高分四号卫星数据云和云阴影检测算法

高分四号卫星(GF-4)是我国研制的首颗地球同步高分辨率光学成像卫星,具有高时间分辨率和较高的空间分辨率。针对高分四号卫星数据的特点,提出了一种光谱分析与几何算法相结合的云和云阴影检测算法。使用几何校正和辐射定标后的高分四号影像,基于云与典型地表的光谱特征,采用光谱差异分析技术识别出潜在云像元,根据有云地物和无云地物的光谱变化率差异计算云概率;由云和云阴影的几何关系,并结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测云阴影。该算法能较好地识别薄云,而且可以显著提高云阴影的检测精度。采用目视解译法对检测精度进行验证后发现,不同区域类型的云像元识别位置准确,形状完整;将所提云阴影检测方法与云和云阴影匹配算法进行对比后发现,前者识别的云阴影更为精确。     

动态阈值云检测算法改进及在高分辨率卫星上的应用

基于先验地表反射率数据库支持的动态阈值云检测算法(UDTCDA)可以显著提高卫星数据的云检测精度。为进一步提高其在波段相对较少的高空间分辨率卫星数据云检测应用中的精度,改进了UDTCDA中先验地表反射率数据与待检测卫星数据的空间匹配方法。与原方法使用重采样达到空间分辨率一致不同,该方法根据待检测影像高空间分辨率的特点,采用逐像元空间地理坐标配准的方法与真实地表反射率数据进行配准,然后进行云像元检测。该方法保留了高分辨率影像空间分辨率的优势,可以有效降低空间重采样造成的像元信息丢失。分别使用资源3号、高分1号、高分2号和高分4号高分辨率卫星数据开展云检测实验。通过遥感目视解译的方法对结果进行精度验证,并与UDTCDA云识别结果进行对比。结果表明,改进后的算法能以较高的精度识别不同高分辨率卫星影像中的云,总体精度可达到93.92%,对于碎云和薄云具有整体较高的识别精度,漏分误差和错分误差分别低于10.40%和9.57%。     

浑浊二类水体的高分四号卫星大气校正效果分析

高分四号卫星是我国首颗高空间分辨率地球静止卫星,在浑浊二类水体的遥感定量监测方面应用潜力很大。为评价高分四号多光谱数据经大气校正后水体反射率的精度,以太湖为研究区,使用同步MODIS数据辅助的Gordon单次散射改进算法,对2016年7月21日和2016年8月17日两景高分四号多光谱数据进行大气校正,并通过与地面同步实测光谱数据、以及地球静止水色卫星GOCI数据大气校正结果的协同比对,验证高分四号多光谱数据的大气校正效果,为该卫星产品的水色遥感应用提供借鉴和参考。结果表明,红光B4波段校正精度最高,平均绝对误差(MAPE)为10.71%;绿光B3波段校正精度次高,MAPE为13.21%;近红外B5波段校正精度次低,MAPE为33.06%;蓝光B2波段校正精度最低,MAPE为53.55%。其中B3,B4和B5波段校正精度高于GOCI,主要原因在于高分四号的空间分辨率远高于GOCI,混合像元导致的精度误差相对较小,充分显示了高分四号作为一颗高空间分辨率地球静止卫星在水色遥感方面的优势;而B2波段低于GOCI,表明高分四号的蓝光波段尚有改进空间,今后有必要对该波段进行重新定标等处理;在未得到有效处理的情况下,水色遥感应用应尽量避开该波段。总体而言,高分四号多光谱数据校正精度较高,可以较好的应用于内陆二类浑浊水体的定量遥感监测。     

用于温室气体反演的云检测算法

高分五号卫星同时搭载了温室气体探测仪(GMI)和大气多角度偏振探测仪,两者在云检测方面各有优势,但是均存在局限。提出了一种基于两者数据的协同云筛选新算法以提高温室气体反演中的云筛选效率。利用该算法检测了全球16d在轨实测数据中的77581个GMI观测点,筛选出晴空观测点9508个,占比为12.26%。利用融合后的中分辨率成像光谱仪云掩模和卷云反射率数据集,验证了该算法进行云检测的正确率,得到陆地上和海洋上的云检测正确率分别为92.93%和81.91%。     

