高光谱观测卫星 - 产品信息 - 相关知识

2025-01-21 09:30:33高光谱观测卫星: 高光谱观测卫星是专门用于获取地表物体高光谱信息的遥感卫星。它通过搭载的高光谱相机，以数百个连续、狭窄的光谱波段对地表进行观测，能捕捉到地表物体在不同光谱下的细微特征。这种卫星广泛应用于农业估产、环境监测、资源勘探等领域，通过光谱分析，能识别作物种类、监测水质变化、探测矿产资源等，为地球科学研究和应用提供重要数据支持。

高光谱观测卫星相关内容

全部
资讯
文章
产品
问答

高光谱观测卫星资讯

“大气痕量气体差分吸收光谱仪”预计3月中旬正式交付

高分五号卫星上由北京空间机电研究所研制的两台载荷的性能和技术先进性。其中,大气环境红外甚高光谱分辨率探测仪具有光谱分辨率高、太阳跟踪精度高、光谱定标精度高的技术特点。

1147
2020-03-18
高分五号卫星大气痕量气体差分吸收光谱仪高分专项高光谱观测卫星

高光谱观测卫星文章

高光谱观测卫星助力碳达峰碳中和目标实现

 德航（天津）智能科技有限公司 172
2021-09-08

高光谱观测卫星产品

产品名称

所在地

价格

供应商

咨询

: 农业气象站农业小气候观测设备; 国内山东; ￥17800; 山东竞道光电科技有限公司
售全国; 我要询价联系方式

: 高光谱显微镜HSI-SIM-6000; 国内上海; 面议; 上海纳腾仪器有限公司
售全国; 我要询价联系方式

: 高光谱色差仪; 国内浙江; 面议; 杭州高谱成像技术有限公司
售全国; 我要询价联系方式

: Specim-IQ便携式高光谱相机; 国内浙江; 面议; 杭州柯盛行仪器有限公司
售全国; 我要询价联系方式

: 无人机载高光谱成像系统; 国内上海; 面议; 上海昊量光电设备有限公司
售全国; 我要询价联系方式

高光谱观测卫星问答

2023-01-10 13:08:36高光谱遥感数据处理系列（一）高光谱数据读取与可视化: 高光谱遥感数据处理系列（一）地表反射的太阳辐射包含着丰富的信息，从太阳外层大气的吸收到地球大气的吸收，经过与地物的相互作用反射回大气，最终被传感器捕获。高光谱遥感可以在每个像元获取高分辨率的光谱数据，这些光谱信息提供了一种理解事物的新的维度。下图展示了几种典型地物的光谱。可以看出不同地物展现出显著不同的光谱特征。除此之外，同种地物在不同状态下，也可能在特定波段展现出显著不同的光谱特征。通过比对光谱数据，可以实现对地物区分，状态区分，异常监测等难以通过传统遥感手段实现的应用。高光谱遥感被广泛应用于农林业、矿业、环境、保险、等领域。太阳辐射与典型地物反射率通常彩色影像有红绿蓝三个波段，多光谱影像有几到十几个波段，而高光谱影像有着几十到上百个波段。波段的增加除了提高了信息量，还使得数据量成比例增加。这种数据量对计算机的性能提出了较高的要求，更多的是要求对处理者新的思路和方法。在接下来的文章中，我们将详细介绍高光谱数据的处理流程与方法，希望能在此过程中给读者以新的思考。Hyperspectral light sheet microscopy | Nature CommunicationsENVI (The Environment for Visualizing Images) 是美国Exelis Visual Information Solutions 公司的旗舰产品。它是由遥感领域的科学家采用交互式数据语言IDL (Interactive Data Language) 开发的遥感图像处理软件。