時間:2021-12-13
作者:易科泰
點擊量:
簡介:
易科泰光譜成像與無人機遙感技術(shù)研究中心最新推出Ecodrone?一體式高光譜-激光雷達無人機遙感系統(tǒng)。該系統(tǒng)包括VNIR/NIR波段高光譜成像儀和激光雷達掃描儀,一次飛行可同時獲取目標(biāo)圖譜信息及三維點云數(shù)據(jù),,應(yīng)用于大范圍、多維度的精準(zhǔn)農(nóng)業(yè)研究,、大田高通量表型分析,、森林植被資源調(diào)查,、生態(tài)環(huán)境研究,、地質(zhì)礦產(chǎn)勘查,、考古研究、電力巡線,、航空測繪等領(lǐng)域,。
基于Ecodrone?無人機平臺搭載的一體式高光譜-激光雷達傳感器,在獲取葉片或冠層水平光譜反射的高分辨率成像的同時,,激光雷達傳感器通過主動發(fā)射高頻脈沖能夠直接穿透植被冠層,、獲取高精度的植被三維結(jié)構(gòu)信息和生境結(jié)構(gòu)信息,,對冠層及結(jié)構(gòu)層面進行快速無損高通量原位監(jiān)測,、森林物種多樣性研究,、植物生物及非生物脅迫分析、環(huán)境及生態(tài)系統(tǒng)動態(tài)變化研究等具有重要意義,。
性能特點:
1) 8旋翼專業(yè)無人機遙感平臺,,搭載AFX高光譜成像、機載PC及激光雷達可飛行作業(yè)20分鐘以上,,有效覆蓋面積超10公頃
2) 采用芬蘭Specim AFX系列高光譜成像傳感器和法國YellowScan激光雷達系統(tǒng)
3) 厘米級地面分辨率,,50m高度高光譜成像地面分辨率達3.5cm,30m高度(用于田間高通量作物表型分析)地面分辨率可達2cm
4) 50m高單樣線飛行作業(yè)可自動采集形成寬度36m的樣帶高光譜成像大數(shù)據(jù)
5) 高密度三維點云,,精確度2.5cm,,最高可達3次回波,50m飛行高度點云密度700pts/平方米,;可選配高精確度LiDAR系統(tǒng),,精確度可達0.5cm、回波達15次
6) 建議選配易科泰匹配提供的手持式葉綠素?zé)晒鈨x,、手持葉夾式高光譜儀,、便攜式LCpro T光合儀(附參考文獻),以測量穩(wěn)態(tài)葉綠素?zé)晒釬t,、植物光譜反射指數(shù)VIs,、光合作用及氣孔導(dǎo)度等參數(shù)
7) 可選配OTC-Auto自動開啟式光合呼吸監(jiān)測系統(tǒng),測量監(jiān)測CO2通量及H2O通量,,并測量分析GEP(Gross Ecosystem Productivity)
8) 可基于弗朗霍夫譜線FLD模型提取SIF(太陽光誘導(dǎo)葉綠素?zé)晒?,Solar-Induced-Fluorescence)(易科泰提供技術(shù)方法和分析軟件、參考文獻),,無人機遙感Mapping Photosynthesis
9) 可選配高分辨率,、高靈敏度Thermo-RGB傳感器,組成功能強大的高光譜-紅外熱成像-激光雷達無人機遙感平臺(EcoDrone-LiHT,,LiDAR, Hyperspectral and Thermal remote sensing),,大范圍(景觀水平)、高空間分辨率(厘米級)同步觀測生態(tài)系統(tǒng)結(jié)構(gòu)功能,,包括結(jié)構(gòu)信息,、光譜信息、表面溫度信息等
上圖引自Bruce D. Cook等,,NASA Goddard’s LiDAR, Hyperspectral and Thermal (G-LiHT) Airborne Imager, Remote Sensing, 2013
7) 專業(yè)無人機遙感技術(shù)方案,,同步獲取高光譜與激光雷達數(shù)據(jù),應(yīng)用軟件可直接得出近百種植物光譜反射指數(shù),、高密度三維點云,、三維測量數(shù)據(jù)、分類點云,、DTM等
主要技術(shù)指標(biāo):
AFX高光譜成像 |
Mapper+激光雷達 |
||
波段范圍/波長 |
400-1000nm |
900-1700nm |
905nm |
光譜通道數(shù) |
224 |
224 |
- |
空間像素數(shù) |
1024像素 |
640像素 |
- |
地面分辨率 |
3.5cm@50m AGL |
5.5cm@50m AGL |
- |
探測器 |
CMOS |
InGaAs |
- |
FWHM |
5.5nm |
8.0nm |
- |
光譜采樣率 |
2.68nm |
3.5nm |
- |
幀頻 |
330FPS |
670FPS |
- |
信噪比(峰值) |
400:1 |
1200:1 |
- |
光圈值 |
F/1.7 |
- |
|
視場角 |
38° |
70.4° |
|
激光掃描儀 |
- |
Livox AVIA |
|
精確度 |
- |
2.5cm |
|
準(zhǔn)確度 |
- |
3cm |
|
掃描頻率 |
- |
240k |
|
回波次數(shù) |
- |
Up to 3 |
|
點云密度@50m AGL 5m/s |
- |
700pts/平方米 |
n 應(yīng)用案例一:旱地植被分類調(diào)查
