ 充分利用 了矢量数据 的图斑边 界和影像分割 的信息 ， 研究 表明 ： 无论 在实验结果还是在分类 的机理上都证 明 了这种 Ｇ Ｓ与 Ｒ Ｉ ｓ集成 分类技 术 的准 确率超 过 了传统遥感 影像
ｋｎ ｆ Ｉ Ｒ ｔｇａ ｏ ｃｎ ｌｇ．Ｉ ｃｎｍ ｋ ｌｕｅｏ Ｉ ｅｔ ｆｒ ｔ ｎ（ ｏ ｇｎＢ ｒｅｌ ｅ ， ｅ ｉｄｏ Ｓ＆ Ｓｉ ｅｒｔ ｎｔ ｈ ｏｏｙ ｔ ａ ａ ｅ ｕｌ ｓ ｆ Ｓｖｃｏ ｉ ｏｍａ ｏ Ｐ ｌ ｏ ｏｄ ｒｎ ） ｔ Ｇ ｎ ｉ ｅ ｆ Ｇ ｒｎ ｉ ｙ ｉ ｈ
高 分 辨 率 遥 感 影 像 在 土 地 分 类 中的应 用 研 究
蔡丽玲 石军南 ， 平 邢元军 吴小格 ， 雷 ， ，
（ ．中南林业科技大学 资源 与环境学 院 ， １ 湖南 长沙 ４ ００ ；． 阳师 范学 院生命 科学与技术学院 ， １０ ４ ２ 绵 四川 绵阳 ６ １０ ） ２０ ０
Ａｂｓｒ ｃ Ｉ ｒ ｅ ｏ ｉ ｒ ｖ ｈ ｌ ｓｉｙｎｇ ｐ ｅ ｉｉ ｎ ｏ ｉｈ —ｒ ｓ ｌ ｔｏ ｍａ ｅ，ｔ ｉ ａ ｅ ｒ ｓ ｎ ｅ ｐ ｃｆｃ ｔ ａ ｔ：ｎ ｏ ｄ ｒ ｔ ｍｐ ｏ ｅ ｔ ｅ ｃａ ｓｆ ｉ ｒ ｃｓｏ ｆ ｈ ｇ ｅ ｏｕ ｉ ｎ ｉ ｇ ｈ ｓ ｐ ｐ ｒ ｐ ｅ ｅ ｔｄ ａ ｓ ｅ ｉ ｉ

２ ． 湖 南大 学 汽 车 车 身 先 进 设 计 制 造 国 家 重 点 实验 室 ，湖 南 长 沙
４ １ ０ ０ ８ ２ ）
摘 要 ：掌握 城 市道 路 不 同 车 型 分 布 规律 ， 有 针 对 性 地 进 行 交 通 管制 ， 对 于 缓 解城 市 交 通 拥堵 具
有 重要 意 义 ， 在此基础上进行各种 车型 的交通道路 资 源消耗和承 栽的公众 人数分析 ， 可 为 交 通 管
ｚ
前文 献调 研发 现 ， 采 用 的做 法 是 通过 人 工 调 查 或 依
靠地 面摄 像头 采集 数据 进行 分析 。这些 方 法费 时费
力， 时 间周期 长 ， 效 率低 下 ， 数据 可视化 程 度低 。
＊基 金 项 目 ： 交 通运输部重点项 目（ ２ Ｏ １ ２ —３ ６ ４ —２ Ｏ ８ —８ ０ ２ －２ ）
当前 ， 交 通拥 堵 几 乎 已经 成 了许 多城 市 的 不治
高分 辨 率对 地 观 测数 据 具 有覆 盖 范 围广 、 分 辨 率高 、 信 息全 面而 真 实 、 重返 周 期 短 、 可 全 天 时全 天 候 获取数 据等 特点 ， 将 其 应 用 在 城市 群 交 通 管理 中 可 有效摸 清城 市群 的交 通 现状 和存 在 的 问题 ， 为城 市 群一 体化 综合 交 通 规划 提 供 决 策 支持 。 目前 ， 将 高分遥 感 技术应 用 于交 通领 域 ， 被称为 Ｒ Ｓ —Ｔ 后 ， 很 多高 分 遥感 影 像 得
到 商业化 应用 ， 为其 研 究 和 应 用 开辟 了广 阔 的 发展
空 间 。纵 观 近年来 国 内外遥感 技术 在 交通调查 方面 的研 究 ， 主要 集 中在 公 路 Ｏ Ｄ 调查 、 居 民 出行 调查 、

遥感技术的应用及优势遥感技术是一种通过获取地球表面和大气状态的信息而不直接接触物体的技术。

它通过使用航空器、卫星等平台获取的多光谱或高光谱影像来分析地表覆盖、植被、水资源、城市扩张等地理问题。

遥感技术的应用和优势如下：一、农业领域的应用与优势1.作物种植与管理：遥感技术能够提供大规模农田监测、监测不同阶段的作物生长情况、作物病虫害监测等信息，帮助农民制定科学合理的农业生产管理措施。

2.土壤分析与调查：利用遥感技术可以获取土壤植被指数、湿度、无机物质等信息，结合其他农业气象数据，提供土壤肥力分布图、土壤水分分布图等，为农业灌溉和施肥提供科学依据。

3.农业灾害监测与评估：遥感技术可以在农作物病虫害爆发、干旱洪涝、冰雹等农业灾害发生时，及时获取其影响范围和程度，指导救灾工作和农民灾后恢复。

二、城市规划与管理领域的应用与优势1.土地利用与覆盖监测：遥感技术能够对城市地区的土地利用类型和土地覆盖情况进行较为准确的监测，帮助城市规划者优化土地利用结构，合理规划城市发展。

2.城市扩张与更新：利用遥感技术可以监测城市的扩张趋势、更新与变化的空间分布，为城市规划和土地利用政策的制定提供科学依据。

3.环境质量评估：遥感技术可以获取城市环境的污染和质量情况，如河流水体污染、植被覆盖率等，为城市环境规划和管理提供科学依据。

三、自然资源的应用与优势1.水资源监测：遥感技术可以监测水域和水体的分布、水质状况、水量变化等信息，帮助水资源管理者制定水资源分配和保护策略。

2.森林资源管理：利用遥感技术可以获取森林覆盖度、树木生长状况、森林火情等信息，为森林资源管理和防火工作提供科学依据。

3.矿产资源勘探与开发：遥感技术可以通过探测地表特征、矿产指标等，辅助矿产资源的勘探和开发工作。

四、环境监测与灾害预警领域的应用与优势1.大气环境监测：遥感技术可以监测大气污染物浓度、空气质量状况、雾霾等，为环境保护部门提供监测和预测依据，制定相应的大气污染治理措施。

