1 中国科学院空天信息创新研究院, 遥感科学国家重点实验室, 北京 100101中国科学院大学, 北京 100049
2 中国科学院大学, 北京 100049
3 中国科学院空天信息创新研究院, 遥感科学国家重点实验室, 北京 100101
不同于传统被动光学传感器, 高光谱激光雷达发射主动式全波段高斯脉冲激光, 和植被叶片表面相互作用后, 不同波段后向散射强度返回至接收器并被记录下来。 以往的高光谱激光雷达植被叶片反射特性研究只聚焦于零度角入射的情况, 对多入射角方向反射光谱特性以及方向反射特性对叶片叶绿素含量估算带来的误差尚未进行过深入研究。 利用实验室研发的32波段高光谱激光雷达获取了不同入射角下的植被叶片反射光谱, 对高信噪比波段下植被叶片的复杂方向反射特性进行了深入分析, 随后选择光谱指数研究了高光谱激光雷达测量条件下植被方向反射特性对叶绿素含量反演的影响。 结果表明, (1)高光谱激光雷达植被叶片回波强度随入射角增大逐渐降低, 但二向反射率因子并不逐渐减小, 在可见光和近红外波段, 二向反射率因子随入射角增大分别呈现出两种不同形状特征, 可见光波段反射率因子最大值出现在0°~10°, 近红外波段最大值出现在60°, 反射率因子最小值均出现在45°处, 最大和最小反射率因子间可差0.1左右, 可见光和近红外波段10°~60°内二向反射率因子均呈现先减小后增大的趋势; (2)通过对不同入射角下光谱指数与叶绿素含量的回归分析发现, 方向反射特性对反演精度有非常大的影响, R2和RMSE并不随着入射角增大统一呈现同步增大或同步减小的趋势, 具体地, R2随入射角的变化趋势是先减小, 再增大, 再减小, 50°左右时最小, 增大发生在60°, RMSE则反之。 对于不同光谱指数, R2随入射角增大变化可达4倍, 波动范围为0.14~0.63, RMSE最大变化为1.5倍左右, 在0.5~0.8 mg·g-1内波动。 R2和RMSE的重大变化揭示了高光谱激光雷达植被叶片方向反射特性对叶绿素含量反演的重要影响。
高光谱激光雷达 后向散射强度 方向反射 二向反射率因子 叶绿素 Hyperspectral LiDAR Backscattered intensity Bi-directional reflection Bi-directional reflectance factor (BRF) Chlorophyll 光谱学与光谱分析
2023, 43(5): 1598
1 安徽建筑大学 电子与信息工程学院, 合肥 230601
2 安徽建筑大学 安徽省古建筑智能感知与高维建模国际联合研究中心, 合肥 230601
3 北京航空航天大学 无人机系统研究院, 北京 100191
4 淮南师范学院 电子工程学院, 淮南 232038
为了准确重建正反面叶片叶绿素3维分布, 利用高光谱激光雷达, 采集了不同生长状态的绿萝叶片与植株的空间-光谱域点云数据, 设计了一种基于分类预测的重建方法。通过偏最小二乘回归构建叶片正面与反面光谱的叶绿素含量预测模型, 采用光谱自适应阈值选择方法实现植株点云中叶片正反面的分类, 并根据类别标签选择模型计算叶绿素含量, 重建植株的叶绿素3维分布。结果表明, 该方法得到的植株叶绿素3维分布更接近真实值, 决定系数达到0.69, 均方根误差为4.97。这一结果可为植物表型研究提供新的数据基础和理论方法。
遥感 高光谱激光雷达 偏最小二乘回归 叶绿素含量 3维重建 remote sensing hyperspectral LiDAR partial least squares regression chlorophyll content 3-D reconstruction
1 安徽建筑大学 电子与信息工程学院, 合肥 230601
2 安徽建筑大学 安徽省古建筑智能感知与高维建模国际联合研究中心, 合肥 230601
为了快速无损地检测评估木材的霉变及含水量, 利用高光谱激光雷达系统主动获取木材的高光谱数据, 设计了一种分析霉变特征并建立含水量预测模型的方法。首先选取白松为样本, 进行时长为4个月的间隔性测量, 分析其霉变发生发展过程(正常、潮湿和霉变状态)的光谱特征变化; 然后在分析样本不同含水量光谱特性的基础上, 采用竞争性自适应重加权采样算法、连续投影算法及竞争性自适应重加权采样-连续投影组合算法提取特征波长; 最后分别建立偏最小二乘回归预测模型。结果表明, 正常状态的光谱反射率最高而霉变状态最低;当霉变状态稳定时, 光谱反射率随时间变化缓慢并趋于稳定; 基于竞争性自适应重加权采样-连续投影组合算法建立的模型预测性能最佳, 预测集的相关系数和均方根误差分别为0.9073和0.7564。利用高光谱激光雷达主动获取的高光谱信息可以评估木材的霉变并实现含水量预测, 为木质建筑的快速无损检测提供了新思路。
遥感 高光谱激光雷达 偏最小二乘回归 木材 霉变 含水量 remote sensing hyperspectral LiDAR partial least squares regression timber mildew moisture content
1 安徽建筑大学电子与信息工程学院, 安徽 合肥 230601
2 南京邮电大学江苏省图像处理与图像通信重点实验室, 江苏 南京 210003
3 北京航空航天大学无人机学院, 北京 100191
4 安徽省古建筑智能感知与高维建模国际联合研究中心, 安徽 合肥 230601
利用高光谱激光雷达系统采集涂改车牌空间-光谱域信息,根据车牌逆反射特性,设计基于光谱特征的两次阈值法实现涂改车牌识别。首先计算光谱特征波长,利用一次阈值法分离车牌部分和涂改部分;其次,计算特征波段内车牌部分各点的光谱反射率曲线的梯度值,利用二次阈值法判别涂改类型(背景转字符涂改和字符转背景涂改);最后,根据涂改类型重建正确车牌字符,将重建信息与二维平面数据融合得到正确的二维车牌图像,送给车牌识别系统进行识别。实验结果表明该方法可实现多种涂改材料以及多种涂改类型的涂改车牌识别。
遥感 高光谱激光雷达 反射率 涂改车牌 remote sensing hyperspectral lidar reflectance altered license plate
