Успехи в космическом гиперспектральном дистанционном зондировании в Китае

Аннотация

С развитием спутниковых технологий платформы гиперспектрального дистанционного зондирования (HRS) превратились из первоначальных наземных и бортовых платформ в космические платформы, что значительно способствует гражданскому применению гиперспектральной съемки в сельском хозяйстве, лесном хозяйстве и для мониторинга окружающей среды. Китай играет важную роль в этой эволюции, особенно в последние годы, с успешным запуском и эксплуатацией ряда гражданских гиперспектральных космических аппаратов и спутников, в том числе космического корабля «Шэньчжоу-3» (Shenzhou-3), спутника «Гаофэнь-5» (Gaofen-5 - GF-5), спутника SPARK, спутниковой группирновки для мониторинга окружающей среды и ресурсов «Чжухай-1» (Zhuhai-1), серии спутников FengYun для метеорологических наблюдений и серии космических аппаратов Chang'E для исследования планет. Китайские космические платформы гиперспектрального ДЗЗ обладают различными новыми характеристиками, такими как широкая полоса обзора, высокое пространственное разрешение, широкий спектральный диапазон, объединение гиперспектральных спутников в группировки, появление микроспутников. В этой статье основное внимание уделяется недавнему прогрессу в китайских космических гиперспектральных аппаратов с точки зрения типичных спутниковых систем, обработки данных и приложений. Кроме того, обсуждаются и анализируются будущие тенденции развития гиперспектральной съемки в Китае.

1. Введение

Гиперспектральная съемка, обладает двойными преимуществами спектроскопии и оптической визуализации, т. е. позволяет собирать множество спектральных характеристик по всему спектру в дополнение к двумерным (2-D) пространственным изображениям. После разработки технологии гиперспектральной съемки она привлекла внимание ученых как из академических, так и из промышленных кругов и стала центром исследований во всем мире. В первые дни гиперспектральное дистанционное зондирование (HRS) в основном использовалось для идентификации целей на другом фоне для военных применений. В настоящее время HRS демонстрирует большой потенциал во многих областях, например, в мониторинге окружающей, минералогии, астрономии, археологии, медицинской диагностике и безопасности пищевых продуктов, поскольку она может обеспечивать как пространственные характеристики, так и невидимые спектральные характеристики для точной идентификации материалов.

Прорыв в области гиперспектральной съемки произошел в Лаборатории реактивного движения (JPL) в 1980-х годах, где в 1983 году был разработан спектрометр для аэрофотосъемки в видимом/инфракрасном диапазоне. Спектрометр (AVIRIS) был разработан в 1987 г. для дистанционного зондирования Земли. Гиперспектральная съемка была впервые применена для бортового дистанционного зондирования, и в настоящее время во всем мире разработан ряд бортовых систем HRS, таких как AVIRIS, компактный бортовой спектрографический формирователь изображений (CASI) компании ITRES, экспериментальный формирователь гиперспектральных цифровых изображений. (HYDICE) и гиперспектральный картограф (HyMap. Исследования HRS в Китае также начались с дистанционного зондирования с воздуха в 1980-х годах. Впоследствии для целей разведки природных ресурсов в 1990-х годах было разработано несколько высококачественных гиперспектральных устройств формирования изображений, в том числе устройство для создания гиперспектральных изображений Pushbroom (PHI), модульный спектрометр для аэрофотосъемки (MAIS) и оперативный модульный спектрометр для формирования изображений (OMIS). С продолжающимся развитием гиперспектральных датчиков обработка гиперспектральных изображений стала горячей областью исследований в области дистанционного зондирования.

Появление космических систем гиперспектральной съемки произошло несколько позже авиационных бортовых систем HRS. Космическое гиперспектральное ДЗЗ появилось в НАСА, где в 2000 г. был запущен спектрометр Hyperion на борту спутника Earth Observing-1 (EO-1). Этот спутник успешно проработал более 15 лет, предоставив большое количество гиперспектральных снимков для научных исследований и ознаменовал начало новой эры гиперспектрального ДЗЗ Земли в глобальном масштабе. Данные Hyperion содержат 220 спектральных каналов, охватывающих спектральный диапазон 0,4–2,5 мкм, а пространственное разрешение и ширина полосы обзора составляют 30 м и 7,7 км соответственно при высоте орбиты 705 км. В настоящее время Hyperion по-прежнему является одним из важнейших источников данных космического гиперспектрального ДЗЗ. Компактный спектрометр формирования изображения высокого разрешения (CHRIS) на борту спутника Project for On-Board Autonomy (PROBA) был запущен в 2001 году Европейским космическим агентством (ESA). Данные CHRIS содержат 62 спектральных диапазона, охватывающих спектральный диапазон 0,4–1,05 мкм, а пространственное разрешение и ширина полосы обзора составляют 34 м и 14 км соответственно при высоте орбиты 556 км. Однако по сравнению с многочисленными авиационными бортовыми гиперспектральными системами количество гиперспектральных спутников гражданского назначения на орбите ограничено. Кроме того, из-за ограниченных размеров массивов гиперспектральных детекторов космические гиперспектральные системы ДЗЗ обычно имеют низкое пространственное разрешение и узкую полосу обзора.

В последние десятилетия Китай сыграл важную роль в разработке гражданских космических гиперспектральных систем ДЗЗ, при этом успешно спроектирована и запущена серия гиперспектральных спутников для различных приложений.

На рис. 1 показана история развития космических гиперспектральных датчиков Китая, включая гиперспектральные формирователи изображений на борту спутников, лунные зонды и пилотируемые космические экспериментальные платформы. Подробные параметры этих датчиков приведены в таблице 1.

Китайский спектрорадиометр формирования изображения среднего разрешения (CMODIS) на борту космического корабля «Шэньчжоу-3» (SZ-3) был первым космическим устройством формирования изображения гиперспектра, разработанным в Китае, за которым последовал ряд гиперспектральных датчиков. спутники наблюдения за земной поверхностью, в том числе Huanjing-1A (HJ-1A), Tiangong-1 (TG-1), SPARK, Gaofen-5 (GF-5), Zhuhai-1. GF-5 — первый в мире гиперспектральный спутник, охватывающий весь спектральный диапазон, реализующий одновременное наблюдение за землей и атмосферой. Миссия Zhuhai-1 является первой китайской коммерческой группировкой микроспутников и состоит из 10 гиперспектральных спутников Orbita (Orbita Hyperspectral Satellites - OHS). Эта спутниковая сеть значительно улучшает временное разрешение космических HRS. Гиперспектральные устройства формирования изображений также используются для мониторинга атмосферы, например, устройство формирования спектральных изображений среднего разрешения на борту спутников серии FY-3, последовательно запущенных с 2008 по 2017 год. Помимо наблюдения Земли, гиперспектральные устройства формирования изображений также используются в Китайской программе исследования Луны (CLEP), например, основанный на Саньяке интерферометр формирования изображения (IIM), используемый в спутниках серии Chang'E, и спектрометр формирования изображения в видимом и ближнем инфракрасном диапазоне (VNIS), используемый в луноходе Yutu.

Рост количества космических гиперспектральных систем ДЗЗ в Китае можно объяснить микроспутниковой технологией и развитием технологии гиперспектральной визуализации. Как показано в таблице 1, ширина полосы обзора космических HRS постепенно увеличивалась, чтобы удовлетворить потребность в крупномасштабных наблюдениях, и достигла 150 км в миссии Zhuhai-1 с 10-метровым пространственным разрешением. Кроме того, группировки спутников гиперспектральной съемки также являются растущей тенденцией в Китае, поскольку они могут значительно повысить временное разрешение таких систем благодаря совместному наблюдению.

В этой статье основное внимание уделяется недавнему прогрессу в области космических гиперспектральных систем ДЗЗ в Китае, включая типичные космические системы гиперспектрального ДЗЗ и соответствующую обработку гиперспектральных изображений и приложения. Остальная часть этого документа состоит из четырех разделов, в которых подробно обсуждаются космические гиперспектральные системы ДЗЗ в Китае. Раздел 2 описывает космические гиперспектральные системы ДЗЗ для гражданского использования в Китае. Раздел 3 посвящен соответствующим методам обработки данных, таким как предварительная обработка, классификация, обнаружение, поиск и объединение данных. В разделе 4 приведены типичные случаи применения китайских космических гиперспектральных систем. Тенденции развития и недостатки космических гиперспектральных систем ДЗЗ обсуждаются и анализируются в разделе 5.

2. Китайские космические гиперспектральные миссии

Этот раздел посвящен подробному анализу характеристик китайских гиперспектральных систем ДЗЗ, включая SZ-3 CMODIS, серию FY-3, HJ-1A, TG-1, SPARK, GF-5 и Zhuhai-1.

2.1. SZ-3 CMODIS

Первым космическим гиперспектральным/мультиспектральным датчиком, разработанным в Китае, был китайский спектрорадиометр формирования изображения среднего разрешения (CMODIS), установленный на борту космического корабля Shenzhou-3 (SZ-3), запущенного Китайским национальным космическим агентством (CNSA) 25 марта 2002 года. Наряду с пилотируемым космическим полетом выполнялся проект прикладного космического эксперимента при нахождении космического корабля SZ-3 на орбите. Датчик CMODIS был разработан для исследования океана, суши и атмосферы, и во время миссии он проводил непрерывные дистанционные наблюдения за Землей. Подробные параметры датчика CMODIS приведены в таблице 2.