元逐 步线性 回归法以及偏 最小二乘回 归法在土壤重金属含量反演 中的应用。
【 关键词 】 地质灾害 ； 高分辨率遥 感； 土壤 重金属 ； 反演
１ ． 地 质 灾 害监 测 中高 分 辨 率 遥 感 的研 究现状
我 国的地质灾害种类多 、 分布广 、 危害大 ， 成为世界上地质灾害最 为严重 的国家之一 。 特别是崩塌 、 滑坡 、 泥石流等突发性地质灾害频 繁 发生 ． 给人们 的生命财产造成了 巨大的损失 ， 引起社会 的不稳 ． 而其造 成 的间接损失更是无法估计 １ 地质灾害是指在地球 的发展 演变过程 中． 由各种 自 然地质作用和人类活动所形成的灾害性地 质事 件 随着 社 会经济的快 速发展 以及工业化 的起 飞． 人类活 动对 地球的作用越发 明显 ． 直接 或间接 地引起更 多更严重 的地质灾害 为了有效地预防对地质灾害的发生 ． 需要 一种先进 的技术对地球 环境进行连续监测 ， 而遥感技术 的出现解决 了这个问题 。遥感技术通 过对地质进行连续观测 ． 能及时发现并提前 预报灾情的发生 随着 现 图１ 地质 灾害遥 感监测基本过程 代航天技术和高分辨率遥感技术的飞速发展 ． 卫星遥感 图像 的获取越 以高分辨率遥感技术监测矿山开发区的水土环境为例 ． 概述利用 来越容 易 ， 同一地 区图像获取 周期越来 越短 ， 图像 的精 度越来越高［ ２ １ 。 高分辨率遥感技术反演矿山开发土壤重金属的污染。 多数 学者认 为土 高分 辨率遥感技术 的出现不仅为地 球资源与环境监 测研究开辟 了广 壤 中的重金 属元素含量很低 ． 对土壤光谱 曲线影响很微 弱 ． 甚至没 有 阔的前景 ． 而且为地质灾害 的调查和研究提供 了崭新 的手段 高分辨 影响 ． 那 么通过直接分析重金属元素的特征光谱来估计其含量 比较困 率遥感 影像在地质灾 害监测得 到广泛 的应用 。 难 Ｋ ０ ｏ ｉ ｓ ｔ ｒ ａ 等随 过研究发 现莱 茵河流域土壤 中的 ｃ ｄ ． ｚ ｎ与有 机质 赵琪等通 过分析 高分 辨率遥 感影 像来获 取建 筑物 的属性信 息 ． 含量 之间存在很好 的正相关 ． 并利用了可见光一 近红外 发射光谱和偏 并结合 现场 调查数 据 ． 建立 震害 矩阵 预测震 害 ． 最后 通过 计算 综合 最小二乘回归法预测 土壤镉 、 锌 的含量 。 由于土壤组成成分复杂 ， 而且 地震危 险指 数来评价该 区域的综 合抗震 能力日 ２ ０ ０ ８ 年 ５月 １ ２日． 每个 组分对光谱 的影 响是非线性 ． 使得土壤辐射 过程很复杂 ． 直接建 四川省 汶川县发生 Ｍｓ ８ ． ０ 级特大地 震 。 汶 川特大地震造 成了滑坡 、 崩 立土壤组分与光谱 特征之间的物理模 型非 常困难 。因此 ， 首先利用 主 塌． 并严 重损毁 了交通基础设施 ， 给全 国人 民带来 了极大 的损 害。陈 成分分析找出影响最重要 的几个 组分来代 表土壤 中所 有 的组分 ． 而且 世荣 ［ ３ ］ 等在应 急期 间缺乏地 面调 查 的情况 下 ． 利用 高分辨 率 遥感 图 选 出的几个组分之间互不相关 然后利用多元逐步回归分析方法研 究 像对 道路震 害损毁进 行 了快速 及较为 准确 的评估 长 期 以来 ． 我 国 选取 的多个 自变量与一个因变量之间关 系 ． 通过 回归系数来确定 自变 对矿 山 的开发利 用管 理不 全 ． 部分矿 区开发秩 序混 乱 ． 乱采 乱挖 现 量 的影响程度 偏最小二乘 回归方法融合了多元回归和主成分分析的 象 常发生 。矿 山开发引发 了一系列 的问题 ， 如水污染 、 环境 破坏 、 塌 特点 ．通过实施 因变量 Ｙ对提取 自 变量 ｘ的主成分 ｔ 进行逐 步回归 ． 矿 等严重影 响了周围人们 的生 活及带来 了极 大的安全 隐患 为了对 直至达 到满意 的精度为止 偏最小二乘拟合能够处理严 重的共线性 矿区进行有 效地管 理 ． 保护 矿 区 ． 高 分辨率 遥感技 术能够 实时 、 高效 适合 于样本个数小 于变量个数 的情形 同时相对于 Ｐ Ｃ Ａ． 其进行波段 地监测矿 山开发的水土环 境 通 过利用高分 辨率遥感影像 提取矿 山 变换 时不仅考 虑 自变量本身 ． 而且 同时也考虑 因变量 。 因此 ． 偏最小二 开发信 息实现对 矿 区的 直接的监测 在建立矿 山地 质灾害遥 感标 乘回归 比 Ｐ Ｃ Ａ更 有效 。然而 ． 偏最小二乘在变量 投影时 。 并没有去除 志的基 础上 ，对 高分辨率 数据进行 空间分 辨率融 合和信 息增 强 ． 对 噪声波段或者不相 关变量 多种地质灾 害进行识别 和提取 马超 ． 徐 小波月 等提 出利 用高分辨率 ３ ． 结论 星载 Ｓ Ａ Ｒ进行矿 区灾害 的监测 。 唐川 、 张军 等首先对美 国高分辨 率 本文分析了高分辨率遥感影 像在地 质灾害监测中的应用 。 并 以矿 的“ 快鸟 ” 影像 进行 土地覆盖类 型遥感 解译 ． 然 后根据 泥石 流危险 程 区土壤重金属污染遥感监测为例 ． 利用光谱 信息进行土壤重金 属污染 度 和土地覆 盖类型特 征 ．构建 城市泥石 流灾 害的损失 评估模 型 ． 最 的遥感反演 ． 得到 以下一些结论 ： 后结合 Ｇ Ｉ Ｓ计算完成泥石 流灾害损失计 算和评价 滑坡遥感检测 对 （ １ ） 高分辨率遥感技术能有效地 、 实时地 、 大范 围地监测地质 灾害 于灾害调查 有重要 的意义 ． 在对试验 区滑坡遥 感图像 特征 进行 分析 及其过程 。 的基础上 ． 胡 德勇 等［ ７ １ 提出 了基于 对象 的高 分辨率 遥 感图像 滑坡 检 （ ２ ） 在土壤重金属 遥感 反演过程 中 ． 大多数研 究者都采用 经验统 测方 法 ， 并将该 方法用 于高植 被覆盖的热带雨 林地 区。然而 ， 传 统的 计算 法， 并没有充分考虑土壤重金属分量特征 ． 精度偏低 。 光学影像 容易受 到天气 的影 响 。 导 致图像不 清晰 ， 因此 ． 基于单 一遥 （ ３ ） 由于土壤 中重金属元素含 量很 低 ， 对 土壤光谱 曲线影 响很微 感 数据源 提取信 息非常有 限 然而 ． 多源遥感 影像 的融合 能提 供一 弱 ．因此需要借 助于其他矿物之 间的相关关 系反演 土壤重金属含量 。 个 比较好 的方法 。薛东 剑 、 何政 伟等提 出采用光 学遥感 和雷达 数据 今后的发展应该 是利用航 天航空 高光谱 ． 从 不同空间尺度讨论利用遥 进行地质灾 害区 的滑坡监 测。刘圣伟 、 郭大海Ｉ Ｓ ３ 等提 出利 用精度更高 的． 受天气 影 响很 少 的 、 穿 透 率很 高的机 载激 光雷 达技术 进行 滑坡 感信息反演土壤重金属含量。ｌ

在开 展农 业资 源调 查 方 面 ， 与传 统 实 地 调查 手 段 相
比具 有强 实效性 、 速 、 观 的特点 和优 势 ． Ｏ世 纪 快 宏 ２ ６ ０年代 以来 ， 间 遥感 技 术 的发 展 ， 农 作 物 种 植 空 为 面积 的提 取 ， 提供 了新 的科 学 技 术 手 段 ］ １ ７ ． ９ ４年 美 国最先 开展 了“ 面积作 物估产 试 验” Ｌ Ｉ 计 大 （ ＡＣ Ｅ 划 ）， 应用 Ｌ ｎ ｓｔ ａ ｄ ａ ＭＳ Ｓ影 像对作 物进 行识 别 ， 算 估 作物 的面 积 、 产和 总产 ． 国早 在 １ ７ 单 我 ９ ９年 陈述 彭 等ｌ 就 开始倡 导遥 感估 产． ３ 经过多 年 的发展 ， 已由 当 初 的试 验 示范发 展 到 现在 的全 国粮食 估 产 研 究 ， 并
高分辨率卫星遥感在 引黄灌 区农作物 种 植 结 构 调 查 中 的应 用
张 永 庭 ， 严 瑾 ， 杨 雪 茹
（ 夏遥感测绘勘查院 ， 宁 宁夏 银 川 ７ ０ ２ ） ５ ０ １
摘 要 ： 对 当前 宁 夏 引 黄 灌 区 灌 溉 管 理 工 作 的 需要 ， 高分 辨 率 卫 星遥 感 影 像 为 基 础 底 图 ， 合 实地 调 查 ， 清 针 以 结 查 了灌 区 农作 物种 植 结 构 的 分布 和 面积 情 况 ， 为进 一 步 实 施 灌 区 农 业 种 植 结 构 优 化 调 整 、 水 灌 溉 及 水 量 调 度 管 理 节
１ 调 查 区概 况
宁夏 引黄 灌区位于 宁夏 中北部 ， 包括 自流灌 区和 扬黄灌 区 ， 总面积 ８６５ ９ ｍ２ 如 图 １所示 ． 中 自 ２ ． １ ｋ ， 其 流灌 区土地面积 ５ ６ ． ６ｋ３， 括青铜 峡灌 区和 沙 ０ ３ ３ 包 ９ ． ２ 坡头 灌区． 黄灌 区土地 总 面积 ２６５ ５ ｍ２包 括 扬 ６ ． ５ｋ ， 固海灌 区 、 固海扩 灌灌 区 、 环定灌 区、 寺堡 灌 区 、 盐 红

