全谱段机载多模态成像光谱仪的系统设计、性能测试和高空间分辨率对地观测应用

贾建鑫 ,  王跃明 ,  郑潇柔 ,  袁立银 ,  李春来 ,  岑奕 ,  司福祺 ,  吕刚 ,  王崇儒 ,  王晟玮 ,  张长兴 ,  张东 ,  何道刚 ,  庄晓琼 ,  韩贵丞 ,  张明阳 ,  Juha Hyyppä ,  王建宇

Engineering ›› 2025, Vol. 47 ›› Issue (4) : 42 -61.

PDF (8276KB)
Engineering ›› 2025, Vol. 47 ›› Issue (4) : 42 -61. DOI: 10.1016/j.eng.2024.11.001
研究论文

全谱段机载多模态成像光谱仪的系统设计、性能测试和高空间分辨率对地观测应用

作者信息 +

Design, Performance, and Applications of AMMIS: A Novel Airborne Multimodular Imaging Spectrometer for High-Resolution Earth Observations

Author information +
文章历史 +
PDF (8474K)

摘要

机载高光谱成像光谱仪在过去40年中被广泛应用于地球观测。然而，传统推扫式高光谱成像仪在观测视场和波长覆盖方面存在局限性。本文详细介绍了全谱段机载多模态成像光谱仪（AMMIS），其光谱探测范围覆盖紫外、可见光-近红外、短波红外和热红外波段。作为中国高分辨率专项航空观测的重要组成部分，AMMIS主要服务于民用领域并用于验证未来星载高光谱载荷的关键技术。自2016年以来，AMMIS已在运5、运12和神舟60等机载平台上完成了30多次飞行任务，累计获取了超过200 TB的高光谱数据。本文详细阐述了AMMIS的系统设计、定标技术、性能测试、飞行任务及应用实例。AMMIS系统集成了紫外、可见光-近红外、短波红外和热红外模块，这些模块可根据任务需求单独或组合操作完成航飞实验。每个模块包括三个光谱仪，利用视场拼接技术实现了40°视场角，从而显著提高了作业效率。特别为热红外模块设计的光学系统，采用低温光学技术，确保系统温度稳定在100 K。通过实验室和飞行测试相结合的定标方法，进一步提高了预处理精度。AMMIS的光谱数据覆盖超过1400个波段，紫外、可见光-近红外、短波红外和热红外的光谱采样间隔分别为0.1 nm、2.4 nm、3 nm和32 nm，瞬时视场角分别为0.5 mrad、0.25 mrad、0.5 mrad和1 mrad。其中，可见光-近红外模块在高分辨率模式下的瞬时视场角可以达到0.125 mrad。本文还展示了AMMIS在土地覆盖分类调查、污染气体检测、矿产勘查、沿海水深检测和植被等方面的应用成果，证明其性能达到国际领先水平。此外，本文提供了基于AMMMIS采集的三个多场景分布的高光谱数据集，为高光谱人工智能算法的开发提供数据支持。本研究为下一代机载和星载高光谱载荷的发展奠定了基础，并为高光谱传感器设计和数据用户提供了技术参考。

Abstract

Airborne hyperspectral imaging spectrometers have been used for Earth observation over the past four decades. Despite the high sensitivity of push-broom hyperspectral imagers, they experience limited swath and wavelength coverage. In this study, we report the development of a push-broom airborne multimodular imaging spectrometer (AMMIS) that spans ultraviolet (UV), visible near-infrared (VNIR), shortwave infrared (SWIR), and thermal infrared (TIR) wavelengths. As an integral part of China’s High-Resolution Earth Observation Program, AMMIS is intended for civilian applications and for validating key technologies for future spaceborne hyperspectral payloads. It has been mounted on aircraft platforms such as Y-5, Y-12, and XZ-60. Since 2016, AMMIS has been used to perform more than 30 flight campaigns and gather more than 200 TB of hyperspectral data. This study describes the system design, calibration techniques, performance tests, flight campaigns, and applications of the AMMIS. The system integrates UV, VNIR, SWIR, and TIR modules, which can be operated in combination or individually based on the application requirements. Each module includes three spectrometers, utilizing field-of-view (FOV) stitching technology to achieve a 40° FOV, thereby enhancing operational efficiency. We designed advanced optical systems for all modules, particularly for the TIR module, and employed cryogenic optical technology to maintain optical system stability at 100 K. Both laboratory and in-flight calibrations were conducted to improve preprocessing accuracy and produce high-quality hyperspectral data. The AMMIS features more than 1400 spectral bands, with spectral sampling intervals of 0.1 nm for UV, 2.4 nm for VNIR, 3 nm for SWIR, and 32 nm for TIR. In addition, the instantaneous fields of view (IFoVs) for the four modules were 0.5, 0.25, 0.5, and 1 mrad, respectively, with the VNIR module achieving an IFoV of 0.125 mrad in the high-spatial-resolution mode. This study reports on land-cover surveys, pollution gas detection, mineral exploration, coastal water detection, and plant investigations conducted using AMMIS, highlighting its excellent performance. Furthermore, we present three hyperspectral datasets with diverse scene distributions and categories suitable for developing artificial intelligence algorithms. This study paves the way for next-generation airborne and spaceborne hyperspectral payloads and serves as a valuable reference for hyperspectral sensor designers and data users.

关键词

人工智能 / 推扫型高光谱成像仪 / 高空间分辨率 / 低温光学技术 / 对地观测

Key words

Artificial intelligence / Push-broom hyperspectral imager / High spatial resolution / Cryogenic optical technology / Earth observations

Highlight

引用本文

引用格式 ▾
贾建鑫,王跃明,郑潇柔,袁立银,李春来,岑奕,司福祺,吕刚,王崇儒,王晟玮,张长兴,张东,何道刚,庄晓琼,韩贵丞,张明阳,Juha Hyyppä,王建宇. 全谱段机载多模态成像光谱仪的系统设计、性能测试和高空间分辨率对地观测应用[J]. 工程（英文）, 2025, 47(4): 42-61 DOI:10.1016/j.eng.2024.11.001

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

高光谱成像技术被广泛应用于地球观测，随着仪器性能的提升，已从定性检测方法发展成为定量识别工具[1‒4]。不同光谱覆盖范围的成像光谱仪在应用领域发挥的作用不同。覆盖紫外（UV）波长的高光谱成像仪可以检测SO2和NO2等气体[5‒6]。由于可见近红外（VNIR）探测器的成熟度较高，0.4～1.0 μm波长范围的VNIR高光谱成像仪最为常用，如已应用于具有红边光谱特征的植被研究[7‒9]。短波红外（SWIR）高光谱传感器通常用于地质调查，因为碳酸盐、硫酸盐和含羟基矿物在2.0~2.5 μm波长范围内表现出强烈的光谱特征[10‒11]。热红外（TIR）传感器，又称长波红外高光谱成像仪，已被用于检测在8.0～12.0 μm波段具有吸收光谱特征的危险气体，并被用于目标的温度反演[12‒14]。通过将多个具有不同光谱覆盖范围的高光谱传感器组合在一起使用，可提取更多光谱信息以提高应用效果[15]。

数据用户需要高性能的高光谱成像仪，其中空间分辨率和光谱分辨率是最为关键的参数[16]。与一般工业相机类似，空间分辨率对于高光谱传感器至关重要。更高的空间分辨率有助于提取纹理细节或识别小目标，这对于精准测绘等应用至关重要[17‒19]。与彩色或多光谱相机不同，高光谱传感器可以提供连续且精细的光谱信息。较高的光谱分辨率对于区分形状相似的物体至关重要，例如，在复杂条件下对树种进行分类和识别[20‒21]。然而，由于信噪比（SNR）的限制，高光谱成像系统的空间分辨率和光谱分辨率存在相互平衡和制约[22]。同时，SNR的高低也会影响后续应用的效果[22‒24]；因此，在研制高光谱成像系统时，必须在空间分辨率、光谱分辨率和SNR之间进行权衡设计。对于具有长观测距离的星载高光谱载荷而言，同时实现高光谱和高空间分辨率是一项巨大的挑战。例如，EnMAP [25]、PRISMA [26]和高分五号[27]卫星等星载高光谱载荷的光谱分辨率优于10 nm，而其空间分辨率为30 m。在其他星载高光谱成像仪中也可以观察到类似的权衡设计，如Hyperion [28]、CHRIS [29]、CRISM [30]、DESIS [8]、HySIS [31]、HyspIRI [32]和CHIME [33]等。

尽管星载高光谱成像仪覆盖范围广，但实现高空间分辨率却极具挑战性。此外，研制星载高光谱传感器的成本明显高于机载载荷。因此，通常先研制比星载高光谱成像仪具有更精细的空间和光谱分辨率的机载高光谱成像仪，以验证其关键技术及应用探索。大多数机载高光谱成像仪主要覆盖VNIR和SWIR波长，如AIS [34]、AISA [35]、APEX [36]、ARES [37]、AVIRIS [38]、AVIRIS-NG [39]、AVIRIS-3 [40]、DAIS-7915 [41]、HyMap [42]、HYDICE [43]和CASI/SASI [44]。此外，热红外高光谱成像仪HyTES [12]已被用于探索长波红外方面应用。而AHS [45]、MIVIS [46]、OMIS [47]和Sysiphe [48]等高光谱成像仪提供了从VNIR到TIR的广泛波长覆盖范围。

近年来，基于无人机的高光谱传感器[49‒52]和基于地面平台的高光谱成像仪[53]得到了快速发展。无人机高光谱传感器可以实现厘米级的空间分辨率，而地基高光谱成像仪通过从固定角度连续观测同一区域，可提供更高的时间分辨率。由于机载高光谱成像仪的优势，机载多模态成像光谱仪（AMMIS）于2012年设计，并成为中国高分辨率对地观测计划（HREOP）的重要组成部分。AMMIS是中国基于OMIS [47]的新一代机载高光谱成像系统，已在众多民用领域应用，并用于验证未来高光谱卫星任务的关键技术。