半干旱生態(tài)系統(tǒng)(即旱地)中的植被在調(diào)節(jié)全球碳平衡方面發(fā)揮著重要作用,。然而,,復(fù)雜環(huán)境下不同生物群落相互交錯,對旱地區(qū)域繪制,、量化植被物種和結(jié)構(gòu)造成很大的困難,。要完全解決旱地植物的分類問題,需要綜合考慮冠層生物化學(xué),、結(jié)構(gòu)和環(huán)境變量,。高光譜遙感已被用于對全球不同生物群落內(nèi)的植被物種分類,但大面積旱地植被的光學(xué)分類仍面對著光譜混合像元及光譜異質(zhì)性的挑戰(zhàn),。激光雷達指標(biāo)(如冠層高度)表征三維冠層結(jié)構(gòu)的能力為光學(xué)分類提供了補充信息,,此外,激光雷達數(shù)據(jù)可導(dǎo)出高分辨率數(shù)據(jù)高程模型DEM,,為植被分類提供坡度,、坡向和高程等地形信息,可提高植被分類覆蓋的精度,。
美國的研究學(xué)者將植被光學(xué)(高光譜)和結(jié)構(gòu)(激光雷達)信息結(jié)合,,對位于美國愛達荷州奧懷希山脈的雷諾茲溪實驗流域的干旱地區(qū)(xeric)及半干旱地區(qū)(mesic)進行了植被分類研究。這項研究整合了高光譜光譜分類技術(shù)與激光雷達衍生數(shù)據(jù),,利用植被光譜信息,、冠層高度及地形信息,提高了半干旱生態(tài)系統(tǒng)的分類精度,,成功繪制包含土壤,、草和灌木的干旱區(qū)域豐度圖及包含白楊、花旗松,、杜松和其他河岸植被的分類地圖,。經(jīng)驗證,將激光雷達信息納入高光譜分類方案后,,整體分類準(zhǔn)確率從 60% 提高到 89%,。
基于高光譜分類和激光雷達衍生產(chǎn)品的最終植被覆蓋圖;(左)mesic分類和(右)xeric分類
n 應(yīng)用案例二:小面積水體識別與提取
水除了是必不可少的自然資源外,,也是生物多樣性的重要環(huán)境基礎(chǔ),。露天采礦是對環(huán)境有強烈影響的人類活動之一,對淡水生物群產(chǎn)生很大負(fù)面影響,,但采礦活動產(chǎn)生的棄土棄渣堆經(jīng)技術(shù)開墾或自然演替形成了許多充滿水的洼地,,這些小面積水體對無尾目和蜻蜓等水生物種尤其有價值。為了更好地管理水資源,,保護這些受威脅的生態(tài)系統(tǒng)和防止生物多樣性喪失,,需要對開放的地表水體進行精確提取和重復(fù)監(jiān)測。
遙感已被廣泛用于識別水體,然而光學(xué)圖像難以將水體特征與具有低反射率的其他物體(例如樹影)區(qū)分開來,。為了解決這些問題,,捷克生命科學(xué)大學(xué)的研究學(xué)者對高光譜與LiDAR數(shù)據(jù)融合方法用于小面積水體精準(zhǔn)識別的能力進行了評估。
研究區(qū)域位于捷克波西米亞北部的褐煤盆地,,主要由四個棄土棄渣堆組成,其中包含了形狀,、高度,、大小各異的水體區(qū)塊。在這項研究中,,使用基于對象的分類方法在集成的高光譜數(shù)據(jù)和激光雷達數(shù)據(jù)中以非常高的準(zhǔn)確度(漏分誤差2%,,錯分誤差0.4%)提取了棄土棄渣堆上的開放地表水體,與單獨使用高光譜或LiDAR數(shù)據(jù)相比,,準(zhǔn)確度最高,。
左圖:(A)真彩色航拍照片,(B) 假彩色合成和(C)LiDAR變量組合,;右圖:僅基于高光譜數(shù)據(jù)(深藍色)與綜合LiDAR變量(淺藍色)的分類差異
研究結(jié)果表明,,高光譜和 LiDAR 數(shù)據(jù)的整合可以成功消除了陰影等影響,大大提高小面積水體的識別能力,,這對于棲息地的水體動態(tài)監(jiān)測及生態(tài)恢復(fù)與保護至關(guān)重要,。
易科泰生態(tài)技術(shù)公司致力于生態(tài)-農(nóng)業(yè)-健康研究發(fā)展與創(chuàng)新應(yīng)用,為精準(zhǔn)農(nóng)業(yè)研究,、森林植被資源調(diào)查,、生態(tài)環(huán)境監(jiān)測、地質(zhì)礦產(chǎn)勘查,、環(huán)境研究,、航空測繪等應(yīng)用領(lǐng)域提供無人機及近地遙感全面技術(shù)方案。
參考文獻:
[1] Hamid Dashti,Andrew Poley,Nancy F. Glenn,Nayani Ilangakoon,Lucas Spaete,Dar Roberts,Josh Enterkine,Alejandro N. Flores,Susan L. Ustin,Jessica J. Mitchell. Regional Scale Dryland Vegetation Classification with an Integrated Lidar-Hyperspectral Approach[J]. Remote Sensing,2019,11(18):
[2] Science - Applied Geoscience; Findings on Applied Geoscience Discussed by Investigators at Czech University of Life Sciences Prague (Integration of Hyperspectral and Lidar Data for Mapping Small Water Bodies)[J]. Science Letter,2020