以下文章来源于地球空间信息科学学报GSIS ，作者钟燕飞等

地球空间信息科学学报GSIS

武汉大学《地球空间信息科学学报》 Geo-spatial Information Science （GSIS）官方账号

↑ 点击上方「中国测绘学会」

可快速关注我们

前言：

随着卫星技术的成熟，高光谱遥感（Hyperspectral Remote Sensing，HRS）已从最初的地面和机载平台发展成为星载平台，极大地促进了HRS图像在农业、林业和环境监测等领域的应用。

中国在这一进程中发挥着重要作用，特别是近年来一系列高光谱（神舟三号飞船、高分五号、SPARK卫星、珠海一号组网卫星等）、气象（风云系列卫星）、行星探测（嫦娥系列卫星）航天器和卫星的成功发射运行，极大地促进了全球高光谱遥感的发展。

与其他平台相比，中国的星载高光谱遥感平台具有幅宽大、分辨率高、光谱范围广、可组网观测、卫星重量小等特点。钟燕飞教授等人撰写了论文Advances in spaceborne hyperspectral remote sensing in China，系统介绍了中国星载高光谱遥感的研究进展。

文章发表于发表于GSIS（Geo-spatial Information Science，地球空间信息科学学报）2021年第1期专辑" Gottfried Konecny: 90 Years of Age and Decades of Scientific Connections "中。

文章从典型卫星系统、数据处理和应用等方面出发，重点介绍了我国星载高光谱遥感的最新进展。同时，对我国高光谱遥感的未来发展趋势进行了分析和探讨。

本文主要内容：

详细分析中国星载HRS系统的特点，包括SZ-3 CMODIS、FY-3系列、HJ-1A、TG-1、SPARK、GF-5和珠海一号，并分析了部分传感器详细参数。

回顾和分析我国高光谱图像处理与分析的最新进展。重点介绍相关的数据处理方法，如预处理（包括辐射定标和几何定标）、数据增强（包括去噪、超分辨率和数据融合）、分类、探测（包括目标与异常探测）、光谱解混和定量反演等。

总结我国星载高光谱系统的典型应用案例。包括高光谱遥感在我国农业、林业、地质勘测、环境（大气污染、水环境、土壤）、城市研究上的应用。

讨论和分析了星载HRS的发展趋势和不足。我国星载HRS发展趋势是：大幅宽与高空间分辨率、全谱段高光谱观测、高光谱卫星组网。

前沿视点

“高光谱成像技术的突破性进展源于20世纪80年代的喷气推进实验室（JPL）（Goetz 2009），JPL在1983年成功研制了航空成像光谱仪（AIS）（Vane、Goetz和Wellman 1984），又在1987年研发出了航空可见光/红外成像光谱仪（AVIRIS）（Green et al.1998），用于对地球进行遥感监测。

The breakthrough in hyperspectral imaging originated from the Jet Propulsion Laboratory (JPL) in the 1980s (Goetz 2009), where the Airborne Imaging Spectrometer (AIS) was developed in 1983 (Vane, Goetz, and Wellman 1984) and the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) was developed in 1987 (Green et al. 1998) for remote sensing of the Earth.

“与丰富的航空HRS系统相比，目前在轨民用高光谱卫星数量有限。

此外，由于高光谱探测器阵列尺寸的限制，星载HRS系统所获数据空间分辨率低且幅宽较窄。

Compared with the abundant airborne HRS systems, there is only a limited number of hyperspectral satellites in orbit for civil use.

In addition, due to the limited hyperspectral detector array sizes, spaceborne HRS systems generally feature a low spatial resolution and narrow swath width.

“星载高光谱遥感的处理框架如图2所示，包括数据预处理（即辐射定标和几何校正）、数据增强（即去噪、去条带和数据融合）和数据处理（即分类、分解、目标与异常探测以及定量反演）。

Figure 2. The processing framework for spaceborne HRS.

图 2. 星载高光谱遥感的处理框架

The processing framework for spaceborne HRS is illustrated in Figure 2, including the data preprocessing (i.e., radiometric calibration and geometric correction), data enhancement (i.e., denoising, destriping, and data fusion), and data processing (i.e., classification, target and anomaly detection, and quantitative retrieval).

“作者总结了中国高光谱遥感卫星的发展趋势：

1.大幅宽与高空间分辨率。在保持现有高光谱分辨率和幅宽同时，提升星载高光谱传感器的空间分辨率具有重要价值。

2.全光谱高光谱观测。从应用角度，将近红外和短波红外范围扩展到中波红外(3 ~ 5 μm)和长波红外( 7 ~ 12 μm)。

3.高光谱卫星组网。Zhuhai-1卫星是一个典型的例子，可大幅度提升卫星时间分辨率与覆盖范围。”

we summarize the main development trends in spaceborne HRS in China:

The wide swath width and high spatial resolution. Since the detector array size is limited, there is a tradeoff between the swath width, the spectral resolution, and the spatial resolution of a hyperspectral imager, and it is difficult to improve them simultaneously. However, it is of great value to improve the spatial resolution of spaceborne HRS while maintaining its fine spectral resolution and wide swath width.

Hyperspatial observations with a full spectral range. The VNIR (0.4–1.0 μm) and SWIR (1.0–2.5 μm) regions are the commonly used spectral ranges for spaceborne HRS, but from the aspect of applications, it is of value to extend the spectral range to the mid-wave infrared (MWIR, 3–5 μm) and the long-wave infrared (LWIR, 7–12 μm) regions.

Hyperspectral satellite networks. The concept of satellite networks has provided a new direction for microsatellites, as well as spaceborne HRS. The Zhuhai-1 satellite network is a typical example, where the joint observation of its 10 OHSs makes it possible to cover the Earth every 2 days and 182 times a year, which greatly improves the temporal resolution of the HRS observations.

以下为全文翻译：

1 引言

高光谱成像又称成光谱成像法，具有光谱和光学成像的双重优势，即除了二维（2-D）空间图像外，还可以收集目标丰富的光谱特征（Goetz et al.1985）。随着高光谱成像技术的发展，引起了学术界和工业界越来越多学者的关注，并发展成为世界范围内的研究热点（Li et al.2016）。

高光谱遥感（HRS）早期主要用于军事背景下的目标识别。而如今，它在许多应用领域都显示出巨大的潜力。例如，环境监测、矿物学、天文学、考古学、医学诊断，以及食品安全，因为它可以为材料的精细识别提供空间特征和光谱特征。

高光谱成像技术的突破性进展源于20世纪80年代的喷气推进实验室（JPL）（Goetz 2009），JPL在1983年成功研制了航空成像光谱仪（AIS）（Vane、Goetz和Wellman 1984），又在1987年研发出了航空可见光/红外成像光谱仪（AVIRIS）（Green et al.1998），用于对地球进行遥感监测。

高光谱成像最早应用于航空遥感领域，并且全球范围内已经开发了一系列航空HRS系统。

如AVIRIS、紧凑型航空光谱成像仪（CASI）（Babey and Anger 1989）、高光谱数字图像采集实验（HYDICE）（Rickard et al.1993），以及高光谱制图仪（HyMap）（Cocks等人，1998年）。

我国对高光谱遥感的研究也起源于20世纪80年代的航空遥感。

随后，为了进行自然资源勘探，设计了几台高质量的高光谱成像仪，包括推扫式高光谱成像仪（PHI）、模块化航空成像光谱仪（MAIS）和操作模块化成像光谱仪（OMIS）。