В ходе этой миссии было совершено около 400 витков, пока космический аппарат SZ-3 не завершил свою миссию 1 апреля 2002 г. По сравнению с обычными данными мультиспектрального дистанционного зондирования, доступными в то время, как данные Landsat Thematic Mapper (TM), SPOT и усовершенствованного радиометра очень высокого разрешения (AVHRR), спектральное разрешение датчика CMODIS значительно улучшилось. Датчик CMODIS был первым китайским космическим гиперспектральным устройством формирования изображений, а также первым космическим устройством гиперспектральной съемки в мире с непрерывными спектральными полосами как в видимом, так и в ближнем инфракрасном диапазоне (VNIR), коротковолновом инфракрасном диапазоне (SWIR) и тепловом инфракрасном диапазоне (TIR).

2.2. Серия Chang'E

Луна является единственным естественным спутником и ближайшим к Земле небесным телом со средним расстоянием 384 400 км. С момента запуска лунного зонда «Луна-1» в 1950-х годах по всему миру было проведено более 100 лунных миссий. Исследователи обнаружили на лунной поверхности более 100 видов минералов, многие из которых являются редкими минералами на Земле и представляют собой важные дополнения и резервы к природным ресурсам Земли. Миссия по исследованию Луны в Китае называется Китайской программой исследования Луны (CLEP). CLEP характеризуется тремя отдельными этапами, то именно «обращение вокруг», «приземление» и «возвращение» с Луны. На сегодняшний день Китай запустил четыре лунных зонда, т. е. Chang'E-1, Chang'E-2, Chang'E-3 и Chang'E-4, где Chang'E-2 и Chang'E-4 резервные копии Chang'E-1 и Chang'E-3 соответственно.

Зонд Chang'E-1, запущенный в октябре 2007 года, в основном был нацелен на выполнение окололунной миссии и получение глобальных лунных изображений. На Chang'E-1 было установлено восемь наборов приборов, в том числе гиперспектральный формирователь изображений и интерферометр формирования изображений (IIM), который был разработан для анализа химического состава минералов путем наблюдения почти 84% лунной поверхности от 70° северной широты до 70° южной широты. Основные характеристики IIM перечислены в таблице 3. Зонд Chang'E-1 завершил свою миссию в марте 2009 г. после 495 дней наблюдений на орбите. На основе наблюдаемых гиперспектральных данных Chang'E-1 IIM были созданы карты высокого пространственного разрешения содержания лунного железа и титана.

Зонд Chang'E-3 осуществил первую мягкую посадку на Луну в рамках миссии CLEP, где луноход Yutu использовался для проведения исследований лунной поверхности. Датчик VNIS на борту марсохода Yutu охватывал спектральные диапазоны 450–950 нм и 900–2400 нм. Интервал спектральной выборки по умолчанию составлял 5 нм с общим количеством спектральных полос 400. Основные характеристики датчика VNIS приведены в табл. 3. В ходе работы марсохода Yutu были получены гиперспектральные изображения и спектральные кривые отражения лунного грунта в районе Моря Дождей. Ровер Yutu проработал 972 дня и прекратил работу 31 июля 2016 года. Данные Chang'E-1 IIM и Chang'E-3 VNIS доступны на http://moon.bao.ac.cn/index.jsp.

2.3. Серия FY-3

Для удовлетворения потребностей в прогнозировании погоды, мониторинге окружающей среды и прогнозировании климата 27 мая 2008 г. была запущена серия спутников FengYun 3 (FY-3) (http://fy4.nsmc.org.cn/nsmc/en/satellite/ FY3.html). Являясь вторым поколением китайских полярно-орбитальных метеорологических спутников, спутники FY-3 не зависят от погодных условий и осуществляют постоянное и всепогодное глобальное наблюдение с околополярной солнечно-синхронной орбиты со средней высотой орбиты 836 км, с наклонением орбиты 98,753°. На сегодняшний день успешно запущены спутники FY-3A, FY-3B, FY-3C, FY-3D и FY-3E, а спутник FY-3A прекратил работу в марте 2018 года.

Спутники FY-3A, FY-3B и FY-3C оснащены устройством формирования спектральных изображений среднего разрешения (MERSI-1), которое состоит из 19 каналов VNIR (0,4–2,1 мкм) и канала TIR (10–12,5 мкм). Напротив, FY-3D и FY-3E оснащены датчиком MERSI-2, который объединяет функцию датчика MERSI-1 и приборов видимого и инфракрасного радиометра (VIRR) предыдущих спутников FY-3. Датчик MERSI-2 обеспечивает 25 спектральных каналов в спектральном диапазоне 0,4–12,5 мкм и является первым в мире прибором для получения изображений, который может получать данные инфракрасного спектра с разрешением 250 м. Спутники FY-3 могут ежедневно получать полноцветные изображения с разрешением 250 м без пропусков, а также могут получать высокоточные количественные параметры инверсии, такие как данные об атмосфере, облаках, аэрозолях и водяном паре. Таким образом, спутники FY-3 предоставляют данные мониторинга окружающей среды для Китая. Основные технические характеристики датчиков МЭРСИ-1 и МЭРСИ-2 приведены в табл. 4.

FY-3A/B/C/D/E сформировали спутниковую группировку для совместного наблюдения за Землей, что значительно сократило интервал обновления наблюдаемых данных. MERSI-1 и MERSI-2 способны повторять наблюдения за одним и тем же районом каждые 5,5 суток. Благодаря возможности глобального наблюдения датчики MERSI-1 и MERSI-2 могут использоваться для: (1) предоставления наборов данных для исследования глобального изменения климата; (2) мониторинга крупномасштабных стихийных бедствий и поверхностной экологической среды; и (3) предоставлять информацию о погоде для различных видов профессиональной деятельности, таких как авиация, навигация и т. д., в любом районе мира. Данные FY-3 доступны по адресу http://satellite.nsmc.org.cn/PortalSite/Default.aspx.

2.4. Гиперспектральная система HJ-1A

Для осуществления крупномасштабного, всепогодного и круглосуточного динамического мониторинга экологического ущерба и загрязнения окружающей среды в Китае была разработана спутниковая система Huanjing-1 (HJ-1), состоящая из двух оптических спутников, т.е. 1A и HJ-1B, а также радиолокационного спутника HJ-1C (http://www.mee.gov.cn/home/ztbd/rdzl/wxyg/hjwx/201210/t20121010_237312.shtml). Спутник HJ-1A, запущенный 6 сентября 2008 г., несет на себе гиперспектральный формирователь изображений со 115 спектральными диапазонами, охватывающими спектральный диапазон 0,45–0,95 мкм. Основные технические характеристики гиперспектрального формирователя изображений (HSI) HJ-1A перечислены в таблице 5. На солнечно-синхронной орбите HJ-1A HSI может повторно посещать одну и ту же область на Земле каждые 4 дня. Высота орбиты спутника HJ-1A составляет 649,093 км, а наклонение орбиты — 97,9486°.

HJ-1A и HJ-1B образуют спутниковую группировку, которая вращается вокруг Земли в одной орбитальной плоскости для проведения дополнительных наблюдений. Повторные наблюдения можно проводить каждый день в большинстве районов Китая, что значительно снижает нехватку данных наблюдения Земли для Китая и улучшает возможности мониторинга окружающей среды и экологических изменений, а также стихийных бедствий. Гиперспектральные данные HJ-1A применялись в водных и сельскохозяйственных приложениях, таких как оценка концентрации хлорофилла в воде и картирование фенологии сельскохозяйственных культур. Данные HSI HJ-1A доступны на http://www.chinageoss.cn/dsp/home/index.jsp.

2.5. Гиперспектральная система TG-1

Космический модуль Tiangong-1 (TG-1) был первой пилотируемой космической экспериментальной платформой собственной разработки Китая, которая была запущена 29 сентября 2011 года. Во время этой миссии космический модуль TG-1 поддерживал эксперименты по мониторингу окружающей среды. Гиперспектральный формирователь изображений на борту TG-1 был самым совершенным космическим гиперспектральным формирователем изображений в Китае в то время и был разработан Шанхайским институтом технической физики (SITP) и Чанчуньским институтом оптики, точной механики и физики (CIOMP). Основные технические характеристики HSI TG-1 перечислены в таблице 6. Гиперспектральная система TG-1 обеспечивала 64 полосы, охватывающих спектральный диапазон VNIR (0,4–1,0 мкм), и 64 полосы, охватывающих спектральный диапазон SWIR (1,0–2,5 мкм). Большинство технических характеристик TG-1 HSI приближались или даже превышали характеристики EO-1 Hyperion, и, в частности, по ширине захвата TG-1 HSI продемонстрировал очевидное превосходство. TG-1 HSI был важным дополнительным источником спутниковых гиперспектральных данных для датчика EO-1 Hyperion, который был единственным находящимся на орбите космическим аппаратом гиперспектральной съемки во время запуска TG-1. Гиперспектральная система TG-1 была разработана в основном для научных исследований в области космоса и наземного покрова. На сегодняшний день гиперспектральные данные TG-1 применяются для предотвращения лесных пожаров, разведки нефти и газа, гидроэкологического мониторинга и геологоразведки. Космический модуль TG-1 официально прекратил службу данных и завершил свою историческую миссию 16 марта 2016 года. Данные гиперспектральнаой системы TG-1 доступны на http://www.msadc.cn/sy/.

2.6. Широкополосные гиперспектральные микроспутники SPARK

Широкополосные гиперспектральные микроспутники SPARK-01 и SPARK-02 были запущены с помощью спутника TanSat 22 декабря 2016 года. Являясь микроспутниками, их общий вес составляет всего 47 кг, а широкополосный гиперспектральный датчик на борту весит всего 10 кг. Основные параметры системы широкополосной гиперспектральной съемки СПАРК приведены в таблице 7 (https://www.myorbita.net/).

