针对某些特定环境下, 伪装目标和背景目标出现的“异物同谱”现象, 传统的可见光及多光谱遥感伪装识别存在局限性, 为此, 将高光谱应用到典型伪装材料的特征分析与识别。 以北方地区常用丛林迷彩伪装网为研究对象, 利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱, 通过光谱相似性度量和包络线去除处理, 分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段, 并基于近红外波段构建光谱比值指数RCI, 用于识别绿色植被环境中的伪装目标, 最后通过高光谱成像实验获取仿真伪装环境高光谱图像, 并利用高光谱图像对识别效果进行验证。 结果显示: (1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似, 且反射率随浸水时间的增加而整体呈下降趋势; 1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段, 其光谱特征会因浸水处理而相似于植被, 相似度从0.895提高到了0.939。 (2)丛林迷彩伪装网和植被在可见光波段的相似度较高, 光谱波动情况相似, 但在近红外波段光谱特征差异明显。 通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段, 且基于迷彩伪装网和各植被在900~1 900 nm波段范围内存在的2处明显反射率斜率的差异, 构建了伪装网识别特征指数RCI1(R1 190/R1 270)和RCI2(R1 270/R1 440)。 (3)基于RCI指数构建决策树分类模型, 可以快速有效的将伪装目标从绿色植被背景中提取出来。 实验结果表明, 基于RCI指数对伪装目标区域进行识别提取, 所得结果在形态和大小上与原影像具有较好地一致性, 识别精度可达95%, 表明该指数对于伪装目标具有较好的识别效果。

岩石定量遥感是矿产资源探测与地质环境监测的主要手段, 光谱解混是岩矿定量遥感的重要方法。 在实际应用中, 由于卫星对地观测受地形起伏的影响, 观测具有一定的角度, 导致所测发射率光谱产生变异。 但在目前的研究中, 解混所采用的矿物端元光谱, 是在实验室垂直试样表面观测得到的, 忽略了观测角度对发射率光谱的影响, 降低了光谱解混精度。 因此, 有必要将观测角度作为影响岩石光谱解混的因素, 研究其对光谱解混精度的影响。 首先, 将常见的石英、 正长石和斜长石矿物表面制作成一般粗糙度, 并设计0°~77°共9个观测角度实测发射率光谱, 分析观测角度对矿物热红外光谱特征的影响。 其次, 利用观测角度13°~77°的矿物端元, 构建相应角度虚拟岩石光谱, 并用0°的矿物端元光谱解混9个观测角度的岩石光谱, 分析观测角度对岩石热红外光谱解混的影响。 结果表明: (1）在0°~20°范围, 观测角度对光谱影响较弱, 从30°开始, 影响显著。 基本规律是: 随着角度的增加, 光谱吸收深度增加, 但各波段处的情况不尽相同。 CF特征在观测角度大于50°之后向短波方向移动明显; RF特征处的吸收谷在观测角度大于20°之后显著加深, 且谷底位置向短波方向移动; TF特征在观测角度大于40°之后发射率显著降低。 表明观测角度的变化, 会引起光谱特征的明显变化。 (2）在0°~20°范围内, 观测角度对光谱解混影响不明显, 解混误差小于5%; 当观测角度大于20°时, 观测角度对光谱解混有显著影响, 30°~77°解混误差均大于5%, 平均解混误差达到17.2%, 解混精度较低。 这表明, 在基于光谱解混方法进行岩石矿物组分定量反演时, 需要考虑观测角度的影响, 这对于提高反演精度、 准确确定岩石类型具有重要意义。

