无人机高光谱遥感在智慧城市建设中的应用

认知机器人2（2022）255基于无人机的高光谱遥感在智慧城市建设中杨波祥a，b，王顺民a，b，李社磊a，b，周波a，b，赵福军a，b，Faizan Alia，Hui Heca三亚大学信息智能工程学院，三亚572022b陈国良院士团队创新中心，三亚大学，三亚572022c北京师范大学自然科学高级研究院，珠海519087，中国aRT i cL e i nf o保留字：基于无人机的高光谱遥感智慧城市建设地形分类城市绿化分析a b sTR a cT高光谱遥感已成为获取更多精细化信息的重要技术手段，为“智慧城市”的定量分析和精细化管理提供丰富、准确、合理的数据。为了更好地理解和利用高光谱数据，帮助数字城市的建设，本文介绍了高光谱遥感图像的特征和特点的研究。那么如何采集高光谱信息呢城市地面目标的监测，通过无人机和高光谱成像仪 该方法大大提高了城市数据采集的效率。最后，对无人机高光谱遥感和城市地物深度信息挖掘的应用案例进行了详细分析和讨论，如地形分类、城市绿化分析等。研究结果表明，机载高光谱影像（HIS）具有比彩色摄影和多光谱遥感更丰富、更高层次的光谱细节和理化性质，具有独特的优势。1. 介绍智慧城市是利用大数据、云计算、物联网、遥感、人工智能等技术对城市进行多分辨率、多尺度、多时空、多种类的三维描述[1]。城市信息可以建立在地理坐标系上，方便每个人众所周知，测绘、遥感和地理信息技术在智慧城市建设中发挥着越来越重要的作用[3]。作为城市多维信息采集的重要手段，基于无人机的遥感技术具有成本低、效率高、操作灵活、覆盖范围广等优点，广泛应用于应急管理、城市规划、旅游管理、环境监测等智慧城市建设的多个领域[4，5]。简称：无人机，无人驾驶航空器; POS，定位和定向系统; DSM，数字表面模型; DEM，数字高程模型; RoI，感兴趣区域; ReNDVI，红色归一化差异植被指数; ENVI，图像可视化环境; LiDAR，激光雷达; HIS，高光谱图像。通讯作者：三亚大学信息智能工程学院，三亚572022.电子邮件地址：shunminwang@sanyau.edu.cn（新加坡）Wang）。https://doi.org/10.1016/j.cogr.2022.12.002接收日期：2022年10月3日;接收日期：2022年12月9日;接受日期：2022年12月10日2022年12月11日在线提供2667-2413/© 2022作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表认知机器人期刊首页：http://www.keaipublishing.com/en/journals/cognitive-robotics/B. Yang，S. Wang，S. Li等人认知机器人2（2022）2552562. 问题智慧城市的发展与建筑、植被、水体、交通、人口分布、环境、空气质量等信息密切相关[6]，因此，如何准确获取并有效监测城市信息，实现城市可持续发展是智慧城市建设的重要挑战[7]。传统的无人机搭载航空相机光学遥感影像仅由红、绿、蓝三个波段的光信息组成，通过人工目视解译监测建筑物识别效率低、精度有限[8，9]。UAV-LiDAR（激光雷达）可以解决传统航空摄影测量无法完成的任务，如夜间数据采集、植被提取、DEM（数字高程模型）提取、精细结构建模等。但LiDAR的主要问题是成本高、重量大、操作复杂、数据利用率低[10]。光谱分析作为一种重要的自然科学分析手段，常用于检测物体的物理结构、化学成分等指标。图像光谱测量结合了光谱技术和成像技术，以及光谱分辨率和图形分辨率，建立了一个空间维度的表面光谱分析，这就是现在的多光谱成像和高光谱成像技术[11]。该方法不仅可以识别地物的形状和结构，还可以根据地物光谱特征的差异进行地物多光谱图像的主要问题是光谱分辨率低、波段宽，导致多光谱数据对地物信息的表达有限[12]。3. 高光谱遥感高光谱遥感是获取智慧城市更精细信息的重要技术对城市绿化程度和质量、城市工程岩土特性、水污染分析等方面的分析和统计都是必不可少的[13]。高光谱图像是光谱范围为10−2nm且光谱分辨率小于10nm的光谱数据。