Directly-Georeferenced高光谱点云:保持高光谱图像数据的完整性gydF4y2Ba

介绍gydF4y2Ba

在机器学习的时代,大量的空间谱光谱成像(HSI)数据所提供的信息提供了一个独特的机会和理解复杂的动力学模型在不同的应用程序(gydF4y2BaEismann 2012gydF4y2Ba)。例如,机载长波红外HSI数据已经成功地用于矿产勘查、采矿和地质灾害监测通过检测造岩和蚀变矿物(gydF4y2Ba莱利和检验员,2013年gydF4y2Ba)。例如,在植被研究可见光和近红外机载HSI数据用于早期检测的热图像gydF4y2BaXylella fastidiosagydF4y2Ba,一个细菌致病性花(gydF4y2BaPoblete et al ., 2020gydF4y2Ba)。这些应用程序的成功,除了许多其他人一样,依赖于使用各种先进的分析技术,专门开发利用HSI数据和其独特的属性。例如,恒生指数的高维度数据可以利用使用深特征提取技术(gydF4y2Ba陈et al ., 2016gydF4y2Ba;gydF4y2Ba2020年Rasti et al .,参与者gydF4y2Ba分层的方式),变换原始数据到一个低维数据表示的新变量组成的判别,抽象和健壮。挑战从光谱混合在HSI数据可以使用字典上优于最小分离方法(gydF4y2Ba香港et al ., 2019gydF4y2Ba;gydF4y2Ba刘et al ., 2019gydF4y2Ba)了解单个像素的材料组成。即使在信号噪声的存在,目标感兴趣的可以使用集成学习技术(容易被探测到gydF4y2Ba赵et al ., 2019gydF4y2Ba;gydF4y2Ba太阳et al ., 2020gydF4y2Ba使用图卷积神经网络()和分类gydF4y2Ba秦et al ., 2019gydF4y2Ba;gydF4y2Ba香港et al ., 2020 agydF4y2Ba)。gydF4y2Ba

为了获得最佳空间相干HSI数据保存从传统传感器捕获的光谱信息类型(例如,pushbroom和小扫帚)用于无人机系统(UAS)(例如,gydF4y2Ba露西et al ., 2014gydF4y2Ba;gydF4y2BaArroyo-Mora et al ., 2019gydF4y2Ba;gydF4y2BaArroyo-Mora et al ., 2021gydF4y2Ba)和载人机载平台(例如,gydF4y2BaKalacska et al ., 2016gydF4y2Ba)、几何校正是必要的。几何校正,获得每个像素HSI数据位于十字路口的实际坐标空间输入数字表面模型(DSM)和一条直线,预计从传感器位置的像素相关的研究方向(gydF4y2Ba穆勒et al ., 2002gydF4y2Ba;gydF4y2BaSchroth 2004gydF4y2Ba;gydF4y2BaYeh和蔡,2011年gydF4y2Ba;gydF4y2Ba楞次et al ., 2014gydF4y2Ba)。看方向的角度描述了传入的电磁辐射是观察到的特定像素成像仪(gydF4y2Ba穆勒et al ., 2002gydF4y2Ba)。由会计计算辊,俯仰和偏航,同时考虑到局部几何和孔径成像系统的偏差(gydF4y2Ba穆勒et al ., 2002gydF4y2Ba;gydF4y2Ba沃伦et al ., 2014gydF4y2Ba)。用于几何纠正的dsm恒生指数的数据通常来自光探测和测距(激光雷达)(gydF4y2Ba刘,2008gydF4y2Ba)、雷达测高(gydF4y2Ba莱斯利,2018gydF4y2Ba)或Structure-from-Motion摄影测量(gydF4y2BaWestoby et al ., 2012gydF4y2Ba)。gydF4y2Ba

由于各种因素(如透镜畸变,传感器运动,崎岖的地形)在图像不均匀间隔的像素成像场景几何校正后(gydF4y2Ba加尔布雷斯et al ., 2003gydF4y2Ba;gydF4y2BaVreys et al ., 2016gydF4y2Ba)。正确的不均匀,几何纠正数据往往north-oriented线性网格重新取样。每个细胞在这个网格通常由一个相等的距离在以东和以北两个方向,导致光栅与方形像素(gydF4y2BaShlien 1979gydF4y2Ba;gydF4y2Ba理查兹和贾,1999年gydF4y2Ba;gydF4y2Ba沃伦et al ., 2014gydF4y2Ba)。gydF4y2Ba

当空间重采样恒生指数数据,最近邻重采样方法是常规应用(gydF4y2Ba罗伊,2000gydF4y2Ba;gydF4y2Ba威廉姆斯et al ., 2017gydF4y2Ba)。在这种技术中,每个细胞的光谱在预先确定的线性网格是由最近的几何纠正影像的光谱数据被重新取样(gydF4y2BaShlien 1979gydF4y2Ba)。因为这重采样过程不会改变的值记录在任何给定的频谱,最近邻方法保留了光谱数据的完整性(gydF4y2BaSchlapfer et al ., 2007gydF4y2Ba)。尽管如此,最近邻方法可以妥协的空间数据的完整性。例如,最近邻重采样会导致块状出现由于像素重复如果发生过采样(gydF4y2BaArif阿克巴,2005gydF4y2Ba)。同样,如果数据在最近邻undersampled重采样,有效像素可以失去了所有在一起,消除光谱信息(gydF4y2BaArif阿克巴,2005gydF4y2Ba)。即使像素复制和损失接近于零,最近邻每个像素重采样的位置变化(gydF4y2BaShlien 1979gydF4y2Ba;gydF4y2Ba罗伊,2000gydF4y2Ba),改变每个光谱测量的位置计算。gydF4y2Ba

在许多流行的传感器的设计(例如,pushbroom和小扫帚)收集HSI空间的特征之间的数据往往是不同的交叉跟踪和追踪方向(gydF4y2BaInamdar et al ., 2020gydF4y2Ba)。因此,很难选择的空间分辨率重采样网格中使用最近邻方法。gydF4y2Ba图1gydF4y2Ba说明了这个问题,显示理论HSI空间重采样过程的数据。在这个例子中,航迹的像素间距的一半是沿着轨道。如果图像重新取样十字架跟踪像素间距,可能会有大量的像素重复由于采样过密的跟踪(gydF4y2Ba图1一个gydF4y2Ba)。在另一种情况下,图像是沿着轨道像素间距重新取样,将会有大量的像素损失由于欠采样的交叉跟踪(gydF4y2Ba图1 bgydF4y2Ba)。像素的影响损失和重复在遥感应用在文献中尚未解决。不管方法,重采样方法将影响HSI空间完整的数据集,使最终产品符合栅格数据结构(gydF4y2BaShlien 1979gydF4y2Ba)。gydF4y2Ba