AMMIS的主要参数如附录A中的图S1所示[35‒36,39,44]。通过与表1中的其他高光谱成像系统进行比较，可以看出，AMMIS在空间分辨率、视场角（FOV）、光谱覆盖范围和光谱分辨率等方面具有明显优势。为了满足不同的应用需求，AMMIS集成了多个模块，涵盖UV、VNIR、SWIR和TIR波长，以实现宽光谱探测范围。这种集成有助于探索新的应用，并用于验证具有多个光学载荷的高光谱卫星的可行性。通过采用视场拼接技术，AMMIS实现了40°的FOV，从而提高了作业效率。此外，VNIR模块具有两种操作模式，可根据应用需求调整高空间和光谱分辨率。使用高空间分辨率模式，VNIR成像仪可以在2 km的飞行高度获得厘米级的空间分辨率。此外，AMMIS提供超过1400个谱段的高光谱数据，使用推扫式成像模式来增强信噪比。自2016年以来，AMMIS在中国各省开展了30多次飞行活动，积累获取了约200 TB的高光谱数据。这些数据已被应用于土地覆盖分类、环境监测、水质检测和农作物调查等。AMMIS在这些领域的应用证明了其优越的仪器性能。

本研究首次介绍了AMMIS的设计、性能测试、校准结果及其应用。我们介绍了系统集成、光学系统、电子设备和热控的关键技术，以及校准方法和性能测试结果。我们还描述了最近的飞行试验和使用AMMIS进行各种应用的成果。此外，我们展示了基于地面调查记录的三个具有不同场景分布的超光谱数据集，其分类特性已通过人工智能模型（包括传统机器学习和深度学习）进行验证。最后，我们讨论了AMMIS的局限性、未来研究计划以及下一代超光谱传感器的展望。本研究为超光谱传感器设计师和超光谱数据用户提供了参考。

2 系统设计

2.1 概述

表1列出了AMMIS的主要参数指标，仪器实物图和飞机平台如图1所示。AMMIS包括高光谱成像和控制系统，成像系统集成了UV、VNIR、SWIR和TIR模块，从而实现宽谱段的波长覆盖范围，以满足不同的应用需求。UV模块由中国科学院安徽光学精密机械研究所（AIOFM）研制，VNIR、SWIR和TIR模块由中国科学院上海技术物理研究所（SITP）研制。UV成像光谱仪用于检测污染气体泄漏[54]，而VNIR和SWIR成像仪可获得地面物体的光谱和空间信息[55]。TIR成像光谱仪在矿物的检测和识别中起着至关重要的作用[13]。通过结合具有不同光谱范围的多个模块，该系统满足了不同应用领域的光谱和空间分辨率需求。例如，大气探测需要高光谱分辨率来获得气体吸收峰，而空间分辨率则不需要太高。相比之下，精准测绘等应用需要具有高光谱和空间分辨率的VNIR和SWIR模块来区分相似的物体。并且，在设计阶段必须仔细权衡好SNR和空间/光谱分辨率之间的制约[22]。AMMIS空间和光谱分辨率等设计指标（表1）体现了核心参数、应用需求和技术可行性之间的权衡。

通过采用推扫式成像模式来提高AMMIS的SNR [2]。推扫式成像模式的视场比摆扫式成像模式要窄，所以利用场拼接技术来拓宽视场。每个模块包含三个光谱仪，通过拼接可将视场扩大到40°。调制传递函数（MTF）是相机成像质量的指标，通过具有高静态MTF的成像仪可获得高质量图像。然而，光学系统和探测器性能会影响高光谱成像系统的MTF。考虑到光学系统的复杂性和探测器性能，我们将AMMIS的静态MTF设计为UV、VNIR和SWIR模块大于或等于0.2，TIR模块大于或等于0.15。速高比（VHR）[55‒56]是飞机速度与高度的比率，与成像仪的帧频相匹配。在推扫式机载高光谱成像光谱仪中，飞机在两个连续帧频内向前移动，因此需要成像仪帧速率与VHR保持一致，以实现无缝拼接。AMMIS主要用于有人机，如运-5、运-12和神舟-60，如图1（b）所示。这些飞机的飞行高度和速度分别在1~3 km和150~220 km·h-1范围内，这表明AMMIS的VHR约为0.02~0.04 s-1。帧速率和积分时间可以调整，以满足不同飞机的VHR要求。

为了满足设计指标，AMMIS创新性地采用了模块化设计，包括以下四个模块：UV、VNIR、SWIR和TIR。我们将这些模块集成到基于Leica PAV 80的稳定平台中，从而能够在宽波长范围内对同一区域同时成像，如图2（a）所示。每个模块包含三个光谱仪，它们拼接在一起以实现40°视场，并且相邻光谱仪之间有重叠区域[57]。VNIR和SWIR模块分别包括成像光谱仪，如图2（b）所示。如图2（c）所示，TIR、VNIR、SWIR和UV模块沿轨道方向依次对齐，通过优化和配置实现无遮挡视场。在穿轨方向，通过调整VNIR/SWIR模块的高度以获得无遮挡视场。此外，我们利用Trimble Applanix公司的定位定向系统（POS）610获取飞机姿态测量数据，以便进行后续的几何校正。四个模块的所有电子学控制装置都安装在一个机柜中，并通过电缆连接到光谱仪。这些模块可以独立运行，也可以灵活组合运行，满足不同遥感任务需求。UV模块主要包括光学和电子学模块[54]。由于空间条件限制，三个成像光谱仪具有相同的光学系统，被组装在一个L形光学箱中。电子学设备功耗很高，这会影响系统温度。因此，我们安装了5 mm宽的纤维塑料，以防止两个子模块之间的热传递。每个成像光谱仪包含一个遮光罩、前置光学、准直器、棱镜光栅色散元件、探测器和电子学设备[58]。为了减少杂散光的干扰，光学镜的支撑材料被涂黑。TIR模块由三个低温设计的光学元件组成[57]。两个机械制冷机分别用于将光谱仪和焦平面阵列（FPA）的温度保持在100 K和77 K。

2.2 光学系统和性能

光学系统是AMMIS最为关键的子系统之一，其性能决定了高光谱数据的图像质量。图3（a）~（c）显示了所有模块的光学系统设计。UV [54]、VNIR/SWIR [58]和TIR [57]模块中的三个光谱仪的光学布局相同。

2.2.1 UV模块

本研究中，紫外光谱仪分为三个通道，覆盖波长200~276 nm、276~380 nm和380~500 nm。每个光谱仪的光谱分辨率均小于0.5 nm [54]。波长分割显著缓解了镜头设计中的色差校正，并通过简化凸光栅设计来提高光学系统质量。由于空间分辨率要求较低，紫外模块内的每个光谱仪都实现了40°视场，从而无需进行视场拼接，同时确保从200 nm到500 nm的完整波长覆盖。如图3（a）所示，紫外成像光谱仪包括前置光学元件、狭缝、凹面镜、光栅和电荷耦合器件（CCD）探测器。凸面光栅和凹面镜组成了Offner结构光谱仪，具有初级像差小、相对孔径大、像差和失真小等优点[59]。CCD探测器响应波长范围为200~1000 nm，尺寸为1032×1072像素。在穿轨方向上，探测器中心位置的1000像元用于获取空间信息，探测器沿轨方向上的1024像元用于收集目标的光谱信息[54]。UV模块的静态MTF结果为0.459，超过了设计指标。

2.2.2 VNIR/SWIR 模块

如图3（b）所示，VNIR和SWIR光谱仪具有相似的光学系统，包括色散元件等[58]。使用离轴三反（TMA）望远镜设计了前置光学系统，它具有低失真、高通量、体积小、图像质量好等优点。此外，TMA可以与后端光谱仪匹配和集成。狭缝与入射光瞳之间的距离为695 mm，焦距为128 mm。仿真结果表明，对于所有视场，望远镜光斑尺寸的均方根（RMS）半径均小于5.7 μm。为了减少畸变和失真，设计了一种新型棱镜光栅（PG）光谱仪，主要包括棱镜和反射式平面闪耀光栅。光栅使光发生色散，而棱镜则补偿光谱畸变，该方案具有低成本、可行且简单的优势。为了简化光学结构，我们在光谱仪中采用了反射-折射设计。准直器使用轴上球面镜来避免色差，而重成像器使用透镜来校正准直器引入的像差。这种重成像器设计降低了系统成本和体积，便于对准和像差校正。

我们将光谱仪与TMA望远镜集成来评估性能。结果表明，PG成像光谱仪的MTF在所有测试位置都超过0.3，优于设计指标。如图4所示，畸变和失真在一个像素的±5%范围[55,58]。SWIR成像仪的光谱仪和重成像器设计与VNIR成像仪相似。SWIR光学系统的RMS半径在所有视场中均小于8 μm，而畸变和失真小于3 μm。VNIR模块使用了尺寸为2048×256像素的CCD探测器，在SWIR模块中使用了碲镉汞（MCT）探测器。

2.2.3 TIR模块

TIR模块由三个光谱仪[57]组成，每个光谱仪的视场角为18.18°，因此总视场角约为40°（不包括相邻光谱仪之间的重叠视场）。使用折射式望远镜作为前置光学系统，以减少失真和降低成本。光学仿真结果表明望远镜的失真小于0.6 μm，说明图像质量较高。如图3（c）所示，在光谱仪设计中使用三反结构，结合平面光栅实现了高光通量、体积小等优点。与UV和VNIR/SWIR模块不同，TIR成像光谱仪主要获得目标的自身辐射。背景辐射对TIR模块有显著影响，抑制背景辐射是设计时需要考虑的关键因素[60]。所以，我们创新地提出了TIR光谱仪的低温光学设计，将系统温度保持在100 K。具体来说，三个光谱仪和焦平面阵列（FPA）组装在真空室中，使用两个机械冷却器将系统温度冷却至100 K。如图5所示，望远镜在室温下运行，而FPA使用斯特林制冷机冷却至77 K。如图6 [57]所示，我们在实验室中测量了TIR光学系统，所有视场的MTF均超过0.26。使用滤光片、黑体和狭缝垂直滤光片评估了畸变和失真。在TIR模块中采用了尺寸为320×256像素的MCT探测器。

2.3 电子控制模块

作为AMMIS的关键组成部分，电子控制模块（ECM）负责监控成像光谱仪的自我检测能力、探测器驱动器、数据采集、数据存储和稳定平台的运行。如图7所示，ECM包括相机控制系统、数据采集系统、稳定平台控制系统和POS。ECM通过标准422 （RS-422）串行通信发送控制命令，从而管理电源、制冷机和参数配置。

