文摘
长波红外高光谱成像(LWIR)是一个意思,证明它的价值在气态流出物的特征。事实上的光谱和空间分辨率采集仪器正稳步下降,使气体在LWIR域特征越来越容易。大多数文献算法利用羽贡献相对应的光辉光辉plume-present和plume-absent像素之间的差异。然而,off-plume光辉是难以察觉的使用单一的形象。在本文中,我们提出一个新方法从机载红外高光谱数据检索示踪气体浓度。尤其是概述的方法改善现有的背景辐射估计方法处理异构场景对应工业场景。它包括在执行场景的一个分类,然后运用主成分分析方法来估计背景辐射基于每个集群的分类。为了确定分类的背景辐射的贡献的估计,我们比较了两种方法在合成数据和插播傅里叶变换光谱仪(FTS)成像Hyper-Cam LW机载收购高于乙烯释放。我们终于显示乙烯浓度地图检索和估计流量的乙烯释放。
1。介绍
人为来源,特别是工业有重大贡献空气污染和安全问题。然而,这些排放仍差估计高空间分辨率在异构的场景,像工厂。
大多数这些排放在热红外光谱特征域。这就是为什么热高光谱成像系统部署的特性。更多,因此羽小程度上他们需要一个可以实现高空间分辨率图像与现有机载系统(1- - - - - -3]。
然而,签名的气态废水不同高度从通常的目标柱修改背景的光谱特征:不同的像素数据立方体中包含相同的气体柱可以有一个完全不同的光谱特征。在一阶,这些像素的光谱特征将对应于背景光谱吸收或排放气体的影响。这种变化取决于背景材料和地面之间的温差和羽流。
现有方法使用这种传感器的光谱信息特征气体柱可分为两个阶段:endmember分解技术来估计背景属性(4- - - - - -6和微量元素检测7- - - - - -10)或量化方法(11- - - - - -13]基于估计天然气微分签名(差异为每个测量辐射之间的“on-plume像素”和“off-plume”估计辐射)。然后它一直显示,背景不确定性和异质性是疑惑的的一个主要来源的天然气量化和检出限14- - - - - -16]。根据地面属性相同数量的天然气可以签名;因此检索浓度是修改后的十倍。
本文旨在减少量化误差由于misestimation背景属性。
处理地面可变性异构场景,提出集群计算协方差矩阵的不同空间类创作背景(7,11),因此检测算法应用创建独立的类。
这些方法的主要限制是集群背景一步可能被污染的气体柱(4,5,17]。
如果反射存在的领域,例如,非常弱的气体柱签名集群阶段(几乎没有影响7,8]。但对于相当强劲的签名在热域,气体烟羽会显得异常类。
为了克服这些问题,聚类阶段应该实现外部相对应的光谱波段强吸收气体的检测。最近的一些工作(18]表明,这样Selected-Band方法可以用来估计背景辐射羽下一个有趣的精度对各种场景。
在这篇文章中,我们寻找一个背景估计方法,将有效地减少天然气检索量化误差的异构的场景。在这个工作我们引入一种新颖的方法来估计逐像素off-plume光辉下羽和具体引入的额外的光谱特征气体柱使用机载高光谱数据。
这种方法旨在克服困难,源于固有的混合异构背景和气体烟羽光谱。我们根据spectral-spatial分解现场信息,每个集群的每个像素,我们估计微分气体签名考虑背景变化和气体光谱行为。
本文的结构如下。部分2致力于的描述方法。然后,部分3和4评估我们的方法合成的应用程序数据和插播Hyper-Cam机载平台数据。最后,给出了结论部分5。
2。方法
2.1。羽流检测
羽为气体量化过程检测是重要的一步。它允许选择羽流区域,背景辐射必须估计,和off-plume有用得到背景属性。
在文献中,一些算法提出了从高光谱数据来检测气体的存在。光谱匹配滤波器(SMF) [4)在本研究被选中,因为它产生一个好的检测柱的低数量的假警报。
让高光谱图像像素,乐队,由一个表示矩阵。与气体目标光谱,我们可以写的像素的高光谱图像: 在哪里是目标符合系数(丰度)和残余向量是最小化。检索丰度,我们需要解决无约束回归(见(1))。这种回归的分析解 在哪里是这个场景的协方差矩阵。一个无偏估计可以计算如下: 我们认为这里的目标气体。因此,我们使用目标气体的光谱从太平洋西北国家实验室(PNNL)吸光度图书馆(19,20.)建设。可以提高检测性能通过使用一个估计只涉及plume-absent像素。