ENVI已经广泛应用于科研、环境保护、气象、石油矿产勘探、农业、林业、医学、国防&安全、地球科学、公用设施管理、遥感工程、水利、海洋、测绘勘察和城市与区域规划等领域。双击ENVI图标打开ENVI软件，可以看到ENVI软件的主界面由以下六个部分组成：①菜单栏、②工具栏、③图层管理窗格、④图像显示部分、⑤工具箱、⑥状态栏。ENVI软件的布局如图所示，首先点击依次点击①菜单栏->File->Open，在弹出的对话框中选取所需要的文件，一般的ENVI文件由两部分组成，文件本体和头文件（.hdr）。文件本体记录了文件的数据信息，而头文件中记录了关于这些数据信息的描述。使用记事本文件可以直接打开hdr文件，可以看到其中包括了：操作记录Samples：栅格列数Lines：栅格行数Bands：波段数Header offset：文件开头到实际数据起始位置的偏移量File type：文件类型Data type：数据存储类型，用数字表示bit位数Interleave：存储顺序Map Info：图像采用的投影系统参数，坐标系统及单位Coordinate System String：详细的坐标系统信息Wavelength：每个波段所对应的波长两个文件应该放在同一目录下面，ENVI在读取时会自动进行关联。任选其中一个文件都可以打开该文件，但是ENVI对两个文件的处理方式有所不同。如果选择.hdr文件，ENVI会直接载入显示文件的第一个波段，如下图所示。使用鼠标滚轮可以对图像进行缩放操作，使用②工具栏中的工具可以对图像进行拖动缩放等一系列操作。加载成功的图像会显示在③图层管理区，通过点击图像前面的勾选框来控制图像在④图像显示区的显示与否。使用如果打开文件本体，ENVI会弹出Data Manager窗口该窗口包含三个部分，分别是①波段信息、②文件信息、③RGB波段选取。①中展示了所有波段的名称，②中是经过处理后的头文件信息，③是进行RGB合成的波段选取，点击三种颜色的方框后，在①中单击选择波段，选择完成后点击Load Data。如果只想要显示一个波段的灰度影响可以在①中选中目标波段后直接点击Load Greyscale。RGB 合成象素值的彩色图，就是将三个波段的数据分别通过红、绿、蓝三个通道加载，然后进行渲染。将多波段影像数据添加到地图中之后，可使用多波段栅格数据集中的任意三个可用波段的组合来创建 RGB 合成图。与仅处理一个波段相比，通过将多个波段共同显示为RGB 合成图通常可从数据集收集到更多信息。来源：简书通常我们选取650nm、550nm和450nm分别赋给RGB通道进行合成以获得最佳的显示效果。显示效果如下图：在②工具栏中选择按钮，ENVI会在图上显示框标，并弹出光谱特征（Spectral Profile)窗口。光谱特征窗口中显示了框标中心白点所在像元的光谱曲线。如下图所示：点击光谱特征窗口中的，可以对光谱曲线进行一些操作，如平滑，计算NDVI，显示RGB波段所在位置等：小结本文介绍了高光谱影像的基本原理以及简单的读取及可视化操作。使用ENVI软件可以实现大部分简单的高光谱数据处理。在接下来的教程中，我们将从植被指数提取、高光谱滤波、非监督分类与监督分类等方面介绍ENVI软件的使用。除此以外，我们还将介绍基于Python的高光谱处理，从编程角度介绍高光谱相关知识，以及高光谱数据与大数据处理的结合。参考：【1】百度百科【2】 www.jianshu.com/p/d0765ee89b86

