2. 首都师范大学资源环境与旅游学院, 北京 100048;
3. 首都师范大学三维数据获取与应用重点实验室, 北京 100048
2. College of Resources Environment and Tourism, Capital Normal University, Beijing 100048, China;
3. Key Lab of 3D Information Acquisition and Application, Capital Normal University, Beijing 100048, China
兴起于20世纪80年代的高光谱遥感技术融合了光谱技术和成像技术[1], 成为对地观测技术的重要研究方向。自20世纪90年代起, 国内外遥感技术研究的热点围绕着高光谱遥感展开, 随着遥感传感器的光谱分辨率不断提高, 人们对地物光谱属性及特征的认知也不断深入, 许多隐藏在狭窄光谱范围内的地物特性逐渐得以发现, 大大加快了遥感技术的发展, 使高光谱遥感成为21世纪遥感领域的重要研究方向之一[2]。目前高光谱遥感技术已经广泛应用于地质矿产[3]、植被监测[4]、农业[5-6]、环境[7]及食品安全[8]等方面。
继传统的航天、航空遥感之后, 无人机(UAV)遥感技术被视为第3代遥感技术, 越来越成为国内外学者研究的热点课题。无人机遥感技术可快速获取空间遥感信息, 包括地理信息、资源及环境等信息, 完成遥感数据的采集、处理及应用分析, 具有机动、安全及经济等优点[9]。
目前已经有将无人机和高光谱相结合的技术。我国将无人机和成像光谱仪结合研制出基于无人机的农业低空高光谱的新型遥感技术平台, 可以获取到高光谱分辨率、图谱合一的数据[10]。中煤航测遥感局在2015年采用小型固定翼无人机搭载高光谱成像仪成功实施了多次数据获取, 成为国内首家成功实施该项技术集成的技术团队。其他研究机构和公司也在无人机载高光谱成像设备研发和应用方面开展了广泛试验研究。
无人机载高光谱成像设备的研制顺应着当前研究的热点问题及对低空高分辨率遥感数据的客观需求等, 具有巨大的发展前景。本文主要针对无人机载高光谱成像设备的研究进展及趋势进行探索, 主要研究内容为:①对高光谱成像仪的发展过程进行梳理, 并对基于不同遥感平台的成像仪的优缺点进行分析, 以期为高光谱成像设备更深入的研究提供参考; ②从成像方式、国内外团队的研究现状等方面全面分析无人机载高光谱成像设备存在的问题; ③介绍无人机载高光谱成像设备在各领域的最新应用研究成果; ④针对当前设备所存在的弊端, 提出新的成像方式和实现装置; ⑤对当前无人机载高光谱成像设备的发展趋势进行预测, 探讨高光谱成像设备的研制发展方向。本文可为无人机载高光谱成像设备的研制提供一定的借鉴和参考, 也可为基于无人机载高光谱成像设备的应用提供一定帮助。
1 高光谱成像仪的发展遥感技术出现之后, 在探测器技术提高的基础上, 首先在美国出现了将影像与光谱探测融合为一体的思路。20世纪80年代初期, 童庆禧等与美国JPL专家安·卡尔的交流中了解了这一思路, 并与中国科学院上海技术物理研究所薛永祺研究了这一新型遥感技术实现的可能, 这也是我国开展高光谱遥感技术研究的起源, 相关研究工作为我国后来开展的成像光谱技术研究奠定了重要基础[11]。高光谱成像仪作为新一代传感器, 能够获取连续窄波段的光谱信息, 从而识别出具有诊断性波谱的地物。现有的高光谱传感器主要是航天高光谱传感器、航空高光谱传感器、地面高光谱成像仪及无人机载高光谱成像载荷, 搭载在包括卫星、飞机、无人机和地面工作平台等不同高度的遥感平台上[12]。
