测绘学报

当期目录

2023年第52卷第7期刊出日期：2023-07-20

上一期下一期

高光谱遥感技术专刊

星载高光谱成像载荷发展及关键技术

刘银年, 薛永祺

2023, 52(7): 1045-1058. doi:10.11947/j.AGCS.2023.20220498

摘要 ( )

HTML ( )

PDF (11305KB) ( )

参考文献 | 相关文章 | 多维度评价

星载高光谱遥感技术可通过光谱特征对地物进行大范围快速精细识别，在自然资源勘查、生态环境保护、精细农业、碳排放监测和地表异常即时探测等方面有着广阔的应用前景。自20世纪80年代初期美国NASA研制出第一台机载高光谱成像仪以来，高光谱成像技术的研究发展日益得到重视。与机载高光谱载荷相比，星载高光谱载荷的研制难度大幅增加，但其全球范围快速探测识别的巨大应用价值，成为国际上竞相攻克的科技制高点，也是人类探测地球感知万物的重要手段。我国高分五号卫星的成功发射，使国际上星载高光谱成像技术的水平达到了一个新的高度，在助力碳排放、土壤有机质、土壤重金属污染、水质微量污染和大范围地球深部找矿等应用方面产生诸多突破。本文回顾了星载高光谱载荷技术的发展历程，总结了星载宽谱宽幅高光谱载荷的要点、关键技术及应用情况。结合团队在该领域多年实际开展的工作，凝炼提出了静止轨道高光谱、荧光超光谱和高光谱即时遥感探测几个重要发展方向及其关键技术，为星载高光谱载荷研究工作的重大发展提供一些重点有益的参考。

高光谱遥感图像本征信息分解前沿与挑战

李树涛, 吴琼, 康旭东

2023, 52(7): 1059-1073. doi:10.11947/j.AGCS.2023.20220563

摘要 ( )

HTML ( )

PDF (3268KB) ( )

参考文献 | 相关文章 | 多维度评价

高光谱作为一种图谱合一的成像技术，在对地观测、航空航天领域具有十分重要的应用。然而，作为光学遥感的分支，高光谱成像易受到大气、光照等因素的影响。高光谱图像本征信息分解旨在抑制复杂环境因素对地物光谱与空间特征的影响，准确提取并表征观测场景最本征的光谱与空间信息，提升高光谱图像识别与解译性能。本文主要对代表性的高光谱图像本征信息分解的模型和方法进行综述，系统地分析了各种典型方法的原理及优缺点，进一步阐述了实际遥感应用中现有本征信息分解面临的挑战性难题，并结合遥感实际应用，对高光谱图像本征信息分解技术的发展趋势进行了展望。

高/多光谱遥感图像超分辨率融合研究进展与展望

张兵, 高连如, 李嘉鑫, 洪丹枫, 郑珂

2023, 52(7): 1074-1089. doi:10.11947/j.AGCS.2023.20220499

摘要 ( )

HTML ( )

PDF (9353KB) ( )

参考文献 | 相关文章 | 多维度评价

高光谱图像作为多模态遥感数据的重要组成部分，能够捕捉地物精细的光谱特征。由于成像机理的限制，空间细节的损失导致高光谱图像的空间表征能力有所退化，一定程度上限制了数据进一步应用的潜力。数据融合是解决空间/光谱分辨率矛盾的有效手段，近年来相关理论得到了深入发展。本文全面综述了高/多光谱遥感图像超分辨率融合领域的研究进展与展望。首先，将当前方法系统性地分为细节注入、模型优化及深度学习3大类方法，并对不同方法的原理、模型、代表性算法进行了回顾，重点介绍了模型优化中的矩阵分解、张量表示及深度学习中的监督与非监督方法。在此基础上，梳理了该领域技术在像素级分类、目标提取、在轨融合领域的成功应用案例，指出融合产品的潜能在后续遥感应用未被充分挖掘的现状；然后，从退化模型、数据-模型驱动、多任务一体化及应用耦合4个角度对该领域进行展望；最后，就该领域的研究现状与发展趋势进行总结，归纳各类方法优劣势的同时，点明了多类方法协同、外部数据辅助及实际应用驱动等方面的重要性。

一种联合空谱特征的高光谱影像分类胶囊网络

杜培军, 张伟, 张鹏, 林聪, 郭山川, 胡泽周

2023, 52(7): 1090-1104. doi:10.11947/j.AGCS.2023.20220565

摘要 ( )

