基于无人机观测的高光谱 BRDF 可表征平坦沙漠地表的光学特性:与实验室和卫星数据的综合对比研究

简介: 本研究由东北师范大学开展,创新性地利用搭载光谱仪的无人机,在中国西北六处沙漠开展高光谱BRDF测量。结果表明:无人机数据在光谱形态上与实验室测量高度一致(SAM<0.074),角度反射特性与卫星观测吻合良好(平均|RD|<5%),显著弥补了地面与卫星在1–30米尺度BRDF观测的空白,为沙漠辐射平衡研究提供高精度原位数据支撑。

英文题目:Hyperspectral BRDF based on UAV measurements can characterize optical properties of flat desert surfaces: A comprehensive comparison with laboratory and satellite data

研究单位:东北师范大学

摘要:

沙漠是陆地生态系统的重要组成部分,其光学反射特性对于理解地表辐射平衡至关重要。将高光谱与角度观测相结合,被认为是表征沙漠地表光学反射特性的有效方法。然而,由于测量配置的限制,地面和卫星观测仪器难以在合适的尺度上同时获取沙漠地表的高光谱和角度反射率。为克服这一局限性,本文采用搭载光谱仪的无人机(UAV),对中国西北地区六处沙漠区域开展了高光谱双向反射分布函数(BRDF)测量。通过与在相同观测几何条件下获得的实验室和卫星观测结果进行对比发现,无人机测得的高光谱反射率在光谱形态上与实验室测量结果高度一致,而无人机获取的角度反射率在半球空间内的 BRDF 表征与卫星观测结果具有良好的一致性。此外,本文还将基于 BRDF 模型反演得到的角度反射率与 MODIS 在选定波长下的沙漠实测角度反射率进行了比较。结果表明,基于无人机测得的高光谱 BRDF 构建的 BRDF 模型在光谱 BRDF 模拟方面表现出更优的性能。基于贝叶斯反演的不确定性分析进一步证实了无人机数据在有效表征沙漠地表光学特性方面的可靠性。上述结果表明,基于无人机的光谱与角度联合测量在定量刻画高光谱 BRDF 方面具有较强的稳健性,可为获取沙漠地表全面的原位光学特性提供有力支撑,并可作为未来沙漠地表辐射平衡研究的重要验证数据来源。

研究方法:

image.jpeg

1 无人机观测位置及中国沙漠分布。 绿色三角形表示无人机观测位置:阿拉善(ALS)、敦煌(DH)、格尔木(GEM)、民勤(MQ)、乌海(WH)和小柴旦西(XCDH_W

 

1 飞行试验总结

image.png

2 六个研究地点的质地特性

image.png

image.jpeg

2 基于无人机的高光谱 BRDF 评估流程示意图

image.jpeg

3 六个荒漠地点的野外图像。(A)阿拉善(ALS)(B)敦煌(Dh)(C)格尔木(GEM)(D)民勤(MQ)(E)乌海(WH),和(F)小柴旦西部Est(XCDH_W)

image.jpeg

4 本研究所用六种沙漠样品的显微图像。(a) 阿拉善(ALS),(b) 敦煌(DH),(c) 格尔木(GEM),(d) 民勤(MQ),(e) 乌海(WH),(f) 小柴旦西(XCDH_W


数据采集:

本研究的无人机BRDF测量是通过无人机系统和地面系统协同完成。无人机系统包括A660型无人机、云台控制系统、地面站以及RS-8800光谱仪。A660无人机最大载重为10Kg,续航时间最长可达60分钟,可配备多种云台,搭载不同载荷,如高光谱成像仪、多光谱成像仪、光谱辐射计、红外热成像仪、激光雷达系统、倾斜摄影、可见光成像等遥感设备,可满足多种航测需求。RS-8800光谱仪光谱范围350-2500nm,可快速实现野外紫外-可见-近红外全波段光谱数据测量,采样间隔1nmFOV25°。地面系统包括RS-8800光谱仪、自动伸缩支架和控制箱。

image.jpeg

5 (a) 无人机飞行方案:竖直线表示飞行高度,水平线表示飞行半径,黑点表示观测天顶角,黄色水平条表示天底方向测量的视场. (b) BRDF 测量布设:红色虚线表示飞行路径,黄色点表示观测位置,观测天顶角间隔为 10°,观测方位角间隔为 30°. (c)无人机系统组成:无人机、光谱仪、云台和相机

image.jpeg

6 (a) 地面测量系统由光谱仪、可伸缩支架和控制箱组成。光谱仪的光纤探头和参考面板安装在可伸缩支架上。(b) 测量过程中展开的参考面板

研究结果:

image.jpeg

7 (a) 无人机在天底方向(VZA = 0°,SZA = 30°)观测得到的六个沙漠站点的半球方向反射函数(HDRF)。(b) 实验室在天底方向(VZA = 0°,SZA = 30°)观测得到的六个沙漠站点的双向反射因子(BRF)。(c) 六个沙漠站点在主平面内不同观测天顶角(VZA)条件下,无人机高光谱 HDRF 与实验室高光谱 BRF 之间的光谱角制图(SAM)。表中每个数值表示对应的 SAM 值,SAM 值越小,表明两种观测结果在光谱形态上的相似性越高。“–”表示前向散射方向。太阳天顶角(SZA)为 30°。

