EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 3: 142 - 151

DOI: https://doi.org/10.6046/zrzyyg.2023382

Data quality assessment of the AMS-3000 wide-field three-linear-array stereoscopic aerial survey system

  • LI Tianqi , 1 ,
  • ZHANG Xian , 1 ,
  • JIN Dingjian 1 ,
  • GAO Zihong 1 ,
  • HAN Yachao 1 ,
  • XU Ning 2 ,
  • GAO Han 3 ,
  • LI Gongxin 2
Expand
  • 1. China Aero Geophysical Survey and Remote Sensing Center for Natural Resources, Beijing 100083, China
  • 2. Shandong Provincial No.4 Institute of Geological and Mineral Survey, Weifang 261021, China
  • 3. Shandong Institute of Coal Geology Planning and Exploration, Jinan 250102, China

Received date: 2023-12-14

  Revised date: 2024-04-24

  Online published: 2026-06-03

Fold

Abstract

The AMS-3000 wide-field three-linear-array stereoscopic aerial survey system (hereafter referred to as the AMS-3000 system) is China’s first independently developed airborne linear-array aerial survey system. It can obtain panchromatic and R-, G-, and B-band multispectral images. However, the data quality of these images lacks quantitative assessments and analyses. Focusing on the area along the Jinsha River within western Panzhihua City, Sichuan Province, this study assessed the spectral quality of the data obtained from the AMS-3000 system in terms of grayscale, texture, and energy features, and noise level. Moreover, this study compared the AMS-3000 system with the internationally recognized ADS100 aerial photography system and assessed the geometric accuracy of the AMS-3000 system using the 1∶2 000-scale terrain data. Additionally, this study analyzed the effectiveness of the AMS-3000 system in the geological industry by applying it to the investigation of the mineral resource exploitation status and geologic hazards. Overall, this study serves as a reference for the application promotion and improvement of the AMS-3000 system.

Key words： airborne remote sensing; wide-field three-linear-array stereoscopic aerial survey system; data quality assessment; geological application

Cite this article

LI Tianqi , ZHANG Xian , JIN Dingjian , GAO Zihong , HAN Yachao , XU Ning , GAO Han , LI Gongxin . Data quality assessment of the AMS-3000 wide-field three-linear-array stereoscopic aerial survey system[J]. Remote Sensing for Natural Resources, 2025 , 37(3) : 142 -151 . DOI: 10.6046/zrzyyg.2023382

0 引言

航空遥感是以有人机和无人机等航空平台搭载光学相机和激光雷达等传感器的一种遥感技术,作业高度一般在20 km以内。航空遥感具有机动灵活、精度高、成本低和产品多样等优点,可有效解决航天遥感受重访周期、天气状况制约和分辨率精度不够高等问题[1-2]。在众多传感器中,机载航测系统可以同时获得高分辨率立体影像和彩色多光谱影像,广泛应用于基础地理数据获取、自然资源勘查和环境监测等各个领域。
航测系统按成像方式的不同可分为面阵框幅式、线阵推扫式和步进分幅式(又称摆扫式)3种。面阵航摄系统可满足大比例尺作业的要求,但高程精度较差,且图像文件数量大,处理时间长[3-4]; 线阵航摄系统相机更加稳定,无需拼接图像,图像质量更加统一,且光谱文件占用空间少,航摄效率高,但其受飞行姿态影响大,需要配合高精度的定位定向系统(position and orientation system,POS)使用[3]; 摆扫式航摄仪在飞机飞行过程中垂直于飞行方向摆动扫视,在一个扫视周期内获取多帧影像[5]。线阵航摄系统方面,瑞士徕卡(Leica Geosystems)公司在2001年研发了国际首台线阵推扫式航空测绘相机ADS40,后续分别于2008年和2013年推出ADS80和ADS100[6-8]。2019年,我国自主研发了第一台大视场三线阵立体航测系统AMS-3000,填补了国产机载线阵航摄系统的空白。
目前,AMS-3000已应用至海岸线测绘、地质灾害调查、矿产资源开发现状调查与监测、大比例尺数据获取和地形产品制作等领域,但对于其数据质量的定量评价与分析较少。遥感数据质量评价是传感器研制和遥感数据应用的桥梁,也是图像处理过程不可缺少的一个关键步骤[9]。通过遥感图像数据质量评价,一方面可以根据评价结果选择高质量数据源,另一方面可以对今后传感器的研制与波段参数选择提供重要的理论参考[10-11]。因此对AMS-3000数据进行质量评价具有重要的实际意义和参考价值。
客观评价法是常用的图像质量评价方法。如周雨霁等[12]从辐射精度、信息量、信噪比和清晰度4个方面对EO-1 Hyperion高光谱数据质量进行评价与分析; 曹春旭[13]将主观评价和客观评价相结合,从信息量、清晰度、灰度范围和噪声等方面评价资源一号02C卫星数据的质量; 王崇倡等[14]选取噪声标准差、信息熵和清晰度3个指标衡量高分五号(GF-5)卫星数据的质量; 张立福等[15]从辐射精度、清晰度、信噪比和信息熵等方面评价珠海一号高光谱数据,并与GF-5数据进行对比; 孙韬等[16]选择标准差、清晰度和对比度、细节能量和边缘能量、功率谱和信息容量、信噪比等指标,分别对天绘一号03星三线阵和多光谱影像进行了评价与对比。
本文针对AMS-3000系统数据的R,G,B 3个波段,以四川省攀枝花市西部金沙江沿岸区域作为研究区,从灰度特征、纹理特征、能量特征和噪声水平4个方面开展数据光谱质量评价,并与国际主流航测系统ADS100进行对比; 以1∶2 000比例尺地形成果数据对AMS-3000的几何精度进行了评价; 此外,对AMS-3000系统在地质行业中的应用效果进行了分析,以期为该系统的应用推广及改进提供参考。