2023-02-03 15:37:09高光谱遥感数据处理系列（二）基于高光谱数据的植被指数计算: 高光谱遥感数据处理系列（二）反射率与植被指数来自地物反射/发射的光通过镜头被相机捕获，使得传感器被曝光。由于光电效应，传感器上的每个像素传感器上的电荷开始累计。经过相机芯片的转换，这些光信号以数字的形式存储下来，这些数字被称为DN值。辐射亮度（Radiance），简称辐亮度，指面辐射源在单位立体角、单位时间内，在某一垂直于辐射方向单位面积（法向面积）上辐射出的辐射能量，即辐射源在单位投影面积上、单位立体角内的辐射通量。辐亮度是最常用的度量光强弱的物理量之一。辐亮度可以进一步用于反射率的计算。DN值可以看作由辐亮度与相机属性主导的变量。去除DN值中由于相机属性引起的变化，将其转化为辐亮度的过程称为辐射定标。通常该过程由相机厂商进行处理，或者厂商会提供用于定标的关键参数。物体反射的辐射能量占总辐射能量的百分比，称为反射率。不同物体的反射率也不同，这主要取决于物体本身的性质(表面状况），以及入射电磁波的波长和入射角度，反射率的大小范围总是小于等于1，利用反射率可以判断物体的性质。在使用无人机进行实际观测时，通常使用地物辐亮度除以白板或反射布所在像元的辐亮度作为反射率。从空间量化植被覆盖、生物化学、结构和功能是研究和理解全球变化、生物多样性和农业的关键。实际上，遥感在很大程度上依赖于使用源自光谱反射率的植被指数 (Vegetation Indices, VI)。VI 是几个波段反射率的数学变换，旨在最大限度地提高对特定生物物理现象（例如，绿度、含水量或光合作用活动）的敏感性，同时最大限度地降低对土壤特性、太阳光照、大气条件和传感器观察等因素的敏感性。典型植物的反射光谱。植物光谱最显著的特这就是红光范围的强吸收与近红外区域的强反射，两个波段之间的快速上升波段称为红边。红光波段的强吸收是由于植被叶绿素的吸收，而近红外波段的强反射是由于植被的叶片结构导致的。通过两个波段进行差分或比值可以凸显出植被在这两个波段的反射特性的差别。同时，差分或比值运算可以去除两个波段中包含的背景信号及噪声。不同的波段或组合形式侧重展现了不同的植被特性。植被指数是对地表植被状况的简单、有效和经验的度量。目前已经出现了上百种不同的植被指数。ENVI中包含了其中7类 27种植被指数。主界面功能区在主界面⑤工具箱中搜索栏中可以方便地对所有工具进行检索，输入 Vegetaton Indices Parameters ，打开该工具如下所示：鼠标单击所需要的植被指数，然后点击 Choose 选择文件的存储位置。此外ENVI还提供了将数据存储到内存的选项 Memeory，但是这些数据在ENVI关闭后会被删除。所以选择存储到内存时，ENVI会弹出二次确认对话框，继续选中Memeory确认即可。ENVI的帮助文件中详细展示了各种植被指数的公式及参考文献。在菜单栏 Help 中打开-> 在左侧 Contents 选项卡中的Vegetation Analysis。关于植被指数的发展和使用场景还可以参考 Xue J, Su B. Significant remote sensing vegetation indices: A review of developments and applications[J]. Journal of sensors, 2017.