高光谱-Lidar系统以及数据集成在地表地物观察中的应用

高光谱-Lidar 系统以及数据集成在地表地物观察中的应用 对于现如今的遥感技术而言，直接估算中高生物量森林的碳储量仍然是遥感的主要挑战。虽然遥感在测量生物物理特性方面取得了相当大的成功，但是在植物冠层覆盖相对稀疏的地区，植被结构量叶面积指数(LAI)超过3的地域应用起来就不太成功。高LAI森林，通常这种高叶冠森林存在于北方，温带和热带地区。这些森林覆盖了地球不到35%的陆地表面，但占陆地净初级生产力(NPP)的67%和陆地生物量的89%。鉴于他们在全球生物地球化学中起到的突出作用，这些高生产率地区成为完成碳封存工作的主要地区。对这种有高低错落，生物量较大的地区进行更有效的数据采集和更准确的分析，那就需要可以取得更多维数据的采集技术。 要了解碳吸收的动态，必须考虑光照环境和冠层生理特征。那么就需要一种同时解决叶冠层的光谱和结构特性的综合方法，以隔离树冠的阳光照射部分并考虑底层地形的变化。虽然光谱特征可以用高光谱成像光谱仪来采集，但是冠层结构和地形数据通常最好使用 LIDAR 来解决。对于森林而言，用LIDAR 采集到到信息主要是与森林的空间结构测量相关联，例如地上生物量和林分断面积。所以在叶冠相互重叠的，高低错落的高生物量地区采集光谱数据就需要光谱仪和激光雷达数据的精确配置。 Hyperspec-LIDAR 系统及相关研究的基本目标是促进对地面以及植物信息统计的严谨性与新的可行的混合遥感方法的开发，及使用窄带高光谱观测，辐射传输/生理模型以及水平和垂直冠层结构的测量来分析生态交互(NEE)，总初级 生产力模型(GPP)和光利用率(LUE)这些已经适用于星载卫星平台的常用模型以及指数。为了实现这一目标，需要一种仪器系统来支持关键技术的发展，并解决将 LIDAR仪器(例如DESDynI)的数据与高光谱图像(例如HyspIRI)相结合的问题。本研究的具体流程如下：(1)集成的 Hyperspec-LIDAR 传感器系统，包括推扫式高光谱成像仪和 3-D LIDAR 系统； (2)结合对比植被类型的方法进行地面测量，对 Hyperspec-LIDAR 传感器系统进行现场测试； (3)生成综合科学和数据产品来支持基于卫星的混合光谱/结构档案，以监测 NEE 和生态系统 LUE等相关参数。 本项目采用的高光谱成像仪为美国 Headwall Photonics 公司的 HyperspecVNIR 成像仪。Hyperspec 光谱仪通过高效f/2.0远心光学系统和高效像差校正凸面全息衍射光栅实现高光谱和空间分辨率成像，在7.4mm空间和6.0mm光谱焦平面上提供 100 nm / mm 的光学色散。高光谱成像仪所覆盖的波长范围是400-1000nm。光谱通道数为800。通过 PCI ExpressCard 基础 CameraLink 接口与控制电脑相连获得每秒最多50帧进行采集。成像仪配置0.5英寸的interlien12 位 CCD 成像器，采用1004*1004格式，7.4um像素对图像进行存储。成像部分可以做到数字精细增益，，可在60 dB动态范围内调节相机灵敏度，电子快门，低污点特性。满足在严苛的环境中进行作业的条件。通过定制的 Hyperspec软件可以在电脑上轻松控制图像采集，姿态控制以及高光谱图像初步处理。 项目中采用的激光雷达(LIDAR) 为 200Hz 的单点激光测距雷达。LIDAR 可以精确测量叶冠之间的距离以及高度差还有地面高程。 系统的另外卜一个主要组成部分是云台。它是用来组合并控制高光谱成像仪和激光雷达推扫速度的部分。将其与控制电脑连接并通过软件实现对云台的起始位 置的设定从而帮助高光谱成像仪和激光雷达完成推扫成像。 图1.由高光谱成像仪，激光雷达以及云台所组成的 Hyperspec-LIDAR系统 本项目数据采集分析分为实验室数据采集部分以及野外数据采集部分。实验室数据采集以及分析： 在实验室中利用白斑万年青为观测目标。选取此植物的原因是因为它有大的杂色的叶子以及比较复杂的叶冠样式。以500瓦的钨灯为光源。将hyperspectral-LIDAR 集成系统放置在离被测物体1米的地方。将采集到的数据进行处理后得到下图所示， 图2.由左向右依次为高光谱成像制作的 RGB 图像， NDr05 图像， PRI图像， WBI图像， LIDAR数据图像 图2左1是通过高光谱采集的光谱数据生成的 RGB 图片。