随着高光谱传感器的不断发展，高光谱图像处理已成为遥感领域的一个研究热点。

星载HRS系统的出现略晚于航空HRS系统。

星载HRS起源于NASA，其在2000年发射的地球观测一号（EO-1）卫星上就搭载了Hyperion成像光谱仪（Ungar等人，2003年）。

“

地球观测一号（EO-1）卫星成功运行了15年，为科学研究提供了大量的HRS图像，开创了HRS对地观测的新纪元。

Hyperion数据包含220个光谱通道，覆盖范围为0.4-2.5 μm，轨道高度705 km，空间分辨率和幅宽分别为30 m和7.7 km。

目前，Hyperion仍然是星载HRS数据的重要来源之一。

欧空局（ESA）于2001年发射的PROBA卫星上搭载了紧凑型高分辨率成像光谱仪（CHRIS）。

“

CHRIS数据包含62个光谱波段，光谱范围为0.4～1.05μm，轨道高度556km，空间分辨率和幅宽分别为34m和14km。

然而，与丰富的航空HRS系统相比，目前在轨民用高光谱卫星数量有限。

此外，由于高光谱探测器阵列尺寸的限制，星载HRS系统所获数据空间分辨率低且幅宽较窄。

近几十年来，中国在民用星载HRS系统的发展中发挥了重要作用，成功设计并发射了一系列高光谱卫星，并应用于各种场景。

图1 展示了中国星载HRS传感器的发展历史，包括卫星高光谱成像仪、月球探测器和载人航天实验平台。

图 1. 中国星载HRS传感器的发展历史

表1 总结了这些传感器的详细参数。

表 1. 中国星载HRS传感器参数

神舟三号（SZ-3）飞船搭载的中国中分辨率成像光谱仪（CMODIS）是中国研制的第一台星载高光谱成像仪，随后还成功发射了环境一号（HJ-1A）、天宫一号（TG-1）、SPARK、高分5号（GF-5）和珠海1号等一系列对地观测高光谱卫星。

高分五号是世界上第一颗覆盖全光谱范围的高光谱卫星，实现了对陆地和大气的同时观测。

珠海一号是我国首个商业微小卫星星座，由10颗高光谱卫星组成，极大地提高了星载HRS的时间分辨率。

高光谱成像仪也可以用于大气监测，如2008年至2017年陆续发射的FY-3系列卫星上的中分辨率光谱成像仪。

除对地观测外，中国月球探测计划（CLEP）中也使用了高光谱成像仪，例如嫦娥系列卫星使用的基于萨格纳克效应的成像干涉仪（IIM）和玉兔月球车使用的可见光和近红外成像光谱仪（VNIS）。

我国星载高分辨成像技术的发展，主要得益于微型卫星技术和高光谱成像技术的成熟。

如表1所示，为满足大尺度观测的需要，星载HRS的幅宽逐步提高，其中珠海一号幅宽达到150km，空间分辨率10m。

此外，HRS卫星星座组网也是一个发展趋势，因为它可以进行联合观测，从而大大提高HRS的时间分辨率。

本文介绍了我国星载HRS的最新进展，包括典型的星载HRS系统及其相应的高光谱图像处理和应用。

下文由四个部分组成：

第二节介绍了我国民用星载HRS系统；

第三节重点介绍了相关的数据处理方法，如预处理、分类、检测、检索和数据融合；

第四节总结了我国星载高光谱系统的典型应用案例；

第五节讨论和分析了星载HRS的发展趋势和不足。

2 中国星载高光谱卫星

本节旨在详细分析中国星载HRS系统的特点，包括SZ-3 CMODIS、FY-3系列、HJ-1A、TG-1、SPARK、GF-5和珠海一号。

>>>>

2.1 SZ-3 CMODIS

中国研制的第一台星载高光谱/多光谱传感器是中国国家航天局（CNSA）于2002年3月25日发射的神舟三号飞船上搭载的中国中分辨率成像光谱辐射计（CMODIS）（Chen等人，2003）。

神舟三号飞船在轨运行时不仅开展了载人航天试验，同时也进行了光谱传感器的空间应用试验。

CMODIS传感器是为研究海洋、陆地和大气而设计的，在轨期间对地球进行连续的遥感观测。

CMODIS传感器的详细参数见表2。

表 2. CMODIS传感器参数

“

该卫星完成了近400个轨道的观测，直到2002年4月1日SZ-3号航天器结束任务。

与传统的多光谱遥感数据相比，CMODIS的光谱分辨率有了很大的提高。

CMODIS传感器是中国第一台星载高光谱成像仪，也是世界上第一台在可见光和近红外（VNIR）、短波红外（SWIR）和热红外（TIR）光谱范围内具有连续波段的星载高光谱成像仪。

>>>>

2.2 嫦娥系列

月球是地球唯一的天然卫星，也是离地球最近的天体，平均距离为384400公里。

自20世纪50年代发射“月球一号”月球探测器以来，全世界已经执行了100多次探月任务。

研究人员在月球表面发现了100多种矿物，其中许多是地球上的稀有矿物，是地球自然资源的重要补充和储备。

中国的探月任务被称为中国月球探测计划（CLEP）。CLEP由三个阶段组成，即“绕” “落” “回”。

迄今为止，中国已经发射了嫦娥一号、嫦娥二号、嫦娥三号和嫦娥四号四个月球探测器，其中嫦娥二号和嫦娥四号分别是嫦娥一号和嫦娥三号的备份星。

表 3. 嫦娥传感器参数

“

嫦娥一号探测器于2007年10月发射，主要目的是执行绕月任务，获取月球全球图像。

嫦娥一号搭载了八套仪器，包括一台高光谱成像仪和基于萨格纳克的成像干涉仪（IIM，详见表3）（Marzi、Marinoni和Gamba 2019），旨在通过对70°N至70°S的近84%月球表面的观测，分析月球表面矿物的化学成分。

“

嫦娥一号探测器经过495天的在轨观测，于2009年3月结束任务。根据嫦娥一号卫星的高光谱观测数据，生成了高空间分辨率的月球铁和钛含量图。

嫦娥三号探测器实现了CLEP的首次月球软着陆，其搭载的玉兔号月球车也成功在月球表面进行了勘测。玉兔号月球车上的VNIS传感器（Xiao等人，2015年）覆盖了450–950 nm和900–2400 nm的光谱范围。

默认的光谱采样间隔为5nm，共有400个波段。

VNIS传感器的主要规格如 表3所示。

在月球车的运行过程中，获得了月壤的高光谱图像和反射光谱曲线。玉兔号月球车工作了972天，于2016年7月31日停止运行。

嫦娥一号IIM和嫦娥三号VNIS数据下载链接：

http://moon.bao.ac.cn/index.jsp

>>>>

2.3 风云三号系列

为满足天气预报、环境监测的需要，风云三号系列卫星于2008年5月27日发射升空。

(http://fy4.nsmc.org.cn/nsmc/en/satellite/FY3.html)

作为中国第二代极轨气象卫星，风云三号卫星不受天气条件影响，在平均轨道高度836公里、轨道倾角98.753°的近极太阳同步轨道上实现全天时、全天候全球观测。

迄今为止，FY-3A、FY-3B、FY-3C、FY-3D和FY-3E卫星已成功发射，其中FY-3A卫星已于2018年3月停止运行。

FY-3A、FY-3B和FY-3C卫星搭载中分辨率光谱成像仪1型（MERSI-1），该成像仪由19个VNIR（0.4–2.1μm）通道和一个TIR通道（10–12.5μm）组成。

FY-3D和FY-3E则配备了MERSI-2传感器，该传感器集成了MERSI-1传感器的功能以及可见光和红外辐射计（VIRR）。MERSI-2传感器拥有0.4-12.5μm的光谱范围内25个通道，是世界上第一台能够获取250米分辨率红外分裂窗口数据的成像仪器。