SPARK имеет 160 спектральных диапазонов в спектральном диапазоне 400–1000 нм. Примечательно, что ширина полосы обзора спутника SPARK составляет 100 км при высоте орбиты 700 км, что более чем в 10 раз превышает ширину полосы обзора EO-1 (7,65 км). При этом ширина полосы обзора может достигать 200 км за счет совместной работы SPARK-01 и SPARK-02. Благодаря такой большой ширине захвата широкодиапазонный гиперспектральный спутник SPARK можно использовать для быстрого глобального сбора данных и динамического мониторинга окружающей среды. Благодаря наблюдениям спутниковой сети SPARK каждый день можно охватить площадь на поверхности Земли 2500×6000 км, получая более 400 Гбит гиперспектральных данных. SPARK снять всю территорию Китая в течение месяца, а полученные данные могут применяться в приложениях для сельскохозяйственного прогнозирования, мониторинга распространения вредителей и болезней, защиты окружающей среды и мониторинга стихийных бедствий.

2.7. Gaofen-5 (GF-5) - Advanced Hyper Spectral Imager (AHSI)

Спутник Gaofen-5 (GF-5), запущенный 9 мая 2018 года, является частью Китайской системы наблюдения Земли с высоким разрешением (CHEOS) Китайского национального космического управления. Разработанный Шанхайской академией космических технологий, GF-5 оснащен шестью приборами с расчетным сроком службы 8 лет, включая гиперспектральные датчики VNIR и SWIR, детектор парниковых газов, спектральный формирователь изображений, дифференциальный абсорбционный спектрометр, инфракрасный детектор атмосферной среды, и детектор многоугловой поляризации. Примечательно, что GF-5 является первым в мире гиперспектральным спутником, охватывающим весь спектральный диапазон, что позволяет осуществлять комплексное наблюдение за землей и атмосферой.

Основные параметры устройства Advanced Hyper Spectral Imager (AHSI) на борту спутника GF-5 перечислены в таблице 8.

Спутник GF-5 вращается вокруг Земли по солнечно-синхронной орбите на высоте орбиты 705 км с пространственным разрешением 30 м и шириной полосы обзора 60 км. В качестве VNIR- и SWIR-гиперспектрального формирователя изображений прибор AHSI охватывает 330 спектральных полос в спектральном диапазоне 0,4–2,5 мкм. Инструмент AHSI взаимодействует с мультиспектральным формирователем изображений, формируя совместное наблюдение, и может повторно посещать территорию и прибрежные районы Китая каждые 5 дней. AHSI — это первый в мире космический гиперспектральный сканер, который совмещает как широкую полосу обзора, так и широкий спектральный диапазон, что сокращает время повторного посещения и увеличивает масштаб наблюдения.

2.8. OHS HSI

Миссия Zhuhai-1 была первой коммерческой группировкой микроспутников в Китае и была разработана компанией Zhuhai Orbita Control Engineering Ltd. (https://www.myorbita.net/). Миссия Zhuhai-1 состоит из 34 микроспутников, включая 12 видеоспутников, два спутника высокого пространственного разрешения, два радиолокационных спутника, восемь инфракрасных спутников и 10 гиперспектральных спутников. На сегодняшний день запущено три партии спутников, в том числе пять видеоспутников и восемь гиперспектральных спутников, которые были запущены 15 июня 2017 г., 26 апреля 2018 г. и 19 сентября 2019 г. Zhuhai-1 обладает высокими характеристиками с точки зрения пространственного, спектрального и временного разрешения.

Гиперспектральные спутники «Орбита» (OHS) имеют тот же тип гиперспектрального формирователя изображений, который имеет 256 спектральных полос в спектральном диапазоне 0,4–1,0 мкм (https://www.myorbita.net/). Основные технические характеристики датчика OHS HSI перечислены в таблице 9.

Следует отметить, что количество спектральных диапазонов OHS программируется пользователем. Количество спектральных полос регулируется в соответствии с требованиями пользователя, что позволяет пользователю выбрать 32 полосы из 256 полос. Ширина полосы обзора и пространственное разрешение спутников OHS составляют 150 км и 10 м соответственно при высоте орбиты 500 км, на солнечно-синхронной орбите с наклонением орбиты 98°. Восемь OHS уже сформировали спутниковую группировку для наблюдения за Землей. Когда на орбиту выйдут 10 гиперспектральных спутников, возможности наблюдения за Землей будут еще улучшены. Совместное наблюдение группировкой из 10 спутников могло бы охватывать Землю каждые 2 дня и 182 раза в год. Являясь коммерческими гиперспектральными спутниками, спутники Zhuhai-1 значительно обогатят ресурсы космических гиперспектральных данных и будут служить для научных исследований и промышленных приложений. Данные OHS HSI доступны по адресу https://www.obtdata.com/#/dataExpress.

2.9. ZY-1 02D HSI

12 сентября 2019 года был запущен спутник ZY-1 02D (5-метровый оптический спутник), который является мониторинговым спутником дистанционного зондирования среднего разрешения под эгидой Министерства природных ресурсов. ZY-1 02D является преемником ZY-1 02 C, который в основном был разработан для высокого спектрального разрешения и среднего пространственного разрешения, выполняя задачи широкомасштабного наблюдения и количественного дистанционного зондирования. ZY-1 02D — это первый в Китае коммерческий гиперспектральный спутник собственной разработки, который успешно эксплуатируется и будет играть важную роль в исследовании и мониторинге природных ресурсов.

Основные технические характеристики ZY-1 02D HSI перечислены в таблице 10. ZY-1 02D оснащен датчиком VNIR и гиперспектральным формирователем изображений. ZY-1 02D HSI имеет 166 спектральных полос, состоящих из 76 спектральных полос в VNIR-области и 90 спектральных полос в SWIR-области, и охватывает спектральный диапазон 0,45–2,5 мкм. Спектральное разрешение составляет 10 нм для VNIR-области и 20 нм для SWIR-области. Пространственное разрешение 30 м, ширина полосы обзора 60 км. Спутник ZY-1 02D рассчитан на 5 лет эксплуатации. На солнечно-синхронной орбите ZY-1 02D может повторно посещать один и тот же район Земли каждые 55 дней. Кроме того, ZY-1 02D сформирует спутниковую группировку с последующими спутниками для дальнейшего расширения покрытия и возможности повторного посещения.

2.10. Спектрометр Tianwen-1

Первая китайская марсианская миссия Tianwen-1 была запущена 23 июля 2020 года. Планируется, что она проведет около семи месяцев до Марса и приземлится на поверхность после двух-трех месяцев пребывания на орбите. Tianwen-1 будет проводить научные исследования ионосферы планеты, магнитного поля, геологической структуры, состава почвы и минералов, подземного распределения воды/льда и частиц космических лучей, реализуя технологический скачок Китая в области исследования дальнего космоса.

Tianwen-1 несет орбитальный аппарат и наземный исследователь, состоящий из входного модуля и марсохода, в котором марсоход несет спектрометр для анализа состава марсианской почвы и минералов. Основные технические характеристики спектрометра Tianwen-1 приведены в таблице 11. Спектрометр охватывает спектральный диапазон 0,45–1,05 мкм и 1,0–3,4 мкм. Спектральное разрешение составляет 10 нм в диапазоне 0,45–1,05 мкм, 12 нм в диапазоне 1,0–2,0 мкм и 25 нм в диапазоне 2,0–3,4 мкм. Поле зрения (FOV) составляет 12°, оцифровка 12 бит, вес менее 8 кг.

3. Методы обработки гиперспектральных изображений.

Непрерывный спектр гиперспектральных изображений является его уникальным преимуществом по сравнению с традиционными мультиспектральными изображениями дистанционного зондирования и способствует развитию новых методов обработки гиперспектральных изображений. Однако из-за высокой размерности, низкого пространственного разрешения, проблемы спектрального смешения, шума и атмосферных эффектов обработка гиперспектральных изображений представляет собой сложную задачу. Структура обработки для бортовой гиперспектральной системы ДЗЗ показана на рис. 2, включая предварительную обработку данных (т. е. радиометрическую калибровку и геометрическую коррекцию), улучшение данных (т. е. шумоподавление, удаление полос и объединение данных) и обработку данных (т. е. классификацию, определение объектов и обнаружение аномалий и количественный поиск). В этом разделе рассматривается и анализируется недавний прогресс в Китае в обработке и анализе гиперспектральных изображений.

Рисунок 2. Структура обработки для космических гиперспектральных снимков

3.1. Предварительная обработка данных

3.1.1. Радиометрическая калибровка

Радиометрическая калибровка, как важный компонент предварительной обработки космических гиперспектральных изображений, включает инвертирование истинной спектральной яркости или отражательной способности земной поверхности. В зависимости от состояния датчика радиометрическая калибровка может быть разделена на предполетную и летную калибровку (которая включает как бортовую, так и вспомогательную калибровку. Основными предполетными измерениями, необходимыми для характеристики датчика, являются: абсолютные коэффициенты радиометрической калибровки, спектральный отклик и коэффициенты выравнивания. Предполетную калибровку можно разделить на лабораторную калибровку и калибровку в полевых условиях. После запуска спутника радиометрическая калибровка датчика с использованием калибровочного оборудования на спутнике называется бортовой калибровкой. Под косвенной калибровкой понимается выбор определенного поля с поверхности Земли в качестве альтернативной цели во время работы спутника, при этом радиометрическая калибровка датчика осуществляется путем наблюдения этой альтернативной цели.