1 航测系统介绍

AMS-3000是我国首款自主研发的航空三线阵航测系统。该系统以三线阵推扫方式成像,在航摄过程中可同时从前视、下视和后视3个不同角度对地面目标进行成像,提供3个视角的全色(panchromatic,PAN)影像与R,G,B 3波段多光谱影像。采用高精度POS辅助空中测量,具备立体成像、RGB成像和大比例尺地形图绘制等功能,可生成数字正射影像(digital orthophoto map,DOM)、数字表面模型和数字高程模型(digital elevation model,DEM)等产品。AMS-3000具有高分辨率和宽覆盖的特点,每行扫描线宽度达到32 000像素,在2 000 m航高情况下,10 min可获取180 km2的影像数据,空间分辨率为0.1 m,可满足1∶1 000比例尺制图要求。AMS-3000具备应急对地观测能力,不仅能够满足常规环境监测、资源调查和数字城市建设等应用场景的需求,还可完成应急灾害响应等工作。
AMS-3000目前已经完成了一些数据获取工作,制作的DOM,DEM及数字线划地图(digital line graphic,DLG)等数据产品已应用于调查监测等工作,如广东省海陵岛全岛及周边海岸线测绘、黄河河南段大比例尺制图和吉林省榆树市及北大荒等地区黑土地监测等。但在国内的普及度还不高,在国外的应用更是鲜有报道。目前在地质调查和灾害监测等自然资源行业应用中,国内外使用的主流航空摄影测量系统是德国莱卡公司的ADS100,将AMS-3000和ADS100的主要指标参数对比,如表1所示。从表1可看出,AMS-3000具有更长的焦距与更高的像素,在相同航高下可获取更高空间分辨率的影像,从而实现更大的成图比例尺; 此外,AMS-3000的基高比更大,具有更强的立体成像能力; 相比ADS100具有更大的横向视场角,作业效率更高。但AMS-3000相比ADS100缺少NIR波段,对数据的应用范围存在一定影响。
表1 AMS-3000与ADS100主要指标参数

Tab.1 Main indicator parameters of AMS-3000 and ADS100

指标 AMS-3000 ADS100(有效测绘区域)
波段 PAN,R,G,B PAN,R,G,B,NIR
焦距/mm 130 62.5
基高比 0.89 0.78
交汇角/(°) 21,27 14,27
立体成像角度/(°)
(前视,后视,前、后视)		 21,27,48 26,19,45
像素/个 32 768 16 000
2 000 m航高像素
分辨率/m		 0.077 0.16
横向视场角/(°) 64 60
2 000 m航高成图
比例尺		 1∶1 000 1∶2 000
质量/kg 72 50

2 研究数据及研究区概况

研究数据包括AMS-3000与ADS100于2019年在四川省攀枝花市获取的航空遥感数据。AMS-3000数据获取时间为5月3日,天气晴朗无云,搭载于塞斯纳208B固定翼平台,飞行高度为3 380 m,共6条航线,飞行时间在正午时段(±2 h),数据获取面积为201.2 km2; ADS100数据获取时间为4月6日,天气条件、飞行平台及飞行时间均与AMS-3000相同,飞行高度为4 100 m,共10条航线,数据获取面积为432.5 km2。AMS-3000与ADS100数据的DOM空间分辨率均为0.2 m,DEM格网间距均为2 m。
本文以AMS-3000和ADS100数据获取的重叠区域作为研究区,如图1所示,主要为攀枝花市西部的金沙江沿岸,包含攀枝花市西区、东区及仁和区部分区域。研究区的高程范围在949~2 257 m,地形高差较大,包含林地、水体、城镇和工矿用地等多种土地利用类型,面积为133.1 km2。
图1 研究区概况

Fig.1 Location of the study area

为了全面评价AMS-3000在不同土地利用类型区域的数据的光谱质量,在研究区中选取城市、矿区和山区的典型区域作为子研究区。图2为3个子研究区的DOM。
图2 子研究区DOM数据

Fig.2 DOM data of the sub-areas

3 数据质量评价方法

AMS-3000的数据质量评价包括光谱质量评价与几何精度评价,其中光谱质量评价分为灰度特征、纹理特征、能量特征和噪声水平4个方面,并分别与ADS100数据进行定量对比评价; 几何精度评价从水平精度与高程精度2方面进行评价。