而不是传统的栅格数据结构,高光谱数据可以表示为点云,其中每个光谱具有明显的三维空间位置。高光谱点云被广泛讨论的遥感文学。高光谱点云代方法可以被分为三个主要类别(gydF4y2BaBrell et al ., 2019gydF4y2Ba):1)物理测量收集同时高光谱和表面高程数据从一个传感器(例如,gydF4y2BaVauhkonen et al ., 2013gydF4y2Ba),2)摄影测量范围与多个帧高光谱图像(例如,gydF4y2Ba奥利维拉et al ., 2019gydF4y2Ba)和3)数据融合,协同集成表面高程数据与传统HSI数据(例如,gydF4y2BaBrell et al ., 2019gydF4y2Ba)。与物理测量,关键是认识到一个单一的机载传感器不能收集高质量光谱和高程数据(gydF4y2BaBrell et al ., 2019gydF4y2Ba),特别是在细spectral-spatial决议。摄影测量范围,数据存储需求可能造成操作和计算的困难,特别是在高空间分辨率(< 3厘米)大区段,因为大量的数据收集是由于多个图像的必要性与重要的重叠。那里也可以与摄影测量基本问题包括高光谱点云代相关光谱数据完整性取决于光谱信息的方式分配给每个计算高程点(gydF4y2BaAasen et al ., 2015gydF4y2Ba)。数据融合利用单独的表面高度和HSI数据集通常是最可行的,然而,他们的光谱和空间对齐是挑战由于不同的采样策略,与表面交互对象和基本传感器特性的差异(例如,spectral-spatial点扩散函数,照明源和视角)(gydF4y2BaBrell et al ., 2016gydF4y2Ba;gydF4y2BaBrell et al ., 2017gydF4y2Ba;gydF4y2BaBrell et al ., 2019gydF4y2Ba)。gydF4y2Ba

尽管大量的高光谱点云代方法,栅格数据集仍然HSI 40多年的数据标准(gydF4y2Ba叶片et al ., 1984gydF4y2Ba;gydF4y2Ba威尔金森,1996gydF4y2Ba;gydF4y2BaGoetz, 2009gydF4y2Ba)。这可能是由于高光谱上述困难点云代方法:他们很难实现,计算昂贵,导致大型文件大小和妥协空间谱数据的完整性。有趣的是,当生成传统光栅图像,生成高光谱点云每个高光谱像素分配一个以东、以北和高程值在几何校正(gydF4y2Ba穆勒et al ., 2002gydF4y2Ba;gydF4y2Ba楞次et al ., 2014gydF4y2Ba)。这个点云信息很少分析到最终用户,提供了高度的移除,重新取样光栅格式的铸铁产品。一个数据融合实现的工作流gydF4y2Ba通过gydF4y2Ba几何校正是简单的实现在现有的处理协议。缺乏空间重采样的产品也意味着在这样一个数据点云将保留的空间谱完整HSI比位图数据更有效。gydF4y2Ba

我们的研究的目的是提出一个高光谱点云数据表示,保留了空间谱恒生指数数据的完整性更有效地比传统方形像素光栅终端产品。这个数据表示,Directly-Georeferenced高光谱点云(DHPC),通过小说生成的数据融合工作流程,可以使用同样的工具用于生成实现传统的位图。我们工作在此四恒生指数首次描述了数据集,我们用来产生光栅和DHPC终端产品。这个描述砧骨的概述发达DHPC栅格数据处理实现工作流和数据融合的工作流。之后,我们评估DHPC和栅格数据产品基于数据质量标准(即三个空间完整性。,pixel loss, pixel duplication and pixel shifting) and data storage requirements, which is an important parameter for data distribution. Finally, we assess the practical implications of the data quality metrics by comparing the DHPC end products against the conventional raster end products in common HSI applications including classification, spectra geo-location and target detection. Overall, our study proposes an alternative data representation to the conventional raster data model that has the potential to push the limitations of data distribution, analysis and application in HSI.

材料和方法gydF4y2Ba

数据收集和处理gydF4y2Ba

研究领域gydF4y2Ba

研究分析了恒生指数在三个领域的网站收集的数据不同的地形特点:Mer蓝色泥炭地(MBP), Cowichan加里橡树保存(CGOP)和帕洛阿尔托研究中心国家杜蒙特- Megantic (MMG)。这些网站是重要的气候变化和保护研究领域。将MBP∼8500岁ombrotrophic沼泽在渥太华,加拿大安大略省(gydF4y2Ba花et al ., 2001gydF4y2Ba)。它的特点是一个hummock-hollow微貌与植被空间格局和水文(相对应gydF4y2BaMalhotra et al ., 2016gydF4y2Ba)。空洞是由湿润的低洼地区gydF4y2Ba泥炭藓sppgydF4y2Ba苔藓,而圆丘是一个干燥的高丘从表面的密集覆盖维管植物除了苔藓(gydF4y2Ba花et al ., 2005gydF4y2Ba;gydF4y2BaEppinga et al ., 2008gydF4y2Ba)。CGOP位于附近的邓肯,不列颠哥伦比亚,加拿大。该网站是一个濒临灭绝的加里橡树以开放的森林和草地组成的林下叶层原生草本植物和草本植被。在这个网站,有一个高差(> 10米)之间的树冠顶部的林下叶层。MMG领域站点位于魁北克省南部,加拿大。该网站是由混合硬木北部和北方森林。海拔梯度在这个网站是相对较大的另外两个网站相比,改变由10公里内的600多万gydF4y2Ba^2gydF4y2Ba周边地区山脉的顶峰(gydF4y2Ba野蛮、Vellend, 2015年gydF4y2Ba)。gydF4y2Ba

高光谱图像数据gydF4y2Ba

恒生指数数据获得了两个光谱图象处理技术:盒机载光谱成像仪(ITRESµcasi——1920年,卡尔加里,AB,加拿大)和紧凑的机载光谱成像仪(AB ITRES属于接近——1500年,卡尔加里,加拿大)。成像系统被安装在不同的机身和捕获光谱信息在不同空间尺度上(3厘米和0.5∼1.5∼-2.5 m,分别)在可见近红外部分的电磁波谱。µcasi - 1920安装在收矩阵600 Pro UAS。这个可变帧速率pushbroom成像仪收集光谱数据在34.21°的视野288多光谱波段(401 - 996 nm)硅基焦平面阵列(gydF4y2BaArroyo-Mora et al ., 2019gydF4y2Ba)。属于接近- 1500双獭飞机是安装在固定翼飞机。可变帧速率,grating-based, pushbroom成像仪39.8°的视野,收集288多光谱波段光谱信息(366 - 1053 nm)硅基电荷耦合装置探测器(gydF4y2Ba现金et al ., 2019gydF4y2Ba)。µcasi - 1920和属于接近MBP - 1500成分股组合数据收集。µcasi - 1920数据收集CGOP现场和属于接近- 1500在MMG站点上收集数据。gydF4y2Ba表1gydF4y2Ba列出了参数与µcasi - 1920和属于接近- 1500数据集。CGOP和MMG HSI数据表示和大地形高程梯度相对于传感器高度和名义上的像素大小的图像。gydF4y2Ba

原始高光谱数据是radiometrically和气压上纠正。辐射校正是实现专有软件开发的传感器制造商而大气校正是通过使用ATCOR4[中描述gydF4y2Ba现金et al。(2019)gydF4y2Ba]。MMG图像进一步的兰伯特+ Statistical-Empirical双向地形校正应用(gydF4y2Ba里希特和Schlapfer, 2020gydF4y2Ba)。gydF4y2Ba