Поскольку необходимо контролировать бортовые системы для оценки их потенциальной деградации, были разработаны методы, основанные на естественных земных сценах. Например, заместительная процедура радиометрической калибровки была разработана для спутников СПАРК-01 и −02. Этот метод включает расчет темновых и неравномерных процессов коррекции. Вычисление темновых производных достигается путем усреднения нескольких линий снимков из протяженных съемочных маршрутов, полученных над обширными районами океана в ночное время, а процессы неравномерной коррекции выполняются с использованием изображений, полученных после изменения угла рыскания спутника до 90°. Бесполевой метод относительной радиометрической калибровки, основанный на гармоническом анализе данных рыскания, также был предложен для использования с гиперспектральными изображениями, полученными OHS, который называется алгоритмом радиометрической калибровки гармонического анализа (HARC).

Для абсолютной калибровки спутниковых датчиков обычно используются некоторые испытательные полигоны в Китае, такие как участок Дуньхуан, расположенный в провинции Ганьсу, участок озера Цинхай, расположенный в провинции Цинхай, и участок Баотоу, расположенный во Внутренней Монголии. Эти участки являются обширными, однородными и безоблачными, что обеспечивает хорошее представление земли и может использоваться в качестве эталонных объектов отражательной способности.

Участок Дуньхуан находится в провинции Ганьсу на северо-западе Китая. На большей части участка радиометрической калибровки в Дуньхуане нет растительности, он характеризуется однородным составом материала, плоской местностью, высокой стабильностью и однородностью. Центральная часть площадки представляет собой зону синхронных наблюдений, которая используется для спутниковой калибровки. Коэффициент поверхностного отражения этой области в VNIR-диапазоне составляет около 14–25 %, а в SWIR-диапазоне — около 30 %. Оптические свойства поверхности этой области хорошие, а коэффициент отражения изменяется незначительно. Оптическая однородность дополнительно улучшается с увеличением наблюдаемого поля зрения. Отражательная способность объекта в основном находится в средней части динамического диапазона спутниковых дистанционных датчиков, что удовлетворяет требованиям радиометрической калибровки большинства спутниковых дистанционных датчиков на орбите. В результате эта площадка в основном используется для радиометрической калибровки VNIR-диапазонов спутников дистанционного зондирования.

Пункт радиометрической калибровки на озере Цинхай расположен на северо-востоке Тибетского нагорья. Распределение температуры поверхности воды озера Цинхай равномерное, а изменение температуры по поверхности озера составляет менее 1°C. Место радиометрической калибровки на озере Цинхай находится на большой высоте, где мало аэрозольных частиц, а оптическая толщина аэрозоля составляет около 0,1 (Wang et al. 2015b). Площадка для радиометрической калибровки на озере Цинхай широко используется для абсолютной радиометрической калибровки спутников дистанционного зондирования на орбите в диапазоне TIR, а также могут проводиться радиометрические калибровочные испытания с низким коэффициентом отражения в диапазонах VNIR.

Калибровочная площадка Баотоу расположена в центральной части Внутренней Монголии и отличается равнинной местностью, сухим климатом и хорошей атмосферной видимостью. Он занимает площадь 300 км2 и имеет высоту 1270 м. Калибровочная площадка состоит как из пустыни, так и из постоянных искусственных калибровочных мишеней. Также существует автоматическая система наблюдения за спектральными характеристиками поля и параметрами атмосферы.

3.1.2. Геометрическая калибровка

Геометрическая обработка является важным компонентом предварительной обработки гиперспектральных изображений, когда геометрическая информация о наземных объектах может быть извлечена из гиперспектральных изображений после предварительной обработки данных. В зависимости от режима получения управляющей информации геометрическую калибровку можно разделить на два типа: (1) методы геометрической калибровки, основанные на наземном калибровочном поле; и (2) методы автономной геометрической калибровки. Калибровка, основанная на наземном калибровочном поле, включает использование изображения калибровочного поля, полученные со спутника на орбите, для сопоставления с цифровым ортофотоизображением и данными цифровой модели рельефа калибровочного поля для получения плотных контрольных точек. Метод автономной геометрической калибровки использует датчик на орбите для получения нескольких изображений под разными углами наблюдения, а информация о точках соединения получается путем сопоставления изображений, для чего требуется всего несколько контрольных точек, что значительно снижает зависимость от эталонных данных.

Были предложены методы геометрической обработки данных гиперспектрального спутника Zhuhai-1, включая как геометрическую коррекцию, так и базовые алгоритмы производства продукции. При геометрической калибровке камеры GF-5 AHSI можно использовать угол наведения зонда, параметры внутренней и внешней калибровки решаются шаг за шагом, а некоторые типичные изображения выбираются для экспериментальной проверки.

Кроме того, стоит отметить, что большинство упомянутых выше методов предобработки данных можно использовать и с данными других космических гиперспектральных датчиков, помимо упомянутых в тексте китайских космических гиперспектральных датчиков.

3.2. Улучшение данных

3.2.1. Шумоподавление

С улучшением спектрального разрешения гиперспектральные изображения неизбежно загрязняются шумом, в том числе битыми пикселями и полосовым шумом, в процессе получения, преобразования, передачи, сжатия и хранения из-за влияния оборудования для обработки изображений. Гиперспектральное шумоподавление сводится к уменьшению шума изображения и улучшению качества изображения с помощью технологии постобработки. По сравнению с естественными изображениями гиперспектральные изображения обладают высокой спектральной избыточностью. Однако при использовании для шумоподавления гиперспектральных изображений поканальной обработки высокая спектральная избыточность не оказывает влияния. В начале были предложены основанные на статистике методы удаления полос с использованием информации гистограммы и параметров датчиков. Впоследствии для удаления полосового шума были предложены основанные на фильтрах методы с использованием фильтров Фурье и вейвлет-фильтров. Потом была предложена модель регуляризации для удаления гауссовского шума путем минимизации суммы квадратов градиента. Совсем недавно гиперспектральное шумоподавление было достигнуто за счет использования тензорной декомпозиции, которая поддерживает пространственно-спектральную непрерывность. В 2019 году был предложен метод удаления гибридного шума в гиперспектральных изображениях на основе информации о пространственно-спектральном градиенте. Кроме того, для удаления шума на гиперспектральных изображениях также были предложены основанные на обучении методы с использованием сверточных нейронных сетей (CNN).

Битые пиксели часто присутствуют на гиперспектральных изображениях из-за различных сбоев системы сбора в процессе сканирования и преобразования. Сплошные битые пиксели, затрагивающие большое количество каналов, сильно затрудняют визуальное восприятие изображения и могут препятствовать использованию искаженных гиперспектральных изображений в последующих приложениях. Был предложен метод гиперспектральной окраски под названием HyInpaint для восстановления битых пикселей для данных гиперспектрального VNIR диапазона волн TG-1, в котором исходное гиперспектральное изображение представлено в низкоразмерном подпространстве, а его оценка формализована относительно коэффициентов представления подпространства на заданной основе.

Из-за многих факторов ухудшения качества, включая плохие атмосферные условия, неправильную калибровку и дефекты датчиков, космические гиперспектральные изображения часто загрязняются полосовым шумом, который необходимо устранить с помощью метода удаления полос. В 2020 г. была предложена спутниковая-наземная интегрированная сеть удаления (SGIDN) для удаления помех спектрометра изображений EO-1 Hyperion, гиперспектральных данных HJ-1A и спутниковых данных SPARK, в которой была предложена интегрированная стратегия спутник-земля. для получения большого набора чередующихся-чистых пар, которые требуются в методах, основанных на обучении. Результаты удаления, полученные с помощью алгоритма SGIDN для HSI HJ-1A и SPARK, показаны на рисунке 3.

В 2019 году также был предложен уникальный алгоритм удаления помех для данных OHS, в котором адаптивный метод согласования моментов и метод многоуровневой однонаправленной полной вариации используются для удаления полос. Модель, основанная на кусочно-линейном подборе методом наименьших квадратов, затем используется для восстановления вертикальных деталей, которые были потеряны на первом этапе.

3.2.2. Методы слияния данных и реконструкции со сверхвысоким разрешением

Гиперспектральное изображение часто связано с ограничением пространственного разрешения (у большинства спутников оно низкое), что вызвано взаимным ограничением между спектральным разрешением и пространственным разрешением при проектировании оптических систем дистанционного зондирования. Например, спутник GF-5 имеет пространственное разрешение всего 30 м, а спутник HJ-1A имеет пространственное разрешение всего 100 м. Методы слияния данных и реконструкции со сверхвысоким разрешением — это способы улучшить пространственное разрешение гиперспектральных изображений. Слияние данных гиперспектральных и мультиспектральных изображений стало горячей темой исследований, целью которых является включение тонкого пространственного контекста мультиспектральных изображений в гиперспектральные изображения. Методы слияния данных можно разделить на методы слияния спектральных данных, методы слияния пространственных данных, методы слияния пространственно-спектральных данных и методы слияния данных из нескольких источников. Среди различных методов объединение спектральных данных направлено на сохранение наиболее полезной спектральной информации путем объединения полос; слияние пространственных данных связано с повышением пространственного разрешения изображений путем слияния нескольких изображений с низким разрешением; слияние пространственно-спектральных данных обеспечивает сверхвысокое разрешение путем слияния различных частей гиперспектральных изображений; а слияние данных из нескольких источников обеспечивает сверхвысокое разрешение за счет включения других доступных изображений с высоким пространственным разрешением.

Методы реконструкции со сверхвысоким разрешением — еще один способ улучшить пространственное разрешение гиперспектральных изображений. При этом методы реконструкции со сверхвысоким разрешением, основанные на глубоком обучении, направлены на изучение преобразования изображений с низким пространственным разрешением в изображения с высоким пространственным разрешением. Например, новая структура на основе CNN была предложена для сверхвысокого разрешения гиперспектральных изображений с учетом как пространственного контекста, так и спектральной корреляции. Кроме того, трехмерная свертка использовалась для использования как пространственного контекста соседних пикселей, так и спектральной корреляции соседних полос. Это позволяет уменьшить спектральное искажение при непосредственном применении традиционных алгоритмов суперразрешения на основе CNN к гиперспектральным изображениям в полосе пропускания.