一旦丰度的向量推导出计算,羽毛面具的阈值。
2.2。Selected-Band方法(某人)
主成分分析(PCA)是由许多作者应用(10,11,21)为了获得plume-present像素(的背景辐射的表示)。首先,校长向量计算使用plume-absent像素光芒。然后,背景美plume-present像素被认为躺在由这些主向量张成的子空间。
妞妞et al。18]更进一步通过开发一种方法来估计背景辐射。这种方法是基于这一事实,在羽面前,on-plume辐射()基本上是等于其最透明背景(off-plume)辐射的光谱带。使用这种观察,结合Selected-Band算法来确定这些透明光谱波段与PCA为了估计。
此后,在本文中,我们将这种方法简单地称为Selected-Band(某人)。
柱后检测的高光谱图像,像素不包含任何羽气体。一个矩阵由安排off-plume测量辐射光谱。然后通过主成分分析模型 在哪里是一个系数矩阵为plume-absent像素,是一个主成分的是剩余矩阵。的数量被认为是主要的组件。使用的数据,我们发现是一个合适的选择。它可以让我们节省超过的信息。
由于plume-present像素的背景美以为躺在张成的子空间的主要组件,矩阵的背景辐射的光谱plume-present像素可以表示如下: 是一个矩阵未知系数的确定。在这种情况下是剩余矩阵。
为此,第二主成分分析模型是书面的plume-present像素,只使用乐队,气体吸收系数几乎为零: 在哪里是一个矩阵,包含on-plume测量辐射光谱的选择。是一个矩阵的主成分;是剩余矩阵。
通过使用Moore-Penrose伪逆的矩阵(),最小二乘估计是由 plume-present像素的背景估计美因此通过以下表达式:
某人的方法有两个主要的局限性:第一个来自于假设。这种平等不是有效柱的温度与周围大气温度不同。事实上,这种温差会影响大气气体的传输,因此在on-plume光辉外气体签名。
第二个限制涉及到不同种类的土壤。某人妞妞等人提出的方法可以是有限的一些背景plume-present像素并不代表在plume-absent像素。我们建议否则解决这第二点使用场景的一个分类。
2.3。Clustering-Based Selected-Band方法(CSB方法)
2.3.1。场景的分类
因为恐慌等。7)高光谱分类的场景是一个主要的羽流特性的初步步骤通过这个场景。恐慌等人表明,分类提高柱检测算法的结果。他们得出的结论是,聚类数据和删除平均值可被视为一种自动背景抑制。
此外,场景分类的目标是继续在羽流的量化由于扰动土壤的异质性(15]。
在本节中,我们解释了分类过程以提高背景辐射估计。首先进行分类是plume-present像素执行羽检测算法(上游);另一个是在其余的形象。
这种分类是组织在两个阶段:首先,我们执行一个主成分变换(4在感兴趣的像素的辐射光谱。然后,我们只选择第一个组件进行进一步的分类,因为重要的背景信息是包含在这些组件。最后,我们进行一个经典——对这些组件进行分类。
这个降维的利益是缩短处理的时间算法,则没有恶化的表现。保留的组件的数量取决于图像处理。通常,使用3第一主成分足够好好分类的场景。
我们选择的——为我们的分类算法,在一方面,因为它是一种无监督算法。因此,这将是适合大量不同的高光谱图像。另一方面,该算法是最快的一个聚类算法。
在这一步中,我们获得在该地区没有羽和类类包含羽。这些集群的数量取决于阈值用于指定一个像素的最大距离的质心集群。
2.3.2。Clustering-Based (CB)背景辐射估计
Clustering-Based的第一种方法(CB)背景辐射估计我们使用包含在一个类plume-present和plume-absent区域之间的匹配。
羽下的面积有一个小空间程度相比,其余的场景,它只包含少量的类。在大多数情况下,有理由认为羽下的类作为一个扩展的类以外的羽毛,我们假设气体的存在并不改变背景的主要属性。事实上,阈值被选中,这样像素属于同一类的几乎相同的特征(地面温度和发射率、大气资料)。因此,在一个类中,off-plume光辉从一个像素到另一个非常接近。