红外与激光工程
2023, 52(10): 20230108
1 安徽建筑大学 电子与信息工程学院,安徽 合肥 230601
2 北京航空航天大学 无人系统研究院,北京 100191
3 芬兰地球空间研究所,芬兰 马萨拉 02430
4 季华实验室,广东 佛山 528200
5 安徽省古建筑智能感知与高维建模国际联合研究中心,安徽 合肥 230601
为了获取古建筑完整的空间结构、历史演进及其健康状态等特征信息,研制了一种全波形的高光谱激光雷达系统(HSL)。该系统同时获得目标的空间三维信息和光谱信息,用于古建筑空间和状态特征的建模。利用超连续谱激光器和声光可调滤波器(AOTF)作为发射单元,实现550~1050 nm的连续光谱波长范围内101个光谱通道采样,并利用5 GHz/s高速采集卡完成主波和回波全波形数据采集。设计了静态单点测试和zigzag单点扫描相结合的双模式分步扫描方案,保证三维空间和光谱信息的准确获取。在实验室环境下,对HSL系统反射率稳定性、信噪比以及扫描精度进行了分析测试。利用三维空间和超连续的高光谱信息对古建筑构件样本建模进行验证,并采用随机森林(RF)多分类方法实现不同古建筑构件木种材料的分类。结果表明,HSL系统能够同时获得空间三维信息和连续光谱信息,满足古建筑空间和状态特征建模的信息采集的需求。
古建筑 高光谱激光雷达 全波形 分类 ancient architecture hyperspectral LiDAR full waveform classification 红外与激光工程
2022, 51(8): 20210786
安徽建筑大学电子与信息工程学院, 安徽 合肥 230601
城市绿植为城市生态系统提供自净功能, 起到净化空气以及滞尘降尘等多种环境保护作用, 而滞尘等因素也会对绿植产生影响。为了研究滞尘对城市绿植叶片光谱特征的影响, 采集了四种常绿绿植 (八角金盘、石楠、香樟和玉兰) 叶片样本, 使用高光谱激光雷达系统获取高光谱点云数据, 分析了滞尘对叶片光谱特征的影响。分析结果表明: 对于不同种类叶片, 滞尘对可见光波段反射率均有较大影响; 对于同种类叶片, 滞尘对近红外波段的反射率差异影响较大, 可见光波段的反射率差异为 1.21%~3.41%, 近红外为 1.76%~8.49%; 线性四点内插法计算和光谱导数分析表明滞尘对四种叶片的红边位置无显著影响; 四种叶片的叶面水含量指数 (LWI) 对滞尘的响应程度最小 (均小于 3.7%), 而比值植被指数 (RVI) 对滞尘的响应程度最大 (除香樟外, 均大于 20.0%), 红边指数 (SDr)、 简单比值指数 (SR) 和叶面叶绿素指数 (LCI) 的响应程度稳定性较差。进一步建立了滞尘植被指数和响应程度的线性相关性拟合模型并进行了检验, 其中以 LCI 为自变量建立的模型为最稳定拟合模型, 可表示为 b = -1.527a + 0.6597, 决定系数约为 0.88。
滞尘 高光谱激光雷达 反射率 植被指数 dust retention hyperspectral lidar reflectance vegetation index 大气与环境光学学报
2022, 17(4): 420
红外与激光工程
2021, 50(10): 20200518
1 中国科学院空天信息创新研究院中国科学院定量遥感信息技术重点实验室, 北京 100094
2 中国科学院大学光电学院, 北京 100049
本研究搭建一套91通道、光谱分辨率为5 nm、波长范围为650~1100 nm、生物安全性高的可调谐高光谱激光雷达系统,并完成臭椿、云南松和栾树等林木样本的探测实验。通过实验探测目标回波强度,进而获得目标光谱反射率,最后利用支持向量机分类器对不同种类的健康与染病样本进行分类与识别,臭椿样本的分类精度可以达到96.98%、云南松样本的分类精度可以达到91.21%、栾树样本的分类精度可以达到66.21%。该实验结果具有研究意义和参考价值,为林业病虫害监测提供一种新的发展方向。
遥感 高光谱激光雷达 林木病虫害 支持向量机 参数选取 信号处理 激光与光电子学进展
2021, 58(16): 1628004
1 The Key Laboratory for Silviculture and Conservation of Ministry of Education, College of Forestry, Beijing Forestry University,00083Beijing, China
2 Department of Remote Sensing and Photogrammetry, Finnish Geospatial Research Institute, Geodeetinrinne,Kirkkonummi0431, Finland
3 Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto-Electronics, Chinese Academy of Sciences, Beijing100094, China
4 Department of Electronic and Information Engineering,Anhui Jianzhu University, Hefei230601,China
高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650~1 000 nm(71个通道)内观测的叶片高光谱和ASD光谱一致(R2=0.9525~0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650~750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650~750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。
高光谱激光雷达 叶片分类 全波形 植被参数 Hyperspectral LiDAR leaf classification full bands vegetation index