相机控制系统是ECM的核心部分，它将光学系统采集到的光信号转换成电信号[55]。所有相机的工作状态也反馈给ECM。相机的图像数据通过低压差分信号（LVDS）传输线传输到复合数据电路板，并由数据采集系统存储和显示。为方便起见，稳定平台和POS控制系统作为独立模块运行。稳定平台控制系统用于将系统的姿态限制在一定范围内，从而减少由于飞机振动引起的成像光谱仪视轴漂移。三轴稳定平台可以隔离飞机在滚转、俯仰和偏航方向上的振动，控制相机姿态。为增加AMMIS承载重量，对PAV 80稳定平台进行升级改造来控制姿态。采用APPLANIX公司的POS 610来获取高精度位置和姿态信息，主要包括惯性测量单元（IMU）、全球定位系统（GPS）接收器、计算机系统和数据处理软件。

2.4 热控和飞行平台

环境温度会影响高光谱成像系统中电子元件的性能，进而影响数据质量。因此，温度控制是AMMIS设计中的一个重要考虑因素，尤其是TIR成像光谱仪。通过热分析，将AMMIS设计为在极端天气条件下适应1~6 km的飞行高度。通过仿真模拟结果确定了需要降温的主要热源。电子元件产生的热量可以在冬季将光学元件保持在283~293 K，无需额外的加热系统。但在夏季，有效的散热对于防止仪器因高温而发生故障或性能下降至关重要。为了解决这个问题，安装了导热管将热量从高温区域转移到低温区域。

将风扇和水冷管安装在热源上，以降低电子元件和制冷机部件的温度，利用机械低温制冷机来降低SWIR探测器中的热噪声。上述设计显著减轻了UV、VNIR和SWIR模块的热背景辐射的影响。然而，对于TIR模块仍然不够，如表2所示。TIR模块的光学系统需要低温工作环境来降低背景辐射的影响。所以，如图5所示，我们为TIR模块的光学系统设计了低温结构。具体来说，采用金属刀口法兰密封真空室接口，并在舱盖上安装吸附泵以维持室内真空[61]。所有光学元件的反射器、光学支架和基板均由铝合金加工而成，以确保低温光学系统的形变一致。使用环氧树脂将光学基板与真空室隔离以减少热传导。两侧使用镀金的多层隔热罩以防止热辐射泄漏。为了减轻制冷机振动对光学系统的影响，使用具有高导热性的柔性散热带连接光学基板和制冷机。低温光学系统除镜面外所有表面均采用发黑处理以满足温度梯度要求，并在接口部位添加铟以降低低温光学系统装配过程中的传热阻力。

AMMIS主要为机载飞行平台设计，因为具有速度快、载重量大、飞行时间长等优点。此外，航空平台可以容纳多个高性能载荷，可用于大面积观测遥感任务；具备实时能力，工程师可以根据实时要求处理和调整数据，这对于环境监测、搜救行动和执法检查至关重要。因此，机载高光谱成像光谱仪对于地球观测领域和验证卫星高光谱任务关键技术仍然是必不可少的[2,62]。

如图1（b）所示，用于AMMIS的飞机平台包括运-5、运-12、神舟-60和塞班208。通过分析这些飞机平台的特性来确认它们与AMMIS的兼容性，结果表明，运-12和神舟-60满足携带所有模块的需求。运-12是在运-11基础上发展起来的轻型多用途运输机，主要用于货物运输、农林作业、地质勘探等。此外，运-12飞机可提供28 V直流电压，可为AMMIS供电，最大功耗为5 kW，满足AMMIS要求。此外，运-12的光学遥感窗口为非气密、无玻璃窗口，可容纳PAV 80稳定平台。神舟-60具有与运-12类似的特性，也可携带AMMIS所有模块。也可灵活配置AMMIS模块，将其安装在其他飞机平台上。

3 定标和系统测试

高光谱的数据质量对后续应用有重要影响。本节主要介绍AMMIS的预处理方法，包括实验室和飞行定标、几何校正及大气校正。此外，本节还报道了系统性能测试结果。

3.1 实验室定标和性能测量

一般情况下，高光谱成像仪的辐射定标和光谱定标在飞行前实验室完成[28]。光谱定标的目的是确定中心波长的位置、光谱响应函数（SRF）和光谱分辨率。辐射定标分为相对定标和绝对定标，前者改善图像数据的非均匀性，后者将仪器输出的数字值（DN）转换为光谱辐亮度。

紫外模块的光谱和辐射定标在实验室完成，如图8（a）、（b）所示。使用可调激光器和汞氩灯作为光源进行光谱定标[54]。利用汞氩灯的特征发射光谱来校准紫外模块的每个光谱通道，从而计算出光谱覆盖率、光谱分辨率和SRF。使用汞氩灯作为光源照射聚焦透镜并通过透射板到成像仪中，记录其特征光谱。使用最小二乘法将收集的数据拟合到高斯函数中，表征光谱曲线（假设光谱响应为线性）。从9个视场角计算了紫外光谱仪的SRF，并获得了光谱分辨率，详细结果见参考文献[54]。此外，使用不同定标源完成三个紫外模块光谱仪的辐射定标。光谱仪1使用基于氙灯的漫射板，而光谱仪2和3使用基于石英钨卤素（QTH）灯的积分球，如图9（a）所示。使用经过校准的光谱辐射计来监测辐射定标系统的辐亮度。三台光谱仪的绝对辐射定标精度分别为4.89%、4.67%和4.42% [54]。

在实验室使用积分球对VNIR和SWIR模块进行了辐射定标，如图9（b）所示。在实验室测量中，也考虑了大气透过率的影响。我们使用校准后的积分球，并通过改变打开灯的数量来调整输出辐亮度。至少收集5个级别的定标数据，并设置适当的相机参数以避免信号饱和。首先，使用定标数据进行相对辐射校正，以减少相邻像素之间的不均匀性。此外，提出了基于统计和空间滤波的方法来消除残余条纹噪声[63‒64]。通过实验结果，分别获得了VNIR和SWIR成像光谱仪的1.19%和2.4%的相对辐射精度[55]。其次，使用实验室定标数据进行绝对辐射定标。结果表明，VNIR和SWIR成像光谱仪的绝对辐射定标精度分别为≤5.91%和≤6.54%。使用光源、单色仪、准直器和控制系统对VNIR和SWIR模块进行光谱校准，如图8（b）所示。使用高功率溴钨灯作为光源，已知波长的汞灯用于校正单色仪。测试结果表明，VNIR和SWIR成像光谱仪的光谱定标精度分别为0.109 nm和0.3 nm。此外，我们提出了一种基于水蒸气吸收特性和单色仪的光谱校准方法，以提高实验室的光谱定标精度[65]。如参考文献[55,58]中所报道的VNIR成像光谱仪的SRF测量结果和光谱分辨率表明，所开发的仪器符合设计目标。VNIR、SWIR和TIR成像光谱仪的SRF测试结果如图10（a）~（c）所示，可以看出，拟合的光谱曲线几乎呈高斯分布。

在实验室使用黑体对TIR模块进行了辐射定标，如图9（b）[13]所示。将黑体温度分别设置为293 K、313 K、333 K和353 K，以获得辐射定标系数。通过相对和绝对辐射定标，将成像光谱仪的DN值转换为辐亮度。与VNIR和SWIR模块类似，在辐射定标后，使用提出的校正方法去除TIR高光谱图像中的残余噪声[63‒64]。最终，三个TIR模块光谱仪的绝对定标精度均优于1 K。对于TIR模块的光谱定标，使用碳化硅棒作为光源，并使用iHR550单色仪扫描8~12.5 μm的波长，如图8（b）[13,57]所示。单色仪的扫描步长设置为0.5 nm，通过记录并处理定标数据以获得TIR光谱仪的SRF，如参考文献[57]所述。为了测量光谱定标的准确性，使用具有精确已知波长的二氧化碳激光器作为光源与TIR光谱仪进行比较。利用该方法测量并校正光谱仪的光谱漂移，实现了≤1 nm的光谱定标精度。此外，使用TIR成像光谱仪进行了氨气检测实验，并将结果与气体光谱仪获得的结果进行了比较。实验结果表明，TIR成像光谱仪可以获得氨气的准确光谱信息[57]。

高光谱成像光谱仪的性能对其应用有至关重要的影响。因此，我们在实验室室内和室外对AMMIS进行了性能测试，以验证其是否符合表1中的设计要求。此外，还进行了飞行实验以测试稳定平台和飞机之间的接口。AMMIS的成像、光谱和辐射性能测试也在实验室中完成。

成像性能测量包括FOV测试、瞬时视场（IFoV）测试和MTF评估。我们采用刀口扫描法[66]测量UV模块的MTF，采用狭缝扫描法[55]测量VNIR、SWIR和TIR模块。使用准直器、反射镜和转台[55,58]进行FOV和IFoV测试。如图8所示，主要使用光源、单色仪、准直器、反射镜和转台进行光谱特性测试。为了提高光谱定标的精度，采用了已知波长的汞灯。UV模块的光谱定标精度主要受数据拟合误差[54]和单色仪误差的影响。如图9所示，使用积分球和黑体在实验室中评估了AMMIS的辐射定标性能。辐射定标精度主要受定标系统的非稳定误差、非线性误差和成像仪不稳定性的影响[55]。此外，我们根据辐射定标的结果在实验室中测量了AMMIS的系统灵敏度，UV、VNIR和SWIR模块使用SNR表示[55]，TIR模块使用噪声等效温差（NETD）表示[67]。UV、VNIR和SWIR模块的SNR测量条件为太阳高度角为60°，地面反照率为0.3。对于TIR模块，目标是300 K的黑体。详细的测量方法参考文献[55]，性能测试结果表明，系统满足设计要求，部分参数超出设计指标。表3总结了AMMIS的性能测试结果。

3.2 在轨飞行定标

系统状态变化（如由于平台振动或温度变化导致的组件轻微移动）会导致成像光谱仪响应光谱偏移。因此，飞行校准对于获得准确的辐射信息和提高光谱校准精度至关重要。我们对UV模块进行了飞行校准，以测量与实验室光谱校准结果相比的光谱漂移[54]。应用狭缝卷积函数将测试的太阳光谱拟合到高分辨率太阳参考光谱[68]。将实验室获得的光谱校准结果作为拟合方法的初始值，经过多次迭代后获得最佳结果。参考文献[54]提供了穿轨方向不同位置的光谱漂移。

