EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 9: 1646 - 1661

DOI: https://doi.org/10.12082/dqxxkx.2021.200746

遥感科学与应用技术

高光谱遥感技术及其水利应用进展

  • 冯天时 , 1, 2 ,
  • 庞治国 , 1, 2, * ,
  • 江威 1, 2, 3 ,
  • 覃湘栋 1, 2 ,
  • 付俊娥 1, 2
展开
  • 1. 中国水利水电科学研究院,北京 100038
  • 2. 水利部防洪抗旱工程技术研究中心,北京 100038
  • 3. 中国再保险 (集团) 股份有限公司博士后工作站,北京 100033
*庞治国（1975— ）,男,内蒙古包头人,博士,教授级高级工程师,主要从事遥感在水利行业应用研究。 E-mail:

冯天时（1992— ）,男,山东临沂人,硕士生,主要从事高光谱遥感在水环境方面的应用研究。E-mail:

收稿日期: 2020-12-08

  网络出版日期: 2021-11-25

基金资助

国家自然科学基金项目(51779269)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Progress and Prospects of Hyperspectral Remote Sensing Technology and its Application in Water Conservancy Research

  • FENG Tianshi , 1, 2 ,
  • PANG Zhiguo , 1, 2, * ,
  • JIANG Wei 1, 2, 3 ,
  • QIN Xiangdong 1, 2 ,
  • FU Jun'e 1, 2
Expand
  • 1. China Institute of Water Resources and Hydropower Research, Beijing 100038, China
  • 2. Research Center in Flood and Drought Disaster Reduction of Ministry of Water Resource, Beijing 100038, China
  • 3. Postdoctoral workstation of China Reinsurance (Group) Corporation, Beijing 100033, China
*PANG Zhiguo, E-mail:

Received date: 2020-12-08

  Online published: 2021-11-25

Supported by

National Natural Science Foundation of China(51779269)

Copyright

Copyright reserved © 2021.
Fold

摘要

面向新时期水利行业“补短板”和“强监管”的应用需求,遥感的前沿技术高光谱遥感凭借较高的光谱分辨率和图谱合一等优势,在水生态、水环境等水利行业的应用中发挥了重要作用,同时在水灾害、水资源等层面中也存在着一定的应用潜力。本文介绍了高光谱遥感的成像原理,回顾了成像光谱仪的发展,列举了目前国内外典型的高光谱载荷。重点介绍了高光谱遥感在水利行业的应用进展,包括水华及水生植物监测、水华和水草精确区分、叶绿素浓度反演、悬浮物浓度和泥沙含量定量估算等具体工作。指出高光谱遥感在实时大范围洪涝灾害应急监测、陆表水文参数定量反演等工作存在一定的发展潜力。最后对高光谱遥感在水利行业的应用存在的瓶颈问题进行总结分析并提出展望：多平台高光谱水利要素立体监测与集成技术研发;水利典型地物要素标准波谱数据库构建;水利高光谱遥感信息智能挖掘的理论方法研究。为拓宽高光谱遥感在水利应用中的研究提供参考。

关键词： 高光谱遥感; 水利遥感; 光谱分辨率; 水环境; 水生态; 水质; 水灾害; 遥感反演

本文引用格式

冯天时 , 庞治国 , 江威 , 覃湘栋 , 付俊娥 . 高光谱遥感技术及其水利应用进展[J]. 地球信息科学学报, 2021 , 23(9) : 1646 -1661 . DOI: 10.12082/dqxxkx.2021.200746

Abstract

With the increasing application requirements of water conservancy industry in the new era, hyperspectral remote sensing has shown great potential in water ecology and water environment due to its unique advantages such as high spectral resolution and real time. It also has great potential in applications in water disaster and water resources. This paper introduces the principle of hyperspectral imaging, summarizes the development of hyperspectral payload at home and abroad, and focuses on the application of hyperspectral remote sensing to solve specific water problems, including monitoring of water bloom and aquatic plants, accurate discrimination of water bloom and water grass, inversion of chlorophyll concentration, quantitative estimation of suspended matter concentration and sediment content, real-time and large-scale flood disaster emergency monitoring, quantitative inversion of land surface hydrological parameters, estimation of evapotranspiration, and so on. In addition, the bottleneck problems in the application of hyperspectral remote sensing in water conservancy industry are summarized and analyzed. With the rapid development of hyperspectral imaging technology and increasing availability of hyperspectral data sources, the application of hyperspectral remote sensing in water conservancy will also enter a new stage. It is necessary to confront the needs of water conservancy industry at the new stage. We should enhance the research on multi-platform hyperspectral water conservancy elements stereoscopic monitoring and integration, construction of the standard spectrum database for typical feature elements in water conservancy, and new methods or new theories for water conservancy hyperspectral remote sensing information intelligent mining.

Key words： hyperspectral remote sensing; water conservancy remote sensing; spectral imager; water environment; water ecology; water quality; water disasters; remote sensing retrieval

1 引言

全球气候变化和强人类活动深刻影响着自然界的水文循环过程,造成了水生态恶化、水环境污染、水灾害频发以及水资源短缺等问题[1]。为破解“四水”问题,新时期水利行业大力推进“补短板”和“强监管”业务工作。以对地观测技术为核心的遥感技术具有监测范围广、速度快、频率高、成本低等优势,现已被广泛地应用于水利应用工作中[2],其重要分支高光谱遥感在近几年取得了飞速的发展,成为水利遥感中的新兴技术。
高光谱遥感凭借窄波段成像技术,可在高分辨率的光谱维度上反映涉水地物的生物物理属性,具有光谱分辨率高、探测地物信息能力强、所获光谱信息丰富等优势[3,4]。遥感技术在水利行业的大部分应用可归纳为3个步骤：遥感数据的获取、图像处理与反演模型构建、结果分析。高光谱遥感在这3个步骤中均体现出与以往遥感技术的不同：数据获取方面,目前高光谱遥感数据主要来自机载或星载传感器获得的遥感影像和地面成像光谱仪的实测光谱数据,相较于以往的遥感数据蕴含着更精细的地物光谱信息[5],这对于光谱复杂的水体研究具有重要意义,高光谱遥感往往具有几十甚至上百个波段,一定程度上突破了多光谱遥感因波段数较少而无法精确识别地物的局限;图像处理方面,高光谱遥感影像波段多,数据维度高,为反演模型的构建提供了更多的波段选择,给水体辐射传输模型中部分参数的直接计算提供了条件,同时也衍生出数据冗余,图像处理困难等问题[6,7];结果分析方面,模型精度高,反演水体要素效果较好。
近年来,高光谱遥感技术在国内外的发展使其在水利行业的应用不断深入,为水生态保护、水环境监测等工作提供技术支持[8],在反演水质参数、监测藻类与水生植物生长状况、水草和藻类精确识别等工作中取得了诸多进展[9],在其他水利层面中也存在着一定的应用潜力。因此,有必要针对高光谱遥感数据及其在水利研究中的应用进行系统总结,指出其应用范围、实际效果和现存问题,并充分结合新时期水利行业的应用需求和高光谱遥感发展方向,展望未来高光谱遥感在水利行业的发展趋势,为拓展高光谱遥感在水利行业的深度应用提供参考。

2 国内外高光谱遥感技术的发展

2.1 高光谱遥感技术的成像原理和特点

高光谱遥感技术的核心为成像光谱仪,载有成像光谱仪的飞行器、卫星沿推扫方向获取目标的二维空间图像和一维光谱信息,形成三维数据立方体[10],成像过程如图1所示。该技术可对地球表面上的目标进行信息提取,直接反映出被观测物体的几何影像和理化信息,实现对目标地物的探测、感知与识别。高光谱遥感数据具有高光谱分辨率、波段多、图谱合一等特点,可以捕捉地物间细微的光谱差异,这在一定程度上弥补了多光谱遥感光谱分辨率不足所造成的缺陷,同时也产生了数据冗余、相邻波段高相关性、图像处理复杂等新问题。高光谱遥感与多光谱遥感的具体优劣对比如表1所示。
图1 高光谱成像示意图

Fig. 1 Schematic diagram of hyperspectral imaging

表1 高光谱遥感与多光谱遥感的优劣对比

Tab. 1 Comparison of advantages and disadvantages of hyperspectral remote sensing and multispectral remote sensing

不同层面 高光谱遥感 多光谱遥感
光谱分辨率 5~10 nm,具有更高水平的光谱细节,对于光谱差异较小的不同地物的识别效果较好 约为70~400 nm,难以区分具有相似光谱特征的地物,不具备精细识别地物的条件
空间分辨率 星载高光谱数据的空间分辨率较低,大多在10 m以上,机载高光谱数据的空间分辨率较高,可达到2 m左右 部分多光谱遥感具有较高的空间分辨率,能满足地理国情调查、土地利用类型解译等涉及范围较广的工作
数据处理 高光谱遥感数据维度高,数据量大,专用的处理软件较少,整体处理过程较为复杂 现存的开源处理方法较多且比较成熟,影像处理速度快,整体处理过程较为简单
波段数 波段数较多(100~200个),为模型的构建提供更多选择 较少（5~10个）,且大部分波段位于可见光范围内
数据源 机载数据获取成本高,星载数据源较少,数据较为短缺 拥有高分系列、MODIS、Landsat等丰富的卫星数据库
结果精度 地物识别效果好,参数的定量遥感反演精度极高 反演精度一般,能满足部分工作需求