3.1 灰度特征

灰度特征代表图像中像素的亮度值,可以反映图像的状态。本文选择最值、均值和标准差3个指标进行数据灰度特征的评价。其中最值表示图像像素的亮度范围,包括最大值和最小值; 均值能够反映图像的整体情况,均值越高,图像整体亮度越明亮; 标准差体现数据的离散程度,在图像中,则反映了图像信息量的大小,值越大,图像的信息量越丰富[14]。均值和标准差的计算公式分别为:
m e a n = 1 N ∑ i = 1 m ∑ j = 1 n x i j
s t d = 1 m n - 1 ∑ i = 1 m ∑ j = 1 n ( x i j - m e a n ) 2 　
式中: x i j为图像第i行第j列上像素的DN值; m为行数; n为列数; mean为均值; std为标准差。

3.2 纹理特征

纹理特征用于描述图像的表面性质,如图像纹理的粗细和稠密等特征,可以反映图像的清晰度和信息量。综合前人研究[17-21],本文选择灰度共生矩阵(gray level co-occurrence matrix,GLCM)[22]中的同质性、对比度、角二阶矩和熵这4个指标进行纹理特征的评价。基于ENVI平台,采用3×3卷积窗口计算各指标数值。
同质性描述的是GLCM中较大像素值集中于对角线的程度,用Hom表示,用于测量图像的局部均匀性,值越高,图像越均匀,其计算公式为:
H o m = ∑ i = 1 N S ∑ j = 1 N S p ( i , j ) 1 + ( i - j ) 2
式中: p(i,j)为图像归一化GLCM中第i行第j列的值; NS为GLCM的行列数。
对比度反映了图像中局部灰度的变化总量,用Con表示,可以表征图像的清晰程度和纹理深浅[20]。对比度越大,说明图像的视觉效果越清晰,其计算公式为:
C o n = ∑ i = 1 N S ∑ j = 1 N S p ( i , j ) ( i - j ) 2。
角二阶矩是图像灰度分布均匀程度和纹理粗细的度量,用ASM表示。值越小,说明图像纹理越细,则图像细节越丰富,其计算公式为:
A S M = ∑ i = 1 N S ∑ j = 1 N S p ( i , j ) 2。
熵可以度量图像包含的信息量,表征了图像的复杂程度,用Ent表示。值越大,图像灰度分布越分散、纹理越复杂,其计算公式为:
E n t = - ∑ i = 1 N S ∑ j = 1 N S p ( i , j ) · l n p ( i , j )。

3.3 能量特征

本文选择细节能量和边缘能量作为指标,从影像频域的高频分量的角度来描述影像的细节与边缘形状特征[15]。基于ENVI平台,采用3×3窗口计算各指标数值。
细节能量(Edetail)反映图像细节信息的丰富度,其值越大,提供的信息越丰富,影像越清晰。通过计算局部方差的均值来表示图像的细节能量[23],其公式为:
E d e t a i l = 1 N S 2 ∑ σ 2
式中: σ 2为图像GLCM的局部方差。
边缘能量(Eedge)反映了影像中边缘的丰富度和清晰程度,边缘能量数值越大,图像边缘越丰富、清晰,影像质量越高[23]。计算公式为:
E e d g e = 1 N S 2 ∑ σ 2
E = ( D ⊗ E 1 ) ⊕ ( D ⊗ E 2 )
$E_{1}=\left[\begin{array}{ccc} 1 / 6 -1 / 6 -1 / 6 \\ -1 / 6 4 / 6 -1 / 6 \\ -1 / 6 -1 / 6 1 / 6 \end{array}\right]$
E 2 = - 1 / 6 - 1 / 6 1 / 6 - 1 / 6 4 / 6 - 1 / 6 1 / 6 - 1 / 6 - 1 / 6
式中: σ 2为图像E的GLCM的局部方差; D为原始图像; ⊗为卷积操作; ⊕为波段对应相加; E 1 和 E 2分别为归一化边缘算子。

3.4 噪声水平

本文使用噪声方差评价数据的噪声水平。噪声方差的基本思想是在图像上选取较大的平坦区域,计算平坦区域中噪声的方差,用噪声方差值的大小来评价噪声水平,方差值越小,噪声水平越低,图像质量越好。其中噪声值采用各像素值与所有像素的均值之差来表示[24-25],其计算公式为:
N o i s e ¯ = 1 m n ∑ i = 1 m ∑ j = 1 n ( x i j - m e a n )
$S=\frac{1}{m n} \sum_{i=1}^{m} \sum_{j=1}^{n}\left[\left(x_{i j}-\text { mean }\right)-\overline{\text { Noise }}\right]^{2}$
式中: x i j为第i个行第j列上像素的DN值; m为行数; n为列数; mean为均值; N o i s e ¯为噪声平均值; S为噪声方差。
不同地物类型的反射率不同,因而噪声对于图像的影响程度也有所不同。本文按照反射率差异,选取了硬质铺装地、植被和土壤这3种地物类型。由于阴影对反射率的影响较大,将3种地物类型的非阴影区和阴影区分别进行实验,从而更全面地评价数据的噪声水平。

3.5 几何精度

图像外部几何定位精度是指图像在地理参考坐标系中的绝对位置精度,也指经过系统几何校正后的图像上的地理位置和真实地理位置之间的差异[26-27]。对图像使用地面控制点数据进行区域网平差,然后选择若干检查点,计算检查点坐标值与图像上量算值的偏差,并统计中误差、平均误差和最大误差,从X方向、Y方向评价数据的平面精度,从Z方向评价数据的高程精度。其中,最大误差为绝对值最大的误差值,中误差M与平均误差ME计算公式分别为:
M = ± ∑ k = 1 K Δ k 2 n 　
M E = 1 K ∑ k = 1 K Δ k
式中: K为检查点数量; Δ k为第k个检查点的误差。