为了提高VNIR和SWIR模块的辐射定标精度，使用五个已知反射率的漫反射板进行了飞行校准。这些漫反射板被放置在AMMIS飞行区域，以确保每个面板至少占据图像的4×4个像素。我们使用了Analytical Spectral Devices (ASD) FieldSpec光谱仪同步测试面板的辐射特性，如附录A中的图S2 [55]所示。为了验证光谱校准结果，将AMMIS获得的典型地面物体的光谱曲线与使用ASD光谱仪获得的光谱曲线进行了比较。两个结果之间的残差误差≤0.02 W·(m2·nm·Sr)-1，如图12（c）所示。此外，我们提出了一种飞行中光谱校准方法，以获得VNIR成像光谱仪的精确波长位置[69]。该方法减轻了底层大气的影响，获得了中心波长的偏移，并将光谱校准的不确定度提高到≤0.05个像素。文献[70]提出了另一种飞行校准算法，以提高SWIR成像光谱仪的光谱校准精度。根据2000 nm水蒸气和1269 nm二氧化碳的大气吸收特性监测所有波段的光谱偏移，得出3σ置信区间为±0.38 nm。

与UV、VNIR和SWIR模块相比，TIR模块测量地面物体的自身辐射时，容易受到背景辐射的影响。仪器状态的变化也会影响基于实验室数据得出的定标结果。因此，我们对TIR模块进行了飞行校准，以提高其定标精度。将黑体安装在飞机上，其定标数据用于将TIR光谱仪的DN值转换为目标发射率和温度。其主要有两种模式：黑体校准和成像模式。在黑体校准模式下，黑体占据TIR光谱仪的整个视场，而在成像模式下，黑体被移除。我们还使用定标数据完成非均匀性校正，并使用去条纹方法消除探测器非均匀性或狭缝污染引起的残留条纹噪声[13,63‒64]。经过非均匀性校正后，VNIR、SWIR和TIR模块的非均匀性分别从3.88%、4.27%和4.71%提高到1.09%、0.25%和0.41% [63]。此外，为了提高TIR模块的定标精度，我们在飞行期间进行了野外定标。选择与黑体发射光谱特性相似的地面物体（如水）作为参考目标。通过测量大气条件和温度进行重定标，以提高定标精度。

3.3 几何和大气校正

机载高光谱成像仪易受平台振动和姿态变化的影响，这会导致图像在沿轨方向上和穿轨方向上失真。因此，通过外方位法对AMMIS进行了几何校正，获得地面目标精确的几何和地理信息[71]。从POS 610获得的数据（包括时间、纬度、经度、高度、航向、俯仰角和滚转角等参数）用于计算外方位元素，建立所有图像像素位置与实际地面坐标之间的对应关系。使用商业遥感软件（如ENVI）在VNIR、SWIR和TIR成像光谱仪之间进行图像配准。

附录A中的图S3显示了VNIR模块几何校正前后的图像。AMMIS的相对和绝对几何校正精度分别为1个像素和3.9个像素，不同模块之间的图像配准精度优于1个像素。为了提升AMMIS的性能，SITP与武汉大学[72]合作对VNIR和SWIR模块进行了精确几何校正。首先，对三台成像光谱仪进行拼接，获得宽幅条带图像；其次，利用POS 610数据进行粗几何校正，生成P2A级产品；最后，完成VNIR和SWIR图像之间的图像配准，配准精度优于0.5个像素。结合空中三角测量和数字高程数据进行精细几何校正，文献[72]显示的校正结果表明几何校正精度和畸变得到了显著提高。

大气校正对于获取准确的地表反射率数据至关重要。根据应用需求，使用多种方法对AMMIS进行了大气校正。对于UV模块，由于其空间分辨率与Landsat 8陆地成像仪[73]相似，使用最临近时间的Landsat 8的表面反射率产品对UV成像光谱仪进行大气校正[54]。基于大气辐射传输对TIR模块进行了大气校正，同时使用了同步地面实验的辅助数据[13]。对于VNIR/SWIR模块，SITP与中国科学院遥感应用研究所（IRSA）合作，采用了两种大气校正方法。第一种方法是通过地面同步测量获得飞行区域纯像元的反射率，以建立DN值与反射率之间的关系[55]。第二种方法利用大气校正模型FLAASH[74]来获得地物的地面反射率。第一种方法成本高，而第二种方法依赖于准确的大气条件。因此，AMMIS需要更先进、更省力、更精确的大气校正方法来获得高精度的地表反射率。

4 应用

基于不同飞机平台上进行了一系列飞行实验，以验证AMMIS的性能并探索其应用。本节详细介绍了飞行实验和AMMIS获得的高光谱数据特征。展示了由VNIR模块生成的三个不同的高光谱数据集，这些数据集显示了AMMIS用于不同场景分布的分类和识别能力。基于传统机器学习和深度学习方法的人工智能（AI）算法评估了数据的分类精度。最后，展示了AMMIS的对地观测应用效果。

4.1 飞行试验和高光谱数据立方体

2016年2月20日，AMMIS在海南省东方市进行了首次飞行试验，测试了AMMIS各模块的性能。飞行试验于上午10点至下午2点55分（CST时间）使用运-12飞机在3 km高度、220 km·h-1下完成。试验期间，系统在机场进行制冷，以评估制冷时间和制冷机的功能。此外，还在飞机上进行了电子学系统的联调和控制模块的测量。本次飞行试验的成功具有重要意义，为后续AMMIS系统的完善提供了参考。

自2016年以来，在全国对AMMIS进行了30多次飞行试验，充分验证了AMMIS的性能并完成了相关对地观测任务，表4显示了已完成飞行试验的详细信息。一般地，在晴天进行飞行试验以减少大气的影响，飞行高度根据飞机和任务要求设定为0.8~4 km。2016—2023年期间收集了约200 TB的高光谱数据。附录A中的图S4显示了AMMIS的高光谱数据立方体示例，包含了同一地面目标的不同波长范围的高光谱数据。VNIR、SWIR和TIR模块的光谱波段数分别为256、512和140。在2 km的飞行高度采用高光谱分辨率成像模式，三个高光谱数据立方体的空间分辨率分别为0.5 m、1 m和2 m。图S4所示的结果证明了AMMIS能够在较宽的波长范围内获取高质量的高光谱数据。

4.2 用于土地覆盖分类和超分辨率重建的高光谱数据集

土地覆盖分类和识别在对地观测应用中至关重要[75‒76]。AMMIS生成的高光谱数据具有较高的空间和光谱分辨率，有助于土地覆盖分类[77‒81]和超分辨率重建[82‒86]。图11（a）和（b）展示了2017年飞行试验在中国河北省雄安新区马蹄湾村获得的高光谱数据集的彩色图像和参考标签。该数据集的空间分辨率为0.5 m，波长范围为0.4~0.95 μm，光谱分辨率为2.4 nm。为了创建参考标签图，SITP与IRSA合作收集并验证了对应的地面真实数据，如图11（b）所示。与其他公开的高光谱数据集（如Indian Pines和Pavia University [87]）相比，马蹄湾村数据集提供了更大的图像尺寸、更高的空间分辨率和光谱分辨率。图像尺寸为3750×1580像素，包含了20种类别，除去背景外可提供3 677 110个可用样本。这些特点使得马蹄湾村数据集对于研发需要大量样本的深度学习算法特别有价值。由于蹄湾村数据集中的大多数类别均为经济作物，因此其也适用于特定类别的研究[22]。

马蹄湾村数据集中大多数类别分布均匀，各种类别样本聚集成大斑块。为了进一步比较，构建了另一个大规模高光谱数据集，如图12所示。该数据集于2018年在河北省雄安新区郊区获取。由于两次作业的飞行高度相同，雄安新区郊区高光谱数据集的空间分辨率、光谱分辨率和波长覆盖范围与马蹄湾数据集相同。雄安新区郊区数据集的大小为2821×2840像素，除背景外共有7 935 209个可用样本。通过去除6个信噪比较低的波段，得到250个光谱波段的数据集。雄安新区郊区数据集分为8类，斑块复杂且每个斑块内部异质性较强。

为了进一步研究AMMIS生成的高光谱数据集特征，SITP与中国科学院空天信息研究院合作，制作了第三个数据集，该数据集于2020年在中国辽宁省沈阳市采集[88]。与前两个数据集不同，沈阳数据集的空间分辨率为0.75 m，飞行高度为3 km，在去除信噪比低的波段后包含190个光谱波段。沈阳数据集的场景分布简单，图像大小为651×837像素，可用样本为544 887个。沈阳数据集分为五类：水稻、树木、玉米、草地和裸地，如图13所示，该数据集被用于高光谱解混和分类[88]。

为了测试从AMMIS获得的不同场景分布的高光谱数据，使用人工智能算法对三个高光谱数据集进行了分类实验，包括典型的传统机器学习和深度学习模型。采用具有代表性的传统机器学习模型随机森林（RF）分类器进行高光谱图像分类[89]。三种基于卷积神经网络（CNN）的深度学习方法，包括一个二维（2D）CNN [80]和两个三维（3D）CNN [80,90]模型。此外，使用了两个transformer网络，即VIT [91]和RVT [92]，来比较这些人工智能算法的性能。在实验中，采用随机抽样方法，不重复地抽取样本以形成训练集、测试集和验证集。每个数据集的训练集和测试集的比例分别为10%和90%，并使用来自训练集的5%的样本作为验证集。根据预实验结果，我们将马蹄湾、雄安新区和沈阳数据集的epoch数分别设置为50、50和100。我们在Python 3.8中进行了分类实验，并使用Scikit-learn进行传统机器学习，使用PyTorch框架完成了深度学习模型实验。为了评估分类结果，使用kappa系数（κ）和总体分类精度（OA）作为主要指标，如表5 [80,90‒92]所示。值得注意的是，基于深度学习的方法对AMMIS高光谱数据集的分类准确率超过90%，其中，马蹄湾和沈阳数据集的最高分类精度超过了95%。试验结果显示了深度学习方法在高光谱分类和识别方面的有效性和稳健性。

4.3 气体检测

污染和危险气体检测对于大气监测和工业管理至关重要[93‒94]，AMMIS在这些应用中发挥着重要作用。AMMIS的UV模块已通过差分光学吸收光谱（DOAS）技术用于观察对流层中的二氧化氮[54]。此外，TIR模块成像仪已用于在实验室和野外检测危险气体。

2018年6月在中国肥城的一次飞行活动中，AMMIS的UV模块被用于获得对流层中二氧化氮的垂直柱密度（VCD）。该任务由运-5飞机执行，覆盖面积为600 km2。UV模块提供的空间分辨率约为25 m×22 m。获取二氧化氮VCD的主要步骤如下。