2.2 光谱仪的发展

高光谱成像仪能以高光谱分辨率获得地物目标的多谱段影像。地物光谱仪最早出现,其后发展的成像光谱仪率先搭载于无人机等飞行器上[11,12], 21世纪以后才出现了搭载于卫星上的成像光谱 仪[13]。由美国喷气推进实验室（JPL）研发的机载可见光/红外成像光谱仪（AVIRIS）诞生于1987年,可以供空间分辨率为20 m,光谱分辨率为10 nm的数据,波段数高达224个,是一台革命性的成像光谱仪,推动了高光谱遥感技术的发展,其最新系列AVIRIS-NG是目前最先进的机载高光谱成像仪之一,波段数达到了425个,光谱分辨率为5 nm[14],加拿大ITRES Research公司研发的小型机载成像光谱仪CASI,芬兰Specim公司的扫推式成像系统AISA,澳大利亚ISPL公司推出的HyMap等也都具有代表性的机载成像光谱仪。
国内光谱仪的研究机构以中国科学院上海技术物理研究所为首,先后研发出一系列性能达到国际先进水平的机载成像光谱仪[15],1990年研发的MAIS是我国第一台机载成像光谱仪,光谱分辨率分为20、25、450 nm 3个级别。1998年,实用型模块化成像光谱仪OMIS和推帚式高光谱成像仪PHI相继研发,在我国的遥感找矿、地质勘探、环境监测中取得了广泛的应用。在“十二五”期间,中国科学院上海技术物理研究所又研发出最新的机载可见近红外短波高光谱成像载荷JVNIR/JSWIR,光谱分辨率高达4.3 nm,整体性能优于国内外大部分成像光谱仪。
按照所搭载的平台进行分类,高光谱成像光谱仪主要功能和具有代表性的光谱仪器如表2所示。基于不同载荷平台的高光谱遥感在近年来均取得一定的发展,不同的载荷平台各有优劣,如表3所示。在研究中,通常需要根据不同的实际情况,选取不同载荷平台的高光谱数据,以满足具体的应用的需求。
表2 基于不同载荷平台的成像光谱仪介绍

Tab. 2 Introduction to imaging spectrometer based on different load platforms

载荷平台 主要介绍 典型光谱仪器
地物光谱仪 可以测量水体的反射率光谱,分析水体不同组分的光谱特征,还可用于验证航空航天高光谱遥感数据的大气校正的精度 SVC便携式光谱仪（美国SVC公司）
ASD便携式光谱仪（美国ASD公司）
FISS（中国中科院）
机载成像光谱仪 获取的影像数据空间分辨率较高,可根据需要灵活选择航线。近几年成像光谱仪更多地搭载于无人机上,为内陆水体的遥感监测提提供了大量的数据 AVIRIS（美国）、PHI（中国）
CASI（加拿大）、MOIS（中国）
星载成像光谱仪 为遥感的长期动态监测提供数据源,降低了图像获取的成本。但其重访周期和扫描幅宽有待进一步优化以满足水环境的应急监测和大范围水体动态监测等需求 Hyperion（美国）
CHRIS（欧空局）
HyspeIRI（美国）
高光谱相机
表3 基于不同遥感平台的光谱成像仪的优缺点

Tab. 3 The advantages and disadvantages of spectral imagers based on different remote sensing platforms

成像光谱仪 优点 缺点
地面成像光谱仪 成本低,操作简单,方便用于野外调查 灵活性低,图像处理繁琐,耗费大量人力
机载成像光谱仪 时效性强,空间分辨率高,受天气影响小 观测面积有限,飞行成本高
星载成像光谱仪 图像费用低,便于长期动态大范围监测 时效性差,扫描幅宽窄,重访周期长
无人机载成像光谱仪 扫描成像易实现,空间分辨率高 受天气影响大,观测面积小,工作时间短

2.3 高光谱遥感卫星的发展

21世纪初,搭载了Hyperion成像光谱仪的美国EO-1卫星成功发射,开启了航天高光谱遥感的时代,之后国内外的高光谱卫星技术均取得一定的突破。2001年10月欧空局发射的PROBA小卫星,搭载了紧凑型高分辨率成像光谱仪CHRIS。2005年8月,美国JPL发射的火星探测卫星上搭载了紧凑探测成像光谱仪CRISM。印度于2008年10月发射的月船一号是其国内首颗探月卫星,搭载了印度自主研制的HyS高光谱成像仪。俄罗斯卫星星座Resurs-P3搭载了高光谱载荷GSA,服务于俄罗斯的资源勘探、农业、渔业等行业。
我国首个星载光谱仪中分辨率成像光谱仪搭载于神州3号飞船上,发射于2002年,此后国内星载成像光谱仪技术发展迅速。2008年发射了环境小卫星,其中HJ-1A星搭载了HSI成像光谱仪,迄今为止,在我国的环境监测方面发挥了巨大作用。现阶段高光谱遥感卫星技术进入发展最为迅速的时期,在轨卫星数量极大提高,我国也紧跟世界潮流,发射了一系列性能先进的高光谱卫星[16]。国内外其他典型高光谱卫星如图2所示。
图2 国内外典型的高光谱卫星

Fig. 2 Typical hyperspectral satellites and their payloads at home and abroad

高光谱遥感卫星的不断发展符合遥感天、空、地一体化的发展态势,星载高光谱数据逐渐丰富,且空间分辨率、光谱分辨率和在轨定标精度等方面不断提高,提供了高精度、高质量的遥感影像,为水质监测、水生态状况监测等水利行业提供了强有力的数据基础。

2.4 成像光谱仪的主要性能参数

随着成像光谱仪技术的不断发展,其各种性能参数都在不断优化,高光谱成像光谱的光谱分辨率较高,但是空间分辨率较差,这一缺陷在星载高光谱遥感上较为显著,随着传感器技术的发展,以后的高光谱卫星数据有望实现光谱分辨率和空间分辨率的共同提高[17]。基于多卫星的卫星组网技术也提高了高光谱数据的时间分辨率,进一步缩短高光谱卫星的重访周期。表4、表5分别给出了典型的机载和星载的国内外成像光谱仪的性能参数。
表4 国内外典型机载成像光谱仪性能参数

Tab. 4 Performance parameters of typical airborne imaging spectrometers at home and abroad

成像光谱仪 制造方 启用年份 光谱分辨率/nm 空间分辨率/μm 光谱范围/μm 波段数
AVIRIS 美国 1987 10 20 0.40~2.50 224
HYDICE 美国 1995 7~14 0.75 0.40~2.50 206
TRWIS-Ш 美国 1996 VNIR:5
SWIR:6.25		 1.8 0.38~2.45 —
HYMAP 澳大利亚 1999 15~20 — 0.40~2.50 126
PHI 中国 1997 — — 0.40~0.85 244
MOIS 中国 2001 VNIR:5
SWIR:6.25		 6 0.46~12.50 —
表5 国内外典型星载成像光谱仪性能参数

Tab. 5 Performance parameters of typical spaceborne imaging spectrometers at home and abroad

卫星 成像光谱仪 制造方 发射年份 光谱分辨率/nm 空间分辨率/μm 重访周期/d 光谱范围/μm 波段数/个
EO-1 Hyperion 美国 200 10 30 16 0.40~2.50 242
PROBA-1 CHIRIS 欧空局 2001 VNIR:1.3
SWIR:12		 17 2 0.40~2.50 63
MOR CRISM 美国 2005 6.55 18 4 0.36~3.94 544
HJ-1A HSI 中国 2008 5 100 4 0.40~0.95 115
ISS HICO 美国 2009 5.7 90 — 0.36~1.08 128
高分五号 可见短波红外
高光谱相机		 中国 2018 VNIR:5
SWIR:10		 30 2 0.40~2.50 330
珠海一号 高光谱相机 中国 2018 2.5 10 2.5 0.40~1.00 32
ALOS-3 HISUI 日本 2019 VNIR:10
SWIR:12.5		 30 35 0.40~2.50 185
EnMAP EnMAP HSI 德国 2019 VNIR:6.5
SWIR:10		 30 — 0.42~2.45 244
资源一号02D卫星 高光谱相机 中国 2019 VNIR:5
SWIR:10		 30 3 0.40~2.50 166

