服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例>>农业环境
机载LiDAR和高光谱融合实现温带天然林树种识别

机载LiDAR和高光谱融合实现温带天然林树种识别

1 引 言 

遥感技术应用于森林树种分类已有多年的研究,但多限于光学数据高光谱传感器由于超细的窄波段设计,其光谱响应比宽波段的多光谱数据更灵敏,可更好地实现冠层生物物理参数和化学参数的估测,并成功应用于树种分类Buddenbaum等人对HyMap数据选用光谱角填图及更大似然两种分类方法,对德国西部的针叶林区进行了树种及林龄的划分; Goodenough等人利用Hyperi-onALIETM+3种遥感数据对加拿大维多利亚地区的5种森林类型进行了分类; Xiao等人利用AVIRIS数据及分层分类技术实现了城区树种的填图; 宫鹏等人利用高分辨率光谱仪实地测得光谱数据识别美国加州的6种主要针叶树种,采用相邻窄波段逐步加宽的方法,测试不同波段宽 度对树种识别精度的影响但光学数据的成像方式仅是对地物水平格局的描述,对于高覆盖度的森林,由于其地形起伏,树冠特征复杂等因素,仅凭光学遥感对其进行树种制图尚存在很大难度LiDAR的传感器能够主动向被测目标发射特定波长(如1550nm)的电磁波,其脉冲信号可以穿透树冠表层枝叶树干,到达地面,与地物作用发生反射和散射,部分光波最终被传感器接收通过测量地面采样点激光回波脉冲相对于发射激光主波之间的时间延迟,得到传感器到地面采样点之间的距离,从而测量地表起伏状况,获得森林垂直结构等信息,因此林业上多用LiDAR数据提取森林垂直结构参数特别是机载小光斑LiDAR,其传感器的采样密度大,光斑直径小(1m左右),更适合小范围森林参数的提取Brandtberg等人对维吉尼亚州西部阔叶混交林的研究表明,用落叶的LiDAR数据的NIR反射强度数据和LiDAR的高程数据相结合可用于某些阔叶树种的分类; Dalponte等人将LiDAR获得的高度信息,加入到复杂林分树种的分类中,得出LiDAR首回波的高度信息对于分离光谱特征相似但平均高度不同的树种是非常有效的结论; 庞勇等人利用低密度和高密度的LiDAR点云数据,分别进行了林分平均高度的反演试验,结果表明分位数法可以很好地进行林分平均高的估计也有一些学者开展了基于LiDAR回波强度信息对树种分类的研究(Holmgren等)。rka等人的研究表明,仅利用强度信息对针阔叶林分类,可达到73%的分类精度Reitberger等人利用高斯分解方法对波形数据处理并获取每个回波的三维坐标强度及波形宽度信息,成功对Bavarian森林公园进行了针阔叶林的非监督分类。 

尽管高光谱数据有精细的光谱信息,但区分光谱特征相似的树种仍然受限;而LiDAR虽然可以获取高精度的3维垂直结构信息,但缺少相应的光谱信息,仍然很难对复杂森林类型进行分类。将高光谱LiDAR数据相结合,实现优势互补,并应用于林业已成为一个新的研究热点,并且已有一些学者在该领域开展了相关研究(Asner等和Thomson; Trevor 等) 。在中国这两种数据融合在林业上的应用还不多见,对于北方温带天然林树种分类的能力如何尚不够明确;另外,目前分类使用的训练样本大多采用目视解译手动获取,效率较低。

因此本文利用3维结构及精细光谱的双重优势,尝试训练样本的自动提取方法,在此基础上进行树种识别,评估机载LiDAR和高光谱融合对温带天然林树种识别的能力。 


2 研究区与数据 

2.1 研究区概况 

研究区位于黑龙江省伊春市带岭区凉水自然保护区(47°10'50″N,128°53'20″E)。地处欧亚大陆东缘,小兴安岭南坡达里带岭支脉的东坡,海拔高度在280—707m之间,为典型的低山丘陵地貌,具有明显的温带大陆性季风气候特征。年平均气温-0.3℃,年平均降水量676mm,年平均相对湿度78%,无霜期为100—120d。境内地带性土壤为山地暗棕壤。气候特点: 春季风大; 夏季气温较高,降雨集中; 秋季降温急剧; 冬季漫长,寒冷干燥而多风雪。保护区面积为12133ha,森林总蓄积量170万m3,区内自然资源丰富,植被群落类型复杂多样,主要保护对象是以红松(Pinus koraiensis)为主的温带针阔叶混交林生态系统,还有重点保护野生植物水曲柳(Fraxinus mandshurica)、黄菠萝(Phllodendron amurense)、胡桃楸(Juglans mandshurica)等。 


