高光谱遥感原理篇1
关键词:高光谱分类提取投影寻踪
1高光谱遥感概述
高光谱遥感(HyperspectralRemoteSensing简称HRS)起步于80年代,发展于90年代,至今已解决了一系列重大的技术问题。它是光谱分辨率在10-2λ的光谱遥感,其光谱分辨率高达纳米(nm)数量级,具有波段数众多,连续性强的特点,其传感器在可见光到红外光的波长范围内(0.4μm～2.5μm)范围内以很窄的波段宽度(3～30nm)获得几百个波段的光谱信息,相当于产生了一条完整而连续的光谱曲线,光谱分辨率将达到5nm～10nm[1]。高光谱遥感数据的表现可以从以下三个方面来理解[2]:图像空间、光谱空间和特征空间。此外,随着高光谱遥感分辨率的增加,特征空间的维数很高,因而表现不同地物类别的能力也随之不断提高,这也是高光谱遥感之所以能够更精确识别地物的主要原因。
2高光谱遥感的应用
高光谱影像包含了丰富的地表空间、光谱和辐射的三重信息,它同时表现了地物的空间分布并获得了以像元为目标的地物光谱信息。高光谱遥感技术作为连接遥感数据处理、地面测量、光谱模型和应用的强有力工具,其显著特点是在特定光谱区域以高光谱分辨率同时获取连续的地物光谱影像,其超多波段信息使得根据混合光谱模型进行混合像元分解获取“子像元”或“最终光谱单元”信息的能力得到提高,使得遥感应用着重于在光谱维上进行空间信息展开,定量分析地球表层生物、物理、化学过程和参数,随着成像光谱技术的发展与成熟,遥感技术已经大大拓宽了其原来的应用领域,归纳起来主要包括以下几个方面[5]-[19]:1)在精准农业领域的应用(作物参数反演);2)在林业领域的应用(树种识别、森林生物参数填图、森林健康检测等);3)在水质检测领域的应用(反演水质参数);4)在大气污染检测领域的应用(气溶胶、二氧化氮等的检测与反演);5)生态环境检测领域的应用(检测生物多样性、土壤退化、植被重金属污染等);6)在地质调查领域的应用(矿物添图,岩层识别,矿产资源、油气能源探测等);7)在城市调查领域的应用(城市绿地调查、地物及人工目标识别)。
3高光谱遥感图像分类与信息提取
3.1遥感图像处理
遥感数字图像处理是以遥感数字图像为研究对象,综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术,实现地学专题信息的自动提取[18],要素分类与提取在图像处理过程中占有决定性的地位。遥感图像分类是统计模式识别技术在遥感领域中的具体应用,统计模式识别的关键是提取待识别模式的一组统计特征值,然后按照一定准则做出决策,从而对数字图像予以识别。其主要依据是地物的光谱特征,即地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像的原始特征值。
3.2高光谱遥感图像分类与提取
目前,高光谱遥感数据分析方法主要有两个方向[19]-[30]:第一是基于光谱空间的分析方法,其基本原理是化学分析领域常用的光谱分析技术;第二个方向是基于特征空间分析技术,该方向的基本思想是把组成光谱曲线的各光谱波段组成高维空间中的一个矢量,进而用空间统计分析的方法分析不同地物在特征空间中的分布规律。
3.2.1基于光谱空间的分析方法
高光谱遥感技术的最大特点就是:在地物的每一个像元处,可以得到一条连续的光谱曲线,所有的光谱曲线的集合则构成了光谱空间,不同的地物对应于光谱空间中的一条光谱曲线。因此,基于光谱空间的数据分析方法是高光谱数据分析的主要技术之一,其主要思想类似于化学上常用的光谱分析技术,主要是通过对光谱曲线进行特征分析,发现不同地物的光谱曲线变化特征,从而达到识别地物的目的。由于这种分析方法与地物的物理化学属性直接相关,因此可以方便地对分析结果进行物理解释:由于分析过程主要是针对一个像元的光谱曲线,因此,算法往往比较直观和简单。这些特点使得基于光谱空间的分析技术成为引人注目的一种技术,因而,近年来在这方面产生了许多实用的研究结果。
常用的分析方法包括:(1)光谱角填图法(Sam-Spectralanglemapping):又称光谱角度匹配法.是以实验室测得的标准光谱或从图像上提取的一直已知点的平均光谱为参考,求算图像中每个像元矢量(将像元n个波段的光谱响应作为n维空间的矢量与参考光谱矢量之间的广义夹角,根据夹角的大小来确定光谱间的相似程度,以达到识别地物的目的。(2)光谱解混技术(SpectralUnmixing):就是假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成,解混的目的就是通过某种分析和计算,估计出光谱混合方式和混合像元包含的光谱成分及相应比例。(3)光谱匹配滤波技术(matchedFilter):是通过部分光谱解混技术求解端元光谱丰度值的技术。由于前面介绍的线性光谱解混技术要求端元光谱足够完全,而实际上很难确定一幅待研究的高光谱图像所包含的全部端元光谱。匹配滤波技术则选定某些感兴趣的端元光谱的情况下,把未知的光谱归为背景光谱(Unknownbackground),最大化地突出已知端元光谱而同时尽可能抑制背景光谱,这种方法提供了一种快速探测指定地物种类的技术,而不必知道一幅图像中包含的全部端元光谱。(4)光谱特征匹配(SFF-SpectralFeatureFitting):根据电磁波理论,不同的物质有不同的光谱曲线。人们可以通过分析不同地物的光谱吸收表现,达到识别不同地物的目的。首先把反射光谱数据的吸收特征突出出来,然后用仅保留了吸收特征的光谱与参考端元光谱逐个波段进行最小二乘匹配,并计算出相应的均方根误差(RmS-RootmeanSquare),消除背景影响的方法主要是包络线法。
3.2.2基于特征空间的分类方法
前面介绍的基于光谱空间的分析方法主要是通过比较待分像元的光谱曲线与参考光谱的光谱曲线之间的相似程度来达到分类判别的目的。这种思想看起来很直观和理想,类似于人的指纹识别一样,每一个人都有不同的指纹,通过与指纹库中的指纹相比较就可以确定人的身份。然而,遥感问题却远远复杂得多,由于太阳辐射、大气、空间分辨率和光谱分辨率,观测噪声,及多种多样难以确定的因素的影响,很难测得所谓“纯”的光谱曲线。尽管有多种多样的光谱解混技术被提出,但多种因素的影响很难被充分估计出来,因而无论何种光谱分析技术都无法完全达到遥感图像辩识的要求。
