Точный мониторинг растительности и состояния водоемов влажных земель при помощи многовременного гиперспектрального дистанционного зондирования стал важной основой для точной оценки и всеобщего мониторинга состояния карстовых влажных экосистем. Однако существующие космические гиперспектральные изображения имеют низкое пространственное разрешение и трудности в захвате сложных пространственных деталей влажной растительности. Существующие методы восстановления сверхразрешения не могут осуществлять восстановление изображений с космических аппаратов до беспилотных летательных аппаратов и мониторинга последовательности больших влажных земель. В связи с этим, в данном исследовании предлагается мультишкальный модуль картографирования многошкальных пространственных черт изображений CMIFM. Этот модуль сначала сопоставляет гиперспектральные изображения беспилотных летательных аппаратов UAV-HSI и космические гиперспектральные изображения в пространственной шкале, затем, основываясь на данныx, полученныx наземным спектральном анализатором ASD данныx, он отображает гиперспектральные изображения UAV-HSI и космические гиперспектральные изображения в единое спектральное пространство, интегрируя пространственно-спектральную информацию. В заключение, с использованием сети сверхразрешения (ESRGAN и SwinIR) достигается высококачественное восстановление космических гиперспектральных изображений. Параллельно в данном исследовании используются глубокие нейронные сети (DATFuse) и традиционные методы слияния (GS) для сравнения результатов восстановления изображений и слияния изображений Sentinel-2 и OHS-02, качественная калибровка спектра и пространства влажных растений и воды. Результаты исследования показали: (1) на основе модуля CMIFM сети сверхразрешения путем изучения пространственных признаков изображений беспилотных летательных аппаратов повышается пространственное разрешение космических гиперспектральных изображений и восстанавливаются детальные пространственные текстуры влажной растительности и воды, которые превосходят визуальное восприятие изображений и количественные индикаторы GS метода слияния изображений, причем результаты восстановления изображений и слияния изображений Sentinel-2 и OHS-02 со средней точностью PSNR и SSIM для меток данных составляют 11.06 и 0.3102; (2) три типичные влажные растительные сообщества (Cavity root, Hawker Sha и Swamp grass) и вода на восстановленном спектре изображений имеют высокую достоверность, причем уровень точности калибровки спектра и R^2 для восстановленных спектров OHS-02 и данных ASD составляют 0.1154 и 0.7239; (3) методы CMIFM+ESRGAN и CMIFM+ SwinIR имеют сильную обобщающую способность в восстановлении пространственно-спектральной производительности, которые могут осуществить восстановление изображений в тех же влажных областях того же типа без данных картографии беспилотных аппаратов, и средняя точность PSNR и SSIM для тех же областей влажности без использования данных беспилотных аппаратов составляют 12.74 и 0.1897; (4) данное исследование подтверждает возможность мультископической технологии восстановления гиперспектральных изображений в сложных влажных областях.

Карстовые влажные земли; Многошкальный модуль картографирования; Восстановление изображений сверхразрешения; DATFuse; Гиперспектральное изображение; Качественная оценка спектра и пространства влажных растений и воды