根据覆盖光谱波段不同，AISA系统分为：AFX10（New） ，AisaKESTREL，AisaFENIX，AisaFNIX-1K，AisaIBIS，AisaOWL等型号，并有多种选件以适用于不同平台和应用。

■  芬兰SPECIM AisaFENIX(400-2500nm)和AisaOWL(7.7-12um) 机载高光谱系统在矿物勘查中的应用

高光谱遥感技术凭借其“图谱合一”的特点（图像和光谱结合）成为近些年遥感领域研究的热点。由于在短波和长波红外光谱中包含许多矿物的光谱特征，短波和长波红外高光谱遥感技术为矿物勘查提供了一种独特和高效的的识别手段。本案例是以色列特拉维夫大学利用芬兰SPECIM AisaFENIX(400-2500nm)和AisaOWL(7.7-12um) 机载高光谱系统，在拉蒙峡谷地区同时采集短波和长波红外机载高光谱数据，通过计算短波红外和长波红外区域图像中各像素点的反射率和发射率光谱，提取矿物识别指标，分析识别出该区域的主要矿物—高岭石、方解石、白云石、石英、长石和石膏，并绘制了其在地表的矿物分布图。

图1  两条航带矿物识别图，a 为基于SWIR数据，b为基于LWIR数据

研究对AisaFENIX和AisaOWL传感器在以色列拉蒙峡谷上空采集的两组机载数据进行了分析，成功识别了高岭石、方解石、白云石、石英、长石、粘土矿物，石膏和碳酸盐矿物等，最终生成的矿物勘查图也与该地区的地理地图匹配一致。这一研究结果表明了短波红外和长波红外与高光谱技术相结合对更好地识别矿物及绘制地表矿物图具有重要意义。

参考文献：Integration of Hyperspectral Shortwave and Longwave Infrared Remote-Sensing Data for Mineral Mapping of Makhtesh Ramon in Israel. Remote Sens. 2016, 8, 318; doi:10.3390/rs8040318

■  芬兰SPECIM AisaFENIX1K机载光学全谱段遥感林火监测

本应用案例主要介绍了中国林业科学研究院机载光学全谱段遥感系统CAF-LiTCHy（Chinese Academy of Forestry’s LiDAR，Thermal，CCD and Hyperspectral airborne observation system，即芬兰SPECIM AisaFENIX1K机载光学全谱段遥感系统），利用该系统所采集的多源遥感数据即正射影像、冠层高度模型、高光谱影像、热红外影像，分析其在森林火灾监测评价中的潜力，并以四川省西昌市“3.30 森林火灾”作为该系统火后灾情遥感调查和灾情评估应用示例，表明该系统可有效森林火灾的灾情信息、火场及火环境参数，可为预防、预报预警、扑救指挥、灾害评估和生态修复提供支持。

图1. AisaFENIX1K机载遥感观测系统

此次研究的数据采集主要是针对2020-03-30发生森林火灾的泸山风景区，在明火全部扑灭后，完成航飞采集任务。该地区的乔林木主要以云南松为 主 ， 零 星 分 布 少 量 赤 桉、杨树和栎树，林下有马桑、杜鹃、坡柳等灌木，以及黄茅、草、 莎草、 紫 茎 泽 兰等地被物。在春末干燥高温环境下，易于发生森林火灾。

（a）不同烈火程度的CCD影像

（b）不同林火烈度的高光谱影像（R = 887.07 nm，G = 668.89 nm，B = 580.26 nm）

图2. 不同烈火程度的CCD影像和高光谱影像

中国林业科学研究院机载光学全谱段遥感系统 CAF-LiTCHy 集成了激光雷达扫描仪、热红外相机、CCD 相机、高光谱传感器等 4 种对地观测传感器，可同时获取观测区域内地物的垂直和水平结构、光谱以及温度等信息，其中：CCD 相机和高光谱相机具备对地物类型、植被状态 （树木冠幅、植被长势、水分含量、叶面积指数等）、火灾损失程度等灾情信息观测能力，其影像可用于地物类型识别、植被参数提取、火烧迹地识别、以及灾情评估等，从而为火行为预报模型提供精准的可燃物及环境参数。