另一种遥感图像地物辩识的思想则是从统计分布规律出发,在同一幅图像上,不同地物的光谱数据呈现不同的分布状态,比如不同均值和方差,通过分析这种统计分布规律而实现地物识别的技术就是基于特征空间的分类方法。遥感图像上的每个像元对应n个光谱波段反射值。假若把这几个波段值组成的n维矢量看作是n维欧几里德空间中的一个点,则称矢量X=(X1,X2,…,Xn)为像元的特征值,相应的n维欧几里德空间称为特征空间。在特征空间的意义上,遥感图像上的任一像元对应于特征空间中的一个点,因此,分类的方法可以从寻找像元在特征空间中的分布规律入手,也就是在特征空间中进行判别的问题。
常用的分析方法包括:(1)高斯最大似然分类器(mLC):是遥感分类的主要手段,其基本思想是,假设各类样本数据都是高斯分布(正态分布),判别准则为所属类别的分布密度最大。其分类器被认为是一种稳定性、鲁棒性好的分类器。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样木不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。(2)基于Bayes准则的分类器:基于Bayes准则的判别函数是统计模式识别的参数方法,要求各类的先验概率p(ωi)和条件概率密度函数p(ωix)已知。p(ωi)通常根据各种先验知识给出或假设它们相等:p(ωix)则是首先确定其分布形式,然后利用训练样本估计其参数。一般假设为正态分布,或通过数学方法化为正态分布。其判别函数为:Di(X)=p(ωi)p(ωix),i=1,2,…,m。若Di(X)Dj(X)j=1,2,…,m,j≠i,则X为ωi类。判别函数集有多种导出形式,如最大后验概率准则、最小风险判决准则、最小错误概率准则、最小最大准则、neyman-pearson准则等,是依据不同的规则选择似然比的门限来实现的。(3)最小距离判别法:该方法是最直观的一种判别方法,假设在p维欧氏空间中,把c个不同的类别看成分布在空间中的不同位置,最小距离判别方法的思想就是,对待分类的样本,若与某一类的空间几何距离最近,则判别为属于此类。该方法的关键问题,一是如何定义空间距离;另一问题是,如何计算点到各类别的空间距离。(4)基于模糊集理论的判别分类方法:相邻波段影像间存在较大的相似性表明,它们的分类作用可以相互近似替代。因此,只需利用其中的一幅影像参加分类即可,其它与之相似的光谱波段都可被视为冗余波段。显然,要删除这些冗余光谱波段,应首先对原始波段集合中的光谱波段进行模糊等价划分,然后在每个模糊等价波段组中只选择一个光谱波段(或进行线性融合)。(5)基于人工神经网络的分类法:通过建立统一框架,实现对影像的视觉识别和并行推理,是近年来发展起来的综合数据分类方法之一。其目标是利用人工神经网络技术的并行分布式知识处理手段,以遥感影像为处理对象,建立基于人工神经网络的遥感影像分类专家系统。(6)支持向量机(SupportVectormachine)分类方法:支持向量机是一种建立在统计学习理论基础之上的机器学习方法。其最大的特点是根据Vapnik的结构风险最小化原则,尽量提高学习机的泛化能力,即由有限的训练样本集得到小的误差能够保证对独立的测试集保持小的误差。另外,由于支持向量算法是一个凸优化问题,局部最优解也是全局最优解,这是其它学习算法所不及的。以上介绍了几种分类方法,事实上,随着各学科的发展和交叉影响,基于特征空间的分析方法有许多新的进展。
4高光谱遥感数据分类存在的问题
随着光谱分辨率的提高,高光谱遥感能够提供对地物识别更充分的信息,对基于特征空间的分类而言,理论上说,随着特征空间维数的增加,分类精度将会越来越精确,但实际问题并非如此简单。综合以上高维空间的几何特征和统计特性[31]-[36],可以得出这样的结论:基于统计理论的参数估计若在原始高维空间进行,则需相当庞大的训练样本数才能得到比较满意的估计精度,非参数估计方法所需的样本数量更是不可想象。此外,原始高维数据空间的正态分布特性更是难以保证,而正态分布是许多参数估计方法的基础。因此,高光谱遥感分类的表现并未如人们所期望的那样简单,具体来说,在不讨论客观因素的情况下,影响高光谱遥感分类精度的主要因素主要是以下几条:
(1)训练样本数量问题:根据Hughes的研究结果[37],随着特征空间维数的增加,类别可分性提高,但由于遥感中常用的监督分类方法首先要估计样本的分布函数,或分布函数中的一些参数,随着空间维数的增加,待估参数的个数急剧增加,在训练样本数量一定的条件下,导致分类精度在特征空间的维数增加到一定数量后,反而会随着维数的增加而下降。
(2)特征空间的组成:前一个问题导致基于特征空间的分析方法通常不能在原始空间中直接进行,必须对原始波段空间进行降维预处理,得到一个保持了原始空间全局和局部特征结构的低维空间,然后在低维子空间中进行分类判别。
(3)分类器的选择。
(4)类别可分性:类别可分性是数据集固有的一种性质,是由客观条件造就的数据集内在结构,由于客观因素的影响,待分辨的类别之间可区分的程度会有很大的差异,数据集的这种内在的可分离程度对分类精度的高低有着至关重要的影响。
5结语
过去几十年高光谱遥感已经在各方面有了很大的应用,高光谱技术从遥感的角度提供了大尺度获取地面光谱数据的手段,为人们宏观分类识别地物提供了基础。但是人们在获取大量高光谱图像数据的同时,也面临着如何最大程度地利用这些海量数据的难题,关于高光谱分类与信息提取的技术,虽然取得了一些进展,但是从总体上仍落后于传感器的发展,因此对于高光谱分类与信息提取还有很大的空间值得去研究。
参考文献
[1]童庆禧,张兵,郑兰芬.高光谱遥感的多学科应用[m].北京:电子工业出版社,2006:1-54.