分别提高了 5.93%和6.82%，Kappa系数分别提高了 0.07和0.08,能确保森林资源调查成果的精细化、准确性、高 效性。②在林地类型精细识别中，携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识 别精度和可分性&研究证明，ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法，具有精度高和
浙江农林大学学报，2019, 36(5)： 857-867 Journal qf Zhejiang A &1 University doi：10.11833/j.issn.2095-0756.2019.05.003
高分辨率遥感影像林地类型精细识别
张兆鹏#,李增元2,田昕2
(1.自然资源部第一大地测量队，陕西西安710054； 2.中国林业科学研究院资源信息研究所，北京 100091)
摘要：以內蒙古自治区根河市根河生态站为研究区，探讨在大面积复杂林区、具有红边波段卫星数据支持下，高
空间分辨率遥感影像林地类型精细分类方法&以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像
为主要数据源，综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息，以及2016年林地类型 外业调查样本数据，分别对2种数据源采用传统的监督分类方法［最大似然法(MLC)和支持向量机法(SVM)］和基于
作者：田昕，研究员，博士，从事遥感技术在林业中的应用研究+ E-mail: tianxin@
858
浙江农林大学学报
2019年10月20日
tions, like Maximum Likelihood Classification (MLC) and SVM, were used to precisely classify forest land types. Finally, results of a field survey and forest resources data were used as test samples to verify the classifi­ cation results with precision verification. Results showed that ImageRF and ImageSVM had high precision for forest type information extraction. With RapidEye image, the overall classification accuracy of eight species types such as coniferous forest, broad-leaved forest and shrubbery were 90.26% and 90.02% respectively with a Kappa coefficient greater than 0.88. At the same time, the protraction accuracy and user precision of shrubbery, coniferous forest, and broadleaf forest in ImageSVM and ImageRF were higher than SVM and MLC. The overall classification accuracy with the ImageSVM method was higher than SVM and MLC classification increased 6.18% and 7.06% respectively, and the Kappa coefficient increased 0.07 with SVM and 0.08 with MLC. The ImageRF method improved 5.93% on SVM and 6.82% on MLC, and the Kappa coefficient increased by 0Also, for fine identification of forest land types, the RapidEye image carrying rededge band information had better recognition precision and separation ability than Landsat 8 OLI images with no red edge band information. Thus, the ImageSVM and the ImageRF classification methods were effective ap­ proaches for precise classification of forest land types, fine identification of forest types, and accurate monitor­ ing of forest resources, especially in mountainous areas with complicated topographic conditions, and could ful­ ly meet the needs of forestry applications such as forest resources investigation, forest land change monitoring, and thematic map digital update. [Ch, 7 fig. 5 tab. 24 ref.$ Key words： forest management; RapidEye data; precise classification; forest land type; optimization variable; ImageSVM; ImageRF