4 数据质量评价结果

4.1 灰度特征

对AMS-3000和ADS100 2种数据的城市、矿区和山区3个子研究区分别计算最值、均值和标准差,结果如表2所示,表中加粗字体表示更优结果。
表2 AMS-3000和ADS100数据灰度特征对比

Tab.2 Comparison of grayscale information in AMS-3000 and ADS100 data

灰度特征 波段 城市 矿区 山区
AMS-3000 ADS100 AMS-3000 ADS100 AMS-3000 ADS100
[最小值,
最大值]		 R [3,253] [0,255] [1,255] [1,255] [9,253] [0,255]
G [9,253] [1,255] [8,255] [1,255] [13,253] [1,255]
B [5,253] [1,255] [5,255] [1,255] [9,253] [2,255]
均值 R 83.572 588 83.242 540 78.393 797 67.800 800 99.149 108 75.454 545
G 81.181 100 93.193 296 74.290 586 73.540 674 89.084 684 69.066 834
B 63.295 291 89.235 888 58.081 662 76.013 724 68.293 584 60.238 720
标准差 R 52.323 057 53.552 480 39.828 969 40.636 635 41.832 207 33.027 923
G 44.248 676 49.221 029 32.615 564 35.067 013 31.444 863 24.655 547
B 40.835 132 47.381 074 28.465 731 31.483 471 24.778 054 18.606 961
从表2中可以看出,AMS-3000数据在城市、矿区和山区这3个子研究区的最值范围相近,而均值和标准差的差异明显,表明图像的鉴别力较好。与ADS100相比,AMS-3000的灰度值范围普遍略窄,即颜色差异相对更小。2种数据各波段的均值和标准差趋势大体相同,即能够反映的地物信息量能力较为一致,但在数值上有所差别,具体表现为2种数据在城市区域的G,B波段和山区波段的R,G,B波段数值差距较大。3个子研究区中,AMS-3000在矿区的R,G波段均值以及在山区的3个波段均值高于ADS100,表明图像整体亮度更高,而在城市图像相对更暗; AMS-3000数据3个波段在城市和矿区的标准差略低于ADS100,而山区的数据标准差相比ADS100有较大提升,说明AMS-3000数据在山区的灰度值变化范围更大、信息量更丰富。

4.2 纹理特征

对2种数据的3个子研究区分别计算同质性、对比度、角二阶矩和熵来评价纹理特征,结果如表3所示,表中加粗字体表示更优结果。
表3 AMS-3000和ADS100数据纹理特征对比

Tab.3 Comparison of texture information in AMS-3000 and ADS100 data

纹理特征 波段 城市 矿区 山区
AMS-3000 ADS100 AMS-3000 ADS100 AMS-3000 ADS100
同质性 R 0.494 340 0.462 353 0.569 834 0.524 927 0.402 981 0.456 152
G 0.519 803 0.463 152 0.614 883 0.562 582 0.462 169 0.527 081
B 0.589 533 0.544 028 0.685 704 0.654 352 0.554 611 0.674 007
对比度 R 12.800 055 13.759 801 5.134 182 5.540 763 10.659 980 6.292 375
G 10.022 243 11.853 681 3.739 602 3.996 770 6.581 586 3.885 167
B 7.698 285 7.150 093 2.608 960 2.311 272 3.644 220 1.610 590
角二阶矩 R 0.230 291 0.209 421 0.265 584 0.232 212 0.161 592 0.177 437
G 0.239 672 0.204 768 0.292 180 0.246 072 0.180 039 0.211 315
B 0.291 734 0.248 043 0.354 139 0.313 351 0.222 764 0.318 608
熵 R 1.708 204 1.776 137 1.582 664 1.691 923 1.942 928 1.870 011
G 1.670 413 1.786 373 1.488 344 1.626 877 1.859 003 1.730 920
B 1.498 315 1.618 479 1.296 948 1.392 717 1.685 434 1.365 261
从表3中可以看出,2种数据在3个子研究区的指标趋势基本相同,但在4个指标上的表现有明显的地区差异。在城市和矿区,AMS-3000除B波段的对比度指标比ADS100更好外,其他所有3个波段在4个指标上均弱于ADS100,数值整体上相差不大,相差范围在-15.45%~18.74%。而在山区,AMS-3000的3个波段在4个指标上均优于ADS100,尤其对比度指标比ADS100高了69.40%~126.27%,说明在山区AMS-3000图像的纹理更清晰、信息量更高。

4.3 能量特征

对2种数据的3个子研究区分别计算细节能量和边缘能量来评价能量特征,结果如表4所示,表中加粗字体表示更优结果。
表4 AMS-3000和ADS100数据能量特征对比