[2]许卫东.高光谱遥感分类与提取技术[J].红外(月刊),2004,28-34.
[3]薛利红,罗卫红,曹卫星,等.作物水分和氮素光谱诊断研究进展[J].遥感学报,2003,7(1):73-80
[4]金震宇,田庆久,惠凤鸣,等.水稻叶绿素浓度与光谱反射率关系研究[J].遥感技术与应用,2003,18(3):134-137.
[5]n.H.Younan,R.L.King,H.H.Bennett,andJR.ClassificationofHyperspectralData:aComparativeStudy[J],precisionagriculture,2004(5):41-53.
[6]程乾,黄敬峰,王人潮,等.moDiS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究[J].应用生态学报,2004,15(8):1363-1367.
[7]张良培,郑兰芬,童庆禧,等.利用高光谱对生物变量进行估计[J].遥感学报,1997,1(2):111-114
[8]赵德华,李建龙,宋子键.高光谱技术提取植被生化参数机理与方法研究进展[J].地球科学进展,2003,18(1):94-99.
[9]方红亮,田庆久.高光谱遥感在植被监测中的研究综述[J].遥感技术与应用,1998,13(1):62-69.
[10]陈楚群,潘志林,施平.海水光谱模拟及其在黄色物质遥感反演中的应用[J].热带海洋学报,2003,22(5):33-39.
[11]李素菊,吴倩,王学军,等.巢湖浮游植物叶绿素含量与反射光谱特征的关系[J].湖泊科学,2002,14(3):228-234.
[12]谭衢霖,邵芸.遥感技术在环境污染监测中的应用[J].遥感技术与应用,2000,15(4):246-251.
[13]童庆禧,郑兰芬,王晋年.湿地植被成像光谱遥感研究[J].遥感学报,1997,1(1):50-57.
[14]夏德深,李华.国外灾害遥感应用研究现状[J],国土资源遥感,1996,(3):1-8.
[15]甘甫平,王润生,郭小方,等.高光谱遥感信息提取与地质应用前景――以青藏高原为试验区[J],国土资源遥感,2000,3:38-44.
[16]王青华,王润生,郭小方.高光谱遥感技术在岩石识别中的应用[J].国土资源遥感,2000,4:39-43.
[17]刘建贵,张兵,郑兰芬,等.城乡光谱数据在城市遥感中的应用研究[J].遥感学报,2000,4:221-228
[18]梅安新,彭望,秦其明,等.遥感导论[m].北京:高等教育出版社.2002.
[19]荆凤,陈建平.矿化蚀变信息的遥感提取方法综述[J].遥感信息,2005,2:62-65.
[20]耿修瑞,张兵,张霞,等.一种基于高维空间凸面单形体体积的高光谱图像解混算法[J].自然科学进展,2004,14(7):810-814.
[21]CaRLJ.LeGLeiteR.SpectrallyDrivenClassificationofHighSpatialResolution,Huperspectralimagery:atoolformappingin-StreamHabitat[J].environmentalmanagement,2003,32(3):399-411.
[22]甘甫平,王润生,马蔼乃,等.基于光谱匹配滤波的蚀变信息提取[J].中国图像图形学报,2003,8(a)(2):147-150.
[23]李新双,张良培,李平湘.基于小波分量特征值匹配的高光谱影像分类[J].武汉大学学报•信息科学版,2006,31(3):274-277.
[24]p.Goovaerts.Geostatisticalincorporationofspatialcoordinatesintosupervisedclassificationofhyperspectraldata[J].GeographSyst,2002,(4):99-111.
[25]刘汉湖,杨武年,沙晋明.高光谱分辨率遥感在地质应用中的关键技术及前景[J].世界地质,2004,23(1):45-49.
[26]FrancescoLagona.adjacencyselectioninmarkovRandomFieldsforhighspatialresolutionhyperspectraldata[J].GeographSyst,2002(4):53-68.
[27]李石华,王金亮,毕艳.遥感图像分类方法研究综述[J].国土资源遥感,2005,2:1-6.
[28]王国明,孙立新.高光谱遥感影像优化分类波段选择[J].东北测绘,1999,22:21-23.
[29]allanaasbjergnielsen.Spectralmixtureanalysis:LinearandSemi-parametricFullanditeratedpartialUnmixinginmulti-andHyperspectralimageData[J].mathematicalimagingandVision.2001(15):17-37.
[30]修丽娜,刘湘南.人工神经网络遥感分类方法研究现状及发展趋势探析[J].遥感技术与应用,2003,18(5):339-345.
[31]张连蓬.基于投影寻踪和非线性主曲线的高光谱遥感图像特征提取及分类研究[D].山东:山东科技大学,2003.
[32]ShaileshKumar,JoydeepGhoshandmelbam.Crawford.HierarchicalFusionofmultipleClassifiersforHyperspectralDataanalysis[J].patternanalysis&application,2002(5):210-220
[33]谭璐,易东云,冯国柱,等.局部不变投影[J].自然科学进展,2004,14(3):282-287.
[34]李智勇,郁文贤,匡纲要,等.基于高维几何特性的高光谱异常检测算法研究[J].遥感技术与应用,2003,18(6):379-383.
[35]周晓云,孙志挥,张柏礼.一种大规模高维数据集的高效聚类算法[J].应用科学学报.2006,24(4):396-400.
[36]易尧华.基于投影寻踪的多(高)光谱影像分析方法研究[D].武汉:武汉大学,2004.
高光谱遥感原理篇2
1．1直接应用——遥感蚀变信息的提取
岩浆热液或汽水热液使围岩的结构、构造和成分发生改变的地质作用称为围岩蚀变。围岩蚀变是成矿作用的产物，围岩蚀变的种类(组合)与围岩成分、矿床类型有一定的内在联系，围岩蚀变的范围往往大于矿化的范围，而且不同的蚀变类型与金属矿化在空间分布上常具规律可循，因此，围岩蚀变可作为有效的找矿标志。
1．1．1蚀变遥感异常找矿标志
围岩蚀变是热液与原岩相互作用的产物。常见的蚀变有硅化、绢云母化、绿泥石化、云英岩化、夕卡岩化等。
1．1．2信息提取的实现
与地物发生反射、透射等作用的电磁波是地物信息的载体，地物的光谱特性与其内在的物理化学特性紧密相关，物质成分和结构的差异造成物质内部对不同波长光子的选择性吸收和反射。具有稳定化学组分和物理结构的岩石矿物具有稳定的本征光谱吸收特征，光谱特征的产生主要是由组成物质的内部离子、基团的晶体场效应或基团的振动效果引起的。各种矿物都有自己独特的电磁辐射，利用波谱仪对野外采样进行光谱曲线测量，根据实测光谱与参考资料库中的参考光谱进行对比，可以确定出样品的吸收谷，识别出矿物组合。根据曲线的吸收特征，选择合适的图像波段进行信息提取。根据量子力学分子群理论，物质的光谱特征为各组成分子光谱特征的简单叠加。传感器在空中接收地表物质的光谱特性，根据量子力学分子群理论，物质的光谱特征为各组成分子光谱特征的简单叠加。传感器在空中接收地表物质的光谱特性，因为探测范围内有干扰介质存在(白云、大气、水体、阴影、植被、土壤等)，因此，在进行蚀变矿物信息提取时，根据干扰物质的光谱曲线出发，进行预处理消除干扰。主要造岩矿物成分(0，si，a1，mg)的振动基频在可见——近红外区不产生诊断性吸收谷的谱带。不同类型的矿物蚀变会引起Fe，Fe，oH一，中某一类的变化，Fe2+，Fe3+，oH一，Co：在可见一近红外区可产生岩石谱带中的不同吸收谷组合，例如，在0．4～1．3um范围内的光谱特性是因为矿物晶格结构中的Fe，cu等过渡性金属元素的电子跃迁引起的；1．3~2．5的光谱特性是由矿物组成中的Co：，oH口Ho引起的。根据吸收谷所处的波长位置、深度、宽度、对称性等特征进行处理，提取相应的蚀变遥感异常(遥感异常)。现在应用的数据有多光谱tm，etm+，aSteR数据以及少量的高光谱与微波遥感数据等。蚀变遥感信息在整景图像上信息占有份额低，但局部地区的信息并不微弱，因此即使是微弱的蚀变异常也可以被检测出，试验证明，遥感信息检测的蚀变检出下限优于1／20000。目前遥感找矿蚀变异常信息的提取有多种方法，例如波段比值法、主成分分析法、光谱角识别法和mpH技术(maskpCaandHiS)、混合象元分解等。“etm+图像数据的综合遥感找矿蚀变异常信息的提取”、“etm+(tm)蚀变遥感异常提取方法技术”都取得了一定的成果。在蚀变遥感信息提取和应用研究中，形成了～套独特的技术，即“去干扰异常主分量门限化技术”，包括：①预处理：校正及去干扰，校正包括系统辐射校正、几何校正、大气粗略校正；干扰包括云、植被、阴影、水、雪等的去除。②信息提取：以整景的tm(etm+)图像遥感异常信息的提取为主，其方法以pCa主分量分析为主，比值法为辅，同时用光谱角分析法对所获得的主分量异常进行筛选，然后进行门限化分级处理，以获得分级异常图。由于涉及到的矿床类型、规模、控矿要素、蚀变类型以及矿产勘查程度不同，仅靠单一的处理方法不利于异常信息的提取，因此需要多种方法的有效组合，一种方法为主其他方法为辅这些遥感信息提取技术在资源勘探过程中发挥了很大的作用，目前，利用围岩蚀变找矿已经取得了很好的效果。
1.2遥感技术间接找矿的应用
1．2．1地质构造信．息的提取
内生矿产在空间上常产于各类地质构造的边缘部位及变异部位，重要的矿产主要分布于扳块构造不同块体的结合部或者近边界地带，在时间上一般与地质构造事件相伴而生，矿床多成带分布，成矿带的规模和地质构造变异大致相同。遥感找矿的地质标志主要反映在空间信息上。从与区域成矿相关的线状影像中提取信息(主要包括断裂、芍理、推覆体等类型)，从中酸性岩体、火山盆地、火山机构及深亨岩浆、热液活动相关的环状影像提取信息(包括与火山有关的盆地、构造)，从矿源层、赋矿岩层相关的带状影像提取信启、(主要表现为岩层信息)，从与控矿断裂交切形成的块状影像及与感矿有关的色异常中提取信息(如与蚀变、接触带有关的色环、色带、色块等)。当断裂是主要控矿构造时，对断裂构造遥感信息进行重点提取会取得一定的成效。遥感系统在成像过程中可能产生“模糊作用”，常使用户感兴趣的线性形迹、纹理等信息显示得不清晰、不易识别。人们通过目视解译和人机交互式方法，对遥感影像进行处理，如边缘增强、灰度拉伸、方向滤波、比值分析、卷积运算等，可以将这些构造信息明显地突现出来。除此之外，遥感还可通过地表岩性、构造、地貌、水系分布、植被分布等特征来提取隐伏的构造信息，如褶皱、断裂等。提取线性信息的主要技术是边缘增强。
1．2.2植被波谱特征的找矿意义
在微生物以及地下水的参与下，矿区的某些金属元素或矿物引起上方地层的结构变化，进而使土壤层的成分产生变化，地表的植物对金属具有不同程度的吸收和聚集作用，影响植叶体内叶绿素、含水量等的变化，导致植被的反射光谱特征有不同程度的差异。矿区的生物地球化学特征为在植被地区的遥感找矿提供了可能，可以通过提取遥感资料中由生物地球化学效应引起的植被光谱异常信息来指导植被密集覆盖区的矿产勘查，较为成功的是某金矿的遥感找矿、东南地区金矿遥感信息提取。不同植被以及同种植被的不同器官问金属含量的变化很大，因此需要在已知矿区采集不同植被样品进行光谱特征测试，统计对金属最具吸收聚集作用的植被，把这种植被作为矿产勘探的特征植被，其他的植被作为辅助植被。遥感图像处理通常采用一些特殊的光谱特征增强处理技术，采用主成分分析、穗帽变换、监督分类(非监督分类)等方法。植被的反射光谱异常信息在遥感图像上呈现特殊的异常色调，通过图像处理，这些微弱的异常可以有效地被分离和提取出来，在遥感图像上可用直观的色调表现出来，以这种色调的异同为依据来推测未知的找矿靶区。植被内某种金属成分的含量微小，因此金属含量变化的检测受到谱测试技术灵敏度的限制，当金属含量变化微弱时，现有的技术条件难以检测出，检测下限的定量化还需进一步试验。理论上讲，高光谱提取植被波谱的性能要优于多光谱很多倍，例如对某一农业区进行管理，根据每一块地的波谱空间信息可以做出灌溉、施肥、喷洒农药等决策，当某农作物干枯时，多光谱只能知道农作物受到损害，而高光谱可以推断出造成损害的原因，是因为土地干旱还是遭受病虫害。因此利用高光谱数据更有希望提取出对找矿有指示意义的植被波谱特征。