㊀２０２３年７月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a J u l y,２０２３㊀㊀第５２卷㊀第７期测㊀绘㊀学㊀报V o l．５２,N o．７引文格式:钟燕飞,王心宇,胡鑫,等．高光谱高空间分辨率遥感观测㊁处理与应用[J]．测绘学报,２０２３,５２(７):１２１２Ｇ１２２６．D O I:１０．１１９４７/j．A G C S．２０２３．２０２２０７１５．Z H O N G Y a n f e i,WA N G X i n y u,HU X i n,e t a l．H y p e r s p e c t r a lw i t hh i g hＧs p a t i a l r e s o l u t i o nr e m o t es e n s i n g f r o m o b s e r v a t i o n, p r o c e s s i n g t oa p p l i c a t i o n s[J]．A c t a G e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a,２０２３,５２(７):１２１２Ｇ１２２６．D O I:１０．１１９４７/j．A G C S．２０２３．２０２２０７１５．高光谱高空间分辨率遥感观测㊁处理与应用钟燕飞１,王心宇２,胡㊀鑫１,３,王少宇４,万瑜廷１,唐㊀舸２,张良培１１．武汉大学测绘遥感信息工程国家重点实验室,湖北武汉４３００７９;２．武汉大学遥感信息工程学院,湖北武汉４３００７９;３．广州市城市规划勘测设计研究院,广东广州５１００６０;４．首尔大学农业与生命科学学院,首尔１５１７４２H y p e r s p e c t r a lw i t hh i g hＧs p a t i a l r e s o l u t i o nr e m o t es e n s i n g f r o m o b s e r v a t i o n, p r o c e s s i n g t oa p p l i c a t i o n sZ H O N GY a n f e i１,W A N G X i n y u２,H UX i n１,３,W A N GS h a o y u４,W A NY u t i n g１,T A N GG e２,Z H A N GL i a n g p e i１１．S t a t eK e y L a b o r a t o r y o f I n f o r m a t i o nE n g i n e e r i n g i nS u r v e y i n g,M a p p i n g a n dR e m o t eS e n s i n g,W u h a nU n i v e r s i t y, W u h a n４３００７９,C h i n a;２．S c h o o l o f R e m o t eS e n s i n g a n d I n f o r m a t i o nE n g i n e e r i n g,W u h a nU n i v e r s i t y,W u h a n４３００７９, C h i n a;３．G u a n g z h o uU r b a nP l a n n i n g a n dD e s i g nS u r v e y R e s e a r c h I n s t i t u t e,G u a n g z h o u５１００６０,C h i n a;４．C o l l e g e o fA g r i c u l t u r ea n dL i f eS c i e n c e s,S e o u l N a t i o n a l U n i v e r s i t y,S e o u l１５１７４２,S o u t hK o r e aA b s t r a c t:H y p e r s p e c t r a l r e m o t e s e n s i n g h a s a l w a y s b e e n a r e s e a r c h h o t s p o t i n t h e f i e l d o f r e m o t e s e n s i n g．H o w e v e r,l i m i t e db y i m a g i n g a p e r t u r ea n de n e r g y,i t i sd i f f i c u l t t oo b t a i n t h e i m a g e r y w i t hh y p e r s p e c t r a l a n d h i g h s p a t i a l r e s o l u t i o na t t h e s a m e t i m e,w h i c h g r e a t l y l i m i t s t h ea p p l i c a t i o no f h y p e r s p e c t r a l r e m o t e s e n s i n g i n f i n eＧs c a l e t a s k s．I n r e c e n t y e a r s,w i t h t h e d e v e l o p m e n t o f h y p e r s p e c t r a l i m a g i n g t e c h n o l o g y a n d n e w o b s e r v a t i o n p l a t f o r m sr e p r e s e n t e d b y u n m a n n e d a e r i a lv e h i c l e s,h y p e r s p e c t r a la n d h i g hＧs p a t i a l r e s o l u t i o n(H２,w i t hb o t hn a n o m e t e r s p e c t r a l r e s o l u t i o na n ds u b m e t e r s p a t i a l r e s o l u t i o n)h a sd e v e l o p e d r a p i d l y,p r o m o t i n g t h e a p p l i c a t i o n o f h y p e r s p e c t r a l r e m o t e s e n s i n g t e c h n o l o g y,b u t a t t h e s a m e t i m e,i t h a s a l s ob r o u g h t m o r e p r o b l e m s．T h ee x t r e m e l y h i g hs p a t i a la n ds p e c t r a l r e s o l u t i o n m a k e st h ed a t a m o r e m a s s i v e a n d h i g hＧd i m e n s i o n a l,i n c r e a s e s t h e s p a t i a l h e t e r o g e n e i t y a n d s p e c t r a l v a r i a b i l i t y o f h y p e r s p e c t r a l d a t a,a n db r i n g s g r e a t e rc h a l l e n g e st oi n t e l l i g e n t i m a g ei n f o r m a t i o n p r o c e s s i n g．T h e r e f o r e,t h i sa r t i c l e r e v i e w s t h ea p p l i c a t i o n a n d d e v e l o p m e n t s t a t u s o f H２r e m o t e s e n s i n g i m a g e f r o m t h r e e a s p e c t s:H２r e m o t e s e n s i n g i m a g eb e n c h m a r k d a t a s e t,H２r e m o t e s e n s i n g i m a g e i n t e l l i g e n t i n f o r m a t i o n p r o c e s s i n g a n d t y p i c a l a p p l i c a t i o n o f H２r e m o t e s e n s i n g i m a g e．K e y w o r d s:h y p e r s p e c t r a la n d h i g hＧs p a t i a lr e s o l u t i o nr e m o t es e n s i n g;H２r e m o t es e n s i n g b e n c h m a r k d a t a s e t;i n t e l l i g e n t p r o c e s s i n g a n da p p l i c a t i o n o f H２r e m o t e s e n s i n g i m a g eF o u n d a t i o n s u p p o r t:T h eN a t i o n a l K e y R e s e a r c h a n dD e v e l o p m e n t P r o g r a mo f C h i n a(N o s．２０２２Y F B３９０３４０４;２０２２Y F B３９０３５０２);T h eN a t i o n a l N a t u r a l S c i e n c eF o u n d a t i o n o f C h i n a(N o s．４２０７１３５０;４２１０１３２７)摘㊀要:高光谱遥感技术是遥感领域的研究热点之一.然而,由于成像口径与能量等限制因素,难以同时获得高光谱和高空间分辨率的图像,这极大限制了高光谱遥感在精细尺度任务中的应用.近年来,随着高光谱成像技术及无人机为代表的新型观测平台的发展,高光谱高空间(双高,同时具备纳米级光谱分辨率与亚米级空间分辨率)遥感技术发展迅猛,推动了高光谱遥感技术的应用,但同时也带来了更多问题.极高的空间与光谱分辨率使得数据更加海量高维,加剧了高光谱数据的空间异质性和光谱变异性,为影像智能信息处理带来更大的挑战.为此,本文将从双高遥感影像基准数据集㊁双高遥感影像智能信息处理㊁双高遥感影像典型应用３个方面论述双高遥感应用与发展现状.Copyright©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用关键词:高光谱高空间遥感;双高遥感基准数据集;双高遥感智能处理与应用中图分类号:T P ７５１ʒP ２３７㊀㊀㊀㊀文献标识码:A ㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２３)０７Ｇ１２１２Ｇ１５基金项目:国家重点研发计划(２０２２Y F B ３９０３４０４;２０２２Y F B ３９０３５０２);国家自然科学基金(４２０７１３５０;４２１０１３２７)㊀㊀看得广㊁辨得清㊁识得多 是光学遥感不断追求的目标.高光谱成像技术作为２０世纪遥感技术最重要的突破之一,具备 光谱连续㊁图谱合一 的特性,可同步获取地物空间维与光谱维的信息.相比于可见光影像 所见即所得 的特点,高光谱影像中每个像元包含了数百个窄而连续波段组成光谱向量,可实现超视觉属性的精细识别,在矿物识别㊁军事侦察㊁城市监测㊁精准农业等众多领域展现出巨大应用价值[１],已经成为人类研究地表生态环境与认识理解地球的重要信息来源.近年来,高光谱遥感技术发展迅猛,美国㊁德国㊁中国㊁意大利㊁印度等国相继发射了搭载高光谱载荷的对地观测卫星,但受限于卫星口径㊁能量㊁体积㊁重量等诸多因素限制,高光谱遥感卫星的空间分辨率普遍较低(数米至数百米)[２Ｇ３].然而,在精细化对地观测应用中,迫切需要同步获取高空间与高光谱分辨率数据,以实现农作物冠层尺度分析㊁林业中单木信息识别㊁军事中伪装目标识别等应用.从观测角度来说,航空遥感(有人机和无人机等)是目前高光谱高空间(双高,同时具备纳米级光谱分辨率与亚米级空间分辨率)数据的主要来源[４].近年来,随着无人机高光谱遥感技术发展迅猛,可实现重点区域的低成本㊁高灵活的双高数据获取,已广泛应用于环境监测㊁灾害险情调查㊁林业虫害监测和精准农业等领域.同时新型光谱成像方式㊁高灵敏探测器㊁多光谱/高光谱影像融合㊁计算光谱成像等技术的发展也将为双高数据获取提供更多有效手段[５].