HTML ( )

PDF (21778KB) ( )

参考文献 | 相关文章 | 多维度评价

高效稳定的深度学习分类器有助于提升高光谱遥感影像的分类精度。针对卷积神经网络标量式神经元特征表达能力有限、无法有效建模特征之间空间层次结构关系的不足，设计了一种考虑数据图谱合一特性的端到端高光谱胶囊网络（H-CapsNet）。H-CapsNet主体由编码器（卷积层、PrimaryCaps层及DigitCats层）和解码器（全连接层）组成，通过在网络输入端嵌入通道和空间注意力模块，以此增强模型对空谱特征的抓取和识别，进而提升网络对特征的聚焦和表达能力。以资源一号02D卫星获取的张家港高光谱影像及公共数据集University of Pavia和University of Houston影像为例进行试验，将H-CapsNet网络与传统机器学习算法和多个深度学习网络进行对比。试验结果表明，在3景不同分辨率的高光谱影像上，H-CapsNet分类网络均取得了最优的分类效果，总体精度相较于其他方法分别提升了2.36%~7.67%、0.16%~11.8%和1.75%~15.58%。H-CapsNet网络对小像素邻域具有较好的适应性，当图像块尺寸有限时，仍可以取得相对理想的分类结果。

对抗性自动编码网络在高光谱异常检测中的应用

杜谦, 谢卫莹

2023, 52(7): 1105-1114. doi:10.11947/j.AGCS.2023.20220635

摘要 ( )

HTML ( )

PDF (9047KB) ( )

参考文献 | 相关文章 | 多维度评价

自动编码器（autoencoder，AE）是一种典型的生成模型。由于它具有简单的学习过程、良好的收敛能力和无监督的特性而得到了广泛的应用。AE的目标函数仅是输入输出之间的重构误差。为了提高其性能，提出了对抗性自动编码器（adversarial autoencoder，AAE），可以为原始的AE网络提供变分推理输出。本文回顾有关无监督和半监督的AAE模型在高光谱异常检测（hyperspectral anomaly detection，HAD）中的应用。除了在隐层空间中使用对抗性学习外，还可以通过在编码器的输入和解码器的输出之间添加对抗性学习来提高AAE的性能；通过这种方式，改进后的AAE网络可以更专注于学习数据分布而不仅是点对点的数值重建。试验结果表明，利用这些深度学习模型完成HAD任务的想法超越了传统HAD方法的概念，显著提高了检测性能。

高光谱地物要素识别潜力分析与前景展望

余旭初, 刘冰, 薛志祥

2023, 52(7): 1115-1125. doi:10.11947/j.AGCS.2023.20220495

摘要 ( )

HTML ( )

PDF (1559KB) ( )

参考文献 | 相关文章 | 多维度评价

近年来，人工智能方法在高光谱遥感领域得到了广泛应用，特别是基于深度学习的影像分析和信息提取技术已成为持久的热点，有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上，系统地介绍和总结了高光谱影像分析方面的进展，针对高光谱地物探测的智能化问题，重点讨论了近年来深度学习的新思路。首先，结合地形要素分类体系和高光谱探测能力，将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类，并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后，在影像分析方面，重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展，给出研究方向和热点；在智能化处理部分，按照监督学习、半监督学习及自监督学习的思路，系统总结了当前应用于高光谱地物探测的深层神经网络模型，同时分析了迁移学习、元学习等机器学习策略的研究情况。最后，结合上述分析，对高光谱影像地物探测的发展趋势加以展望，以期拓展下一步的研究思路。

文保领域的高光谱遥感技术应用进展

张立福, 王飒, 张燕, 袁德帅, 宋若曦, 戚文超, 曲亮, 路智勇, 童庆禧

2023, 52(7): 1126-1138. doi:10.11947/j.AGCS.2023.20220655

摘要 ( )

HTML ( )

PDF (13443KB) ( )

参考文献 | 相关文章 | 多维度评价

文物是人类文明发展过程中历史、艺术及科学价值的结晶，蕴含着丰富的历史文化信息，文物数字化是对文物进行保护、修复和重建的重要环节。作为传统文物数字化手段的重要补充，高光谱遥感技术能够快速无损地获取文物材质、颜料和加工痕迹等信息，可为文物资源数字化提供文物表面物理、化学属性信息。本文首先对文保领域高光谱信息采集设备和方式进行了总结分析；然后对文保领域高光谱信息处理关键技术进行了回顾，总结为信息增加、信息提取、信息分类和可视化4个方面，对常用方法进行了对比分析，在此基础上总结了目前高光谱技术在文保领域的典型应用，包括颜料种类分析识别、隐藏信息提取和修复痕迹识别3个方面；最后，对高光谱文物应用未来的研究方向进行了展望。