1．2．3矿床改造信息标志
矿床形成以后，由于所在环境、空间位置的变化会引起矿床某些性状的改变。利用不同时相遥感图像的宏观对比，可以研究矿床的剥蚀改造作用；结合矿床成矿深度的研究，可以对类矿床的产出部位进行判断。通过研究区域夷平面与矿床位置的关系，可以找寻不同矿床在不同夷平面的产出关系及分布规律，建立夷平面的找矿标志。另外，遥感图像还可进行岩性类型的区分应用于地质填图，是区域地质填图的理想技术之一，有利于在区域范围内迅速圈定找矿靶区。
2遥感找矿的发展前景
2．1高光谱数据及微波遥感的应用
高光谱是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。它利用成像光谱仪以纳米级的光谱分辨率，成像的同时记录下成百条的光谱通道数据，从每个像元上均可以提取一条连续的光谱曲线，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而具有巨大的应用价值和广阔的发展前景。成像光谱仪获得的数据具有波段多，光谱分辨率高、波段相关性高、数据冗余大、空问分辨率高等特点。高光谱图像的光谱信息层次丰富，不同的波段具有不同的信息变化量，通过建立岩石光谱的信息模型，可反演某些指示矿物的丰度。充分利用高光谱的窄波段、高光谱分辨率的优势，结合遥感专题图件以及利用丰富的纹理信息，加强高光谱数据的处理应用能力。微波遥感的成像原理不同于光学遥感，是利用红外光束投射到物体表面，由天线接收端接收目标返回的微弱回波并产生可监测的电压信号，由此可以判定物体表面的物理结构等特征。微波遥感具有全天时、全天候、穿透性强、波段范围大等特点，因此对提取构造信息有一定的优越性，同时也可以区分物理结构不同的地表物体，因为穿透性强，对覆盖地区的信息提取也有效。微波遥感技术因其自身的特点而具有很大的应用潜力，但微波遥感在天线、极化方式、斑噪消除、几何校正及辐射校正等关键技术都有待于深入研究，否则势必影响微波遥感的发展。
2．2数据的融合
随着遥感技术的微波、多光谱、高光谱等大量功能各异的传感器不断问世，它们以不同的空间尺度、时间周期、光谱范围等多方面反映地物目标的各种特性，构成同一地区的多源数据，相对于单源数据而言，多源数据既存在互补性，又存在冗余性。任何单源信息只能反映地物目标的某一方面或几个方面的特征，为了更准确地识别目标，必须从多源数据中提取比单源数据更丰富、有用的信息。多源数据的综合分析、互相补充促使数据融合技术的不断发展。通过数据融合，一方面可以去除无用信息，减少数据处理量，另一方面将有用的信息集中起来，便于各种信息特征的优势互补。数据的融合包括遥感数据间的融合、遥感数捱与非遥感数据的融合。融合技术的实现方法有多种，简单易行的是对几何配准后的像元逐点进行四则运算或HiS变换，还有一些方法是对多源数据先进行预处理(特征提取、判别分析)后再进行信息融合，主要的方法有代数运算融合、小波变换融合等。蚀变矿物特征光谱曲线的吸收谷位于多光谱数据的波段位置，因此可以识别蚀变矿物，但是波段较宽，只对蚀变矿物的种属进行分类。与可见一红外波段的电磁波相比，雷达波对地面的某些物体具有强的穿透能力，能够很好地反映线性、环性沟造。雷达图像成像系统向多波段、多极化、多模式发展，获取地表信息的能力越来越强。总的来说，多光谱、高光谱数据的光谱由线特征具有区分识别岩石矿物的效果，所以对光学图像与雷达图像进行融合处理，既能提高图像的分辨率、增强纹理的识别能力，又能有效地识别矿物类型。尽管融合技术的研究取得了一些可喜的进展，但未形成成熟的理论、模型及算法，缺乏对融合结果的有效评价手段。在以后的研究中，应该深入分析各种图像的成像机理及数据间的相关性、互补性、冗余性等，解决多源数据的辐校正问题，发展空间配准技术。
2.33S的结合
3s是遥感(RS)、地理信息系统(GiS)及全球定位系统(GpS)的简称。利用GpS能迅速定位，确定点的位置坐标并科学地管理空间点坐标。海量的遥感数据需庞大的空间，因此要有强大的管理系统，随着当今人力资源价格的升高，在区域范围内找矿时，遥感表现出最小投入获得最大回报的优势，那么RS与GiS的结合也势在必行，因为GiS更有利于区域范围的影像管理及浏览。随着3S技术发展，遥感数据的可解译程度与解译速度得到进一步提高，目前，地质工作者尝试将3S与VS(可视化系统)、CS(卫星通讯系统)等技术综合应用，取得了较好的效果。
2．4图像接收、处理及信息提取技术的发展完善
由传感器接收的地物光谱信息传到地面接收站，在计算机操作平台上进行图像的处理以及遥感信息提取。随着传感器的发展、数据量的增大，从海量的遥感数据中提取有用的、相对微量的找矿信息不是一件容易的事，传感器的发展是信息提取的前提，图像处理技术的开发是信息提取的关键。为了提取更客观有效的找矿信息，需要进行以下几方面的工作：
(1)进一步发展高分辨率传感器，以便接收更微弱、细小的地质信息；
(2)加强信息提取方法的研究解决计算机处理的技术问题，例如补偿信号在传感器的误差、校正辐射、地形起伏等引起的图像失真等；