我国尾矿库数量众多, 分布广泛, 在低含水量条件下, 风力作用引起的尾砂扬尘会对周边环境造成污染。 而尾矿库表面积大, 含水量变化快, 传统的含水量监测方法效率低、 安全性差、 成本高, 难以实现尾矿库含水量的大面积、 实时、 快速的监测。 目前, 基于光谱特征的遥感模型虽可以较为准确地预测土壤含水量, 但矿区尾砂与常规土壤在成分上存在差异性, 使得土壤含水量的光谱预测遥感模型可能无法适用于尾矿库含水量的预测。 为此, 选择辽宁省风水沟尾矿库作为研究区, 采集尾砂配置成不同含水量的样品, 测试其可见光-近红外光谱, 分析不同含水量样品的光谱特征以及含水量与光谱特征之间的关系, 建立针对尾砂的含水量遥感预测模型, 并应用于辽宁省风水沟尾矿库表面含水量的预测。 结果表明: (1)含水量对尾砂的光谱特征有显著影响, 二者存在高度的相关性, 光谱反射率随含水量增加而下降, 且波长越长, 含水量对光谱的影响越显著; (2)构建了基于尾砂光谱特征的含水量遥感预测模型, 选择Landsat8-OLI传感器的B6和B7波段, 定义了比值指数(RTI)、 归一化差异指数(NDTI)和差值指数(DTI)3种尾砂光谱指数, 并将这3种指数作为输入自变量, 使用随机森林方法进行训练以及含水量的建模预测, 并与B7波段建立的对数反射率预测模型进行比较。 结果表明, 光谱指数+随机森林的预测模型效果优于基于B7波段建立的对数反射率模型。 (3)使用光谱指数+随机森林的预测模型, 通过Landsat8-OLI数据对实地尾矿库提取了含水量的空间分布图, 结果表明模型预测的含水量与实测结果之间的决定系数R2达0.798, 均方根误差RMSE为0.077, 相对分析误差RPD为1.970, 平均相对精度ARE为20.1%, 在现有技术条件下, 达到了较好的预测效果。 该研究为变质型铁矿尾矿库含水量的预测提供一种大面积、 实时、 快速的实用方法。

利用微米级分辨率的高分辨光声显微成像系统,对小鼠耳部肿瘤早期血管的生长以及肿瘤对抗血管治疗药物的响应过程进行连续无标记的成像监测;提出将基于三维Hessian矩阵的血管提取算法应用于肿瘤血管的光声定量成像,以提高肿瘤血管的提取精度,并定量分析肿瘤血管的直径、密度、弯曲度等形态学信息变化。结果表明,高分辨光声定量成像在肿瘤及其他以血管变化为病理特征的疾病机制研究方面具有巨大的应用潜力。

研究不同界面处理对AlGaN/GaN 金属-绝缘层-半导体(MIS)结构的高电子迁移率晶体管(HEMT)器件性能的影响。采用N2和NH3等离子体对器件界面预处理, 实验结果表明,N2等离子体预处理能够减小器件的电流崩塌, 通过对N2等离子体预处理的时间优化, 发现预处理时间10 min能够较好地提高器件的动态特性, 30 min时动态性能下降。进一步引入AlN作为栅介质插入层并经过高温热退火后能够有效提高器件的动态性能, 将器件的阈值回滞从411 mV减小至111 mV, 动态测试表明, 在900 V关态应力下, 器件的电流崩塌因子从42.04减小至4.76。

我国煤矿数量众多, 分布广泛, 大量堆积的煤矸石对矿区环境造成严重影响, 其中部分煤矸石处理不当可能引发自燃和爆炸, 对矿区安全构成直接威胁。 根据煤矸石的燃烧状态可以分为燃烧矸石和未燃烧矸石两类, 其存在的安全隐患和对环境的危害性有所不同, 同时其综合利用的途径亦不相同。 因此, 对煤矸石进行燃烧矸石和未燃烧矸石的分类识别与监测就显得尤为重要。 目前的监测方法主要为实地勘查调研, 其效率低、 成本高, 难以满足煤矸石监测的实际需求。 选择辽宁省铁法矿区作为研究区, 首先从矿区矸石山现场采集典型的煤矸石样本106个; 然后, 利用SVC HR1024光谱仪测试其可见光-近红外光谱, 分析燃烧和未燃烧矸石的光谱特征, 并基于可见光波段构建光谱指数NDGI, 用于识别燃烧矸石和未燃烧矸石。 选择实验室测试的光谱数据和实际卫星遥感数据对该指数进行了验证, 并与随机森林法进行对比。 结果显示: 在350～760 nm燃烧矸石光谱曲线斜率整体较高, 在550～630 nm反射率存在陡升现象, 而未燃烧矸石在整个可见光波段光谱曲线斜率较低; 以0.25作为NDGI指数阈值, 可以很好地将燃烧矸石和未燃烧矸石区分开来, 实验室样本验证结果显示, NDGI指数的分类精度可达99.1%, 高于随机森林分类法的95.2%; 现场的验证结果表明, 使用铁法矿区的landsat8 OLI数据, 并基于NDGI指数对矿区内的矸石山进行燃烧和未燃烧区域识别划分, 所提取的燃烧和未燃烧矸石在形态和大小上与Google Earth具有很好地一致性, 表明该指数对于矸石的燃烧状态具有很好识别效果。 在上述研究基础上, 分别取燃烧和未燃烧矸石进行矿物鉴定, 通过对比矸石燃烧前后矿物种类的变化, 分析造成燃烧和未燃烧矸石的光谱特征差异的原因。 结果表明: 燃烧使矸石中的Fe2+被氧化为Fe3+。 Fe3+的大量增加造成光谱曲线在550nm处形成明显的波谷特征, 在整个燃烧过程中生成的玻璃质在750nm处形成高反射率, 二者综合造成燃烧和未燃烧矸石的NDGI指数差异。 研究结果为煤矿区燃烧和未燃烧矸石的区分识别提供了一种快速、 高效、 较为准确的实用方法。