2.2 数据获取 

2.2.1 遥感数据获取 

运-5小型多用途飞机承担本次飞行任务,于2009年8月23日和9月4日分别搭载高光谱传感器(CASI-1500)和LiDAR传感器(LMS-Q560)在水自然保护区上空进行实验数据采集。飞行地速180km/h,总覆盖面积约为208.8km2,数据获取当天晴朗无(少) 云。传感器参数详见表1。

image.png

2.2.2 地面数据获取 

2010年8月,对飞行区域进行样地数据的地面调查。样地重点选取在研究区内珍贵或优势的树种区,视样地类型分别设置边长为30m、40m、50m的方形样地每木检尺:重点是用激光测距/测高仪TruPulse 360)测量树高及枝下高,该仪器由于将激光发射点和视线设计在同一直线上,减小了测量误差,测距精度300m以内为±0.3m,角度测量精度为±0.25°,保证了高度测量的准确性。另外还记录了单木坐标 (拓普康全站仪),以及胸径、冠幅等基本测树因子。本研究区域覆盖4块方形样地,1块沿路两侧带状样地,共1192株树,树种主要包括: 红松、云冷杉、落叶松和白桦等。


3 研究方法 

本文利用LiDAR获取的垂直结构信息,根据实测的各树种树高分布统计,对高光谱影像进行分层空间掩膜处理,一是去除林间空隙等非树木像元的干扰,提取冠层子集; 二是对于不同的树种,其训练样本在特定树高对应的光谱空间提取; 再结合光谱微分和曲线匹配技术,实现自动提取训练样本; 然后应用支持向量机(SVM)分类器,开展仅使用CASI数据和CASI+LiDAR(CASI+CHM)数据的树种分类精度比较试验。技术路线见图1。 


3.1 遥感数据处理 

3.1.1 机载LiDAR数据处理 

机载LiDAR数据处理包括数据预处理和数据后处理,前者一般由数据提供商完成,用户得到点云数据产品; 后者由用户根据各自需求完成,主要是对点云数据进行滤波分类,从激光点云中分离出地形表面激光点云数据子集以及区分不同地物激光点云数据子集。本文仪器中通过迭代、孤立点和阈值等算法滤波,对点云产品进行地面点和非地面点的分离。对已分类点云数据中的地面点通过不规则三角网(TIN) 插值运算生成DEM,首回波点插值生成DSM(Digital Sur-face Model)。DSM与DEM进行栅格差值运算得到高程归一化后的数字冠层高度模型CHM(Canopy Height Model)。


image.png

3.1.2 机载高光谱数据的预处理 

数据提供商对机载高光谱数据CASI进行了系统辐射定标,还需要通过大气校正,消除成像时光照和大气对地物反射率的贡献,反演地物本身的真实反射率,从而有利于地表特征的提取。机载数据受大气影响相对较小,所以比较容易纠正,结合前人研究,认为经验线性法可操作性好,更适合低空机载小范围数据的大气校正,因而本文采用经验线性法对CASI数据进行大气校正。 

经验线性法假设图像DN值与反射率之间存在线性关系,建立飞行同步测量的地面反射率光谱和影像对应区域的DN值之间的关系式,通过线性回归使各波段的DN值转化为反射率,以消除大气影响。地面目标一般选择空间上足够大,近似朗伯体、无斜坡且无植被覆盖的均匀地物,尽量减小双向反射影响和邻近效应。图2是经验线性法对研究区植被大气校正前后的比较图。图上可以看出,大气校正前(虚线) 的光谱曲线在可见光波段反射值偏高,与近红外肩部的反射率差值较小,蓝波段的吸收谷和绿波段的小反射峰区分均不明显,并且近红外波段有多处明显的吸收带; 而大气校正后(实线)的光谱曲线突出了谷底和峰值,并且近红外波段形成明显的高反射峰,符合植被的光谱曲线特征。因此认为经验线性法已经较好地去除了光照和大气的影响,数据可以用于后续的研究。 