高光谱图像由n个像素组成，每个像素由M维光谱向量组成高光谱图像包含从可见光到红外光谱区域的数十到数百个连续和分段波段中的物体信息[14]。成像光谱仪获得的高光谱数据，为每个像素提供300-400个窄带光谱信息，生成完整连续的光谱曲线（见图10）。①的人。高光谱数据反映了高分辨率光学信息的特点高光谱传感器使用许多窄的电磁波波段从地面物体获得相关信息。高光谱图像具有很高的光谱分辨率，能够提供地物更多的细节信息，有利于地物理化性质的反演。可以为不同的设施提取其独有的波段特征，从而可以在高光谱数据中检测到原本在宽带遥感中无法检测到的物质[15]。高光谱传感器包括航空航天高光谱传感器、机载高光谱传感器和在不同高度的遥感平台上携带的地面高光谱成像仪，包括卫星、飞机和地面操纵仪器[16]。与星载高光谱遥感相比，机载高光谱遥感具有更高的探测精度。高光谱图像具有小的采样间隔和小于3nm的分辨率。精细的光谱分辨率反映了地面物体光谱不同地物的高光谱分布如图所示。 二、Fig. 1. 多光谱和高光谱数据之间的差异。B. Yang，S. Wang，S. Li等人认知机器人2（2022）255257图二. 不同地物的光谱分布。4. 无人机高光谱图像的数据获取无人机是当前城市高光谱遥感影像数据获取的主要载体。在数据采集过程中，地面操作人员应注意通过无人机的光控系统对光控参数和光控航线进行科学规划，地面参数也要精心设置[17]。当无人机到达预定位置后，地面控制中心向无人机的光控系统发出采集命令，可以有效保证图像重叠率，提高采集效率，获得高质量的图像。高光谱遥感图像获取过程主要分为以下四个步骤：(1) 第一步是确定无人机平台的光参数，包括无人机平台的光高度、光速度和图像重叠率。需要说明的是，这些参数相互独立，在确定参数时相互影响。因此，有必要结合任务的实际要求和设备的性能进行综合考虑。在实际应用中，首先需要确定重叠率以保证图像精度，然后根据分辨率确定光的高度，最后根据相机的频率确定速度。(2)第二步是规划出正确的路线。飞行路线可以通过无人机灯光控制软件提前规划曲折的光线路线通常被设计成可以更全面地拍摄城市地区，而不会出现角落问题。(3)第三步是确定相机参数，主要是确定相机焦距、曝光时间等。焦点决定了图像采集的定义不建议采用自动对焦模式，因为它会导致高光谱成像模糊。相机曝光时间的控制是决定拍摄质量的关键。如果成像仪的曝光时间过长，会丢失一些遥感信息。但如果曝光时间太短，图像的信噪比就会降低。此外，采集过程对环境的光照也有一定的要求。一般来说，高光谱遥感图像应该在两个小时内收集，大约在中午。(4)最后一步是通过无人机携带的高光谱成像采集数据。地面控制器将成像仪镜头调整到垂直向下的位置，在无人机飞行期间可以自动进行图像采集。无人机高光谱遥感的光照图如图所示。3.第三章。5. 地形分类不同的地形具有不同的高光谱曲线，因此可以根据不同的光谱反射率值快速对智慧城市的地形进行分类，如图4所示，为植被、水体、道路、建筑物、车辆的高光谱反射率曲线。从图4（a）中可以看出，植被反射率变化的陡斜率位于第126B. Yang，S. Wang，S. Li等人认知机器人2（2022）255258（）（）图三. 无人机高光谱遥感飞行图。见图4。 不同地形在不同波段的光谱反射率。(Di植被指数）值可以用来区分植被。���������164−���水体的光谱曲线整体较低，变化较为平缓。在226波段的近红外波段（中心波长为900.12 nm），水体的辐射值很低（平均值更少B. Yang，S. Wang，S. Li等人认知机器人2（2022）255259⎩图五. 基于高光谱数据的景观分类结果。0.005）。因此，可以作为水体的分离条件，判断第226波段是否小于0.02。通过观察建筑物的光谱特性曲线，建筑物的光谱曲线在第25波段处峰值位置，建筑物的反射率在第77波段下降最快。因此，两个频带的反射率之间的差异被用来分离建筑物。由于建筑物和植被的双重阴影，道路和水体的反射率很低，这使得很难区分它们。但是，与道路相比，水体的整体反射率很低，因此当水体处于同一带状区域时，其反射值变化缓慢。在137和162nm波段之间，水体具有相对反射率迅速下降的斜坡，这正是道路所不具备的特征。