Tab.4 Comparison of energy information in AMS-3000 and ADS100 data

能量特征 波段 城市 矿区 山区
AMS-3000 ADS100 AMS-3000 ADS100 AMS-3000 ADS100
细节能量 R 7.538 428 7.877 600 2.820 369 3.096 583 5.798 322 3.503 917
G 5.951 535 6.834 283 2.013 087 2.278 667 3.519 743 2.048 597
B 4.547 111 4.235 989 1.363 186 1.312 545 1.932 782 0.872 410
边缘能量 R 1.676 443 0.819 110 0.746 305 0.584 681 1.956 013 1.358 207
G 1.509 385 0.924 938 0.730 304 0.547 750 1.509 776 0.808 992
B 1.242 619 0.924 938 0.495 589 0.384 763 0.728 511 0.291 373
由表4可以看出,2种数据各波段的细节能量和边缘能量趋势大体相同,几乎都是能量随波长的降低而降低,R波段能量值相比G和B波段均为最高,这说明在3个波段中,R波段的细节相对更丰富、边缘更清晰。细节表现力方面,AMS-3000数据在城市和矿区中,各波段能量值均略低于ADS100数据,而在山区能量值明显更高,表明AMS-3000数据在山区表现力更好,能够提供更多的信息。而边缘表现力方面,AMS-3000数据各波段在3个子研究区的边缘能量值均显著高于ADS100数据,表明AMS-3000数据具有更丰富、清晰的边缘信息。

4.4 噪声水平

在研究区中选取硬质铺装地、植被和土壤这3种反射率差异较大的地物,并分别分为非阴影区和阴影区2种类型,计算各类噪声方差指标。结果如表5所示,表中加粗字体表示更优结果。
表5 AMS-3000和ADS100数据噪声方差对比

Tab.5 Comparison of noise level in AMS-3000 and ADS100 data

区域 波段 硬质铺装地 植被 土壤
AMS-3000 ADS100 AMS-3000 ADS100 AMS-3000 ADS100
非阴影区 R 38.888 514 31.233 256 13.925 392 12.723 567 35.683 666 26.081 087
G 34.505 191 31.579 201 13.402 149 14.200 166 25.386 520 25.170 174
B 27.489 724 24.708 639 12.019 379 8.166 513 17.625 233 21.232 276
阴影区 R 7.067 904 10.868 610 10.274 748 5.3230 767 7.342 963 6.019 994
G 7.117 442 9.729 526 10.505 827 5.1982 205 6.661 557 6.044 159
B 6.359 533 6.350 836 10.797 800 7.7845 438 6.296 068 5.399 476
从表5可以看出,整体上ADS100在非阴影区和阴影区噪声方差均更低,即抗噪性更好。AMS-3000数据大部分与ADS100相差不大,但在植被阴影区,3个波段的噪声方差比ADS100高38.71%~102.10%,说明AMS-3000在植被阴影区的抑制噪声能力较弱。总体来看,AMS-3000抑制噪声的能力相比ADS100还存在一定差距。这可能与子研究区植被反射率较低有关,硬质铺装地和土壤的反射率较强,AMS-3000在噪声水平上与ADS100有差异但不显著,而植被地区反射率更低,噪声差异更加显著。

4.5 几何精度

本文基于1∶2 000比例尺DOM与DEM成果数据对AMS-3000数据的几何精度进行评价。该成果数据由ADS100数据制作,总面积为6 000 km2,包括地面控制点35个,地面检查点41个; 平面中误差为±0.42 m,平面最大误差为0.954 m,高程中误差为±0.65 m,高程最大误差为-1.906 m,根据行业标准[28-30]。该成果数据的平面与高程中误差已达到1∶1 000比例尺成图要求。本文通过人工刺点,在DOM与DEM成果数据中选取40个几何精度检查点,如图3所示。基于机载POS定位技术结合5个地面控制点对AMS-3000数据进行了区域网平差,获得0.2 m空间分辨率DOM与2 m格网间距DEM,通过检查点对AMS-3000数据的几何精度进行评价,评价结果如表6所示。从表6可知,基于AMS-3000制作的DOM与DEM对比成果数据,平面中误差为±0.381 m,DEM高程中误差为±0.506 m,二者在平面与高程上差异较小,AMS-3000制作的DOM与DEM具有较高的几何精度,能够满足绝大部分区域地质行业应用的制图需求。
图3 几何精度检查点分布

Fig.3 Distribution of geometric accuracy check points

表6 检查点几何精度评价

Tab.6 Geometric accuracy evaluation of check points(m)

指标 dX dY dXY dZ
中误差 0.276 0.263 0.381 0.506
平均误差 0.027 -0.039 0.351 0.026
最大误差 0.486 -0.495 0.649 1.094

5 地质行业应用分析

AMS-3000具有航空遥感空间分辨率高、现势性强、灵活机动和不易受天气情况制约等优点,地质行业中多方面应用均对AMS-3000遥感数据有较大的需求。本文以矿产资源开发现状调查与地质灾害遥感调查为例,利用AMS-3000数据在研究区内开展地质行业应用工作,以分析AMS-3000数据在地质行业中的适用性。

5.1 矿产资源开发现状调查

矿产资源开发现状调查主要是利用影像调查和监测矿产资源开采点的情况。图4为煤矿开采及矿山恢复治理影像示例。如图4所示,煤矿开采点在AMS-3000数据上的色调与其他用地类型差别较大,采选设施存放地、运输车辆、通往开采面的矿上道路在影像上清晰可辨,容易判断开采点的开采状态。正在恢复治理的矿山在影像上也非常明显,色调与周边用地类型有较大差别,可以看见恢复治理区人工种植的植被情况。在实际应用中,AMS-3000数据可以清晰展示开采点的分布、位置、数量、开采方式、开采状态、矿产开发区的固体废弃物堆放情况、矿山复绿情况以及矿产资源开发规划执行情况等,大大提高监测的准确度。
图4 煤矿开采及矿山恢复治理影像示例