(3)在选择参与信息提取的波段时，深入波段选取依据的理论研究，例如进行岩石样品的光谱测试，矿物识别与分析是遥感地质信息提取的核心，所以需要确定不同类型的矿物在各波段的吸收性。同样在利用植物地化找矿时需配套精密的物质成分分析仪器及技术等；
(4)遥感图像处理海量数据，经处理后的一景图数据量很大，为保障数据处理速度，需要强大的计算机技术(硬件与软件)支撑，：图像处理中要将算法转化为计算机的可识别语句，需要计算机语言的发展。发展有利于提高遥感图像的信噪比、优化信息提叉的软件平台，实现不同格式图像问的兼容性。
高光谱遥感原理篇3
【关键词】影像融合HiS变换Brovey比值变换小波变换Spot5
中图分类号：p283文献标识码：a
引言
影像融合(imageFusion)是信息融合技术的一种，它是一种通过高级影像处理技术对多源影像进行复合的技术，是根据应用的目的，使用特定的算法将多个不同的影像进行图像信息的合并处理，从而生成新的图像。而全色影像具有较高的空间分辨率,而多光谱图像可以更精细地描述目标光谱.全色图像与多光谱图像合,既可以利用全色图像的高分辨率改善多光谱图像分辨率,又可以充分利用多光谱图像有的对目标些独特特征的精细描述,使融合图像包含更丰富的信息。本文选择Spot5卫星影像，通过使用HiS变换、Brovey比值变换及小波变换三种常用融合方法,进行了比较分析，得出最佳方法。
一、融合方法的原理
1、iHS变换
iHS变换又被称为彩色变换。在图像处理中常用的有两种彩色空间:一是由红R、绿G、蓝B三原色构成的RGB彩色空间;另一种是由亮度i、色调H及饱和度S3个变量构成的iHS彩色空间。变换公式如下:
i=1/2(D+d);D=max(R,G,B);d=min(R,G,B)。
当D=d,则S=0;当D≠d且i≤015,则S=(D-d)/(D+d)，
当D≠d且i>015,则S=(D-d)/(2-D-d)。
当S=0,则H=0;当S≠0且R=D,则H=60(2+b-g);当S≠0且G=D,则H=60(4+r-b);
当S≠0且B=D,则H=60(6+g-r)。
2、Brovey比值变换
Brovey比值融合法常用于多光谱影像增强,该方法是为RGB影像显示进行多光谱波段颜色归一化,将高分辨率全色与各自相乘,其计算公式如下:
其中,Xpan表示高分辨率全色影像数据,nXSi(i=1,2,3)表示多光谱影像的3个波段数据。
3、小波变换
基于小波变换的融合步骤:
1)将全色与多光谱的R,G,B3个波段直方图匹配,得到3个新的高分辨率全色影像;
2)对每个新的全色影像进行小波分解,分别得到各自的4个分量,即1个低分辨率的近似图像和3个小波系数,即所谓的细节图像,它们包含空间局部信息;3)分解得到的3个低分辨率全色影像各自分别被多光谱的R,G,B3个波段所代替;4)对每个含有细节信息和多光1个波段(R,G,B)的影像作小波反变换,并合成3个通道,这样就得到了经小波变换融合后的影像
二、遥感影像融合过程
1、遥感影像融合流程图
2、具体过程
经过对eRDaS和enVi两种软件中提供的大部分融合方法的对比，发现用enVi中的Gram-SchmidtSpectralSharpening方法进行融合能够比较好的保留原多光谱图像的光谱信息，或者使遥感影像的融合保留多光谱影像的增强效果。
1)用Gram-SchmidtSpectralSharpening方法进行遥感影像融合时，有时需对原多光谱影像进行增强，在enVi中对影像的增强可使用enhance中的前6种方法，使多光谱影像色彩信息达到需求的效果；增强方法如下图，选取不同的样区进行影像增强所得到的效果不同，在影像增强过程中应选取不同的样区进行尝试；
2)对遥感影像增强到达满意的效果后，通过File|Saveimageas|imageFile…保存增强果后的影像；保存窗口，在outputFiletype中选择保存的数据类型，通过Choose选择文件的保存路径及文件名；
3)进行影像融合，在enVi主菜单中，通过transform|imageSharpening|Gram-SchmidtSpectralSharpening进行融合；
4)在SelectLowSpatialResolutionmultiBandinputFile对话框窗口中选择多光谱影像，点击oK确定；
5)在SelectHighSpatialResolutionpaninputBand对话框中选择高分辨率的影像波段，点击oK确认；
6)在Gram-SchmidtSpectralSharpenparameters中设置融合的参数，Resampling中选择重采样的模型，Choose中选择存储的文件路径和文件名。
三、结论
通过实验以及分析表示：iHS变换的优点是提高了空间分辨率和清晰度,提高了遥感图像的被判读解译和量测的能力，缺点是导致了原始影像的光谱扭曲不利于影像的正确识别和分类；Brovey比值变换的优点是有利于消除太阳照度和地面起伏等影响,便于识别地物，缺点是前提条件要求两幅图像的光谱响应范围相同；通过小波变换得到融合图像质量最决于小波系数融合模型的选择。该方法适用于融合高分辨率全色图像和低分辨率多光谱图像、光学和SaR图像等。
【参考文献】
[1]李弼程,魏俊,彭天强.遥感影像融合效果的客观分析与评价[J].计算机工程与科学,2004,26(1):42-46.
[2]冯秀丽,王珂,楼立明.Spot5遥感影像在土地利用变更调查中的应用[J].浙江大学学报:农业与生命科学版,2005,31(1):12-16.
[3]张炳智,张继贤,张丽.土地利用动态遥感监测中多源遥感影像融合方法比较研究[J].测绘科学,2000,25(3):46-50.
[4]楼立明,刘卫东,冯秀丽.基于高分辨率遥感影像的土地利用变化监测[J].遥感技术与应用,2004,19(1):30-33.
[5]贾永红,孙家柄.遥感多光谱影像数据与航片数字化影像融合方法的研究[J].测绘通报,1997(5):10-12.