因此，可以利用光谱变化特性来分离水体。水体在137-162 nm波段的反射率曲线⎧⎪((���10−���1)<)0.（03）−）00.03>（二）⎨⎪(���137−���162)>69137地形特征分类的目的是更好地观察城市地面物体，如植被，建筑物，土壤，道路，水体，树木等。分类方法通常使用监督分类和SVM（支持向量机）进行监督学习。端元检测主要用于提取图像中的单个目标，如道路或建筑物。首先通过ENVI软件提取道路或建筑物的光谱数据作为端元检测的输入数据。然后应用光谱角检测方法对高光谱图像中的研究对象进行识别。原始检测结果中存在噪声和散乱像素，需要进行优化。分类后处理工具，包括最大值分析和聚类，用于去除小斑块噪声。 优化结果示于图1A和图1B中。 5和6.6. 城市绿化分析城市绿化是城市可持续发展的重要内容之一传统的测量分析方法难以对城市绿化环境进行快速分析。通过无人机的高光谱手段，城市管理者可以提取城市绿地，并进一步分析植被的健康水平、病虫害、含水量或可破坏风险[19]。以三种常用的绿化指标为例，对城市绿化率进行定量分析(1) 红色归一化植被指数（ReNDVI）该指数是对传统NDVI的改进，更适用于不同密度条件下的植被健康检测应用包括精准农业、森林监测和植被压力检测。绿色植被ReNDVI的常见范围为0.2至0.9。它主要用于测量植被健康。ReNDVI值越高，植被越健康。RENDVI的计算公式如式（3）所示。������������������=(���750 −���705) ∕(���750+���705)(3)���–∕���137162B. Yang，S. Wang，S. Li等人认知机器人2（2022）255260见图6。基于高光谱数据的物种分类结果。见图7。 植被生长分析结果。见图8。 植被生长胁迫分析结果。λ750和λ705分别表示对应于750nm和705nm分析结果示意图如图所示。第七章(2) 结构不敏感颜料指数（SIPI）SIPI指数最大限度地提高了对大量类胡萝卜素与叶绿素比值的敏感性，同时降低了对冠层结构变化应用包括植被健康监测和植物生理压力检测。绿色植被SIPI的常见范围为0.8至1.8。该指数主要用于衡量植被胁迫程度。SIPI值越大，植被生长压力越大。SIPI的计算公式如式（4）所示。������������=(���800−���445)∕(���800−���680)(4)λ445、λ680、λ800分别表示对应于445nm、680nm和705nm分析结果示意图如图所示。 八、B. Yang，S. Wang，S. Li等人认知机器人2（2022）255261见图9。 植被冠层含水量分析结果。图10. 河流水 质浊度和叶绿素浓度分析结 果。(3) 水带指数（WBI）水分是植被的重要参数。冠层含水量指数测量叶冠层中的含水量。较高的含水量表明植被更健康，可能生长得更快或火灾风险更低。随着冠层含水量的增加，叶片对970nm光的吸收强度比900nm光的吸收强度逐渐增大。应用包括冠层应力分析，火灾风险分析和农业管理。绿色植被的WBI的常见范围为0.8至1.2。该值越高，植被含水量越低。SIPI的计算公式如式（5）所示。���������������（5）电子邮件地址：λ970、λ900分别表示对应于970nm和900nm分析结果示意图如图所示。第九章7. 城市水环境随着经济的快速发展和人类活动的增强，江河湖泊水体污染日益严重。传统的水环境调查采用人工野外采样和实验室采样分析，效率低下，研究范围有限。因此，有必要进行综合研究，通过高光谱成像的技术手段保护水环境[20]。基于水体高光谱影像数据建立的反演模型易于识别城市水体污染。对城市内河水体的浊度和叶绿素浓度进行了研究。浊度可以反映水体污染程度，叶绿素浓度可以反映水体富营养化程度。分析结果如图10（a）和10（b）所示。8. 岩性判别岩土工程特性是城市工程建设的基础。根据电磁波理论，任何物质光谱的产生都有严格的物理机制[21]。岩石和矿物的光谱特性主要是由于组成物质中离子和基团的晶体场效应以及基团的振动所引起的。由于各种矿物的晶体结构不同，晶格振动产生的各种矿物的光谱特征也不同，如图所示。 