3.1.3 机载LiDAR与高光谱数据的互配准 

机载LiDAR得到的CHM与CASI在融合应用之前,需先进行互配准。利用地面点云数据经TIN插值得到的0.5m高分辨率DEM,对CASI进行正射校正,消除因地形起伏等原因造成的图像变形; 将LiDAR CHM最邻近法重采样为与CASI相同的空间分辨率1.5m,并在两影像上沿着道路或平坦区


image.png

典型地物选取20个控制点,根据最小二乘法得到控制点对的平均误差在2m以内,即约1个像元,因此认为本文两种数据源的互配准是可信的。图3为CA-SI与LiDAR CHM同名地物比较。

image.png

3.2 提取冠层子集 

在高覆盖度天然林区,林间空隙下的低矮灌木和草地的覆盖度也非常高,其像元的光谱特征可能与某些林地像元的光谱特征相近,当这些像元被选为训练样本时,必然影响训练样本光谱与参考光谱间的匹配,降低分类精度。并且“同物异谱,异物同谱”现象也会影响到训练样本的提取,给树种识别增加了难度。由于成熟林分不同树种其高度范围一般不同,本文首先对样地实测各树种的树高分布进行统计,选取各树种相对集中的高度区间(且尽量保持各树种间的高度区间不重叠),用LiDAR获取的3维垂直结构信息对CASI影像分层进行空间掩膜,使各树种在各自的高度空间内进行训练样本的提取,去除了林间空隙及不同高度树种光谱的相互干扰,从而增大训练样本的提取精度。 


3.3 训练样本的自动提取 

由于太阳辐照度的变化、大气效应和噪声等因素的影响,地物固有的光谱特征在影像上会有失真,而光谱微分技术可以部分消除或减弱噪声光谱对目标光谱的影响,并能在某些光谱段增大不同植被间的差异。对于数据中的噪声干扰,本文采用一阶光谱微分技术,突出近红外区域的植被光谱反射特性,降低噪声的同时增大了植被间的差异,并在此基础上进行训练样本的自动提取。一阶微分的定义:

image.png

式中,yi,j,λk表示高光谱影像第i列、第j行的像元在波长λk处的反射率值。随机选取60%的外业调查点作为参考点,从一阶微分影像上提取相应位置的各树种均值光谱曲线作为参考光谱曲线,逐像元计算影像一阶微分曲线与参考光谱曲线的相关系数Rxy。相关系数越大,说明两曲线的匹配度越高,是相同树种的可能性越大。

image.png

式中,Rxy 为相关系数,σxy为协方差,σxx、σyy为标准差。如果影像与参考光谱曲线进行全波长的匹配,一定程度上会因为波长区间过大而累加噪声,造成训练样本的误判,因此计算相关系数的特征区间应有所选择。由于“绿峰”和“红边”是植被特有的光谱特征,不同树种光谱曲线在该区间的吸收或反射特征有明显差别,经过试验比较,本文选取500—780nm可见光-近红外波段区间作为研究区间,计算一阶微分影像波谱与参考波谱间的Rxy。 


3.4 分类及精度验证 

支持向量机SVM是Vapnik提出的针对分类和回归问题的统计学习算法。通过学习算法,自动寻找那些对分类有较大区分能力的支持向量,构造分类器,将类间间隔更大化。它是专门针对小样本训练区分类的方法,弥补了传统分类方法如更大似然法在高维、多源等大数据量情况下病态分类的不足,因而SVM在高光谱数据分类领域应用广泛。本文将机载高光谱与LiDAR数据融合,选用SVM算法对研究区进行分类试验。 

高光谱数据由于波段间存在高相关性,数据冗余度高,因此分类前先对其进行最小噪声分离变换MNF(Minimum Noise Fraction Rotation)去相关,实现信号与噪声分离,使信息更加集中在有限的特征集中,同时使光谱特征向类特征向量汇集,增强分类信息。

从定量、定性两个方面对分类结果进行评价: 

(1)地面参考点: 将剩余的40%样地实测点及0.2m的航空正射影像图作为分类结果的验证数据,建立误差矩阵,统计计算总体及各树种的分类精度值,定量比较分类精度; 