Рен и др. (2020) представили всестороннюю оценку методов, которые можно использовать для объединения гиперспектральных данных GF-5 с мультиспектральными данными Sentinel-2A, GF-1 и GF-2. Цель объединения данных состояла в том, чтобы улучшить данные GF-5 мультиспектральными данными с высоким пространственным разрешением при сохранении спектральной точности. Это исследование показало, что метод Ланараса, адаптивный метод Грама-Шмидта (GSA) и метод обобщенной лапласианской пирамиды (GLP) с функцией передачи модуляции (MTF) могут эффективно улучшить пространственное разрешение при объединении данных GF-5 и GF-1. Методы MTF-GLP и GSA показали лучшую эффективность при включении данных GF-5 и GF-2, а GSA и модуляция интенсивности на основе сглаживающего фильтра (SFIM) были предложены для объединения данных GF-5 и Sentinel-2A. Стратегия слияния мультисенсорных изображений для пространственно-спектрального слияния GF-5/GF-1 с высоким пространственным разрешением была предложена в 2015 году, когда на основе теории пошагового слияния была разработана унифицированная структура слияния для мультисенсорного слияния изображений. В предлагаемом методе MTF применялась для разделения пространственной (высокочастотной) и спектральной составляющих (низкочастотной) изображений из нескольких источников. Затем был построен объединенный вес путем всестороннего рассмотрения взаимосвязи между мультисенсорными изображениями с высоким пространственным разрешением и изображениями с высоким спектральным разрешением, а также спектральной корреляцией гиперспектральных изображений.

3.3. Классификация

Присвоение класса каждому пикселю является ключевым приложением в технологии дистанционного зондирования и широко применяется в наземной картографии, городском планировании, разведке полезных ископаемых, мониторинге окружающей среды и других областях.

На рис. 4 показан результат картографирования земного покрова, полученный с использованием гиперспектральных изображений GF-5. В зависимости от использования пространственной информации методы классификации можно разделить на два подхода: (1) методы спектральной классификации; и (2) методы спектрально-пространственной классификации.

Для спектральных классификаторов каждый пиксель гиперспектрального изображения рассматривается как комбинация серии спектральных измерений, не содержащих пространственной информации. Гамизи и др. подробно сравнил наиболее широко используемые спектральные классификаторы, включая метод опорных векторов (SVM), случайный лес (RF), нейронную сеть с обратным распространением, машина экстремального обучения, ротационный лес, канонический корреляционный лес и одномерная (1-D) глубокая CNN. В недавних исследованиях гиперспектральных изображений глубокое обучение внесло большой вклад. По сравнению с поверхностными моделями высокоуровневые, иерархические и абстрактные функции извлекаются из моделей глубокого обучения. Модель автоэнкодера — это типичный подход к классификации гиперспектральных изображений, основанный на глубоком обучении. Примерами моделей автоэнкодера являются многоуровневый автоэнкодер и автоэнкодер с разреженными ограничениями. Сети глубокого анализа также использовались для классификации путем изучения спектральных признаков.

В спектрально-пространственном классификаторе гиперспектральное изображение классифицируется с учетом пространственных зависимостей соседних пикселей. Пространственная информация может использоваться в классификации гиперспектральных изображений разными способами. Ма и др. в 2014 предложил смешанный метод классификации, который включает пространственную информацию путем слияния сегментации на основе объектов с SVM. В этом методе используются две стратегии смешанной классификации — алгоритм сегментации с несколькими разрешениями и сегментация с несколькими масштабами водосбора, — которые применялись к гиперспектральным городским данным TG-01. Пространственно-спектральное совместное контекстуальное разреженное кодирование также было предложено для классификации гиперспектральных изображений и включает три основные части: (1) построение словаря; (2) решение разреженных коэффициентов; и (3) классификация SVM. В этом методе словарь сначала получается путем обучения выборок, выбранных из достоверных данных, а затем на основе изученного словаря вычисляются разреженные коэффициенты каждого пикселя. Затем разреженные коэффициенты вводятся в классификатор SVM, и получается окончательный результат классификации. Цзяо и др. в 2019 году для классификации прибрежных водно-болотных угодий была применена иерархическая структура классификации, в которой дерево решений использовалось для выделения типов земельного покрова (здания, сельскохозяйственные культуры, растения и водно-болотные угодья), а SVM использовалось для классификации подтипов со спектральной и пространственной информацией. Являясь одной из самых активных областей исследований в области компьютерных наук, глубокое обучение показало отличные результаты во многих задачах. Например, Ци и др. предложили новую модель каскадного леса. (2019), чтобы преодолеть ограничения традиционных глубоких нейронных сетей, такие как потребность в большом количестве обучающих выборок и оптимизация большого количества гиперпараметров. Усовершенствованная модель каскадного леса представляет собой совокупность слоев, каждый из которых состоит из двух лесов деревьев решений и классификатора логистической регрессии. По сравнению с традиционной моделью количество лесов в усовершенствованном методе уменьшено с четырех до двух при той же точности и эффективности.

При объединении пространственно-спектральных признаков подходы, основанные на глубоком обучении, показали лучшие результаты, чем традиционные алгоритмы машинного обучения. Согласно модели CNN, методы, основанные на глубоком обучении, можно разделить на методы, основанные на патчах, и методы, основанные на полностью сверточных нейронных сетях. Ци и др. в 2019 г. была предложена совместная структура классификации 3D CNN и сети сверточной долговременной памяти (CLSTM) под названием SSCC для классификации на основе патчей гиперспектральных изображений, в которой 3D CNN использовалась для изучения спектрально-пространственных характеристик, а затем функции последовательности были извлечены с помощью CLSTM. Чтобы избежать избыточных вычислений в методах классификации patch-wish и использовать глобальную пространственную информацию, в классификацию гиперспектральных изображений были введены полностью сверточные нейронные сети. Поскольку обучающие выборки для гиперспектральных изображений часто очень разрежены, а традиционная стратегия обучения в полностью сверточных нейронных сетях больше не подходит для классификации гиперспектральных изображений, Ху и др. в 2020 предложил матрицу масок, чтобы помочь обратному распространению на этапе обучения. Глобальный стохастический стратифицированный сэмплер был предложен Дженг и др. в 2020 в Глобальной системе обучения без исправлений (FPGA). Модель условного случайного поля (CRF) также можно использовать для дальнейшего баланса локальной и глобальной информации в полностью сверточных нейронных.

3.4. Обнаружение объектов и обнаружение аномалий

Методы обнаружения гиперспектральных объектов обычно можно разделить на две категории — методы обнаружения аномалий и методы обнаружения объектов на основе сигнатур — в зависимости от того, доступны ли предварительные знания об интересующих материалах.

3.4.1. Обнаружение объектов на основе сигнатур

Для методов обнаружения объектов на основе сигнатур сигнатуры объектов известны заранее. Традиционные методы обнаружения объектов на основе сигнатур основаны на проверке бинарных гипотез. То есть для каждого пикселя существуют две гипотезы: H0 (цель отсутствует) и H1 (цель присутствует) (Манолакис, Марден и Шоу, 2003). Кроме того, для аппроксимации распределения гиперспектральных данных можно использовать определенные статистические распределения, такие как распределение Гаусса (Требеш и Колб, 2009 г.) или распределение хи-квадрат (Ду и Чжан, 2011 г.). Затем используется критерий отношения правдоподобия (LR) (Lee and Carder 2007) или обобщенного отношения правдоподобия (GLR) (Kraut and Scharf 1999) для создания постоянного детектора частоты ложных тревог. Типичные методы включают в себя различные алгоритмы обнаружения подпространства, такие как подход ортогональной проекции подпространства (OSP) (Harsanyi and Chang 1994), детектор согласованных подпространств (MSD) (Scharf and Friedlander 1993) и адаптивный когерентный/косинусный оценщик (ACE). (Краут и Шарф, 1999; Манолакис, 2005). Подход OSP включает в себя построение подпространства, ортогонального фоновому подпространству, для реализации подавления фона. MSD строит целевое и фоновое подпространства, а затем строит детектор GLR. Принцип ACE аналогичен принципу MSD, но метод построения подпространства отличается.

Совсем недавно разреженное представление успешно применялось для обнаружения объектов. Детекторы на основе разреженности основаны на том принципе, что фон находится в низкоразмерном фоновом подпространстве, а объект находится в низкоразмерном объектовом подпространстве. Разреженное представление было впервые применено в гиперспектральном обнаружении объектов Ченом, Насрабади и Траном (2011a). С тех пор было предложено множество улучшенных алгоритмов, основанных на основных принципах и методах (Чен, Насрабади и Тран, 2011b, 2011c; Ли и др., 2014). В этих алгоритмах, основанных на разреженности, целевой и фоновый словари создаются с использованием обучающих выборок для представления объектового и фонового значений соответственно. Благодаря полноте построенных словарей для описания одного вида материала используется множество атомов, что решает проблему спектральной изменчивости (Сакла и др., 2011). Кроме того, для дальнейшего использования пространственной информации в гиперспектральных изображениях при решении проблемы спектральной изменчивости модели разреженного представления были объединены с пространственно-контекстными моделями (Гу и др., 2015; Чжао и др., 2013; Ву и др., 2019; Zhang et al. 2017), в котором используется информация о пространственном соседстве в адаптивных локальных окнах или соседних окрестностях.