风云三号卫星每天可以获得250米分辨率的真彩色图像，数据间没有缝隙，还可以获得高精度的定量反演参数，如大气、云、气溶胶、水汽等数据。

因此，风云三号卫星为中国提供了重要的环境监测数据。

表4 列出了MERSI-1和MERSI-2传感器的主要技术规格。

表 4. MERSI-1和MERSI-2传感器参数

FY-3A/B/C/D/E的组网联测大大缩短了观测数据的更新间隔。MERSI-1和MERSI-2能够每5.5天对同一地区进行一次重复观测。

由于具有全球观测能力，MERSI-1和MERSI-2传感器可用于：

为全球气候变化研究提供数据集；

监测大规模自然灾害和地表生态环境；

为全球航空、航海等各种专业活动提供气象信息。

FY-3数据下载链接：

http://satellite.nsmc.org.cn/PortalSite/Default.aspx

>>>>

2.4 环境-1A卫星高光谱成像仪

为实现对生态破坏和环境污染的大范围、全天候、全天时动态监测，我国研制了环境一号（HJ-1）卫星系统，由两颗光学卫星（HJ-1A、HJ-1B）和一颗雷达卫星（HJ-1 C）组成 。

(http://www.mee.gov.cn/home/ztbd/rdzl/wxyg/hjwx/201210/t20121010_.shtml)

HJ-1A卫星于2008年9月6日发射，搭载了一台高光谱成像仪，其具有115个光谱波段，覆盖范围为0.45–0.95μm（Liao、Zhang和Bao，2012年）。

HJ-1A高光谱成像仪（HSI）的主要技术指标见表5。

表 5. HJ-1A传感器参数

“

HJ-1A在太阳同步轨道上运行，重访周期为4天。HJ-1A卫星轨道高度649.093km，轨道倾角97.9486°。

HJ-1A和HJ-1B形成一个卫星网络，在同一轨道平面上环绕地球，形成互补观测。

我国大部分地区每天都可以进行重复观测，这将大大缓解我国对地观测数据的不足，提高对环境和生态变化以及自然灾害的监测能力。

HJ-1A高光谱数据已广泛应用于水资源和农业领域，如水体中叶绿素浓度的估算和作物物候图的绘制等。

HJ-1A数据下载链接：

http://www.chinageos.cn/dsp/home/index.jsp

>>>>

2.5 天宫一号（TG-1）高光谱成像仪

天宫一号（TG-1）空间实验室是中国于2011年9月29日发射的第一台自主研制的载人航天实验平台。

在该任务中，TG-1星载模块支持环境监测实验。

TG-1上搭载的高光谱成像仪是当时国内最先进的空间光谱成像仪，由上海技术物理研究所（SITP）和中国科学院长春光学精密机械与物理研究所（CIOMP）研制。

TG-1的主要技术规范见 表6（Lv等人2015）。

TG-1高光谱成像仪提供VNIR光谱范围（0.4–1μm）内的64个波段，以及SWIR光谱范围（1.0–2.5μm）内的64个波段。

TG-1是EO-1 Hyperion高光谱数据的重要补充来源，而且TG-1的大部分规格接近甚至超过了EO-1 Hyperion，特别是在数据幅宽方面。

TG-1主要用于空间和土地覆盖应用的科学研究。

目前，TG-1高光谱数据已应用于森林防火、油气勘探、水文生态监测和地质调查等领域。TG-1于2016年3月16日正式终止数据服务，结束了其历史使命。

表 6. TG-1与EO-1，主要技术规范比较

TG-1 HSI数据下载链接：http://www.msadc.cn/sy/.

>>>>

2.6 SPARK宽幅高光谱成像仪

宽幅高光谱成像微型卫星SPARK-01和SPARK-02于2016年12月22日通过TanSat卫星发射。

作为微型卫星，“SPARK”卫星系统的总重量只有47公斤，而星载宽幅高光谱成像仪的重量只有10公斤。

SPARK宽幅高光谱成像系统的主要参数如表7所示(https://www.myorbita.net/)。

表 7. SPARK宽幅高光谱成像系统的主要参数

SPARK具有160个光谱波段，光谱范围为400–1000 nm。值得注意的是，在700km的轨道高度上，SPARK的数据幅宽达到100km，是EO-1（7.65km）条带宽度的10倍多。

通过SPARK-01和SPARK-02的配合，幅宽可以达到200km。SPARK宽幅高光谱成像仪可用于全球范围内的快速数据采集和环境动态监测。

通过SPARK卫星网的观测，每天可以覆盖地球表面2500km×6000km的区域，获得超过400GB的高光谱数据。

SPARK宽幅高光谱成像仪可在一个月内覆盖全国，观测数据可应用于农业预报、病虫害监测、环境保护、灾害监测等领域。

>>>>

2.7 高分五号高光谱成像仪

2018年5月9日发射的高分五号（GF-5）卫星是中国国家航天局中国高分辨率地球观测系统（CHEO）的一部分。

GF-5由上海航天技术研究院研制，搭载VNIR、SWIR高光谱传感器、温室气体探测器、光谱成像仪、差分吸收光谱仪、大气环境红外探测器、多角度偏振探测器等6种仪器，设计寿命8年。

值得注意的是，GF-5是世界上第一颗覆盖全光谱范围的高光谱卫星，使其能够实现对陆地和大气的全面观测。

GF-5卫星上先进高光谱成像仪（AHSI）的主要参数列于 表8（Liu等人2019b）。

表 8. GF-5卫星上先进高光谱成像仪（AHSI）的主要参数

GF-5卫星轨道高度705km，以太阳同步轨道绕地球运行，空间分辨率30m，宽60km。先进高光谱成像仪作为VNIR和SWIR高光谱成像仪，其光谱范围为0.4–2.5μm（2019b），覆盖330个波段。

先进高光谱成像仪与多光谱成像仪联合观测，每5天可对中国境内和沿海地区进行一次重访。

先进高光谱成像仪是世界上第一台同时考虑大幅宽和宽光谱范围的星载高光谱成像仪，缩短了重访时间，提高了观测规模。

>>>>

2.8 欧比特高光谱卫星

珠海一号星座是我国首个商用微纳卫星星座，由珠海欧比特宇航科技股份有限公司设计(https://www.myorbita.net/)。

珠海一号星座由34颗微型卫星组成，包括12颗视频卫星、2颗高空间分辨率卫星、2颗雷达卫星、8颗红外卫星和10颗高光谱卫星。

截至目前，已分别于2017年6月15日、2018年4月26日和2019年9月19日发射了三批卫星，包括5颗视频卫星和8颗高光谱卫星。珠海一号具有较高的空间、光谱和时间分辨率。

欧比特高光谱卫星（OHSs）搭载了同类型的高光谱成像仪，该成像仪具有256个光谱波段，光谱范围为0.4–1.0μm(https://www.myorbita.net/)。