资源一号02D高光谱数据红树林地上生物量反演

红树林生态系统是地球上生产力最高的生态系统之一，它也是海岸带“蓝碳”生态系统的重要组成部分。地上生物量作为红树林蓝碳的重要组成部分，如何准确快速地获取红树林地上生物量已成为红树林生态系统研究的热门问题。分析北部湾茅尾海红树林地上生物量(AGB)空间分布格局及其量级，可为该区域红树林生态环境保护及“南红北柳”生态修复提供科学依据。资源一号数据作为我国自主研发的民用国产高光谱卫星，其高光谱数据为红树林地上生物量的研究提供了新的机遇。机器学习算法因其高性能、高效率的优势被越来越多的应用于红树林相关研究，目前已经成为获取红树林参数信息的重要手段。高光谱数据在红树林地上生物量的反演精度如何?国产高光谱卫星数据和机器学习算法在红树林地上生物量的估算中能否应用?这些问题仍需进一步验证。基于国产资源一号02D高光谱数据，采用极端梯度提升(XGBoost)、随机森林回归(RFR)以及K近邻回归(KNNR)三种不同的机器学习算法对茅尾海的红树林地上生物量进行估算，在此基础上对比了不同的机器学习算法的性能。结果显示：(1)无瓣海桑红树林地上生物量的平均值最高(90.93 Mg·ha^-1...     

高分五号可见短波红外高光谱影像云检测研究

高分五号(GF-5)卫星上荷载的可见短波红外高光谱相机(AHSI)能够同时获取330个谱段的光谱信息,对大气和陆地进行综合高光谱观测,能有效获取地物的精确信息。云的存在会对遥感影像造成污染,为了提高GF-5数据的利用率,本文结合AHSI的地物高光谱特性,研究多种下垫面背景下的云检测方法。对得到的1级产品,利用产品配套的定标系数以及光谱响应函数文件,得到各波段的大气顶层表观反射率数据。使用多种典型地物与云像元进行表观反射率的对比后发现,厚云与其他类型的像元在可见光波段具有显著差异。高光谱数据由于波段宽度窄,易受到噪声的影响,因此在进行厚云像元判定时,使用多个窄波段数据进行等效计算,得到对应的宽波段表观反射率,在此基础上使用简单的检测阈值可以将厚云筛选出来。之后使用卷云波段,筛选出潜在的薄云像元。高亮地表作为薄云检测的重点研究对象,检测时极易与薄云造成混淆,为了将薄云区域与高亮地表进行有效区分,统计不同波段之间表观反射率比值的变化,将薄云与易造成误判的高亮区域进行对比,确定最优判定波段与阈值。为了验证算法的精度,对多景AHSI影像进行目视解译,勾选出云像元区域作为基准数据。实验结果表明,本文所提方法的云检测总体精度可达91%以上,可以准确区分云与晴空区域,实现高精度的高光谱遥感影像云检测。     

基于稳定场地再分析资料的多源遥感器替代定标

为监测多源卫星遥感器在轨辐射性能,提出了基于均匀稳定目标再分析基准数据库的替代定标方法。以均匀稳定的敦煌辐射校正场为实验场区,在分析场区历史光谱和大气数据的基础上,建立了地表反射率参考与实时气溶胶估算模型;并结合现有反射率基法定标模型实现了资源一号02C(ZY-1 02C)、资源三号(ZY-3)和高分一号(GF-1)卫星多个遥感器的辐射定标。采用星地同步实测数据和常规外场定标方法对获取的定标系数进行验证,结果表明:基于类似敦煌场的稳定目标再分析资料可实现多源遥感器的辐射定标;定标后的辐亮度与基于实测数据反演的辐亮度平均差异小于5.0%,且与常规外场定标结果总体精度相近。该方法可用于多源卫星遥感器在轨辐射性能日常检测,并为定标系数修订提供参考。     

基于多角度偏振特性的云相态识别及验证

云相态识别是云参数研究的重要组成部分,为了有效识别水云和冰云,根据水云和冰云微物理性质的差别,研究了水云和冰云的单次散射特性,采用基丁倍加累加法的,人量辐射传输方程模拟了水云和冰云的多角度偏振特件.模拟结果表明,光谱的多角度偏振特件能够体现山水云粒子和冰云粒子微物理性质的差异,云在特定方向反射的偏振辐射强度对云相态非常敏感,可以用米进行云相念的识别,在模拟的基础上进行了云相态识别算法的研究,并利用多角度偏振卫星数据--POLDER 0.865μm通道数据进行了实例分析.识别结果与MODIS云相态产品及其1.38μm卷云榆测结果进行了比较.分析结果表明,基于多角度偏振特性云相态识别算法可以有效地进行云相态识别.     