（1）预处理：包括相对辐射校正、几何校正、空间像素合并和飞行中校准，以获得高质量的光谱数据。

（2）斜柱密度（SCD）反演：利用DOAS技术分析获得的高光谱数据，确定二氧化氮的SCD。

（3）SCD到VCD的转换：利用辐射传输模型[95]和Landsat 8的地表反射率数据计算空气质量因子，从而实现SCD到VCD的转换。

（4）空间重采样：采用空间重采样方法将数据与谷歌卫星地图对齐。

飞行试验结果表明，紫外高光谱成像模块能够识别二氧化氮排放源，包括钢铁厂、发电厂、水泥厂等。高光谱图像中二氧化氮的空间分布清晰可见，其中钢铁厂产生的羽流最大。此外，通过定量分析和同步地面测试，验证了紫外成像模块在监测二氧化氮传输和排放方面的有效性[54]。

具有米级空间分辨率的TIR高光谱成像仪在监测室温和有害气体方面具有显著优势，可以远距离测量气体形态、类别和浓度[96]。因此，在实验室和野外都测试了AMMIS中TIR模块的气体检测能力。

如图14所示，在实验室近距离测量了氨气的吸收光谱。将光学系统冷却至100 K以减轻仪器内部的热背景，然后开始收集数据。在293 K和313 K下进行黑体成像实验，然后使用黑体数据进行辐射定标以获得定标系数。通过对硅碳棒进行成像实验，收集并计算背景辐射数据。随后，将氨气插入位于硅碳棒和仪器之间的气池中以完成气体测量，如图14所示。将美国国家标准与技术研究所（NIST）公开收集的氨气光谱曲线与测量结果进行了比较，如图15所示。比较结果表明，TIR模块可以准确检测对温度敏感的气体。此外，在野外实验中，使用TIR模块在200 m的距离检测了六氟化硫（SF6），揭示了所获图像中气体几何形态的变化。这些结果证明了TIR模块的高精度气体检测能力及其在各种环境监测场景中的潜在应用。

4.4 其他应用

矿物探测在社会和全球经济发展中起着至关重要的作用[97‒98]。TIR高光谱成像仪可以获得8.0~12.0 μm波长范围内的丰富光谱特征[99]，已被用于矿物识别[13]。在实验室中使用TIR模块测量了中国地质调查局武汉地质调查中心提供的各种矿物（包括石英、绿帘石、方解石和萤石）的发射光谱。如图16所示，与氨气检测实验类似，在测量前将光学系统冷却至100 K，以减少仪器内的热背景影响。我们在293 K、313 K、333 K和353 K下进行了黑体成像实验，并记录结果以计算辐射校准系数。为了增加样品与背景之间的温差，使用加热板将矿物加热到约323 K。在测量过程中，严格控制样品的温度以保持稳定的辐射特性。测量完每个样品后，使用反射率为0.94的金板作为背景参考，将金板放置在与样品相同的位置以测量背景辐射。随后，使用数据处理算法确定矿物的光谱发射率。为了验证测量结果，使用具有高光谱分辨率的傅里叶变换红外光谱仪（FTIS）测试矿物的光谱发射率。图17所示的比较结果表明，两个仪器测得的发射率光谱曲线高度相似。此外，石英的发射峰位置与亚利桑那州立大学[13]公布的光谱实验室曲线相匹配。这些实验结果表明，AMMIS的TIR模块在各种应用中可有效识别矿物。

南水北调是中国的大型水利工程，旨在将水资源丰富的江淮地区的水引向干旱的北部和西北部地区，以促进经济和社会发展[100]。南水北调工程的东支线从太行山延伸至天津市，该地区的建设于2011年完成，如附录A中的图S5（a）所示。与施工前情景[图S5（b）]相比，施工痕迹清晰可见，如图S5（c）所示。虽然东支线的大多数渠道都在地下，但渠道上方的植被显示出恢复的迹象。截至2016年4月3日，谷歌地图上几乎没有显示任何施工活动的迹象，如图S5（d）所示。然而，AMMIS的VNIR模块于2018年9月17日拍摄的高光谱图像显示，施工现场的植被生长异常，在图S5（e）和（f）中用红色矩形标记。图S5（d）是使用AMMIS高光谱图像数据中红、绿、蓝波段的合成图像，而图S5（f）是假彩色图像。两幅图像都显示植被生长异常，这种现象在2017—2019年的Google图像中是看不到的。这种差异可能与AMMIS的宽波段探测能力有关，但仍需要进一步调查以确定异常原因。

如表4所示，AMMIS已开展了30多次飞行试验，完成了各种对地观测领域的大量遥感应用任务。通常，这些任务是与研究机构和大学合作完成的，以满足特定的应用需求。例如，2018年，SITP与自然资源部第二海洋研究所合作，在中国西沙群岛七连屿的一次飞行试验中，使用VNIR模块获得的高光谱数据确定沿海区域的水深[101]。与PRISMA数据和无人机高光谱数据相比，AMMIS的优越性能能够获得最高的反演深度（35 m）。2022年，SITP与华东师范大学合作，在上海的一次飞行试验中获取了淀山湖的叶绿素浓度图[102]。其他应用的AMMIS数据目前正在处理中，未来会进一步报道。

5 讨论

5.1 优势和限制

AMMIS在各个领域发挥着重要作用，是中国高分辨率对地观测计划的重要组成部分。AMMIS的UV、VNIR和SWIR模块也被用于验证星载高光谱载荷的关键技术。TIR模块的低温光学技术、分光技术和大面积红外焦平面探测器技术已得到研究和验证，从而促进了未来卫星TIR高光谱成像仪的研制。AMMIS提供的宽波长覆盖范围的空间和光谱信息增强了其适用性。例如，某些矿物在 VNIR、SWIR和TIR波段都表现出明显的光谱特征，因此，宽波长覆盖范围可以检测到更多的光谱特征来提高识别准确性[103‒105]。AMMIS具有两种操作模式：高空间分辨率模式和高光谱分辨率模式，近年来这两种模式已广泛应用于各种任务。AMMIS的扫描幅宽超过了典型的推扫式机载高光谱成像仪，提高了工作效率。AMMIS可以在2 km的飞行高度上在5 h内收集超过1000 km2的高光谱数据，其因高工作效率而受到许多用户的青睐。UV、VNIR、SWIR和TIR模块可以集成或者单模块运行，为各种任务提供灵活性。这种适应性使AMMIS可以配置各种飞机平台，以最低成本满足不同的任务要求。AMMIS发布的高光谱数据集图像尺寸大，具有很高的空间和光谱分辨率。这些数据集对于研发需要大量样本和实时处理的深度学习AI模型至关重要。

AMMIS是一个高度复杂的系统，一次飞行任务组装所有模块的成本较高。尽管如此，AMMIS的设计非常灵活，允许每个模块根据应用需求单独运行。定量应用是高光谱遥感的一个重要优势，需要较高的辐射、几何和大气校正精度。AMMIS在飞行试验中进行了天空光监测，以提高校正精度。然而，仍需要更先进的方法来进一步提高数据的预处理精度。虽然AMMIS可以通过地面同步测量获得较高精度的目标表观反射率，但成本较高。因此，仍需要高精度、低成本的大气校正方法。此外，仍需小样本、适用于大面积作业的深度学习模型研发，以提高其作业效率和应用精度。

5.2 研究计划

AMMIS的高光谱数据已用于土地覆盖调查、环境保护、海洋监测、水源调查、农业遥感、森林识别和智慧城市建设。但过去三年的飞行任务也受到COVID-19的限制。随着这些限制的结束，计划为AMMIS开展新的飞行试验，并在未来几年提升高光谱数据的可用性。继续提升AMMIS的性能，如预处理精度、灵敏度和空间分辨率，以减轻多云天气对高光谱遥感的限制，提高运行效率。

星载高光谱成像仪提供广泛的地面覆盖范围，并且可以固定的时间间隔获取同一区域的数据。相比之下，机载高光谱成像仪具有高空间分辨率和灵活操作的特点。为了结合星载和机载高光谱成像仪的优势，计划与高分五号等高光谱卫星同步开展AMMIS的飞行试验，用于探索新的应用和研发下一代卫星高光谱载荷。

近年来，中波红外（MWIR）高光谱成像光谱仪的研制取得了重大进展[106]。根据应用结果，具有宽波长覆盖范围的高光谱成像仪对于探索新应用非常有效。因此，未来可以研制覆盖UV、VNIR、SWIR、MWIR和TIR波段的全波长高光谱成像系统。

不同的应用对高成像光谱仪有不同的性能需求。目标大小、地理环境和任务目标等因素都会影响空间分辨率需求[17,107,108]。虽然多光谱数据可能满足一般的土地覆盖分类，但复杂环境中的物种分类和识别需要高光谱数据来区分仅使用空间纹理信息难以识别的物体。此外，由于SNR的限制，空间分辨率和光谱分辨率之间存在权衡，这也影响了AMMIS在不同领域的适用性[22]。为了扩大AMMIS的应用范围，有必要进一步研究高光谱成像仪的核心参数与应用结果之间的关系。此外，还需关注人工智能模型[109]的发展，因为它们可能会影响未来高光谱成像仪的设计[110]。未来，低成本的专用型高光谱成像仪可能会成为发展趋势之一，以增强高光谱成像技术在多个领域的适用性。

6 结论

AMMIS是中国研制的新一代机载高光谱成像系统，已完成30多次飞行任务。该系统已用于验证星载高光谱载荷的多项关键技术，并因其优异性能而被广泛用于多项对地观测。本文详细介绍了AMMIS的设计、定标技术、飞行试验、性能测试和典型应用。模块化设计使系统能够覆盖广泛的波长探测范围，包括UV、VNIR、SWIR和TIR波段，各模块可以根据任务需求单独或组合运行。为每个模块设计了先进的光学系统，特别是通过低温光学技术保证了TIR模块的性能。为了获得高质量的高光谱数据，使用实验室和野外飞行数据研发了多种定标方法。通过多次飞行任务，验证了该系统的性能和应用效果。性能测试结果表明，AMMIS仪器符合设计要求，多项测试结果超过了设计指标。

本文展示了AMMIS的多项应用结果，提供了三个具有高空间和光谱分辨率的大尺寸高光谱数据集。然而，未来仍然需要提高预处理精度，特别是研发新的大气校正方法以减少成本。最新的人工智能算法在基于AMMIS高光谱数据集上分类效果出色。进一步弥补仪器设计、模型开发和应用结果之间的知识差距，对于推进高光谱成像技术的发展至关重要。

