借高分五号聊聊高光谱遥感那些事

高光谱图像具有“图谱合一”特征，让高光谱遥感理论上具备众多应用优势，如矿物种类识别、树种分类、农作物水分/肥力监测、水质参数反演等。这些应用的基础是从高光谱图像中能获取连续波谱曲线和表现物质反射/吸收的特征波谱。然而，现实很骨感，因为数据很匮乏。

今天，现实有可能会被高分五号改变。高分五号于5月9号发射，并于5月13号接收到首轨图像，预计经过半年的调试和测试即可正式投入使用。高分五号是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星，也是高分家族中唯一一个高光谱观测卫星。

应用基础

高光谱遥感实际上是按照传感器类型来划分的，核心是高光谱图像及围绕高光谱图像的应用。高光谱图像的光谱通道窄（<10nm）而连续，从每个像元均可提取一条连续的光谱曲线。

图：高光谱图像示意图

地球上不同的物质都有自己独特的光谱特征，物质的光谱就像人的“指纹”一样。利用光谱分析可以通过“图谱合一”探测物质的具体成分。如下例子中，对赤铁矿光谱和高光谱图像上获取的光谱进行对比分析，就可以得到赤铁矿的分布。

注：该例子来源于“基于Hymap高光谱图像的澳大利亚Tasmania赤铁矿填图”，引自张兵课题组（中科院空天信息研究院）成果，Zhang, B. et al. Environ Earth Sci (2012) 65: 649. 9. 9. https://doi.org/10.1007/s12665-011-1112-y。

图：不仅能探测一个地方有没有矿，还可以分析是何种矿

物质在某些谱段具有特殊的波谱特征，如叶绿素在0.50-0.52谱段是强反射峰区，在高光谱图像上可以显现这种特征，而多光谱图像上是看不到的。如下左图为不同健康程度的植物波谱曲线，叶绿素是植被健康的重要指标，利用这个波谱特征，就可以精确的分析作物病害程度。

图：植被不同受损的波谱特征与作物病虫害监测

数据“匮乏”

高光谱传感器也是可以搭载在不同的平台上。对于我们使用者来说，卫星高光谱图像的价格是最低的，有人说这个说法不对，制造和发射一个卫星需要上亿。这是一个成本核算和运营方式的问题，这个上亿元其实不需要消费者承担。如果你选择无人机拍摄，那么你可能需要购买无人机和传感器，目前市场上微型高光谱传感器大约需要50万+，当然你也可以购买别人飞行拍摄的数据。

图：高光谱数据的“匮乏”

大家对美国Hyperion比较熟悉，这颗卫星属于试验性的，拍摄的数据比较少。欧空局的CHRIS同样属于试验性。目前国际上星载高光谱图像获取基本处于空白。

高分五号横空出世，高分五号卫星的可见光短波红外相机，光谱分辨率可达5纳米，拥有330个探测通道。详细参数如下：

• 光谱范围：400nm~2500nm
• 空间分辨率：30m
• 幅宽：60km
• 光谱分辨率：VNIR:5nm，SWIR:10nm
• 谱段数：330
• 设计寿命：8年

单纯看参数是过去和今天首屈一指的高光谱卫星。2021年9月7日11时01分在太原卫星发射中心用长征四号丙遥四十运载火箭成功发射高光谱观测卫星(高分五号02星)。

“珠海一号”卫星星座很值得一提，于2018年4月26号4颗高光谱卫星发射上天。卫星参数非常漂亮：

• 光谱范围：400nm~1000nm
• 空间分辨率：10m
• 幅宽：150km@500km
• 光谱分辨率：2.5nm
• 谱段数：256（可任意选择32个谱段下传）

这四颗高光谱卫星中有两颗是冠名：青科大一号（OHS-01）和贵阳一号（OHS-03）。

 

图：塞尔维亚高光谱影像展示，幅宽150km（来自欧比特网站）

预处理

高光谱图像跟多光谱图像的处理基本类似，包括几何校正和大气校正。我们在处理多光谱数据时候，大气校正是根据应用场景可选择的执行。对于高光谱来说大气校正基本属于必须要做的步骤。

可能由于高光谱传感器的技术性能等原因，星载高光谱图像中有部分波段有很明显的噪声，主要表现为条带噪声。目前主要方法是采用临近像元均值替代的方式修复。

高光谱图像应用主要依靠的是地物波谱曲线，在噪声去除的时候，虽然采用了一些精度相对较高的插值方法，可是依然还是有残余噪声。因此，对于这些噪声波段，合理的方法就是不用。比如Hyperion L1T级产品，虽然有242个波段，有效的其实只有164波段。其余的波段噪声或者无效波段被标识为BadBand而不用。

图：高光谱图像的条带噪声（左-HJ-1A,右-Hyperion L1R）

图像分析

高光谱图像与多光谱图像的分析基础有本质区别，多光谱图像主要是基于像素的像素值及延伸出的纹理、形状等进行图像分析。对高光谱图像分析的实质是对像元光谱曲线的定量化处理与分析，在这个过程中，地物波谱特征用图像或者波谱曲线表示，用已知的波谱曲线A和未知的波谱曲线B进行对比分析，从而得出波谱曲线A和B是否一致，或者占多大比重（混合像元分解）；另外一个情况，如果一种物质A中掺和其他物质B而造成物质A的波谱特征发生变化，可以建立物质A、物质B与波谱特征变化三者之间的关系，这个也是定量遥感中物质反演的一个基本过程之一。这是高光谱遥感中的波谱识别的两个主要过程。

第一种情况其实就是波谱识别，主要应用是图像分类和目标识别。在这个过程中重要的步骤是端元波谱获取。端元波谱的物理意义就是指图像中具有相对固定光谱特征的地物类型，也就是图像中只有一种物质的像元。广义上讲，端元波谱就是“分类训练样本”，即应用于波谱识别的标准波谱。如下图为一种经典的从图上获取端元波谱的方法。当然，最简单端元波谱获取方法是直接从标准波谱库中获取。

图：MNF+PPI+N维可视化端元波谱获取

有了端元波谱接下来就是分析方法，最常见也最好理解的就是波谱角填图(Spectral Angle Mapper——SAM），波谱角填图（SAM）使用n-维角度将像元与参照波谱进行匹配。该算法是将像元N个波段的光谱看做N维波谱向量，通过计算与端元波谱之间的夹角判定两个波谱间的相似度，夹角越小，说明越相似。

图：波谱角示意图

如下一个生物入侵高光谱遥感监测的例子，获取了矢车菊(入侵植物)的端元波谱后，从高光谱图像上识别矢车菊的分布。

图：识别生物入侵植物

如下为一个目标识别的例子，在高光谱图像上有一个坦克的目标，以这个坦克范围内的平均波谱曲线作为端元识别图像上其他区域，在树林底下识别了疑似目标。

图：图上目标识别

总结

沉寂了多年的高光谱遥感大概率事件会被高分五号的发射而激活，当然取决于高分五号的数据质量，以及是否免费、方便的获取。

Landsat系列卫星是航天遥感的起点，哨兵-1的发射成为InSAR技术应用的转折点。我们也希望高分五号成为高光谱遥感的新起点。

最后以一段话作为结尾：高光谱遥感可以实现对内陆/海洋水体、陆表生态环境、蚀变矿物、岩矿类别、森林/草原病虫害、外来物种等进行综合探测。