3.4.2. Обнаружение аномалий

Обнаружение аномалий направлено на обнаружение наблюдений, имеющих значительные отличия от окружающего фона по спектральным характеристикам (Штайн и др., 2002). Для методов обнаружения аномалий, в отличие от методов обнаружения объектов на основе сигнатур, априорные сигнатуры аномалий недоступны (Манолакис 2005). В этом случае оценка и подавление фона становится ключевым вопросом в задаче обнаружения гиперспектральных аномалий (Matteoli et al. 2013). Чтобы решить эту проблему, статистические методы используют априорные статистические распределения для оценки фона. Примерами таких методов являются хорошо известный детектор Рида-Сяоли (RX) (Reed and Yu 1990) и его усовершенствованные методы, все из которых основаны на расстоянии Махаланобиса, включая регуляризованный детектор RX (Nasrabadi 2008), сегментированный детектор RX (Matteoli, Diani, and Corsini 2010), взвешенный детектор RX и детектор RX на основе линейного фильтра (Guo et al. 2014). Однако, поскольку предположения о статистическом распределении обычно не согласуются с реальными данными, также были предложены методы, основанные на представлении. Например, Панг и др. (2015) предложили детектор на основе совместного представления, основанный на наблюдении, что фоновый пиксель может быть приблизительно представлен как линейная комбинация окружающих его пикселей, а аномалии - нет.

В гиперспектральных изображениях обычно предполагается, что фон обладает свойством низкого ранга, а аномалии редки. Таким образом, априорные методы низкого ранга (Донохо, 2006; Райт и др., 2009; Кандес и др., 2011) были введены в обнаружение гиперспектральных аномалий, образуя методы, основанные на низком ранге. В низкоранговых методах задача обнаружения гиперспектральных аномалий моделируется как низкоранговая и разреженная задача разложения матрицы, тем самым отделяя аномалии от фона. Методы на основе низкого ранга обычно можно разделить на две категории: (1) методы на основе надежного анализа главных компонентов (RPCA) (Sun et al. 2014; Zhang et al. 2015); и (2) методы, основанные на представлении низкого ранга (LRR) (Янг и др., 2016; Ин и др., 2018; Хуян и др., 2019). Методы, основанные на RPCA, напрямую накладывают низкоранговые и разреженные ограничения на исходную матрицу гиперспектральных данных. Примером такого метода является метод расстояний Махаланобиса на основе низкоранговой и разреженной матрицы (LRaSMD) для обнаружения гиперспектральных аномалий (LSMAD) (Zhang et al. 2015). В отличие от методов, основанных на RPCA, методы, основанные на LRR, накладывают низкоранговые и разреженные ограничения на разреженные матрицы коэффициентов кодирования, которые возникают в результате разреженного кодирования гиперспектральных данных на основе спектральных словарей. Примерами методов на основе LRR являются метод обнаружения аномалий на основе низкорангового и разреженного представления (LRASR) (Янг и др., 2016) и низкоранговая декомпозиция на основе изобилия и словаря (ADLR) (Ин и др. 2018) метод.

Совсем недавно автокодировщики применялись для обнаружения гиперспектральных аномалий (Чжао, Ли и Чжу, 2017 г.; Чжао и Чжан, 2018 г.; Чанг, Ду и Чжан, 2019 г.; Лу, Чжан и Хуанг, 2019 г.; Се и др., 2019 г.), поскольку автокодировщики могут изучить иерархические, абстрактные и высокоуровневые представления гиперспектральных данных. Методы на основе автокодировщика используют автокодировщик для автоматического извлечения скрытых особенностей изображения, а затем детекторы разрабатываются для реализации окончательного обнаружения аномалий. Например, состязательный автокодер со спектральными ограничениями (SC_AAE) был предложен Xie et al. (2019), в котором стратегия спектрального ограничения включена в состязательный автокодер для изучения скрытого представления предварительно обработанных гиперспектральных данных, а затем используется двухуровневая архитектура для реализации обнаружения аномалий.

3.5. Спектральное разделение

Из-за эффекта низкого пространственного разрешения, многократного рассеяния фотонов и микроскопического смешения гиперспектральные изображения страдают от серьезных эффектов смешения (Биукас-Диас и др., 2012). В результате на гиперспектральных изображениях часто бывает много смешанных пикселей, содержащих более одного материала. Спектральное разделение — это процедура, которая разлагает смешанный пиксель на конечные члены (спектральные характеристики материалов) и содержания (относительные вклады материалов). Спектральное разделение — полезный способ анализа гиперспектральных данных в таких приложениях, как хемометрика планетологии, материаловедение и другие области микроспектроскопии в медицине (Dobigeon et al. 2013). Точнее, разделение — это обобщенная обратная задача, которая использует наблюдаемый сигнал для оценки параметров для описания объекта (Тарантола и Валетте, 1982). Когда входящий свет взаимодействует со всеми материалами в пределах мгновенного поля зрения, могут возникать различные физические взаимодействия, так что это влияет на наблюдаемый спектр пикселей (Heylen, Parente, and Gader 2014).

Вообще говоря, существуют две основные категории моделей смешивания: (1) линейная модель смешивания (LMM); и (2) модель нелинейного смешения (NMM) (Keshava and Mustard 2002). LMM чаще возникает в смешанных макроспектральных сценах, где наблюдаемые фотоны в основном взаимодействуют с одним материалом, прежде чем достигнут датчика. В NMM, который часто присутствует в интимных сценах, соотношение смешивания различных компонентов нелинейно, поскольку световые фотоны рассеиваются более чем одним компонентом. В большинстве случаев NMM превосходит LMM тем, что может лучше описывать реальные взаимодействия, происходящие на поверхности Земли.

Спектральное разделение на основе LMM обычно можно разделить на два этапа: (1) извлечение конечных элементов; и (2) инверсия численности. Извлечение конечного члена направлено на извлечение спектрального вектора признаков с относительно высоким содержанием из изображений HRS. Подходы, основанные на геометрии, получают вершину путем нахождения минимального или максимального объема симплекса для получения желаемого конечного элемента. Примерами таких методов являются индекс чистоты пикселей (PPI) (Boardman, Kruse, and Green 1995), анализ вершинных компонентов (VCA) (Nascimento and Dias 2005), N-FINDR (Michael 1999) и симплекс минимального объемного охвата ( MVES) (Чан и др., 2009). Проблема спектрального разделения также может быть превращена в проблему слепого разделения источников (BSS). Для метода анализа независимых компонентов (ICA) (Bayliss, Gualtieri, and Cromp 1998) предполагается, что многомерный сигнал наблюдения состоит из нескольких статистически независимых компонентов. Однако ограничение количества по сумме к одному означает, что компоненты не могут быть независимыми, поэтому для решения проблемы слепого гиперспектрального разделения можно использовать неотрицательную матричную факторизацию (NMF). Некоторые современные подходы к слепому разделению, такие как NMF с ограничением разреженности L1/2 (L1/2 NMF) (Qian et al. 2011), NMF с ограничением минимального объема (MVCNMF) (Miao and Qi 2007), и пространственная групповая разреженность-регуляризованная NMF (SGSNMF) (Wang et al. 2017b) используют преимущества NMF. Разреженное разделение предполагает, что изображения HRS можно учитывать как задачу линейной разреженной регрессии. Алгоритм разреженного разделения с помощью переменного разделения и расширенного лагранжиана (SUnSAL) (Иордаче, Биукас-Диас и Плаза, 2011) был предложен для решения проблемы линейного разреженного спектрального разделения. Чтобы в полной мере использовать пространственную информацию в изображениях, также был разработан ряд алгоритмов пространственного разреженного разделения, таких как нелокальное разреженное разделение (NLSU) (Zhong, Feng, and Zhang 2013) и разреженное разделение с помощью переменного разделения. и расширенный лагранжиан с полной вариацией (SUnSAL-TV) (Иордаш, Биукас-Диас и Плаза, 2012).

Теория переноса излучения (RTT) (Chandrasekhar 1960) может описать преобразование энергии, когда наблюдаемые фотоны взаимодействуют с компонентами сцены. Однако подход полного нелинейного разделения, основанный на физике, требует предварительной информации о сцене, которую может быть трудно или даже невозможно получить. Также были предложены билинейные модели (Фан и др., 2009; Халими и др., 2011; Альтманн и др., 2012) для обработки эффектов рассеяния второго порядка. Эти модели вводят дополнительные условия взаимодействия на основе стандартной линейной модели. Основное отличие состоит в том, что они накладывают разные параметры смешивания на ограничения аддитивности. Можно обнаружить, что для наблюдаемого спектрального сигнала существенную роль начинают играть множественные взаимодействия фотонов, и уже нельзя просто игнорировать отражения третьего или более высоких порядков. Поэтому также были предложены методы, учитывающие взаимодействия высокого порядка (Хейлен и Шейндерс, 2016; Вей и др., 2017; Ян и Ван, 2018).

С развитием глубокого обучения преимущества, основанные на данных, стали учитываться во многих методах. Неконтролируемый расширенный нелинейный автоэнкодер (ENAE) (Zhu et al. 2019) был предложен для нелинейного разделения данных GF-5. Этот метод включает две фазы, где первая фаза представляет собой инициализацию сетевой структуры, которая определяет количество узлов кодировщика и начальные значения конечных элементов и содержаний, а вторая фаза представляет собой нелинейное разделение, которое в основном включает в себя минимизация функции потерь.

Дистанционное зондирование дает нам возможность контролировать экосистемы и окружающую среду в больших масштабах (Hadeel et al. 2011). Ляо и др. 2012 использовал разделение для улучшения извлечения информации о частичном растительном покрове района Шихэцзы в Синьцзяне с использованием гиперспектральных данных, полученных со спутника HJ-1A. Авторы выбрали спектры конечного элемента, объединив среднеквадратичную ошибку конечного элемента (EAR) и PPI. Мангровые заросли — это типичная растительность, встречающаяся на стыке суши и моря и очень важная для экологической защиты береговой линии и прилегающих территорий. Ван и др. (2017a) предложили метод, основанный на гиперспектральном разделении, для распознавания мангровых зарослей по экспериментам с данными из района залива Шэньчжэнь, которые были получены платформой TG-1. Марзи и др. (2019) предложили схему для обеспечения точных оценок распределения содержания полезных ископаемых на лунной поверхности. Кроме того, они предоставили подробную информацию о геофизическом составе лунной поверхности.