3 高光谱遥感在水利研究中的应用

21世纪初至今,社会经济飞速发展,人类活动频繁等因素诱发了诸多水利问题,加之目前的部分水利监测系统不完善,“四水”问题越发突出,如图3所示。遥感具有大范围、全天候的精准动态监测的优势,已被广泛运用到水利行业中,水利遥感应运而生,其发展也与时俱进。近年来高光谱遥感在水生态以及水环境方面的应用逐渐增多,水华和水生植物监测以及水质参数定量反演等工作的结果精度越来越高,在光谱差异较小的不同水生植物精准识中也取得一定突破。在水灾害与水资源等研究中,现阶段高光谱遥感的应用较少,但也在缩短洪水响应时间、识别洪水淹没区域混合光谱以及提高水文数据的反演精度中发挥了一定的作用,具有一定的发展潜力。
图3 水利行业中存在的主要问题

Fig. 3 Chief problems in the water conservancy industry

高光谱遥感可获取水体中不同物质的光谱特征,因而对具有显著光谱特征的水体要素反演效果较好,其原理为：对叶绿素a和悬浮物等光谱特征较为明显的要素含量进行直接反演,并通过其结果间接反演出其他水体要素,如总氮、总磷、化学需氧量及藻类等水生植物含量等[18]。目前的高光谱遥感反演模型主要分为经验模型和分析模型,经验模型应用广泛,模型原理简单,结果精度较高但普适性较差。分析模型则是基于水体辐射传输原理,通过传输公式由遥感数据反向计算水体中各组分的含量,该类模型普适性较好,结果精度高,但建模难度大[19,20]。在高光谱遥感的实际应用中,应根据不同的工作需求,合理地发挥高光谱遥感的优势。

3.1 高光谱遥感在水生态研究中的应用

目前国内外诸多水域的水生态状况不佳,内陆湖泊及水库存在着水华暴发、水体富营养化等问题[21]。遥感技术凭借其大面积实时监测的优势,已然成为现阶段水生态监测的主要手段之一。近年来国内外学者围绕典型内陆水体展开了一系列光谱测量实验,揭示了水体中不同组分的反射率光谱差异[22],以往的多光谱遥感光谱分辨率较低,所选波段往往不能恰好位于光谱曲线的“峰或谷”处,因而降低了反演模型的精度。高光谱遥感以其极高的光谱分辨率可弥补这一缺陷,通过选取最合适的波段构建反演模型,从而提高水体组分的反演精度,以实现水华、藻类植物、水生植物的精准监测。
3.1.1 水华监测
遥感技术可对水华灾害进行实时大范围的动态监测,有助于人们掌握水华的空间分布以及变化规律,从而为防治水华提供参考。基于多光谱遥感数据的植被指数阈值法可以区分水华和普通水体,但难以区分水华和水生植物。通过蓝藻水华的光谱曲线得知其在630 nm附近具有的反射谷,在650 nm附近具有反射峰,基于此原理通过波段比值或者波峰波谷处的光谱特征等参量来构建反演模型,多光谱遥感的光谱分辨率较低,难以精确捕捉光谱信息。而高光谱遥感拥有更细致的光谱,可在纳米级别获取连续的光谱信息,从而选取更靠近特征波段处的波段进行建模,实现蓝藻水华的精确监测。
Kudela等[23],以美国加利福尼亚州的平托湖为研究区域,使用高光谱红外成像仪HyspIRI,采用半经验模型方法监测该地区的蓝藻水华状况,结果表明平托湖的水华现象表现出强烈的季节性。Bell等[24],综合卫星、机载和地面实测数据评估了HyspIRI成像仪在监测加利福尼亚海岸带巨藻生物量和生理状态变化的效果,指出HyspIRI监测的精准度优于以往的多光谱成像仪。近年来我国的高光谱卫星发展迅速,许多科研院所与流域机构借助环境小卫星、高分五号和欧比特系列卫星针对太湖、巢湖、洞庭湖等湖泊以及部分水库展开了一系列的水华监测工作,在精度上对比以往的多光谱数据源具有显著提高。
高光谱分辨率的影像数据在精准监测水华发挥了重要作用,但仍存在一些局限,其空间分辨率需进一步提高以满足小型湖泊、水库等小型水域的蓝藻水华监测,此外,部分商业卫星数据的获取也存在一定的限制。
3.1.2 藻类群落与水生植物的监测
藻类群落以及水生植物的生物量及分布是水生态治理的重要参考,例如蓝藻大量繁殖是水华暴发的主要原因,监测水体中的蓝藻变化可对水华做出更准确的预测与预警。内陆水体组分较为复杂,生物种类繁多,各种生物之间光谱差异较大,多光谱遥感监测可用波段数较少,难以完成水体中各个要素的针对性监测与识别。高光谱遥感多波段的优势为监测模型的建立提供更多选择,结合由光谱仪获取的藻类、水生植物的光谱特征,从而建立藻类群落及水生植物的监测模型,对其生长状况以及分布进行监测。
近几年无人机在野外调查中逐渐普及,搭载了高光谱成像仪的无人机终端已经普遍投入到水生态监测的一系列工作中,诸如中科普光,航天宏图等国内公司已经实现了机载高光谱系统的业务化,为水生态的监测带来变便利。Rossiter等[25]利用无人机系统对大型藻类群落进行监测研究,将由高光谱影像得出的光谱曲线和实测光谱曲线做出对比,指出高光谱遥感给光谱复杂的大型藻类监测研究提供了条件。Flynn等[26]利用无人机载高光谱遥感技术监测淹没水生植物,指出该技术能够有效、多时相地监测低浊度和良好光学传输的浅水河中的藻类和淹没水生植被。冯龙庆等[27]以太湖为研究区,利用ASD高光谱仪的实测数据,分析了浮游植物和CDOM（有色可溶性有机物）的光谱吸收系数在太湖的时空分布特征,建立了基于生物光学模型和固有光学量的浮游植物光谱吸收及CDOM的反演模型,从而对浮游植物数量进行监测。
除蓝藻水华外,水体中其他藻类也有着一定的研究价值。例如水体中优势藻类,荧光光谱特征、吸收光谱特征以及反射率光谱特征均可作为遥感识别依据,充分利用高光谱遥感数据所带来的丰富光谱信息,内陆水体优势藻类高光谱分类识别在未来有着一定的发展空间。
3.1.3 水华与水草的识别
以往的利用多光谱遥感监测水华和水草的分布无法消除由二者光谱相似性所带来的影响,监测结果存在一定的误差。精准的草藻识别对于提高水质参数的反演精度有一定的意义,高光谱遥感善于捕捉地物间细微的光谱差异,在水华与水草的识别中发挥了重要的作用。
李俊生等[28]通过高光谱遥感识别方法研究了太湖的水华和水草,通过水面光谱测量实验对水华和典型水生植物的反射率光谱进行测量,采用的ASD光谱仪具有较高的光谱分辨率,可捕捉水体中各种生物的光谱差异,建立了光谱指数以及判别公式,并进行验证,证明公式识别效果较好。
地面实测实验可以实现对水华水草的识别,但其工作较为繁琐,研究范围有限。随着星载高光谱成像仪的发展,基于卫星影像数据的水华水草识别的研究逐渐增多。朱庆等[29]以太湖为研究区域,利用叶绿素a光谱指数并结合蓝藻蛋白基线构建了水华和水草的识别模型,基于多景海岸带高光谱成像仪（HICO）影像得出了整个太湖的水华水草分布图（图4）,水华水草的平均提取精度较高。洪韬[30]利用叶绿素a光谱指数并结合蓝藻蛋白基线构建了水华和水草的识别模型的方法对太湖区域进行水草水华的研究,使用整体性能参数较高的国产珠海一号高光谱卫星（OHS）数据,识别结果如图5所示,较能反映太湖水华与水草分布的实际状况。
图4 基于HICO影像的太湖水华水草提取结果[29]

注：A为假彩色合成图;B为水华和水草提取结果。

Fig. 4 Distinguishing result of cyanobacteria bloom and aquatic plants based on HICO images[29]

图5 太湖OHS数据水华水草提取结果[30]

注：影像日期为2018年8月23日。

Fig. 5 Distinguishing result of cyanobacteria bloom and aquatic plants based on OHS images[30]