参考文献：

庞勇，荚文，覃先林，斯林，梁晓军，林鑫，李增元 .2020. 机载光学全谱段遥感林火监测 . 遥感学报，24（10）：1280-1292

Pang Y，Jia W，Qin X L，Si L，Liang X J，Lin X and Li Z Y. 2020. Forest fire monitoring using airborne optical fullspectrum remote sensing data. Journal of Remote Sensing（Chinese），24（10）：1280-1292［DOI：10.11834/jrs.20200290］

■  基于高光谱数据的山地植被分类研究

本文探讨了利用AisaFENIX高光谱航空影像在山地农业植被分类中的应用，高光谱数据提供了对农场景观进行详细分类和量化的可能性，补充了当地专家的知识，增加了决策的可信度。本次实验作为新西兰Ravensdown/MPI PGP项目“Pioneering to Precision”的一部分，使用AisaFENIX高光谱成像仪对八个不同的农场（5个在新西兰北部，3个在新西兰南部）进行数据采集，得到在380-2500 nm范围内有448个光谱波段，空间分辨率为1米的高光谱数据。PGP项目的主要目标是根据光谱信息绘制土壤肥力图，以相同的空间分辨率分别在春秋季节进行高光谱图像采集。利用各种数据预处理和分类技术，对农场的牧草成分进行了分类，以确定哪种组合能提供优异的精度；用支持向量机（SVM）对草地进行分类，准确率达99.59%。对同一两个农场的额外景观成分进行了分类。分类为非牧场牧草地面覆盖物的成分包括：水、履土壤、麦卢卡、灌木丛、树胶、杨树和其他树种。通过研究分析证明高光谱技术可成功地用于高精度的植被分类，同时也可应用于景观要素分类和量化，比如肥料和农场经营管理、农村估价、农场战略管理和规划等。

参考文献：

Cushnahan, TYule, IJGrafton, MCE, Pullanagari, R, White, M The classification of hill country vegetation from hyperspectral imagery  Occasional Report Number 30, 2017, pp. 1 - 9 (9)

高光谱航空遥感成像系统-AISA——油污检测

点击下载-油污检测相关资料.pdf

高光谱航空遥感成像系统-AISA——矿产勘查

点击下载-矿产勘查相关资料.pdf

高光谱航空遥感成像系统-AISA——森林研究

点击下载-森林研究相关资料.pdf

高光谱航空遥感成像系统-AISA——珊瑚礁测绘

点击下载-珊瑚礁测绘相关资料.pdf

高光谱航空遥感成像系统-AISA——水文研究风险评估

点击下载-水文研究风险评估相关资料.pdf

高光谱航空遥感成像系统-AISA——叶绿素与蓝藻蛋白分布

点击下载-叶绿素与蓝藻蛋白分布相关资料.pdf

高光谱航空遥感成像系统-AISA——海洋测深

点击下载-海洋探测相关资料.pdf

高光谱航空遥感成像系统-AISA——精准农业

点击下载-精准农业相关资料.pdf

高光谱航空遥感成像系统-AISA——树木病情监测

点击下载-树木病情监测相关资料.pdf

更多应用案例，请您致电010-85120277/78/79/80 或 写信至 info@qd-china.com 获取。

1、AisaKESTREL无人机遥感高光谱系统飞行测试

2、农业林业以及环境

高光谱成像可以对多种植被现象进行探测、鉴别和区分，具有广泛的应用价值： 

		植物树林的高光谱探测成像： 1、大面积森林区域研究，包括不同树种和健康状况的树数统计； 2、光合作用和荧光测量； 3、石油/天然气勘探的植物地理分析； 4、植物营养状况，害虫和疾病探测、映射和监控。
	地质勘探： 高光谱成像是在残积土地区定位裸露或风化矿物质的强大而有效的技术，SPECIM公司的AISA航空遥感系统是矿业、油气以及地热领域勘探人员，在大面积、偏远无人区探测离散矿物质分布的理想工具。
	国防： 高光谱成像是现代情报工作中的重要战略工具，并被广泛应用到国防、安全以及执法领域。 SPECIM公司的客户包括西方多个国家的高级别官方组织。公开资料显示，高光谱成像在该方面的应用包括： 1、发现伪装或人造物体和材料； 2、非干扰性监控地域活动； 3、探测非法毒品作物种植和简易爆炸装置。