4. Применение китайских гиперспектральных спутников

Ввиду высокой точности и сильной способности идентифицировать различные особенности, гиперспектральные данные ДЗЗ можно использовать для точного различения различных типов грунта и достижения количественной инверсии, тем самым поддерживая приложения для исследования природных ресурсов, управления городским строительством, сельскохозяйственного производства и мониторинга окружающей среды. Быстрое развитие китайских гиперспектральных спутниковых технологий направлено на удовлетворение основных национальных потребностей, таких как снижение загрязнения, контроль за качеством окружающей среды, мониторинг состава атмосферы и изменения климата, а также съемка земель и ресурсов, а также содействие применению гиперспектральных данных ДЗЗ в сельском и лесном хозяйстве, при стихийных бедствиях, в городском строительстве, водном хозяйстве, морских исследованиях, геодезии и картографировании, статистики и других областях. В следующем разделе представлены типичные применения китайских спутников HRS в этих областях.

4.1. Сельскохозяйственные приложения

На момент написания статьи точное земледелие стало основной целью и направлением Национального плана модернизации сельского хозяйства Китая (2016–2020 гг.). Технология гиперспектральных данных ДЗЗ как простого, быстрого, недорогого и неразрушающего метода спектрального анализа привлекла большое внимание в приложениях точного земледелия. Гиперспектральные данные ДЗЗ использовались для мониторинга роста сельскохозяйственных культур, физиологических и биохимических характеристик сельскохозяйственных культур, а также для оценки посевных площадей и урожайности, обеспечивая гарантию посадки и управления сельскохозяйственными культурами (Zhang and Li 2019; Shi et al. 2017; Chong et al. 2017). ).

Рост и здоровье сельскохозяйственных культур с течением времени можно установить путем анализа физиологических параметров сельскохозяйственных культур в разные периоды, которые можно предсказать по спектральной отражательной способности сельскохозяйственных культур. Индекс листовой поверхности (LAI) является не только важным основным параметром структуры сельскохозяйственных культур, но и одним из ключевых параметров климатических и экологических исследований. Ли и др. (2016b) предсказали непрерывные изменения LAI озимой пшеницы, извлекая различные особенности из изображений HJ-1 A/B CCD четырех сезонов выращивания озимой пшеницы. Другой важный параметр сельскохозяйственных культур – содержание азота, играющий ключевую роль в фотосинтезе растений, может отражать состояние питания сельскохозяйственных культур. Например, Чжоу и др. (2016) использовали гиперспектральные данные PHI, полученные с воздуха, чтобы сделать вывод, что индексы, подобные «Нормализованному разностному индексу вегетации (NDVI)», являются лучшими индексами для оценки содержания азота в растительном покрове озимой пшеницы (CNC). Лян и др. (2018) также разработали новые гиперспектральные индексы — первый производный нормированный разностный азотный индекс (FD-NDNI) и первый производный азотный вегетационный индекс отношения (FD-SRNI) — и оценили содержание азота в листьях (LNC) пшеницы по изображениям OMIS.

Классификация сельскохозяйственных культур и методы картографирования, основанные на гиперспектральных изображениях, хорошо зарекомендовали себя и могут помочь нам получить своевременную информацию о посевах сельскохозяйственных культур на большой площади. Авторы использовали гиперспектральные данные OHS в пиковый период роста сельскохозяйственных культур для классификации озимой пшеницы и рапса. Как показано на рисунке 5, результат классификации культур для данных OHS Zhuhai-1 указывает на возможность использования данных OHS Zhuhai-1 для точного картирования культур на больших площадях. Ши и др. (2017) использовали переменные спектральных характеристик, извлеченные из данных HJ-1A, для классификации различных культур в водоразделе реки Хуан в провинции Цинхай с помощью метода SVM после выбора полосы. Чжан и Ли (2019) использовали гиперспектральные изображения OHS для точной классификации и оценки посевных площадей озимой пшеницы с использованием методов максимального правдоподобия и SVM. Ян и др. (2008) создали модель спектрального отклика и обнаружения бедствия урожая на основе гиперспектральных изображений PHI и объединили ее с методом Spectral Angle Mapper (SAM) для точной классификации и картирования как пшеницы, пораженной полосатой ржавчиной, так и здоровой пшеницы. Кроме того, Пан и соавт. (2015) получили фенологическую карту сельскохозяйственных угодий на равнине Гуаньчжун в Китае, извлекая NDVI из временного ряда изображений HJ-1A/B CCD. Такое картирование сельскохозяйственных культур на больших площадях может обеспечить эффективную поддержку управления сельским хозяйством.

Оценка урожайности сельскохозяйственных культур является основным способом реализации стоимости продукции сельского хозяйства. Косвенно это можно предсказать, инвертируя характерные параметры сельскохозяйственных культур. Например, Ван и др. (2015a) использовали многовременные ПЗС-изображения HJ-1 A/B для извлечения двухканального расширенного вегетационного индекса (EVI2) для прогнозирования урожайности риса одного урожая; и Сонг и др. (2004) использовали гиперспектральные данные PHI для извлечения NDVI и индекса фотохимического отражения (PRI) для создания модели прогнозирования урожайности озимой пшеницы. Использование аэрофотоспектрометров может использоваться для более точного мониторинга посевов благодаря высокому пространственному разрешению.

4.2. Применение в лесном хозяйстве

Гиперспектральные спутниковые данные также могут использоваться в лесном хозяйстве, включая исследование леса, изучение биохимического состава леса, исследование состояния леса, анализ лесных ЧС и мониторинг чужеродных видов. Китайские гиперспектральные спутниковые данные внесли большой вклад в развитие лесного хозяйства в Китае за счет картирования лесов (Wan et al. 2020), обследования лесных ресурсов (2020) и оценки биохимических и физических факторов (Chen et al. 2015).

Изучение леса осуществляется в основном по классификации типов леса. Гиперспектральные снимки могут повысить точность классификации лесных видов, а более точную карту распространения лесных видов можно получить с помощью классификации гиперспектральных данных. Например, используя гиперспектральные данные GF-5, Wan et al. (2020) получили высокоточные классификационные карты четырех типов мангровых зарослей в природном заповеднике Май По (MPNR) в Гонконге и пришли к выводу, что данные GF-5 могут улучшить мониторинг мангровых зарослей на уровне видов. Си и др. (2019) осознали тонкое различие семи различных видов деревьев в горах Чанбайшань в Северо-Восточной Азии с помощью данных OHS-1 и пришли к выводу, что сочетание системы глубокого обучения и гиперспектральных изображений может эффективно повысить точность классификации видов деревьев, таким образом помогая уменьшить неопределенности в оценке параметров экосистемы и лесных ресурсов. Чжао и др. (2018) использовали гиперспектральные данные PHI-3 для расчета семи вегетационных индексов, представляющих ключевые биохимические характеристики. Затем они были объединены с другими функциями для кластеризации адаптивных нечетких C-средних (FCM) для прямого прогнозирования разнообразия лесных видов без выделения каждой отдельной породы деревьев.

Оценка LAI древесных пород также имеет большое значение при обследовании лесов, управлении ресурсами, экологических исследованиях и оценке последствий стихийных бедствий. Например, Чен и др. (2015) использовали ПЗС-изображения HJ-1A/B для прогнозирования пространственно-временных вариаций LAI каучукового леса на Хайнане, Китай, с помощью нелинейной авторегрессионной сети с экзогенными входными данными (NARX).

4.3. Геологоразведка

Гиперспектральные спутники можно использовать для исследования типичных минералов и основных типов горных пород, поскольку разные минералы имеют разные спектральные характеристики. Разработка китайских гиперспектральных спутников внесла большой вклад в геологические исследования в Китае, особенно в идентификации и картировании полезных ископаемых, литологическом картировании, разведке полезных ископаемых, мониторинге окружающей среды горных работ, а также экологическом восстановлении и оценке районов добычи полезных ископаемых (Lei et al. 2018). ; Лю и др., 2018; Ян и др., 2018).

Идентификация и картирование полезных ископаемых являются основой гиперспектральных геологических приложений и могут предоставить существенную информацию о составе и распределении наземных объектов для геологических приложений как в макроскопическом, так и в региональном масштабе. Например, Лей и др. (2018), Лю и соавт. (2018) провели рутинную геологическую съемку на большой площади с разрешением 20 м в основном золото-медно-никелево-хромовом ресурсном поясе Китая с использованием данных TG-1 Hyperspectral Imager SWIR. Проведенное исследование показало возможность оперативного проведения бортовой съемки измененных минералов (мусковита, каолинита, хлорита, эпидота, кальцита, доломита и др.) и обеспечения непрерывного высокоточного картографирования минералов для всех типов рельефа. Эти результаты также свидетельствуют о том, что данные TG-1 кажутся очень подходящими для обнаружения поверхностной минералогии, для поддержки регионального картирования и разведки. Кроме того, Ян и соавт. (2018) осуществили точную классификацию силикатных, карбонатных и сульфатных минералов с использованием гиперспектральных данных GF-5 TIR. Однако применение гиперспектральных данных для количественной инверсии минерального состава нуждается в дальнейших исследованиях.