基于能量对称分布相位相关配准的资源三号02星颤振探测

颤振是卫星平台在轨运行的固有现象之一,也是高分辨率对地观测卫星研究的难点和热点。针对资源三号02星在轨运行过程中的平台颤振情况,提出了一种基于能量对称分布的相位相关配准算法。结合多光谱相机各谱段相机之间的安装关系,考虑到平台的线性平滑运动特性,采用二次函数消除系统变化量,得到线性拟合的平台颤振曲线,最后利用星敏陀螺数据联合滤波得到卫星姿态复合验证曲线。实验结果表明:在模拟数据情况下,所提配准算法的配准精度能够达到0.05 pixel,可有效辅助探测卫星平台的颤振,并首次探测到资源三号02星平台存在0.63～0.65 Hz的颤振,振幅为0.41″～1.12″。     

多尺度膨胀卷积神经网络资源三号卫星影像云识别

为提高影像云识别精度,提出一种多尺度膨胀卷积深层神经网络云识别方法。结合卫星影像特征,设计云识别卷积神经网络结构,该结构包含深层特征编码模块、局部多尺度膨胀感知模块以及云区预测解码模块。首先,编码模块中通过基础卷积层获取深度特征;其次,联合多尺度膨胀卷积和池化层共同感知,每层操作连接非线性函数,以提升网络模型的表达能力;最后,云区预测解码模块中融合对应编码模块的特征,再利用L1正则化上采样算法实现端对端的像素级云识别结果。选用典型云遮挡区域影像进行云识别实验,并与Otsu算法和FCN-8S算法进行对比。结果表明,本文所提算法的检测精度较高,Kappa系数显著提升。     

基于GF1-WFV和HJ-CCD数据的我国近海绿潮遥感监测算法研究

大面积绿潮爆发对海洋生态环境、渔业经济、滨海旅游业等造成严重的负面影响。利用遥感技术可对绿潮进行宏观、及时、动态的有效监测,也可进行及时治理和预防,以减少经济损失。从GF1-WFV和HJ-CCD影像数据提取我国沿海绿潮水体的反射光谱特征,分析与非绿潮水体的光谱特征的差异,进而面向环境一号和高分一号开发了多光谱绿潮指数(MGTI)-多波段差值耦合算法,并用该算法对绿潮进行遥感监测。同时与Landsat7-ETM+影像监测面积、归一化植被指数(NDVI)算法和增强型植被指数(EVI)算法提取绿潮面积进行比较验证。结果表明,所开发算法对绿潮发生位置和面积的监测效果较好,且精度达到94%,可有效地应用于我国沿海二类水体的绿潮监测,为利用国产卫星数据监测沿海绿潮提供理论依据和方法支撑。     

Suomi NPP卫星可见光红外成像辐射仪的改进动态阈值云检测算法

基于可见光红外成像辐射仪多波段、宽覆盖、长重访周期的特点,以及云层在可见光到热红外通道的分布及变化特性,提出了一种适用于可见光红外成像辐射仪数据的改进的动态阈值云检测算法;通过遥感目视解译的方法对云检测结果进行精度验证,并与通用动态阈值云检测算法、可见光红外成像辐射仪云掩膜产品的结果进行对比。结果表明:所提算法能以较高的精度识别不同地表上空的云层,平均总体精度为93.23%,平均Kappa系数为0.821,对薄、碎云的整体识别精度得到了明显提高,错分和漏分误差明显减小;所提算法的云检测结果整体优于通用动态阈值云检测算法和可见光红外成像辐射仪云掩膜产品的云检测结果。     