自1980年以来, 航空高光谱传感器已经得到很大发展, 并且在水质监测、叶面积指数监测等研究中进入实用阶段[13-14]。1988年文献[15]利用航空成像光谱仪AIS图像数据进行矿物探测识别并制图, 该研究成果的发表代表着利用遥感手段获取地物目标的连续光谱信息的开始。在AIS的基础上发展起来的机载可见光-红外成像光谱仪AVIRIS于1987年开始投入飞行使用, 此后经过了多次升级改造。与此同时, 一些发达国家也开始研制成像光谱仪。在AIS和AVIRIS的基础上, 相关研究人员研制了各式各样的航空高光谱成像仪, 如加拿大的CASI传感器及澳大利亚的机载成像光谱仪Hymap等。为了推进我国成像光谱技术的发展, 2002年租用了Hymap进行了一系列包括仪器飞行、数据获取处理及应用研究的工作。我国在成像光谱仪方面也取得较大进展, 20世纪80年代后期研制和发展了航空成像光谱仪MAIS, 此后上海技术物理研究所又自行研制了推帚式成像光谱仪PHI系列及实用型模块化成像光谱仪OMIS[16]。长春光机所研制了高分辨率成像光谱仪C-HRIS, 并于2011年研制无人机载高光谱成像仪, 目前已投入实际应用[17]。
航天高光谱成像技术是在机载成像光谱技术的基础上发展起来的[18], 机载高光谱成像仪的应用实践为航天高光谱成像仪的研制工作奠定了基础。20世纪90年代, 航天光谱成像仪的发展已经成为一个热门课题, 受到国际的广泛关注。美国的中分辨率成像光谱仪MODIS、Hyperion成像光谱仪、超光谱成像仪试验相机FTHSI, 欧洲环境卫星上搭载的MERIS及CHRIS卫星相继发射升空, 宣告航天高光谱时代的到来[19]。其中2000年美国成功发射的Hyperion成像仪为高光谱遥感研究获取了大量珍贵的数据, 具有里程碑意义。我国于2008年发射了HJ-1A卫星, 这是国内第一颗高光谱仪成像卫星。2011年长春光机所和上海技术物理所共同研制的高光谱成像仪搭载于“天宫一号”目标飞行器升空。长春光机所目前开展我国首台“高光谱与高空间分辨率CO2探测仪”的研制工作, 该项目的研制将填补我国星载高光谱温室气体探测仪的空白[17]。2018年5月发射的“高分5号”卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星。
近年来, 随着无人机的发展, 基于无人机的高光谱成像载荷也得到快速发展, 出现了一系列无人机载高光谱成像仪, 这些成像设备一般可应用于地面试验研究。此外, 利用非成像光谱仪在野外或实验室测量各种地物的光谱反射率、透射率及其他辐射率, 可帮助理解各种地物的光谱特性, 提高不同种类遥感数据的分析应用精度, 还可以模拟和定标一切成像光谱仪在升空之前的工作性能, 如确定传感器测量光谱范围、波段设置和评价遥感数据等[20]。
基于不同遥感平台的高光谱成像仪各有优缺点, 总体而言, 航空光谱仪相较于卫星遥感成本高; 航天光谱成像仪的幅宽大, 覆盖面积广, 但空间分辨率较低, 时效性差, 可使用的高光谱卫星数据很少, 不能满足当前的研究需求; 地面光谱成像仪虽然成本较低, 但是灵活性也低, 在野外试验过程中会造成人力物力的极大浪费。而无人机载高光谱成像仪因其机动灵活、时效性高等优点得到大力发展。高光谱成像仪的发展过程及各阶段的特点如图 1所示。
2 无人机载高光谱成像设备 2.1 成像方式目前无人机载高光谱成像设备的成像方式主要有推扫式扫描成像、内置推扫式扫描成像及画幅式成像。
无人机载高光谱成像方式主要为推扫式扫描。推扫式扫描系统利用飞行器的向前运动, 借助于与飞行方向垂直的扫描线记录而构成二维图像。具体地说, 就是通过仪器中的广角光学系统平面反射镜采集地面辐射能, 并将之反射到反射镜组, 再通过聚焦投射到焦平面的阵列探测元件上。这些光电转换元件同时感应地面响应, 同时采光, 同时转换为电信号, 同时成像。
在推扫式扫描的基础上, 四川双利合谱科技有限公司针对小型旋翼无人机开发了内置推扫成像系统和增稳系统, 固定成像位置, 减轻了整机重量并降低了能耗。美国SOC公司也研制出内置平移推扫的无人机载高光谱成像仪。内置推扫成像方式的出现, 进一步促进了轻小型无人机高光谱成像设备的应用和发展。
德国Cubert公司研制了Cubert S185机载成像光谱仪。该成像光谱仪利用画幅式同步成像技术, 无需任何移动部件, 即可实现快速光谱成像而不需要扫描成像(如推扫技术), 可在0.001 s内获取整个高光谱图像立方体。画幅式成像光谱仪可以获得瞬间的连续二维空间光谱数据, 主要用于动态运动的非稳定的无人机遥感平台或地面人工测量。