值得一提的是，OHS的波段数是用户可编程的。光谱波段的数量可根据用户要求进行调整，允许用户从总共256个波段中选择32个波段。

OHS在轨道高度为500km、轨道倾角为98°的太阳同步轨道上运行，条带宽度和空间分辨率分别为150km和10m。

八颗OHSs已经形成了一个地球观测卫星网络。

当10颗高光谱卫星在轨运行时，对地观测能力将进一步提高。由10颗卫星组成的联合观测网每2天可覆盖地球一次，每年182次。

表9 列出了OHS HSI传感器的主要技术规格。

表 9. OHS HSI传感器的主要参数

珠海一号卫星作为商用高光谱卫星，将极大地丰富了星载高光谱数据资源，可以为科学研究和工业应用提供服务。

OHS HSI数据下载链接：https://www.obtdata.com/#/dataExpress

>>>>

2.9 ZY-1 02D高光谱成像仪

ZY-1 02D卫星（5m光学卫星）于2019年9月12日发射升空，是自然资源部主持的中分辨率遥感业务卫星。

ZY-1 02D是ZY-1 02C的后续产品，拥有高光谱分辨率和中等空间分辨率，服务于宽幅观测和定量遥感任务。

ZY-1 02D是我国第一颗自建的商用高光谱卫星，已成功运行，将在自然资源调查和监测中发挥重要作用。

ZY-1 02D高光谱成像仪的主要技术指标见 表10。

表 10. ZY-1 02D高光谱成像仪的主要技术指标

ZY-1 02D携带一个VNIR传感器和一个高光谱成像仪。

ZY-1 02D 高光谱成像仪具有166个波段，包括VNIR范围内的76个波段和SWIR范围内的90个波段，光谱范围为0.45–2.5μm。

VNIR范围内的光谱分辨率为10 nm，SWIR范围内的光谱分辨率为20 nm。空间分辨率为30m，幅宽为60km。

ZY-1 02D卫星设计寿命为5年。

在太阳同步轨道上，ZY-1 02D每55天就能重访地球上的同一区域。

此外，ZY-1 02D还将与后续卫星组成卫星星座，进一步增强覆盖和重访能力。

>>>>

2.10 天问一号光谱仪

中国首个火星任务“天问一号”于2020年7月23日发射升空，计划航行约7个月到达火星，绕火星轨道飞行2至3个月后在火星表面着陆。

“天问一号”将对火星电离层、磁场、地质构造、土壤矿物组成、地下水/冰分布、宇宙射线粒子等进行科学探测，实现中国在深空探测领域的技术跨越。

“天问一号”搭载了一个轨道飞行器和一个由着陆器和火星车组成的陆地探测器，其中火星车搭载了用于分析火星土壤和矿物成分的光谱仪。

天问一号光谱仪的主要技术指标见 表11。

表 11.天问一号光谱仪的主要技术指标

天问一号光谱仪的光谱范围为0.45-1.05μm和1.0-3.4μm，光谱分辨率分别为10 nm（0.45-1.05μm），12 nm（1.0-2.0μm），25 nm（2.0-3.4μm），视场（FOV）为12°，数字化12位，重量小于8 kg。

3 高光谱图像处理技术

高光谱图像具有连续光谱信息，这是其相对于传统多光谱遥感图像的独特优势，也推动了高光谱图像处理新方法的发展（Zhang和Du 2012）。

然而，由于高维、低空间分辨率、光谱混合问题以及噪声和大气效应，高光谱图像处理是一项具有挑战性的任务。

星载高光谱遥感的处理框架如 图2 所示

包括数据预处理（即辐射定标和几何校正）、数据增强（即去噪、去条带和数据融合）和数据处理（即分类、目标和异常探测以及定量反演）。

图 2. 星载高光谱遥感的处理框架

本节回顾和分析了我国高光谱图像处理与分析的最新进展。

>>>>

3.1 数据预处理

3.1.1 辐射定标

辐射定标是星载高光谱图像预处理的一个重要组成部分，它涉及到地面真实光谱辐射或反射率的反演。

根据传感器的状态，辐射定标可分为飞行前定标和飞行中定标（包括机载定标和替代定标）（Dinguirard和Slater 1999）。

飞行前需测量：

绝对辐射定标系数

光谱响应和均衡系数

飞行前定标又分为

实验室定标

野外定标

卫星发射后，利用卫星上的定标设备对传感器进行辐射定标，称为星上定标。

替代定标 是指在卫星运行过程中，从地球表面选择某一场景作为替代目标，通过对该替代目标的观测，实现对传感器的辐射定标。

由于必须对机载系统进行监测，以评估其潜在退化，因此需要开发基于地表自然场景的定标方法（Dinguirard和Slater，1999年）。

例如，Zhang等人（2018）为SPARK 01和02星建立了替代辐射定标程序。

该方法包括暗电流的计算和非均匀校正过程。

暗电流的计算是通过平均夜间在广阔海域获得的多行长条带图像来实现的，而非均匀校正过程则是使用卫星偏航角修改为90°后获得的图像进行的。

针对OHSs获取的高光谱数据，Wang等人提出了一种基于偏航数据谐波分析的无场相对辐射定标方法，称为谐波分析辐射定标（HARC）算法（Wang，Yang，and Wang 2020）。

中国的卫星定标场，如甘肃的敦煌定标场、青海的青海湖定标场和内蒙古的包头定标场，通常用于进行卫星传感器的绝对定标。

这些定标场通常面积较大，地表类型统一，无云，地面代表性良好，可作为参考反射对象。

敦煌定标场

位于中国西北部的甘肃省。

敦煌辐射定标场大部分区域没有植被，物质组成均匀，地形平坦，稳定性和均匀性高（Hu et al.2010）。

该站点的中心区域是用于卫星校准的同步观测区域。

该区域在VNIR波段的表面反射率约为14～25%，在SWIR波段的表面反射率约为30%。

该区域的表面光学性质良好，反射比变化不大。随着观察视场的增大，光学均匀性进一步提高。

场地反射率基本位于卫星遥感器动态范围的中间部分，满足大多数卫星遥感器在轨辐射定标的要求。

因此，该站点主要用于遥感卫星VNIR波段的辐射定标。

青海湖辐射定标场

位于青藏高原东北部。

青海湖水面温度分布均匀，湖面温度变化小于1℃，海拔较高，气溶胶粒子较少，气溶胶光学厚度约为0.1（Wang et al.2015b）。

青海湖辐射定标场已广泛应用于TIR波段内遥感卫星的绝对在轨辐射定标，也可进行VNIR波段的低反射率辐射定标试验。

包头标定场

位于内蒙古中部地区，地形平坦，气候干燥，大气能见度好。

占地300平方公里，海拔1270m。校准地点包括沙漠和永久性人工校准目标。

有一个自动观测系统，用于反演野外光谱特征和大气参数（Pang等人，2019年）。

3.1.2 几何定标

几何处理是高光谱图像预处理的一个重要组成部分，通过对数据的预处理，可以从高光谱图像中提取地物的几何信息。

根据控制信息的获取方式，几何定标可分为两类：

基于地面标定场的几何定标方法

基于地面定标场的定标方法是利用在轨卫星的定标场图像与定标场的数字正射影像和数字高程模型数据进行匹配，得到密集控制点。

自主几何定标方法

自主几何定标方法利用在轨传感器获取不同观测角度的多幅图像，通过图像匹配获得连接点信息，只需少量控制点，大大降低了对参考数据的依赖性。

目前，已有学者提出了珠海一号高光谱卫星数据的几何处理方法，包括几何校正和基本产品生成算法（Jiang等人，2019）。

>>>>

3.2 数据增强

3.2.1 去噪

随着光谱分辨率的提高，受成像设备的影响，高光谱图像在采集、转换、传输、压缩和存储过程中不可避免地受到噪声的污染，包括死像素和条带噪声（Chang和Du 2004）。

高光谱图像去噪是指通过后处理技术降低图像噪声，提高图像质量。

与自然图像相比，高光谱图像具有光谱冗余的特点。

然而，当对高光谱图像去噪时，逐带去噪策略并没有利用高光谱图像的光谱冗余。

早期，基于统计的去条带方法利用了直方图（Horn和Woodham 1979）和传感器的参数（Gadallah、Csillag和Smith 2000）。

随后，基于滤波器的方法则采用傅里叶滤波器（Pan和Chang 1992）和小波滤波器（Torres和Infante 2001）来去除条带噪声。

Rudin等人（1992）提出了一种正则化模型，通过最小化梯度平方和来去除高斯噪声。

Fan等人（2018）利用张量分解实现了高光谱图像去噪，保持了空间光谱的连续性。

Zhang等人提出了一种基于空-谱梯度信息的高光谱图像混合噪声去除方法。

有学者也提出了使用卷积神经网络（CNNs）的基于学习的方法（Chang et al.2018）来去除高光谱图像中的噪声。

由于采集系统在扫描和变换过程中的各种故障，高光谱图像中经常存在死像素（Wang、Yang和Wang 2020）。

连续死像素严重阻碍了视觉图像的感知，并可能使得在后续应用中使用到损坏的高光谱图像。

针对TG-1高光谱VNIR波段数据，Yao等提出了一种名为HyInpaint的高光谱修复方法，该方法将原始高光谱图像表示在低维子空间上，并在给定的基上对子空间表示系数进行形式化估计（Yao et al.2017）。