左2是通过光谱数据计，利用两个近红外波段 750nm 和 705nm的反射率进行计算[(R750-R705)/(R750+R705)]得到的指数图。这种基于 NDVI 指数计算得出的指数可以通过对植被胁迫状态来监测植物哪个部分的产能高(图中越亮的部分该指数越大，植物产能越高)。结合肉眼对植物观察可以确定植物产能较高的地方含叶绿素更多；左3是通过 531nm 和 570nm反射率计算得出的光化学反射率指数[PRI=(R531-R570)/(R531-R570)]。PRI可以直接反应出植物中胡萝卜素(叶黄素)的含量。而胡萝卜素可以反映出植物对光的利用效率，或者说是每单位吸收二氧化碳所需要的能量。这也是研究植物产能的重要指数。与 ND705 相反， PRI指数图中越亮的部分植物产能越小，越暗的部分植物产能越大；左4是水波段指数(WBI=R900/R970)。它可以反映出植物华盖的含水量情况，，可用于植物水分胁迫分析。指数图中，越亮的部分含水量越大；最右边的 3D LIDAR 成像图中，暗的部分是离探测器较近的部分，亮的部分是离探测器较远的部分。 高光谱成像仪可以获取高空间分辨率以及高光谱分辨率数据(图3)。这些信息可以被用来监测植物的生化属性。利用平场域反射率校正后得到图3右侧的反射率曲线。通过对于杂色叶片不同色素含量区域的反射率曲线对比可以看出，在红边区域(650~750nm)，低含量的叶绿素造成了蓝移(图3左上曲线图)。在叶绿素含量较低的情况下，胡萝卜素对于植物可见光谱区域放射率增高有很大影响。在近红外波段(750~1000nm)，反射率主要是被叶片的结构和水影响的。 图3.杂色叶片RGB 图像以及叶绿素不同含量区域反射率曲线图 野外数据采集部分： 野外数据采集点设在马里兰州的史密森尼环境研究中心的观测塔上。采集区域中主要是杨树林以及杨树林下的植物。这种有海拔差的，错落分布的森林系统刚好是本次实验完美的试验场。 将已经搭建好的 Hyperspec-LIDAR 系统固定在观察点。并开始进行推扫采集。数据获取情况如下图4。 图4左上为高光谱成像仪采集到的真彩色图片，左下为 LIDAR采集的到伪彩色图片，右上植物光谱反射率，右下植物分布图 在图像中有三个感兴趣区域。区域A是距离采集点水平距离较远的橡树冠。实际距离传感器28米；区域B主要是在树冠阴影下的林下植被。LIDAR 测距得出此区域距离传感器26~35米；区域C主要是杨树树冠，距离传感器距离20米。观察光谱层面，杨树树冠与橡树树冠在 NIR波段反射率有相似的波形，但是橡树树冠的反射率值高一些。相反的，由于杨树处于花期，所以在500~675nm 波段上，杨树树冠有更高的反射率值。在C区域的林下植被在 NIR 波段反射率值只有杨树树冠的20%。 在左下的 LIDAR 采集到的图像中，越近的目标在图像中越红，越远的目标在图像中越黑。通过 LIDAR 图像可以轻易的分辨出来树冠与林下植被。在此图中按照颜色可以分辨出，红色像元表示距离传感器近的杨树树冠，绿色像元表示距离传感器中度远近的杨树树冠，在图像上端的蓝色像元表示距离传感器远的橡树。绿色或红色群落像元中的蓝色像元表示树冠之间的林下植被。通过颜色区别在区域A和C中可以看出，这两个区域主要没有什么林下植被。相比之下，区域B中所含有的植物样本种类较多，不止有树冠，还有林下植物。 高光谱图像只能在2维层面上给研究者提供树冠的反射率从而推算出植物的初级生产力(GPP)。现在把 LIDAR 图像与高光谱影像综合，就可以从3维的层面上进一步，更准确的通过计算来获得GPP。 这个项目提出了一种可行的混合遥感方法，用于使用窄带高光谱观测和测量水平和垂直冠层结构，对监测 GPP 和 LUE具有重要意义。高光谱成像光谱仪提供高从400~1000nm 光谱范围内，均匀间隔0.75nm 的800个波段的，1.29nm FWHM光谱分辨率的高光谱图像。LIDAR 准确无误地测量截取表面在150米范围内的平均垂直分布图像，精度为±15毫米。该系统的集成科学和数据产品有可能支持基于卫星的混合光谱和空间结构的档案中 NEE 和相关参数的监测，如生态系统 ( LUE。 ) ( 转自： L a wrence A. Corp， Y en-Ben Cheng， Elizabeth M. Middleton， Geoffrey G. Parker，“Hyperspectral-LIDAR system and data product integration forterrestrial applications” ) 对于现如今的遥感技术而言，直接估算中高生物量森林的碳储量仍然是遥感的主要挑战。虽然遥感在测量生物物理特性方面取得了相当大的成功，但是在植物冠层覆盖相对稀疏的地区，植被结构量叶面积指数（LAI）超过3的地域应用起来就不太成功。高LAI森林，通常这种高叶冠森林存在于北方，温带和热带地区。这些森林覆盖了地球不到35％的陆地表面，但占陆地净初级生产力（NPP）的67％和陆地生物量的89％。鉴于他们在全球生物地球化学中起到的突出作用，这些高生产率地区成为完成碳封存工作的主要地区。对这种有高低错落，生物量较大的地区进行更有效的数据采集和更准确的分析，那就需要可以取得更多维数据的采集技术。要了解碳吸收的动态，必须考虑光照环境和冠层生理特征。那么就需要一种同时解决叶冠层的光谱和结构特性的综合方法，以隔离树冠的阳光照射部分并考虑底层地形的变化。虽然光谱特征可以用高光谱成像光谱仪来采集，但是冠层结构和地形数据通常最好使用LIDAR来解决。对于森林而言，用LIDAR采集到的信息主要是与森林的空间结构测量相关联，例如地上生物量和林分断面积。所以在叶冠相互重叠的，高低错落的高生物量地区采集光谱数据就需要光谱仪和激光雷达数据的精确配置。Hyperspec-LIDAR系统及相关研究的基本目标是促进对地面以及植物信息统计的严谨性与新的可行的混合遥感方法的开发，及使用窄带高光谱观测，辐射传输/生理模型以及水平和垂直冠层结构的测量来分析生态交互（NEE），总初级生产力模型（GPP）和光利用率（LUE）这些已经适用于星载卫星平台的常用模型以及指数。为了实现这一目标，需要一种仪器系统来支持关键技术的发展，并解决将LIDAR仪器（例如DESDynI）的数据与高光谱图像（例如HyspIRI）相结合的问题。本研究的具体流程如下：（1）集成的Hyperspec-LIDAR传感器系统，包括推扫式高光谱成像仪和3-D LIDAR系统; （2）结合对比植被类型的方法进行地面测量，对Hyperspec-LIDAR传感器系统进行现场测试; （3）生成综合科学和数据产品来支持基于卫星的混合光谱/结构档案，以监测NEE和生态系统LUE等相关参数。本项目采用的高光谱成像仪为美国Headwall Photonics公司的Hyperspec VNIR成像仪。Hyperspec光谱仪通过高效f / 2.0远心光学系统和高效像差校正凸面全息衍射光栅实现高光谱和空间分辨率成像，在7.4 mm空间和6.0 mm光谱焦平面上提供100 nm / mm的光学色散。高光谱成像仪所覆盖的波长范围是400-1000nm。光谱通道数为800。通过PCI ExpressCard基础CameraLink接口与控制电脑相连获得每秒最多50帧进行采集。成像仪配置0.5英寸的interlien12位CCD成像器，采用1004*1004格式，7.4um像素对图像进行存储。成像部分可以做到数字精细增益，可在60 dB动态范围内调节相机灵敏度，电子快门，低污点特性。满足在严苛的环境中进行作业的条件。通过定制的Hyperspec软件可以在电脑上轻松控制图像采集，姿态控制以及高光谱图像初步处理。项目中采用的激光雷达（LIDAR）为200Hz的单点激光测距雷达。LIDAR可以精确测量叶冠之间的距离以及高度差还有地面高程。系统的另外一个主要组成部分是云台。它是用来组合并控制高光谱成像仪和激光雷达推扫速度的部分。将其与控制电脑连接并通过软件实现对云台的起始位置的设定从而帮助高光谱成像仪和激光雷达完成推扫成像。图1. 由高光谱成像仪，激光雷达以及云台所组成的Hyperspec-LIDAR系统本项目数据采集分析分为实验室数据采集部分以及野外数据采集部分。实验室数据采集以及分析： 在实验室中利用白斑万年青为观测目标。选取此植物的原因是因为它有大的杂色的叶子以及比较复杂的叶冠样式。以500瓦的钨灯为光源。将hyperspectral-LIDAR集成系统放置在离被测物体1米的地方。将采集到的数据进行处理后得到下图所示：图2. 由左向右依次为高光谱成像制作的RGB图像，ND705图像，PRI图像，WBI图像，LIDAR数据图像        图2左1是通过高光谱采集的光谱数据生成的RGB图片。