image.jpeg

8 858 nm 波长下,不同太阳天顶角条件下无人机获取的 HDRF 在半球空间中的角度分布:第一行为 SZA = 30°,第二行为 SZA = 40°,第三行为 SZA = 50°。黑色五角星表示起始太阳天顶角(SZA_start)。每一列表示一个沙漠站点,从左到右依次为:阿拉善(ALS)、敦煌(DH)、格尔木(GEM)、民勤(MQ)、乌海(WH)和小柴旦西(XCDH_W)。

image.jpeg

9 858 nm 波长下,不同太阳天顶角条件(第一行为 SZA = 30°,第二行为 SZA = 40°,第三行为 SZA = 50°)下,无人机观测得到的各向异性因子(ANIF)在半球空间中的角度分布。黑色五角星表示起始太阳天顶角(SZA_start)。每一列表示一个沙漠站点,从左到右依次为:阿拉善(ALS)、敦煌(DH)、格尔木(GEM)、民勤(MQ)、乌海(WH)和小柴旦西(XCDH_W)。

image.jpeg

10 858 nm 波长下,不同太阳天顶角条件(第一行为 SZA = 30°,第二行为 SZA = 40°,第三行为 SZA = 50°)下,无人机观测得到的 HDRF 在半球空间中的角度分布。黑色五角星表示起始太阳天顶角(SZA_start)。每一列表示一个沙漠站点,从左到右依次为:阿拉善(ALS)、敦煌(DH)、格尔木(GEM)、民勤(MQ)、乌海(WH)和小柴旦西(XCDH_W)。

image.jpeg

11 六个站点在三个太阳天顶角(SZA = 30°、40°、50°)和 61 个观测天顶角(VZA)条件下,无人机观测的 HDRF(波长范围 4002450 nm)与卫星观测的七个反射波段 HDRF 对比。黑点表示卫星观测 HDRF 的中位值,误差线的上端和下端分别表示卫星观测 HDRF 的最大值和最小值。

image.jpeg

12 858 nm 波长、太阳天顶角SZA = 40° 条件下,无人机观测 HDRF 与卫星观测HDRF 之间的相对差(RD)在半球空间中的角度分布(第一行)及卫星观测 HDRF 在半球空间中的角度分布(第二行)。平均 |RD| 61 个观测天顶角(VZA)绝对相对差的平均值。黑色五角星表示起始太阳天顶角(SZA_start)。每一列表示一个沙漠站点,从左到右依次为:阿拉善(ALS)、敦煌(DH)、格尔木(GEM)、民勤(MQ)、乌海(WH)和小柴旦西(XCDH_W

image.jpeg

13 六个站点在三个太阳天顶角(SZA)、61 个观测天顶角(VZA)及 1653个波长条件下,RPV 模型(a)和 SOILSPECT 模型(b)模拟HDRF 与无人机实测 HDRF 的对比(样本量 N = 181,4994

image.jpeg

14 本研究中基于无人机的所有数据下,RPV 模型和 SOILSPECT 模型各参数的平均不确定性

image.jpeg

15 (a) ABL 站点的实地照片(b) 无人机高光谱 BRDF 测量的现场场景 (c) 无人机在 50 米高度拍摄的天底视角图像

image.jpeg

16 858 nm 波长下,ABL 站点太阳天顶角为 30°、40° 和 50° 条件下,无人机观测 HDRF 的半球空间角度分布:(ac) (df) 分别表示不同观测或处理方式的 HDRF。黑色五角星表示起始太阳天顶角(SZA_start

image.jpeg

17 858 nm 波长下,ABL 站点太阳天顶角为 30°、40° 和 50° 条件下,无人机观测 HDRF 与卫星观测 HDRF 之间的相对差(RD)在半球空间中的角度分布。黑色五角星表示起始太阳天顶角(SZA_start


研究结论:在本研究中,我们通过将无人机(UAV)观测的高光谱 BRDF 与实验室光谱和卫星观测 BRDF 进行对比,评估了无人机测量在表征沙漠地表光学特性方面的有效性。本研究利用搭载光谱仪的无人机,在中国西北地区六个沙漠区域的不同太阳天顶角(SZA)下采集高光谱 BRDF 数据。结果表明,无人机测得的高光谱反射率在光谱形态上与实验室测量高度一致(光谱角制图 SAM < 0.074),这验证了无人机在不同照明-观测几何条件下表征沙漠地表高光谱反射特性的准确性。无人机观测与卫星观测 HDRF 之间的相对差较小(平均 |RD| ~< 5%),进一步证明了无人机测量在野外条件下表征沙漠地表角度反射特性的可靠性。基于无人机数据构建的 BRDF 模型模拟精度高(相对均方根误差 RRMSE < 4%),反演得到的角度参数不确定性低(平均不确定性 < 2%),验证了无人机高光谱 BRDF 与沙漠地表光学特性之间的良好匹配。无人机测量弥补了实验室测量与卫星遥感在地块尺度(约 1-30 m)高光谱 BRDF 测量上的空白。未来,可以进一步探索基于无人机的高光谱 BRDF 在估算沙漠属性方面的潜在应用,并尝试将其与卫星遥感结合,用于沙漠属性制图。总之,无人机测量在表征沙漠地表光学特性方面具有显著效果,为沙漠辐射平衡研究提供了新的技术手段和宝贵的数据支持。