Fig.4 Example images of coal mining and mine restoration and management

5.2 地质灾害遥感调查

地质灾害调查是基于影像数据提取地质灾害的类型、规模及空间分布特征的一种方法。研究区东南角分布有小型的崩塌地质灾害,图5为崩塌地质灾害DOM示例。图中崩塌的各个特征部位纹理和色调差别明显,可清晰地识别出崩塌区和碎屑物质堆积区。地质灾害体的可解程度与灾害体发育规模息息相关[1,31-32],分布广但面积小的小型灾害体判别要求影像数据有足够高的空间分辨率,而AMS-3000数据的厘米级空间分辨率相比卫星影像有很大优势。例如灾害体上的冲沟、后缘的裂缝和垮塌以及前缘的鼓丘等卫星影像难以辨别的微细变化,可以尝试采用AMS-3000数据分辨。对于突发性地质灾害的应急调查,AMS-3000较高的灵活机动性可以满足实时调查,快速地获取灾区地形和影像信息,为防灾减灾快速应急响应工作提供技术服务和决策支持。
图5 崩塌地质灾害影像示例

Fig.5 Image example of collapse geological hazard

6 讨论与结论

6.1 讨论

综合上述评价结果可以看出,在城市和矿区子研究区中,AMS-3000的数据光谱质量与ADS100相差不大,在灰度、纹理和能量的各项指标中,多数为ADS100略优于AMS-3000,少数指标则为AMS-3000略优; 而在山区子研究区中,通过各项光谱质量指标对比可见,AMS-3000相比ADS100的灰度值变化范围更大、纹理更清晰、地物信息量更丰富。二者对比评价的结果在山区子研究区显现出的非一致性,可能与航空遥感数据获取的时间差异以及地区差异有关: 在城市和矿区子研究区,植被占比较少,且所处高程低,地表植被在4月前已完成返青,在4—5月期间地表变化较小; 而山区子研究区主要以裸土、植被为主要地物类型,且高程较高,4—5月可能处于植被返青期间,AMS-3000数据在5月获取,由于植被覆盖度增加,使得地表异质性增强,导致均质性和信息熵等指标呈现出更优的结果。航空遥感数据获取受空域和成本等诸多因素限制,不同航测系统或平台的数据对比研究难以达到最为理想的条件,对于AMS-3000与ADS100数据光谱质量在山区与城市、矿区的结果不一致的问题,还有待进一步研究。

6.2 结论

本文以四川省攀枝花市西部金沙江沿岸区域作为研究区,对大视场三线阵立体航摄系统AMS-3000开展了数据质量评价,从灰度特征、纹理特征、能量特征和噪声水平4个方面评价了光谱质量,并与国内外主流航摄系统ADS100进行了对比,以制作1∶2 000比例尺地形图为例评价了AMS-3000的几何精度; 此外,从地质行业应用角度给出应用示例,并展望了AMS-3000数据在地质行业的应用前景。本文的结论如下:
1)AMS-3000数据能够反映的地物信息量的能力与ADS100较为一致。在灰度、纹理和能量等特征方面,在城市和矿区2个子研究区中,AMS-3000与ADS100相差不大,而在山区子研究区AMS-3000数据的纹理更清晰、信息量更丰富。
2)AMS-3000数据在噪声抑制上相比ADS100还存在一定差距,特别是在植被阴影区抗噪性较弱。
3)基于机载POS定位技术结合地面控制点,AMS-3000制作的DOM与DEM数据在水平与高程均具有较高的几何精度,能够满足绝大部分区域的地质行业应用的制图需求。
4)AMS-3000的数据质量能够满足地质灾害调查与矿产资源开发现状调查的需求,AMS-3000航测系统在地质行业应用中具有广阔的应用前景。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈洁, 高子弘, 王珊珊, 等. 三峡库区航空遥感地质调查技术发展综述[J]. 国土资源遥感, 2020, 32(2):1-10.doi:10.6046/gtzyyg.2020.02.01.

Chen J, Gao Z H, Wang S S, et al. A review on the development of aerial remote sensing geological survey technology in the Three Gorges Reservoir area[J]. Remote Sensing for Land and Resources, 2020, 32(2):1-10.doi:10.6046/gtzyyg.2020.02.01.

[2]
许强, 郭晨, 董秀军. 地质灾害航空遥感技术应用现状及展望[J]. 测绘学报, 2022, 51(10):2020-2033.

DOI

Xu Q, Guo C, Dong X J. Application status and prospect of aerial remote sensing technology for geohazards[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(10):2020-2033.

DOI

[3]
姚园, 许永森, 丁亚林, 等. 大视场三线阵航空测绘相机光学系统设计[J]光学精密工程, 2018, 26(9):2335-2344.

Yao Y, Xu Y S, Ding Y L, et al. Optical-system design for large field-of-view three-line array airborne mapping camera[J]. Optics and Precision Engineering, 2018, 26(9):2335-2344.