在获取植被指数后，可以利用这些指数进行地表参数估算或者进一步进行实际应用，ENVI中提供了几种植被指数的实际应用工具，包括林木健康分析（Forest Health Vegetation Analysis）、农作物胁迫（Agricultural Stress Vegetation Analysis）、易燃性分布分析（Fire Fuel Vegetation analysis），以及植被抑制（Vegetation Suppression）。这些应用工具结合几类不同植被指数对植被进行评估，以林木健康分析为例，首先在主界面⑤中搜索栏中输入 Forest Health Vegetation Analysis ，双击打开林木健康分析工具：该工具通过三类不同的植被指数：绿度指数，叶色素指数，冠层水分或光能利用率指数。ENVI内置了模型进行阈值筛选，综合分析多种指数，将植被的健康状况分为9种。波段运算如果需要使用内置植被指数以外的指数进行运算，可以使用ENVI中的Band Math工具。这里分别对窄波段和宽波段植被指数的计算进行介绍。窄波段归一化植被指数：首先在主界面⑤中搜索栏中输入 Band Math，双击打开波段运算工具：在Band Math中输入所需要的表达式，这里需要注意的是，ENVI默认用b1，b2...来表示不同的变量，比如这里我们用到了两个波段680nm和800nm，分别用变量b1和b2来表示。在Enter an expression中输入(b2-b1)/(b2+b1)，点击ok，会弹出变量与实际使用波段的匹配对话框。首先在①中单击选择需要赋值的变量，接下来在②中选择所对应的波段（如果不同波段是分开存储的，选择Map Variable to Input File可以将整个文件赋给某个变量）。在有所变量选择完毕后，点击OK。结果如下图所示：宽波段NDVI：通常机载成像光谱仪的光谱分辨率可以达到亚纳米/纳米级。而常用的卫星数据如Landsat系列和MODIS产品的光谱分辨率较宽，针对这些卫星遥感产品开发的植被指数基本都是宽波段植被指数。为了使用机载成像光谱仪进行宽波段植被指数的计算需要先对波段进行聚合，这里我们以Landsat系列的宽波段为例进行手动宽波段NDVI计算（Vegetaton Indices Parameters中也提供了一些宽波段VI的计算，这里另外介绍手动波段聚合的操作方法）。Landsat 9 的传感器如下所示：Band 1 Visible (0.43 - 0.45 µm) 30-m.Band 2 Visible (0.450 - 0.51 µm) 30-m.Band 3 Visible (0.53 - 0.59 µm) 30-m.Band 4 Red (0.64 - 0.67 µm) 30-m.Band 5 Near-Infrared (0.85 - 0.88 µm) 30-m.在⑤工具箱中搜索栏中Sum Data Parameters,打开波段聚合工具。在①中选择输入文件，然后点击 Spectral Subset ，在弹出的波段选择窗格中，对要进行聚合的波段进行选取（按住Shift进行连续多选，按住Ctrl进行多选）。点击OK进行确认。Sum Data Parameters 提供了多种波段聚合函数，这里选择Mean函数进行聚合。依次对几个波段进行聚合后的，我们得到以下文件。接下来可以用Band Math进行宽波段NDVI的计算，计算方法同上。小结自遥感领域出现以来，植被指数扮演着重要的角色，并且一直在发展完善。本文介绍了反射率和植被指数的概念，植被指数的原理，使用ENVI进行植被指数计算，以及手动窄/宽波段植被指数的计算。了解其背后的植物生理学知识，是正确使用这些指数的必要条件。