未来仍聚焦高光谱成像光谱仪设计、人工智能模型开发和应用效果提升，特别是研制下一代机载和星载高光谱载荷。研制覆盖MWIR波长的宽谱段成像仪可以显著促进下游应用发展和需求。此外，进一步提高预处理精度，包括辐射校正、几何校正和大气校正，可能会克服高光谱成像在阴天或夜间操作的局限性。先进的AI模型可以显著提升高光谱数据的应用效果，未来可以进一步加强该方面的研究，从而满足应急任务的时效需求。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Matheson DS, Dennison PE. Evaluating the effects of spatial resolution on hyperspectral fire detection and temperature retrieval. Remote Sens Environ 2012;124:78092. . 10.1016/j.rse.2012.06.026
[2]

Jia J, Wang Y, Chen J, Guo R, Shu R, Wang J, et al. Status and application of advanced airborne hyperspectral imaging technology: a review. Infrared Phys Techn 2020;104:103115. . 10.1016/j.infrared.2019.103115
[3]

Foerster S, Brosinsky A, Koch K, Eckardt R. Hyperedu online learning program for hyperspectral remote sensing: concept, implementation and lessons learned. Int J Appl Earth Obs Geoinformation 2024;131:103983. . 10.1016/j.jag.2024.103983
[4]

Guerri M F, Distante C, Spagnolo P, Bougourzi F, Taleb-Ahmed A. Deep learning techniques for hyperspectral image analysis in agriculture: a review. ISPRS Open J Photogramm Remote Sens 2024;12:100062. . 10.1016/j.ophoto.2024.100062
[5]

Liu C, Hu Q, Zhang C, Xia C, Yin H, Su W, et al. First Chinese ultraviolet-visible hyperspectral satellite instrument implicating global air quality during the COVID-19 pandemic in early 2020. Light-Sci Appl 2022;11(1):28. . 10.1038/s41377-022-00722-x
[6]

Zhang X, Fang X, Li T, Gu G, Li H, Shao Y, et al. Multi-channel hyperspectral imaging spectrometer design for ultraviolet detection in the atmosphere of Venus. Remote Sens 2024;16(6):1099. . 10.3390/rs16061099
[7]

Yang G, Huang K, Sun W, Meng X, Mao D, Ge Y, et al. Enhanced mangrove vegetation index based on hyperspectral images for mapping mangrove. ISPRS J Photogramm Remote Sens 2022;189:236‒54. . 10.1016/j.isprsjprs.2022.05.003
[8]

Guo Y, Mokany K, Ong C, Moghadam P, Ferrier S, Levick SR, et al. Plant species richness prediction from DESIS hyperspectral data: a comparison study on feature extraction procedures and regression models. ISPRS J Photogramm RemoteSens 2023;196:120‒33. . 10.1016/j.isprsjprs.2022.12.028
[9]

Li N, Huo L, Zhang X. Using only the red-edge bands is sufficient to detect tree stress: a case study on the early detection of PWD using hyperspectral drone images. Comput Electron Agr 2024;217:108665. . 10.1016/j.compag.2024.108665
[10]

Kruse FA, Boardman J W, Huntington JF. Comparison of airborne hyperspectral data and EO-1 Hyperion for mineral mapping. IEEE Trans Geosci Remote Sens 2003;41(6):1388‒400. . 10.1109/tgrs.2003.812908
[11]

Chakraborty R, Rachdi I, Thiele S, Booysen R, Kirsch M, Lorenz S, et al. A spectral and spatial comparison of satellite-based hyperspectral data for geological mapping. Remote Sens 2024;16(12):2089. . 10.3390/rs16122089
[12]

Meerdink S, Roberts D, Hulley G, Gader P, Pisek J, Adamson K, et al. Plant species’ spectral emissivity and temperature using the hyperspectral thermal emission spectrometer (HyTES) sensor. Remote Sens Environ 2019;224:421‒35. . 10.1016/j.rse.2019.02.009
[13]

Liu C, Xu R, Xie F, Jin J, Yuan L, Lv G, et al. New airborne thermal-infrared hyperspectral imager system: initial validation. IEEE J-STARS 2020;13:4149‒65. . 10.1109/jstars.2020.3010092
[14]

Xing C, Liu C, Lin J, Tan W, Liu T. VOCs hyperspectral imaging: a new insight into evaluate emissions and the corresponding health risk from industries. J Hazard Mater 2024;461:132573. . 10.1016/j.jhazmat.2023.132573
[15]

Kruse FA. Comparative analysis of airborne visible/infrared imaging spectrometer (AVIRIS), and hyperspectral thermal emission spectrometer (HyTES) longwave infrared (LWIR) hyperspectral data for geologic mapping. In: ProcSPIE, Algorithms Technol Multispectral Hyperspectral Ultraspectral Imag XXI; 2015 Apr 21‒23; Baltimore, Maryland, USA. Bellingham: SPIE Digital Library;2015. p. 480‒92. . 10.1117/12.2176646
[16]

Zhong Y, Hu X, Luo C, Wang X, Zhao J, Zhang L, et al. WHU-Hi: UAV-borne hyperspectral with high spatial resolution (H2) benchmark datasets and classifier for precise crop identification based on deep convolutional neural network with CRF. Remote Sens Environ 2020;250:112012. . 10.1016/j.rse.2020.112012
[17]

Räsänen A, Virtanen T. Data and resolution requirements in mapping vegetation in spatially heterogeneous landscapes. Remote Sens Environ 2019 230:111207. . 10.1016/j.rse.2019.05.026
[18]

Shi L, Huang X, Zhong T, Taubenböck H. Mapping plastic greenhouses using spectral metrics derived from GaoFen-2 satellite data. IEEE J Sel Top Appl Earth Obs Remote Sens 2020;13:49‒59. . 10.1109/jstars.2019.2950466
[19]

Fayad I, Ciais P, Schwartz M, Wigneron JP, Baghdadi N, de Truchis A, et al. Hy-TeC: a hybrid vision transformer model for high-resolution and large-scale mapping of canopy height. Remote Sens Environ 2024;302:113945. . 10.1016/j.rse.2023.113945
[20]

Dalponte M, Bruzzone L, Vescovo L, Gianelle D. The role of spectral resolution and classifier complexity in the analysis of hyperspectral images of forest areas. Remote Sens Environ 2009;113:2345‒55. . 10.1016/j.rse.2009.06.013
[21]

Jia W, Pang Y, Tortini R. The influence of BRDF effects and representativeness of training data on tree species classification using multi-flightline airborne hyperspectral imagery. ISPRS J Photogramm Remote Sens 2024;207:245‒63. . 10.1016/j.isprsjprs.2023.11.025
[22]

Jia J, Chen J, Zheng X, Wang Y, Guo S, Sun H, et al. Tradeoffs in the spatial and spectral resolution of airborne hyperspectral imaging systems: a crop identification case study. IEEE Trans Geosci Remote Sens 2022;60:1‒18. . 10.1109/tgrs.2021.3096999
[23]

Schott JR, Gerace A, Woodcock CE, Wang S, Zhu Z, Wynne RH, et al. The impact of improved signal-to-noise ratios on algorithm performance: case studies for landsat class instruments. Remote Sens Environ 2016;185:37‒45. . 10.1016/j.rse.2016.04.015
[24]

Kudela RM, Hooker SB, Guild LS, Houskeeper HF, Taylor N. Expanded signal to noise ratio estimates for validating next-generation satellite sensors in oceanic, coastal, and inland waters. Remote Sens 2024;16:1238. . 10.3390/rs16071238
[25]

Wocher M, Berger K, Verrelst J, Hank T. Retrieval of carbon content and biomass from hyperspectral imagery over cultivated areas. ISPRS J Photogramm Remote Sens 2022;193:104‒14. . 10.1016/j.isprsjprs.2022.09.003
[26]

Loizzo R, Guarini R, Longo F, Scopa T, Formaro R, Facchinetti C, et al. Prisma: the Italian hyperspectral mission. In: Proceedings of the IEEE Geoscience and Remote Sensing Society, the International Geoscience and Remote Sensing Symposium; 2018 Jul 22-27; Valencia, Spain. New York City: IEEE; 2018. p. 175‒8. . 10.1109/igarss.2018.8518512
[27]

Liu Y, Sun D, Hu X, Ye X, Li Y, Liu S, et al. The advanced hyperspectral imager: aboard China’s GaoFen-5 satellite. IEEE Geosc Rem Sen M 2019;7:23‒32. . 10.1109/mgrs.2019.2927687
[28]

Green RO, Pavri BE, Chrien TG. On-orbit radiometric and spectral calibration characteristics of EO-1 Hyperion derived with an underflight of AVIRIS and in situ measurements at Salar de Arizaro, Argentina. IEEE Trans Geosci Remote Sens 2003;41:1194‒203. . 10.1109/tgrs.2003.813204
[29]

Barnsley MJ, Settle JJ, Cutter MA, Lobb DR, Teston F. The PROBA/CHRIS mission: a low-cost smallsat for hyperspectral multiangle observations of the Earth surface and atmosphere. IEEE Trans Geosci Remote Sens 2004;42:1512‒20. . 10.1109/tgrs.2004.827260
[30]

Frink K, Hayden L, LeCompte M. Compact reconnaissance imaging spectrometer for MARS (CRISM). In: Proceedings of the 2011 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2011); 2011 Jul 24‒29; Vancouver, BC, Canada. New York City: IEEE; 2011. p. 4078‒9. . 10.1109/igarss.2011.6050128
[31]

Mahalingam S, Srinivas P, Devi PK, Sita D, Das SK, Leela TS, et al. Reflectance based vicarious calibration of HySIS sensors and spectral stability study over pseudo-invariant sites. In: Proceedings of IEEE Recent Advances in Geoscience and Remote Sensing: Technologies, Standards and Applications (TENGARSS 2019); 2019 Oct 17‒20; Kochi, Kerala, India. New York City: IEEE. p. 132‒6. . 10.1109/tengarss48957.2019.8976044
[32]

Lee CM, Cable ML, Hook SJ, Green RO, Ustin SL, Mandl DJ, et al. An introduction to the NASA Hyperspectral InfraRed Imager (HyspIRI) mission and preparatory activities. Remote Sens Environ 2015;167:6‒19. . 10.1016/j.rse.2015.06.012
[33]

Nieke J, Rast M. Towards the Copernicus hyperspectral imaging mission for the environment (CHIME). In: Proceedings of the IGARSS 2018‒2018 IEEEInternational Geoscience and Remote Sensing Symposium; 2018 Jul 22‒27; Valencia, Spain. New York City: IEEE; 2018. p. 157‒9. . 10.1109/igarss.2018.8518384
[34]

