Ecodrone?一体式高光谱-激光雷达无人机遥感系统
Ecodrone一体式高光谱-激光雷达无人机遥感系统 包括VNIR/NIR波段高光谱成像仪和激光雷达扫描仪，一次飞行可同时获取目标图谱信息及三维点云数据，应用于范围、多维度的农业研究、大田表型分析、森林植被资源调查、生态环境研究、地质矿产勘查、考古研究、电力巡线、航空测绘等领域。
基于Ecodrone?无人机平台搭载的一体式高光谱-激光雷达传感器，在获取叶片或冠层水平光谱反射的分辨率成像的同时，激光雷达传感器通过主动发射脉冲能够直接穿透植被冠层、获取植被三维结构信息和生境结构信息，对冠层及结构层面进行快速通量原位监测、森林物种多样性研究、植物生物及非生物胁迫分析、环境及生态系统动态变化研究等具有重要意义。
性能特点：
l 
8旋翼专业无人机遥感平台，搭载AFX高光谱成像、机载PC及激光雷达可飞行作业20分钟以上，有效覆盖面积超10公顷
l 厘米级地面分辨率，50m高度高光谱成像地面分辨率达3.5cm，30m高度（用于田间高通量作物表型分析）地面分辨率可达2cm
l 50m高单样线飞行作业可自动采集形成宽度36m的样带高光谱成像数据
l 三维点云，精确度2.5cm，可达3次回波，50m飞行高度点云密度700pts/平方米
l 专业无人机遥感技术方案，同步获取高光谱与激光雷达数据，应用软件可直接得出近百种植物光谱反射指数、三维点云、三维测量数据、分类点云、DTM等
l 应用于农业研究、大田表型分析、森林植被资源调查、生态环境研究、水资源监测、地质矿产勘查、考古研究、电力巡线、航空测绘等
主要技术指标：
| 高光谱成像 | 激光雷达 |
波段范围/波长 | 400-1000nm | 900-1700nm | 905nm |
光谱通道数 | 224 | 224 | - |
空间像素数 | 1024像素 | 640像素 | - |
地面分辨率 | 3.5cm@50m AGL | 5.5cm@50m AGL | - |
探测器 | CMOS | InGaAs | - |
FWHM | 5.5nm | 8.0nm | - |
光谱采样率 | 2.68nm | 3.5nm | - |
帧频 | 330FPS | 670FPS | - |
信噪比（峰值） | 400:1 | 1200:1 | - |
光圈值 | F/1.7 | - |
视场角 | 38° | 70.4° |
激光扫描仪 | - | Livox AVIA |
精确度 | - | 2.5cm |
准确度 | - | 3cm |
扫描频率 | - | 240k |
回波次数 | - | Up to 3 |
点云密度@50m AGL 5m/s | - | 700pts/平方米 |
n 应用案例一：旱地植被分类调查
半干旱生态系统（即旱地）中的植被在调节碳平衡方面发挥着重要作用。然而，复杂环境下不同生物群落相互交错，对旱地区域绘制、量化植被物种和结构造成很大的困难。要完全解决旱地植物的分类问题，需要综合考虑冠层生物化学、结构和环境变量。高光谱遥感已被用于对不同生物群落内的植被物种分类，但大面积旱地植被的光学分类仍面对着光谱混合像元及光谱异质性的挑战。激光雷达指标（如冠层高度）表征三维冠层结构的能力为光学分类提供了补充信息，此外，激光雷达数据可导出高程模型DEM，为植被分类提供坡度、坡向和高程等地形信息，可提高植被分类覆盖的精度。
美国的研究学者将植被光学（高光谱）和结构（激光雷达）信息结合，对位于美国爱达荷州奥怀希山脉的雷诺兹溪实验流域的干旱地区（xeric）及半干旱地区（mesic）进行了植被分类研究。这项研究整合了高光谱光谱分类技术与激光雷达衍生数据，利用植被光谱信息、冠层高度及地形信息，提高了半干旱生态系统的分类精度，成功绘制包含土壤、草和灌木的干旱区域丰度图及包含白杨、花旗松、杜松和其他河岸植被的分类地图。经验证，将激光雷达信息纳入高光谱分类方案后，整体分类准确率从 60% 提高到 89%。
基于高光谱分类和激光雷达衍生产品的植被覆盖图；（左）mesic分类和（右）xeric分类
n 应用案例二：小面积水体识别与提取
水除了是自然资源外，也是生物多样性的重要环境基础。露天采矿是对环境有强烈影响的人类活动之一，对淡水生物群产生很大负面影响，但采矿活动产生的弃土弃渣堆经技术开垦或自然演替形成了许多充满水的洼地，这些小面积水体对无尾目和蜻蜓等水生物种尤其有价值。为了更好地管理水资源，保护这些受威胁的生态系统和防止生物多样性丧失，需要对开放的地表水体进行精确提取和重复监测。
遥感已被广泛用于识别水体，然而光学图像难以将水体特征与具有低反射率的其他物体（例如树影）区分开来。为了解决这些问题，捷克生命科学大学的研究学者对高光谱与LiDAR数据融合方法用于小面积水体识别的能力进行了评估。
（A）真彩色航拍照片，(B) 假彩色合成和（C）LiDAR变量组合
研究区域位于捷克波西米亚北部的褐煤盆地，主要由四个弃土弃渣堆组成，其中包含了形状、高度、大小各异的水体区块。在这项研究中，使用基于对象的分类方法在集成的高光谱数据和激光雷达数据中（漏分误差2%，错分误差0.4%）提取了弃土弃渣堆上的开放地表水体，与单独使用高光谱或LiDAR数据相比，准确度高。
仅基于高光谱数据（深蓝色）与综合LiDAR变量（浅蓝色）的分类差异
研究结果表明，高光谱和 LiDAR 数据的整合可以成功消除了阴影等影响，大大提高小面积水体的识别能力，这对于栖息地的水体动态监测及生态恢复与保护至关重要。
参考文献：
[1] Hamid Dashti,Andrew Poley,Nancy F. Glenn,Nayani Ilangakoon,Lucas Spaete,Dar Roberts,Josh Enterkine,Alejandro N. Flores,Susan L. Ustin,Jessica J. Mitchell. Regional Scale Dryland Vegetation Classification with an Integrated Lidar-Hyperspectral Approach[J]. Remote Sensing,2019,11(18):
[2] Science - Applied Geoscience; Findings on Applied Geoscience Discussed by Investigators at Czech University of Life Sciences Prague (Integration of Hyperspectral and Lidar Data for Mapping Small Water Bodies)[J]. Science Letter,2020: