【摘 要】
：
目前,气候变化己成为当今社会普遍关注的全球性问题.碳捕捉与存储(CCS)技术可以有效减少CO2排放.碳捕捉与存储(CCS)技术将CO2气体液化注入到地下进行封存后,会有泄漏的危险,而泄漏到土壤中的CO2气体会对地表植被产生严重影响.本文以大豆为研究对象,于2008年5-9月在英国诺丁汉大学Sutton Bonington校区进行了野外实验,利用便携式ASD光谱仪实测6期(7月14日-8月18日)大
【机 构】
：
中国矿业大学(北京)地球科学与测绘工程学院,北京100083
【出 处】
：
第三届全国成像光谱对地观测学术研讨会
论文部分内容阅读
目前,气候变化己成为当今社会普遍关注的全球性问题.碳捕捉与存储(CCS)技术可以有效减少CO2排放.碳捕捉与存储(CCS)技术将CO2气体液化注入到地下进行封存后,会有泄漏的危险,而泄漏到土壤中的CO2气体会对地表植被产生严重影响.本文以大豆为研究对象,于2008年5-9月在英国诺丁汉大学Sutton Bonington校区进行了野外实验,利用便携式ASD光谱仪实测6期(7月14日-8月18日)大豆叶片光谱反射率数据,运用连续Mexican Hat小波方法对大豆光谱数据进行处理,利用小波系数能量来定性分析CO2泄漏对地表大豆造成的影响.研究结果表明,在整个试验时期内,Control区大豆与CO2泄漏胁迫Edge、Middle及Center区大豆的小波系数能量在630-690nm和770-820nm波段范围内发生明显变化,随着土壤中CO2浓度增加,其小波系数能量逐渐减少.根据大豆小波系数能量变化特征构建高光谱植被指数指数E655×E785(分别代表655nm与785nm处的小波能量系数),结果表明高光谱植被E655×E785完全可以在整个生育期识别CO2泄漏胁迫下的大豆,其指数值大小依衣次为：Control＞ Edge＞ Middle＞ Center.因此,可以利用高光谱遥感监测地表植被而间接探测CO2储存区轻微泄漏点.本研究结果可为未来利用机载或星载高光谱传感器监测地质封存区CO2泄漏点提供理论与方法支持.
其他文献
近年来，遥感卫星能够实现大范围，长时间，周期性的对地观测，因此，利用遥感影像的变化检测方法成为对地观测最有效的技术之一。所谓变化检测就是指利用多个时期的覆盖同一地区的遥感影像来确定地物状态的变化过程。
高光谱图像具有光谱分辨率高、图谱合一的特点，可以提供丰富的地物信息，因此在目标检测领域有着独特的优势。然而，高光谱图像的数据量大、数据维度高、目标较小等因素，都给目标检测带来了极大的困难，使得一些传统的目标检测算法在某些背景下难以取得良好的检测结果。同时，由于小目标的像素点较小，难以得到足够的样本，使得一些传统的特征降维方法难以得到有效的应用。
围填海是人类获取海洋资源的重要方式。监测围填海的变化是海岸带管理、海岸带演变研究中一项非常重要的任务。遥感技术以其低成本、快速、准确、大范围对地观测能力被引入到海域使用情况调查中，成为海域调查的有力手段。然而，海岸带大气条件多变，海岸带地物覆盖复杂多变，制约了遥感影像在围填海变化检测中的应用。
提取有效的分类特征是机器学习领域的热点问题。深度学习通过组合低层特征形成更加抽象的高层类别属性或特征，以挖掘数据的分布式特征表示；深度神经网络的多层非线性结构使其具备强大的特征表达能力和对复杂任务的建模能力。以层次化、逐层初始化为代表的一系列方法比如深度神经网络(DNN)、堆栈自编码网络(SAE)和深度信念网络(DBN)的提出使对深层模型的有效训练成为可能并在语音和图像处理等领域获得了成功。常见的
图像分类是高光谱遥感信息提取领域一个非常活跃的研究方向，获得高精度分类结果的关键是要解决数据的高维度和有限的训练样本等问题。在处理上述问题时，一种有效的方式是采用子空间方法来降低数据的维度，从而能够更好地挖掘和使用有限的训练样本。这类方法中一个典型的例子就是基于子空间投影的多元逻辑回归算法(MLRsub)。这种方法能够很好地重塑混合像元的特征，在高光谱图像分析中有着十分重要的研究意义。
近几年发展起来的半监督分类算法,对解决高光谱遥感数据的小样本分类具有重要意义.直推学习是机器学习领域处理未标记样本的一种有效手段,它通过对未标记样本的挖掘,将其与已标记样本综合,来构造一个更优的分类器.Joachims(1999)提出直推支持向量机(Transductive Support Vector Machine,TSVM)这一概念并将其成功应用在文本分类中,有效的改善了分类性能.与传统SV
高光谱影像包含了地物丰富的光谱信息，有利于提高遥感地物的分类识别率。然而，传统基于纯光谱特征的分类方法难以获得满意性能。结合光谱与空间信进行高光谱影像分类已成为当前领域内研究热点之一。
高光谱遥感数据的光谱分辨率高，图谱合一，为对复杂目标进行精确分类、识别与分析提供了更丰富的信息与可能，在空间遥感、对地观测、月球探测及精确农业等领域均有重要的应用。本文针对目标识别与分类，分析研究了高光谱遥感数据/图像的组合光谱特征和基于神经网络的高光谱图像分类方法，并给出了仿真及真实数据实验研究结果，主要工作和特色有如下三点。
高光谱图像具有众多的光谱波段，由于波长范围较窄，高光谱图像的信噪比相对较低。消除或减弱高光谱图像中的噪声，提高图像的信噪比，必然能够提高图像的分类精度。由于高光谱图像的波段密集，相邻波段应该具有较强的相关性。如果将高光谱图像每个波段转化为一个向量，那么在无噪声的情况下，图像矩阵的秩将远低于高光谱图像的波段数量。基于这个假设，本文提出了一种新的基于矩阵分解的高光谱图像去噪方法。该方法将高光谱图像分解
针对高光谱卫星CO2全球遥感探测的需要,在SCIATRAN辐射传输模型的基础上建立了高光谱全球CO2遥感反演系统GF VRTM-V2.0,利用GOSAT的L1B实测光谱数据输入业务系统,反演二氧化碳的全球平均柱浓度分布,并与GOSAT公布的观测结果相对比,验证业务系统的准确性.GOSAT和GF VRTM-V2.0得到的XCO2整体的趋势基本一致,在全部观测的138个曝光点中,约40％的曝光点的相对