对每个plume-present类,平均计算像素的光谱;然后所有的平均光谱相比plume-absent类。读者会注意到,比较执行只有在乐队的目标气体吸收系数非常小。类与最小距离plume-present类,后者被认为是相同的。为一个像素在这门课上,我们认为它的背景辐射等于说像素属于类的光辉。
CB方法绕过了土壤异质性限制方法的某人。然而,它没有考虑到组内差异的背景辐射。在接下来的段落我们将另一个Clustering-Based方法占有了某人的好处和CB的方法估计,没有他们的缺点。
2.3.3。Clustering-Based Selected-Band方法(CSB方法)
为了提高的背景辐射估计Selected-Band方法(见部分2.2)和Clustering-Based方法(见部分2.3。2),我们建议每个集群上执行该方法的分类(部分2.3。1)。
柱后检测,实现场景的分类分别为plume-present plume-absent像素和像素;然后每个类plume-present像素与plume-absent像素类相关联。对每个plume-present类执行,Selected-Band方法使用(8)与一个矩阵来自一个PCA涉及类的像素。回想一下,后者对应于plume-absent类与最小距离plume-present类:
在下面几节中,我们将改进的背景辐射估计plume-present像素由于这种新方法,合成和真实的场景。
3所示。应用程序在合成数据
3.1。合成数据的表示
评估背景辐射估计的性能,合成一个工业现场使用的数据。这些数据是模拟使用我们开发的工具,以提供一个全面的测试的“真相”。
模拟图像的尺寸由光谱维度列(行)。波数范围内使用来的决议。在本节中,我们描述了合成数据生成的过程。
3.1.1。地面模拟
我们首先定义土壤成分的分布。几个材料经常出现在工业场景(沥青、铜、铝、草,等等)被选择(见图1)。然后我们归结为图像中的每一个像素都适当的物理性质(辐射率和温度),根据目前的材料。
辐射来自ASTER数据基地(22]。图2 (b)代表不同的材料的发射率通过合成场景。
(一)
(b)
地面温度变化很大取决于天气条件下,土壤组成、表面的取向,以及现场的救援(阴影效果)。因此,很难有一个现实的估计量。我们选择的值接近测量在CAPITOUL [23)实验。
为了考虑组内地面温度的变化,增加了高斯白噪声,该参数的标准偏差1 - 3 K根据材料。相比之下,我们没有考虑到组内变异的地面发射率。
3.1.2。大气资料整合
我们假设现场尺寸足够小,考虑空间均匀大气的形象。大气物种(特别是水蒸气和臭氧),压力和温度资料设置不同高度的大气层。为此我们使用模型来源于无线电探空仪测量。
在这个阶段,我们生成的free-plume高光谱图像场景,基于MODTRAN计算,使用科曼奇软件(24]。
3.1.3。气体的签名
不同的气体种类吸收各种波长的光。这一现象取决于电子、振动和旋转气体分子的乐队。
在这项研究中,我们选择两个污染物气体辐射行为截然不同。二氧化硫()有一个扩散吸收光谱在7.5 - -12.5乐队如图4,而氨()提出了几个窄谱带,特别是对于波长和,对应于和波数。
的吸收光谱图4从太平洋西北国家实验室的高分辨率的图书馆。这些光谱被减少到一个光谱分辨率是符合典型的传感器光谱分辨率。
3.1.4。羽流分布模拟
为了介绍羽free-plume信号的辐射影响,我们必须模型场景中的三维柱分布,这是定义为每个像素的羽流垂直剖面的气体。
ADMS-Aircraft(大气扩散模拟系统)的代码(25)被用来生成一个高斯烟羽羽基于Brigg方程动力学(26]。使用ADMS-Aircraft代码需要一些输入相关的规范场景几何,大气和气象条件(特别是风的速度和方向),和羽流初始条件如释放率/速度/温度。