3.2 高光谱遥感在水环境研究中的应用

人类改变生存环境的同时诱发了一系列水环境问题,如水质恶化、水环境质量差以及城市黑臭水体增多等,近年来,水环境污染的防治逐渐成为水利部和流域机构的重要工作之一[31]。水质参数的遥感反演,本质上是一个参数估计的问题,即：将光谱曲线的变化通过经验模型或分析模型与水质参数情况联系起来,因此光谱曲线变化特征的获取成为水质参数反演精度的关键。
宽波段的多光谱遥感是水环境遥感的主要数据,但其难以精确获取水体的光谱信息。高光谱遥感的出现为内陆水体水环境监测提供了新的契机,它可以更精准地获取各种常见水质参数的光谱特征,对于叶绿素a、悬浮物等具有明显光谱的水质参数反演效果较好,并以此间接反演透明度、浊度、藻类生物量、总氮总磷以及化学需氧量等其他水环境要素。
3.2.1 反演叶绿素a浓度
富营养化程度是衡量湖泊生态治理的指标,藻类的大量繁殖是造成湖泊富营养化的主要原因,叶绿素a在藻类中占有的比例较为稳定,因此叶绿素a浓度对于调查湖泊的富营养化程度具有重要意义。叶绿素a的吸收系数光谱特征表现为2个吸收峰,通常位于440 nm和675 nm附近,因675 nm处受其他水体要素影响较小,因此常用675 nm附近的特征光谱反演叶绿素a浓度[32]。目前,高光谱遥感在叶绿素a的反演中取得了诸多进展。
从反演模型上来看,国内外学者大多使用半经验模型对叶绿素a进行反演,例如一阶微分模型,波段比值模型,三波段模型等。早期有国外学者利用AVIRIS数据进行过叶绿素a的反演效果验证,Hoogenboom[33]以荷兰的艾瑟尔湖为研究区,利用AVIRIS数据设计了矩阵反演模型,提出了从水下辐照提取了叶绿素浓度的方法,在当时取得了不错的效果,随着不同的高精度模型被提出以及更优质的高光谱数据源的出现,该模型现在运用较少。Gitelson[34]等,以700 nm附近处的反射峰波长为光谱特征参量建立单波段模型反演保加利亚湖泊的叶绿素a,模型拟合度高达0.93。郑国强[35]等,运用波段比值模型,基于Hyperion高光谱影像反演了南四湖叶绿素a浓度的分布,与实测情况较为吻合。韦安娜等[36]以鄱阳湖为例,基于高分5号数据,通过穷举法建立了叶绿素a浓度三波段反演模型,反演精度较好。李俊生等[37]以梅梁湾为研究区,通过半经验模型,基于CHRIS高光谱影像反演了太湖梅梁湾的叶绿素浓度分布图,并取得了较好的结果,指出了CHRIS高光谱影像数据在内陆水质监测中具有巨大潜力。
分析模型涉及水体辐射传输方程,参数较多,整体建模难度较大,但其反演精度一般高于半经验模型。Dekker等[38]基于Landsat TM数据,结合实测水体固有光学量,通过构建物理分析模型对水色参数进行估算,并与半经验模型做出对比,指出分析模型的精度更高。潘邦龙等[39]基于HJ-1A星的HSI高光谱数据与实测光谱数据,构建了基于空间八邻域与遗传算法的叶绿素a反演模型,获得较高的反演精度,指出高光谱空谱联合遥感反演的可行性。
高光谱遥感的发展为分析模型的发展提供了基础,以往的多光谱遥感难以得到模型方程中部分参数的精确值,需引入经验公式代替,而高光谱遥感波段数多达数百个,使得原先需要用经验方法近似估测的参数可以直接被计算,除此之外,利用高光谱遥感数据可提取反演对象的特征波段,以此结合反演参数的生物、化学属性进行分析,进而使的模型的物理意义更加明确,易于分析误差来源。
从数据源上来看,诸如国外的Hyperion、AVIRIS、CHRIS以及国内的高分五号卫星数据、HJ-1A、OHS等高光谱遥感数据均已被用于反演叶绿素a浓度,得到了较好的反演结果,机载数据作为补充也在国内一些湖泊与水库的叶绿素a反演取得了运用。Guillaume等[40]以Mark Twain湖为例,将机载高光谱数据与实测数据通过偏最小二乘法建立回归关系,对叶绿素a,悬浮物等参数的检测精度均达到0.7以上。潘梅娥等[41]太湖为研究区,基于HJ-1的HSI高光谱数据,通过建立了混合光谱分解模型反演叶绿素a浓度,该方法一定程度上消除了混合像元干扰,取得了较高的反演精度。洪韬[30]利用珠海一号高光谱数据与地物光谱仪ASD测量的水体反射率,建立了珠海一号高光谱卫星的反射率值与实测叶绿素a浓度之间的关系,对洞庭湖的叶绿素a浓度进行了反演并得到其空间分布（图6）。
图6 OHS反演洞庭湖Chl-a浓度分布[30]

注：影像日期为2018年9月28日。

Fig. 6 Concentration distribution of Chl-a in Dongting Lake retrieved by OHS[30]

图7 滇池悬浮物浓度反演结果[44]

注：影像日期为2014年11月25日。

Fig. 7 The inversion of suspended sediment concentration in Dianchi Lake

高光谱遥感反演叶绿素a浓度的研究在逐渐增加,但星载高光谱技术较难得到具有高空间分辨率的影像,空间维度上信息获取不足,而机载高光谱遥感具有高空间、高时间分辨率的优势,受到了越来越多遥感水质监测工作人员的青睐。
3.2.2 测量水体中悬浮物浓度
水中的无机物、有机物、泥沙、黏土、微生物等悬浮物沉积后易厌氧发酵,提高水域的浑浊度,进一步恶化了水质[42]。内陆水体光学特性比较复杂,在高悬浮物浓度的浑浊水体中,一些组分会削弱藻类植物反射率的光谱特征,不同的悬浮物成分、浓度以及粒径分布对水体反射率波谱特征造成的影响也不同,以上因素给遥感监测水生态,水环境的效果造成了负面影响。
悬浮物的光谱特征较宽,利用多光谱遥感数据也可以获得较高的反演精度。Richard基于MODIS的1波段（620~670 nm）数据,通过半经验模型反演了北墨西哥湾的悬浮物浓度,结果精度较高。但多光谱方法也存在一定的局限性,祝令亚等[43],以太湖为研究区域,基于MODIS数据通过经验方法构建反演悬浮物反演模型,结论指出该模型在太湖的不同湖区适用性不同。由此可见以往的多光谱遥感反演悬浮物难以普遍获取较高的精度。
近年来高光谱遥感的发展为提高悬浮物浓度的监测精度做出一定贡献,由更加精细的光谱特征曲线分析得知,悬浮物的光谱特征在700~850 nm较为明显,在700~850 nm存在着氧气吸收通道（760 nm）和2个水汽吸收通道（720 nm,820 nm）,这些通道会给反演造成误差。高光谱遥感的优势在于有多个波段可以选择,从而避免了以上3个通道所造成的误差影响。同时,高光谱遥感波段数较多,为模型的构建提供了较多的选择,往往可以找到反演的最佳波段,从而进一步提高了悬浮物的反演精度。
余哲修等[44]以滇池为研究区,构建了基于倒数变换的多元逐步回归模型,基于HJ-1A星的HSI影像反演了悬浮物浓度,结果如图7所示,并通过克里格插值法对采集水样进行了悬浮物浓度的空间插值分析,以验证HSI影像反演的精度,通过验证指出反演精度较好。殷子瑶等[45]基于珠海一号高光谱卫星数据,以684 nm与540 nm波段处的反射率构建比值模型反演了于桥水库的悬浮物浓度,反演结果精度较高,模型相对误差为8.6%。Kenneth A等[46]利用明尼苏达州主要河流的机载高光谱数据影像,以水体固有光学量和光谱数据计算得到的表观光学量建立分析模型,反演了河水的悬浮物浓度,指出700 nm处是该研究区测量悬浮物浓度的最佳波段,模型拟合度达到了0.77~0.93。张兵[47]以太湖为研究区,通过生物光学模型对悬浮物等参数进行反演,并以航空高光谱遥感器WHI和航天高光谱遥CHRIS获取的图像对反演方法进行了检验,综合评价了不同平台的高光谱遥感研究方法的优劣。
3.2.3 测量泥沙含量
传统的泥沙含量测量方法取样工作量大,监测覆盖面窄,时效性差[48]。早期人们主要利用Landsat产品与国产高分卫星产品进行泥沙含量的反演,而随着高光谱遥感技术的发展和光谱仪技术的成熟,凭借高光谱数据光谱丰富的优势,进一步深入了对水色、浊度以及透明度的研究,进而提高了泥沙含量测量的精度。
杨光源等[49],利用HJ-1A星获得的HSI高光谱数据产品,以北海市为研究区,分析了水体悬浮泥沙的光谱特征,利用单波段模型和多波段模型对研究区河口附近的近岸浅水区进行悬浮泥沙的浓度反演,结果证明单波段的指数模型反演效果较好。万庆余等[50]以黄土高原的几种常见土壤为实验样品介绍了利用高光谱遥感技术分析泥沙含量过高而导致的水污染类型和强度的方法。
通过遥感悬监测浮物浓度仍存在一些缺陷,在水体泥沙浓度过高的区域,测量深度有限,只能达到水体顶端向下几米的范围[51]。目前国内外对泥沙含量的遥感反演研究很少选择内陆河流作为研究区域,尤其是山区河流,而高光谱遥感精准识别地物的特点为地质情况复杂,水文特征多变的山区河流泥沙研究提供条件,在未来,研究人员可借助高光谱遥感对此类地区开展更多的研究[52]。