Vane G, Goetz AFH, Wellman JB. Airborne imaging spectrometer: a new tool for remote sensing. IEEE Trans Geosci Remote Sens 1984;GE-22:546‒9. . 10.1109/tgrs.1984.6499168
[35]

Carmon N, Ben-Dor E. Mapping asphaltic roads’ skid resistance using imaging spectroscopy. Remote Sens 2018;10:430. . 10.3390/rs10030430
[36]

Schaepman ME, Jehle M, Hueni A, D’Odorico P, Damm A, Weyermann J, et al. Advanced radiometry measurements and earth science applications with the airborne prism experiment (APEX). Remote Sens Environ 2015;158:207‒19. . 10.1016/j.rse.2014.11.014
[37]

Muller A, Richter R, Habermeyer M, Dech S, Segl K, Kaufmann H, et al. Spectroradiometric requirements for the reflective module of the airborne spectrometer ARES. IEEE Geosci Remote Sens Lett 2005;2:329‒32. . 10.1109/lgrs.2005.848513
[38]

Gaddis LR, Soderblom LA, Kieffer HH, Becker KJ, Torson J, Mullins K, et al. Decomposition of AVIRIS spectra: extraction of surface-reflectance, atmospheric, and instrumental components. IEEE Trans Geosci Remote Sens 1996;34:163‒78. . 10.1109/36.481901
[39]

Edberg SJ, Evans DL, Graf JE, Hyon JJ, Rosen PA, Waliser DE, et al. Studying earth in the new millennium: NASA Jet Propulsion Laboratory’s contributions to earth science and applications space agencies. IEEE Geosc Rem Sen M 2016;4:26‒39. . 10.1109/mgrs.2016.2525678
[40]

Green RO, Schaepman ME, Mouroulis P, Geier S, Shaw L, Hueini A, et al. Airborne visible/infrared imaging spectrometer 3 (AVIRIS-3). In: Proceedings of the 2022 IEEE Aerospace Conference (AERO); 2022 Mar 5‒12; SkyBig, MT, USA. New York City: IEEE; 2022. p. 1‒10. . 10.1109/aero53065.2022.9843565
[41]

Plaza A, Martinez P, Plaza J, Perez R. Dimensionality reduction and classification of hyperspectral image data using sequences of extended morphological transformations. IEEE Trans Geosci Remote Sens 2005;43:466‒79. . 10.1109/tgrs.2004.841417
[42]

Hörig B, Kühn F, Oschütz F, Lehmann F. HyMap hyperspectral remote sensing to detect hydrocarbons. Int J Remote Sens 2001;22:1413‒22. . 10.1080/01431160010013450
[43]

Resmini RG, Kappus ME, Aldrich WS, Harsanyi JC, Anderson M. Mineral mapping with hyperspectral digital imagery collection experiment (HYDICE) sensor data at Cuprite, Nevada, USA. Int J Remote Sens 1997;18:1553‒70. . 10.1080/014311697218278
[44]

Jing C, Bokun Y, Runsheng W, Feng T, Yingjun Z, Dechang L, et al. Regional-scale mineral mapping using ASTER VNIR/SWIR data and validation of reflectance and mineral map products using airborne hyperspectral CASI/SASI data. Int J Appl Earth Obs Geoinformation 2014;33:127‒41. . 10.1016/j.jag.2014.04.014
[45]

Sobrino JA, Jiménez-Muñoz JC, Zarco-Tejada PJ, Sepulcre-Cantó G, de Miguel E. Land surface temperature derived from airborne hyperspectral scanner thermal infrared data. Remote Sens Environ 2006;102:99‒115. . 10.1016/j.rse.2006.02.001
[46]

Forzieri G, Moser G, Catani F. Assessment of hyperspectral MIVIS sensor capability for heterogeneous landscape classification. ISPRS J Photogramm Remote Sens 2012;74:175‒84. . 10.1016/j.isprsjprs.2012.09.011
[47]

Du P, Tan K, Su H. Feature extraction for target identification and image classification of OMIS hyperspectral image. Min Sci Technol China 2009;19:835‒41. . 10.1016/s1674-5264(09)60152-6
[48]

Rousset Rouvière L, Sisakoun I, Skauli T, Coudrain C, Ferrec Y, Fabre S, et al. Sysiphe, an airborne hyperspectral system from visible to thermal infrared. In: Proceedings of the 2016 IEEE Int Geosci Remote Sens Symp IGARSS; 2016 Jul 10-15; Beijing, China. New York City: IEEE; 2016. p. 1947‒9. . 10.1109/igarss.2016.7729501
[49]

Zhang N, Zhang X, Yang G, Zhu C, Huo L, Feng H, et al. Assessment of defoliation during the Dndrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images. Remote Sens Environ 2018;217:323‒39. . 10.1016/j.rse.2018.08.024
[50]

Pang Y, Räsänen A, Wolff F, Tahvanainen T, Männikkö M, Aurela M, et al. Comparing multispectral and hyperspectral UAV data for detecting peatland vegetation patterns. Int J Appl Earth Obs Geoinformation 2024;132:104043. . 10.1016/j.jag.2024.104043
[51]

Zhuo W, Wu N, Shi R, Liu P, Zhang C, Fu X, et al. Aboveground biomass retrieval of wetland vegetation at the species level using UAV hyperspectral imagery and machine learning. Ecol Indic 2024;166:112365. . 10.1016/j.ecolind.2024.112365
[52]

Putkiranta P, Räsänen A, Korpelainen P, Erlandsson R, Kolari THM, Pang Y, et al. The value of hyperspectral UAV imagery in characterizing tundra vegetation. Remote Sens Environ 2024;308:114175. . 10.1016/j.rse.2024.114175
[53]

Li Y, Shen F, Hu L, Lang Z, Liu Q, Cai F, Fu L, et al. A stare-down video-rate high-throughput hyperspectral imaging system and its applications in biological sample sensing. IEEE Sens J 2023;23:23629‒37. . 10.1109/jsen.2023.3308394
[54]

Xi L, Si F, Jiang Y, Zhou H, Zhan K, Chang Z, et al. First high-resolution tropospheric NO2 observations from the Ultraviolet Visible Hyperspectral Imaging Spectrometer (UVHIS). Atmos Meas Tech 2021;14(1):435‒54. . 10.5194/amt-14-435-2021
[55]

Zhang D, Yuan L, Wang S, Yu H, Zhang C, He D, et al. Wide swath and high resolution airborne hyperspectral imaging system and flight validation. Sensors (Basel) 2019;19(7):1667. . 10.3390/s19071667
[56]

Huang J, Wang Y, Zhang D, Yang L, Xu M, He D, et al. Design and demonstration of airborne imaging system for target detection based on area-array camera and push-broom hyperspectral imager. Infrared Phys Techn 2021;116:103794. . 10.1016/j.infrared.2021.103794
[57]

Yuan L, He Z, Lv G, Wang Y, Li C, Xie J, et al. Optical design, laboratory test, and calibration of airborne long wave infrared imaging spectrometer. Opt Express 2017;25:22440. . 10.1364/oe.25.022440
[58]

Yuan L, Xie J, He Z, Wang Y, Wang J. Optical design and evaluation of airborne prism-grating imaging spectrometer. Opt Express 2019;27:17686. . 10.1364/oe.27.017686
[59]

Prieto-Blanco X, Montero-Orille C, Couce B, de la Fuente R. Analytical design of an Offner imaging spectrometer. Opt Express 2006;14:9156‒68. . 10.1364/oe.14.009156
[60]

Xu W, Yuan L, Lin Y, He Z, Shu R, Wang J, et al. Analysis of background irradiation in thermal IR hyper-spectral imaging systems. In: Proceedings of SPIE, Infrared Technol Appl XXXVI; 2010 Apr 5‒9; Orlando, FL, USA. Bellingham: SPIE Digital Library; 2010. p. 782‒6. . 10.1117/12.849302
[61]

Liu E, Wu Y, Wang Y, Wen J, Lv G, Li C, et al. The development of a cryogenic integrated system with the working temperature of 100K. In: Proceedings Volume 9821, Tri-Technology Device Refrigeration (TTDR); 2016 May 17; Baltimore, MD, USA. Bellingham: SPIE Digital Library; 2016. p. 51‒7.
[62]

Hook SJ, Johnson WR, Abrams MJ. NASA’s hyperspectral thermal emission spectrometer (HyTES). In: Thermal infrared remote sensing. Berlin: Springer; 2013. p. 93‒115. . 10.1007/978-94-007-6639-6_5
[63]

Jia J, Wang Y, Cheng X, Yuan L, Zhao D, Ye Q, et al. Destriping algorithms based on statistics and spatial filtering for visible-to-thermal infrared pushbroom hyperspectral imagery. IEEE Trans Geosci Remote Sens 2019;57:4077‒91. . 10.1109/tgrs.2018.2889731
[64]

Jia J, Zheng X, Guo S, Wang Y, Chen J. Removing stripe noise based on improved statistics for hyperspectral images. SIEEE Geosci Remote Sens Lett 2020;19:1‒5.
[65]

Liu H, Zhang D, Wang Y. Preflight spectral calibration of airborne shortwave infrared hyperspectral imager with water vapor absorption characteristics. Sensors (Basel) 2019;19:2259. . 10.3390/s19102259
[66]

Overbeck JA, Shea JJ. MTF measurement technique for GOES imager. In: Proceedings of the SPIE, Infrared Imaging Syst Des Anal Model Test IX;1998 Aug;3377:155‒64.
[67]

Zhu J, Zhao Z, Shen S, Ding S, Shen W Analysis on NETD of thermal infrared imaging spectrometer. In: Urbach HP, Yu Q, editors. In: Proceedings of the 5th International Symposium of Space Optical Instruments and Applications; 2018 Sep 5‒7; Beijing, China. Berlin: Springer International Publishing; 2020. p. 1‒9.
[68]

Chance K, Kurucz RL. An improved high-resolution solar reference spectrum for earth’s atmosphere measurements in the ultraviolet, visible, and near infrared. J Quant Spectrosc Ra 2010;111:1289‒95. . 10.1016/j.jqsrt.2010.01.036
[69]

Liu H, Wang Y, Zhang D. On-board spectral calibration algorithm for an airborne hyperspectral imager and elimination of the effect of the atmospheric underlying surface. Appl Optic 2019;58:8765‒75. . 10.1364/ao.58.008765
[70]

Liu H, Wang Y, Zhang D, Zhou W, Xie W. Atmospheric absorption ratio algorithm for airborne short-wave infrared hyperspectral imagery spectral calibration based on carbon dioxide and water vapor. Infrared Phys Techn 2020;111:103514. . 10.1016/j.infrared.2020.103514
[71]