左2是通过光谱数据计,利用两个近红外波段750nm和705nm的反射率进行计算[(R750-R705)/(R750+R705)]得到的指数图。这种基于NDVI指数计算得出的指数可以通过对植被胁迫状态来监测植物哪个部分的产能高（图中越亮的部分该指数越大，植物产能越高）。结合肉眼对植物观察可以确定植物产能较高的地方含叶绿素更多；左3是通过531nm和570nm反射率计算得出的光化学反射率指数[PRI = (R531-R570)/(R531-R570)]。PRI可以直接反应出植物中胡萝卜素（叶黄素）的含量。而胡萝卜素可以反映出植物对光的利用效率，或者说是每单位吸收二氧化碳所需要的能量。这也是研究植物产能的重要指数。与ND705相反，PRI指数图中越亮的部分植物产能越小，越暗的部分植物产能越大；左4是水波段指数（WBI=R900/R970）。它可以反映出植物华盖的含水量情况，可用于植物水分胁迫分析。指数图中，越亮的部分含水量越大；最右边的3D LIDAR成像图中，暗的部分是离探测器较近的部分，亮的部分是离探测器较远的部分。        高光谱成像仪可以获取高空间分辨率以及高光谱分辨率数据（图3）。这些信息可以被用来监测植物的生化属性。利用平场域反射率校正后得到图3右侧的反射率曲线。通过对于杂色叶片不同色素含量区域的反射率曲线对比可以看出，在红边区域（650~750nm），低含量的叶绿素造成了蓝移（图3 左上曲线图）。在叶绿素含量较低的情况下，胡萝卜素对于植物可见光谱区域放射率增高有很大影响。在近红外波段（750~1000nm），反射率主要是被叶片的结构和水影响的。图3. 杂色叶片RGB图像以及叶绿素不同含量区域反射率曲线图野外数据采集部分：野外数据采集点设在马里兰州的史密森尼环境研究中心的观测塔上。采集区域中主要是杨树林以及杨树林下的植物。这种有海拔差的，错落分布的森林系统刚好是本次实验完美的试验场。将已经搭建好的Hyperspec-LIDAR系统固定在观察点。并开始进行推扫采集。数据获取情况如下图4。图4 左上为高光谱成像仪采集到的真彩色图片，左下为LIDAR采集的到伪彩色图片，右上植物光谱反射率，右下植物分布图在图像中有三个感兴趣区域。区域A是距离采集点水平距离较远的橡树冠。实际距离传感器28米；区域B主要是在树冠阴影下的林下植被。LIDAR测距得出此区域距离传感器26~35米；区域C主要是杨树树冠，距离传感器距离20米。观察光谱层面，杨树树冠与橡树树冠在NIR波段反射率有相似的波形，但是橡树树冠的反射率值高一些。相反的，由于杨树处于花期，所以在500~675nm波段上，杨树树冠有更高的反射率值。在C区域的林下植被在NIR波段反射率值只有杨树树冠的20%。在左下的LIDAR采集到的图像中，越近的目标在图像中越红，越远的目标在图像中越黑。通过LIDAR图像可以轻易的分辨出来树冠与林下植被。在此图中按照颜色可以分辨出，红色像元表示距离传感器近的杨树树冠，绿色像元表示距离传感器中度远近的杨树树冠，在图像上端的蓝色像元表示距离传感器远的橡树。绿色或红色群落像元中的蓝色像元表示树冠之间的林下植被。通过颜色区别在区域A和C中可以看出，这两个区域主要没有什么林下植被。相比之下，区域B中所含有的植物样本种类较多，不止有树冠，还有林下植物。高光谱图像只能在2维层面上给研究者提供树冠的反射率从而推算出植物的初级生产力（GPP）。现在把LIDAR图像与高光谱影像综合，就可以从3维的层面上进一步，更准确的通过计算来获得GPP。这个项目提出了一种可行的混合遥感方法，用于使用窄带高光谱观测和测量水平和垂直冠层结构，对监测GPP和LUE具有重要意义。高光谱成像光谱仪提供高从400~1000nm光谱范围内,均匀间隔0.75nm的800个波段的，1.29nm FWHM光谱分辨率的高光谱图像。LIDAR准确无误地测量截取表面在150米范围内的平均垂直分布图像，精度为±15毫米。该系统的集成科学和数据产品有可能支持基于卫星的混合光谱和空间结构的档案中NEE和相关参数的监测，如生态系统LUE。转自：Lawrence A. Corp, Yen-Ben Cheng, Elizabeth M. Middleton, Geoffrey G. Parker, “Hyperspectral-LIDAR system and data product integration forterrestrial applications”编译：北京欧普特科技有限公司