Früher|Nächster

Plattformübergreifende Superauflösungs-Hyperspektralbild-Rekonstruktion und spektrale quantitative Bewertung basierend auf CMIFM – ein Beispiel für karstige Feuchtgebiete

  • role： First author第一作者
  • Affiliation：

    College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China

  • Email：2120211897@glut.edu.com
  • Introduction：孙习东，研究方向为湿地遥感超分辨率重建算法开发和应用。E-mail： 2120211897@glut.edu.com
SUN Xidong1,  
  • role： Corresponding author通信作者
  • Affiliation：

    College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China

  • Email：fbl2012@126.com
  • Introduction：付波霖，研究方向为湿地遥感。E-mail： fbl2012@126.com
FU Bolin1*,  
  • Affiliation：

    College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China

LI Huajian1,  
  • Affiliation：

    Laboratory of Wetland Ecology and Environment, Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China

JIA Mingming2,  
  • Affiliation：

    Department of Geography and Spatial Information Techniques, Ningbo University, Ningbo 315211, China

SUN Weiwei3,  
  • Affiliation：

    College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China

WU Yan1,  
  • Affiliation：

    College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China

SONG Yiji1

Resümee

Die präzise zeitliche Überwachung von Feuchtgebietspflanzen und Wasserflächen mittels hyperspektraler Fernerkundung ist zu einer wichtigen Grundlage für die genaue Bewertung und umfassende Überwachung karstiger Feuchtgebietsökosysteme geworden. Allerdings ist die räumliche Auflösung von satellitengestützten hyperspektralen Bildern (Satellite-based HSI) gering, was die Erfassung komplexer räumlicher Details der Feuchtgebietspflanzen erschwert. Bestehende Methoden zur Superauflösungsrekonstruktion können keine plattformübergreifende Rekonstruktion von Satellit zu UAV und keine zeitliche Überwachung großflächiger Feuchtgebietsszenen realisieren. Daher schlägt diese Studie ein plattformübergreifendes Mehrskaliges Bildmerkmal-Abbildungsmodul CMIFM (Cross-Sensor Multiscale Image Feature Mapping Module) vor. Dieses Modul richtet zunächst UAV-HSI (hyperspektrale Bilder von unbemannten Luftfahrzeugen) und satellitengestützte HSI räumlich aus und transformiert sie. Basierend auf bodengemessenen Daten, die mit einem tragbaren Spektrometer ASD (Analytical spectral devices) erfasst wurden, werden UAV-HSI und Satellite-based HSI in einen einheitlichen spektralen Merkmalsraum abgebildet, um die Integration raum-spektraler Informationen zu ermöglichen. Schließlich werden Superauflösungsnetzwerke (ESRGAN und SwinIR) zur hochqualitativen Rekonstruktion von satellitengestützten HSI verwendet. Die Studie verwendet zudem Deep-Learning-Netzwerke (DATFuse) und traditionelle Fusionsmethoden (GS) als Vergleich, um die spektrale und räumliche Qualität von Feuchtgebietspflanzengemeinschaften und Wasserflächen in den Rekonstruktions- und Fusionsresultaten der Sentinel-2- und OHS-02-Bilder quantitativ zu bewerten. Die Ergebnisse zeigen: (1) Das auf CMIFM basierende Superauflösungsnetzwerk verbessert durch das Erlernen raum-spektraler Merkmale von UAV-HSI die räumliche Auflösung von Satellite-based HSI und stellt feine räumliche Texturen von Feuchtgebietspflanzen und Wasserflächen wieder her, mit visueller und quantitativer Überlegenheit gegenüber der GS-Bildfusion, wobei die mittlere Genauigkeit von PSNR und SSIM für Sentinel-2- und OHS-02-Rekonstruktionsergebnisse 11,06 bzw. 0,3102 beträgt; (2) Die spektralen Werte von drei typischen Feuchtgebietspflanzengemeinschaften – Kikuyugrass (狗牙根), Hualarsha (华克拉莎) und Schilfgras (芒草) – sowie der Wasserflächen in den rekonstruierten Bildern sind hoch zuverlässig, mit mittlerem RMSE der Bänder und Genauigkeit von R2 zwischen ASD-Daten und OHS-02 von 0,1154 bzw. 0,7239; (3) Die Methoden CMIFM+ESRGAN und CMIFM+SwinIR weisen eine hohe Generalisierungsfähigkeit in der raum-spektralen Rekonstruktion auf und können Rekonstruktionen in gleichen Feuchtgebietsszenen ohne UAV-HSI-Daten durchführen, mit mittlerer PSNR- und SSIM-Genauigkeit von 12,74 bzw. 0,1897; (4) Die Studie bestätigt die Machbarkeit der auf CMIFM basierenden Superauflösungstechnik bei der Rekonstruktion komplexer hyperspektraler Feuchtgebietsabbildungen.