[4]
朱芳芳. 基于ADS100影像的城市建筑物信息提取[D]. 兰州: 兰州交通大学, 2020.

Zhu F F. Extracting urban building information based on ADS100 images[D]. Lanzhou: Lanzhou Jiaotong University, 2020.

[5]
金鼎坚, 王建超, 吴芳, 等. 航空遥感技术及其在地质调查中的应用[J]. 国土资源遥感, 2019, 31(4):1-10.doi:10.6046/gtzyyg.2019.04.01.

Jin D J, Wang J C, Wu F, et al. Aerial remote sensing technology and its applications in geological survey[J]. Remote Sensing for Land and Resources, 2019, 31(4):1-10.doi:10.6046/gtzyyg.2019.04.01.

[6]
王涛, 张艳, 张永生, 等. 国产机载大视场三线阵CCD相机GNSS偏心矢量和IMU视轴偏心角标定技术[J]. 测绘学报, 2018, 47(11):1474-1486.

DOI

Wang T, Zhang Y, Zhang Y S, et al. Investigation on GNSS lever arms and IMU bore sight misalignment calibration of domestic airborne wide-field three CCD camera[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(11):1474-1486.

[7]
王涛, 张艳, 张永生, 等. 国产机载大视场三线阵CCD相机几何标定[J]. 遥感学报, 2020, 24(6):739-751.

Wang T, Zhang Y, Zhang Y S, et al. Geometric calibration of domestic airborne wide-field three-linear CCD camera[J]. Journal of Remote Sensing, 2020, 24(6):739-751.

[8]
张峰, 桑夺坤. 徕卡ADS100相机使用运-5飞行平台在1∶500地形图测绘中的应用[J]. 测绘通报, 2015(8): 133-134.

Zhang F, Sang D K. The application of Leica ADS100 camera using Yun-5 flight platform in 1∶500 topographic mapping[J]. Bulletin of Surveying and Mapping, 2015(8):133-134.

[9]
吴兴, 张霞, 孙雪剑, 等. SPARK卫星高光谱数据辐射质量评价[J]. 遥感技术与应用, 2018, 33(2): 233-240.

DOI

Wu X, Zhang X, Sun X J, et al. Radiation quality evaluation of SPARK hyperspectral satellite image[J]. Remote Sensing Techno-logy and Application, 2018, 33(2):233-240.

[10]
刘睿, 孙九林, 王卷乐, 等. 环境与灾害监测预报小卫星CCD 数据质量评价[J]. 地球科学进展, 2011, 26 (9):971-979.

Liu R, Sun J L, Wang J L, et al. Data quality evaluation of Chinese HJ CCD sensor[J]. Advances in Earth Science, 2011, 26 (9):971-979.

[11]
覃帮勇. 高光谱遥感数据质量评价体系及方法研究[D]. 北京: 中国科学院大学, 2014.

Qin B Y. Study on the quality evaluation system and method of hyperspectral remote sensing data[D]. Beijing: University of Chinese Academy of Sciences, 2014.

[12]
周雨霁, 田庆久. EO-1 Hyperion高光谱数据的质量评价[J]. 地球信息科学, 2008, 10(5):678-683.

Zhou Y J, Tian Q J. Image quality evaluation of EO-1 Hyperion sensor[J]. Geo-Information Science, 2008, 10(5):678-683.

[13]
曹春旭. 资源一号02C卫星数据质量评价[D]. 北京: 中国地质大学(北京), 2014.

Cao C X. Date quality evaluation of ZY-1-02C satellite[D]. Beijing: China University of Geosciences (Beijing), 2014.

[14]
王崇倡, 薛荣荣, 赵世湖, 等. GF-5卫星高光谱影像数据质量评价与分析[J]. 地理与地理信息科学, 2021, 37(1):33-38,125.

Wang C C, Xue R R, Zhao S H, et al. Quality evaluation and analysis of GF-5 hyperspectral image data[J]. Geography and Geo-Information Science, 2021, 37(1):33-38,125.

[15]
张立福, 王飒, 颜军, 等. 珠海一号高光谱数据辐射质量评价[J]. 遥感学报, 2023, 27(8):1925-1935.

Zhang L F, Wang S, Yan J, et al. Quality evaluation of orbita hyperspectral images[J]. National Remote Sensing Bulletin, 2023, 27(8):1925-1935.

[16]
孙韬, 王鹏波, 方俊永, 等. 天绘一号03星三线阵/多光谱载荷影像质量评价[J]. 遥感学报, 2016, 20(6):1335-1341.

Sun T, Wang P B, Fang J Y, et al. Image quality assessment of the three-linear-array/multispectral sensors of Mapping Satellite-1 03[J]. Journal of Remote Sensing, 2016, 20(6):1335-1341.

[17]
田艳琴, 郭平, 卢汉清. 基于灰度共生矩阵的多波段遥感图像纹理特征的提取[J]. 计算机科学, 2004, 31(12):162-163,195.

Tian Y Q, Guo P, Lu H Q. Texture feature extraction of multiband remote sensing image based on gray level co-occurrence matrix[J]. Computer Science, 2004, 31(12):162-163,195.

[18]
薄华, 马缚龙, 焦李成. 图像纹理的灰度共生矩阵计算问题的分析[J]. 电子学报, 2006, 34(1):155-158,134.