传统的高光谱影像数据(平方像素光栅)gydF4y2Ba

生成传统铸铁终端产品(地理栅格方形像素),radiometrically和气压上纠正数据几何校正和空间重新取样。完成了几何校正传感器的专有软件制造商使用机载惯性导航系统数据(位置和态度)。用于描述的几何校正的dsmgydF4y2Ba数字表面模型gydF4y2Ba。传统方形像素光栅图像生成的每个HSI空间重采样数据集的几何纠正HSI north-oriented线性数据网格使用最近邻方法。因为有交叉轨道和轨道之间的差异像素间距的恒生指数数据,收集每个HSI数据集是两个不同的网格上重新取样。相邻网格细胞分离的交叉跟踪像素间距在第一重采样网格和跟踪像素间距在第二网格重采样。沿着轨道间距以来一直大于交叉的轨道,第一重采样网格采样过量数据而第二个undersampled数据生成栅格数据产品方形像素。总共8成像数据集生成(两个图片为每个恒生指数中描述数据集gydF4y2Ba表1gydF4y2Ba)。gydF4y2Ba

Directly-Georeferenced高光谱点云gydF4y2Ba

DHPC数据融合实现了一个工作流标准几何校正处理协议创建点云(gydF4y2Ba图2gydF4y2Ba)。工作流程有三个主要的输入:气压上纠正恒生指数数据,传感器的惯性导航数据(位置和态度)和DSM覆盖面积的恒生指数数据。gydF4y2Ba

的第一步DHPC数据融合工作流程修改输入DSM,模糊的点扩散函数通过卷积成像传感器。这一修改使DSM的空间属性更符合HSI收集数据;模糊的DSM中的每个点对应于物体的平均海拔/地形,将有助于一个HSI像素。gydF4y2Ba

第二,数据融合工作流程的最后一步,恒生指数数据原来的传感器几何投射到DSM模糊。这实际上是通过应用描述的几何校正gydF4y2Ba传统的高光谱影像数据(平方像素光栅)gydF4y2Ba使用模糊DSM代替原来的。由于模糊DSM,每个HSI像素接收材料的表面平均海拔贡献。与实际位置(以北,以东,平均表面高程)图像的每个像素在原传感器几何,DHPC完成。在我们的研究中,每个点DHPC数据产品被称为“像素”。下面所描述的工作流,DHPC每个恒生指数数据集的生成gydF4y2Ba表1gydF4y2Ba。gydF4y2Ba

数字表面模型gydF4y2Ba

用于几何纠正的dsmµcasi - 1920数据生成使用Structure-from-Motion多视图立体摄影(SfM-MVS)工作流从RGB (gydF4y2BaKalacska et al ., 2017gydF4y2Ba;gydF4y2BaKalacska et al ., 2020gydF4y2Ba)。在这个工作流程(gydF4y2BaLucanus Kalacska, 2020gydF4y2Ba)的带有地理标签的航拍照片收集6月6日,2019 (MBP)和5月11日,2019 (CGOP)µcasi - 1920图像所覆盖的区域,与佳能EOS 5 d Mark III配备了佳能EF 24 - 70 mm f / 2.8 L二振子结构的焦距透镜组24毫米。所有照片包括无人机的地理位置和高度,记录由一个EMLID达到M + GNSS模块。收集到的原始与RTKLIB GNSS数据位(gydF4y2BaTakasu和Yasuda, 2009年gydF4y2Ba)使用本地基站数据收集从EMLID达到RS + GNSS模块,接收传入的修正从商业NTRIP(网络无线电技术委员会的海上运输服务gydF4y2Ba通过gydF4y2Ba互联网协议)铸造服务(Smartnet北美,亚特兰大)在一个RTCM3-iMAX(海上无线电技术委员会个性化的主辅助)用于GPS和GLONASS星座的挂载点。SfM-MVS工作流实施使用Pix4D Mapper Pro(见gydF4y2BaKalacska et al。(2020)gydF4y2Ba详情),最终生成DSM在0.69厘米的空间分辨率CGOP MBP, 1.52厘米。gydF4y2Ba

MBP属于接近- 1500数据,机载激光雷达数据的收集在2009年国家资本委员会(密度2 - 4分gydF4y2Ba^2gydF4y2Ba)(gydF4y2BaArroyo-Mora et al ., 2018 bgydF4y2Ba)被用来生成DSM在0.5米的空间分辨率。基于地面观测和泥炭增长建模,将MBP据估计增长过去年(< 0.5米gydF4y2BaFrolking et al ., 2010gydF4y2Ba)。鉴于这种缓慢的增长速度,激光雷达数据收集在2009年仍然是适当的适用于泥炭地。gydF4y2Ba

的MMG属于接近——1500年的数据,该研究使用机载激光雷达数据收集在2018年的森林、野生动物和公园魁北克作为全省范围的激光雷达传感器数据采集项目的一部分(密度2.5分gydF4y2Ba^2gydF4y2Ba)(gydF4y2BaLe ministere des Forets de la Faune et des帕洛阿尔托研究中心,2021gydF4y2Ba)。数据集提供了DSM在1米的空间分辨率。gydF4y2Ba

数据评估指标gydF4y2Ba

三个空间数据质量度量方法计算每个DHPC和方形像素光栅最终产品:像素损失(PL),像素复制(PD)和径向方向的均方根误差(RMSE)gydF4y2Ba_rgydF4y2Ba)。PL的总百分比(%)像素从原始HSI数据集没有用于最终的数据产品。PD(%)是在最后的总百分比像素数据复制的产品。的RMSEgydF4y2Ba_rgydF4y2Ba给出了测量的平均距离(cm)每个像素的位置(如确定几何校正)的转移而产生最终的最终产品。假设一个统一的像素间距在十字架上追踪和跟踪方向,有可能得出理论PL和PD值(见gydF4y2Ba理论损失像素和像素重复推导gydF4y2Ba)对于任何给定的恒生指数从名义单独飞行参数数据集。这个推导后,理论PL (PLgydF4y2Ba_HgydF4y2Ba)和帕金森病(PD)gydF4y2Ba_HgydF4y2Ba)值计算为每个重新取样,DHPC数据集和测量值相比。除了描述空间数据质量指标、数据存储要求每个DHPC和方形像素光栅最终产品也被计算。gydF4y2Ba

像素损失gydF4y2Ba

PL是根据计算gydF4y2Ba马尔卡希(2000)gydF4y2Ba(gydF4y2Ba情商。gydF4y2Ba):gydF4y2Ba

在下面是适用的:gydF4y2Ba ${\mathrm{UgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}}$ 代表的数量(我独特的光谱分析数据产品gydF4y2Ba_rgydF4y2Ba),gydF4y2Ba ${\mathrm{TgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}}$ 代表的数量总光谱我的原始图像gydF4y2Ba_rgydF4y2Ba是派生的。PL给出的比例,表示像素的总比例从原来的HSI数据集是不习惯在最后的数据产品。gydF4y2Ba

像素复制gydF4y2Ba

PD是根据计算gydF4y2Ba马尔卡希(2000)gydF4y2Ba(gydF4y2Ba情商。gydF4y2Ba):gydF4y2Ba

在下面是适用的:gydF4y2Ba ${\mathrm{UgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}}$ 代表的数量(我独特的光谱分析数据产品gydF4y2Ba_rgydF4y2Ba),而gydF4y2Ba ${\mathrm{TgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}}$ 代表我的总数光谱gydF4y2Ba_rgydF4y2Ba。PD的比例,表明总在我的部分像素gydF4y2Ba_rgydF4y2Ba重复的。gydF4y2Ba

