1 山东科技大学测绘与空间信息学院，山东 青岛 266590
2 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079
3 自然资源部第一海洋研究所，山东 青岛 266061
4 中国科学院微小卫星创新研究院，上海 201210
5 上海微小卫星工程中心，上海 201210
提出一种顾及姿态误差时空变化的全谱段光谱成像仪（VIMS）定位精度提升方法。通过分析高分五号02星（GF-5B卫星）181 d的星敏感器低频误差规律，以分段傅里叶级数模型为基础，利用时序化、多空间补偿策略，统一了非基准与基准定姿模式之间的低频误差特性，补偿低频误差对影像几何定位的影响。研究结果表明，所提方法将VIMS可见光近红外影像无地面控制几何定位精度从4.274 pixel优化至1.867 pixel，且对不同时相、不同区域的光学影像均有良好的精度提升效果。
遥感 姿态低频误差 几何定位精度 高分五号02星 全谱段光谱成像仪 光学学报
2024, 44(12): 1228004
1 长春理工大学 光电测控与光信息传输技术教育部重点实验室，吉林 长春 130022
2 中国科学院 长春光学精密机械与物理研究所 中国科学院光学系统先进制造技术重点实验室，吉林 长春 130033
针对用于地球静止轨道卫星的遥感面阵快照式成像光谱仪传输数据量过大引起的数据传输困难、信号采集处理时间长的问题，利用地球静止轨道平台可以长期驻留固定区域上空的特点，提出采用压缩感知的大口径宽谱段快照式光谱仪方案，对其光学系统结构进行设计，并对相关参数进行了计算。物镜采用同轴三反式无焦系统，用分色片对系统分光，经过对各系统进行优化处理，最终获得了幅宽为400 km×400 km，可见光地面像元分辨率为50 m、中波红外地面像元分辨率为400 m、长波红外地面像元分辨率为625 m的光学系统。该设计中，可见光路在78.125 lp/mm的MTF高于0.455，中波红外的光谱分辨率为光路在33.3 lp/mm处的MTF高于0.518，长波红外光路在20.8 lp/mm处的MTF高于0.498；可见光光谱分辨率为20 nm、中波红外的光谱分辨率为50 nm、长波红外的光谱分辨率为150 nm；可见光路二级光谱小于0.05 mm，设计结果具有良好的成像质量，各部分光学系统成像质量接近衍射极限，设计结果满足应用和指标需求。
光学设计 多光谱成像 压缩感知 宽谱段光谱仪 optical design multi-spectral imaging compressive sensing visual and infrared multispectral sensor
1 华中农业大学资源与环境学院, 湖北 武汉 430070
2 农业部长江中下游耕地保育重点实验室, 湖北 武汉 430070
3 安徽大学安徽省农业生态大数据工程实验室, 安徽 合肥 230601
4 Texas A&M AgriLife Research and Extension Center, Beaumont, TX 77713, USA
5 华中农业大学理学院, 湖北 武汉 430070
高效无损地评估农作物病害等级, 对于实际农业生产和研究都具有重要意义。 研究探讨了基于低空无人机遥感平台进行水稻纹枯病病害等级评估的可行性, 分析可见光与多光谱传感器的光谱响应差异及其对感病水稻光谱反射率获取的影响, 并定量对比两种传感器的病害监测效果。 实验研究区由67个不同品种的水稻小区组成, 每块小区均分为相接的纹枯病接种区和侵染区。 以大疆精灵Phantom 3 Advanced小型消费级无人机作为搭载平台, 分别搭载该无人机系统自带的可见光传感器和MicasenseRedEdgeTM多光谱传感器获取遥感影像。 同时, 通过植保专家现场调查的方式识别病害等级, 并利用Trimble公司的手持式NDVI测量仪获取实测NDVI值。 基于影像拼接、 波段叠合、 辐射校正后的预处理结果, 对可见光图像的接种区和侵染区共134个小区计算七种可见光植被指数, 即NDI（normalized difference index）, ExG（excess green）, ExR（excess red）, ExG-ExR, B*, G*, R*, 多光谱图像除上述可见光指数外再计算NDVI（normalized difference vegetation index）, RVI（ratio vegetation index）和NDWI（normalized difference water Index）三种多光谱植被指数。 将计算得到的图像植被指数与地面实测NDVI进行相关性分析, 以选取两种传感器的最优图像植被指数建立水稻纹枯病病害等级反演模型。 