相比于中低分辨率高光谱观测,双高观测可同时实现地物空间细节和光谱属性的全面感知,同时也为高光谱数据处理与应用提出了新挑战.双高观测中可分辨的地物单元与物质组成更加详尽,丰富的空间细节引起了极高的地物空Ｇ谱异质性, 同物异谱 现象大量存在导致地物类内方差显著增大,光谱统计分布特征更加复杂.此外,双高数据空间维与光谱维存在大量的信息冗余,数据海量高维的特点对处理方法的效率也提出了更高要求.本文主要围绕高光谱高空间遥感技术,以观测(标准数据集构建)㊁智能处理(波段选择㊁精细分类㊁目标探测)与地学应用为主线展开讨论(图１),为双高遥感研究与应用发展提供一定的理论支撑.图１㊀双高遥感影像 观测Ｇ处理Ｇ应用 理论体系F i g ．１㊀H ２r e m o t e s e n s i n g f r o mo b s e r v a t i o n ,p r o c e s s i n g t o a p pl i c a t i o n s １㊀双高遥感公开数据集本节从双高(纳米级光谱分辨率与亚米级空间分辨率)遥感数据集的角度出发,综述近几年各大研究单位发布的双高影像基准数据与样本集,归纳与总结成像平台㊁传感器㊁光谱分辨率㊁空间分辨３１２１Copyright ©博看网. All Rights Reserved.J u l y ２０２３V o l ．５２N o ．７A G C S h t t p :ʊx b ．c h i n a s m p ．c o m 率㊁波段数㊁影像大小㊁地物类别㊁发布年份和发布单位等信息,分析双高观测数据特点.(１)航空双高遥感数据集,主要包括徐州H Y S P E X 数据集[６](用于徐州煤矿矿区精细分类,包含裸地㊁湖㊁树㊁农作物和煤等９类地物)㊁A e r o R I T 数据集[７](包含车辆㊁建筑㊁道路㊁水体㊁植被５类地物)㊁马蹄湾村数据集[８](包含水稻茬㊁草地㊁榆树㊁白蜡和国槐等１９类地物)㊁T A I G A林业遥感数据集[９](包含３个类别与１０个林分连续变量信息(树干密度㊁断面面积㊁平均树高㊁叶面积指数等))㊁L u o ji a ＧH S S R 数据集[１０](包含稻田㊁树林㊁灌木林㊁建筑及乡路等２３类地物).(２)无人机双高遥感数据集,主要包括WHU ＧH i 基准数据集[１１](包含简单农业区域L o n gK o u ㊁城乡结合区域H a n C h u a n ㊁复杂农业区域H o n g H u ３个场景的全标注分类数据集(h t t p:ʊr s i d e a ．w h u ．e d u ．c n /r e s o u r c e _WH U H i _s h a r i n g ．h t m ),以及面向目标探测的R i v e r 数据集(h t t p :ʊr s i d e a ．w h u ．e d u ．c n /r e s o u r c e _WH U H i r i v e r _s h a r i n g．h t m )[１２])㊁U A V ＧH S I ＧC r o p 数据集[１３](包含玉米㊁小米㊁大白菜㊁胡萝卜㊁叶芥末等２９个地物).图２与表１展示了WH U ＧH i ＧH o n gH u 数据集的类别标注信息,包含２２种地物类别(１７种农作物),该数据具有细碎化土地利用特点复杂农业场景,农作物嵌套种植且种类相似.图２㊀WHU ＧH i ＧH o n gH u 数据集F i g ．２㊀WHU ＧH i ＧH o n gH ud a t a s e t 表１㊀WH U ＧH i ＧH o n gH u 地物类别标记T a b ．１㊀G r o u n d Ｇt r u t ha n n o t a t i o no fWH U ＧH i ＧH o n gH u２㊀双高遥感影像智能信息处理相比于传统高光谱卫星影像,双高遥感影像可同步获取地物精细光谱与空间信息,可分辨的地物基本单元与物质组成更详尽,同时也带来了数据海量高维㊁空Ｇ谱异质性等新挑战.首先,双高遥感观测获取的数据量巨大,空间维与光谱维存在严重信息冗余,对特征提取与算法处理效率提出了更高要求.其次,如图３所示,双高遥感影像存在严重的空Ｇ谱异质性问题.本文选取了S a l i a n s 高光谱影像和WHU ＧH i 双高影像进行空Ｇ谱异质性分析,采用相对空间异质指数[１４]对比S a l i a n s 与WHU ＧH i 数据的空间异质性,选取从S a l i a n s 花椰菜和青草类别与WHU ＧH i 油菜类别中随机选取的１０００条光谱曲线对比光谱变异性,可明显看出双高数据的空间异质性与光谱可变性更强.本文将上述现象描述为双高数据的空Ｇ谱异质性问题,即分辨率提升㊁地物细节凸显导致双高数据存在严重的 同物异谱 问题,同类地物的类内方差增大,不同地物的类间距离减小,加剧了地物精细分类与目标探测的难度.针对上述代表性问题,本章主要从双高遥感影像的波段选择㊁精细分类与目标探测角度出发,综述双高遥感影像智能信息处理方法.２．１㊀双高遥感影像波段选择不同于特征提取方法,波段选择,旨在从高维数据中筛选出能够反映地物诊断性光谱特征的波段子集,进而降低后续计算负担,提升应用精度与处理效率[１５].本节主要围绕双高波段选择方法展开讨论,依据选择策略讨论基于排序㊁搜索㊁聚４１２１Copyright ©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用类㊁稀疏㊁嵌入㊁深度学习６大类方法.图３㊀S a l i n a s 数据与WHU ＧH I ＧH o n gH u 数据光谱可变性与空间异质性对比F i g ．３㊀T h e v i s u a l i z a t i o no f t h e s p e c t r a l v a r i a t i o na n d t h e s p a t i a l h e t e r o g e n e i t y o f S a l i n a s a n d WHU ＧH I ＧH o n gH u ㊀㊀(１)基于排序的方法,利用预定义的波段优先级标准对每个光谱波段的重要性进行量化,根据量化结果对波段进行排序.根据评估测度是否利用真实地物类别标签,可将其分为无监督测度与有监督测度.最大方差主成分分析(M V P C A )[１６]是无监督中最典型的方法之一,其计算各波段影像的方差,并以主成分组成波段子集.有监督测度方法,如基于互信息(M I )[１７]的方法通过计算各个波段影像与真实类别标签影像之间的联合直方图,获得互信息进行排序.基于排序的方法整体上复杂度较低,但由于各波段大多单独利用特定参数进行评估,仅是优势波段的简单叠加,割裂了波段之间的组合关系[１８].(２)基于搜索的方法,主要思想为在给定评价函数的条件下,按照一定搜索策略迭代波段子集解,使得评价函数达到最优.由于双高影像存在着更强的谱间相关性,解空间呈现出愈发高维多峰的特征,采用高效的更新策略是关键步骤.常见的搜索策略主要包括增删搜索法与更新搜索法.典型的增删搜索法为顺序前向搜索(S F S)[１９],其解集从空集开始,每次选取使目标函数最大的波段进入解集,直至达到最大选取数目.典型的更新搜索法为启发性算法,如二进制的遗传算法(G A )[２０]利用０/１编码表征波段子集解,引入交叉变异算子获取新解,根据适应度函数迭代解种群与输出最佳解.基于搜索的方法整体上易于实现,但需要对波段选择问题进行有效建模.(３)基于聚类的方法,从波段特征相似性的角度出发,在全谱段进行聚类以获得不同的波段子聚类,在每个子聚类中进行筛选获得代表性的波段,构成最终的子集.快速邻域分组方法(F N G B S)[２１]通过计算每个分组内各波段与初始中心波段之间的相似度,迭代获得每个细分组,通过信息熵排序,确定最终的波段子集组成.支配集提取方法(D S E B S )[２２]通过局部空谱一致性算子度量波段的信息量与独立性.基于聚类的方法依赖于波谱相似性对整个高光谱影像进行分析,但如何在每个波段子类中确定代表性波段仍然值得进一步研究,并且基于聚类的方法对于初始的聚类数与位置往往非常敏感.(４)基于稀疏的方法,立足于稀疏性理论,希望将每个波段向量在合适的基字典中使用与原子相关的少数非零系数进行表达.稀疏表示方法(S pa B S )[２３]通过K ＧS V D 获得高光谱数据的稀疏５１２１Copyright ©博看网. All Rights Reserved.J u l y２０２３V o l．５２N o．７A G C S h t t p:ʊx b．c h i n a s m p．c o m表示,揭示了各个波段在形成双高影像时的重要程度.改进稀疏子空间聚类的方法(I S S C)[２４]假设每个波段可以稀疏地表示为其子空间内其他波段的线性或仿射组合.基于稀疏的方法对双高影像进行了稀疏假设,并据此建模成稀疏优化问题,整体上降低了计算复杂度,但对于双高影像的稀疏假设是否全面尚未得到充分的证实.(５)基于嵌入的方法,将整个波段选择和学习模型进行融合,依据学习模型的精度反馈评估波段子集,以实现应用上最佳的波段子集选取.本文主要以分类应用为例,应用最广泛是S VM 分类器[２５],递归特征消除以S VM训练阶段计算出的权重值作为排序准则,去除冗余波段.基于嵌入的方法由于波段选择过程与应用过程耦合,难以直接评估波段选择方法本身的性能,更多地取决于学习算法的表现,复杂度较高.(６)基于深度学习的方法,近年来,随着深度学习技术在高光谱遥感影像处理各领域应用的不断发展,相关研究[２６]结合空间/光谱注意力机制,设计卷积神经网络(C N N),实现对高光谱影像的显著性波段选择.文献[２７]提出了一种端到端的高光谱波段选择框架B SＧN e t s,根据B AM和重建网络实施的不同,B SＧN e t s包括全连接(F C N)与卷积网络(C N N)两种形式.基于深度学习的方法利用深层次的网络结构提取各波段间的非线性依赖关系,可有效提取显著性波段,但也带来了更加庞大的计算量.本节在WH UＧH iＧH o n g H u双高数据集上进行试验,选取了P C A[１５]㊁I C A[１５]㊁M V P C A[１６]㊁M I[１７]㊁S F S[１９]㊁G A[２０]㊁F N G B S[２１]㊁D S E B S[２２]㊁S p a B S[２３]㊁I S S C[２４]㊁B SＧN e tＧF C[２７]㊁B SＧN e tＧC o n v[２７]１２种代表性方法,分类精度变化图和分类精度表分别如图４和表２所示.从分类精度来看,与理论分析一致,特征提取方法(P C A和I C A)在特征数较少时具备显著优势,而特征数较多时,不及其他波段选择方法,基于排序的方法得到的波段子集整体精度较低,其他方法在波段数超过３０后可获得优于全波段的效果,其中,I S S C方法具备明显优势, B S_N e t_F C整体精度优于传统方法.图５展示了在设定波段数为９时选取波段的分布情况,可以发现,MV P C A和M I选取的波段聚集在较紧密的范围内,F N G B S选取的波段最为均匀, D S E B S选取波段密度正比于光谱变化坡度, S p a B S在所有谱段内获取了差异性较大的波段, I S S C均匀分布在曲线变化剧烈区域,B S_N e t_F C 在红光与近红外交界附近选取较多波段.表２㊀波段选择分类精度T a b．２㊀B a n d s e l e c t i o n c l a s s i f i c a t i o na c c u r a c y特征选择/特征提取总体精度O A K a p p a系数均值ʃ标准差最值均值ʃ标准差最值P C A[１５]０．６５ʃ０．０３１０．７００．５９ʃ０．０３５０．６４I C A[１５]０．６５ʃ０．０３１０．６８０．５８ʃ０．０３５０．６２MV P C A[１６]０．４３ʃ０．０７５０．５００．３５ʃ０．０６８０．４２M I[１７]０．３５ʃ０．０５００．４３０．２７ʃ０．０４５０．３５S F S[１９]０．６１ʃ０．０７００．６５０．５４ʃ０．０７６０．６４G A[２０]０．６４ʃ０．０６４０．６９０．５７ʃ０．０６８０．６２F N G B S[２１]０．６５ʃ０．０５７０．６８０．５８ʃ０．０６２０．６２D S E B S[２２]０．６４ʃ０．０６４０．６９０．５８ʃ０．０６９０．６３S p a B S[２３]０．６０ʃ０．０７５０．６６０．５３ʃ０．０７７０．６０I S S C[２４]０．６５ʃ０．０５８０．６９０．５９ʃ０．０６１０．６３B SＧN e tＧF C[２７]０．６７ʃ０．０３９０．６９０．６０ʃ０．０４２０．６２B SＧN e tＧC o n v[２７]０．６２ʃ０．０３５０．６５０．５６ʃ０．０３９０．５８A l l b a n d s０．６７０．６７０．６００．６０图４㊀不同波段选择/特征提取方法分类精度变化曲线F i g．