(2)林相图: 将该区域的林相图叠加在分类结果图上,定性比较分类结果与林相图小班内优势树种组成及成数的差异。 


4 结果与分析 

4.1 不同树种基于树高的区别 

由LiDAR数据得到的冠层高度模型CHM,可以表征林冠垂直分布,获得各树种不同的高度、空间分布和冠层密度等多重信息。本文初始 CHM空间分辨率为0.5m,为了与CASI影像的像元对齐,将CHM最邻近法重采样为1.5m。研究区实测的树冠东西、南北主方向冠幅,一般在 6×6m2以上,即每个树冠约占16个像元,因此重采样后的CHM仍可以准确的表达高光谱每个像元对应的树种高度,保证了对CASI分层掩膜的精度,提高训练样本提取的准确度,进而有可能提高分类结果精度。图4(a)为CHM的水平分割图,颜色从蓝至红代表地物高度从低至高,地物高度越相近,颜色就越一致; 

图4(b)为CHM的垂直剖面图,可以看出林隙、树高以及树冠大小,其中更高点为一处38m高的瞭望塔。因此本文首先根据样地实测树种间树高的差异(图 5),用CHM对CASI影像进行掩膜,以增加光谱提取纯度。

image.png

图5为样地实测各树种的树高分布图,可以看出不同树种高度分布有一定的范围,为了准确提取训练样本,将各树种的高度限定在一个较小且分布集中的范围内,避免其他树种的干扰,以此作为CHM对高光谱空间掩膜的依据。由于研究区柳树较少,多聚丛生长,且光谱与其他树种差异较大,容易提取到纯净光谱,因而直接在影像上提取其训练样本。最终确定的各树种掩膜高度为表2所示。

1631523452(1).png

4.2 基于光谱的树种区别 

选取一阶微分曲线500—780nm反映植被生长状况的区间进行波谱相关性分析,逐像元与参考点光谱微分均值曲线相匹配,计算相关系数并设置阈值,保留相关系数>0.995的像元作为与参考点同类别的训练样本。 

从原始光谱曲线(图6)看,阔叶树种中柳树的反射率更高,与其他样本的可分离性更大,可以直接对其进行特征提取; 而其他树种波形及峰值都很相近,特别是落叶松和红松的光谱曲线相似度更高,直接进行特征提取必然产生严重的混分现象,

image.png

但从一阶微分曲线(图7)上看,树种间的差别比较明显,且在“红边”范围差异更加明显。通过曲线匹配,可以很好地实现特征提取。

image.png

4.3 分类结果及精度评价 

4.3.1 仅使用高光谱变量(CASI)的分类精度 

仅使用高光谱数据分类的方法,由于受到相似高度和光谱信息的不同树种干扰,训练样本提取时存在精度不高的问题,从而导致混分的现象严重,影响了分类结果: 总体精度为76.71%,Kappa系数为0.71。其中阔叶树的平均制图精度和用户精度分别为78.93%,86.16%(表3),针叶树为75.05%,73.59%。阔叶树的总体分类精度好于针叶树。柳树的分类精度更高,用户精度达到95.45%,红松、落叶松和白桦精度相近,均为75%—80%,云冷杉更低,仅为63.34%。

image.png

4.3.2 高光谱加入CHM变量(CASI+CHM)的分类精度 

将树种高度信息加入训练样本的提取及分类过程中,减小了相似高度不同树种光谱信息的相互干扰,训练样本和参考样本光谱曲线的相关系数更高,分类总体精度也有较大幅度提高,总体精度达到83.88%,Kappa系数为0.80; 两种方法对柳树的分类精度差异不大,对其他各树种的分类精度普遍有所提高。白桦和云冷杉制图精度和用户精度相差很小,说明这两个树种的识别很稳定,而落叶松和红松相对差异偏大,可能这两个树种对训练样本的敏感性较高; 就用户精度而言,柳树更高(95.65%),落叶松、白桦次之(在85%以上),云冷杉较仅CASI变量的分类提高较大(+13.52%),红松略有降低(-4.21%)。