3.3 高光谱遥感在水灾害方面的应用

洪水遥感的目标是迅速且精准地监测洪水淹埋面积、洪水水深以及洪水持续时间等主要特征[53]。现阶段的水体淹没范围多采用多光谱遥感技术或雷达提取来确定,存在着遥感数据波段数目少、波谱不连续、光谱分辨率低等缺陷,对于成分较为复杂的洪水水体识别存在着一定的困难,高光谱遥感可作为多光谱遥感和雷达技术的补充,以其精准的光谱识别能力,可以对水体淹没地物存在的混合光谱做更细致的分析,从而提取更准确的水体淹没范围。
星载高光谱遥感的发展为水灾害监测提供了新的条件。伴随着搭载了Hyperion传感器的EO-1卫星投入使用,洪水等水灾害响应的时间大大缩减,Hyperion影像具有高光谱分辨率、高空间分辨率的特征,为水体信息的提取提供了更好的条件[54]。王向成等[55]通过对辽东湾地区典型地物的光谱曲线进行测定与分析,基于Hyperion影像数据提出了快速自动提取水体信息的斜率法,实现了快速且准确的进行水体信息的自动提取与分类,为洪水、海啸等灾害提供研究基础。

3.4 高光谱遥感在水资源研究方面的应用

全球变暖和人类改造自然行为致使流域水循环物理过程与转化机制发生改变,原有的水资源评价方法也需改进以更好地满足人们掌握水资源总体状况需要。遥感技术全天候,大面积的监测优势使其在水资源的监测与保护中发挥了重要作用,具体体现在利用遥感监测土壤水、地下水、地表水,估算蒸散发量、降雨量等方面。高光谱遥感在水资源监测中发挥了一定作用,通过高光谱的图像分析,可以提取出更精细水文地质信息,为开发、保护和管理水资源提供参考[56,57]。
就监测和反演土壤水来说,利用微波遥感、雷达等技术提取土壤水的提取精度已可以满足部分工作需求,不同波段的遥感反演各有优劣,表6给出不同波段遥感反演土壤水的优劣对比。
表6 不同波段遥感反演土壤水的优劣对比

Tab. 6 Comparison of the pros and cons of remote sensing inversion of soil water in different bands

波段 优势 劣势
微波 全天时全气候监测,穿透性强 受植物和土壤影响大,反演精度低
热红外 空间分辨率高,裸土地区应用效果好 穿透性差,需要下垫面的土壤参数做为反演基础
可见光-近红外 结合植被指数,方法简便,便于实践 易受植被长势影响,有滞后性,存在数据短缺情况
高光谱遥感可作为遥感反演土壤水的数据源补充[58],其优势体现在可获取连续的光谱曲线,从而更好地捕捉不同季节,不同地区土壤的细微的变化,建立土壤反射率与土壤含水量的关系来实现高精度监测[59]。此外高光谱的混合像元分解技术,可同时获取各个组分的光谱信息和混合比例信息,这对监测植被覆盖区域的土壤水具有重要的意义,一定程度上减小了植被在土壤水监测所带来误差。
ET（蒸腾蒸发量）的估算是制定灌溉计划、水库水损失估算、径流预测的研究依据,是水利行业的重要应用之一[60]。高光谱遥感估算ET研究进行较早,早在2005—2006年国内外许多学者就已使用更详细的高光谱数据结合地表实测数据和大气数据,改善了ET的空间估算方法[61],但由于数据短缺的限制,这些方法并未取得推广。ET的估算涉及的研究区范围普遍较大,且要求数据的时间分辨率较高,因此目前的高光谱遥感在估算ET方面的应用一直存在着数据量不足的局限。在未来,随着高光谱数据数量的不断积累,覆盖范围的扩大,高光谱遥感有望在ET估算应用中取得更多的应用。

4 高光谱遥感技术在水利研究应用中的优势和问题

4.1 高光谱遥感技术在水利研究应用中的优势

高光谱遥感的出现在一定程度上突破了以往水利遥感存在的局限,它能够获取水体中各种物质的光谱特性,大大提升了水体要素的反演精度,除此之外高光谱遥感还能进行水体要素的分类识别,比如不同藻类,藻类和水草之间的识别,不同应用的原理以及体现的高光谱遥感优势如表7所示。
表7 高光谱遥感典型应用的原理及优势

Tab. 7 The principle and advantages of hyperspectral remote sensing application of typical elements

应用名称 应用原理 高光谱遥感的优势体现
水华监测 藻蓝素在630 nm处具有反射谷,在655 nm处具有反射峰,由此波段特征构建反演模型 波段较窄,可以实现普通水体、水华区域及水草区域三者之间的精准辨别,从而提高监测精度
水生植物监测 利用光谱仪实测得到监测对象的光谱曲线,根据光谱特征选择波段,通过比值、一阶微分等方法建立监测模型 波段数量多,波普范围较宽,可为水体中绝大多数部分要素提供合适的反演波段
识别水华与水草 二者的部分光谱特征近似,而水华中含有藻蓝素,且水华暴发伴随着水色的改变,以此来寻找二者的光谱差异 提供丰富的光谱信息,光谱分辨率高,对于具有相似光谱特征的不同要素具有良好的分辨能力
反演叶绿素a 叶绿素a在近红外波段具有明显的光谱特征,通过经验或分析模型建立光谱特征和叶绿素a浓度的关系 基于高光谱数据的半经验反演模型具有更高的精度;为分析模型中部分参数的计算提供条件
反演悬浮物浓度 悬浮物在700~850 nm具有明显的光谱特征,在此范围内合理选取波段构建反演模型 波段数量多,可以消除由氧气吸收通道,水汽吸收通道产生的影响

4.2 高光谱遥感技术在水利研究应用中面临的问题

现阶段的高光谱遥感在水利行业的应用正处于发展阶段,从数据上来说,高光谱遥感涉及的数据包含实测光谱数据、机载高光谱数据、星载高光谱数据,前两者需要实测获取,部分星载数据来自商业卫星,其获取也存在一定的限制。整体来看,目前可用的高光谱遥感较为短缺且不易获取。除此之外,其在理论方法及模型构建等方面还未成熟,仍面临着一系列问题。
4.2.1 水体要素半经验反演模型需进一步优化
以往的经验模型仅依靠遥感数据和实测数据的统计关系来建立,存在一定缺陷。高光谱遥感为模型构建提供了更多波段选择,其所获取的水体要素光谱曲线也给人们分析波段的物理意义提供基础,可帮助人们建立精度更高,物理意义更明确的半经验模型。
而半经验模型的构建仍面临着一些问题,其中最主要的问题为波段的选择与波段组合形式[62]。比值、三波段、四波段模型是主要的水体要素半经验反演模型,但高光谱遥感波段数通常为几十个至上百个,现阶段半经验反演模型波段利用效率普遍较低。研究人员应该在水体要素光谱特征分析的基础上,合理选取波段或波段组合,提高波段利用效率以构建更完善的高光谱水体要素半经验反演模型。
4.2.2 构建水体要素分析模型困难
分析模型的构建依赖于复杂的水体辐射传输模型,而现存的分析模型几乎都要引入经验公式来确定部分参数,一般将引入经验公式的分析模型称为半分析模型。
半分析模型中的各参数均具有明确的物理意义,确立高光谱遥感数据和水体辐射传输方程中各个参数与的关系有助于半分析模型的构建。而水体辐射传输过程受大气影响较大以及水体光学特性影响较大,导致传感器接收的离水辐射信号较弱,目前的水体固有光学量数据积累较少,大气模型精度有待提高,这些因素造成了高光谱遥感半分析模型的构建较为困难。
4.2.3 高光谱遥感影像处理复杂
高光谱遥感影像可近似视为三维数据立方体,数据维度高,数据量大,这意味着其必然存在数据冗余,图像处理困难等问题[63]。目前仅针对高光谱影像开发的影像处理软件较少,因此高光谱遥感影像的高效率处理是一个亟待解决的问题[64]。
机载数据成本高,观测范围有限,大范围的湖泊、水库以及城市河网的水质动态监测必须借助大量遥感影像,因此批量快速地处理高光谱遥感影像对于推广其应用具有重要意义。研究人员可以考虑通过选取有效波段,进行遥感数据降维等方法优化高光谱遥感影像的处理过程,另外在未来还应研发专门处理高光谱遥感影像的工具与软件。

5 高光谱遥感技术在水利研究应用中的发展方向

目前高光谱遥感在水利行业中的应用主要集中在水环境和水生态方面的不同水生植物精细分类识别中,在水资源监管和水灾害调查等方面,高光谱遥感还未取得突破性进展。结合目前高光谱遥感水利应用所面临的问题,给出以下展望。