煤是工业的主要能源, 煤的品质对工业和环境起决定性作用。 在使用煤的过程中, 如果不能准确确定煤的品种, 有可能对生产效率、 环境污染、 经济损失等会造成重大的影响。 传统的煤分类, 主要依靠人工方法和化学分析方法, 这些方法的缺点是高成本和耗费时间。 如何快速准确确定煤的品质很重要。 因此, 提出深度学习、 极限学习机-ELM算法和可见、 红外光谱联合建立煤矿分类模型。 首先, 从抚顺、 伊敏和河南夹津口煤矿区采取不同煤样品, 并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。 然后利用深度学习的卷积神经网络-CNN提取光谱特征, 并采用ELM算法对光谱数据建立分类模型。 最后, 为进一步提高分类精度, 引入粒子群算法。 通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法, 并使用改进粒子群算法优化CNN-ELM网络。 实验结果表明, 和PCA特征提取方法比较, CNN网络能够更好的提取光谱特征, CNN-ELM分类模型有良好的分类效果; 改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。 与传统的化学分析方法和人工方法相比, 此方法在经济、 速度、 准确性方面均具有无可比的优势。

为了验证微波调制激光技术进行速度测量的可靠性, 构建了一套通过微波调制激光技术测速的实验系统。利用激光作为载波, 微波作为模拟调制信号对激光信号进行强度调制,光电探测器对信号光强度进行直接探测。利用射频电路, 获得多普勒频移数据反演发射端和接收端相对运动速度。同时通过测量运动距离和时间计算平均运动速度, 作为第三方数据, 用于与微波调制激光技术测速的数据进行比较。理论分析了这套系统的原理并对其进行了实验验证。实验结果表明, 利用微波调制激光技术测速的数据与第三方数据平均偏差小于2.0%, 符合性好。

煤与矸石是矿山采煤过程中主要固体堆放物, 对其进行遥感动态监测是矿山环境保护的重要需求。 由于煤与部分矸石存在“异物同谱”现象, 在使用传统的可见-近红外遥感分类时, 往往将部分矸石划分为煤, 导致遥感分类精度降低。 首先对铁法矿区的12个煤样本和115个矸石样本进行可见-近红外光谱测试, 发现绝大部分矸石样品的光谱与煤差异很大, 二者易于区分, 但有部分矸石与煤样本存在“异物同谱”现象。 为进一步对矸石与煤区分, 测试了混分样本的热红外光谱, 发现二者存在明显的光谱差异, 利用热红外光谱特征可以将其区分开来。 在此基础上, 提出了基于可见-近红外和热红外光谱联合分析的煤与矸石区分方法。 该方法首先对所有样本进行可见-近红外光谱测试, 利用Mao模型进行第一步分类识别; 其次对煤与矸石混分的样品进行热红外光谱测试, 利用光谱吸收比率SAR作为判别指标进行第二步分类, 两步的分类结果为最终分类结果。 该方法在铁法、 兖州、 神东和木里矿区的验证结果表明, 其具有很高的分类准确率, 效果远好于单独基于可见-近红外光谱特征的分类方法。 研究结果表明, 利用多种光谱联合分析的方法可以解决单波段存在的“异物同谱”现象, 对于地物遥感分类具有重要的借鉴意义。