４㊀C l a s s i f i c a t i o na c c u r a c y c u r v e s o f d i f f e r e n t b a n d s e l e c t i o nm e t h o d s ６１２１Copyright©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用图５㊀波段选择方法选取波段对比F i g ．５㊀C o m pa r i s o n o fs e l e c t e db a n d so fd i f f e r e n t b a n d s e l ec t i o nm e t h od s２．２㊀双高遥感影像精细分类高光谱影像分类旨在赋予影像中每个像元唯一的类别标签,其分类精度将直接影响后续处理和解译任务的准确性.然而,相比于中低分辨率的高光谱影像,空间分辨率的显著提升使得双高遥感影像中同物异谱现象大量发生,地物类内方差明显增大,光谱特征统计分布更加复杂,地物光谱信息的统计可分性严重减弱[２８],导致早期支持向量机㊁核极限学习机[２９]和低秩稀疏表示[３０]等分类方法在双高影像分类面临极大挑战.为此,本章综述主要面向基于深度学习的双高分类研究,根据分类网络数据输入的形式划分为基于空间取块(P a t c h Ｇb a s e d )和无须空间取块(P a t c h Ｇf r e e)两大类方法.２．２．１㊀P a t c h Ｇb a s e d 深度学习双高影像分类方法如图６所示,P a t c h Ｇb a s e d 深度学习分类方法以标记像元为中心选取邻域的三维 空间块 作为网络模型的输入,输出中心像元的类别标签.目前,针对双高遥感分类的方法模型主要包括空谱信息融合提取网络和双分支空谱融合网络两大类.(１)空谱信息融合提取网络:该类模型以三维 空间块 为输入数据,利用深层神经网络学习全部光谱信息和邻域的空间信息.该类模型早期利用２D C N N 或３D C N N 提取空谱融合特征进行分类,然后采用条件随机场[１１]等后处理方法消除双高影像分类结果中错分的孤立区域.随着研究的不断深入,基于图卷积网络[３１]㊁联合注意力机制[３２]㊁视觉T r a n s f o r m e r [３３]等优异的网络架构也被开发出来,可以显著提升双高影像的空谱融合特征提取能力.(２)双分支空谱特征融合网络:该类网络构建２个分支分别为侧重光谱信息提取的光谱分支和空间信息提取的空间分支[３４Ｇ３５].光谱分支一般采用光谱注意力机制㊁L S T M 模型挖掘光谱连续特征,空间分支一般采用空间注意力机制[３６]㊁多尺度残差模块等操作捕获降维后双高影像的空间特征,其中降维的方法包括波段选择㊁主成分分析(P C A )和最小噪声分离(MN F )等.最后,双分支分别将提取的空谱特征级联后输入到全连接层进行整合,进而实现空谱信息融合.P a t c h Ｇb a s e d 深度学习分类模型在双高影像上取得了优异的结果,但是该类模型仍存在一些不足:① 空间块 的最优尺寸受到空间分辨率和地物分布等多种因素的影响,导致 空间块 的最优尺寸难以确定,且不同影像的最优尺寸存在差异;② 空间块 输入导致后续的深度学习模型仅利用局部空谱信息,局部空谱融合的方式在空间分辨率极高的双高影像中会产生错分的孤立区域现象;③空间取块的方式使得相邻像元空间块存在着大量的数据冗余,使得网络在模型推理时需要耗费大量的时间和计算成本.图６㊀基于空间取块机制的卷积神经网络分类F i g．６㊀P a t c h Ｇb a s e d c o n v o l u t i o n a l n e u r a l n e t w o r k f o rH S I c l a s s i f i c a t i o n ２．２．２㊀P a t c h Ｇf r e e 深度学习双高影像分类方法为了缓解P a t c h Ｇb a s e d 的方法在双高影像分类的局限性,一些研究学者开始提出无须空间取块(P a t c h Ｇf r e e)的分类方法,其将全局影像(或分７１２１Copyright ©博看网. All Rights Reserved.J u l y２０２３V o l．５２N o．７A G C S h t t p:ʊx b．c h i n a s m p．c o m区裁剪为若干个NˑNˑB的图像块)作为网络的输入,通过全卷积神经网络实现全局空谱信息融合缓解双高影像极高的光谱变异性.相比于P a t c hＧb a s e d的方法,P a t c hＧf r e e的方法避免了空间取块机制最佳窗口选择的难题,并且具有更优的模型推理效率.(１)全局影像输入:当双高影像的数据量较小时,可以直接将全局影像作为模型的输入.文献[３７]首次提出快速全卷积深度网络实时分类框架F P G A,其在编码器中嵌入光谱注意力模块提升特征提取效率,相比于P a t c hＧb a s e d的方法在精度和效率上都有极大的提升.但是,F P G A方法受到卷积核的限制无法捕获长距离像素间的依赖关系,同时难以应对地物尺度多样性的挑战,导致其在对空谱异质性极高的双高影像分类时仍会出现错分孤立区域现象.在此基础上,一些融合多尺度信息㊁长距离上下文信息等双高分类网络相继被提出.在融合多尺度信息方面,文献[３８]通过深层次残差网络空洞卷积空间金字塔池化(a t r o u s s p a t i a l p y r a m i d p o o l i n g,A S P P)提取高层语义信息和多尺度上下文信息,极大缓解了双高影像严重的空间异质性和地物尺度差异的挑战.文献[３９]在A S P P基础上进一步提出了尺度注意力模块,其通过自适应聚合多尺度上下文特征更好解决地物尺度多样性的挑战,并且通过聚合光谱Ｇ空间Ｇ尺度注意力机制实现了地物亚类之间的精细区分.在长距离上下文依赖关系捕获方面,文献[４０]通过图注意力网络对影像长距离空间上下文进行建模,并通过融合卷积神经网络提取的特征,使网络获得了更加优异的地物分类精度.(２)分区裁剪输入:当双高影像的数据量较大时,会采用分区裁剪的输入方式来降低计算代价.文献[７]将A e r o R I T数据集按照５０％重叠率裁剪为空间尺寸为６４ˑ６４的图像块,在U N e t 模型的基础上研发了轻量化的UＧN e tＧm模型,实现了对建筑物㊁道路㊁汽车等５类地物的精细分类.文献[１０]在H R N e t模型的基础上针对双高影像的特点提出３DＧH R N e t,在L u o j i aＧH S S R数据集(６４３８个２５６ˑ２５６图像块)的测试数据中取得了优异精度.文献[１３]利用残差连接的T r a n s f o r m e r层来学习影像的全局上下文特征,其构建的H S IＧT r a n s U N e t模型在U A VＧH S IＧC r o p数据集中(４３３个９６ˑ９６图像块)实现了对２７类作物的精细分类.２．２．３㊀双高分类试验与分析本节以WHUＧH iＧH o n g H u双高数据集进行双高分类方法的对比分析试验,其中训练集为每类１００个样本,其余标记样本作为测试集.试验方法包括:①基于统计学习的方法,如光谱角匹配法(S AM)㊁最大似然分类法(M L C)和支持向量机(S VM);②P a t c hＧb a s e d深度学习方法,如一维卷积光谱特征网络(F EＧ１D C N N[４１])㊁二维卷积空间特征网络(RＧP C A C N N[４２])㊁三维卷积空谱联合特征提取(AＧF CＧ３D C N N[４３]和H y b r i d S N[４４])㊁双分支空谱特征融合网络(S S A N[４５]);③P a t c hＧf r e e深度学习方法,如F P G A[３７]㊁S３A N e t[３９]㊁F u l l C o n t N e t[４６]和S S D G L[４７].可视化分类图和分类精度表分别如图７和表３所示.S AM㊁M L C㊁S VM和F EＧ１D C N N ４类方法由于仅利用双高影像的光谱信息,存在严重的地物错分现象,其分类精度整体在７５％以下.其中,F EＧ１D C N N方法可以挖掘更深层次的光谱信息,其分类性能优于基于统计学习的３种光谱分类方法.RＧP C A C N N㊁AＧF CＧ３D C N N㊁H y b r i d S N和S S A N４种P a t c hＧb a s e d分类方法可以同时利用双高影像光谱信息和空间信息,分类性能得到极大的提升,其中H y b r i d S N精度达到了９０．０２％.然而,该类方法仅能利用局部空间信息难以有效解决双高影像极高的光谱变异性,导致分类结果中仍有大量错分的孤立区域.同时,该类方法逐像元的模型推理方式需要大量的计算时间.相比于P a t c hＧb a s e d分类方法, F P G A㊁S３A N e t㊁F u l l C o n t N e t和S S D G L４种P a t c hＧf r e e分类方法可以融合全局空谱信息,极大地消除了孤立错分情况且分类性能也有着明显提升,总体分类精度均优于９７％,全局输入的方式也极大提升了模型的推理速度.然而,以整张影像作为输入的全卷积网络模型显存占用较大,对计算机的性能要求较高.２．３㊀双高遥感影像目标探测高光谱目标探测旨在确定特定或异常目标在每个像元中存在性问题,通过像元与目标的置信度值进行度量[４８].在传统中低分辨率遥感影像中,通常假设目标具有小尺寸与低比例等特性,甚至假设目标为亚像元.与之相比,双高影像空间分辨率更高,目标通常表现为超像元形式,且具备如纹理㊁形状等空间上下文信息,因此基于空Ｇ谱特征的目标探测方法效果一般由于传统基于光谱８１２１Copyright©博看网. All Rights Reserved.第７期钟燕飞,等:高光谱高空间分辨率遥感观测㊁处理与应用特征的探测方法.本节根据目标光谱先验信息是否已知,将现有方法划分为已知先验的目标探测方法和先验未知的异常探测方法,并分别进行试验分析.图７㊀不同方法分类结果定性对比(WHU ＧH i ＧH o n gH u )F i g ．７㊀C o m p a r i s o no f d i f f e r e n t c l a s s i f i c a t i o nm e t h o d sb y u s i n g t h eWHU ＧH i ＧH o n g H ud a t a s e t 表３㊀WH U ＧH i ＧH o n gH u 分类精度表T a b ．３㊀C l a s s i f i c a t i o na c c u r a c y o fWH U ＧH i ＧH o n gH u 分类方法推理时间/s 显存占用/M B总体精度/(％)S AM ５３．０１Ｇ４５．６６M L C７８．０６Ｇ５８．５３S VM１０．０３Ｇ７１．３４F E Ｇ１D C N N２４７９．５１１０１９７１．６２R ＧP C AC N N５５８４．３８１１０５７６．１４A ＧF C Ｇ３D C N N １８９９．７５１１０３８３．０９H y b r i d S N ５４７７．４３１０５７９０．０２S S A N２８３７．８０１０２３８４．４６F P G A１１．５１５９０１９７．５６S ３A N e t１１．７７８８４９９７．８２F u l l C o n t N e t １１．８６９７５１９７．９１S S D G L１１．１０１０３６５９８．１６２．３．１㊀已知先验的目标探测已知目标先验时,探测算法利用目标的先验光谱特征将高光谱影像中的目标与其他地物区分[４９].由于目标在高光谱影像中所占比例极小.高光谱目标探测算法可大致分为基于统计的方法㊁基于核的方法㊁基于表示的方法和基于深度学习的方法.基于统计的方法可以细分为结构化背景模型和非结构化背景模型[５０].结构化背景模型使用子空间模型对背景光谱变化进行建模,目标探测问题归结为在式(１)所二元假设中进行选择的问题[５１]H ０:x ＝B a b ＋w目标不存在H １:x ＝S a t ＋B a b ＋w目标存在}(１)式中,矩阵B 和S 分别定义了背景的变化子空间和目标的变化子空间.基于结构化背景模型的典型方法包括:正交子空间投影[５２]㊁匹配子空间探测器[５１]等.非结构化背景模型使用统计分布描述背景变化,一般将背景和噪声进行统一建模为一个均值为０,协方差矩阵为Γb 的多元正态分布,无须对B 和w 进行显式求解.基于非结构化背景模型的典型方法包括:约束能量最小化方法(C E M )[５２],自适应一致性余弦估计(A C E )[５３]等.然而,传统统计方法存在非线性混合建模不足等问题.为此,基于核的方法被提出,该类方法利用核函数将高光谱数据从原始特征空间投影到高维特征空间,使得原始特征空间的非线性混合转化为高维特征空间的线性混合,从而可以利用更简单的判别准则实现探测.基于核的方法包括核匹配子空间探测器[５４]和核正交子空间投影[５５]等.为增强子空间模型表示能力,稀疏表示被引入并应用于高光谱目标探测问题,由此产生了基９１２１Copyright ©博看网. All Rights Reserved.。