image.png

与DOM参考影像比较可以看出,图8(a)将明显的道路误分类为建筑物,而图8(b)则实现了准确分类。因此,采用CASI+CHM的分类结果优于仅用CASI。与仅用CASI数据的分类结果相比,CASI+CHM各树种分类精度变化量如图9所示,大多数树种的制图精度和用户精度均有提高。云冷杉的用户精度提高更大,为13.52%,落叶松次之,提高11.83%,达到89.89%,红松略有降低(-4.21%),但制图精度略有提高(+8.06%); 从用户和制图精度看,云冷杉和白桦的精度提高稳定且幅度较大,说明CASI+CHM数据应用本文分类方法对柳树、云冷杉和白桦树种的识别很好,落叶松和红松的识别不够稳定,但总体来说,CASI+CHM的总体精度高于仅CASI,加入树高信息有效地提高了树种的分类精度。CASI+CHM分类结果专题图(图10)将显示各小班优势树种组成成数的林相图叠加在分类结果专题图上进行比较。可以看出,本文的分类结果与林相图的树种组成和分布总体吻合很好,仅局部个别小班存在一些差异,如林相图上存在个别的小班优势树种红松占十成,而分类图上对应小班内除红松分布密度较大外还有占明显比例的白桦林。为进一步验证本文分类结果的准确度,又将分类结果图与 航空正射影像参考图进行了比对,发现两者的一致性较高

image.png

说明本文将机载LiDAR与高光谱融合进行高覆盖度林区树种分类的方法是可信的:不仅总体精度更高,大部分的树种精度也比单纯用高光谱数据精度高。


5 结论与讨论 

高光谱遥感以其特有的超细光谱特征已经在树种识别方面发挥了优势。有研究表明,仅用机载高光谱数据对部分树种分类,其精度达到 60%—90%,证明了机载高光谱的树种分类能力。但是对于高覆盖度的复杂林区,“同物异谱、异物同谱”等现象普遍存在,使得仅凭光谱信息区分树种的高光谱数据受到限制; 而LiDAR能够获取3维结构信息,特别适合于描述复杂林型的森林垂直分布特征,将机载LiDAR与高光谱数据融合对树种分类是极具前景的。本文将机载LiDAR获取的3维结构信息与高光谱的光谱信息融合,应用SVM分类器实现了研究 区的树种分类。为评估LiDAR垂直结构信息参与分类的贡献,比较了仅高光谱(仅CASI)和高光谱与LiDAR(CASI+CHM)融合数据的分类精度。分类结果精度比较表明,CASI+CHM的分类总体精度和Kappa系数均高于仅CASI,分别为83.88%和0.80。

image.png

说明加入垂直结构信息能有效提高高覆盖度森林的树种分类精度。分析其原因,主要是使得各树种训练样本的提取能够在相对独立的光谱空间完成,大大减少了“异物同谱,同物异谱”的干扰,使训练样本提取更加准确,而训练样本的准确程度直接影响到分类的精度。将分类结果图与林相图小班的优势树种和成数相比较也说明本文分类方法是可行的,总体精度和大部分树种的精度都很高。这与Dal- ponte等人、Trevor等人、Geerling等人以及Mundt等人应用高光谱与LiDAR融合数据对复杂林区、滩地和灌丛牧场等分类的结论是一致的。但是本文分类方法,并不是对所有树种都适用。如红松的用户精度更低,仅为75.15%,原因可能是研究区有部分红松人工幼龄林,其高度在5—15m,与大部分同是针叶林型的落叶松、云冷杉高度近似,尽管训练样本提取前进行了高度掩膜、并对光谱曲线一阶微分变换,但仍然会存在混分的现象,因此影响了树种的分类精度。在后续的研究中,将尝试增加其他的特征提取技术,以便更好地增大树种间光谱曲线的可分性,再结合LiDAR的垂直结构信息,有望进一步提高树种分类的精度。

无人机机载高光谱成像系统


          无人机机载高光谱成像系统是莱森光学(LiSen Optics)一款基于小型多旋翼无人机机载高光谱成像系统,该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组。无人机机载高光谱成像系统采用了独有内置扫描系统和增稳系统,成功克服了小型无人机系统搭载推扫式高光谱相机时,由于无人机系统的震动造成的成像质量差的问题,同时具有高光谱分辨率和优异的成像性能。