2023-07-25 10:40:14半导体和钙钛矿材料的高光谱（显微）成像: 目前在光伏业界，正在进行一项重大努力，以提高光伏和发光应用中所用半导体的效率并降低相关成本。这就需要探索和开发新的制造和合成方法，以获得更均匀、缺陷更少的材料。无论是电致还是光致发光，都是实现这一目标的重要工具。通过发光可以深入了解薄膜内部发生的重组过程，而无需通过对完整器件的多层电荷提取来解决复杂问题。HERA高光谱照相机是绘制半导体光谱成像的理想设备，因为它能够快速、定量地绘制半导体发射光谱图，且具有高空间分辨率和高光谱分辨率的特性。硅太阳能电池的电致发光光谱成像光伏设备中的缺陷会导致光伏产生的载流子发生重组，阻碍其提取并降低电池效率。电致发光光谱成像可以揭示这些有害缺陷的位置和性质。"反向"驱动太阳能电池（即施加电流）会产生电致发光，因为载流子在电极上被注入并在有源层中重新结合。在理想的电池中，所有载流子都会发生带间重组，这在硅中会产生1100 nm附近的光（效率非常低）。然而，晶体结构中的缺陷会产生其他不利的重组途径。虽然这些过程通常被称为"非辐射"重组，但偶尔也会产生光子，其能量通常低于带间发射。捕获这些非常罕见的光子可以了解缺陷的能量和分布。在本实验中，我们使用了HERA SWIR (900-1700 nm)，它非常适合测量硅发光衰减。测量装置如图1所示：HERA安装在三脚架上，在太阳能电池上方，连接到一个10A的电源。640×512像素的传感器安装在样品上方75厘米处，空间分辨率约为250微米。图1. 实验装置最重要的是，HERA光学系统没有输入狭缝，因此光通量非常高，是测量极微弱光发射的理想选择。图2.A和2.B显示了两个波长的电致发光（EL）图像：1150 nm（带间发射）和1600 nm（缺陷发射），这是4次扫描的平均值（总采集时间：5分钟）。通过分析这些图像，我们可以看到，尽管缺陷区域的亮度远低于主发射区域，但它们仍被清晰地分辨出来。此外，具有强缺陷发射的区域的带间发射相对较弱。我们可以注意到有几个区域在两个波长下都是很暗的；这可能是由于样品在运输过程中损坏了电池造成的。图2.C中以对数标尺显示了小方块感兴趣区域（图2A和2B中所示）的光谱。图 2.A 和 B：两个选定波长（1150 nm 和 1600 nm）的电致发光（EL）图像。C：A和B中三个不同区域对应的电致发光光谱（图像中的彩色方框）。金属卤化物钙钛矿薄膜的光致发光显微研究通过旋涂等技术含量低、成本效益高的方法，可以制造出非常高效的太阳能电池和LED。这些方法面临的一个挑战是在微观长度的尺度上保持均匀的成分。光致发光显微镜是表征这种不均匀性的一个特别强大的工具。HERA高光谱相机可以连接到任何显微镜（正置或倒置）的c-mount相机端口，并直接开始采集高光谱数据，无需任何校准程序。图3. 与尼康LV100直立显微镜连接的HERA VIS-NIR。在本实验中，我们使用HERA VIS-NIR（400-1000 nm）耦合到尼康LV100直立显微镜（图3）来表征两种卤化物前驱体合金的带隙分布。将两种卤化物前驱体合金化的优点是能够调整材料的带隙；然而，这两种成分经常会发生逆混合，从而导致性能损失。本实验的目的是检测这种逆混合现象：事实上，混合比的局部变化会改变局部带隙，从而导致发射不同能量的光子。在这种配置中，激发光来自汞灯，通过带通滤光片在350 nm处进行滤光，并通过发射路径上的二向色镜将其从相机中滤除。HERA的高通量使其能够在大约1分钟的测量时间内收集完整的数据立方体（130万个光谱）。图4.样品的光谱综合强度图（A：全尺寸；B：放大）。图4.A和4.B分别显示了所有波长（400-1000 nm）总集成信号的全尺寸和放大图像，揭示了长度尺度在1 µm左右的明亮特征。当我们比较亮区和暗区的光谱时（图5.B中的黑色和红色曲线），我们发现暗区实际上也有发射，不仅强度较低，而且波长中心比亮区短。事实上，光谱具有双峰形状，很可能与逆混合前驱体的发射相对应。图5.A的发射图清楚地显示了带隙的这种变化。我们现在可以理解为什么低带隙区域看起来更亮了--载流子可能从高带隙区域弛豫到那里，并且在发生辐射重组之前无法返回。图5.A：显示平均发射波长的强度图。B：亮区和暗区的发射光谱（正常化）。东隆科技作为NIREOS国内总代理公司，在技术、服务、价格上都具有优势。如果您有任何产品相关的问题，欢迎随时来电垂询，我们将为您提供专业的技术支持与产品服务。

