RSD处理高分5号高光谱(GF5 AHSI)数据(二)——波段编辑复制和删除

李国春

接上篇《RSD处理高分5号高光谱(GF5 AHSI)数据(一)》,我们已经加载了一个GF 5 AHSI数据集全部330个波段数据并进行了大气校正,现在介绍波段数据的复制和对坏波段的删除等管理功能。

从上篇加载的数据开始,在层列表勾选该层。选择菜单命令 高光谱->复制波段数据 。点击后出现下述对话框。

图1 选择波段

图1左侧列出了所有通道的数据,打勾表示已经选中。点击OK可以将所有选中的通道复制成一个新层,选中所有通道就相当于复制了一个与当前层完全一样的副本。当然有时候我们不需要复制一个完全相同的层。

1. 勾选/保存勾选结果

勾选需要复制的通道很简单,但是300多个通道每次挑一遍也很费劲。挑选完保留的通道后,对话框下边有一个“Save Selection”的按钮,可以将这次挑选结果保存起来,下次从“Load Selection”直接加载进来就可以了。保存的选择通道就是1个文本文件,里面是通道序号。

2. 挑选需要保留通道数据

点击左侧任意一行,右侧图像窗口中就会出现该通道数据数据的单色图像。检查图像质量确定是否保留。图2.。不希望保留的就取消前面的勾选。

图2 坏波段的数据

3. 复制/删除

点击OK即可完成复制。这里没有提及删除这一问题,是这样,没有被勾选复制的,在新层里就等于删除了。对于一些需要对原始数据进行更改的操作,RSD往往都选择在其复制的副本上操作。这里也一样,原始数据不动,相当于在副本上进行了删除操作。

图3 未删除之前330个通道的数据

图4 删除水汽吸收带和坏波段后剩余198个通道

注意图4不是修复了,是删除后的剩余。没有数据的部分用直线连接起来了。

图4 复制后增加的新层

复制后可见任务中增加了一个新层。

下一篇介绍如何用GF5 AHSI 高光谱数据对象从光谱库查询相似光谱。参见《RSD处理高分5号高光谱(GF5 AHSI)数据(三)——搜索光谱库》

RSD软件近期有更新(2019.12.18),下载专业版3.1.5或者标准版2.2.5可以获得最新的GF5 AHSI高光谱数据处理支持。

加QQ群136965427,这里发布和讨论有关RSD技术问题。

加企鹅758461012,原来的满了。

### 高分卫星数据处理与甲烷羽流识别技术 高分卫星(GF-5),也被称为高光谱观测卫星,配备了多种先进的遥感仪器,能够提供大气成分、温室气体浓度以及环境变化的相关信息。对于甲烷羽流的识别,主要依赖于其搭载的大气痕量气体差分吸收光谱仪(EMI)红外高光谱大气探测仪(IASI)。以下是关于如何使用高分卫星数据进行甲烷羽流识别的技术方法: #### 1. 数据处理 在进行甲烷羽流识别之前,需要对原始卫星数据进行一系列预处理操作,以减少噪声并提高信质量。这些步骤通常包括辐射校正、几何校正大气校正。 - **辐射校正**:通过调整传感器响应特性来消除由于光照条件差异引起的误差[^1]。 - **几何校正**:将图像投影到统一的地图坐标系上,以便与其他地理空间数据集配准。 - **大气校正**:去除由大气散射吸收引起的影响,从而获得更精确的地表反射率或发射率。 #### 2. 特征提取 为了有效检测甲烷羽流,可以从经过预处理数据中提取特定波段的信息作为特征向量。考虑到甲烷分子在近红外区域具有显著的吸收带,可以重点分析以下波段范围内的光谱特征: - 近红外波段 (约 1.6 μm 2.3 μm),这是甲烷的主要吸收峰位置之一。 采用主成分分析(PCA)或者独立成分分析(ICA)等降维算法可以帮助突出目标物质的存在模式,并降低背景干扰因素的作用强度。 #### 3. 模型构建与训练 基于机器学习框架建立分类器用于区分正常场景下的地物类别同异常情况即潜在泄漏点之间的区别。常用的方法有支持向量机(SVM),随机森林(Random Forests)以及卷积神经网络(Convolutional Neural Networks, CNNs): - 使用标注好的样本集合训练上述任意一种模型实例; - 输入至最终部署版本前还需经历交叉验证过程评估性能指标如精度(Precision),召回率(Recall)等等参数表现水平是否满足实际需求标准。 #### 4. 后续验证与优化 完成初步预测之后还需要借助地面实测手段或者其他辅助资料进一步确认疑似热点的真实性。这一步骤可能涉及重新审视某些假设前提设定合理性与否进而微调整个工作流程直至达到预期效果为止。 ```python import numpy as np from sklearn.decomposition import PCA from sklearn.svm import SVC # 假设我们已经加载了经过预处理后的高分辨率影像数据 X_train 标签 y_train pca = PCA(n_components=0.95) # 设置保留95%方差 X_reduced = pca.fit_transform(X_train) clf = SVC(kernel='rbf', C=1.0, gamma='scale') clf.fit(X_reduced, y_train) ```
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值