无人机机载高光谱成像系统配合定制开发的高性能稳定云台,能够有效降低飞行过程中无人机抖动引起的图像扭曲与模糊。该系统与大疆M600 pro无人机完美适配,同时支持同类型的多种无人机,无人机机载高光谱成像系统广泛应用于农业、林业、水环境等行业领域,系统支持配件升级及定制化开发,为教育科研、智慧农业、目标识别、军事反伪装等行业高端应用领域提供了高性价比解决方案。

image.png

image.png



典型应用


image.png



技术优势特点


²  image.png光谱范围400-1000nm,分辨率优于3nm

²  高性能分光系统大靶面CCD图像传感器,高灵敏度、高像质

²  全靶面高成像质量光学设计,点列斑直径小于0.5像元

²  高光谱分辨率,大视场,数据采集效率高目标光谱实时匹配搜索功能

²  悬停拍摄与无人机推扫两种工作模式,无需高精度惯导系统,图像实时自动拼接·操作方便

² 监控拍摄效果·辅助取景摄像头实时可见,无需专业无人机操控手,可实现单人操作·图像实时回传

²  通过地面站实时观测飞机采样地点并可利用地面站设置逐点采集的航线·数据预览及矫正功能

²  辐射度校正、反射率校正、区域校正支持批处理image.png

²  实时常用植被指数计算功能:归一化植被指数(NDVI)、比值植被指数(RV)、增强植被指数(E/I)、大气阻抗植被指数(ARVI)、改进红边比值植被指数(mSR705)、、Vogelmann红边指数(VOG)、光化学植被指数(PR)、结构不敏感色素指数(SIP)、归一化氮指数(NDNI)、类胡萝卜素反射指数1(CR11)、类胡萝卜素反射指数2(CRI2)、花青素反射指数1(AR11)、花青素反射指数2(ARI2)、水波段指数(WB1)、归一化水指数(NDW)、水分胁迫指数(MS)、归一化红外指数(ND)、归一化木质素指数(NDL)、纤维素吸收指数(CAl)、植被衰减指数(PSRI)、调整土壤亮度的

²  支持自定义实时分析模型输入功能

²  数据格式完美兼容Evince、Envi、SpecSight等数据分析软件


image.png

image.png

image.png

 

 

数据采集分析软件介绍


image.png

     

    采集功能:光谱相机控制,数据采集,自动曝光,自动扫描速度匹配,辅助摄像头功能,支持远程遥控,支持巡航+惯导采集模式,数据支持ENVI等第三方分析软件。数据预处理功能:反射率校正、区域校正、辐射度校正、光谱及图像数据预览功能等(一年内免费更新)。


案例应用



image.png


image.png

image.png

 

主要技术指标


型 号

iSpecHyper-VM100

iSpecHyper-VM200

波长范围

400-1000nm

400-1000nm

数值孔径

F/2.6

光谱分辨率

≤3.0nm

≤2.5nm


全副像素

1920(空间维)x1200(光谱维)

1398空间维)×1080(光谱维)

探测器靶面尺寸

7.1mm×11.3mm

8.98mm×6.7mm

光谱通道数

300

260

空间通道数

400(4像元合并)

348(4像元合并)

探测器

CMOS

高灵敏度CCD

拍摄方式

无人机外置推扫

成像镜头

35mm标配(16mm/25mm/75mm可选)

视场角(FOV)

15.6°/14.4°@f=35mm

瞬时视场角(IFOV)

0.7rmad@ f=35mm

更大帧频

120fps(4X)

68ps(4X)

横向视场

55米@35mm(飞行高度200米)

25米@35mm(飞行高度100米)

空间分辨率

0.186(@35mm,高度200米)

0.093(@35mm,高度100米)

单幅图像分辨率

1392×1400(1X)

696×700(2X)

1920×2080(1X)

960×1040(2X)

GPS定位精度

米级

优于0.3米

POS采集系统

同步软件触发

高精度硬件同步触发

地面工作站

/

远程智能控制、RTK- GPS板卡、无线图传

搭载平台

多旋翼/固定翼无人机

高清相机

1500万像素

 

 

光谱相机像素位数

12bit/16bit

标准板反射率

50%标配(20%、30%、60%、70%、98%可选)

标准板尺寸

0.5m×0.5m(标配)

存储容量

1TB

云台及相机安装空间

443mm(悬挂高度)*303mm(长)*180mm(高)

重量

4KG(高光谱相机及控制模块、稳定云台、供电电池)

工作电压/功率

12V/60W

 