十一岁矿物晶格中铁等过渡金属元素的存在决定了其在0.4 ~ 1.3m范围���内的光谱特征。1.3 ~ 2.5 m光谱范围内的光谱特征���由矿物成分中的碳酸盐、羟基和可能的水分子决定。3 ~ 5μm红外波段的光谱特征由振动光谱确定B. Yang，S. Wang，S. Li等人认知机器人2（2022）255262见图11。不同岩石的高光谱特征。见图12。基于高光谱遥感图像的岩性分类Si-O、Al-O和其它分子键的模式。电子由于不同能级之间的跃迁而吸收或发射特定波长的电磁辐射，从而形成特定波长的光谱特性[22]。因此，不同晶格结构的岩石矿物成分具有不同的光谱特征。高光谱遥感图像可以探测到岩土体的精细光谱，从而可以根据高光谱遥感探测到以前在宽带中无法探测到 不同类型的岩石可以通过不同岩石和土壤的高光谱反射特性来识别，如图所示。 12个。9. 工程应用通过几个工程应用实例，介绍了无人机高光谱遥感在智慧城市信息提取中的应用。目前，有许多机载高光谱成像仪。Nano-Hyperspec是由Headwall公司设计和生产的微型机载高光谱成像仪（见图13）。Nano-Hyperspec的技术性能和参数如表1所示，它具有出色的空间和光谱分辨率，高信噪比，专业B. Yang，S. Wang，S. Li等人认知机器人2（2022）255263图十三. 纳米超光谱成像仪。表1Nano-Hyperspec的技术参数索引名称技术参数波长范围400空间波段640nm光谱禁令270nm谱采样间隔2.2nm光谱分辨率6nm集成二阶滤波器是的数值孔径F/2.5布局像差校正同心圆入口狭缝宽度20μm焦距17毫米相机技术CMOS位深度（位）12最大可调帧速率（Hz）350探测器像素间距（um）7.4最大功率/GPS最大功率（W）13/15存储容量（GB）480（100 fps时约130分钟）重量0.68kg机载性能、研究级超光谱数据、高有效载荷能力、长持续时间的飞行时间、定制的头墙稳定框架、多个照明控制冗余等。Nano-Hyperspec高光谱成像仪可以安装在各种多旋翼无人机上，如DJI和FEIMA。本文描述的项目案例是配备Nano-Hyperpec的DJI M600 Pro-UAV轻型平台无人机的飞行高度可以根据智慧城市的数字表面模型（DSM）灵活设置。Nano-Hyperspec可以在无人机的一个光路中捕获大约30个场景，这是根据所选择的光谱和空间维度来确定的。对于每个光，收集的空间维度越多，场景越少。每个场景的面积根据无人机的飞行高度计算。采取以Nano-Hyperspec高光谱光谱仪的17mm焦距镜头为例;每个场景的地面宽度为光线高度乘以0.474。例如，如果导航到地面的高度为200m，则地面宽度为95×95m。如果选择960的空间维度来收集数据，则每个pixel的空间分辨率为10 cm。同时，相邻场景之间应该有40%的重叠，以保证后续的拼接。Nano Hyperspec采集的原始图像需要进行预处理。本文利用PIE-UAV和ENVI软件对高光谱数据进行联合预处理首先，进行单波段图像配准、波段合成和裁剪然后进行白板校正。然后，PIE-UAV用于空间处理，DSM匹配，和图像校正。最后使用ENVI软件进行图像拼接，得到拼接后的高光谱图像，具体过程如图14所示。在获得高光谱图像后，可以使用ENVI软件来获得地物的光谱反射率。将介绍使用Nano-Hyperspec成像仪和大疆无人机收集数据 图图15显示了一个城市红树林湿地公园的高光谱信息，重点是观察植被、裸露土壤和水。无人机的曝光高度为200米，曝光速度为4.5米/秒，曝光时间为10毫秒。从图13可以看出，植被在绿光区有明显的反射峰，在红光区有明显的吸收谷。在可见光波段和近红外波段（约0.73 μm）之间，反射率急剧上升，形成“红边”现象。“绿峰”、“红谷”、“红边”是绿植曲线最明显的三个特征B. Yang，S. Wang，S. Li等人认知机器人2（2022）255264图14. 高光谱图像的预处理。图15个。 工程应用案例一.在可见光和近红外波段，土壤的光谱反射率值缓慢上升，其光谱反射率曲线与作物的光谱反射率曲线有很大差异。