基于层级Transformer的高光谱图像分类方法

张艺超, 郑向涛, 卢孝强

2023, 52(7): 1139-1147. doi:10.11947/j.AGCS.2023.20220540

摘要 ( )

HTML ( )

PDF (2589KB) ( )

参考文献 | 相关文章 | 多维度评价

高光谱图像分类将每个像素分类至预设的地物类别，对环境测绘等各类地球科学任务有着至关重要的意义。近年来，学者们尝试利用深度学习框架进行高光谱图像分类，取得了令人满意的效果。然而这些方法在光谱特征的提取上仍存在一定缺陷。本文提出一个基于自注意力机制的层级融合高光谱图像分类框架（hierarchical self-attention network，HSAN）。首先，构建跳层自注意力模块进行特征学习，利用Transformer结构中的自注意力机制捕获上下文信息，增强有效信息贡献。然后，设计层级融合方式，进一步缓解特征学习过程中的有效信息损失，增强各层级特征联动。在Pavia University及Houston2013数据集上的试验表明，本文提出的框架相较于其他高光谱图像分类框架具有更好的分类性能。

高光谱影像奇异谱分析特征提取方法:综述与评价

孙根云, 付航, 张爱竹, 任金昌

2023, 52(7): 1148-1163. doi:10.11947/j.AGCS.2023.20220542

摘要 ( )

HTML ( )

PDF (18679KB) ( )

参考文献 | 相关文章 | 多维度评价

高光谱遥感影像（hyperspectral imagery，HSI）通常包含几十至数百个连续波段，具有图谱合一、光谱连续的特点，能够实现地物的精细分类，被广泛应用农业、林业、城市以及海洋等领域。HSI特征提取是高光谱应用的前提，也是遥感领域的研究热点和前沿课题之一。近年来，奇异谱分析（singular spectrum analysis，SSA）被应用于HSI领域，在光谱特征和空间特征提取方面取得了较好效果，逐渐成为特征提取的一种有效方法。本文首先分析了HSI特征提取的研究进展和存在的问题；其次对SSA方法进行了系统的梳理，分别介绍了光谱域1D-SSA、空间域2D-SSA和光谱-空间组合域SSA 3类方法的作用、效果及优缺点，并在两个公开的HSI数据集和一个高分五号HSI数据上进行了分类效果验证；最后，对SSA特征提取进行了总结，并讨论了未来的研究方向。

谱间对比学习的高光谱图像无监督特征提取

杭仁龙, 李成相, 刘青山

2023, 52(7): 1164-1174. doi:10.11947/j.AGCS.2023.20220493

摘要 ( )

HTML ( )

PDF (5784KB) ( )

参考文献 | 相关文章 | 多维度评价

深度学习通过逐层抽象的方式提取输入数据的深层特征，近年来在高光谱图像分类领域得到了广泛的应用。现有的高光谱图像深度特征提取方法大多属于有监督学习模型，其训练过程需要大量标记样本，而高光谱图像逐像素的标注困难且费时。为此，本文提出了一种基于谱间对比学习的无监督深度学习模型。无须对样本进行标注，仅通过建模不同光谱波段之间的关系便可实现特征提取。具体而言，由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度，因此必然存在一个特征空间，使得不同通道的光谱信息具有相似的表征。受此启发，本文首先将高维光谱信息分成两组，然后利用多层卷积操作分别提取每组波段的特征，最后对比不同样本所提取的特征，通过对比损失函数来优化模型。为了测试本文方法的性能，将其应用于高光谱图像分类任务中，在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证。试验结果表明，在每类仅使用10个训练样本的前提下，本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能。

基于自适应上下文聚合网络的双高遥感影像分类

胡鑫, 王心宇, 钟燕飞

2023, 52(7): 1175-1186. doi:10.11947/j.AGCS.2023.20220237

摘要 ( )

HTML ( )

PDF (8374KB) ( )