水平线性均方根误差在径向方向gydF4y2Ba

的RMSEgydF4y2Ba_rgydF4y2Ba计算根据gydF4y2Ba美国摄影学会工程遥感(2015)gydF4y2Ba(gydF4y2Ba情商。gydF4y2Ba):gydF4y2Ba

在下面是适用的:gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba表示第I个像素的光谱分析数据(我的产品gydF4y2Ba_rgydF4y2Ba);gydF4y2BaPgydF4y2Ba_{r,北gydF4y2Ba}(gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba)代表北航的位置gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba在我gydF4y2Ba_rgydF4y2Ba;gydF4y2BaPgydF4y2Ba_{r,东gydF4y2Ba}(gydF4y2Ba我gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba),代表了以东的位置gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba在我gydF4y2Ba_rgydF4y2Ba;gydF4y2BangydF4y2Ba代表我的总数频谱gydF4y2Ba_rgydF4y2Ba;PgydF4y2Ba_{啊,北gydF4y2Ba}(gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba)代表原北航的位置gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba计算在几何校正;和PgydF4y2Ba_{啊,东gydF4y2Ba}(gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba)代表原始以东的位置gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba(我)gydF4y2Ba在几何校正计算。的RMSEgydF4y2Ba_rgydF4y2Ba给出了测量的平均距离(cm)每个像素的位置(如由几何校正)是在最后的数据转移的产品。gydF4y2Ba

理论损失像素和像素重复推导gydF4y2Ba

这部分源于理论PL (PLgydF4y2Ba_HgydF4y2Ba)和帕金森病(PD)gydF4y2Ba_HgydF4y2Ba)的一个假想的恒生指数的数据集(gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}$ )收集统一的像素间距在十字架上跟踪和追踪的方向。在本节中,gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}$ 被认为是收集面积与长度W航迹方向和沿轨道方向的长度。此外,交叉跟踪像素间距(PsgydF4y2Ba_{交叉gydF4y2Ba})被认为是小于沿着轨道的像素间距(PsgydF4y2Ba_{沿着gydF4y2Ba})。光谱的总数gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}$ (gydF4y2Ba ${\mathrm{TgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}}$ )是由以下近似:gydF4y2Ba

理论PL和PD值计算的两种重采样的方法在我们的研究调查。第一重采样网格采样过量gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}$ (重采样分辨率等于交叉跟踪像素间距),而第二个undersampledgydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}$ (重采样分辨率等于跟踪像素间距)。像素的总数中重新取样数据集可以计算出:gydF4y2Ba

在哪里gydF4y2Ba ${\mathrm{RgydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}$ 重新取样图像的分辨率(gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}$ )。gydF4y2Ba

考虑到第一个场景(数据集采样过量),假设没有PL (PLgydF4y2Ba_HgydF4y2Ba= 0%)gydF4y2Ba ${\mathrm{RgydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}$ 总是等于或小于像素间距gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}$ 。获得PDgydF4y2Ba_HgydF4y2Ba总数量(gydF4y2Ba ${\mathrm{TgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}})gydF4y2Ba$ 和独特的(gydF4y2Ba ${\mathrm{UgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}})gydF4y2Ba$ 光谱中重新取样(我形象gydF4y2Ba_rgydF4y2Ba)必须计算。由于没有PL,gydF4y2Ba ${\mathrm{UgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}}$ 等于gydF4y2Ba ${\mathrm{TgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}}$ 。gydF4y2Ba

从PD中给出的公式gydF4y2Ba像素复制gydF4y2Ba,推导如下:gydF4y2Ba

考虑第二个场景(undersampled数据集),假设没有PD (PDgydF4y2Ba_HgydF4y2Ba= 0%)由于重采样分辨率总是等于或大于像素间距gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}$ 。获得PLgydF4y2Ba_HgydF4y2Ba,gydF4y2Ba ${\mathrm{TgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{ogydF4y2Ba}}}$ 和gydF4y2Ba ${\mathrm{UgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}}$ 是必需的。由于没有PD,gydF4y2Ba ${\mathrm{UgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}}$ 等于gydF4y2Ba ${\mathrm{TgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{rgydF4y2Ba}}}$

从PL中给出的公式gydF4y2Ba像素损失gydF4y2Ba,推导如下:gydF4y2Ba

所需的理论PL和PD DHPCs没有推导;因为像素几何校正后没有重新取样,应该有0 PLgydF4y2Ba_HgydF4y2Ba或PDgydF4y2Ba_HgydF4y2Ba。gydF4y2Ba

高光谱图像数据的应用程序gydF4y2Ba

比较DHPC两个重新取样数据产品,两个应用程序进行了测试与MBPµcasi - 1920图像。首先是一个简单的分类问题,区分两个缩微过程(小丘和凹陷)的MBP。第二个µcasi - 1920应用程序旨在近似圆丘的潜在生物量估计误差和洼地(根据分类结果)。gydF4y2Ba

两个应用程序也将MBP属于接近- 1500数据的评估。第一块坐落在预先确定独特的光谱植被。这个应用程序是基于共同的终端用户需求匹配的地面控制数据(如植被物种数量)与恒生指数数据(gydF4y2BaArroyo-Mora et al ., 2018 agydF4y2Ba)。第二个属于接近- 1500应用程序是一个亚像素目标探测运动。gydF4y2Ba

山岗和空心分类(µcasi - 1920)gydF4y2Ba

山岗和凹陷分类从MBPµcasi - 1920成分股组合数据使用一个线性判别分析(LDA)分类(gydF4y2Ba费舍尔,1936gydF4y2Ba)。一个独立的分类模型训练和验证的每个重新取样µcasi - 1920图像和DHPC,导致9个不同的分类模型。每个模型都是有区别的使用训练数据集(采样过量光栅、undersampled光栅或DHPC)和培训变量(海拔,光谱反射率只有或高程和光谱反射率)。地表高程数据栅格化产品提供了在几何校正的数据重采样表面高程与每个像素相关联的值。每个模型的性能是衡量整体精度,生产商的准确性和用户的精度指标计算验证数据集。每个模型的训练和验证数据集生成基于高程和光谱数据与领域知识的MBP。在这个过程中,树木被删除的上2百分位蒙面表面高程分布在每个数据集。水面高程数据被删除然后去趋势中表面高程在10×10 m每个像素周围地区。潜在的山岗被确认为75 - 90gydF4y2Ba^thgydF4y2Ba百分位的去趋势面高程数据。潜在洞底部被确定为5gydF4y2Ba^thgydF4y2Ba百分位。所确定的山岗和凹陷进一步过滤去除明亮(即。人造物体)和低(即。,阴影)反射对象。在这个过滤,小丘和中空的标签,在顶部和底部5百分位的光谱数据在600海里被移除。剩余一半的空心标签被随机选择和指定为训练数据。其他50%的中空的标签被指定为验证数据。同等数量的小丘数据点被随机选择和指定为训练数据和验证数据。最少60000训练和验证数据点被用于每个模型。gydF4y2Ba