遥感技术在测绘领域的应用遥感技术是指利用卫星或飞机通过接收地面反射或辐射的电磁波，获取、记录、分析和解译地球表面信息的一种技术。

在测绘领域，遥感技术的应用非常广泛，可以高效、精确地获取各种地理空间信息，提升测绘数据的质量和准确度。

以下是遥感技术在测绘领域的一些具体应用。

1. 地表覆盖分类与制图：利用遥感技术可以获取不同地表覆盖类型的光谱信息，如植被、水域、建筑物等。

通过对这些信息进行分类和解译，可以制作出多种地图，如土地利用图、植被覆盖图、水资源分布图等，为城市规划、农业发展、自然资源管理提供重要依据。

2. 地形测量与地质调查：利用遥感技术获取的高分辨率影像可以提供详细的地形信息。

通过分析地表起伏、高程变化等数据，可以制作数字高程模型和地形图，为地形测量、地质勘探、地震监测等方面提供支持。

3. 海岸线监测与河流变迁分析：利用雷达遥感技术可以获取海岸线的精确位置和变化情况。

通过对多期影像进行比对和分析，可以监测海岸线的蚀刻和侵蚀过程，为海岸防护工程和海洋资源管理提供决策依据。

遥感技术还可以用于分析河流的演变过程，监测洪水、决堤等自然灾害的发生和变化趋势。

4. 城市规划与土地利用动态监测：利用遥感技术可以对城市及其周边地区进行高精度影像获取和信息提取，实时监测建设用地的变化和土地利用的动态情况。

通过对城市扩张、工业园区建设、交通网络等方面的监测和分析，可以为城市规划和土地资源管理提供数据支持，促进城市的可持续发展。

5. 环境监测与生态保护：利用遥感技术可以对大范围的环境变化进行监测和评估，如植被覆盖变化、土壤退化、生态系统破坏等。

通过监测气候变化、水质污染、森林砍伐等问题，可以及时采取措施进行环境保护和生态修复。

遥感技术在测绘领域的应用非常广泛，可以为城市规划、土地利用管理、环境保护等方面提供精确、实时的地理空间信息。

随着遥感技术的不断发展和卫星影像的优化，遥感技术在测绘领域的应用前景将更加广阔。

定位 等高新设备和技术 ， 建 立 起 来 的 一种 高机 动 性 、 低成本和小 型化、 专 用 化 的遥 感 系 统 。将 无 入 机 航 测 技 术 用 于
地震勘探 作业 ， 可迅 速 获 取 地 面 高 分 辨 率 影 像 信 息 ， 为测 线设计 、 施工组 织、 质 量监控、 ＨＳ Ｅ 管理 等 提 供 重 要 依 据 。
Ｗ ａ ｎｇ Ｙａ ｎ ｍｅ ｉ ，Ｚｈ ｅ ｎｇ Ｙｏ ｎｇ ｍｉ ｎｇ，Ｇｕ Ｙａｎ ｒ ｕ，Ｚｈａ ｎ ｇ Ｌｉ ｐｉ ｎｇ ａ ｎ ｄ Ｚｈ ａｎ ｇ Ｚｈｉ ｘｉ ａ．Ａ ｃ ｑｕ ｉ ｓ ｉ ｔ ｉ ｏ ｎ ｏ ｆ ｈｉ ｇ ｈ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｓ ｂｙ
摘
要
王艳梅 ， 郑永明 ， 谷艳如 ， 张丽萍 ， 张 志 霞． 利 用 无 人 机 获 取 高 分 辨 率 影 像 在 物 探 生 产 中 的ቤተ መጻሕፍቲ ባይዱ 用 ． 物探装 备 ， ２ ０ １ ３ ， ２ ３
（ １ ） ：１ ９～ ２ ５
无人 机 航 空 摄 影 是 以获 取 低 空 高 分 辨 率 遥 感 影 像 数 据 为 应 用 目标 ， 集 成 了无 人 驾 驶 飞 行 器 、 遥感及 Ｇ Ｐ Ｓ导 航
２ ０ １ ３年 ２月
物 探 装 备
第２ ３ 卷
第１ 期
利用无人机获取高分辨 率影像 在物探生产 中的应 用
王艳 梅 郑永 明 谷 艳 如 张 丽 萍 张志 霞
（ 东 方地 球 物理 公 司装 备 服务 处 测 量 服 务 中心 ， 河北涿州 ０ ７ ２ ７ ５ ０ ）
ＵＡＶ ａ ｎ ｄ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｇ ｅ ｏ ｐ ｈ ｙ ｓ ｉ ｃ ａ ｌ ｐ ｒ ｏ ｓ ｐ ｅ ｃ ｔ ｉ ｎ ｇ ｐ ｒ ｏ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ．ＥＧＰ， ２ ０ １ ３， ２ ３ （ １ ） ：１ ９ ￣２ ５ Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｏ ｂ ｔ ａ ｉ ｎ ｈ ｉ ｇ ｈ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ａ ｔ ｌ ｏ ｗ ａ ｌ ｔ ｉ ｔ ｕ ｄ ｅ ，ｉ ｎ ｔ ｅ ｇ ｒ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｕ ｎ ｍａ ｎ ｎ ｅ ｄ ａ ｅ ｒ ｉ ａ ｌ ｖ ｅ ｈ ｉ ｃ ｌ ｅ ｓ ， ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ａ ｎ ｄ ＧＰＳ ｎ ａ ｖ ｉ ｇ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｇ ｏ ｆ ｈ ｉ ｇ ｈ － ｔ ｅ ｃ ｈ ｅ ｑ ｕ ｉ ｐ ｍｅ ｎ ｔ ａ ｎ ｄ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ．Ｔｈ ｅ ＵＡＶ ａ ｅ ｒ ｉ ａ ｌ ｐ ｈ ｏ ｔ ｏ ｇ — ｒ ａ ｐ ｈ ｙ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｓ ｅ ｔ ｕ ｐ ａ ｓ ｐ ｅ ｃ ｉ ａ ｌ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ ｗｉ ｔ ｈ ｔ ｈ ｅ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｓ ｏ ｆ ｈ ｉ ｇ ｈ ｍｏ ｂ ｉ ｌ ｉ ｔ ｙ，ｌ ｏ ｗ ｃ ｏ ｓ ｔ ａ ｎ ｄ ｍｉ ｎ ｉ ａ — ｔ ｕ ｒ ｉ ｚ ａ ｔ ｉ ｏ ｎ，ｗｈ ｉ ｃ ｈ ｃ ａ ｎ ｂ ｅ ｕ ｓ ｅ ｄ ｆ ｏ ｒ ｓ ｅ ｉ ｓ ｍｉ ｃ ｅ ｘ ｐ ｌ ｏ ｒ ａ ｔ ｉ ｏ ｎ ．Ｔｈ ｉ ｓ ｓ ｙ ｓ ｔ ｅ ｍ ｃ ａ ｎ ｑ ｕ ｉ ｃ ｋ ｌ ｙ ｇ ｅ ｔ ｈ ｉ ｇ ｈ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｇ ｒ ｏ ｕ ｎ ｄ ｉ ｍａ ｇ ｅ ｉ ｎ — ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ，ｔ ｈ ｅ ｎ ｐ ｒ ｏ ｖ ｉ ｄ ｅ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｍａ ｔ ｅ ｒ ｉ ａ ｌ ｓ ｆ ｏ ｒ ｔ ｈ ｅ ｌ ｉ ｎ ｅ ｄ ｅ ｓ ｉ ｇ ｎ，ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｉ ｏ ｒ ￣ｏ ｒ ｇ ａ ｎ ｉ ｚ ａ ｔ ｉ ｏ ｎ，ｑ ｕ ａ ｌ ｉ ｔ ｙ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ， ＨＳ Ｅ ｍａ ｎ ａ ｇ ｅ ｍｅ ｎ ｔ ｅ ｔ ｃ ． ．Ｔｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｓ ｈ ｏ ｗ ｔ ｏ ｍａ ｋ ｅ ｆ ｕ ｌ ｌ ｕ ｓ ｅ ｏ ｆ ｔ ｈ ｉ ｓ ｓ ｙ ｓ ｔ ｅ ｍ ｔ ｏ ａ ｃ ｑ ｕ ｉ ｒ ｅ ｈ ｉ ｇ ｈ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｍａ ｔ ｅ ｒ ｉ ａ ｌ ｓ ａ ｎ ｄ ｈ ｏ ｗ ｔ Ｏ ａ ｐ ｐ ｌ ｙ ｉ ｎ ｇ ｅ ｏ ｐ ｈ ｙ ｓ ｉ ｃ ａ ｌ ｐ ｒ ｏ ｓ ｐ ｅ ｃ ｔ ｉ ｎ ｇ ．