推扫式扫描成像由于具有容易实现、高分辨率和高系统灵敏度、体积小、重量轻等优点而成为无人机载高光谱成像设备设计的首选成像方式。但是该成像方式受到像方成像系统和探测器大小的限制, 总视场一般在20°~30°之间[21], 并且存在影像几何变形大、校正难度大的问题。内置推扫式扫描成像是在推扫式扫描基础上的升级改进, 其结构和体积更小, 但是需要在空中停顿, 效率低。画幅式成像方式成像速度快, 但当无人机载成像光谱仪进行大范围数据获取时, 存在数据量大的问题, 并且其空间分辨率低、谱段少。此外, 3种成像方式普遍存在着影像幅宽窄的问题, 当观测范围较大时需要进行图像拼接, 增大了处理难度和工作量。
2.2 成像设备的研究现状国内进行无人机载高光谱成像设备研制的机构主要有长春光机所和上海技物所。其中前者于2011年成功研制完成了基于Offner凸光栅分光谱方式的无人机载高光谱成像仪, 目前已经投入到实际应用中[15]。上海技物所徐永琪院士团队致力于光谱成像仪的研究, 于2012年成功研制出短波红外波段的地面成像光谱系统进而于2013年成功研发小型航空成像光谱系统[17], 并进行试飞。
国内自主研制无人机载高光谱成像设备的公司较少。北京欧普特公司在美国Headwall公司机载成像光谱仪的基础上开发了国内第一套机载高光谱成像系统, 并获得了国家专利保护。此外, 四川双利合谱科技有限公司研制的GaiaSky-mini高光谱成像系统是针对小型旋翼无人机开发的高性价比机载高光谱成像系统。目前国内产品主要是由国内公司代理国外产品, 设备国产化水平低, 并且产品平均价格在50万元左右, 高性能的成像设备价位则更高。在具体应用中, 需要将成像仪与无人机飞行平台、增稳云台、数据处理系统等结合成一套系统使用, 开展应用研究的成本十分高昂。
国外进行无人机载高光谱成像设备研制的机构则较多, 主要有欧洲微电子中心, 美国SOC公司、Resonon公司、BaySpec公司、OKSI公司, 德国Cubert公司, 挪威NEO公司, 芬兰SPECIM公司等, 具体见表 1。
国家 | 研制单位 | 代表产品 | 工作原理 |
中国 | 长春光机所 | 基于Offner凸光栅分光谱方式的无人机载高光谱成像仪 | 推扫式 |
上海技物所 | 小型航空成像光谱系统 | 推扫式 | |
双利合谱科技有限公司 | GaiaSky-mini推扫式机载高光谱成像系统 | 内置推 扫式 | |
美国 | SOC公司 | SOC710GX机载可见/近红外高光谱成光谱仪 | 推扫式 |
Resonon公司 | Resonon Pika XC2、Pika L、Pika NIR高光谱成像仪 | 推扫式 | |
BaySpec公司 | BaySpec OCI-F、OCI- U-1000高光谱成像仪 | 推扫式 | |
德国 | Cubert公司 | S185机载高速成像光谱仪 | 画幅式成像 |
芬兰 | SPECIM公司 | SPECIM高光谱航空遥感成像系统 | 推扫式 |
挪威 | NEO公司 | HySpex系列高光谱成像光谱仪 | 推扫式 |
(1)地质矿产。区域地质制图和矿产勘探是高光谱技术在众多应用领域中最为成功的领域之一。矿产资源勘探、岩石矿物识别和填图等一直是高光谱技术发展和应用的主要方向[3]。文献[22]通过无人机获取多光谱长波红外和高光谱短波红外图像, 根据矿物在红外波段发射率的差异, 实现了索科洛夫褐煤露天矿的矿物分类。
(2)植被和生态研究。高光谱遥感凭借其高光谱分辨率的优势在植被研究中的应用已从植被遥感扩大到生态意义方面[23]。当前的相关研究主要是利用高光谱数据获得红边和植被指数等信息, 从而对植被长势、植被生物量进行定向定量的评价, 或进行产量估算。文献[24]对通过无人机获取的高光谱数据进行偏最小二乘回归法和植被指数计算, 研究了草地结构和生化特征。文献[25]提出了用于植被监测的高光谱数字表面模型, 该模型将三维表面的表示与无人机获得目标物的反射与发射信息相结合。此外, 无人机高光谱遥感技术还可用于对树木种类的识别和树木疾病的监测等研究[26]。