生物质误差估计小丘和凹陷(µcasi - 1920)gydF4y2Ba

评估的影响重采样和DHPC基本建模问题,我们的研究调查如何可能影响地上部生物量估算总分类错误。小丘的生物量和洞穴被假定为高斯。小丘,高斯分布定义平均值的527 g / mgydF4y2Ba^2gydF4y2Ba和一个标准偏差(SD)的43个g / mgydF4y2Ba^2gydF4y2Ba。凹陷,高斯分布定义平均值的431 g / mgydF4y2Ba^2gydF4y2Ba和SD 147 g / mgydF4y2Ba^2gydF4y2Ba。这些生物量分布(均值和SD)是基于地面数据MBP报道gydF4y2BaBubier et al。(2003)gydF4y2Ba。gydF4y2Ba

一种生物质中每个观测值是随机生成的验证数据集根据其实际缩微过程标签。例如,如果一个观察是标记一个小丘,随机分配一个从前面定义的小丘生物量生物量价值分布函数。随机生成的生物量计算值的均值分别为小丘和凹陷基于预测标签的验证数据集。在一个完美的分类,预测的平均生物量小丘和洼地是几乎相同的值用于实地生物量分布。因此,量化误差的生物量估算小丘和凹陷由于误分类,预测的均值之间的差异和实际生物量分布(ΔBgydF4y2Ba_{µ,曼氏金融gydF4y2Ba})是计算两个圆丘(ΔBgydF4y2Ba_{µ,香港gydF4y2Ba})和(ΔB洞穴gydF4y2Ba_{µ,hwgydF4y2Ba})。gydF4y2Ba

地理位置从预先确定植被光谱图(属于接近- 1500)gydF4y2Ba

一百虚拟3×3 m植被情节被随机放置在MBP(均匀概率分布在空间)。平均每个情节的光谱和独特的光谱数量计算在栅格数据集和DHPC产生的属于接近- 1500。一个像素光谱是位于一个情节如果其中心在空间范围内的阴谋。这些光谱以外的百分比计算光栅化前的阴谋。测试数据集进行评估通过识别平均每个情节,在其独特的光谱空间光栅化前后的边界。gydF4y2Ba

检测亚像素目标(属于接近- 1500)gydF4y2Ba

一个目标进行检测分析每个MBP属于接近- 1500数据集。一千年人工目标被随机放置在MBP(均匀概率分布在空间)。在亚像素检测应用程序中,一个目标的位置在一个像素的视野和传感器点扩散函数是至关重要的(gydF4y2BaRadoux et al ., 2016gydF4y2Ba)。因此,这个应用程序假定目标能被探测到的图像的一个像素内的原始传感器几何的点扩散函数(pre-rasterization)如果像素大于一个预定义的阈值在目标的位置。研究测试阈值从0.15到0.85的增量0.05。阈值越高,越困难的目标被发现在任何给定的像素图像的原始传感器几何。基于这一目标探测,错误发现率和假阴性率被计算为每个采样过量,undersampled和DHPC产品。一个像素是一个真正的正面,如果检测到目标是在其空间的界限。光栅数据产品,空间边界是由像素边界。DHPC,边界是由半宽度(应用)的传感器点扩散函数。gydF4y2Ba

结果gydF4y2Ba

高光谱图像数据的评估gydF4y2Ba

地形高程梯度小相对于传感器高度和名义上的像素大小gydF4y2Ba

将MBP恒生指数数据显示在gydF4y2Ba图3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba。gydF4y2Ba表2gydF4y2Ba记录RMSEgydF4y2Ba_rgydF4y2Ba、PL、PD、PLgydF4y2Ba_HgydF4y2Ba,PDgydF4y2Ba_HgydF4y2Ba和文件大小的光栅和点云数据集。采样过量MBP数据产品是大型文件大小(30.90 Gb为属于接近µcasi - 1920和40.36 Gb - 1500)和以高PD(50.25%,µcasi - 1920为77.70%,属于接近- 1500)。采样过量的PD属于接近- 1500数据集相比相对较大(PD的理论价值gydF4y2Ba_HgydF4y2Ba= 72.22%)。undersampled MBP数据产品是小(7.77 Gb为属于接近µcasi - 1920和2.57 Gb - 1500),以PL(51.09%,µcasi - 1920为72.32%,属于接近- 1500)。的RMSEgydF4y2Ba_rgydF4y2Ba重新取样的µcasi - 1920和属于接近- 1500是1.1厘米和66.7厘米,分别。MBP的DHPC产品有一个小文件大小(4.55 Gb为属于接近µcasi - 1920和3.05 Gb - 1500),并以零PL, PD和RMSEgydF4y2Ba_rgydF4y2Ba。gydF4y2Ba补充视频S1、S2gydF4y2Ba在三维空间中展示DHPCs。gydF4y2Ba

地形高程梯度大相对于传感器高度和名义上的像素大小gydF4y2Ba

CGOP和MMG恒生指数数据显示在gydF4y2Ba图5gydF4y2Ba,gydF4y2Ba6gydF4y2Ba,分别。gydF4y2Ba表3gydF4y2Ba记录RMSEgydF4y2Ba_rgydF4y2Ba、PL、PD、PLgydF4y2Ba_HgydF4y2Ba,PDgydF4y2Ba_HgydF4y2Ba和文件大小的光栅和点云数据集。的采样过量CGOP和MMG数据产品在文件大小(24.40 Gb CGOP和30.67 Gb MMG),特点是高PD MMG CGOP(34.29%和59.76%)。的采样过量CGOP数据集也有一个相对较大的PL 11.09%相比(PL的理论价值gydF4y2Ba_HgydF4y2Ba= 0.00%)。的undersampled CGOP和MMG数据产品是小文件大小(10.89 Gb CGOP和5.54 Gb MMG),特点是高PL MMG CGOP(46.69%和58.12%)。数据集的PL undersampled CGOP相比是相对较大的理论价值(PLgydF4y2Ba_HgydF4y2Ba= 33.33%)。undersampled MMG和CGOP数据产品也有相对较高的PD (MMG CGOP为11.49%和5.52%)相比(PD的理论价值gydF4y2Ba_HgydF4y2Ba= 0.00%)。的RMSEgydF4y2Ba_rgydF4y2Ba重新取样的CGOP和MMG数据是3.9厘米和86.6厘米,分别。CGOP DHPC产品,MMG网站有一个小文件大小(10.16 Gb CGOP和4.73 Gb MMG),特点是零PL, PD和RMSEgydF4y2Ba_rgydF4y2Ba。gydF4y2Ba补充视频S3、S4gydF4y2Ba在三维空间中展示DHPCsgydF4y2Ba。gydF4y2Ba

高光谱图像数据的应用程序gydF4y2Ba

山岗和中空的分类gydF4y2Ba

仅三个模型训练的光谱数据总体分类精度最低(83.3 -83.7%)(gydF4y2Ba表4gydF4y2Ba)。重要的是,有一个生产者之间的差异在这些模型的准确性和用户的准确性。凹陷,用户的精度从86.8%至86.3不等。这些值都高于生产者的精度从79.6%至79.1不等。相反的趋势观察小丘,用户的精度范围从80.8到81.2%,而生产者的准确性从87.9%至87.4不等。模型训练表面高程数据仅85.8 - -86.5%的整体精度。与光谱模型,有一个用户的准确性和生产者的准确性之间的差异。在洞穴中,用户和生产者的精度是价值82.4 - -83.0%和91.1 - -91.8%,分别。小丘,用户的准确性和生产商的精度是价值90.0 - -90.8%和80.5 - -81.2%,分别。分类模型的训练在光谱和高程数据总体精度最高,用户的准确性和生产者精度值从90.0到91.3%的山岗和凹陷。 Although all classification accuracies were relatively constant when comparing models trained with identical variables, the DHPC based classification had higher overall accuracies by 0.3–0.7%.