4.4. Мониторинг окружающей среды

Быстрое экономическое развитие и деятельность человека сопровождаются рядом проблем загрязнения окружающей среды, и роль гиперспектральных данных в экологическом мониторинге становится все более важной. Гиперспектральные спутники могут использоваться для наблюдения за водной, почвенной и воздушной средой, для удовлетворения потребностей в охране окружающей среды, мониторинге, надзоре, реагировании на чрезвычайные ситуации, оценке, планировании и других областях.

4.4.1. Мониторинг загрязнения воздуха

Изменение климата стало глобальной проблемой, вызывающей всеобщее беспокойство международного сообщества, которая требует предотвращения и контроля загрязнения воздуха и улучшения качества атмосферной среды. Гиперспектральные спутники могут осуществлять высокоточный и количественный дистанционный мониторинг элементов атмосферной среды, таких как диоксид азота, диоксид серы, атмосферные аэрозоли и парниковые газы, что позволяет нам определять пространственное распределение и концентрацию атмосферных загрязнителей в большом пространственном масштабе. Прибор для мониторинга следовых газов в окружающей среде (EMI), установленный на спутнике GF-5, измеряет обратное рассеянное земной солнечной радиацией в ультрафиолетовом и видимом спектральном диапазоне. Ченг и др. (2019) использовали EMI для реализации глобальной инверсии диоксида азота (NO2), который является важным загрязняющим газом, поддерживая мониторинг качества воздуха. Атмосферный инфракрасный ультраспектральный зонд (AIUS) представляет собой инфракрасный спектрометр затмения, установленный на спутнике GF-5, который может измерять и изучать химические процессы озона (O3) и других газовых примесей в верхних слоях тропосферы и стратосферы Антарктики. Ли и др. (2019) использовали алгоритм извлечения следовых газов, разработанный для AIUS, и получили первые результаты для извлечения O3, воды и хлористого водорода (HCl) из AIUS, которые использовались для изучения пространственно-временных изменений озона над Антарктидой.

4.4.2. Мониторинг водной среды

Вода является источником жизни, и предотвращение загрязнения воды и борьба с ним тесно связаны со здоровьем человека (DATTA et al. 2012). Мониторинг качества воды с помощью гиперспектральных данных реализуется путем инверсии различных параметров качества воды, которые могут отражать загрязнение воды, таких как хлорофилл, взвешенные вещества, прозрачность и мутность, поскольку оптические свойства этих параметров качества воды могут регистрироваться гиперспектральными датчиками. Еще в 2000 году Шу и соавт. (2000) использовали гиперспектральные данные бортовой системы OMIS-II для определения концентрации хлорофилла.

Гиперспектральные спутники HJ-1A/B являются распространенным источником данных для мониторинга водной среды. Например, Лу и др. (2011) объединили NDVI и нормализованный разностный индекс воды (NDWI) для извлечения и картирования водных объектов; Чжоу и др. (2014) оценили концентрацию хлорофилла а (хл-а) на основе полуаналитического трехдиапазонного алгоритма; и Цао и др. (2018) использовали модель в сочетании с модифицированным алгоритмом оптимизации дискретного бинарного роя частиц, использующим стратегию катастроф и частичный метод наименьших квадратов (MDBPSO-PLS) для получения показателей качества воды, включая chl-a, TSM и мутность.

Прибор AHSI, установленный на спутнике GF-5, также имеет большой потенциал в исследованиях дистанционного зондирования цвета воды из-за его высокого пространственного разрешения и большого количества спектральных диапазонов. Благодаря этим характеристикам данные ASHI позволяют получать малозаметные изменения параметров качества внутренних вод. Например, Лю и др. (2019a) осуществили классификацию многих видов водоемов, включая реки, моря, солончаки и канавы, с использованием данных AHSI; и Денг и др. (2018) установили многополосные инверсионные модели перекрестного порядка концентрации хл-а на основе данных GF-5, реализующие высокоточную инверсию хл-а в мутной воде со сложными оптическими свойствами.

4.4.3. Мониторинг свойств почвы

Свойства почвы, такие как органическое вещество, содержание оксида железа и питательные вещества (которые являются ключевыми переменными, влияющими на рост растительности), а также загрязняющие вещества, представленные тяжелыми металлами, могут отражаться их специфическими спектральными характеристиками. Таким образом, HRS можно использовать для получения параметров почвы для мониторинга состояния и загрязнения почвы, чтобы защитить сельскохозяйственное производство и экологическую среду.

Ю и др. (2018) использовали модель пошаговой регрессии расширенных спектральных переменных для создания карт пространственного распределения свойств почвы (органический углерод, общий азот, общий калий и общий фосфор) с использованием изображений HJ-1A. Ли и др. (2015) спрогнозировали содержание соли в почве, рассчитывая NDVI, индекс отклика на нормальное содержание солей в почве (NSSRI) и индекс растительности с поправкой на почву (SAVI) на основе изображений HJ-1A. Лю и др. (2016) использовали многовременные данные HJ-1B для определения состава тяжелых металлов в почве, используемой для выращивания риса. Они также разработали индекс стресса в качестве индикатора степени стресса тяжелых металлов в рисе на разных стадиях роста и определили уровни стресса тяжелых металлов в рисе, используя модель пространственно-временного спектра (TSFS). Лю и др. (2019c) разработали модель, учитывающую взаимосвязь спектрального отношения спектральной отражательной способности сухой почвы (DSSR) к спектральной отражательной способности влажной почвы (MSSR) с содержанием влаги в почве с использованием данных HJ-1A, и осуществили оценку содержания тяжелых металлов в почве (арденнита). (As), кадмий (Cd), ртуть (Hg)).

4.5. Городские исследования

Быстрый и высокоинтенсивный процесс урбанизации существенно изменил городскую, региональную и даже глобальную экологическую среду. Одной из замечательных характеристик городского климата является эффект городского острова тепла. Гиперспектральные данные можно использовать для мониторинга городского климата и окружающей среды, главным образом, путем получения LST.

Сюй, Вустер и Гриммонд (2008) использовали данные OMIS для создания карт потоков явного тепла в городских районах в различных пространственных масштабах на основе Схемы городской метеорологической параметризации местного масштаба (LUMPS) и Метода аэродинамического dRag (ARM). Данные OMIS также можно использовать для получения информации о городском земном покрове и получения карт основных параметров поверхности (альбедо, температура поверхности, доля растительности, коэффициент излучения). Meng and Cheng (2020) использовали данные TIR с высоким пространственным разрешением со спутника GF-5 для оценки LST с помощью корпоративного алгоритма Объединенной полярной спутниковой системы Национального управления океанических и атмосферных исследований и алгоритма квадратичного разделения окна. Помимо мониторинга эффекта городского теплового острова, существуют и другие типичные приложения, связанные с городской средой. Например, Ли и др. (2016a) использовали методы классификации данных TG-1 в сочетании с классификатором на основе пикселей и методом сегментации на основе объектов для получения точных карт покрытия городов, которые можно использовать для поддержки моделирования изменения климата в городах.

5. Выводы

В последние десятилетия космические гиперспектральные данные продемонстрировали быстрое развитие в Китае, наряду с ростом технологий спутниковой и гиперспектральной визуализации, и продемонстрировали большой потенциал в различных приложениях дистанционного зондирования. Тем временем обработка гиперспектральных изображений была горячей темой исследований в Китае и привлекла внимание ученых в различных областях, включая дистанционное зондирование, обработку сигналов и науки о Земле. В этой статье мы представили всесторонний обзор космических данных ДЗЗ в Китае с точки зрения космических платформ и соответствующей обработки гиперспектральных изображений и приложений. Чтобы завершить дискуссию, ниже мы резюмируем основные тенденции развития космических систем гиперспектральной съемки в Китае:

· Широкая полоса захвата и высокое пространственное разрешение. Поскольку размер массива детекторов ограничен, существует компромисс между шириной полосы обзора, спектральным разрешением и пространственным разрешением гиперспектрального формирователя изображений, и их сложно улучшить одновременно. Тем не менее, очень важно улучшить пространственное разрешение космических систем гиперспектральной съемки, сохранив при этом его высокое спектральное разрешение и широкую полосу обзора.

· Гиперпространственные наблюдения с полным спектральным диапазоном. Области VNIR (0,4–1,0 мкм) и SWIR (1,0–2,5 мкм) являются обычно используемыми спектральными диапазонами для космических систем гиперспектральной съемки, но с точки зрения приложений имеет смысл расширить спектральный диапазон до средневолнового инфракрасного (MWIR, 3–5 мкм) и длинноволновой инфракрасной (LWIR, 7–12 мкм) областях.

· Гиперспектральные спутниковые группировки. Концепция спутниковых группировок определила новое направление развития микроспутников, а также космических аппаратов сверхвысокого разрешения. Типичным примером является спутниковая сеть Zhuhai-1, где совместное наблюдение ее 10 OHS позволяет охватить Землю каждые 2 дня и 182 раза в год, что значительно улучшает временное разрешение наблюдений HRS.

В будущем Китай продолжит разработку и запуск космических гиперспектральных спутников. Ожидается, что в 2021 году будет запущен спутник FY-3E с датчиком MERSI-2. Четвертая партия OHS также находится в разработке. Кроме того, китайская корпорация Great Wall Industry Corporation подписала контракт с Satellogic на запуск 90 спутников, а с января 2020 года на орбите находятся 10 спутников. В течение следующих двух лет будет запущено более 80 спутников, чтобы сформировать группировку спутников наблюдения Земли, каждый из которых будет нести гиперспектральную камеру с пространственным разрешением 3 м. План запуска Hainan Satellite Constellation также будет завершен в ближайшие два-три года, включая два гиперспектральных спутника под названием Sanya-1, которые, как ожидается, будут запущены в 2021 году.