无人机高光谱在各领域的应用


一、农林领域应用


      l  农林灾害监测


运用高光谱图像监测农作物遭受病虫害的程度和作物的长势,根据图像的颜色判断病害程度。如下图:

image.png

农作物病虫害监测

 



利用森林植被覆盖度和土壤的相关指数监测森林火灾的发生和燃烧严重程度,对大面积的森林火灾评估有重要的经济作用。

image.png

森林火灾监测



l  
精细农林业数据监测


高光谱遥感在农业应用中监测作物的养分供应状况,对于及时了解作物的长势,采取有效的增产措施均具有积极的意义,主要针对作物养分失调的形态诊断和化学分析适用于有限面积的作物及土壤的诊断和分析。另外,当作物不止一种时,快速分类识别就非常重要,因为不同作物,肥料种类和用量都不一样,如果只根据长势图施肥可能导致一些作物施肥过量而另一些施肥不足。无人机高光谱系统相比多光谱系统有更多谱段和更高光谱分辨率,因而可以在不同波长段获取不同作物的不同响应,进而达到快速有效识别。其识别率可高达95%。

                                

l  植被/农林生态调查


植被中的非光合作用组分用传统宽带光谱无法测量,而用高光谱对植被组分中的非光合作用组分进行测量和分离则较易实现。因此,可以通过高光谱遥感定量分析植冠的化学成分,监测由于大气和环境变化引起的植物功能的变化。



叶面积指数估算

image.png

image.png


²  植被群落、植被种类的分类与识别;

²  冠层结构、状态或活力的评价、冠层水文状态与冠层生物化学性质的估计;

²  叶片的基本生物物理化学成分的研究


image.png

AVIRIS植被种类制图,验证精度可达90%



image.png

农作物生化组分填图

 

二、水质、地质及环境监测领域应用


l  水质监测




高光谱遥感数据的精细光谱分辨率可用于识别和估算水体中叶绿素、单宁酸和沉淀物的含量。进而监测藻类生长和推断水产研究中浮游生物的分布和鱼群的位置。

²  估算和分析水域中d的吸收和散射成分,如叶绿素、浮游生物、不可溶解的有机质、悬浮沉淀物、半淹没水生植物;

²  识别和估算水域中叶绿素、黄色物质及悬浮物的含量并用于水质监测;

²  通过对叶绿素的估算,监视浮藻生长、浮游生物的分布位置和鱼群位置,估算浮游生物的生物量和生产力。


image.png


image.pngimage.png


l 地质勘探/土壤监测


高光谱遥感技术通过对地表矿物质识别用于寻找矿产资源,尤其对热液蚀变矿床的勘探最为有效,并用于地球化学填图和地质制图。高光谱遥感已经在地质领域扮演了重用角色,依据实测的岩石矿物波谱特征,对不同岩石类型进行直接识别,达到直接提取岩性的目的。


image.png

地质岩性识别


地物中不同元素在光谱响应中均对应有不同的响应波段。不同矿物在中远红外波段区间的响应会存在不同的差异。因此可以根据不同矿物的化学组分提取矿物的详细信息。


image.png

矿物填图与DTM制图




image.png


l 环境监测


红边位置是绿色植物的光谱曲线在680nm-760nm区间反射率增长最快的点,也就是曲线在此区间的拐点,红边位置向左或者向右移动能够间接反应出植被的长势及健康状况,植被长势好将向右移动,长势差将向左移动,俗称“蓝移”。

l 大气环境评价



image.png

利用MODIS推算大气气溶胶光学厚度

image.png

大气中的分子和粒子成分在太阳反射光谱中有强烈反应,常规宽波段遥感方法无法识别出由于大气成分的变化而引起的光谱差异,高光谱由于波段很窄,能够识别出光谱曲线的细微差异。


 

三、军事领域应用


       根据目标光谱与伪装材料光谱特性的不同,利用高光谱技术可以从伪装的物体中自动发现目标,在调查武器生产方面,超光谱成像光谱仪不但可探测目标的光谱特性、存在状况,甚至可分析其物质成分,根据工厂产生烟雾的光谱特性,直接识别其物质成分,从而可以判定工厂生产武器的种类,特别是攻击性武器利用短波红外高光谱成像识别战场环境中伪装网,上图为真彩色原始图像,下图为经过处理的伪装网识别图像。


Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1