2023-06-12 10:35:36转载 | 高光谱遥感数据处理系列（六）监督分类: 高光谱遥感数据处理系列（六）非监督分类是一种面对数据本身的分类方法，与之相对应的：监督分类，则是面向先验知识的分类方法。监督分类是指给定已知类型的数据，通过建模的方式将这些数据与对应的类型建立映射关系，并将这种关系应用到未知类型的数据上的过程。如果每种类型用一个数字来表示，分类任务可以看做回归分析的一种特例。主界面分区ROI工具监督分类需要有已知类型的数据集作为先验知识进行训练，称为训练集。一般可以通过目视解译，或者实地样方调查的方式获取训练集。构建训练集的方法如下：在主菜单②工具栏中点击打开Region of Interest（ROI) Tool，进行兴趣区选取：ROI工具最基本的ROI选取过程如上图所示，首先选择①工具添加新的ROI范围，在②中调整ROI的名称和颜色，在③中选择绘制ROI的图形形状，④在图上绘制ROI，完成后右键Accept shape type。如果想要绘制带有空洞的图形，可以点击复选框⑤所示的Multi Part复选框，然后在影像上绘制两个叠加的图形，完成后右键 Accept。使用File可以进行ROI图层的读取与保存如果选取好了ROI可以使用Options可以利用对ROI本身进行融合（Merge（Union/Intersection）ROI）,计算离散度（Compute ROI Separability），或者使用对ROI范围内的图像进行统计（Compute Statistics from ROIs）。另外也可以使用ROI对图像进行裁剪。除了使用不同形状进行框选，还可以使用像元，自动区域生长，阈值选取等方式产生ROI。在ENVI的帮助文件中详细介绍了这些工具的使用方法。在主界面①菜单栏 Help 中打开-> 在左侧Contents选项卡中的:book:ROIs, Vectors, Annotations，请读者自行查阅。监督分类在训练集选择完毕后就可以进行监督分类，ENVI中提供了多种监督分类的工具，包括：平行六面体（Parallelepiped）最小距离（Minimum Distance）马氏距离（Mahalanobis Distance）最大似然（Maximum Likelihood）神经网络（Neural Net）支持向量机（Support Vector Machine）波谱角（Spectral Angle Mapper）这里我们介绍两种监督分类方法，最大似然法和波谱角方法。01最大似然法在ENVI的帮助文件中详细介绍了各种分类方法的原理。在主界面①菜单栏 Help 中打开-> 在左侧Contents选项卡中Classification->Supervised Methods中，最大似然法定义为:最大似然分类假设每个波段中每个类别的统计数据呈正态分布，并计算给定像素属于特定类别的概率。每个像素被分配到具有最高概率（即最大似然）的类别。根据该定义，最大似然法将每个类别投影到特定的分布上，分类问题被转化为分布相似性问题。在主界面⑤中搜索Maximum Likelihood打开最大似然分类工具。首先要选择进行训练的数据，需要强调的是，我们选择在上篇文中生成的主成分分析的结果进行分类，而不是影像本身，具体原因在上篇文章中有详细描述。分类结果如下所示：02波谱角方法光谱角映射器 (SAM) 是一种基于物理的光谱分类，它使用 n 维角度将像素与参考光谱进行匹配。该算法通过计算光谱之间的角度并将它们视为维数等于波段数的空间中的向量来确定两个光谱之间的光谱相似性。SAM 使用的端元光谱可以来自 ASCII 文件或光谱库，或者您可以直接从图像中提取它们（作为 ROI 平均光谱）。SAM 比较端元谱向量与 n 维空间中每个像素向量之间的角度。较小的角度代表与参考光谱更接近。在主界面⑤中搜索Spectral Angle Mapper打开光谱角工具，在端元集合（Endmember Collection：SAM）中导入选取的ROI，将上一步选取的ROI所在范围的光谱均值作为特定类别的标准光谱。SAM的本质是将分类问题转化为对比未知类别数据与标准光谱的余弦距离的问题。需要强调的是，我们选择主成分分析的结果进行分类，而不是影像本身，具体原因在上篇文章中有详细描述。分类结果如下所示：小结本文中我们介绍了两种监督分类的方法，相对于非监督分类，监督分类通过融入先验知识，提供了有明确类别的结果，这大大减少了进行后续处理的成本。但是对于遥感应用来说，获取地面真值的成本较高，通过目视解译的方式会不可避免地引入人为误差，给结果带来不确定性。正如上一篇文章提到，数据和特征决定了分类的上限，而分类的方法只能逼近这个上限。如何构建质量高、数量多的训练集，权衡成本是监督分类需要考虑的问题。

