LiDAR与高光谱数据融合概述
22802 为本文评分:
3.5
LiDAR与高光谱数据融合概述
匿名 2015年12月8日 星期二
我们经常在遥感领域听到 数据融合 这个概念，但它具体指什么呢？简而言之，它指的是将来自多个传感器的数据组合起来，以生成一个比任何单一数据源都包含更详细信息的数据集的过程。传感器本身提供了一个独特的视角并服务于特定目的。然而，来自多个传感器的互补数据可以显著提高特征识别的准确性和可解释性。
数据融合通常分为三个层次（Zhang, 2010）：
-
像素级融合：将来自多幅源图像的原始像素数据合并成一幅单一的图像。
-
特征级融合：从多个数据源中提取不同的对象，生成用于后续处理（如变化检测、图像分割等）的特征图。
-
决策级融合：使用统计或模糊逻辑方法，融合多个算法的结果以得出最终决策。
假设我想研究城市环境中的不同树种。我可以进行实地考察来亲自识别每棵树，但这在大城市中是不可能完成的任务。许多研究表明，将多个机载或卫星数据源融合在一起是解决此问题的有效方法。有关示例，请参阅本文末尾的参考文献部分。
激光探测与测距（LiDAR）数据提供了树木的三维结构信息，如冠层高度和体积。由于其高采样率，LiDAR数据可用于在单株树木级别上估算这些指标。
NEON LiDAR点云，在ENVI LiDAR中按类别着色
NEON点云数据的横截面，在ENVI LiDAR中按高度着色
成像光谱学（也称为高光谱影像）提供了不同物体的光谱特征信息。它有助于区分城市特征与植被，甚至能区分不同树种。城市规划者可以利用成像光谱学来探测覆盖不同屋顶材料、街道和开阔空间的物体。
NEON高光谱图像，附有在ENVI中创建的光谱剖面和3D立方体
通过结合LiDAR和高光谱数据，您可以：
- 创建更准确的城市特征分类图像
- 识别单个树种
- 估算森林生物量
我自己也想了解更多关于这些技术的知识，因此我从国家生态观测网络（NEON）获取了科罗拉多州弗鲁塔市的一些LiDAR和高光谱影像样本。这些数据集非常适合数据融合技术：
-
机载成像光谱仪反射率数据，共428个波段，范围从380至2510纳米，光谱采样间隔为5纳米。空间分辨率约为1米。
-
机载LiDAR点云数据，以及衍生的网格化产品，如数字表面模型、冠层高度模型、坡度、坡向等。
从反射率图像中，我可以衍生出以下栅格产品：
- 主成分
- 使用支持向量机（SVM）算法和场景内光谱创建的分类图像（因为该区域目前尚无地面实况数据）
- 指示植被健康或区分人造特征与场景中其他部分的光谱指数
ENVI中的多视图显示，展示高光谱和LiDAR衍生产品
下一步将是在ENVI中创建一个栅格图层堆栈，其中包含从LiDAR和高光谱数据衍生的各种图像。在创建图层堆栈之前，我需要对这些图像进行配准。然后，我可以在ENVI的Feature Extraction（特征提取）模块中打开图层堆栈，以提取满足特定条件的对象。例如，如果我想提取高于特定高度的建筑物，可以创建一个规则，从数字表面模型中识别出特定范围的高度值，并结合低NDVI值以排除植被。或者，我可以使用高光谱反射率图像以及冠层高度栅格来识别不同的树种。可能性是无穷的！
本文对一个复杂的主题进行了快速概述，但希望能为您提供一些潜在应用的想法。
参考文献
Abbasi, B., H. Arefi, B. Bigdeli, M. Motagh, and S. Roessner. “Fusion of Hyperspectral and LiDAR Data Based on Dimension Reduction and Maximum Likelihood.” The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 36th International Symposium on Remote Sensing of Environment, Volume XL-7/W3 (2015).
Liu, L., Y. Pang, W. Fan, Z. Li, and M. Li. “Fusion of Airborne Hyperspectral and LiDAR Data for Tree Species Classification in the Temperate Forest of Northeast China.” 19th International Conference on Geoinformatics (2011), doi: 10.1109/GeoInformatics.2011.5981118.
Man, Q., P. Dong, H. Guo, G. Liu, and R. Shi. “Light Detection and Ranging and Hyperspectral Data for Estimation of Forest Biomass: A Review.” Journal of Applied Remote Sensing 8 (2014): 081598-1 through 081598-13.
National Ecological Observatory Network. 2014. Data accessed on 14 September 2015. Available on-line (http://data.neoninc.org/) from National Ecological Observatory Network, Boulder, CO, USA.
Ramdani, F. “Urban Vegetation Mapping from Fused Hyperspectral Image and LiDAR Data with Application to Monitor Urban Tree Heights.” Journal of Geographic Information System 5 (2013): 404-408.
Sugumaran, R., and M. Voss. “Object-Oriented Classification of LiDAR-Fused Hyperspectral Imagery for Tree Species Identification in an Urban Environment.” Urban Remote Sensing Joint Event (2007), doi: 10.1109/URS.2007.371845.
Zhang, J. “Multi-source Remote Sensing Data Fusion: Status and Trends.” International Journal of Image and Data Fusion 1 (2010): 5-24. doi: 10.1080/19479830903561035.