如何进行高分辨率遥感影像处理和特征提取—操作指南随着遥感技术的不断发展，高分辨率遥感影像的获取和处理已经成为现代地理信息科学和遥感应用的重要组成部分。

本文将介绍如何进行高分辨率遥感影像处理和特征提取，并提供一些实用的操作指南。

一、数据获取与预处理在进行高分辨率遥感影像处理和特征提取之前，我们首先需要获取合适的遥感数据。

这可以通过卫星或无人机获取。

对于特定的研究领域或项目需求，选择合适的遥感影像数据非常重要。

常见的高分辨率遥感影像数据包括Landsat、Sentinel、QuickBird等。

一旦获取到了所需的影像数据，我们就可以进行预处理来优化数据质量。

预处理的步骤包括去除影像中的云和阴影、大气校正、辐射校正等操作。

二、影像增强与分割高分辨率遥感影像通常包含大量的信息，但这些信息往往被掩盖在噪声和杂散信息中。

因此，在特征提取之前，我们需要对影像进行增强和分割，以凸显目标特征。

影像增强可以通过直方图均衡化和滤波等技术实现。

而影像分割则将影像划分为一组连续的区域，以便更好地提取各个区域的特征。

这些区域可以通过基于像素的分割算法或基于区域的分割算法来获取。

三、特征提取与分类特征提取是高分辨率遥感影像处理的关键步骤。

提取准确的特征可以为后续的分类和分析提供重要的基础。

常用的特征包括形状、纹理、光谱和空间特征等。

形状特征可以通过计算目标的各类几何特征来获取，如周长、面积、紧凑性等。

纹理特征可以通过灰度共生矩阵和小波变换等方法进行提取。

光谱特征则利用影像的不同波段之间的差异来表达目标的光谱信息。

空间特征则关注目标之间的相对位置和空间关系。

提取到的特征常常需要进行分类和识别。

分类是将影像中的不同目标分配到指定类别的过程。

常用的分类算法包括马尔可夫随机场、支持向量机和人工神经网络等。

这些算法可以利用一些已知类别的样本数据进行训练，然后将训练得到的模型应用到未知数据中。

这样，我们就可以实现对影像中各个目标进行自动识别和分类的工作。

• 中低分辨率影像
• 由于中低分辨率影像的分辨率 的一般都在20m以上，所以可 以现实的地物细节不多。地物 清晰度低，道路在影像上的灰 度基本一致，与周围地物具有 明显的差异。在图像上能够利 用道路影像只是一些结构简单 的道路，对于城市复杂的道路 低分率影像无法满足要求。 （图1）
• 高分辨率影像
• 与中低分辨率影响相比，高分 辨率影像由于空间分辨率增加 （一般在1m一下），所以能够 显示的地物信息更加丰富，可 以显示更多的细节信息。可以 提供大量的高精度的数据。 （图2）
• ③拓扑特征：理想条件下,各道路相互连通,形成道路网, 各道路仅存在两种可能性:一种是与另外一条道路相交;另 外一种就是由于单幅影像的覆盖范围有限,道路直接延伸 到影像的边界外。 • ④上下文特征:上下文特征是指与道路相关的特征和信息 ，上下文信息包含全局意义上和局部意义上两类。全局意 义上,上下文特征提供了全局范围的信息。局部意义上,上 下文特征提供局部范围内的信息。 • ⑤功能特征:与铁路、水路、航空和管道等组成运输网络, 起到运输的作用，一般都具有指向,将乡村、城市、厂矿 等联系起来。
空 间 域 增 强
频 率 域 增 强
影像预处理流程
遥感影像道路提取方法
• 在遥感影像中对道路进行提取主要是利用了道路的线状特 征和辐射特征。线状特征也就是道路影像所表现出来的在 一定区域内具有一定宽度和长度，并且转向的弯曲度变化 较小。但是在大多数城市中，尤其是一些大城市，道路错 综复杂，路宽也是不定，道路两侧的建筑物、植物阴影也 是提取道路的一大障碍。而在乡村、城镇一些小的地方， 由于道路较少，直线较多，周边的干扰也比较少，所以相 对城市来说提取困难要小一些。 • 针对以上的一些困难，若是想能够得到好的道路信息，更 需要在把重点放在影像的预处理阶段，如何滤除掉无用的 信息以及增强感兴趣的信息尤为重要。

遥感技术在地理科学中的应用一、前言地理科学是一门研究地球表面和地理环境、自然和人文因素相互作用的学科。

随着遥感技术的发展，地理科学中的遥感应用也越来越广泛。

本文将从概念、分类、性能等方面对遥感技术在地理科学中的应用进行探讨。

二、概念遥感技术，简称遥感，是指利用飞机、卫星等空间平台获取地球表面信息的技术。

遥感技术的核心是获取、处理、分析和应用地球表面信息。

地理科学是以地球为研究对象，以空间为研究范畴，综合运用自然科学和人文社会科学方法，研究地球表面的形态、构造、环境、资源、人类活动等方面的学科。

三、不同类型遥感技术在地理科学中的应用1.光学遥感光学遥感是指利用红外、可见光和紫外线等光学方法采集地球表面信息的技术。

光学遥感的应用领域非常广泛，包括地图制作、土地利用和覆盖分类、植被监测等领域。

地理科学中的光学遥感应用非常广泛。

例如，利用SPOT卫星获取的高分辨率遥感影像，可以用于制作地图和测量地球表面的高程；利用Landsat卫星获取的光学遥感影像可以用于土地利用与覆盖分类；而在农业领域，光学遥感可用于监测作物生长状况、早期灾害监测等方面。

2.雷达遥感雷达遥感是指利用雷达波长进行地球表面信息获取的技术。

与光学遥感相比，雷达遥感具有独特的优势，如在复杂地形和植被覆盖区域下有更好的透视能力、无需受日照影响、夜间和云层下工作能力强等。

在地理科学中，雷达遥感的应用领域广泛，如海洋和河流监测、灾害监测、土地覆盖分类等。

例如，利用合成孔径雷达（SAR）技术可以监测海洋表面波浪、潮汐、浪高、风速等；利用雷达遥感可以监测地质灾害、洪水、冰雹等自然灾害；此外，雷达遥感在林业、农业、气象、资源与环境保护等领域也有广泛的应用。

3.激光雷达遥感激光雷达遥感是指利用激光器将高能激光束照射到地面上，利用接收器接收反射回来的激光脉冲进行地球表面信息获取的技术。

激光雷达遥感的主要优势是高空间分辨率、高精度、高灵敏度、三维立体成像等。

第３　３卷，第８期　２　０　１　３年８月　光谱学与光谱分析　

Ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ　Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ　Ｖｏ１．３３，Ｎｏ．８，ｐｐ２０２４—２０３０　Ａｕｇｕｓｔ，２０１３　

应用高分辨率影像的城市固体废弃物提取　张方利，杜世宏　，郭　舟　北京大学遥感与ＧＩＳ研究所，北京　１００８７１　摘要　日益增多的城市固体废弃物不断威胁着城市的生态环境。应用遥感技术的城市固体废弃物监测与　管理比实地调查的方法省时省力。然而，分布不规律的城市固体废弃物成分复杂，在高分辨率遥感影像上表　现出极强的异质性，无论是针对像素，还是针对运用对象的影像分析方法都难以实现计算机自动提取。针对　城市固废堆在重采样低分辨率影像上异质性得到减弱、同质性增强，而在高分辨率上细节丰富、位置准确的　特点，提出了一种融合多分辨率对象的城市固废提取方法。以北京市海淀区的ＱｕｉｃｋＢｉｒｄ影像进行实验，结　果表明，露天城市固废堆的识别精度可达７５％，表明这种多分辨率信息提取策略对于监测露天的城市固废　堆十分有效。　

关键词　城市固体废弃物；高分辨率遥感；多分辨率；基于对象的影像分析　中图分类号：ＴＰ７９　文献标识码：Ａ　ＤＯＩ：ｌ０．３９６４／ｊ．ｉｓｓｎ．１０００—０５９３（２０１３１０８—２０２４—０７　

引　言　城市固体废弃物（以下简称“城市固废”）是指在人类生产　建设、日常生活和其他活动中产生的固态或半固态的废弃物　体，主要包括生活垃圾、建筑垃圾和工业垃圾等口］。在过去　的几十年里，发展中国家城市化与城镇化进程加剧了城市固　废的产生。据统计，中国６６０座城市每年共生产大约１．９亿　吨固废，占全世界总量的２９　Ｌ２］。与日俱增的城市固废产生　了一系列严重的生态问题，例如污染附近的水体、空气和生　态环境，造成城市土地资源浪费［３］，影响到人类的日常生　活。因此，为改善城市土地资源管理，提高城市生态环境质　量，需对城市固废进行实时有效的监测。　实地调查与现场测量是城市固废监测与管理的常用方　法［４’　。然而，城市固废分布点随机性大、分布范围广，这种　监测方式耗时费力，效率不高。相比而言，不断丰富的遥感　影像数据具有较大优势（如成本低廉、覆盖范围广、实时性　好等），很适合用于城市固废的实时提取。到目前为止，在应　用遥感数据的固废提取方面，已有一些有益的尝试＿６　］。刘　庆生等Ｌ６］根据多时相１９．５　ｍ空间分辨率的中巴资源卫星数　据，利用决策树分类技术对北京市一处覆盖面积约２０公顷　的垃圾填埋场状况进行了变化监测。Ｂａｇｈｅｒｉ等［７　根据１：　１２　０００比例尺（空间分辨率大约为０．５　ｍ）的航空影像，目视　判读出美国新泽西州伯灵顿市地区的垃圾堆。Ｓｉｌｖｅｓｔｒｉ等　］　根据１　ｍ空间分辨率的ＩＫ０ＮＯｓ卫星影像数据进行监督分　类的结果识别出分布在意大利的城市固废堆。刘亚岚等［９］运　用北京１号小卫星影像的４　ｍ分辨率融合数据，结合人工目　视解译和计算机自动分类，对北京市范围内露天堆放的城市　固废进行了提取与变化监测。　显然，中低空间分辨率的遥感影像数据多用来识别面积　较大的垃圾填埋场，无法监测大量面积较小的城市固废堆。　城市固废成分和空间形态复杂，分布随机，基于高空间分辨　率影像也难实现自动提取。经过合理规划建设的垃圾填埋场　能得到有效监测和管理，而对环境威胁更大的小型露天固废　堆弃物无法有效监测。因而，通过遥感技术识别并提取露天　城市固废堆十分必要。