2023-05-09 09:29:50Ecodrone®一体式高光谱-激光雷达无人机遥感系统——森: 在陆地生态系统中，森林是最大的有机碳库，是陆地中重要的碳汇和碳源，因此了解森林生态系统在碳循环中的作用，对于研究陆气系统的碳循环乃至全球碳循环都是一个基础，具有重要的意义。易科泰光谱成像与无人机遥感技术研究中心最新推出Ecodrone®一体式高光谱-激光雷达无人机遥感系统，助力森林碳循环研究及应用。性能特点：8旋翼专业无人机遥感平台，搭载VNIR/NIR高光谱成像、机载PC及激光雷达可飞行作业20分钟以上，有效覆盖面积超10ha厘米级地面分辨率，50m高度高光谱成像地面分辨率达3.5cm，30m高度（用于高分辨率林木表型分析）地面分辨率可达2cm50m高单样线飞行作业可自动采集形成宽度36m的样带高光谱成像大数据高密度三维点云，精确度2.5cm，最高可达3次回波，50m飞行高度点云密度700pts/m2专业无人机遥感技术方案，同步获取高光谱与激光雷达数据，应用软件可直接得出近百种植被光谱反射指数、高密度三维点云、三维测量数据、分类点云、DTM等应用于大范围、多维度的森林遥感研究、碳循环研究、林木三维表型测量、植被资源调查、森林物种多样性研究、植被生物及非生物胁迫分析、环境及生态系统动态变化研究等案例一：森林碳库分布研究森林地上生物量（AGB）的估算对于碳循环建模和气候变化缓解方案的制定至关重要。来自意大利、美国和英国的研究人员将主动和被动传感器结合，其中被动型高光谱数据记录了潜在与森林生物量相关的冠层光谱信息，并将这些信息与主动型小型激光雷达获取的参数相结合，实现了在不同尺度上对森林生态系统的有机碳分布进行遥感计算。研究区域位于塞拉利昂的戈拉雨林国家公园 (GRNP) 内，处于西非潮湿的上几内亚森林带的最西端，该地区的森林主要为湿润低地常绿林，部分地区主要为干燥低地常绿和半落叶林类型。图1.1 位于塞拉利昂和利比里亚之间的研究区域研究人员采用偏最小二乘回归（PLSR）处理多输入和多重共线性问题，计算投影中的重要性变量（VIP），以评价各预测因子对生物量的重要性。结果表明，当单独使用高光谱波段时，其预测能力有限(R2 =0.36)，用植被指数替代高光谱波段的改善较小(R2 =0.67)，仅基于激光雷达指标，PLS预测AGB的决定系数（R2）为0.64，当再将高光谱波段添加到激光雷达度量中，精度得到了适度的提高（R2 =0.70）。图1.2 （左）不同输入的预测与现场观测AGB的散点图：(A)激光雷达指标，(B)高光谱波段，(C)激光雷达指标和 VI，(D)激光雷达指标和高光谱波段；（右）7个高度等级，每个等级间隔10m的70个样地(总面积= 87500m2)范围的AGB和树木数量森林是碳的主要吸收者，它所固定的碳相当于其他植被类型的2倍，本研究中提出的高光谱和激光雷达数据融合相关的发现非常具有意义，有助于扩大该系统数据融合适用性的研究，进而对全球气候变化研究做出更重要的贡献。案例二：森林碳汇定量评估比较森林地上生物量生物量是影响气候变化和森林生产力的重要因素，因此评估森林对碳汇和碳循环的贡献程度具有重要的意义。韩国科研人员借助高精度激光雷达数据、数字航空摄影测量图像、高光谱图像等空间信息，对森林碳汇信息进行定量评估。研究区位于韩国庆尚南道巨济市，该区域森林密度相对较低，树种多样，森林资源丰富，选取研究区内2km*2km的区域进行数据采集。基于高光谱数据中每个树种的光谱信息，使用马氏距离法对树种进行精确分类，基于高密度的LiDAR数据提取森林资源。图2.1 从左至右依次为：研究区；激光雷达数据；高光谱图像图2.2 （左）树种分类结果；（右）利用高密度激光雷达数据提取地理和森林资源的结果将激光雷达与数字航拍图像、高光谱图像相结合计算了混交林、针叶林和阔叶林的碳汇，同时通过对森林资源的树种和年龄信息进行量化，借助激光雷达和数字图像信息对树种、年份、区域的碳汇进行计算。利用激光雷达信息和图像分析的基础数据库，对选定的区域、行政区、年份进行森林信息和碳汇评估分析，实现了精确地碳汇信息提取，结果如2.3/2.4所示。图2.3 多传感器结合的混交林、针叶林和阔叶林的碳汇估算结果图2.4 基于激光雷达和图像信息的森林信息和碳汇评估，从左至右：第一行（激光雷达数据；DSM；DEM；树高信息）；第二行（树种信息图；增长量分析图；碳吸收分布图；土地覆盖图）易科泰生态技术公司致力于生态-农业-健康研究发展与创新应用，为碳源碳汇定量评估、植被资源调查、生态环境监测、森林遥感研究、林木表型分析、林业测绘等领域提供一体化多传感器立体遥感技术方案。参考文献：[1] Laurin G V, Chen Q, Lindsell J A, et al. Above ground biomass estimation in an African tropical forest with lidar and hyperspectral data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 89: 49-58.[2] Choi B G, Na Y W, Shin Y S. A Comparative Study of Carbon Absorption Measurement Using Hyperspectral Image and High Density LiDAR Data in Geojedo[J]. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 2017, 35(4): 231-240.

高光谱观测卫星资讯

高光谱观测卫星文章

高光谱观测卫星产品

高光谱观测卫星问答

联系我们

关注我们