产品名称：机载多源遥感测量系列

 产品简介     Product Introduction

GaiaSky 系列是双利合谱专为中低空无人机平台自主研发的机载高光谱成像系统。

采用透射光栅分光结构获取单位空间尺度内真实、准确的地物反射光谱信息。

针对小型无人机搭载推扫式高光谱成像仪时普遍存在的震动干扰与姿态轨迹漂移问题，GaiaSky 集成了双利合谱两项核心**技术——悬停内置扫描与自研三轴增稳技术，有效克服成像过程中的抖动与畸变，显著提升原始数据采集质量。

配合自主研发的高光谱数据拼接软件，系统可实现平方公里级正射影像拼接，输出图像无错位、无色差、无拼接痕迹，为用户提供高质量的中低空高光谱遥感数据。

GaiaSky 兼具高光谱成像性能与机载作业适应性，广泛应用于精准农业、林业监测、生态遥感、环境监测、遥感应用解析等。

 
产品特点     Product Features

1. 悬停内置推扫技术：

采用自主研发的悬停内置推扫成像方式，有效还原目标真实的空间位置与光谱信息，确保数据真实可靠。

2. 无人机平台深度集成：

基于华测X500、大疆M400 无人机进行深度开发，实现飞控与采集系统一体化界面控制，大幅降低操作难度，提升作业效率。

3. 实时高清辅助取景：

配备高清辅助摄像头，支持实时高清图传，用户可通过遥控器同步观察测量区域，实现精准取景与目标定位。

4. 一体化快装结构：

采用卡扣式一体化安装设计，无需复杂调试，户外场景下三分钟即可完成起飞前准备工作，响应迅速。

5. 自主软硬件协同优化：

系统软硬件均为自主研发搭建，软硬深度协同，极大降低软件故障概率，提升整体运行稳定性与数据采集可靠性。

6. 大区域高精度拼接：

支持平方公里级高精度正射影像拼接，研究范围不再受限，满足区域尺度遥感监测与科研应用需求。

技术参数     Technical Parameters

	GaiaSky-mini3-VN	GaiaSky-mini3-NIR	GaiaSky-mini-SW
光谱范围	400-1000nm	900-1700nm	1000-2500nm
光谱分辨率	5.5nm	8nm	8.8 nm
空间通道数	1024	640	640
光谱通道数	224/448	224/112	512
光谱采样间隔	2.7nm (@224) / 1.4nm (@448)	3.5 nm (@224) / 7 nm (@112)	7nm
图像分辨率	1024*1003	640*630	640*400
成像镜头	标准C接口， 标配25mm或16mm	53°@12.5mm 23°@30mm	19°@30mm 37°@15mm 26°@22mm
横向视场角	35°@16mm、23°@25mm	35°@15mm	11°@50mm
存储		标配1T SSD
重量	1.2 Kg	1.35 Kg	7 Kg
辅助摄像头		800W像素实时成像
适配无人机	华测导航X500、大疆 Matrice 300/350/400		Yunux-Long Pro

 

 

一体化设计，便捷安装

国际**—悬停内置推扫式成像

高性能分光探测系统

采用透射式光栅分光的技术，使平行光通过光谱仪中的透射光栅在垂直于狭缝方向发生色散，变为在垂直于狭缝方

向随波长展开的高精度单色光，获取真实的地物反射信息。

 

应用方向 Application Fields

 

应用案例 Application Cases

 

水体多参数水质反演

基于无人机（UAV）高光谱影像的深度学 习框架 TL-Net，估算总氮（TN）、溶解 氧（DO）、总悬浮固体（TSS）和叶绿素 a（Chla）四个水质参数，并生成它们的 空间分布图。TL-Net 模型对总氮（TN） 的 R² 值为 0.9938，对溶解氧（DO）的平 均**误差（MAE）为 0.0728，对总悬 浮固体（TSS）的均方根误差（RMSE）为 0.3881，对叶绿素 a（Chla）的平均** 百分比误差（MAPE）低至 0.2568%。TLNet显著提高了多参数水质预测的准确性， 能够捕捉精细尺度的空间变异性，并为内 陆水生生态系统监测提供了一种稳健且可 扩展的解决方案。

 

土壤特性和作物性状预测

利用无人机高光谱影像同时预测多种土壤 性质和作物性状，开发了一种土壤早期预 警框架，将种植前的土壤条件与作物性状 联系起来，以便及早发现潜在的生长限制， 从而实现主动管理，为土壤和作物管理提 供了一种稳健的解决方案。通过优化土壤 条件和促进可持续土地利用方式，为精准 农业做出了贡献，凸显了深度学习在农业 应用中的价值。

小麦氮素含量预测

将 N-PROSAIL 辐射传输模型与深度迁移 学习相结合，实现了在不同生长阶段冬小 麦冠层氮密度的高精度估算（R² = 0.81， RMSE = 0.14）。证实了将物理先验知识 与深度迁移学习相结合在克服农业遥感数 据异质性、增强模型迁移性方面具有巨大 潜力，为作物氮素营养的精准监测提供了 一种可解释且高效的技术方法。

 

图像分类

利用精简的二维卷积神经网络（2D-CNN） 模型，并采用改进的深度可分离卷积方法 对荒漠草原植物进行分类。

该模型在整体 分类准确率、Kappa 系数和内存占用方 面均优于其他模型，分别达到 99.216%、 98.735% 和 16.3 MB。

该模型能够有效地 对荒漠草原物种进行分类。该方法为监测 草原生态系统退化提供了一种新途径。