高光谱遥感原理篇4
关键词：图像融合；aSteR；Spot5
abstract:byusingthepanSHaRpalgorithm,theaSteR15bandandSpot5panchromaticbandfusion,inimprovingtheimageresolutionatthesametime,thegreatestdegreeofretainingtheoriginalimageinformation.providesremotesensingimageofhighqualityforlandresourcesurvey.
Keywords:imagefusion;aSteR;Spot5
中图分类号：tn822文献标识码：a文章编号：2095-2104（2013）
1引言
近年来，遥感技术获得了迅猛发展，各种面向复杂应用背景的多平台、多时相、多光谱和高分辨率卫星遥感系统也随之大量涌现，它被广泛地应用于地表植被的分类和环境观测等领域。利用图像处理技术，进行不同光谱与空间分辨率遥感图像的融合，可节省大量的研究经费。因此，基于多传感器的信息融合理论，多源遥感影像信息融合研究，于20世纪80年代应运而生，并成为目前遥感图像处理的重要研究手段[8]。多源图像融合属于多传感器信息融合的范畴，是指将不同传感器获得的同一景物的图像或同一传感器在不同时刻获得的同一景物的图像，经过相应处理后，再运用某种融合技术得到一幅合成图像的过程。多幅图像融合可克服单一传感器图像在几何、光谱和空间分辨率等方面存在的局限性和差异性，提高图像的质量，从而有利于对物理现象和事件进行定位、识别和解释[1]。
以往对于多源图像融合的研究多集中在同一卫星不同传感器的图像融合上，如Spot5全色光和多光谱图像融合。但这类传感器获取的图像光谱覆盖范围较小，多在可见光范围；光谱分辨率较低，多光谱图像通常由3个或率多于3个波段构成。而具有较广光谱覆盖范围、较高光谱分辨率的图像通常空间分辨率较低。为获取高空间分辨率、高光谱分辨率的遥感图像，本次研究将由两种卫星获取的图像进行融合，并对融合方法的选取、融合过程的关键技术等问题进行了讨论。
2多源图像融合关键技术
与同一传感器获得的图像相比，不同传感器获得的图像所提供的信息具有冗余性、互补性和合作性。因此，将多源遥感图像各自的优势结合应用，获得对环境正确的解译是极为重要的。多源遥感图像融合则是富集这些多种传感器遥感信息的最有效途径之一，是现代多源数据处理和分析中非常重要的一步[2]。
其关键技术[3-6]主要包括：数据配准、融合模型的建立与优化，以及融合方法的选择。
2.1数据配准
各类不同来源的遥感图像数据，因轨道、平台、观测角度、成像机理等的不同，其几何特征相差很大。在图像数据融合前，必须首先进行数据配准，即解决各类遥感图像的几何畸变，实现以几何纠正为基础的空间配准，以达到同一区域不同图像数据地理坐标的统一。它涉及到几何纠正模型、重采样方法、投影变换、变形误差分析等问题。
2.2融合模型的建立与优化
充分认识研究对象的地学规律和信息特征；充分了解每种融合数据的特性(空间、光谱、时间、辐射分辨率等)及适用性、局限性，通过多源数据的相互补充，以提供更多更好的数据源；充分考虑到不同遥感数据的相关性以及数据融合中所引起的噪声误差的增加，确定融合模型提取有用信息、消除无用信息，实现融合后数据的互补与信息富集。
2.3融合方法的选择
根据融合的目的、数据源类型、特点，选择合适的融合方法。融合方法大体上可以分为3类：彩色技术，包括彩色合成、iHS变换、YiQ变换；数学运算，包括加与乘、差值与比值、混合运算；图像变换，包括主成分分析、相关分析、回归分析、滤波分析、小波分析以及其它的一些方法[3]。
3融合方法
在本次研究中，遥感图像将应用于国土资源调查领域，需要将aSteR数据与Spot5数据进行融合处理。Spot5传感器由法国国家空间研究所(CneS)构思和设计的，于2002年5月4日成功发射，全色的影像分辨率为2.5m，数据格式为8-bit无符号整数。aSteR（高级星载热发射和反射辐射仪）是涵盖可见光到热红外15个波段，集空间、光谱和辐射高分辨率多光谱传感器，包括3个15m空间分辨率的可见光和近红外波，6个30m空间分辨率的短波红外波段以及5个90m空间分辨率的热红外波，数据格式为16-bit无符号整数。
鉴于以上数据差异较大，本次研究选择panSHaRp方法对其进行融合处理。
panSHaRp使用自动影像融合算法，用来融合高分辨率全色和多光谱影像，从而得到高分辨率彩色影像，通常称作全色锐化(pan-sharping)。它是一种基于成熟的最小二乘法，在原始多光谱、全色和融合后影像间寻求最佳近似灰度值关系，以达到最佳的色彩表现能力的算法。其优势在于其算法简单和功能多样上。它可以使用任何数据类型，包括8-bit无符号整数、16-bit有符号/无符号整数、32-bit浮点数，而且高效计算。同时，它也可对同一传感器同时相影像或不同传感器影像进行融合[7]。
4实验
4.1实验数据
本次研究选择Spot5全色光波段与aSteR数据进行融合处理。高分辨率数据采用Spot5全色光波段，分辨率为2.5m,使用图像轨道号为280/260,图1a;多光谱数据采用aSteR数据，对所有15个波段进行融合,轨道号为204/76,图1b。
图1aSpot5全色图像图1baSteR假彩色图像
4.2几何校正进行
图像几何校正分为两步进行。aSteR数据的可见光波段与短波红外、热红外波段不是同时获取，在时相与空间位置上存在一定差异。其数据在使用前需要将不同波段校正至相同位置，此为校正第一步，本次研究以分辨率最高的可见光波段作为理论值，对其他波段进行校正。第二步，以Spot5数据作为理论值，对aSteR数据进行校正，校正误差在5个像元内。
4.3融合处理
利用pCi软件，独立融合模块panSHaRp对aSteR数据15个波段进行融合处理，处理结果如图2。
图2aSteR融合假彩色图像
4.4效果评价
通过融合处理，提高了图像的分辨率，城镇街道、乡村小路清晰可见，图3a；并从原始图像中提取了大量的信息，通过目视可以清楚的分辨图像中的河流、沙漠中的河道，界线清晰，图3b。本次融合达到研究的预期目标。