由于许多退化因素的影响，如大气条件、定标错误和传感器缺陷等，星载高光谱图像经常受到条带噪声的污染（Zhong等人，2020），这需要通过去条带技术来解决。

2020年，Zhong等人提出了对EO-1 Hyperion、HJ-1A和SPARK数据进行解谱的星地协同去条带网络（SGIDN），其中提出了一种星地一体化策略，以获得无条带像对，这些都是基于学习的方法所必需的。

由SGIDN算法获得的HJ-1A和SPARK 高光谱去条带结果如图3所示。

Li，Zhong，and Wang（2019）还提出了一种独特的OHS数据去条带算法，采用自适应矩匹配法和多级单向全变分法去除条纹，并基于分段线性最小二乘拟合的模型来恢复第一步中丢失的垂直细节。

图 3. SGIDN算法获得的HJ-1A和SPARK 高光谱去条带结果

3.2.2 超分辨率与数据融合

高光谱影像往往受到低空间分辨率的制约（Di et al.2008），这是光学遥感系统设计中光谱分辨率与空间分辨率相互制约的结果（He et al.2008）。

例如，GF-5卫星的空间分辨率只有30m，HJ-1A卫星的空间分辨率只有100m。

数据融合和超分辨率重建技术是提高高光谱图像空间分辨率的有效途径。

高光谱图像与多光谱图像的数据融合是一个研究热点，其目的是将多光谱图像的精细的空间上下文信息融合到高光谱图像中。

数据融合方法可分为：

光谱数据融合方法

光谱数据融合旨在通过融合波段来保留最有用的光谱信息（Jacobson和Gupta 2005）

空间数据融合方法

空间数据融合旨在通过融合多个低分辨率图像来提高图像的空间分辨率

空间光谱数据融合方法

空间光谱数据融合通过融合高光谱图像的不同部分来实现超分辨率（Qian和Chen 2012）

多源数据融合方法

多源数据融合通过合并其他高空间分辨率的可用图像来实现超分辨率（Zhang、De Backer和Scheunders 2009）

超分辨率重建技术是提高高光谱图像空间分辨率的另一种方法。

其中，基于深度学习的超分辨率重建方法旨在学习从低空间分辨率图像到高空间分辨率图像的映射。

例如，Mei等人（2017a）提出了一种基于CNN的框架，通过同时考虑空间背景和光谱相关性来实现高光谱图像的超分辨率。

此外，Mei等人使用3D卷积来利用相邻像素的空间上下文和相邻频带的光谱相关性（Mei等人2017b），缓解了直接将传统的基于CNN的超分辨率算法应用于高光谱图像时产生的光谱失真。

>>>>

3.3 分类

分类制图是遥感技术的关键应用之一，并广泛应用于地形绘图、城市规划、矿产资源检测、环境检测、军事侦察等领域(Lv et al. 2015)。

图4 展示了利用高分5号高光谱数据绘制土地覆盖类型图。

高光谱图像分类根据是否利用空间信息分为

光谱分类方法

空-谱分类方法(Ghamisi et al. 2017b)。

图 4. 利用高分5号高光谱数据绘制土地覆盖类型图。（a）高分5号高光谱数据 （b）分类图

光谱分类器（spectral classifiers）即高光谱图像的每个像素被认为是一系列光谱测量的组合，不包含空间信息。

Ghamisi 等人深入地比较了使用最广泛的光谱分类器，包括支持向量机（SVM）(Melgani and Bruzzone 2004), 随机森林(RF)(Gislason, Benediktsson, and Sveinsson 2006), 反向传播神经网络(Benediktsson、Swain和Ersoy 1990)、极限学习机（ELM）(Pal 2009)、旋转森林(Xia et al. 2014)、典型相关森林(Xia, Yokoya, and Iwasaki 2016)和一维(1-D)深度CNN (Chen et al. 2014b)。

深度学习对近年高光谱图像研究功不可没。与浅层模型相比，深度学习模型能提取高层次、结构化和抽象的特征。

其中，自编码模型是一种典型的基于深度学习的高光谱图像分类方法。

自编码模型包括

堆叠自编码（stacked autoencoder）

带有稀疏约束的自动编码器（Tao等人, 2015）。

深度信念网络（Deep belief networks）学习光谱特征后也被用于分类(Chen, Zhao, and Jia 2015)。

空-谱分类器（spectral-spatial classifiers）即高光谱图像通过相邻像素的空间关系进行分类。空间信息在高光谱图像分类中的应用是多种多样的。

Ma等人（2014）提出了通过结合基于对象的分割与支持向量机（SVM）的融合空间信息得混合分类方法。

该方法采用两种混合分类策略：多分辨率分割算法和多尺度的流域分割，并应用到TG-01高光谱城市数据。

另外，Lv等人（2015）提出了空-谱联合上下文稀疏编码方法（Spatial-spectral joint contextual sparse coding）的高光谱图像分类方法。方法主要包括三个部分：字典构造、稀疏系数解算以及SVM分类。

首先，从真实数据中选择样本进行训练，获得字典；其次，基于学习的字典，计算每个像素的稀疏系数；最后，将稀疏系数输入到SVM分类器中获得最终的分类结果。

Jiao等人（2019）利用层次分类框架对滨海湿地进行了分类。

该方法利用决策树（decision tree）提取土地覆盖类型(建筑物、农作物、植物和湿地)，并利用SVM将光谱信息和空间信息进行分类。

深度学习是计算机领域研究热点，在许多任务中都表现出了优异的性能。

Qi等人（2019）提出了一种新型的级联森林模型（cascade forest model）以克服传统深度神经网络的缺陷，例如需要大量训练样本和优化大量超参数。

改进的级联森林模型是层的累积，每层由两个决策树森林和一个逻辑回归分类器组成。和传统的模型相比，在保证算法精度的同时，该方法将森林数量从4个减少到2个。

在空-谱特征融合方面，基于深度学习的方法比传统机器学习算法的表现更好。

在卷积神经网络模型中（CNN），基于深度学习的方法可以分为patched-based方法和基于全卷积神经网络（fully convolutional neural network）的方法

Qi等人（2019）提出了一种由3D CNN和卷积长时记忆(CLSTM)网络组成的联合分类框架（Patched-based），用于高光谱图像分类，简称为SSCC。

其中，3D CNN用于学习空-谱特征，然后利CLSTM提取序列特征。全卷积神经网络被应用到高光谱图像分类，利用了图像的全局空间信息，还避免了patch-wish分类方法中计算冗余。

但是，由于高光谱图像的训练样本往往稀少，全卷积神经网络传统的训练策略不适用于高光谱图像分类。

因此，Xu等人（2020）提出掩膜矩阵（mask matrix）在训练阶段辅助反向传播。

Zheng等人（2020）在FPGA框架中提出了全局随机分层抽样器（A global stochastic stratified sampler）。

Xu等人（2020）利用条件随机场（CRF）模型来平衡全卷积神经网络的局部和全局信息。

>>>>

3.4 目标探测和异常探测

根据是否有先验知识，高光谱目标探测可大致分为两类：

基于异常的目标探测方法

基于特征的目标探测方法(Nasrabadi 2014)。

3.4.1 基于特征的目标探测

基于特征的目标探测方法提前已知目标的特征。

传统的基于特征的目标探测方法由二元假设检验衍生而来，即每个像素存在两种假设，H0假设（target absent）和H1假设（target present）。

另外，统计分布可以近似估计高光谱数据分布，例如高斯分布或卡方分布。然后使用似然比(LR)(Lee and Carder 2007)或广义似然比(GLR)检验(Kraut and Scharf 1999)来构造恒虚警率探测器。

典型方法有各种子空间探测算法，例如正交子空间投影法OSP（Orthogonal Subspace Projection, Harsanyi and Chang 1994） 、匹配子空间探测器（Matched Subspace Detector, Scharf and Friedlander 1993）、自适应一致性余弦估计（Adaptive Coherence/Cosine Estimator, Kraut and Scharf 1999; Manolakis 2005）。