图5显示了一个模拟的综合浓度的分布羽用以下参数:(我)外流率():,(2)外流率():,(3)烟囱高度:,(iv)堆栈半径:,(v)羽流弹射速度:,(vi)羽流弹射方向:垂直的,(七)风速:。羽流温度分布模拟还需要介绍的羽毛的辐射影响free-plume信号。介绍羽流温度分布需要估计羽的辐射影响free-plume信号,我们只设置气体出口温度假设羽流温度之间的差异()和初始环境温度(),遵循相同的分布与气体浓度(11]。在我们的模拟固定的在排放源。
plume-present场景的辐射信号图表示6和plume-absent场景图3。这个信号获得使用科曼奇软件考虑上面描述的所有参数。
3.2。结果与讨论
3.2.1之上。羽流检测
执行的第一步是羽发现。SMF算法应用两次:第一次检测。这种气体的吸光度被用于模型相关的目标向量。第二次向量拍摄的吸光度相等吗。两个阈值操作后这些结果,我们认为羽地区联盟的两个面具。注意形态开放手术是为了消除执行检测工件。
图7代表了羽毛面具这些治疗结束时获得的。
3.2.2。分类的合成场景
在本节中,我们评估的效率提出了分类方法。为此,混淆矩阵和科恩kappa系数。
在图8,我们说明了分类结果的合成炼油厂现场,对plume-absent区域(图8(一个)(图)和plume-present区域8 (b))。
(一)
(b)
否则,在表1,我们算两个分类混淆矩阵的实现。这个矩阵表示,对于每个材料合成中出现的场景,根据获得的集群分布。的分类plume-absent地区产量5簇,而plume-present分类导致4集群。
从图8和表1,一个人可以注意到材料可以分为三个不同的家庭:绿草,和其他材料。这个结果是一致的与地面参数分布:绿草的表面温度低于其他材料的温度(见图2(一个))。此外,铝和铜是反光材料,与其他材料(见图2 (b))。
在最后两个家庭的材料,歧视是非常难实现的。事实上,这些材料是非常接近的光芒。然而,执行分类相当成功。科恩kappa系数等于plume-absent分类;后者=plume-present分类。根据兰迪斯所做的描述和科赫(27kappa系数的值,我们分类存在很大()协议和一个几乎完美的协议()。
3.2.3。比较的背景辐射估算方法
为了比较三种方法来估计性能的背景辐射,通过柱被挑出四个像素。这些像素属于不同的类派生的分类(见部分3.2。2),想以后在图9。分别这些像素的地面是由褐色的砂质壤土,沥青、铝和铜。
图10总结了背景辐射的结果估计使用的三种方法:某人,CB,公务员事务局。每个选择的像素表示on-plume光辉(红色),真正的off-plume光辉(点缀绿色),和估计使用某人(青色),CB(蓝色),公务员事务局(红色)。
(一)
(b)
(c)
(d)
集群的棕色砂壤土最plume-absent像素之间的礼物。因此,后者强烈的背景属性在校长代表向量源自于主成分分析。因此明显,某人的方法给出一个准确的估计的背景辐射像素集群(图10 ())。
此外,沥青的背景美集群像素非常接近棕色的背景美砂壤土集群像素。这就是为什么估计由某人为这个集群(图方法仍然是相当有效的10 (b))。
尽管如此,反光材料集群有一个背景辐射多远从主plume-absent集群,显著影响使用某人背景辐射估算的准确性,我们注意在数据10 (c)和10 (d)。
我们观察到在这两个数字,等材料,某人方法繁殖大约高频率的变化。然而,有一个组件类似于集群的主要背景辐射,这加起来估计。
这些曲线在一方面表明Selected-Band方法产生一个准确的估计的背景辐射,plume-absent中最代表类的像素像素。但另一方面,其他类,类表示在羽越少,越少其背景辐射是正确估计。从这些观察中,我们推断出某人的方法没有很好的管理异构背景估计的情况。
图10表明,引入分类背景辐射估计过程改善的结果,特别是对少数类的场景。对于那些像素(数字10 (c)和10 (d)),两个基于分类方法(CB和CSB)给比某人更准确的估计。
我们可以注意到,对于像素4,有真正的略有区别光辉和估计使用CB或CSB之一。这种差异来自这样一个事实:这个班不是代表plume-absent地区。因此,在分类与类同化。
对于像素和的方法,结果CB不如某人的具体方法。的确,CB法没有考虑组内变异的同化到每个plume-present像素的平均辐射plume-absent像素属于同一类的。这种限制,我们必须添加错误由于missclassification。尽管这两个错误的来源,CB背景辐射估计仍然是可接受的。