输出分类地图在12×12米为每个模型所示情节gydF4y2Ba图7gydF4y2Ba。当独自训练对光谱数据(例如,gydF4y2Ba图7 hgydF4y2Ba),分类跟踪小丘和凹陷可观测的RGB图像(gydF4y2Ba图7 jgydF4y2Ba)。孤立的小丘像素分类中被观察到在中空的补丁。相反还观察到,孤立的像素在小丘补丁。这些孤立像素定性减少当使用高程数据除了光谱数据(例如,gydF4y2Ba图7我gydF4y2Ba),导致更高的空间一致性。几乎没有孤立像素分类模型的训练在表面高程数据。不过,有明显的误分类领域。例如,在显示的西北角落分类映射(例如,gydF4y2Ba图7 ggydF4y2Ba),整个地区被列为小丘,尽管存在的洞穴中可以看到RGB图像(见gydF4y2Ba图7 jgydF4y2Ba(见)和表面高程地图gydF4y2Ba图7 kgydF4y2Ba)gydF4y2Ba。gydF4y2Ba

生物质误差估计gydF4y2Ba

预测的均值之间的差异和实际生物量分布的圆丘(ΔBgydF4y2Ba_{µ,香港gydF4y2Ba})和(ΔB洞穴gydF4y2Ba_{µ,hwgydF4y2Ba})显示在gydF4y2Ba图8gydF4y2Ba(看到确切的值gydF4y2Ba补充表S1gydF4y2Ba)。空心分布有一个积极的ΔBgydF4y2Ba_{µ,hwgydF4y2Ba}所有的分类模型。在小丘(ΔB相反的趋势gydF4y2Ba_{µ,香港gydF4y2Ba}< 0)。ΔBgydF4y2Ba_{µ,hwgydF4y2Ba}范围从12.72到13.18 g / mgydF4y2Ba^2gydF4y2Ba对所有模型训练与光谱数据。ΔBgydF4y2Ba_{µ,香港gydF4y2Ba}范围从18.09−−18.47 g / mgydF4y2Ba^2gydF4y2Ba对所有模型训练与光谱数据。模型训练的高程数据单独ΔB最大的gydF4y2Ba_{µ,hwgydF4y2Ba}值(16.29 - -16.91 g / mgydF4y2Ba^2gydF4y2Ba)。这些值相比,ΔB的大小gydF4y2Ba_{µgydF4y2Ba,gydF4y2Ba香港gydF4y2Ba}当单独使用高程数据值相对较小(8.79 - -9.56 g / mgydF4y2Ba^2gydF4y2Ba)。当使用分类模型,结合光谱和高程信息,ΔBgydF4y2Ba_{µ,hwgydF4y2Ba}和ΔBgydF4y2Ba_{µ,香港gydF4y2Ba}减少在大小;ΔBgydF4y2Ba_{µgydF4y2Ba,gydF4y2BahwgydF4y2Ba}等于8.34 - -8.54 g / mgydF4y2Ba^2gydF4y2Ba虽然ΔBgydF4y2Ba_{µ,香港gydF4y2Ba}范围从8.48−−9.45 g / mgydF4y2Ba^2gydF4y2Ba。尽管所有的分类精度相对稳定,比较模型训练和相同的变量,ΔB的大小gydF4y2Ba_{µ,hwgydF4y2Ba}和ΔBgydF4y2Ba_{µ,香港gydF4y2Ba}基于分类DHPC总是低0.07 - -0.97 g / mgydF4y2Ba^2gydF4y2Ba。gydF4y2Ba

地理位置从预先确定植被光谱的情节gydF4y2Ba

属于接近的数量的平均值和SD - 1500光谱位于/植被图所示gydF4y2Ba图9gydF4y2Ba(看到确切的值gydF4y2Ba补充表S2gydF4y2Ba)。所有产品重新取样数据,光谱最初以外的边界内的阴谋最终光栅化后的阴谋。最高的意思是每个情节的光谱数(36.00)时获得过采样数据。大约62%的光谱识别重复的,只有平均13.56独特的光谱图。大约38%的这些独特的平均光谱来自外部的实际光栅化之前的情节。最低的意思是每个情节的光谱数(2.26)收购时欠采样数据。100%的位于光谱是独一无二的。平均40%的光谱是来自外部的实际光栅化之前的情节。当使用DHPC时,可以定位意味着8.46独特的光谱图。用这项技术,零重复这些光谱。 Furthermore, none of the located spectra were originally from outside the actual plots.

检测亚像素目标gydF4y2Ba

亚像素目标探测的结果(gydF4y2BangydF4y2Ba= 1000)显示在目标gydF4y2Ba图10gydF4y2Ba。确定目标的总数随着阈值的增加而减少。目标识别的总数相同的采样过量数据产品和DHPC,减少从1000年0.15到402年的阈值阈值为0.85。产品检测数据undersampled 577目标阈值的阈值0.15和88年的0.85。错误发现率降低了线性阈值增加申请所有的数据产品。采样过量数据产品的错误发现率从90%下降0.15 - 80%的阈值在阈值为0.85。这些错误发现率都比undersampled数据和DHPC平均50%和69%,分别。对所有数据产品,假阴性率线性增加应用阈值增加。假阴性率一直最大undersampled数据产品从67%增加到93%,阈值改变了从0.15到0.85。这些假阴性率都大于采样过量的数据和DHPC平均53%和64%,分别。gydF4y2Ba

讨论gydF4y2Ba

我们的研究提出了一种新颖的高光谱点云数据表示它将保留空间,恒生指数数据的完整性(例如、零PL PD和像素转移)。因为数据融合工作流不修改原始恒生指数数据的光谱,DHPC还保留了光谱数据的完整性。虽然光栅数据集保存光谱数据完整性与最近邻方法,空间数据完整性破坏是由于PL, PD和像素重采样。栅格数据产品,有一个权衡PD和PL之间依赖的解决实现网格重采样;过采样导致大量PD(∼35 - 75%),而欠采样导致大量PL (∼50 - 75%) (gydF4y2Ba表2gydF4y2Ba,gydF4y2Ba3gydF4y2Ba)。PL和帕金森病主要是由不均匀引起的像素间距之间的交叉轨道和沿轨道方向。虽然它可能会收集数据几乎相同的像素间距在十字架上追踪和跟踪,有实际的限制,很难。例如,沿着轨道的像素间距是依赖于积分时间,所有的时间和平台速度,帧影响其他方面的数据,如信噪比和位置精度(gydF4y2BaArroyo-Mora et al ., 2019gydF4y2Ba;gydF4y2BaInamdar et al ., 2020gydF4y2Ba)。PL和PD最近邻分析了重采样所引起的有限数量的遥感研究(例如,gydF4y2Ba,”Kimerling 2002gydF4y2Ba;gydF4y2BaKollasch 2005gydF4y2Ba;gydF4y2Ba威廉姆斯et al ., 2017gydF4y2Ba),只有一个专注于恒生指数数据(gydF4y2Ba威廉姆斯et al ., 2017gydF4y2Ba)。然而,这些研究的范围之外量化PD和PL的负面影响。gydF4y2Ba