水体的光谱反射率值在各波段都比较平缓图16为无人机搭载Nano-Hyperspec成像仪采集的贵阳百花湖入水口河道高光谱数据。曝光高度为150m，曝光速度为3m/s，曝光时间为10ms。百花湖入水口植被、裸土和水体的高光谱结果见图14。从图14可以看出，该区域土壤和水体的高光谱反射率正常。植被图17示出了由具有无人机的Nano-Hyperspec成像仪收集的深圳大学校园上的草坪的高光谱数据。曝光高度为150m，曝光速度为3m/s，曝光时间为5ms。从图15可以看出，该区域植被、土壤、水体的高光谱反射率均正常。B. Yang，S. Wang，S. Li等人认知机器人2（2022）255265图十六岁 工程应用案例2。10. 结论图17. 工程应用案例结果III.高光谱遥感利用狭窄的电磁波段获取地物的相关信息，包括丰富的空间信息、辐射信息和光谱信息。与宽波段遥感数据相比，高光谱遥感数据具有光谱分辨率高、光谱细节层次丰富、信息无损、实时性强等优点，可以方便、快速地无人机为城市高光谱遥感影像的数据获取提供了一种低成本、高效、灵活的载体。计算机软件对采集到的图像信息进行处理，将高光谱数据的数字值转换为反射率数据（红外、近红外和可见光）。通过降噪处理可以获得地面及其附着物的连续光谱信息应用高光谱遥感的完整光谱曲线描述地物光谱特征，识别各类地物的诊断光谱，为当前智慧城市建设发展提供建筑物分类、土地利用变化检测、地物识别等关键信息竞争利益作者声明，他们没有关于本研究的利益冲突需要报告。致谢本文得到了海南省科技专项基金（No.ZDYF2022GXJS005）。作者对李海军、张德钧、顾玉叶的讨论表示感谢B. Yang，S. Wang，S. Li等人认知机器人2（2022）255266引用[1] Z. Chuankai，S. Fang，Y.郑东，基于无人机高光谱遥感的内陆水域水环境监测，遥感。33（3）（2021）45-53，doi：10.6046/zrzyyg.2020377。[2] Z. Huiying，S.利因河倚天，智慧城市如何塑造更幸福生活？发展幸福驱动的智慧城市的机制，持续。Cities Soc.（2022）80，doi：10.1016/J.SCS.2022.103791.[3] B. Gianluca，D.恩里科角杰森角Agnese，M.Enrico，在机器人竞赛中引入智能城市组件：现场报告，前线。机器人AI 9（2022）728628，doi：10.3389/FROBT.2022.728628。[4] D. Vlad Nicolae，智慧城市建设的关键成功因素，国际J. Adv. Stat. IT C经济Life Sci.11（1）（2021）103 -108，doi：10.2478/IJASITELS-2021-0007。[5] H.凯惠湖Weijie，刺山枣Z.威威湖金海，中国智慧城市发展的特点与问题，智慧城市4（4）（2021）1403 -1419，doi：10.3390/SMARTCITIES 4040074。[6] B.P. Garcia-Salgado，V.I. Ponomaryov，S. Sadovnychiy等人，大数据遥感应用的高光谱图像的有效降维，J. Appl. 远程传感器 14（3）（2020）11.JRS.14.032611。[7] L. 阔湖Yunhe，Z.炳章湖登邱湖邓胜，E.探讨无人机激光雷达数据在提高树木蓄积量计算精度中的作用，遥感。14（17）（2022）4410，doi：10.3390/RS14174410。[8] B. Yang，F. Ali，Bo Zhou，S. Li，Y. Yu，T. Yang，X. Liu，Z. Liang，K. Zhang，A novel approach of efficient 3D reconstruction for real cene using unmannedaerial vehicle blind photogrammetry with five cameras，Comput.电动Eng. 99（04）（2022）107804，doi：10.1016/J.COMPELECENG.2022.107804。[9] Y. BoXIONG、黑冠菊A.Faizan，Z.