Bethel J, Lee C, Landgrebe DA. Geometric registration and classification of hyperspectral airborne pushbroom data. ISPRS Archives 2000;33:183‒90.
[72]

Dong J, Duan Y, Zhou Q, Zhao X. ADHHI airborne hyperspectral imager: camera structure and geometric correction. In: Proceedings of the SPIE, Image Signal Process Remote Sens XXVIII; 2022 Oct 26; Berlin, Germany. Bellingham: SPIE Digital Library; 2022. p. 275‒83. . 10.1117/12.2643771
[73]

Barsi JA, Schott JR, Hook SJ, Raqueno NG, Markham BL, Radocinski RG, et al. Landsat-8 thermal infrared sensor (TIRS) vicarious radiometric calibration. Remote Sens 2014;6:11607‒26. . 10.3390/rs61111607
[74]

Kruse FA. Comparison of ATREM, ACORN, and FLAASH atmospheric corrections using low-altitude AVIRIS data of Boulder, Colorado. In: Proceedings of the 13th JPL Airborne Geosci; 2004 Mar 31‒Apr 2; Pasadena, CA, USA. Pasadena: Jet Propuls Lab Publication; 2004. p. 1‒10.
[75]

Li J, Pei Y, Zhao S, Xiao R, Sang X, Zhang C, et al. A review of remote sensing for environmental monitoring in China. Remote Sens 2020;12:1130. . 10.3390/rs12071130
[76]

Tellman B, Magliocca NR, Turner BL II, Verburg PH. Understanding the role of illicit transactions in land-change dynamics. Nat Sustain 2020;3:175‒81. . 10.1038/s41893-019-0457-1
[77]

Zhao F, Li S, Zhang J, Liu H. Convolution transformer fusion splicing network for hyperspectral image classification. IEEE Geosci Remote Sens Lett 2023;20:1‒5. . 10.1109/lgrs.2022.3231874
[78]

Li N, Wang Z, Cheikh FA, Ullah M. S3AM: A spectral-similarity-based spatial attention module for hyperspectral image classification. IEEE J Sel Top Appl Earth Obs Remote Sens 2022;15:5984‒98. . 10.1109/jstars.2022.3191396
[79]

Wu X, Feng J, Shang R, Zhang X, Jiao L. CMNet: Classification-oriented multi-task network for hyperspectral pansharpening. Knowl-Based Syst 2022;256:109878. . 10.1016/j.knosys.2022.109878
[80]

Yang X, Ye Y, Li X, Lau RYK, Zhang X, Huang X, et al. Hyperspectral image classification with deep learning models. IEEE Trans. Geosci Remote Sens 2018;56:5408‒23. . 10.1109/tgrs.2018.2815613
[81]

Jia S, Jiang S, Lin Z, Xu M, Sun W, Huang Q, et al. A semisupervised Siamese network for hyperspectral image classification. IEEE Trans Geosci Remote Sens 2022;60:1‒17. . 10.1109/tgrs.2021.3116138
[82]

He D, Shi Q, Liu X, Zhong Y, Liu X. Spectral-spatial fusion sub-pixel mapping based on deep neural network. IEEE Geosci Remote Sens Lett 2022;19:1‒5. . 10.1109/lgrs.2021.3101499
[83]

Li S, Tian Y, Xia H, Liu Q. Unmixing-based PAN-guided fusion network for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing 2022;60:1‒17. . 10.1109/tgrs.2022.3141765
[84]

Li S, Tian Y, Wang C, Wu H, Zheng S. Hyperspectral image super-resolution network based on cross-scale nonlocal attention. IEEE Trans Geosci Remote Sens 2023;61:1‒15. . 10.1109/tgrs.2023.3269074
[85]

He J, Li J, Yuan Q, Shen H, Zhang L. Spectral response function-guided deep optimization-driven network for spectral super-resolution. IEEE Trans Neural Networks Learn. Syst 2022;33:4213‒27. . 10.1109/tnnls.2021.3056181
[86]

He J, Yuan Q, Li J, Zhang L. PoNet: a universal physical optimization-based spectral super-resolution network for arbitrary multispectral images. Inform Fusion 2022;80:205‒25. . 10.1016/j.inffus.2021.10.016
[87]

Graña M, Veganzons MA, Ayerdi B. Hyperspectral remote sensing scenes [Internet]. Gipuzkoa: Acerca de Grupo de Inteligencia Computacional (GIC); undated [cited 2024 Jun 26]. Available from:

[88]

Li C, Cai R, Yu J. An attention-based 3D convolutional autoencoder for few-shot hyperspectral unmixing and classification. Remote Sens 2023;15:451. . 10.3390/rs15020451
[89]

Lawrence RL, Wood SD, Sheley RL. Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications (RandomForest). Remote Sens Environ 2006;100:356‒62. . 10.1016/j.rse.2005.10.014
[90]

Ben Hamida A, Benoit A, Lambert P, Ben Amar C. 3-D deep learning approach for remote sensing image classification. IEEE Trans Geosci Remote Sens 2018;56:4420‒34. . 10.1109/tgrs.2018.2818945
[91]

Dosovitskiy A, Beyer L, Kolesnikov A, Weissenborn D, Zhai X, Unterthiner T, et al. An image is worth 16x16 words: transformers for image recognition at scale. 2020. arXiv:
[92]

Heo B, Yun S, Han D, Chun S, Choe J, Oh SJ, et al. Rethinking spatial dimensions of vision transformers. In: Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV 2021); 2021 Oct 10‒17; Montreal, QC, Canada. New York City: IEEE; 2021. p. 11936‒45. . 10.1109/iccv48922.2021.01172
[93]

Liu C, Xing C, Hu Q, Li Q, Liu H, Hong Q, et al. Ground-based hyperspectral stereoscopic remote sensing network: a promising strategy to learn coordinated control of O3 and PM2.5 over China. Engineering 2022;19:71‒83. . 10.1016/j.eng.2021.02.019
[94]

Liu C, Sun Y, Shan C, Wang W, Notholt J, Palm M, et al. Long-term observations of atmospheric constituents at the first ground-based high-resolution Fourier-transform spectrometry observation station in China. Engineering 2023;22:201‒14. . 10.1016/j.eng.2021.11.022
[95]

Rozanov VV, Rozanov AV, Kokhanovsky AA, Burrows JP. Radiative transfer through terrestrial atmosphere and ocean: software package SCIATRAN. J Quant Spectrosc Ra 2014;133:13‒71. . 10.1016/j.jqsrt.2013.07.004
[96]

Gålfalk M, Olofsson G, Crill P, Bastviken D. Making methane visible. Nat Clim Change 2016;6:426‒30. . 10.1038/nclimate2877
[97]

Cai M, Brown ET. Challenges in the mining and utilization of deep mineral resources. Engineering 2017;3:432‒3. . 10.1016/j.eng.2017.04.027
[98]

Ding J, Yang C, Chai T. Recent progress on data-based optimization for mineral processing plants. Engineering 2017;3:183‒7. . 10.1016/j.eng.2017.02.015
[99]

Vaughan RG, Calvin WM, Taranik JV. SEBASS hyperspectral thermal infrared data: surface emissivity measurement and mineral mapping. Remote Sens Environ 2003;85:48‒63. . 10.1016/s0034-4257(02)00186-4
[100]

Sheng J, Tang W. Spatiotemporal variation patterns of water pollution drivers: the case of China’s south-north water transfer project. Sci Total Environ 2021;761:143190. . 10.1016/j.scitotenv.2020.143190
[101]

Wu Z, Tao B, Mao Z, Huang H. Bathymetry retrieval algorithm based on hyperspectral features of pure water absorption from 570 to 600 nm. IEEE Trans Geosci Remote Sens 2023;61:1‒19. . 10.1109/tgrs.2023.3240997
[102]

Niu C, Tan K, Wang X, Du P, Pan C. A semi-analytical approach for estimating inland water inherent optical properties and chlorophyll a using airborne hyperspectral imagery. Int J Appl Earth Obs Geoinformation 2024;128:103774. . 10.1016/j.jag.2024.103774
[103]

Xu Q, Liu S, Ye F, Zhang Z, Zhang C. Application of CASI/SASI and fieldspec4 hyperspectral data in exploration of the Baiyanghe uranium deposit, Hebukesaier, Xinjiang, NW China. Int J Remote Sens 2018;39:453‒69. . 10.1080/01431161.2017.1387307
[104]

Montero SIC, Brimhall GH, Alpers CN, Swayze GA. Characterization of waste rock associated with acid drainage at the Penn Mine, California, by ground-based visible to short-wave infrared reflectance spectroscopy assisted by digital mapping. Chem Geol 2005;215:453‒72. . 10.1016/j.chemgeo.2004.06.045
[105]

Kopačková V, Koucká L. Integration of absorption feature information from visible to longwave infrared spectral ranges for mineral mapping. Remote Sens 2017;9:1006. . 10.3390/rs9101006
[106]

Wen M, Wang Y, Yao Y, Yuan L, Zhou S, Wang J, et al. Design and performance of curved prism-based mid-wave infrared hyperspectral imager. Infrared Phys Techn 2018;95:5‒11. . 10.1016/j.infrared.2018.10.001
[107]

Schneider J, Grosse G, Wagner D. Land cover classification of tundra environments in the Arctic Lena Delta based on Landsat 7 ETM+ data and its application for upscaling of methane emissions. Remote Sens Environ 2009;113(2):380‒91. . 10.1016/j.rse.2008.10.013
[108]

Bartsch A, Höfler A, Kroisleitner C, Trofaier A M. Land cover mapping in northern high latitude permafrost regions with satellite data: achievements and remaining challenges. Remote Sens 2016;8(12):979. . 10.3390/rs8120979
[109]

Hong D, Zhang B, Li X, Li Y, Li C, Yao J, et al. SpectralGPT: spectral remote sensing foundation model. IEEE Trans Pattern Anal Mach Intell 2024;46(8):5227‒44. . 10.1109/tpami.2024.3362475
[110]

Jia J, Zheng X, Wang Y, Chen Y, Karjalainen M, Dong S, et al. The effect of artificial intelligence evolving on hyperspectral imagery with different signal-to-noise ratio, spectral and spatial resolutions. Remote Sens Environ 2024;311:114291. . 10.1016/j.rse.2024.114291
AI Summary AI Mindmap
PDF (8276KB)

3778

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