OPS算法通过构造与背景子空间正交的子空间来实现对背景的抑制。

MSD算法先构造目标子空间和背景子空间，然后构造GLR探测器。

ACE算法的原理与MSD算法相似，但构造子空间的方法不同。

最近，稀疏表达被成功应用于目标探测。

基于稀疏度的探测器原理是：背景在低维背景子空间，而目标在低维目标子空间。

Chen等人 (2011)首先将稀疏表示应用于高光谱图像的目标探测。

基于同样的原理和方法，研究者们提出了很多改良的算法。基于稀疏度的探测器利用训练样本分别构建目标字典和背景字典，分别表示目标和背景。

受益于所构建字典的完备性，可以用许多原子来描述一种材质，从而解决了光谱变异性问题（Sakla等人， 2011）。

除此之外，为解决光谱变异性问题的同时，进一步利用高光谱图像的空间信息，不少学者（Gu et al. 2015; Zhao et al. 2013; Wu et al. 2019; Zhang et al. 2017）利用自适应局部窗口或邻域的空间相邻信息，将稀疏表达与空间-上下文模型相结合。

3.4.2 异常探测

异常探测旨在探测光谱特征与周围背景的显著差异。

和基于特征的目标探测相比，异常探测没有关于异常目标的先验特征。

如此一来，背景估计与抑制是高光谱异常探测任务中的关键问题。

为此，统计方法利用先验统计分布来估计背景。此类方法包括著名的RX探测器（Reed-Xiaoli detector）（Reed and Yu 1990）。

以及在其基础上，基于Mahalanobis距离改进的一系列方法，例如正则化RX探测器（Nasrabadi 2008）、分段RX探测器（Matteoli, Diani, and Corsini 2010）、加权RX探测器（Guo et al. 2014）。

然而，统计分布假设通常与真实数据不一致，因此，有学者提出了基于表示的方法。

例如，Peng等人（2015） 提出了基于协作表示的探测器，基于观察，背景像素可以近似地表示为周围像素的线性组合，而异常（目标）则不能

通常高光谱图像的背景具有低秩属性，而异常（目标）具有稀疏属性。

因此，学者（Donoho 2006; Wright et al. 2009; Candes et al. 2011）利用低秩先验探测异常值，形成了一系列基于低秩的方法。

在此类方法中，将高光谱异常探测问题建模为低秩稀疏矩阵分解问题，从而将异常目标与背景分离。

基于低秩的方法可以大致分为两类：

基于RPCA（Robust Principal Component Analysis）的方法

基于RPCA的方法直接将低秩和稀疏约束放在原始的高光谱数据矩阵上求解。LSMAD（Zhang et al. 2015）就是其中一个例子。

基于LRR的方法（Low-Rank Representation）

与基于RPCA的方法不同，基于LRR的方法将低秩和稀疏约束放在稀疏编码系数矩阵上求解，稀疏编码系数矩阵来自于基于光谱字典的高光谱数据的稀疏编码。

LRASR（Yang et al. 2016) 和ADLR（Ying et al. 2018）是其中两个例子。

自编码器可以学习到高光谱数据的层次化、抽象和高级特征，因此被应用到高光谱异常探测中。

基于自编码器的方法利用自编码器自动提取图像的潜在特征，然后设计探测器实现异常探测。

例如SC_AAE方法（Xie等人，2019）

SC_AAE方法在对抗性自编码器中加入光谱约束，学习预处理后的高光谱数据的潜在特征，接着利用bi-layer结构实现异常探测。

>>>>

3.5 光谱解混

由于低空间分辨率、光子的多次散射和显微混合等因素，高光谱图像存在严重的混合现象（mixture effects）。

因此，在高光谱图像中，往往存在许多混合像元包含多种目标。

光谱解混将混合像元的测量光谱分解为不同的“端元”,并求得这些“端元”在像元中所占的比例,称为“丰度”。

光谱解混能有效分析高光谱数据成分，因此被应用到行星科学、化学计量学、材料科学和其他显微医学领域（Dobigeon, et al. 2013）。

更准确地说，解混是一个广义反问题，它用观测信号估计参数来描述一个对象（Tarantola and Valette 1982）。当入射光与瞬时视场内的所有目标相遇，发生各种物理相互作用时，观测到的像素光谱受到影响（Heylen, Parente, and Gader 2014）。

通常，解混模型包括两大类：

线性混合模型（LMM）

LMM适用于大型光谱混合场景中，观测到的光子在到达传感器之前主要与单一物质相互作用。

非线性混合模型（NMM）

NMM适合组分关系更紧密的场景中，由于光子与多种组分相互作用（散射），因此，不同组分的混合关系是非线性的。

多数情况下，NMM优于LMM，因为NMM能更好地描述发生在地表的实际相互作用。

基于LMM的光谱解混可大致分两部分：

“端元”提取

“丰度“反演

端元提取是从HRS图像中提取一个相对含量较高的特征光谱向量。

基于几何的方法通过寻找单形的最小体积或最大体积来获得顶点，从而获得端元。

此类方法有PPI算法(Boardman, Kruse, and Green 1995)、VCA算法(Nascimento and Dias 2005)、N--FINDR算法(Nascimento and Dias 2005)和MVES算法（Chan et al. 2009）。

光谱解混也可视为盲源分离（BSS）问题。

独立成分分析（ICA）算法假设多维观测信号是由几个统计上独立的分量组成的。然而，“丰度“的和为 1 的限制意味着各成分不是独立的。因此，可以采用非负矩阵分解（NMF）来解决高光谱盲解混问题。

一些先进的盲解混算法，例如NMF算法（Qian et al. 2011）、MVCNMF算法 (Miao and Qi 2007)和SGSNMF算法（Wang et al. 2017b）都采用了NMF。

稀疏解混假定HRS图像可以认为是一个线性稀疏回归问题。

例如，SUnSAL算法（Iordache, Bioucas-Dias, and Plaza 2011）。

另外，还有一些算法是基于空间的稀疏解混，充分利用图像的空间信息。

例如，NLSU算法(Zhong, Feng, and Zhang 2013)和SUnSAL-TV算法（Iordache, Bioucas-Dias, and Plaza 2012）

辐射传输理论（RTT）(Chandrasekhar 1960)描述了观测到的光子与场景中的物体相互作用时的能量转换。

然而，完全基于物理的非线性解混方法需要场景的先验知识，而先验知识难以甚至有时不能获取。

双线性模型可减少二阶散射的影响。

这些模型在标准线性模型的基础上引入了额外的交互项。主要的区别是它们对额外的约束增加了不同的混合参数。

可以发现，对于观测到的光谱信号，光子的多重相互作用发挥了重要作用，三阶或更高的反射也不能再简单地忽略。

因此，也有学者（Heylen and Scheunders 2016; Wei et al. 2017; Yang and Wang 2018）提出了考虑高阶相互作用的方法。

深度学习由于其数据驱动特性被广泛应用于解混领域。

ENAE算法（Zhu et al. 2019）用作对GF-5数据的非线性解混，包括两个阶段。

第一个阶段是网络结构的初始化，这步决定了编码器的节点数、“端元“和“丰度”的初始值。

第二阶段是非线性解混，这步主要是最小化损失函数。

遥感为我们提供了一种进行大尺度生态和环境监测的有效手段。

Liao等人（2012）采用解混算法和HJ-1A卫星的高光谱图像，提高新疆石河子地区的植被覆盖信息的反演精度。

Wang（2017）等人利用TG-1平台采集的深圳湾地区红树林数据，提出了一种基于高光谱分解的红树林识别方法。

Marzi等人（2019）提出了一种精确估算月球表面矿物丰度分布的方法。此外，他们还提供了月球表面、地球物理组成的详细信息。

>>>>

3.6 定量反演

高光谱图像具有几乎连续的光谱信息，为地表物质属性反演提供了可能。

在中国，高光谱数据已用于大气参数反演（Xiangchao et al. 2020; Chen et al. 2018）、植被属性反演（Yang et al. 2017）和地表温度反演（Chen et al. 2017; Ye et al. 2017; Ren et al. 2018; Chen et al. 2014a）。