博湖，澳-地Shelei，Y.Ying，Y.婷婷湖小飞湖Zhiyong，Z.开存，基于无人机倾斜摄影测量影像的前方交会多切片成图改进方法探索，计算机辅助制图。电动Eng. 92（04）（2021）107135，doi：10.1016/j.compeleceng.2022.107804。[10] T. Huilin，F.作者：Haikuan，Xu Liangji，M.孟克湖Huiling等人，利用无人机高光谱遥感数据估算作物生长参数传感器20（5）（2020）1296，doi：10.3390/s20051296。[11]F. Haikuan，T.Huilin，F.伊光湖扬湖，澳-地Zhenhai，Y.Guijun，Z.春江，基于近地表高光谱和无人机高光谱遥感数据的冬小麦估产比较，遥感。 14（17）（2022）4158，doi：10.3390/RS14174158。[12] Y.杜，Y.拜湖，加-地万，基于无人机多光谱和倾斜影像的湿地信息提取，阿拉伯地球科学杂志。13（23）（2020）1241，doi：10.1007/s12517-020-06205-w。[13] T. Anton，D.Viktor，F.Alexander，E.Danila，高光谱遥感用于早期植物病害检测的现状：综述，传感器22（3）（2022）757，doi：10.3390/S22030757。[14] C. Ye，P. Cui，S. Pirasteh，J. Li，Y.李毅，高光谱遥感图像识别建筑物表面材料的实验方法，浙江大学。Sci. A（Appl.Phys. 工程） 18（12）（2017）984-990，doi：10.1631/jzus.A1700149。[15] S. Kun，X. Zhang，S. Yanli等人，基于高光谱图像特征波段集的复杂植被分类。幽灵Anal. 35（6）（2015）1669 -1676，doi：10.3964/j.issn.1000-0593（2015）06-1669-08。[16] 作案手法Adriana，A.雅罗恰尔斯卡湾Bzdavoga等人，基于高光谱和LiDAR数据的膨胀草地不同生长阶段物种分类研究远程传感器。10（12）（2018）1-22，doi：10.3390/rs 10122019。[17] W. Pi，Y. Bi，J. Du，H. Yang，X. Zhang， Y.康，基于可见光近红外无人机高光谱遥感的中国草原荒漠化分类，光谱学35（3）（2020）39-50 https：//www.spectroscopyonline.com/view/classi fication-grassland-desertification-china-based-vis-nir-uav-hyperspectral-remote- sensing.[18] L. Zhikun，T.张凯耀，基于随机森林的高光谱遥感图像分类，中国科学院遥感研究所。J.计算机信息科学4（6）（2021），doi：10.25236/AJ-CIS. 2021.040611。[19] K. 昌丹角斯内哈穆岛托马斯，古哈·阿林丹。高光谱数据分析的新有效光谱匹配方法。J. 远程传感器四十二（十一）（2021），doi：10.1080/01431161.2021.1890265。[20] C. Tingting，Y.Weiguang，Z.Huajian等人，通过叶级高光谱和无人机数据早期检测花生植物中的细菌性枯萎病电子.农业. 177（2020）105708，doi：10.1016/j.compag.2020.105708.[21] S.阿里角，澳-地Árpád，利用机器学习算法的堆叠矢量多源岩性分类：数据潜力和维度监测，遥感。Appl. 索奇Environ. （2021）24，doi：10.1016/J.RSASE.2021.100643。[22] C. Jianhua，W. Lijuan，H. Yongwei等人，基于高光谱、IOP Conf.序列Mater. Sci. Eng. 780（4）（2020）042049，doi：10.1088/1757-899X/780/4/042049。