相关性分析结果表明, 基于多光谱传感器计算的图像NDVI与实测NDVI拟合度最高, 接种区R2为0.914, RMSE为0.024, 侵染区R2为0.863, RMSE为0.024。 对于可见光传感器, NDI与实测NDVI的相关性最好, 接种区R2为0.875, RMSE为0.011, 侵染区R2为0.703, RMSE为0.014。 比较两种传感器两种区域的同一图像植被指数与实测NDVI的一致性, 除B*外, NDI, ExR, ExG-ExR, G*, ExG, R*与实测NDVI基本属于高度相关, 在病害严重的接种区, 两种传感器对水稻纹枯病的监测效果相近, 但在病害相对较轻的侵染区, 多光谱传感器的监测更为精确灵敏。 基于多光谱图像NDVI建立的病害等级反演模型, R2达到0.624, RMSE为0.801, 预测精度达到90.04%, 模型效果良好。 而基于可见光图像NDI建立的反演模型, R2为0.580, RMSE为0.847, 预测精度为89.45%, 效果稍差。 对比分析可见光与多光谱传感器的光谱响应曲线, 可见光传感器可获取可见光范围的红、 绿、 蓝三个波段, 波段范围互相重叠, 多光谱传感器包含五个成像单元, 可独立获取从可见光到近红外的五个窄波光谱波段, 提供更加准确的光谱信息。 比较传感器获取的接种区和侵染区水稻平均反射率曲线得出, 多光谱传感器不仅在可见光波段反映了较可见光传感器更强的差异, 在红边和近红外波段差异则更加明显, 这说明专业窄波段传感器在病害监测方面较宽波段消费级传感器更有优势。 综上所述, 基于可见光与多光谱传感器的低空无人机遥感平台进行水稻纹枯病病害等级评估是可行的, 多光谱传感器精确灵敏, 可用于纹枯病的早期监测, 可见光传感器效果稍差但经济易于推广。 研究结果为病虫害防治提供决策支持, 有助于推动实现精准农业, 保障粮食安全。
多光谱传感器 可见光传感器 低空遥感 水稻纹枯病 病害等级评估 植被指数 Visible light sensor Multispectral sensor Low-altitude remote sensing Rice sheath blight Disease grade evaluation Vegetation index 光谱学与光谱分析
2019, 39(4): 1192
1 中国科学院遥感与数字地球研究所, 遥感科学国家重点实验室, 北京 100105
2 中国科学院大学, 北京 100049
3 国家航天局航天遥感论证中心, 北京 100105
针对资源三号卫星(ZY-3)多光谱影像特点, 提出了一种改进型反射率基法, 实现相机在轨辐射定标。 该方法以ZY-3 Level 1A 级影像为数据源, 建立严格的几何模型获取定标点处准确的观测几何参数, 降低因影像重采样和成像几何产生的误差对辐射定标精度的影响。 基于山东东营遥感综合实验, 利用两点法和多点法获取ZY-3多光谱相机在轨辐射定标系数。 与官方定标系数相比, 多点法的定标精度高于两点法定标精度。 通过分析各定标点与拟合直线间的离散程度后发现, 水体定标点的残差较大, 其中绿波段残差值约为67.39%。 以置信度95.4%为标准, 可将水体定标点判识为误差点。 在剔除水体后, 采用多点法获得的定标系数除近红外波段相对差异优于5%以外, 其他波段相对差异均优于2%。 该结果表明该改进型反射率基法能够获得精度可靠的绝对定标系数, 可以为其他类似卫星在轨辐射定标提供参考依据。
ZY-3卫星 多光谱相机 靶标 辐射定标 ZY-3 satellite Multispectral sensor Artificial target Radiometric calibration
基于敦煌辐射校正场, 利用高、 中两类定标场地, 采用反射率基法对资源三号卫星多光谱传感器进行在轨场地绝对辐射定标, 获取多光谱传感器的2013年绝对辐射定标系数, 并与2012年定标结果进行对比分析。 同时, 利用2013年7月1日Landsat 8的operational land imager(OLI)影像对资源三号卫星多光谱传感器进行交叉定标, 验证定标系数的可靠性。 结果表明, 一年来资源三号卫星多光谱传感器各波段性能存在1%～8.5%的变化; 交叉定标和场地定标的结果有较好的一致性, 说明定标结果具有较高的可信度。
资源三号卫星 多光谱传感器 场地定标 交叉定标 ZY-3 Satellite Multispectral sensor Field calibration Intercalibration 光谱学与光谱分析
2014, 34(9): 2476