关于CSB方法,估计是完全与现实背景辐射,对于那些像素。这种方法管理组内变异。
为了估计误差的空间可视化的三个方法相比,我们见图11背景辐射的平均误差估计。这意味着错误表达的亮度温度。
(一)
(b)
(c)
图11坚持下述的结果。与某人的方法,正如所料,我们获得平均误差小于K的类中是最代表plume-absent像素(和)。这个结果证实了该方法的效率在均匀的场景。然而,对于其他两类,差()()代表plume-absent像素,我们超过的错误。
Clustering-Based方法,获得的平均误差为少数集群远小于误差得到某人的方法。通过课堂平均误差小于,CB和CSB方法,尽管后者并不代表plume-absent像素。
对于其他类,甚至类提出了超过与某人的错误方法,我们几乎达不到错误(CSB方法)。CB方法,一些像素平均误差达到很少,但这些像素。
评估这三种方法的总体性能,羽流的平均误差进行了计算。正如所料,CSB方法是最好的三个方法:获得的平均误差在羽=。CB法,平均误差仍然很低;它等于。然而,某人给平均误差的方法在羽流。这是解释为大误差估计类和。
后实施的三种方法合成数据,我们可以得出结论,CSB方法提供了更好的结果比CB和某人方法,尤其是材料不好,或根本不代表plume-absent像素。
4所示。应用在真实的数据
4.1。的插播Hyper-Cam收购
的插播Hyper-Cam LW是一个轻量级和紧凑的成像仪器使用傅里叶转换红外(FTIR)技术。光谱分辨率都是可选的在来光谱范围。的地面插播Hyper-Cam是安装在稳定平台配备全球定位系统(GPS)和惯性运动单元(IMU)。在FTS成像系统中,信号调制是利用迈克耳孙干涉仪实现的。获得一个完整的干涉图通常持续约1秒。因此,一个图像运动补偿镜使用GPS / IMU数据补偿有效期间为飞机运动数据采集。
这个航班是使用Hyper-Cam LW传感器的高度米的速度导致地面的像素大小。光谱分辨率的使用哪个给的光谱波段等距的整个范围覆盖的焦面板阵列探测器。室外温度、风速和相对湿度在地面21°C,,,分别。
机载高光谱红外测量进行了以上纯乙烯气体释放。乙烯是一种易燃气体大量使用在全球许多高分子材料的生产。在这个实验中,气体被释放以恒定流量约。
4.2。地面辐射估计
自乙烯羽毛覆盖地面完全由沥青组成,我们减少要处理的图像的大小,为了限制类的数量获得plume-absent区域。这子图象的红场图表示12。
(一)
(b)
4.2.1。准备乙烯存在检测
SMF算法应用于插播收购为了定义乙烯释放空间扩展。乙烯的吸光度曲线,见图(13日)是用来模拟目标向量(见部分2.1)。
(一)
(b)
一个羽毛面具(图13 (b))应用程序后获得一个阈值在丰度图像。此外,我们进行了形态学操作,为了带走检测工件。
不幸的是,应用形态学开删除一些plume-present像素,本地化的前沿羽。
4.2.2。分类插播停车的场景
而不是合成场景的情况下,我们不能有一个分类的定量评价。因此,只给出一个定性的描述。
在这次收购进行11点左右。,one can notice the presence of a temperature gradient along the southeast to northwest direction. Indeed, the sun, while rising in the sky, heated gradually the scene. Thus, even if two pixels are composed from the same material, they could have two different ground temperature, according to their location in the scene. Consequently, those pixels should be classified into two different clusters.