(3)农业 。高光谱遥感技术在精准农业方面为农业发展提供了技术保障及数据来源, 发挥着重要作用。具体表现为能够根据高光谱遥感技术快速获得的精确作物生长状态及环境胁迫的各种信息, 相应调整投入物资的投入量, 达到减少浪费、增加产量、保护农业资源和环境质量的目的。近几年, 国外陆续出现了无人机高光谱遥感的农业研究。文献[27]研究了轻小型无人机高光谱成像系统在精准农业方面的应用, 对高光谱反射特征生物量估算过程展开了研究。文献[28]将无人机高光谱遥感数据和地面数据结合对冬小麦叶面积指数进行了研究, 从无人机高光谱遥感精细光谱特征信息角度详细论证了基于无人机高光谱遥感估测冬小麦叶面积指数的价值。文献[29]利用无人机高光谱遥感平台获取了东北粳稻的高光谱信息, 进行相关处理后的结果表明能够为掌握水稻的生长信息、科学施肥提供一定的理论基础和技术支撑。
(4)水质监测。无人机载高光谱遥感技术因其灵活机动的特点在近海及小范围的水质监测中发挥了重要作用, 水质监测近些年成为无人机高光谱成像设备的应用研究热点领域之一。文献[30]利用无人机对河水中的淹没水生植物进行监测, 结果表明无人机光学遥感技术能够有效监测低浊度和良好光学传输的浅水河中的藻类和淹没水生植被。文献[31]利用机载高光谱数据评估浅水和浑浊湖泊中的悬浮颗粒物和水生植被。文献[32]提出了一种基于无人机影像的逐像元匹配算法研究水质监测经验模型。文献[33]使用基于轻型无人机的光谱仪系统测量环境变量对水反射率的影响, 该研究方法和结果有助于更好地理解采用遥感技术获取水体的反射率, 并可应用于基于无人机的水质评估或帮助验证更高海拔的图像。
(5)作物病虫害监测。近年来, 作物病虫害常态化发生逐年加重, 部分地区病虫害已成为农业生产的第一大灾害, 给农业生产造成重大损失。中科院遥感所黄文江研究员及其团队致力于作物长势及病虫害监测研究, 建立了叶片、冠层尺度的小麦、水稻、玉米等作物主要病虫害的高光谱遥感监测模型和相关监测系统, 在作物病虫害遥感监测与损失评估方面做出了重要贡献。文献[34]提出了一种基于无人机高光谱和空间数据提高葡萄园和农作物植物病虫害监测的新方法, 结果表明高光谱图像有可能在视觉检查之前检测葡萄根瘤蚜。
(6)城市气体泄漏。机载长波红外辐射高光谱数据已经用于检测工业化学气体, 但受尺寸和重量限制, 现有的长波红外辐射传感器很少搭载在无人机上。长波红外辐射高光谱传感器的最小化和与无人机的集成在城市应用中有很好的发展前景[35]。
4 解决方案针对当前无人机载高光谱成像设备在研制和应用中存在的问题, 笔者提出了一种新型滚动式扫描成像方式。
滚动式扫描成像设备的基本原理为:将高光谱相机固定在滚筒表面, 为了维持滚筒在转动过程中的重量平衡, 将彩色相机固定在滚筒表面另一侧, 即高光谱相机与彩色相机以滚筒的中心轴为对称轴对称设置在滚筒的表面, 高光谱相机能够在滚动过程中实现数据的获取。其连接关系如图 2所示。
同时为灵活控制成像范围、降低数据存储量并减少强烈的太阳光照和雨水等外界环境因素对相机镜头的损伤影响, 在滚筒外侧装有遮挡罩。每次飞行前该遮挡罩可根据飞行任务进行调整, 扫描视场角可根据飞行任务改变, 使其扫描成像范围灵活可控, 对于遮挡区域的影像不进行成像存储, 降低数据存储量。图 3为基于滚动式扫描的高光谱成像装置的结构示意图。
该滚动式扫描成像设备在工作时, 成像设备搭载在飞行平台上, 飞行平台以速度v1沿前进方向飞行。滚动式扫描成像系统中, 转动轴在马达驱动下带动滚筒及滚筒表面的相机以速度v2进行360°旋转滚动, 在滚动过程中获取影像, 滚筒的滚动旋转方向垂直飞行平台前进方向。图 4为滚动式扫描成像设备的成像原理图。