5.1 构建典型水利要素标准波谱数据集

遥感研究以地物光谱数据为基础,国外的USGS、ASTER、HyspIRI等波谱库以及国内的中国典型地物波谱库、地物反射光谱特征数据库等均是涉及领域较多,建设年代较早的波谱库[65]。内陆水体光学特征复杂且随地域和季节的变化较大,在成像光谱技术还未成熟时,很难建立较为完备且有针对性的标准波谱数据集。
高光谱成像仪以其多谱段,高光谱分辨率的特点可以获得丰富的地物光谱信息,为建立高精度的地物波谱库提供基础。随着近几年水利遥感的不断发展,研究人员应根据需求,利用高光谱成像仪在不同尺度和时间情况下,对常见水文要素,洪水淹没后地物混合光谱,不同地区水域的叶绿素、典型水生植物、藻类、悬浮物等水利要素的波谱进行更精确的测量与提取,并以此构建更完备的典型水利要素标准波谱数据库,一定程度上减轻实验前复杂的光谱测量的工作量,为水利要素的遥感精准识别与定量提取提供基础。

5.2 多平台高光谱载荷水利要素协同监测与多源遥感数据的融合

近几年航空航天高光谱遥感技术发展迅速,高光谱遥感的载荷平台不断丰富[66]。研究人员应根据具体工作需求合理选取不同平台或多平台结合的研究方法。大范围宏观层面的趋势分析可以选取大范围多时相的星载高光谱遥感影像,小范围微观层面的精准反演可以选取机载高光谱遥感影像。总之,多平台协同监测有助于提高反演效率,节约工作成本,充分发挥不同平台的优势。
星载高光谱遥感影像普遍具有空间分辨率低的缺陷,因此可以考虑将光谱分辨率较高的高光谱遥感影像同空间分辨率较高的高分影像进行数据融合,充分发挥不同数据的优势,为水利行业提供更多的优质数据。

5.3 水利高光谱遥感信息智能挖掘的新方法

人们对于海量数据的挖掘和应用需求日益增长。高光谱遥感较高的数据量和数据维度所造成的数据冗余问题使其图像处理较为复杂[67],从高光谱数据中快速而精准地挖掘出水利行业所需要的信息是推广高光谱遥感在水利行业应用的必要条件。
机器学习可以通过样本训练进行数据学习,从数据库中发现数据的发展趋势,实现数据分析的自动化处理,极大地提高了高光谱遥感图像处理的工作效率,而目前面向水利要素的高光谱遥感样本库较少,制约着水利高光谱遥感图像自动分类算法的精度和效率。另外,通过耦合水文物理模型和人工智能模型,有助于进一步提高水利高光谱遥感信息定量识别和精度,从而更好地满足水利行业多样化的应用需求。

6 结论与讨论

高光谱遥感以其数据采集的时效性、地物光谱测量的准确性,外加融合多源数据共同监测的全面性帮助人们客观准确地认知水利要素的光谱成像机理,提高了地物信息精细分类和识别的精度,迄今为止在内陆水体监测、典型水质参数反演、水生态状况调查等方面展开了应用并取得了一系列成果。
近年来成像技术不断突破,成像仪的光谱分辨率已然达到纳米级,波段数达到数百个,高光谱遥感的光谱分辨率将更加精细。大面阵高分辨率探测器技术不断提高,改善了影像的空间分辨率。卫星组网技术的发展缩短了卫星重访周期,高光谱遥感数据的时间分辨率也将大幅度提高。这一系列的改变促使高光谱遥感朝着定量化的方向发展,与此同时越来越多载有高光谱成像仪的卫星成功发射丰富了高光谱遥感的数据源,更多种类的高光谱数据将会被发掘并投入使用,不断扩大高光谱遥感技术在水利行业的应用范围。
高光谱遥感数据短缺与高光谱影像信息提取困难是当前高光谱遥感所面临的主要问题,面向新时期水利行业的应用需求,需要聚焦高光谱遥感新数据、新载荷,开展水利遥感与人工智能交叉学科之间的新方法、新理论以及新思路的研发,不断改善高光谱遥感存在的缺陷。在未来,高光谱遥感将蓬勃发展,为破解四水问题和新时期水利行业服务提供更先进的技术支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
高吉喜, 赵少华, 侯鹏. 中国生态环境遥感四十年[J]. 地球信息科学学报, 2020, 22(4):705-719.

DOI

[ Gao J X, Zhao S H, Hou P. Advances of remote sensing on ecology and environment in China[J]. Journal of Geo-information Science, 2020, 22(4):705-719. ]

[2]
付俊娥, 路京选, 庞治国, 等. 跨时空遥感应用理论及其在水利行业的应用[J]. 卫星应用, 2019(11):8-12.

[ Fu J E, Lu J X, Pang Z G, et al. The application theory of cross-temporal remote sensing and its application in water conservancy industry[J]. Satellite Applications, 2019(11):8-12. ]

[3]
杨煜, 李云梅, 王桥, 等. 基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演[J]. 湖泊科学, 2010, 22(4):495-503.

[ Yang Y, Li Y M, Wang Q A, et al. Retrieval of chlorophyll-a concentration by Three-band model in Lake Chaohu[J]. Journal of Lake Sciences, 2010, 22(4):495-503. ]

[4]
杜培军, 夏俊士, 薛朝辉, 等. 高光谱遥感影像分类研究进展[J]. 遥感学报, 2016, 20(2):236-256.

[ Du P J, Xia J S, Xue Z H, et al. Review of hyperspectral remote sensing image classification[J]. Journal of Remote Sensing, 2016, 20(2):236-256. ]

[5]
唐雅娜, 董立国, 何苏利. 机载激光雷达和高光谱技术的遥感监测数据分类[J]. 激光杂志, 2020, 41(10):72-76.

[ Tang Y N, Dong L G, He S L. Remote sensing data classification of airborne lidar and hyperspectral technology[J]. Laser Journal, 2020, 41(10):72-76. ]

[6]
王建宇, 李春来. 高光谱遥感成像技术的发展与展望[J]. 空间科学学报, 2021, 41(1):22-33.

[ Wang J Y, Li C L. Development and prospect of hyperspectral imager and its application[J]. Chinese Journal of Space Science, 2021, 41(1):22-33. ]

[7]
李树涛, 李聪妤, 康旭东. 多源遥感图像融合发展现状与未来展望[J]. 遥感学报, 2021, 25(1):148-166.

[ Li S T, Li C Y, Kang X D. Development status and future prospects of multi-source remote sensing image fusion[J]. National Remote Sensing Bulletin, 2021, 25(1):148-166. ]

[8]
刘建霞, 翟伟林, 李金富, 等. 机载高光谱遥感在内陆水体或海湾水质监测中的研究与应用现状[J]. 地质找矿论丛, 2020, 35(4):487-492.

[ Liu J X, Zhai W L, Li J F, et al. Research and application status of Aircraft-hyper-spectral remote sensing-based research of water quality monitoring of water bodies of inland and bays[J]. Contributions to Geology and Mineral Resources Research, 2020, 35(4):487-492. ]

[9]
段洪涛, 罗菊花, 曹志刚, 等. 流域水环境遥感研究进展与思考[J]. 地理科学进展, 2019, 38(8):1182-1195.

DOI

[ Duan H T, Luo J H, Cao Z G, et al. Progress in remote sensing of aquatic environments at the watershed scale[J]. Progress in Geography, 2019, 38(8):1182-1195. ]

[10]
童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016, 20(5):689-707.

[ Tong Q X, Zhang B, Zhang L F. Current progress of hyperspectral remote sensing in China[J]. Journal of Remote Sensing, 2016, 20(5):689-707. ]

[11]
高林, 杨贵军, 于海洋, 等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报, 2016, 32(22):113-120.

[ Gao L, Yang G J, Yu H Y, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(22):113-120. ]

[12]
晏磊, 廖小罕, 周成虎, 等. 中国无人机遥感技术突破与产业发展综述[J]. 地球信息科学学报, 2019, 21(4):476-495.

DOI

[ Yan L, Liao X H, Zhou C H, et al. The impact of UAV remote sensing technology on the industrial development of China: A review[J]. Journal of Geo-information Science, 2019, 21(4):476-495. ]

[13]
郑玉权, 王慧, 王一凡. 星载高光谱成像仪光学系统的选择与设计[J]. 光学精密工程, 2009, 17(11):2629-2637.

[ Zheng Y Q, Wang H, Wang Y F. Selection and design of optical systems for spaceborne hyperspectral imagers[J]. Optics and Precision Engineering, 2009, 17(11):2629-2637. ]

[14]
Tripathi M K, Govil H. Evaluation of AVIRIS-NG hyperspectral images for mineral identification and mapping[J]. Heliyon, 2019, 5(11):e02931.