3.6.1 大气参数反演

最优估计是大气参数反演中最为著名理论之一。

用观测向量y表示所有测量值，并通过公式（1），利用y来计算状态向量x。

F为模拟卫星探测到的观测大气顶量(TOA)物理过程的前向函数，ξ 是传感器误差。

反演问题可以概括为基于贝叶斯方法的高斯概率密度函数，观测向量中包含的信息量可以用平均核矩阵A表示。如公式（2）：

公式（2）中平均核矩阵A由加权函数矩阵K，计算得来。

Sa是先验误差（prior error），Sξ是测量误差协方差矩阵，表示反演结果对真实状态的敏感性。

加权函数是前向模型对状态向量的偏导数，i表示对状态x的第i次观测，j表示状态x的第j个元素。

平均核矩阵A的对角线元素越接近1.0，那么通过相关参数可以获得更多的信息内容。平均核矩阵A的迹称为信号自由度(DFS)，代表观测向量所提供的独立信息条数。随着测量值的增加，反演参数的先验不确定性在降低。

后验误差a的协方差矩阵 Ŝ用公式（3）表示。

其对角线元素的平方根是反演参数的误差。

因此，关于气溶胶、气体和地表属性可以从先验误差和后验误差之间的DFS和误差减少中获得(Chen et al. 2018)。

气溶胶光学深度（AOD）也可以从高光谱数据中反演，可以大范围、快速地实现对颗粒物分布的监测（2018）。

HJ-1 CCD数据的暗目标反演算法主要涉及TOA的表观反射率表达式。

在大气水平均匀和垂直非均匀假设下，TOA处的表观反射率可以表示为公式（4）。

ρTOA 是在TOA处的表观反射率，ρa(μS,μV,φ)是行星反射率，μS=cosθS；μV=cosθV；θS，θV和θ分别是太阳天顶角和天顶观测角；φ为相对方位角；T为总透过率，Sis为大气反照率。

3.6.2 植被反演

Yang等人（2017）基于合成孔径雷达(Synthetic Aperture Radar, SAR)和HRS数据(HJ-1A/B)，提出了一种稳健、准确、可操作的水稻（物候学）估计方案。

他们首先利用具有时序的光学和SAR数据提取了149个SAR特征和植被指数(VIs)。然后，利用多类相关向量机来识别不同的阶段。

常见植被指数参考表12。

表 12. 常见植被指数

3.6.3 地表温度估计

地表温度(LST)对于研究地表与大气之间的能量交换具有重要意义（Chen等人，2017）。

二次分裂窗方法在地表温度估计中有广泛的应用。然而，在估算低地表辐射率的地表温度时，二次分裂窗口方法的效果较差。

Chen 等人(2017)假设地表比辐射率为固定常数，其余系数保持与黑体条件下相同，采用二次裂窗法计算地表温度。

为了避免大气对地表温度估计的影响，Ye等人(2017)提出了一种非线性四通道分裂窗口算法，利用GF-5数据反演地表温度。另外，在不用的地表条件下，他们根据大气水汽柱的子区间，估计分裂窗口算法的系数。

Tang（2018）基于GF-5的TIR数据，提出利用DTCC-SW方法估计地表温度和海洋表面温度（SST），用不同的热通道组合来估算不同条件下的表面辐射率。

温度和发射率分离(TES)是另一种应用广泛的地表温度估计算法。然而，TES算法对TIR数据的大气校正要求较高，在地表辐射率较低时，TES算法性能较差。

Ren等人（2018）提出了结合二次分裂窗与TES结合的混合算法，提高了地表温度估计的精度。该方法利用TES算法获得初始的LST和地表辐射率。利用该辐射率，通过分裂窗口得到新的LST，然后将新的LST再次应用于TES算法，得到更精细的LST。

总悬浮物（TSM）也可通过高光谱图像反演。

Chen等人（2014）利用HJ-1A数据，采用三波段半解析模型反演了某沿海海域的TSM浓度，由公式（5）表示。

s(λ)是总后向散射系数与某一波长总吸收系数之比，其中，εaa=1.6498, εbb=0.4237。

4 中国高光谱卫星应用

高分光谱遥感图像（HRS）地物识别精度高，能力强，可以准确区分不同地物类型，实现定量反演，为自然资源调查、城市建设管理、农业生产、生态环境监测等提供支持。

中国高光谱卫星技术的快速发展，是为了满足减少污染、环境质量监测、大气成分和气候变化监测、国土资源调查等国家重大需求，同时推动高光谱卫星技术在农业、林业、减灾、城市建设、水利、海洋研究、测绘、统计等部门的应用。

下面介绍中国HRS卫星在这些领域的典型应用。

>>>>

4.1 在农业上的应用

撰写本文时，精准农业已成为《国家农业现代化规划(2016 - 2020年)》的主要目标和方向。

高光谱遥感技术，简单、快捷、低成本且无损的光谱分析技术，在精准农业中得到了广泛的应用。

利用HRS监测作物生长、生理生化特性，估算作物面积和产量，为作物的种植和管理提供保障（Zhang and Li 2019; Shi et al. 2017; Chong et al. 2017）。

通过分析作物不同时期的生理参数，可以建立作物随时间的生长和健康状况，生理参数通过作物的光谱反射率预测。

叶面积指数（LAI）不仅是作物结构的重要核心参数，也是气候生态研究的关键参数之一。

Li等人（2016）对HJ-1 A/B CCD四个冬小麦生长季节图像提取多种特征，来预测冬小麦LAI的连续变化。

含氮量在植物光合作用中起着关键作用，是另一重要作物参数，可以反映作物的营养状况。

例如，Zhou（2016）等人利用PHI机载高光谱数据，提出 “类归一化植被指数(NDVI-like)”，能较好估算冬小麦冠层氮含量（CNC）。

Liang等人（2018）开发了新的高光谱指数：一阶导数归一化差氮指数(FD-NDNI)和一阶导数比值氮植被指数(FD-SRNI)，并从OMIS图像中估算了小麦叶片氮含量(LNC)。

基于高光谱图像的作物分类与制图技术，能够及时获取大面积的作物种植信息。

本文作者利用作物生长高峰期的OHS高光谱数据，实现冬小麦和油菜的分类。

作物分类结果表明，Zhuhai-1 OHS数据用于大面积作物精细制图的可行性。

图 5. 基于OHS高光谱影像的仙桃市作物分类

Shi等人（2017）利用HJ-1A数据提取的光谱特征变量，经过波段选择后，利用SVM方法对青海省黄河流域不同作物进行分类。

Zhang和Li（2019）利用OHS高光谱图像，利用最大似然法和SVM实现冬小麦的精细分类和面积估算。

Yang等人（2008）建立了基于PHI高光谱图像的作物灾害光谱响应与探测模型，并将其与spectral Angle Mapper (SAM)方法相结合，实现了对受条锈病影响的小麦和健康小麦的准确分类与绘图。

Pan等人（2015）利用HJ-1A/B CCD时序图像，提取归一化植被指数(NDVI)，得到中国关中平原农田物候图。这样的大面积作物制图可以为农业管理提供有效的支持。

农作物产量估算是实现农业产值的主要途径，可以通过反演作物的特征参数来直接预测。

例如，Wang（2015）等人利用多时态HJ-1 A/B CCD图像，提取二波段增强型植被指数(EVI2)，对单茬水稻产量进行预测。

Song等人（2004）利用PHI高光谱数据提取归一化植被指数NDVI和光化学植被指数（PRI）, 建立冬小麦产量预测模型。

>>>>

4.2 在林业上的应用

高光谱卫星数据还可应用到林业，包括森林调查、森林生化组成研究、森林健康状况研究、森林灾害分析和外来物种监测等。

利用高光谱卫星数据用作森林制图、森林资源调查，生化和物理因素估计等，为我国林业发展做了巨大贡献。

森林调查主要通过森林类型分类来实现。

HRS影像可以提高森林物种的分类精度，利用高光谱数据分类可以获得更准确的森林物种分布图。

例如，Wang等人（2020）利用GF-5高光谱数据，获得了香港米埔自然保护区4种红树林的高精度分类图，并认为GF-5数据具有改善红树林物种水平监测的潜力。

Xi等人（2019）利用OHS-1数据实现了对亚洲东北部长白山地区7种不同树种的精细区分，并得出结论:深度学习框架与高光谱图像相结合可以有效提高树种分类的精度，从而有助于减少生态系统参数和森林资源估算的不确定性。