5 结语本文对当前无人机载高光谱成像设备的研究及应用进展进行了探索, 详细论述了高光谱成像仪的发展过程及其优缺点; 对现有的无人机载高光谱成像设备的成像方式进行分析, 指出了获取影像幅宽窄的问题; 介绍了基于无人机高光谱成像设备的最新应用研究成果, 并提出了滚动式扫描成像的新型成像方式; 对无人机载高光谱成像设备的未来发展趋势进行了分析和预测。影像幅宽窄和成本高是制约当前无人机载高光谱成像设备发展和开展应用研究的重要问题。提高无人机载高光谱成像设备的国产化水平会在一定程度上降低成本, 也是我国相关技术人员需要攻克的难点问题。未来, 无人机载高光谱成像设备会向低成本、大幅宽及高国产化等方向发展, 这将会为诸多领域的应用研究带来新的突破。
[1] |
杨国鹏, 余旭初, 冯伍法, 等. 高光谱遥感技术的发展与应用现状[J]. 测绘通报, 2008(10): 1-4. |
[2] |
童庆禧, 张兵, 郑兰芬. 高光谱遥感:原理、技术与应用[M]. 北京: 高等教育出版社, 2006.
|
[3] |
李志忠, 汪大明, 刘德长, 等. 高光谱遥感技术及资源勘查应用进展[J]. 地球科学(中国地质大学学报), 2015, 40(8): 1287-1294. |
[4] |
罗政.基于HJ_1A高光谱影像的植被类型识别[D].北京: 中国地质大学(北京), 2018.
|
[5] |
张卓然.棉花高光谱特征及其农学参数遥感反演研究[D].杨凌: 西北农林科技大学, 2018.
|
[6] |
刘冰峰.夏玉米不同生育时期生理生态参数的高光谱遥感监测模型[D].杨凌: 西北农林科技大学, 2018.
|
[7] |
于磊, 徐明明, 陈结祥, 等. 水下环境与目标监测高光谱成像仪光学系统[J]. 光子学报, 2018, 47(11): 102-109. |
[8] |
卢娜, 韩平, 王纪华. 高光谱成像技术在果蔬品质安全无损检测中的应用[J]. 食品安全质量检测学报, 2017, 8(12): 4594-4601. DOI:10.3969/j.issn.2095-0381.2017.12.016 |
[9] |
谢涛, 刘锐, 胡秋红, 等. 基于无人机遥感技术的环境监测研究进展[J]. 环境科技, 2013, 26(4): 55-60. DOI:10.3969/j.issn.1674-4829.2013.04.014 |
[10] |
段新宇. 旋翼无人机的农业低空高光谱遥感技术探讨[J]. 中国农业信息, 2016(19): 85. |
[11] |
童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016, 20(5): 689-707. |
[12] |
周艺, 周伟奇, 王世新, 等. 遥感技术在内陆水体水质监测中的应用[J]. 水科学进展, 2004, 15(3): 312-317. DOI:10.3321/j.issn:1001-6791.2004.03.009 |
[13] |
李俊生, 张兵, 申倩, 等. 航天成像光谱仪CHRIS在内陆水质监测中的应用[J]. 遥感技术与应用, 2007, 22(5): 593-597. DOI:10.3969/j.issn.1004-0323.2007.05.003 |
[14] |
浦瑞良, 宫鹏, 约 翰R. 米勒.美国西部黄松叶面积指数与高光谱分辨率CASI数据的相关分析[J]. 环境遥感, 1993, 8(2): 112-125. |
[15] |
KRUSE F A. Use of airborne imaging spectrometer data to map minerals associated with hydro ther mally altered rocks in the northern grapevine mountains, nevada and california[J]. Remote Sensing of Environment, 1998, 65(3): 227-248. DOI:10.1016/S0034-4257(98)00064-9 |
[16] |
马利春.基于GPU的高光谱实时数据处理系统技术研究[D].北京: 中国科学院大学, 2013.