DOI

[15]
刘银年. 高光谱成像遥感载荷技术的现状与发展[J]. 遥感学报, 2021, 25(1):439-459.

[ Liu Y N. Development of hyperspectral imaging remote sensing technology[J]. National Remote Sensing Bulletin, 2021, 25(1):439-459. ]

[16]
付严宇, 杨桄, 关世豪. 航空航天高光谱成像仪研究现状及发展趋势[J]. 红外, 2020, 41(8):1-8,14.

[ Fu Y Y, Yang G A, Guan S H. Research status and development trend of hyperspectral imagers onboard airborne and spaceborne platforms[J]. Infrared, 2020, 41(8):1-8,14. ]

[17]
李盛阳, 刘志文, 刘康, 等. 航天高光谱遥感应用研究进展(特邀)[J]. 红外与激光工程, 2019, 48(3):9-23.

[ Li S Y, Liu Z W, Liu K, et al. Advances in application of space hyperspectral remote sensing(invited)[J]. Infrared and Laser Engineering, 2019, 48(3):9-23. ]

[18]
周艺, 周伟奇, 王世新, 等. 遥感技术在内陆水体水质监测中的应用[J]. 水科学进展, 2004, 15(3):312-317.

[ Zhou Y, Zhou W Q, Wang S X, et al. Applications of remote sensing techniques to inland water quality monitoring[J]. Advances in Water Science, 2004, 15(3):312-317. ]

[19]
疏小舟, 汪骏发, 沈鸣明, 等. 航空成像光谱水质遥感研究[J]. 红外与毫米波学报, 2000, 19(4):273-276.

[ Shu X Z, Wang J F, Shen M M, et al. Remote sensing of water quality monitoring using an airborne imaging spectrometer[J]. Journal of Infrared and Millimeter Waves, 2000, 19(4):273-276. ]

[20]
杨一鹏, 王桥, 王文杰, 等. 水质遥感监测技术研究进展[J]. 地理与地理信息科学, 2004, 20(6):6-12.

[ Yang Y P, Wang Q A, Wang W J, et al. Application and advances of remote sensing techniques in determining water quality[J]. Geography and Geo-information Science, 2004, 20(6):6-12. ]

[21]
张步云, 韩玉洁, 杨琳. 藻类植物在水体污染中的研究进展[J]. 资源节约与环保, 2019(8):118-120.

[ Zhang B Y, HAN Y J, Yang L. Research progress of algae in water pollution[J]. Resource Conservation and Environmental Protection, 2019(8):118-120. ]

[22]
张兵, 李俊生, 申茜, 等. 长时序大范围内陆水体光学遥感研究进展[J]. 遥感学报, 2021, 25(1):37-52.

[ Zhang B, Li J S, Shen Q A, et al. Recent research progress on long time series and large scale optical remote sensing of inland water[J]. National Remote Sensing Bulletin, 2021, 25(1):37-52. ]

[23]
Kudela R M, Palacios S L, Austerberry D C, et al. Application of hyperspectral remote sensing to cyanobacterial blooms in inland waters[J]. Remote Sensing of Environment, 2015, 167:196-205.

DOI

[24]
Bell T W, Cavanaugh K C, Siegel D A. Remote monitoring of giant kelp biomass and physiological condition: An evaluation of the potential for the Hyperspectral Infrared Imager (HyspIRI) mission[J]. Remote Sensing of Environment, 2015, 167:218-228.

DOI

[25]
Rossiter T, Furey T, McCarthy T, et al. UAV-mounted hyperspectral mapping of intertidal macroalgae[J]. Estuarine, Coastal and Shelf Science, 2020, 242:106789.

DOI

[26]
Flynn K, Chapra S. Remote sensing of submerged aquatic vegetation in a shallow non-turbid river using an unmanned aerial vehicle[J]. Remote Sensing, 2014, 6(12):12815-12836.

DOI

[27]
冯龙庆. 基于高光谱遥感的太湖水体藻蓝素和CDOM浓度估算模型研究[D]. 南京:南京农业大学, 2011.

[ Feng L Q. Modelling phycocyanin and CDOM concentration from hyperspectral reflectance data in lake Taihu[D]. Nanjing: Nanjing Agricultural University, 2011. ]

[28]
李俊生, 吴迪, 吴远峰, 等. 基于实测光谱数据的太湖水华和水生高等植物识别[J]. 湖泊科学, 2009, 21(2):215-222.

[ Li J S, Wu D, Wu Y F, et al. Identification of algae-bloom and aquatic macrophytes in Lake Taihu from in situ measured spectra data[J]. Journal of Lake Sciences, 2009, 21(2):215-222. ]

DOI

[29]
朱庆, 李俊生, 张方方, 等. 基于海岸带高光谱成像仪影像的太湖蓝藻水华和水草识别[J]. 遥感技术与应用, 2016, 31(5):879-885.

[ Zhu Q, Li J S, Zhang F F, et al. Distinguishing cyanobacteria bloom and aquatic plants in lake Taihu based on hyperspectral imager for the coastal ocean images[J]. Remote Sensing Technology and Application, 2016, 31(5):879-885. ]

[30]
洪韬. 珠海一号高光谱卫星在内陆湖泊监测中的应用[J]. 卫星应用, 2019(8):19-22.

[ Hong T. Application of Zhuhai-1 hyperspectral satellite in monitoring inland lakes[J]. Satellite applications, 2019(8):19-22. ]

[31]
董磊华, 熊立华, 于坤霞, 等. 气候变化与人类活动对水文影响的研究进展[J]. 水科学进展, 2012, 23(2):278-285.

[ Dong L H, Xiong L H, Yu K X, et al. Research advances in effects of climate change and human activities on hydrology[J]. Advances in Water Science, 2012, 23(2):278-285. ]

[32]
陶然, 彭金婵, 张豪, 等. 内陆水体叶绿素a浓度遥感监测方法研究进展[J]. 地理信息世界, 2019, 26(4):44-53.

[ Tao R, Peng J C, Zhang H, et al. Research progress on chlorophyll-a monitoring in inland waters based on remote sensing[J]. Geomatics World, 2019, 26(4):44-53. ]

[33]
Hoogenboom H J, Dekker A G, Althuis I A. Simulation of AVIRIS sensitivity for detecting chlorophyll over coastal and inland waters[J]. Remote Sensing of Environment, 1998, 65(3):333-340.

DOI

[34]
Gitelson A A, Keydan G P, Merzlyak M N. Three-band model for noninvasive estimation of chlorophyll, carotenoids, and anthocyanin contents in higher plant leaves[J]. Geophysical Research Letters, 2006, 33(11):L11402.

[35]
郑国强, 史同广, 孙林, 等. 基于Hyperion数据的南四湖叶绿素浓度反演研究[J]. 地理与地理信息科学, 2008, 24(1):31-34.

[ Zheng G Q, Shi T G, Sun L, et al. Regression of chlorophyll content based Hyperion data in nansi lake[J]. Geography and Geo-information Science, 2008, 24(1):31-34. ]

[36]
韦安娜, 田礼乔, 陈晓玲, 等. 基于穷举法的鄱阳湖叶绿素a浓度高光谱反演模型与应用研究——以GF-5卫星AHSI数据为例[J]. 华中师范大学学报(自然科学版), 2020, 54(3):447-453.

[ Wei A N, Tian L Q, Chen X L, et al. Retrieval and application of chlorophyll-a concentration in the Poyang Lake based on exhaustion method: A case study of Chinese Gaofen-5 Satellite AHSI data[J]. Journal of Central China Normal University (Natural Sciences), 2020, 54(3):447-453. ]

[37]
李俊生, 张兵, 申茜, 等. 航天成像光谱仪CHRIS在内陆水质监测中的应用[J]. 遥感技术与应用, 2007, 22(5):593-597.

[ Li J S, Zhang B, Shen Q A, et al. Applicaton of spaceborne imaging spectrometry CHRIS in monitoring of inland water quality[J]. Remote Sensing Technology and Application, 2007, 22(5):593-597. ]

[38]
Dekker A G, Vos R J, Peters S W M. Analytical algorithms for lake water TSM estimation for retrospective analyses of TM and SPOT sensor data[J]. International Journal of Remote Sensing, 2002, 23(1):15-35.

DOI

[39]
潘邦龙, 申慧彦, 邵慧, 等. 湖泊叶绿素高光谱空谱联合遥感反演[J]. 大气与环境光学学报, 2017, 12(6):428-434.

[ Pan B L, Shen H Y, Shao H, et al. Combined inversion of hyper-spectral remote sensing of space and spectrum for lake chlorophyll[J]. Journal of Atmospheric and Environmental Optics, 2017, 12(6):428-434. ]

[40]
Jay S, Guillaume M. Regularized estimation of bathymetry and water quality using hyperspectral remote sensing[J]. International Journal of Remote Sensing, 2016, 37(2):263-289.