叶面积指数（LAI）的估算在森林调查、资源管理、生态学研究和灾后评估等方面也具有重要意义。

例如，Chen等人（2015）基于HJ-1A/B CCD图像，利用非线性自回归网络(NARX)预测海南橡胶林LAI的时空变化。

>>>>

4.3 在地质勘测上的应用

不同的矿物具有不同的光谱响应，可以利用高光谱卫星来对典型矿物和主要岩石类型进行探测。

中国高光谱卫星的发展为我国地质研究作出了重大贡献，特别是在矿产识别与制图、岩性制图、矿产资源勘查、采矿环境监测、矿区生态恢复与评价等方面。

矿物识别和制图是高光谱地质应用的基础，为地质应用提供宏观和区域范围的地物成分及分布的物质信息。

例如，Lei等人（2018）利用TG-1高光谱成像仪SWIR数据，在中国主要金铜镍铬资源带实现了20m分辨率的大面积常规地质调查。

这项研究证明了，可以快速开展白云母、高岭石、绿泥石、绿帘石、方解石、白云石等蚀变矿物的星载勘查，并为各类地形提供连续的高精度矿物地图。

Yang等人（2018）利用GF-5红外高光谱数据实现了硅酸盐、碳酸盐和硫酸盐矿物的精细分类。但是，将HRS数据应用于矿物含量定量反演还有待加强。

>>>>

4.4 在环境上的应用

随着经济的飞速发展，人类活动的不断加剧，环境污染问题也日益突出。

HRS对环境监测越来越重要。

高光谱卫星可用于监测水、土壤和空气环境，满足环境保护、监测、监督、应急响应、评估、规划等需求。

4.4.1 大气污染监测

气候变化是国际社会普遍关注的全球性问题，防治大气污染，改善大气环境质量刻不容缓。

高光谱卫星可以对二氧化氮、二氧化硫、大气气溶胶、温室气体等大气环境要素进行高精度、定量的遥感监测，可以在大空间尺度上确定大气污染物的空间分布和浓度。

搭载在GF-5卫星上的环境痕量气体监测仪(EMI)能够测量在紫外和可见光波段范围的后向散射太阳辐射。

二氧化氮是一种重要的污染气体，Cheng等人（2019）利用EMI实现二氧化氮(NO2)的全球反演，支撑全球空气质量监测。

GF-5卫星上搭载的大气红外超光谱探测仪(AIUS)，采用太阳掩星观测方式，可以测量和研究南极对流层上层和平流层臭氧(O3)和其他痕量气体的化学过程。

Li等人（2019）利用AIUS的示踪气体反演算法，首次从AIUS数据中得到臭氧、水和氯化氢(HCl)的反演结果，用于研究南极上空臭氧的时空变化。

4.4.2 水环境监测

水是生命之源，防治水污染与人类健康息息相关。

高光谱传感器可以反映水质参数的光学特性，通过反演叶绿素、悬浮物、透明度、浑浊度等不同的水质参数来实现水质监测。

早在2000年，Shu等人就利用OMIS-II航空高光谱数据反演叶绿素浓度。

HJ-1A/B高光谱卫星是水环境监测的常用数据源。

例如，Lu等人（2011）将NDVI与归一化差水指数(NDWI)相结合，实现水体提取与制图；

Zhou等人(2014)利用半解析三波段算法估算叶绿素(chl-a)浓度;

Cao等人(2018)利用突变策略和偏最小二乘(MDBPSO-PLS)改进的离散二进制粒子群优化算法，使用一个模型来反演水质指标，包括chl-a、TSM和浊度。

GF-5卫星搭载的AHSI仪器由于其空间分辨率高、光谱波段多，在水色遥感研究中也具有很大的潜力。ASHI数据的特点有利于获取内陆水质参数的细微变化。

例如，Liu等人（2019）利用AHSI数据实现了河流、海洋、盐沼、沟渠等多种水体的分类；

Deng等人基于GF-5数据建立了chl-a浓度的跨阶多波段反演模型，实现了复杂光学性质浑浊水中chl-a的高精度反演。

4.4.3 土壤监测

土壤属性，如有机质、氧化铁含量、养分(影响植被生长的关键因素)和重金属所代表的污染物可以通过其特定的光谱响应来反映。

因此，利用HRS可以反演土壤参数，监测土壤健康和污染状况，从而保护农业生产和生态环境。

Yu等人（2018）利用HJ-1A影像，利用增强光谱变量的逐步回归模型，生成土壤性质(有机碳、全氮、全钾和全磷)的空间分布图。

Li等人(2015)基于HJ-1A影像生成NDVI、正常土壤盐分响应指数(NSSRI)和土壤调整植被指数(SAVI)，对土壤盐分含量进行预测。

Liu等(2019)利用HJ-1A数据，推导了考虑干土壤光谱反射率(DSSR)、水分土壤光谱反射率(MSSR)光谱比值与土壤含水量关系的模型，实现了对土壤重金属含量(砷镉(As)、镉(Cd)、汞(Hg)的估算。

>>>>

4.5 城市研究

快速、高强度的城市化进程极大地改变了城市、区域乃至全球的生态环境。

城市热岛效应——城市气候的显著特征之一。地表温度反演是城市气候环境监测的主要手段。

Xu, Wooster，和Grimmond(2008)利用OMIS数据，基于局地尺度城市气象参数化方案(LUMPS)和空气动力阻力法(ARM)，绘制了不同空间尺度的城市感热通量图。

OMIS数据还可获取城市土地覆盖信息和反演关键地表参数(例如，反照率、地表温度、植被覆盖度、比辐射率)。

Meng和Cheng(2020)利用GF-5卫星的高空间分辨率TIR数据，实现了地表温度估算。

除了城市热岛效应监测外，与城市环境相关的典型应用还有很多。

例如，Li 等人(2016a)利用TG-1数据分类，方法结合基于像素的分类器和基于目标的分割方法，获得了精确的城市覆盖地图，可用于支持城市气候变化建模

5 结论

近几十年来，随着卫星和高光谱成像技术的发展，星载HRS在我国得到了飞速发展，并在各种遥感应用中显示出巨大的潜力。

与此同时，高光谱图像处理一直是我国的研究热点，引起了遥感、信号处理、地球科学等各个领域学者的关注。

本文从星载HRS平台、高光谱图像处理和应用等方面对我国星载HRS进行了全面综述。

最后，总结了我国星载HRS的主要发展趋势：

大幅宽，高空间分辨率。由于探测器阵列尺寸有限，高光谱成像仪的条带宽度、光谱分辨率和空间分辨率难以同时提高。然而，在保持高光谱分辨率和幅宽的同时，提高星载HRS的空间分辨率具有重要的价值。

全光谱范围的超空间观测。近红外 (0.4 ~ 1.0 μm)和短波红外 (1.0 ~ 2.5 μm)是星载HRS常用的光谱范围，但从应用角度看，将其范围扩展到中波红外(MWIR, 3 ~ 5 μm)和长波红外(LWIR, 7 ~ 12 μm)是有意义的。

高光谱卫星网络。卫星组网为微卫星和星载HRS提供了新的方向。

Zhuhai-1卫星就是一个典型的例子，其10个OHSs的联合观测使得全年每2天覆盖地球182次，大大提高了HRS观测的时间分辨率。

原标题：《学术交流 | 中国星载高光谱遥感研究进展》

阅读原文