参考文献 | 相关文章 | 多维度评价

融合高光谱和高空间分辨率（双高）遥感的优势可以实现地物目标更为全面和精细的属性识别。然而，空间分辨率的显著提升使得双高影像中地物细节特征凸显出来，呈现出极高的空谱异质性，进而导致同物异谱现象大量发生，地物类内方差明显增大。基于此，本文提出一种局部-全局上下文信息自适应聚合的快速双高影像分类框架（adaptive context aggregation network，ACANet），通过编码-解码的全卷积网络架构顾及全局空谱信息，在编码器中构建局部到全局的长距离上下文感知模块缓解双高影像极大的类内方差，在解码器中构建自适应上下文聚合模块进一步实现局部和全局的上下文信息自适应聚合。本文方法在WHU-Hi双高影像分类基准数据集中取得了优异的分类性能，试验表明可以很好缓解双高影像极高空谱异质性对地物精细分类的影响。

高光谱遥感图像亚像元信息提取方法综述

冯如意, 王力哲, 曾铁勇

2023, 52(7): 1187-1201. doi:10.11947/j.AGCS.2023.20220491

摘要 ( )

HTML ( )

PDF (1521KB) ( )

参考文献 | 相关文章 | 多维度评价

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一，这为精细地物分类、探测和识别提供了数据基础。然而，由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布，混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题，实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容，具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法，并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价，最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。

基于形态变换与空间逻辑聚合的高光谱森林树种分类

张蒙蒙, 李伟, 刘欢, 赵旭东, 陶然

2023, 52(7): 1202-1211. doi:10.11947/j.AGCS.2023.20220492

摘要 ( )

HTML ( )

PDF (8542KB) ( )

参考文献 | 相关文章 | 多维度评价

基于机载及卫星平台面向地面实施反射率光谱信息采集，高光谱图像可捕获数十个甚至数百个相邻窄带，为土地利用提供丰富的判别性信息。因此，同可见光及多光谱图像相比，高光谱图像可以揭示更为精细的光谱特性，有助于实现更为准确的材质及地类识别。然而，现有分析方法大多过度关注其光谱特性，忽略了高光谱输入源的形态及空间性信息利用。在复杂对象分类任务中，针对细粒度类别（如森林树种）的类边界挖掘，形态结构差异性的捕获是极为重要的。本文分析了形态结构利用的重要性，设计了不同类型的特征提取器。在此基础上，针对细粒度树种分类提出了一种由粗到细的空间信息聚合网络MS-NET。本文方法将形态学算子与可训练的结构元素有效结合，有助于获取输入数据的特异性形态表征，提升最终分类精度。将本文方法在两组树种分类数据集中开展分类效果验证，相关结果表明本文方法相较其他类型分类器具有更好的性能。

高光谱高空间分辨率遥感观测、处理与应用

钟燕飞, 王心宇, 胡鑫, 王少宇, 万瑜廷, 唐舸, 张良培

2023, 52(7): 1212-1226. doi:10.11947/j.AGCS.2023.20220715

摘要 ( )

HTML ( )

PDF (9249KB) ( )

参考文献 | 相关文章 | 多维度评价

高光谱遥感技术是遥感领域的研究热点之一。然而，由于成像口径与能量等限制因素，难以同时获得高光谱和高空间分辨率的图像，这极大限制了高光谱遥感在精细尺度任务中的应用。近年来，随着高光谱成像技术及无人机为代表的新型观测平台的发展，高光谱高空间（双高，同时具备纳米级光谱分辨率与亚米级空间分辨率）遥感技术发展迅猛，推动了高光谱遥感技术的应用，但同时也带来了更多问题。极高的空间与光谱分辨率使得数据更加海量高维，加剧了高光谱数据的空间异质性和光谱变异性，为影像智能信息处理带来更大的挑战。为此，本文将从双高遥感影像基准数据集、双高遥感影像智能信息处理、双高遥感影像典型应用3个方面论述双高遥感应用与发展现状。

博士论文摘要

小天体探测器精密定轨与引力质量解算

金炜桐

2023, 52(7): 1227-1227. doi:10.11947/j.AGCS.2023.20210703

摘要 ( )

HTML ( )

PDF (716KB) ( )

相关文章 | 多维度评价

复杂轨迹的模式挖掘与知识发现—以南海涡旋为例

王会蒙

2023, 52(7): 1228-1228. doi:10.11947/j.AGCS.2023.20210713

摘要 ( )