|
[17] |
张达, 郑玉权. 高光谱遥感的发展与应用[J]. 光学与光电技术, 2013, 11(3): 67-73. |
[18] |
王跃明, 郎均慰, 王建宇. 航天高光谱成像技术研究现状及展望[J]. 激光与光电学进展, 2013(1): 72-79. |
[19] |
颜昌祥. 高光谱成像仪发展简况[J]. 遥感学报, 2014, 18(S1): 11-19. |
[20] |
李素菊, 王学军. 内陆水体水质参数光谱特征与定量遥感[J]. 地理学与国土研究, 2002, 18(2): 26-30. DOI:10.3969/j.issn.1672-0504.2002.02.008 |
[21] |
葛明锋.基于轻小型无人机的高光谱成像系统研究[D].北京: 中国科学院大学, 2015.
|
[22] |
NOTESCO G, KOPACKOVA V, ROJIK P, et al. Mineral classification of land surface using multispectral LWIR and hyperspectral SWIR remote-sensing data:a case study over the Sokolov Lignite Open-pit Mines, the Czech Republic[J]. Remote Sensing, 2014, 6(8): 7005-7025. DOI:10.3390/rs6087005 |
[23] |
孙钊. 高光谱遥感的应用[J]. 贵州教育学院报, 2004, 15(4): 58-61. |
[24] |
CAPOLUPO A, KOOISTRA L, BERENDONK C, et al. Estimating plant traits of grasslands from UAV-acquired hyperspectral images:a comparison of statistical approaches[J]. ISPRS International Journal of Geo-Information, 2015, 4(4): 2792-2820. DOI:10.3390/ijgi4042792 |
[25] |
AASEN H, BURKART A, BOLTEN A, et al. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring:from camera calibrationto quality assurance[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108(5): 245-259. |
[26] |
BERVEGLIERI A, TOMMASELLI A M G. Exterior orientation of hyperspectral frame images collected with UAV for forest appl ications[J]. The Intemational Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016(XL-3/W4): 45-50. |
[27] |
HONKAVAARA E, KAIVOSOJA J, MÄKYNEN J, et al.Hyperspectral reflectance signatures and point clouds for precision agriculture by light weight UAV imaging system[C]//ISPRS Congress. Melbourne: ISPRS, 2012: 353-358.
|
[28] |
高林, 杨贵军, 于海洋, 等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报, 2016, 32(22): 114-120. |
[29] |
于丰华.基于无人机高光谱遥感的东北粳稻生长信息反演建模研究[D].沈阳: 沈阳农业大学, 2017.
|
[30] |
FLYNN K F, CHAPRA S. Remote sensing of submerged aquatic vegetation in a shallow non-turbid river using an unmanned aerial vehicle[J]. Remote Sensing, 2014, 6(12): 12815-12836. DOI:10.3390/rs61212815 |
[31] |
GIARDINO C, BRESCIANI M, VALENTINI E, et al. Airborne hyperspectral data to assess suspended particulate matter and aquatic vegetation in a shallow and turbid lake[J]. Remote Sensing of Environment, 2015, 157: 48-57. DOI:10.1016/j.rse.2014.04.034 |
[32] |
SU T C. A study of a matching pixel by pixel (MPP) algorithm to establish an empirical model of water quality mapping, as based on unmanned aerial vehicle (UAV) images[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 58: 213-224. DOI:10.1016/j.jag.2017.02.011 |
[33] |
ZENG C, RICHARDSON M, KING D J. The impacts of environmental variables on water reflectance measured using a lightweight unmanned aerial vehicle (UAV)-based spectrometer system[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 217-230. DOI:10.1016/j.isprsjprs.2017.06.004 |
[34] |
VANEGAS F, BRATANOV D, POWELL K, et al. A novel methodology for improving plant pest surveillance in vineyards and crops using UAV-based hyperspectral and spatial data[J]. Sensors, 2018, 18(1): 260-281. DOI:10.3390/s18010260 |
[35] |
ZHONG Y, WANG X, XU Y, et al. MINI-UAV borne hyperspectral remote sensing: a Review[C]//Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Fort Worth: IEEE, 2017: 5908-5911.
|