重新取样的MBP, MMG数据,计算PL和PD指标只略大于理论预期(PDgydF4y2Ba_HgydF4y2Ba和PLgydF4y2Ba_HgydF4y2Ba)(gydF4y2Ba表2gydF4y2Ba,gydF4y2Ba3gydF4y2Ba)。PD和PD CGOP∼13%位图超出了理论的预期。高架PD和PL可能由于不均匀的像素间距在现场由于表面高度的差异。CGOP有不同像素间距树冠的顶部(交叉跟踪∼1.5厘米)和下层植被在交叉跟踪(∼2.0厘米)。因此,即使重采样到2.0厘米,顶部的数据被undersampled树冠,导致PL。由于表面相对于传感器的海拔高度,高的物体(例如,树顶)阻止低躺的图像区域的视图(例如,地面树冠下面),导致地区在地上没有成像(数据洞中看到gydF4y2Ba图5 cgydF4y2Ba)。这些差距并非出现在重新取样图像(gydF4y2Ba图5 a, BgydF4y2Ba),因为他们已经插入了重复的像素的边缘,增加PD值。在保守的假设gydF4y2Ba理论损失像素和像素重复推导gydF4y2Ba在推导PDgydF4y2Ba_HgydF4y2Ba和PLgydF4y2Ba_HgydF4y2Ba可能意味着这些指标可以用来近似PL和PD的下边界。因此,帕金森病gydF4y2Ba_HgydF4y2Ba和PLgydF4y2Ba_HgydF4y2Ba为飞行计划的努力是有价值的,允许数据收集器,以避免PL和PD的数据集。gydF4y2Ba

无论恒生指数数据集undersampled或采样过量,像素是研究大位图(RMSE转移gydF4y2Ba_rgydF4y2Ba= 0.33∼-1.33像素的光栅MBP, DHPC MMG数据)相比。的RMSEgydF4y2Ba_rgydF4y2Ba值,然而,只有不到一半的像素间距,交叉跟踪方向,从而符合卫星水平量化研究进行像素变化由于最近邻重采样(例如,gydF4y2Ba谭et al ., 2006gydF4y2Ba;gydF4y2Ba罗伊et al ., 2016gydF4y2Ba)。由于最近邻像素转移重采样已经注意到各种应用程序(如产生负面影响。调整时段遥测数据集(gydF4y2Ba谭et al ., 2006gydF4y2Ba)、变化检测(gydF4y2Ba罗伊,2000gydF4y2Ba)、分类(gydF4y2Ba阿尔坎塔拉et al ., 2012gydF4y2Ba)和生物物理参数估计(gydF4y2Ba田et al ., 2002gydF4y2Ba)]。特别大的RMSEgydF4y2Ba_rgydF4y2Ba值(1.30∼-1.95像素)CGOP可能不均匀造成的像素间距在现场由于大型顶之间的高程变化和地面树冠相对于传感器的高度。gydF4y2Ba

DHPC数据产品gydF4y2Ba(gydF4y2Ba图3gydF4y2Ba- - - - - -gydF4y2Ba6gydF4y2Ba)gydF4y2Ba地上,可见白色条纹代表区域没有取样的高光谱成像仪在数据采集。这种差距不均匀造成的图像可能是传感器运动(例如,突然平台运动从风向的变化)之间的连续一体化时期。重要的是要认识到,这些差距是一个真正的恒生指数数据本身的特征,而不是数据构件。这种差距在重新取样图像不存在与复制像素内插在条纹的边缘。这个例子显示了如何歪曲HSI栅格数据模型数据作为邻国pushbroom HSI像素沿轨道方向不均匀间隔的整个图像。gydF4y2Ba

在一个理想的HSI最终产品,每个像素从原来的恒生指数数据传感器几何应取样一次。由于每个像素都有相同的数据存储需求(gydF4y2Ba约翰逊和Jajodia, 1998年gydF4y2Ba),一个理想的HSI最终产品会有一个文件的大小大致相等的恒生指数数据几何校正前将MBPµcasi(例如,4.09 Gb - 1920年的数据)。在栅格数据产品,NoData后像素丰富图像的边缘(黑色像素的边缘gydF4y2Ba图6 a, BgydF4y2Ba)。这些额外的NoData后像素为栅格数据的总文件大小的产品(gydF4y2Ba琵琶,2005gydF4y2Ba),提高了数据存储的需求。PD采样过量数据集导致更多的像素,从而导致更大的文件大小比在理想的情况下(例如,30.90 Gb MBPµcasi - 1920年的数据)。虽然PL undersampled数据产品意味着许多像素丢失数据从原始HSI在其原始传感器几何(理论上导致较小的文件大小比理想的场景),通常有更多的像素整体由于NoData后像素的存在。这样,即使是undersampled数据集往往更大的文件大小(例如,7.77 Gb MBPµcasi - 1920数据)比在理想的场景中。即使其额外的高程数据,数据的存储需求DHPC只略大于在理想的情况下(例如,MBPµcasi - 1920 DHPC 4.55 Gb)。小文件大小是由于缺乏PD和NoData后像素在图像的边缘,使DHPC适合数据分布。这考虑到恒生指数的数据需求很重要,尤其是对高空间分辨率的应用程序(gydF4y2BaArroyo-Mora et al ., 2019gydF4y2Ba)。gydF4y2Ba

DHPC比栅格数据产品的四个研究应用。hummock-hollow分类,模型训练与光谱数据仅是最低的总体精度(∼83%)和用户之间的差异的准确性和生产者的准确性。差异意味着有很大一部分的空心像素并被错误地归类为小丘,解释为什么ΔB的大小gydF4y2Ba_{µ,香港gydF4y2Ba}(∼18 g / mgydF4y2Ba^2gydF4y2Ba)是大于ΔBgydF4y2Ba_{µ,hwgydF4y2Ba}(∼13 g / mgydF4y2Ba^2gydF4y2Ba)生物量计算错误。模型训练与地表高程数据单独有一个中间整体精度(∼86%)。用户的准确性和生产者之间的差异在这些模型的准确性意味着ΔB的大小gydF4y2Ba_{µ,香港gydF4y2Ba}(∼9 g / mgydF4y2Ba^2gydF4y2Ba)小于ΔBgydF4y2Ba_{µ,hwgydF4y2Ba}(∼17 g / mgydF4y2Ba^2gydF4y2Ba),因为大部分小丘像素被并被错误地归类为凹陷。分类模型的训练在光谱和高程数据整体精度高,用户的准确性和生产商的准确性小丘和凹陷(∼91%),导致相对较低的生物量估算错误(∼9级g / mgydF4y2Ba^2gydF4y2Ba)。这些发现表明表面高程和光谱信息的集成可能导致改进结果分类问题,同意许多其他研究(例如,gydF4y2BaElaksher 2008gydF4y2Ba;gydF4y2BaVauhkonen et al ., 2013gydF4y2Ba;gydF4y2BaBrell et al ., 2019gydF4y2Ba;gydF4y2Ba所以et al ., 2019gydF4y2Ba;gydF4y2Ba香港et al ., 2020 bgydF4y2Ba)。例如,gydF4y2Ba所以et al . (2019)gydF4y2Ba改进的整体精度的热带森林树种分类> 10%通过高程数据除了光谱信息。gydF4y2Ba