Schlüsselwort

Karstfeuchtgebiete; CMIFM-Modul; plattformübergreifende Superauflösungsrekonstruktion; DATFuse; hyperspektrale Bilder; quantitative Bewertung der raum-spektralen Rekonstruktionsqualität von Vegetation und Wasserflächen

References

  1. 1.
    Aiazzi B, Baronti S, Lotti F and Selva M. 2009. A comparison between global and context-adaptive pansharpening of multispectral images. IEEE Geoscience and Remote Sensing Letters, 6(2): 302-306
  2. 2.
    Alparone L, Baronti S, Aiazzi B and Garzelli A. 2016. Spatial methods for multispectral pansharpening: multiresolution analysis demystified. IEEE Transactions on Geoscience and Remote Sensing, 54(5): 2563-2576
  3. 3.
    Bendoumi M A, He M Y and Mei S H. 2014. Hyperspectral image resolution enhancement using high-resolution multispectral image based on spectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 52(10): 6574-6583
  4. 4.
    Cai J T, Fu B L, Chen T X, Geng R F, Li Y, He H C, Fan D L and Deng T F. 2020. Inversion of physical and chemical parameters of plants in Huixian Karst Wetlands based on Sentinel-2 multispectral data. Wetland Science, 18(6): 693-705
  5. 5.
    Chen C, Xiong Z W, Tian X M, Zha Z J and Wu F. 2019. Camera lens super-resolution//Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach: IEEE: 1652-1660
  6. 6.
    Daniel T J, Richendrfer J, Falta R, Murdoch L, Lin H and Darnault C J G. 2023. Hydrogeologic and geomorphic processes in a karst landscape and seasonably-cold climate: linking spatial distribution and morphometric dynamics of closed depressions to bedrock fractures in a wastewater spray irrigated agricultural and forest system located at the site of the Living Filter in Central Pennsylvania, United States. Agricultural Water Management, 279: 108170
  7. 7.
    Fu B L, Li S Z, Lao Z N, Yuan B Y, Liang Y Y, He W, Sun W W and He H C. 2023b. Multi-sensor and multi-platform retrieval of water chlorophyll a concentration in karst wetlands using transfer learning frameworks with ASD, UAV, and Planet CubeSate reflectance data. Science of the Total Environment, 901: 165963
  8. 8.
    Fu B L, Sun X D, Li Y Y, Lao Z N, Deng T F, He H C, Sun W W and Zhou G Q. 2023a. Combination of super-resolution reconstruction and SGA-Net for marsh vegetation mapping using multi-resolution multispectral and hyperspectral images. International Journal of Digital Earth, 16(1): 2724-2761
  9. 9.
    Fu B L, Zuo P P, Liu M, Lan G W, He H C, Lao Z N, Zhang Y, Fan D L and Gao E T. 2022. Classifying vegetation communities karst wetland synergistic use of image fusion and object-based machine learning algorithm with Jilin-1 and UAV multispectral images. Ecological Indicators, 140: 108989
  10. 10.
    Ghassemian H. 2016. A review of remote sensing image fusion methods. Information Fusion, 32: 75-89
  11. 11.
    Gu J J, Lu H N, Zuo W M and Dong C. 2019. Blind super-resolution with iterative kernel correction//Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach: IEEE: 1604-1613
  12. 12.
    Han Y, Ke Y H, Wang Z P, Liang D Y and Zhou D M. 2023. Classification of the Yellow River Delta wetland landscape based on ZY-1 02D hyperspectral imagery. National Remote Sensing Bulletin, 27(6): 1387-1399
  13. 13.
    Hore A and Ziou D. 2010. Image quality metrics: PSNR vs. SSIM//2010 20th International Conference on Pattern Recognition. Istanbul: IEEE: 2366-2369
  14. 14.
    Lassalle G, Ferreira M P, La Rosa L E C, Scafutto R D P M and de Souza Filho C R. 2023. Advances in multi- and hyperspectral remote sensing of mangrove species: a synthesis and study case on airborne and multisource spaceborne imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 195: 298-312
  15. 15.
    Li Z, Jin Z and Li Q. 2017. Changes in land use and their effects on soil properties in Huixian Karst wetland system. Polish Journal of Environmental Studies, 26(2): 699-707