第三届高光谱成像技术及应用研讨会征文通知

正会议宗旨:以"高分五号"卫星各型载荷为主,兼顾高分专项航空系统以及其他方面支持的相关高光谱载荷为牵引开展交流;权威专家报告引领,研讨高光谱共性关键技术、数据处理和应用;注重地矿、环保、农业、林业、气象、海洋等众多领域对高光谱数据的广泛应用需求以及载荷数据的应用前景主办单位:国家自然基金委员会中国光学工程学会中国工程院信息与电子工程学部中国遥感应用协会     

基于BP神经网络的云检测和云相态识别

为快速高效地进行云检测和云相态识别,提出了基于BP神经网络的云检测和云相态识别方法,并针对中分辨率成像光谱仪(MODIS)的相关数据建立了BP神经网络。利用该算法对MODIS图像进行了云检测和云相态识别,并把识别结果与MOD06数据进行了对比,对比结果表明,该算法对冰云、水云以及混合云的识别准确率分别达到了100%、100%以及99.94%。该算法快速、准确,消除了未确定态,具有很强的自主学习能力。     

基于高分五号高光谱影像的干旱区盐渍化土壤盐分含量估算

目前星载高光谱传感器较少,基于高光谱影像的土壤盐分含量估算研究仍处于探索之中。高分五号(GF-5)是目前国内光谱分辨率最高的卫星。目的是研究高分五号高光谱影像大面积估算干旱区盐渍化土壤盐分含量的可行性。选择新疆焉耆为研究区域,采集了198个土壤样本。首先,检测土壤样本中的全盐量、Na⁺、Ca²⁺、SO₄^2-、Cl^-的含量,利用ASD FieldSpec3地物光谱仪在实验室测定土壤样本的光谱反射率。然后,对实验室土壤光谱进行SG(Savitzky-Golay)平滑预处理,采用竞争自适应重加权采样法选择土壤盐分的特征波段,再利用偏最小二乘、岭回归和支持向量机建立土壤盐分含量的回归模型,发现实验室光谱反演土壤盐分的模型精度较高,五种土壤盐分反演模型的校正集决定系数均大于0.97,预测集决定系数均大于0.90。接着,获取土壤采样同期的高分五号高光谱影像数据并进行预处理,根据采样点位置在影像上提取了198个土壤样本的光谱曲线,使用与实验室光谱相同的反演方法,建立了高分五号影像光谱与土壤盐...     

基于时序NDVI与光谱微分变换的森林优势树种识别

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义,也是当前亟待解决的重要科学问题。伴随遥感技术的发展,利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息,有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。以中国东北地区赤峰市旺业甸国有林场为试验区,采用覆盖完整自然年的共36景高分一号（GF-1）WFV时间序列数据（16 m）,提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数（NDVI）,结合支持向量机（SVM）模型对研究区内5种典型优势树种：油松、落叶松、山杨、白桦和蒙古栎,进行不同时间尺度下（单季相、全季相、逐月和逐旬）的光谱识别研究。同时,分别基于原始时序光谱及其一阶、二阶和三阶微分变换结果,探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。结果显示,基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果（p＜0.05）,其中采用全季相数据的树种总分类精度相比于春、夏和秋不同季节的单季相数据结果,分别提高了7.67%,6.64%和3.6%,表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要,同时秋季是采用单时相数据的最佳识别季节（p＜0.05）;在不同时间序列数据中,基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果（p＜0.05）,而基于全季相数据的光谱识别结果最低（p＜0.05）,表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。此外,结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高（p＜0.05）,其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%,分别提升了3.38%和2.95%。研究表明采用基于全年逐旬或逐月尺度的时序光谱数据,并结合相应的微分变换方法,可以有效提高区域尺度优势树种的识别精度,为相关多光谱森林植被精细识别研究提供参考。     

基于Geoeye-1影像光谱特性的红树林冠层种类识别

基于Geoeye-1高空间分辨率影像与冠层实测高光谱数据,以广西北部湾五种红树群落为研究对象,分析影像光谱用于冠层种类识别的能力。首先研究红树林冠层光谱响应特征,再针对影像采用高光谱分析方法提取端元,结合实测训练样本进行不同方法的识别对比。结果表明：350～1 100 nm谱段内以435,469,523,677,751和761 nm为中心波段的红树群落冠层光谱表现最佳;木榄端元应用识别精度高于实测训练样本应用结果;光谱角制图法能够克服多光谱波段对全色波段分辨率的影响,并有效获取冠层轮廓。利用Geoeye-1影像光谱信息可有效识别三种红树植被,种类最高识别精度达93.03%。研究证实高空间分辨率影像光谱信息的重要性,从机理和应用角度为面向对象红树林种类识别提供了依据和参考。     