· Illumination compensation in ground based hyperspectral imaging. ISPRS Journal of Photogrammetry and Remote Sensing. Volume 129, July 2017, Pages 162-178

· The potential of using Unmanned Aerial Vehicles (UAVs) for precision pest control of possums .Rethinking Ecology.2: 27-39 (23 Oct 2017)

· A simple indicator for estimating the noise level of a hyperspectral data cube for earth observation missions.Acta Astronautica.Volume 128, November–December 2016, Pages 304-312

· 3D spectral analysis in the VNIR–SWIR spectral region as a tool for soil classification.Geoderma.Volume 302, 15 September 2017, Pages 100-110

· High resolution derivative spectra in remote sensing.Remote Sensing of Environment.Volume 33, Issue 1, July 1990, Pages 55-64

· Modeling spectral and bidirectional soil reflectance.Remote Sensing of Environment.Volume 41, Issues 2–3, August–September 1992, Pages 123-132

· Atmospheric Correction Performance of.Remote Sens.2017.9(1).2

· Hyperspectral Airborne Imagery over a Small Eutrophic Lake under Changing Cloud Cove..

· Multiscale mapping of species diversity under changed land use using imaging spectroscopy.Ecological Applications.Volume 27, Issue 5

· ..42917

· ..Pages 1466–1484

· A Wide Spectral Range Reflectance and Luminescence Imaging System.Sensors.2013, 13(11), 14500-14510

· Individual Tree Species Classification From Airborne Multisensor Imagery Using Robust PCA.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing .Volume: 9 Issue: 6

· Evaluating physico-chemical influences on cyanobacterial blooms using hyperspectral images in inland water, Korea.Water Research.Volume 126, 1 December 2017, Pages 319-328

· The role of technology transfer to improve fertiliser use efficiency.Food Security.April 2015, Volume 7, Issue 2, pp 365–373

· Mapping the Spectral Soil Quality Index (SSQI) Using Airborne Imaging Spectroscopy.Remote Sens. .2015, 7(11), 15748-15781

· Mapping of macro and micro nutrients of mixed pastures using airborne AisaFENIX hyperspectral imagery.ISPRS Journal of Photogrammetry and Remote Sensing.Volume 117, July 2016, Pages 1-10

· Quantification of dead vegetation fraction in mixed pastures using AisaFENIX imaging spectroscopy data.International Journal of Applied Earth Observation and Geoinformation.Volume 58, June 2017, Pages 26-35

· Data processing of remotely sensed airborne hyperspectral data using the Airborne Processing Library (APL): Geocorrection algorithm descriptions and spatial accuracy assessment.Computers & Geosciences.Volume 64, March 2014, Pages 24-34

· Detecting subtle environmental change: a multi-temporal airborne imaging spectroscopy approach.Proc. SPIE 9998, Remote Sensing for Agriculture, Ecosystems, and Hydrology XVIII.999813 (25 October 2016)

· The classification of hill country vegetation from hyperspectral imagery.Occasional Report Number 30.2017, pp. 1 - 9 (9)

· Mapping nutrient concentration in pasture using hyperspectral imaging.Journal of New Zealand Grasslands.77: 47-50 (2015)

· Integration of Hyperspectral Shortwave and Longwave Infrared Remote-Sensing Data for Mineral Mapping of Makhtesh Ramon in Israel.Remote Sens..2016, 8(4), 318

· "Covariance-based band selection and its application to near-real-time hyperspectral target detection.Optical Engineering .56(5), 053101 (9 May 2017)

· Macroscale multimodal imaging reveals ancient painting production technology and the vogue in Greco-Roman Egypt.Scientific Reports.7, 15509,2017

· Hyperspectral Imaging for Predicting the Internal Quality of Kiwifruits Based on Variable Selection Algorithms and Chemometric Models.Scientific Reports.7, 7845,2017