  16. 16.
    Liang J Y, Cao J Z, Sun G L, Zhang K, Van Gool L and Timofte R. 2021. Swinir: image restoration using swin transformer//Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). Montreal: IEEE: 1833-1844
  17. 17.
    Maeda S. 2020. Unpaired image super-resolution using pseudo-supervision//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle: IEEE: 291-300
  18. 18.
    Metternicht G. 2003. Vegetation indices derived from high-resolution airborne videography for precision crop management. International Journal of Remote Sensing, 24(14): 2855-2877
  19. 19.
    Peng K F, Jiang W G, Hou P, Wu Z F, Ling Z Y, Wang X Y, Niu Z G and Mao D H. 2023. Continental-scale wetland mapping: a novel algorithm for detailed wetland types classification based on time series Sentinel-1/2 images. Ecological Indicators, 148: 110113
  20. 20.
    Pu R L, Gong P and Yu Q. 2008. Comparative analysis of EO-1 ALI and Hyperion, and Landsat ETM+ data for mapping forest crown closure and leaf area index. Sensors, 8(6): 3744-3766
  21. 21.
    Soh J W, Cho S and Cho N I. 2020. Meta-transfer learning for zero-shot super-resolution//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle: IEEE: 3513-3522
  22. 22.
    Sun W W, Liu W W, Wang Y M, Zhao R, Huang M Z, Wang Y, Yang G and Meng X C. 2023. Research progress and prospects of hyperspectral remote sensing for global wetland from 2010 to 2022. National Remote Sensing Bulletin, 27(6): 1281-1299
  23. 23.
    Sun W W, Ren K, Meng X C, Yang G, Xiao C C, Peng J T and Huang J F. 2022. MLR-DBPFN: a multi-scale low rank deep back projection fusion network for anti-noise hyperspectral and multispectral image fusion. IEEE Transactions on Geoscience and Remote Sensing, 60: 5522914
  24. 24.
    Tang W, He F Z, Liu Y, Duan Y S and Si T Z. 2023. DATFuse: infrared and visible image fusion via dual attention transformer. IEEE Transactions on Circuits and Systems for Video Technology, 33(7): 3159-3172
  25. 25.
    Waheed M, Haq S M, Arshad F, Bussmann R W, Ali H M and Siddiqui M H. 2023. Phyto-ecological distribution patterns and identification of alien invasive indicator species in relation to edaphic factors from semi-arid region. Ecological Indicators, 148: 110053
  26. 26.
    Wang F M, Huang J F, Tang Y L and Wang X Z. 2007. New vegetation index and its application in estimating leaf area index of rice. Rice Science, 14(3): 195-203
  27. 27.
    Wang P J, Bayram B and Sertel E. 2022. A comprehensive review on deep learning based remote sensing image super-resolution methods. Earth-Science Reviews, 232: 104110
  28. 28.
    Wang X T, Yu K, Wu S X, Gu J J, Liu Y H, Dong C, Qiao Y and Loy C C. 2018. ESRGAN: enhanced super-resolution generative adversarial networks//Proceedings of the European Conference on Computer Vision (ECCV). Munich: Springer: 63-79
  29. 29.
    Yang C H, Everitt J H, Bradford J M and Murden D. 2004. Airborne hyperspectral imagery and yield monitor data for mapping cotton yield variability. Precision Agriculture, 5(5): 445-461
  30. 30.
    Yang W L, Fu B L, Li S Z, Lao Z N, Deng T F, He W, He H C and Chen Z K. 2023. Monitoring multi-water quality of internationally important karst wetland through deep learning, multi-sensor and multi-platform remote sensing images: a case study of Guilin, China. Ecological Indicators, 154: 110755
  31. 31.
    Zhang H Y, Cisse M, Dauphin Y N and Lopez-Paz D. 2018. mixup: beyond empirical risk minimization. arXiv preprint arXiv: 1710.09412
  32. 32.
    Zhang Z, Jiang W G, Peng K F, Wu Z F, Ling Z Y and Li Z. 2023. Assessment of the impact of wetland changes on carbon storage in coastal urban agglomerations from 1990 to 2035 in support of SDG15.1. Science of the Total Environment, 877: 162824

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website