图14显示了分类结果插播的停车。上的分类plume-absent区域见图(14日),而分类涉及plume-present区域见图14 (b)。
(一)
(b)
plume-present地区集群聚集成类,而plume-absent区域类。
从这两个数字,我们注意到分类符合温度梯度。注意然而plume-present地区分类比第二个更准确的分类。事实上,plume-absent类plume-present对应类(黄色),(布朗)合并到同一个班。这可以解释这样的事实,我们使用一个阈值大小的类()高plume-absent情况下,为了减少类的数量。
4.2.3。比较的背景辐射估算方法
对于这个场景,我们没有先天的知识的背景辐射。但通过观察现场,我们可以注意到,这似乎是沿着垂直方向均匀。换句话说,它是合理的假设是垂直常数。因此,对于一个给定的plume-present像素,我们近似平均光谱背景辐射的一些plume-absent像素比后者位于同一列。这光辉将指定的项。
图15显示了背景辐射的结果估计使用的三种方法:某人,CB,公务员事务局。所选择的三个像素,我们算on-plume光芒(红色曲线)来衡量,预期off-plume光芒(点缀绿色曲线),和估计使用某人(青色),CB(蓝色),公务员事务局(红色)。
(一)
(b)
(c)
第一点我们可以推断出从图15是光辉的相关性背景辐射模型。人能注意到它同意很好与on-plume光辉在乐队乙烯的吸光度是接近于零。此外,之间的区别和乐队的乙烯吸收乙烯的吸收曲线遵循相同的变异。
三选择像素,背景辐射CB和CSB方法获得的估计相当一致。尽管如此,某人估计不匹配与预期的光辉。为像素和某人的方法低估了背景辐射,而它高估了为像素。
这些分布在整个光谱范围估计错误。他们更重要的乙烯吸收特性。
以便了解每种方法的误差大小,这两个参数测量误差对预期的光辉被定义:亮度温度的均方根误差()计算,对于每一个像素,如下: 在哪里背景亮度温度估计的三种方法,对相关的像素。是预期的背景亮度温度、像素的问题。
此外,我们定义辐射相对均方根误差() 在哪里背景辐射估计的三种方法,对相关的像素。
我们算结果,对于每一个像素的三个,在桌子上2。
表2验证结论推导出图15。某人的方法给出了一个精确的估计比Clustering-Based方法。如果像素,平均误差计算与某人方法高出三倍,十倍像素和。否则,CB方法背景辐射估计一样类似CSB估计方法。旁边的像素,估计通过CB法优于CSB获得的方法。此外,所有plume-present像素的平均误差等于CB的方法,而它等于CSB的方法。然而这两种方法保持相同的数量级。
回忆,然而,只是一个近似真实的吗。因此,下面结果并不产生一定CB法比CSB法。
图16演示了一个比较不同的光芒在乙烯大多数吸收带(沿着横截面)像素。从35到55像素plume-present像素。因此,美比较局限于那些像素。
图16表明某人误算背景辐射的方法,其他方法比较。plume-present像素的一部分,它高估了,而低估了这学期的其他部分plume-present像素。估计误差达到最多这个乐队。回想一下,这个乐队是最重要的乙烯量化(见图(13日))。
正如所料,光辉估计使用CB方法是一个常数分段函数。我们可以看到,第一节课(左),估计光辉与预期光辉的均值一致有关像素。但对第二课堂,这是合并的结果两个类(参见图14),估计光辉的意思是完全不匹配。使用更好的分类plume-absent地区,有可能第二个类分为两类,可以改善CB带来的估计方法。
在图16,我们观察到CSB方法考虑组内变异,用这种方法可以得到更好的估计比CB的方法。有关乐队,CSB方法不超过估计误差。
为了推广这些观察到所有plume-present像素,我们见图17比较的背景辐射估计得到的三种方法。这种比较是表演的乐队。
(一)
(b)
(c)
人能注意到边境的羽毛,一些plume-present像素有一个相对较低的光辉(黑像素)。这是由于糟糕的羽流检测本地区如上面我们已经解释它。对于那些像素,光辉在图表示17是而不是。
图(17日)表明某人方法高估了背景辐射的一部分plume-present像素(羽的明亮的区域)。在另一部分plume-present像素,是低估了(黑羽的面积)。这是由于或多或少的存在plume-absent地区比plume-present像素发光的材料。这些材料的信号被集成在主成分源自于主成分分析。
Clustering-Based方法只使用plume-absent像素的信号比plume-present像素拥有相同的背景属性。只有相关信息的使用背景辐射估计因此允许提高其准确性。