原文链接:https://doi.org/10.1016/j.rse.2025.115228

相关文章
|
1天前
|
云安全 人工智能 运维
阿里云SecOps Agent,全新安全跨产品执行体验
自然语言驱动 云安全中心/WAF/CFW/ 等多款安全产品联动
1566 0
|
11天前
|
缓存 测试技术 API
Qwen 3.7 Plus 与 Max 实测:性价比与多模态能力差异解析(2026)
2026 年 6 月 1 日,阿里悄无声息地发布了 Qwen 3.7 Plus,距 Qwen 3.7 Max 上线刚好 11 天。同样的 1M 上下文,同样的 35 小时自治上限。但价格才是头条:Plus 是 0.40/M输入,Max是 2.50/M——便宜约 6 倍——并且还能看图、看视频。Vision Arena 上 Plus 已经排到 #16。所以这周真正值得讨论的问题不是”要不要为视觉能力买单”,而是”Max 凭什么用 6 倍价格换来 2 个百分点的 benchmark 领先”。
|
12天前
|
JavaScript 定位技术 API
CodeGraph 爆火:编程 Agent 需要的不是更多上下文,而是一张提前画好的代码地图
CodeGraph 是一款爆火的本地代码智能工具,通过 tree-sitter 解析 AST 构建结构化知识图谱(存于 SQLite),为编程 Agent 提前生成“代码地图”。它显著降低 Agent 在中大型项目中的探索成本——实测工具调用减少71%、Token 降57%、速度提升46%,支持19+语言及主流框架路由识别,完全离线、无需 API Key。
854 11
CodeGraph 爆火:编程 Agent 需要的不是更多上下文,而是一张提前画好的代码地图
|
12天前
|
人工智能 运维 JavaScript
阿里云Qoder CN(原通义灵码)全解析 产品形态、版本划分与技术适配说明
在AI辅助开发与智能办公工具持续普及的当下,阿里云旗下原通义灵码正式更名为Qoder CN,同时延伸出QoderWork CN、Qoder CN CLI、Qoder CN Mobile等多款配套产品,形成覆盖代码开发、日常办公、终端交互、移动端使用的完整工具矩阵。Qoder CN核心定位为AI智能编码助手,深度适配主流代码编辑器、集成开发环境以及终端场景;QoderWork CN则偏向桌面端综合办公辅助,二者面向不同使用场景,划分了多个版本档位,搭配差异化资源配额、功能权限与计费规则,同时兼容多款主流大模型。
881 8
|
1天前
|
机器学习/深度学习 人工智能 调度
🐴 HappyHorse 1.1 现已上线阿里云百炼!快来查收模型使用指南,现在调用享 6 折~
HappyHorse 1.1 是新一代视频生成大模型,全面升级动态表现力、角色一致性、指令遵循、视觉质感与音画协同能力。支持I2V/T2V/R2V三类生成,适配短剧、电商广告、品牌营销等场景,提供高质、流畅、可控的AI视频生产力。
351 2
🐴 HappyHorse 1.1 现已上线阿里云百炼!快来查收模型使用指南,现在调用享 6 折~
|
12天前
|
JSON 缓存 安全
通过 CC Switch 本地路由让 Codex CLI 接入 DeepSeek 等第三方模型
CC Switch 通过本地路由(`127.0.0.1:15721`)实现协议转换:将 Codex 的 Responses API 请求自动映射为 DeepSeek 等厂商的 Chat Completions 接口,兼容流式响应与工具调用,无需修改 Codex 源码,安全隔离 API Key。(239字)
2413 7
通过 CC Switch 本地路由让 Codex CLI 接入 DeepSeek 等第三方模型
|
12天前
|
存储 安全 Java
AgentScope Java 2.0:打造分布式、企业级智能体底座
AgentScope 2.0 面向分布式部署、稳定运行、权限安全等企业级需求全面升级,打造支持多租户隔离与长期稳定运行的企业级智能体底座。
|
8天前
|
人工智能 自然语言处理 算法
阿里云百炼Qwen 3.7 Plus与Max实测全解:性价比与多模态能力、成本深度对比
2026年,阿里云百炼平台推出的Qwen 3.7系列成为企业与开发者落地AI应用的核心选择,其中Qwen 3.7 Max与Plus作为两大旗舰版本,定位差异显著:Max是纯文本推理旗舰,专注高强度智能体与复杂逻辑任务;Plus则是多模态全能版,在保留强大文本能力的同时,补齐图像、视频理解能力,且价格大幅降低。本文基于2026年最新实测数据,从核心参数、文本能力、多模态能力、智能体表现、性价比与场景选型六大维度,全面解析两款模型的差异,为用户提供精准选型参考。
429 0