DOI

[41]
潘梅娥, 杨昆. 基于环境一号HSI高光谱数据提取叶绿素a浓度的混合光谱分解模型研究[J]. 科学技术与工程, 2017, 17(6):71-76.

[ Pan M E, Yang K. Study on spectral unmxing model of chlorophyll-a concentration extraction based on HJ-1 HSI hyperspectral data[J]. Science Technology and Engineering, 2017, 17(6):71-76. ]

[42]
周岩, 董金玮. 陆表水体遥感监测研究进展[J]. 地球信息科学学报, 2019, 21(11):1768-1778.

DOI

[ Zhou Y, Dong J W. Review on monitoring open surface water body using remote sensing[J]. Journal of Geo-Information Science, 2019, 21(11):1768-1778. ]

[43]
祝令亚, 王世新, 周艺, 等. 应用MODIS影像估测太湖水体悬浮物浓度[J]. 水科学进展, 2007, 18(3):444-450.

[ Zhu L Y, Wang S X, Zhou Y, et al. Estimation of suspended sediment concentration in Taihu lake using MODIS image data[J]. Advances in Water Science, 2007, 18(3):444-450. ]

[44]
余哲修, 徐沛, 罗唯学, 等. 基于HJ-1A高光谱数据的滇池悬浮物浓度估测研究[J]. 西南林业大学学报(自然科学), 2020, 40(4):94-104.

[ Yu Z X, Xu P, Luo W X, et al. A study on the suspended sediment concentration in Dianchi lake using HJ-1A hyperspectral data[J]. Journal of Southwest Forestry University (Natural Sciences), 2020, 40(4):94-104. ]

[45]
殷子瑶, 李俊生, 范海生, 等. 珠海一号高光谱卫星的于桥水库水质参数反演初步研究[J]. 光谱学与光谱分析, 2021, 41(2):494-498.

[ Yin Z Y, Li J S, Fan H S, et al. Preliminary study on water quality parameter inversion for the Yuqiao reservoir based on Zhuhai-1 hyperspectral satellite data[J]. Spectroscopy and Spectral Analysis, 2021, 41(2):494-498. ]

[46]
Sudduth K A, Jang G S, Lerch R N, et al. Long-term agroecosystem research in the central Mississippi river basin: Hyperspectral remote sensing of reservoir water quality[J]. Journal of Environmental Quality, 2015, 44(1):71-83.

DOI

[47]
张兵, 申茜, 李俊生, 等. 太湖水体3种典型水质参数的高光谱遥感反演[J]. 湖泊科学, 2009, 21(2):182-192.

[ Zhang B, Shen Q A, Li J S, et al. Retrieval of three kinds of representative water quality parameters of Lake Taihu from hyperspectral remote sensing data[J]. Journal of Lake Sciences, 2009, 21(2):182-192. ]

DOI

[48]
Vargas Cuervo G. Determination of the relative sediment concentration in water bodies using remote sensing methodology[J]. Cuadernos De Geografía: Revista Colombiana De Geografía, 2017, 26(1):11-24.

DOI

[49]
杨光源. 基于HSI高光谱遥感数据的水体分布提取及泥沙含量反演研究[D]. 南宁:广西师范学院, 2014.

[ Yang G Y. Research on extraction of water body and sediment concentration distribution inversion based on HSI hyperspectral remote sensing data[D]. Nanning: Guangxi Teachers Education University, 2014. ]

[50]
万余庆, 张凤丽, 闫永忠. 高光谱遥感技术在水环境监测中的应用研究[J]. 国土资源遥感, 2003, 15(3):10-14.

[ Wan Y Q, Zhang F L, Yan Y Z. The application of the hyperspectral remote sensing technology to water environment monitoring[J]. Remote Sensing for Land & Resources, 2003, 15(3):10-14. ]

[51]
Wren D G, Barkdoll B D, Kuhnle R A, et al. Field techniques for suspended-sediment measurement[J]. Journal of Hydraulic Engineering, 2000, 126(2):97-104.

DOI

[52]
杨佳, 范建容, 张茜彧, 等. Ⅱ类水体悬移质泥沙含量遥感反演综述[J]. 人民长江, 2019, 50(7):98-103.

[ Yang J, Fan J R, Zhang X Y, et al. Review of suspended sediment content recognition in case II waters by remote sensing[J]. Yangtze River, 2019, 50(7):98-103. ]

[53]
孟令奎, 郭善昕, 李爽. 遥感影像水体提取与洪水监测应用综述[J]. 水利信息化, 2012(3):18-25.

[ Meng L K, Guo S X, Li S. Summary of remote sensing image water extraction and flood monitoring application[J]. Water Conservancy Information, 2012(3):18-25. ]

[54]
Ip F, Dohm J M, Baker V R, et al. Flood detection and monitoring with the Autonomous Sciencecraft Experiment onboard EO-1[J]. Remote Sensing of Environment, 2006, 101(4):463-481.

DOI

[55]
王向成, 田庆久. 基于Hyperion影像的辽东湾水体信息自动分类[J]. 遥感技术与应用, 2008, 23(1):42-46,124.

[ Wang X C, Tian Q J. Autoclassifying water bodies in Liaodong bay based on model of double absorption depth[J]. Remote Sensing Technology and Application, 2008, 23(1):42-46,124. ]

[56]
Ibrahim A, Franz B, Ahmad Z, et al. Atmospheric correction for hyperspectral ocean color retrieval with application to the Hyperspectral Imager for the Coastal Ocean (HICO)[J]. Remote Sensing of Environment, 2018, 204:60-75.

DOI

[57]
null. Role of technology in the future of water resources remote sensing developments[J]. Water Resources IMPACT, 2000, 2(5):13-14.

[58]
Govender M, Chetty K, Bulcock H. A review of hyperspectral remote sensing and its application in vegetation and water resource studies[J]. Water SA, 2009, 33(2):145-151.

[59]
段瑞琪, 董艳辉, 周鹏鹏, 等. 高光谱遥感水文地质应用新进展[J]. 水文地质工程地质, 2017, 44(4):23-29.

[ Duan R Q, Dong Y H, Zhou P P, et al. Advances in application of hyperspectral remote sensing in hydrogeology[J]. Hydrogeology & Engineering Geology, 2017, 44(4):23-29. ]

[60]
Medina J L, Camacho E, Reca J, et al. Determinzation and analysis of Regional Evapotranspiration in southern Spain based on remote sensing and GIS[J]. Physics and Chemistry of the Earth, 1998, 23(4):427-432.

DOI

[61]
孙敏章, 刘作新, 吴炳方, 等. 卫星遥感监测ET方法及其在水管理方面的应用[J]. 水科学进展, 2005, 16(3):468-474.

[ Sun M Z, Liu Z X, Wu B F, et al. Monitoring method of evapotranspiration by remote sensing and its application in water resource management[J]. Advances in Water Science, 2005, 16(3):468-474. ]

[62]
熊竹, 丁世敏, 肖红艳, 等. 水体中叶绿素a浓度遥感反演的算法研究进展[J]. 中国西部科技, 2015, 14(10):16-20.

[ Xiong Z, Ding S M, Xiao H Y, et al. Progress of algorithms research on remote sensing retrieval of chlorophyll-a concentration in water body[J]. Science and Technology of West China, 2015, 14(10):16-20. ]

[63]
张兵. 高光谱图像处理与信息提取前沿[J]. 遥感学报, 2016, 20(5):1062-1090.

[ Zhang B. Advancement of hyperspectral image processing and information extraction[J]. Journal of Remote Sensing, 2016, 20(5):1062-1090. ]

[64]
杜培军, 夏俊士, 薛朝辉, 等. 高光谱遥感影像分类研究进展[J]. 遥感学报, 2016, 20(2):236-256.

[ Du P J, Xia J S, Xue Z H, et al. Review of hyperspectral remote sensing image classification[J]. Journal of Remote Sensing, 2016, 20(2):236-256. ]

[65]
张莹彤, 肖青, 闻建光, 等. 地物波谱数据库建设进展及应用现状[J]. 遥感学报, 2017, 21(1):12-26.

[ Zhang Y T, Xiao Q, Wen J G, et al. Review on spectral libraries: Progress and application[J]. Journal of Remote Sensing, 2017, 21(1):12-26. ]

[66]
Kale K V, Solankar M M, Nalawade D B, et al. A research review on hyperspectral data processing and analysis algorithms[J]. Proceedings of the National Academy of Sciences, India Section A: Physical Sciences, 2017, 87(4):541-555.

DOI

[67]
杨国鹏, 余旭初, 冯伍法, 等. 高光谱遥感技术的发展与应用现状[J]. 测绘通报, 2008(10):1-4.

[ Yang G P, Yu X C, Feng W F, et al. The development and application of hyperspectral RS technology[J]. Bulletin of Surveying and Mapping, 2008(10):1-4. ]

Options
文章导航

/

〈 〉