这是图中清晰可见17,因为我们注意到一定的值之间的同质性plume-present plume-absent光芒。
4.3。气体浓度估计
从图中所描述的场景12,我们首先计算一个大气补偿;然后应用线性为每个背景估计算法估计乙烯浓度。
大气补偿阶段有两个目标:首先,它旨在避免引入可能偏见从大气中不属预定目标的气体检索;然后它允许估计大气地面温度和水蒸气的浓度。我们假设这里大气性质均匀的场景。我们应用光谱平滑(SpSm)算法(28,29日)在一个均匀的子图象来估算大气资料(温度、水蒸气)、表面发射率和表面温度。
SpSm算法从一组初始猜测是用来减少检索发射率光谱变化均匀的混凝土材料。初始设置是由大气的温度和水蒸气从“魁北克气象中心配备本地测量(温度和大气相对湿度)和地面温度获得光谱亮度温度测量的最高价值。我们使用150年微小变化的大气资料和150个不同的地面温度找到最优的一组参数导致低光谱检索到的光谱发射率的变化。这个具体的子图象检索相应的光谱发射率如图18。相应的地面温度、地面大气温度和水蒸气浓度,分别,,。
从这个大气剖面计算大气大气校正和大气辐射传输用于像素的像素。
最后,简单的量化算法是线性模型的微分签名: 在哪里羽流温度,是列综合浓度(ppm·米),然后呢是普朗克函数。可以估计集中申请每个像素由以下方程:
羽流温度被认为是均匀的和等于地面大气温度估计。人能注意到这里需要比像素辐射和地面温度估算气体浓度。
上述不同阶段应用于估计图像显示在图17。
数据20.和19显示乙烯浓度从Hyper-Cam检索数据使用上述三种背景估计方法和他们之间的分歧。平均检索集成浓度CSB方法。人能注意到地面辐射的主要差异是翻译成检索浓度差异。特别是,左上角的羽背景辐射被高估了由某人方法导致最高浓度的差异(200 ppm·米)。然后,类边界用于CB法光辉的区别在哪里CSB的最高法导致当地不同的大约40 ppm·m。均值小于CB和CSB的区别方法在浓度而它爬上和某人之间起着方法。地面作为像素大小羽流平均宽度的大小正交计算风向和平均质量一米长片羽流的计算假设乙烯摩尔量的。流量可以估计假定风速值使用下面的方程(在ppm·米)是指集成列浓度正交块1米厚宽度。这个结果与真实价值这对应于假设乙烯体积重量:
(一)
(b)
(c)
(一)
(b)
5。摘要和结论
上面气体跟踪烟羽遥感工业现场需要高光谱和空间分辨率。使用机载FTS成像技术就可以检测和量化气体痕迹。然而检索精度取决于像素的背景下羽估计和足够的光谱分辨率目标气体吸收峰。在本文中,我们提出一个方法来估计地面辐射逐像素考虑场景变化的光谱行为。CSB方法上面所描述的是一个Clustering-Based方法旨在将统计谱属性从类的非击打式的羽类低于目标气体柱。这种方法是基于某人方法算法(18)扩展到一个聚类的方法。我们已经表明,引入一个初始分类现场改善背景辐射估计非齐次场景相比,古典某人方法或简单Clustering-Based方法。基于模拟结果显示超过在低发射率材料和亮度温度高发射率材料。
CSB方法应用于机载Hyper-Cam LW数据获得高于一个乙烯释放表明,CSB方法可以减少背景辐射的不确定性来或从1 K的亮度温度的不确定性、高发射率材料,如混凝土。这种改善导致的平均差在乙烯羽检索浓度在这个特殊的“简单”的场景。
最后我们在本文中提出一个端到端的方法使用一个高光谱图像来估计(i)地面辐射和属性(辐射率和温度);(2)大气地面温度和水蒸气含量;和(iii)示踪气体烟羽浓度与一个令人鼓舞的准确性。事实上检索到的流量接近平均流速在气体释放。
上述方法现在必须测试工业场景预期改善应该更高,因为它的交易数量非常高的材料,与组内变异如阴影和温度梯度和低发射率材料。
符号
羽流检测| : | 数量的像素 |
| : | 数量的光谱波段 |
| : | 高光谱图像矩阵。可以代表光辉()或亮度温度 |
| : | 一个像素的 |
| 平均频谱 | |
| : | 协方差的 |
| : | 气态的目标谱 |
| : | 目标匹配系数(丰度) |
| : | 残余向量。 |
| : | plume-present像素数量 |
| : | plume-absent像素数量 |
| : | 许多选择的乐队 |
| : | 使用主成分的数量 |
| : | On-plume光辉:测量辐射plume-present像素 |
| : | Off-plume光辉:测量辐射plume-absent像素 |
| : | 背景(plume-free)像素的光辉。 |
| : | 阈值大小的类 |
| : | 没有羽毛的类的数量 |
| : | 包含羽的类的数量。 |
相互竞争的利益
作者宣称没有利益冲突。