DHPC建立分类始终有更高的整体精度0.3 -0.7%导致低生物量估算错误,0.07 - -0.97 g / mgydF4y2Ba^2gydF4y2Ba。更高的精度有可能由于减少水平的PL和PD,后者被发现阻碍分类精度(gydF4y2BaChowdhury Alspector, 2003gydF4y2Ba)。基于隐性空间分布在19公里gydF4y2Ba^2gydF4y2BaMBP的地区(gydF4y2BaArroyo-Mora et al ., 2018 agydF4y2Ba),通过实现DHPC、地上部生物量估算的凹陷(∼12.7%面积覆盖率)和圆丘(∼51.2%的面积覆盖率)将提高179 - 1504公斤和3415 - 9437公斤,分别。这样一个系统的增加生物量估计性能是生物重要因为地面生物量是泥炭土壤碳的主要来源之一,从而影响泥炭地的能力,以减轻气候变化的影响,固碳(gydF4y2Ba摩尔et al ., 2002gydF4y2Ba)。gydF4y2Ba

在地理定位应用程序中,很大一部分位于光谱的栅格数据产品源自外部情节之前重新取样(∼40%)。这些光谱只在情节由于重采样的像素转移。如果这些光谱被用作训练数据的遥感应用程序中,这可能意味着大量的训练数据不会有效,可能导致错误与应用无关的算法(gydF4y2Ba谭et al ., 2006gydF4y2Ba)。当使用DHPC时,确定光谱的0%都来自外面的阴谋。通过最大化每个情节,独特的光谱的总数位于DHPC应该导致应用程序改进的性能依赖于准确的匹配字段数据收集的图像(如。生物物理参数估计(gydF4y2Ba朱et al ., 2013gydF4y2Ba)和分类(gydF4y2Ba阿尔坎塔拉et al ., 2012gydF4y2Ba)]。gydF4y2Ba

在亚像素目标探测应用程序中,错误发现之间的权衡是观察和假阴性率(gydF4y2Ba图10 b, CgydF4y2Ba)。这种权衡通常讨论的目标探测文学(例如,gydF4y2Ba汉et al ., 2014gydF4y2Ba);假阴性增加而虚假的发现减少随着目标探测阈值越来越严格。错误的发现和假阴性率与PD和PL度量(gydF4y2Ba图11gydF4y2Ba)。错误发现时创建的每个真阳性像素重采样期间重复。同样,PL导致假阴性为真阳性像素重采样中丧生。这些原则解释了为什么采样过量数据产品有一个很大的错误发现率和低假阴性率,而相反在undersampled数据产品。DHPC最小化错误发现率(平均19%和69%小于undersampled采样过量位图,分别)和假阴性率(平均11%和64%小于采样过量和undersampled位图,分别)。降低错误率可以允许个人跟进目标探测地图识别更多的目标用更少的搜索能力,降低成本和减少身体和环境风险,(如地雷检测(gydF4y2BaMakki et al ., 2017gydF4y2Ba)和外来物种入侵检测(gydF4y2BaPengra et al ., 2007gydF4y2Ba)]。在目标探测应用程序目标的精确位置是必要的,它可能是有问题的使用HSI空间的数据与最近邻方法重新取样。进一步的研究应该调查目标检测算法的性能之前和之后的空间重采样。gydF4y2Ba

签名匹配的目标检测算法,误差指标往往理论上计算基于概率分布建模的背景和目标信号。可靠的误差指标的分布建模必须准确地描述数据(gydF4y2BaManolakis et al ., 2016gydF4y2Ba)。还必须有统计上显著的目标和背景像素的数量。这样的数据集通常有限的可用性在文学(gydF4y2BaManolakis et al ., 2013gydF4y2Ba)。理论目标探测,PSF作为检测统计量,从根本上代表每个像素中心的水平距离最近的目标。因为每个模拟目标的位置是已知的,可以计算误差指标的目标检测的结果,而不是概率分布建模。这样一个目标探测的工作流程是有价值的理解的局限性亚像素目标检测和控制的变量(例如,目标在一个像素)的大小和位置。gydF4y2Ba

除了保留空间谱数据完整性和最小数据存储需求,DHPC优势比其他现有的高光谱点云的数据融合可以实现工作流使用相同的工具来处理传统的光栅终端产品。此外,DHPC可以使用HSI和DSM数据从不同的数据源,因此不受限于任何特定的传感器。此外,通过卷积的DSM高光谱传感器PSF在数据融合的工作流,高程数据变得更加一致的空间特征与恒生指数数据。因此,高程信息编码DHPC实际上对应于每个像素的光谱信息的足迹,导致更多的空间相干数据融合。这种卷积来精确的空间尺度高程信息的成本。虽然有高光谱点云能够保持精确的空间尺度高程信息,他们可以在光谱数据完整性的成本,尤其是在光谱和空间异构地形(gydF4y2BaBrell et al ., 2019gydF4y2Ba)。进一步研究的性能DHPC对其他点云数据表示建议。gydF4y2Ba

在这项工作中,我们开发了一种高光谱点云,保留了空间谱恒生指数数据的完整性更有效地比传统光栅方形像素的终端产品。我们DHPC方法被证明无像素转变,重复或损失。尽管包含额外的表面高程数据,DHPC文件大小13倍小于相应的点阵数据集。这是有利于数据分布,特别是DHPC一代工作流可以很容易地实现预先存在的处理协议。重要的是,DHPC一贯优于栅格数据产品在各种遥感应用程序(分类、目标检测、光谱地理位置)。总的来说,我们的研究表明,发达DHPC数据表示有可能推动恒生指数数据分布的局限性,分析和应用。gydF4y2Ba

数据可用性声明gydF4y2Ba

在本文中给出的数据可从相应的作者要求后,卡波数据使用协议gydF4y2Bahttps://cabo.geog.mcgill.cagydF4y2Ba。请求访问数据集应该指向gydF4y2Bacaboscience@gmail.comgydF4y2Ba。gydF4y2Ba

作者的贡献gydF4y2Ba

概念化,DI,可,方法论,DI,可,GL和JPA-M;验证、迪;形式分析,DI;调查,DI;资源、可GL, JPA-M;数据管理、DI可,GL和JPA-M;原创作品草稿准备,DI;DI writing-review和编辑,可,GL和JPA-M;可视化、DI。gydF4y2Ba

资金gydF4y2Ba

这项工作是由加拿大自然科学和工程研究理事会(NSERC),魁北克异国风味的基础——自然et技术(FQRNT),加拿大航空生物多样性天文台(卡波),Lorne Trottier奖学金和弥尔顿梁相交的科学。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

确认gydF4y2Ba

作者要感谢的现金和斯蒂芬·雷蒙德Achal信息的传感器点扩散函数,和罗纳德·Resmini和奈杰尔罗莱特,讨论改进研究。作者表达他们的感谢加拿大国防研究和发展Valcartier属于接近- 1500的贷款工具。作者要感谢中国森林、野生动物和公园MMG魁北克的数字表面模型的领域的网站,访问的国家资本委员会MBP,激光雷达点云的网站,美国大自然保护协会的加拿大访问CGOP和SEPAQ MMG访问。gydF4y2Ba

补充材料gydF4y2Ba

本文的补充材料在网上可以找到:gydF4y2Bahttps://www.雷竞技rebatfrontiersin.org/articles/10.3389/frsen.2021.675323/full补充材料gydF4y2Ba。gydF4y2Ba

引用gydF4y2Ba