· Detection of Fungus Infection on Petals of Rapeseed (Brassica napus L.) Using NIR Hyperspectral Imaging.Scientific Reports .6, 38878,2017

· Hyperspectral light sheet microscopy.Nature Communications .6, 7990,2015

· Hyperspectral Imaging for Presymptomatic Detection of Tobacco Disease with Successive Projections Algorithm and Machine-learning Classifiers.Scientific Reports .7, 4125,2017

· Hyperspectral Imaging for Determining Pigment Contents in Cucumber Leaves in Response to Angular Leaf Spot Disease.Scientific Reports .6, 27790,2016

· Fast quantifying collision strength index of ethylene-vinyl acetate copolymer coverings on the fields based on near infrared hyperspectral imaging techniques.Scientific Reports .6, 20843,2016

· Detection of early blight and late blight diseases on tomato leaves using hyperspectral imaging.Scientific Reports .5, 16564,2015

· ..

· External characteristic determination of eggs and cracked eggs identification using spectral signature.Scientific Reports .6, 21130,2016

· Resin defect detection in appearance lumber using 2D NIR spectroscopy.European Journal of Wood and Wood Products.November 2017, Volume 75, Issue 6, pp 995–1002

· Benefits of hyperspectral imaging for plant disease detection and plant protection: a technical perspective.Journal of Plant Diseases and Protection.https://doi.org/10.1007/s41348-017-0124-6

· Detection of biotic and abiotic stresses in crops by using hierarchical selforganizing classifiers.Precision Agriculture.June 2017, Volume 18, Issue 3, pp 383–393

· A new approach for the modelling of chestnut wood photo-degradation monitored by different spectroscopic techniques.Environmental Science and Pollution Research.June 2017, Volume 24, Issue 16, pp 13874–13884

· Automated Multi-class Classification of Remotely Sensed Hyperspectral Imagery Via Gaussian Processes with a Non-stationary Covariance Function.Mathematical Geosciences.July 2016, Volume 48, Issue 5, pp 537–558

· An evaluation of the relationship between physical/mechanical properties and mineralogy of landscape rocks as determined by hyperspectral reflectance.Arabian Journal of Geosciences.February 2016, 9:164

· Spectral reflectance is a reliable water-quality estimator for small, highly turbid wetlands.Wetlands Ecology and Management.October 2015, Volume 23, Issue 5, pp 933–946

· HyperART: non-invasive quantification of leaf traits using hyperspectral absorption-reflectance-transmittance imaging.Plant Methods.https://doi.org/10.1186/s13007-015-0043-0

· Assessment of sediment connectivity from vegetation cover and topography using remotely sensed data in a dryland catchment in the Spanish Pyrenees.December 2014, Volume 14, Issue 12, pp 1982–2000.Journal of Soils and Sediments

· Data analysis of hyperspectral NIR image mosaics for the quantification of linseed oil impregnation in Scots pine wood.Wood Science and Technology.May 2014, Volume 48, Issue 3, pp 467–481

· Analysis of Spectral Vegetation Signal Characteristics as a Function of Soil Moisture Conditions Using Hyperspectral Remote Sensing.Journal of the Indian Society of Remote Sensing.June 2014, Volume 42, Issue 2, pp 311–324

· The spatial scaling effect of the discrete-canopy effective leaf area index retrieved by remote sensing.Science China Earth Sciences.September 2013, Volume 56, Issue 9, pp 1548–1554

· Mapping spatial variation in acorn production from airborne hyperspectral imagery.Forestry Studies in China.June 2010, Volume 12, Issue 2, pp 49–54

清华大学

北京师范大学

中国农业大学

中科院遥感所

中国科学院亚热带农业生态研究所

中国林业科学研究院

首都师范大学

中国矿业大学

国防科技大学

东北林业大学

广东工业大学

四川轻化工大学

河北省科学院地理科学研究所

......

AFX系列-中文单页.pdf

AisaFENIX-中文单页

AisaFENIX 1K-中文单页

AisaIBIS-中文单页

AisaKESTREL-中文单页

AisaOWL-中文单页

芬兰SPECIM——专业高光谱服务25年