Bo H, Ma F L, Jiao L C. Research on computation of GLCM of image texture[J]. Acta Electronica Sinica, 2006, 34(1):155-158,134.

[19]
刘丽, 匡纲要. 图像纹理特征提取方法综述[J]. 中国图象图形学报, 2009, 14(4):622-635.

Liu L, Kuang G Y. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics, 2009, 14(4):622-635.

[20]
侯群群, 王飞, 严丽. 基于灰度共生矩阵的彩色遥感图像纹理特征提取[J]. 国土资源遥感, 2013, 25(4):26-32.doi:10.6046/gtzyyg.2013.04.05.

Hou Q Q, Wang F, Yan L. Extraction of color image texture feature based on gray-level co-occurrence matrix[J]. Remote Sensing for Land and Resources, 2013, 25(4):26-32.doi:10.6046/gtzyyg.2013.04.05.

[21]
姚成, 赵晋陵. 泰国THEOS遥感影像质量评价[J]. 安徽农业大学学报, 2015, 42(2):316-321.

Yao C, Zhao J L. Quality evaluation of the THEOS satellite imagery using textural and spectral features[J]. Journal of Anhui Agricultural University, 2015, 42(2):316-321.

[22]
Haralick R M. Image texture survey[M]. Handbook of Statistics, 1982,2:399-415.

[23]
徐文, 龙小祥, 李庆鹏. “高分二号”卫星相机影像辐射质量评价[J]. 航天返回与遥感, 2015, 36(4):1-9.

Xu W, Long X X, Li Q P. Radiometric image quality assessment of GF-2 satellite PMS camera[J]. Spacecraft Recovery and Remote Sensing, 2015, 36(4):1-9.

[24]
徐文, 龙小祥, 李庆鹏, 等. “高分四号”卫星影像辐射与几何精度评价[J]. 航天返回与遥感, 2016, 37(4):16-25.

Xu W, Long X X, Li Q P, et al. Image radiometric and geometric accuracy evaluation of GF-4 satellite[J]. Spacecraft Recovery and Remote Sensing, 2016, 37(4):16-25.

[25]
马晶, 王荣彬, 高娟, 等. 一种遥感影像的自动噪声评价方法[J]. 遥感信息, 2012, 27(3):78-82.

Ma J, Wang R B, Gao J, et al. An automatic noise evaluation me-thod of remote sensing image[J]. Remote Sensing Information, 2012, 27(3):78-82.

[26]
王春媛. 遥感图像几何校正及目标识别技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2014.

Wang C Y. Research on geometric correction and object recognition for remote sensing image[D]. Harbin: Harbin Institute of Techno-logy, 2014.

[27]
魏丹丹, 甘甫平, 尚坤, 等. CBERS-04星PAN/MUX图像几何定位精度评价[J]. 无线电工程, 2018, 48(5):401-405.

Wei D D, Gan F P, Shang K, et al. Evaluation of geometric positional accuracy of PAN /MUX image for CBERS-04 satellite[J]. Radio Engineering, 2018, 48(5):401-405.

[28]
国家测绘局. CH/T 9008.1—2010基础地理信息数字成果1∶500、1∶1 000、1∶2 000数字线划图[S]. 北京: 国家测绘局, 2010.

State Bureau of Surveying and Mapping. CH/T 9008.1-2010 Digital products of fundamental geographic information 1∶500,1∶1 000,1∶2 000 digital line graphs[S]. Beijing: State Bureau of Surveying and Mapping, 2010.

[29]
国家测绘局. CH/T 9008.2—2010基础地理信息数字成果1∶500、1∶1 000、1∶2 000数字高程模型[S]. 北京: 国家测绘局, 2010.

State Bureau of Surveying and Mapping. CH/T 9008.2-2010 Digital products of fundamental geographic information 1∶500,1∶1 000,1∶2 000 digital line graphs[S]. Beijing: State Bureau of Surveying and Mapping, 2010.

[30]
国家测绘局. CH/T 9008.3—2010基础地理信息数字成果1∶500、1∶1 000、1∶2 000数字正射影像图[S]. 北京: 国家测绘局, 2010.

State Bureau of Surveying and Mapping. CH/T 9008.3-2010 Digital products of fundamental geographic information 1∶500,1∶1 000,1∶2 000 digital line graphs[S]. Beijing: State Bureau of Surveying and Mapping, 2010.

[31]
郑雄伟, 彭孛, 尚坤. 基于国产卫星的遥感地质解译能力评估[J]. 自然资源遥感, 2021, 33(3):1-10.doi:10.6046/zrzyyg.2020357.

Zheng X W, Peng B, Shang K. Assessment of the interpretation ability of domestic satellites in geological remote sensing[J]. Remote Sensing for Natural Resources, 2021, 33(3):1-10.doi:10.6046/zrzyyg.2020357.

[32]
陈玲, 贾佳, 王海庆. 高分遥感在自然资源调查中的应用综述[J]. 国土资源遥感, 2019, 31(1):1-7.doi:10.6046/gtzyyg.2019.01.01.

Chen L, Jia J, Wang H Q. An overview of applying high resolution remote sensing to natural resources survey[J]. Remote Sensing for Land and Resources, 2019, 31(1):1-7.doi:10.6046/gtzyyg.2019.01.01.

Options
Outlines

/

〈 〉