机器学习法的干旱区典型农作物分类

当前,基于机器学习方法开展农作物分类研究,对于确保干旱区粮食安全和生态安全有着极为重要的现实意义。基于机器学习方法,采用时间序列Sentinel 2A遥感数据提取农作物分类信息,通过引入地块基元和红边特征,探讨了不同分类特征组合对机器学习分类精度的影响。结果表明：随机森林分类器可以有效集成光谱和植被指数等多维向量的优势,将其应用于干旱区典型农作物分类上的精度均在89%以上,分类组总体精度最高可达94.02%。地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度,使光谱组及指数组的分类精度分别提高3.13%和4.07%,并能有效解决“椒盐”效应及耕地边缘廓线模糊等问题。红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39 %和1.63%,并使春、冬小麦的识别能力显著提高,表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异。该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考。     

基于深度自编码网络的高光谱影像解混研究

高分系列卫星的发射和无人机高光谱技术的发展,高光谱可用数据进一步扩展。为了提升高光谱数据的精细利用价值,高光谱影像混合像元解混成为当前至关重要的任务。随着人工智能技术的快速发展,深度学习理论被引入遥感图像处理领域。自编码网络具有较强的特征提取能力,已经开始应用于高光谱影像解混方面。以自编码网络为基础对其结构进行改进,提出一种深度堆栈自编码网络(DSAE)用于高光谱图像解混研究。该网络包含两个部分：端元识别网络(EDSAE)和丰度求解的网络(ADSAE)。首先,通过添加批标准化处理、稀疏约束、“和为一”约束以及删除网络偏置项构建EDSAE网络,开展非监督训练进行高光谱影像端元识别。其次,将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强,生成多元混合的带有丰度标签的模拟高光谱数据集。最后,在堆栈自编码网络基础上,设置最后一层自编码器的激活函数为Softmax函数,构建监督训练网络ADSAE,把模拟数据集作为训练数据,高光谱影像作为测试数据,求取真实高光谱影像的丰度矩阵。对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和...     

对数变换、导数变换的高寒草地反射光谱特征分析与识别——以那曲地区HJ-1A/HSI图像为例

对比3种类型高光谱数据以及2种分类算法,从那曲地区HSI高光谱图像上识别4个草种。结合实地踏勘从HSI高光谱图像上采集藏北嵩草、紫花针茅、高山蒿草和小嵩草这4个草种的原始光谱反射率数据,并分别进行导数变换、对数变换,得到4个草种的原始光谱、一阶导数光谱、对数变换光谱。对这3种光谱数据进行谱线波形分异特征比较、单因素方差分析以及相关分析,从这3种光谱数据中提取出各自适用的敏感谱段,然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法,通过对HSI图像分类识别出4个草种。对比3种光谱数据各自分类图的识别精度,评价3种光谱数据敏感谱段的适用性;再将3种光谱数据的敏感谱段分别导入ICA-FCM算法,与KICA-NFCM算法分类结果比较对4个草种的识别精度。结果显示谱线波形分异特征比较、单因素方差分析以及相关分析表明,原始光谱、一阶导数光谱、对数变换光谱的敏感谱段分别为788～925, 711～742, 669～682与788～925 nm;使用这3种光谱数据进行KICA-NFCM分类,总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823;使用3种光谱数据进行ICA-FCM分类,总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异,为通过谱线波形分异特征比较选取敏感谱段创造条件; KICA-NFCM算法可以优化输入特征、并引入加权邻域空间信息计算隶属度函数,针对性解决了标准FCM算法在处理高光谱图像时,目标识别过程受邻域噪声影响,分类图像"椒盐效应"显著、同质区域连通性差的问题。结果表明:应用"对数变换光谱/KICA-NFCM算法"组合能够最准确的从HSI图像上识别4个草种,有效减少混分误判现象,为精准开展高寒草地成像高光谱观测提供技术基础。