图3a融合后的小镇图3b融合后的河流
5结论
本次研究将aSteR和Spot5数据进行融合处理，在提供图像分辨率上取得很好的效果，并很好的保留了原始图像信息。但在评价方法上过于单一和主观，在今后的研究中，应多使用更加客观地评价方法，从而更精准、全面的对融合图像进行评价，为改进融合算法、提供融合效果提供依据。
参考文献
[1]郁文贤，雍少为，郭桂蓉．多传感器信息融合技术述评[J]．国防科技大学学报，1994，16(3)：1—11．
[2]孙洪泉，窦闻，易文斌遥感图像融合的研究现状、困境及发展趋势探讨[J].遥感信息,2011,1:104-108
[3]赵英时．遥感应用分析原理与方法(m]．北京：科学出版社，2003
[4]美]JohnR．Jensen著，陈晓玲，龚威，李平湘等译．遥感数字影像处理导论[m]．北京：机械工业出版社，2007．
[5]费鲜芸．高分辨率遥感影像在城市绿地信息提取中的应用研究[D]．山东，泰安：山东农业大学，2006．
[6]陈超.像素级遥感图像融合方法研究[J].信息技术，2008,5:30-34
高光谱遥感原理篇5
关键词:高光谱图像;遥感图像;神经网络;识别;分类
中图分类号:tp18文献标识码:a文章编号:1009-3044(2009)31-pppp-0c
applicationofHyperspectralimageClassificationBasedonneuralnetwork
SonGJun-jie1,GeZhi-guang1,Hanpu2
(1.ChinaUniversityofGeosciences,Beijing100083,China;2.nanyanginstituteoftechnology,nanyang473005,China)
abstract:Hyperspectralremotesensingimageisakindofnewtypeofremotesensingimages.inthispaper,theBpneuralnetworkmethodwasusingintheidentificationandclassificationofhyperspectralremotesensingimageforthelowidentificationaccuracyoftraditionalclassificationmethods,anditreceivebettereffectbyusingthesixmineralsamplestotraintheBpneuralnetwork.
Keywords:hyperspectralimage;remotesensingimages;neuralnetwork;identification;classification
随着成像光谱仪技术的发展,高光谱遥感图像逐渐成为遥感图像科学的前沿。然而,在光谱仪在遥感领域得到很大程度一应用的今天,鉴于高光谱图像所包含的海量数据信息,使得对高光谱图像的分析处理方法和以往的普通的遥感图像的处理方法有着很大的不同,所以对高光谱图像识别分类的研究已经成为遥感领域中主要的一个方面。
1高光谱遥感图像
高光谱遥感图像就是以电磁波理论为基础理论,依靠光谱仪作为硬件支持的前提下,收集到地表对太阳光的反射状况。这些状况由遥感器(光谱仪)记录下来之后就形成了高光谱遥感图像数据。也就是说高光谱图像是光谱仪对地物反射太阳光以后的能量信息。
所以说,高光谱图像特点是:图像信息丰富,图谱合一、波段多,图像分辨率高和适合定量分析等特点。根据这些图像特点,我们可以采用多种方法对高光谱这种新兴的遥感图像进行分析。
2神经网络
神经网络作为一种近些年发展起来的交叉学科,它是使用计算机来模拟人的神经系统的结构和功能,而建立的一种能够对问题进行分析和处理的信息处理系统。在神经网络中的主要组成部分就是神经元,正是这一个个神经元构建了整个神经网络系统,在计算机所模拟的神经网络中的每一个神经元又具有对立的数据分析和处理的能力,并且每一个神经元都有输入和输出,从而实现整个系统对数据的分析和传递。
如图1神经网络模型所示,神经元S有x1,x2,...,xn,n个输入条件和一个结果输出y;ω1、ω2和ωn分别代表了每个输出条件对神经元数据处理的权值。另外在这个模型中还要有一个阈值θ和神经元的状态μ,由它们来共同决定神经元的输出结果。每个神经元必须满足下列数学关系:
■(1)
y=F(S),其中F是神经元的功能函数。(2)
下面就是介绍在实际的高光谱遥感图像中运用神经网络对图像进行识别分类的应用与研究。
3神经网络在高光谱图像分类识别中的应用与方法实现
在高光谱遥感图像的研究分析中,图像的识别分类是主要的图像分析手段,但是鉴于高光谱遥感图像拥有海量的数据信息以及复杂的成像机理,特别是混合像元的存在,使得在使用传统的遥感图像分类技术时,得到的结果在精度上有很大的偏差。为了提高对这种图像识别的精度,本文利用神经网络――Bp网络模型这种方法对高光谱遥感图像进行分类。
Bp网络模型作为一种有反馈的、监督训练的多层神经网络。它的网络结构和一般的神经网络结构大致相同。也是由输入层、隐
(下转第8806页)
(上接第8795页)
含层和输出层组成,层间由各个神经元实现连接。Bp网络的基本的思想是:首先按随机给定的初始权值wij(表示神经元i到神经元j输入时达到的阈值),然后经过大量样本的训练直至达到要求的误差以后停止训练。当对样本训练结束以后就可以使用该神经网络解决实际问题。
Bp网络可以看成是一组输入到输出的高度非线性映射,其基本的数学模型为:
其中■,■,■分别代表输入层、隐含层、输出层的矢量,■,■,■1,■2分别表示隐含层和输出层、输入层和隐含层的连接权值和阈值;f(x)为网络激活函数,一般采用Signoid函数,即f(x)=1/(1+e-x)。
本论文中进行图像分类就是采用Bp神经网络这种网络结构,通过对图像进行特征提取,并且选择了六种矿石的光谱图像对样本进行样本训练,制定以像元在不同波段的反射率作为输入层的输入,而六种矿石作为网络的输出。
然后在第一个阶段(正向传播过程)输入信息从输入层经隐层逐层计算各单元的输出值;第二阶段(反向传播过程)由输出误差逐层向输入层方向计算出隐层个个单元的误差,并用此误差修正输入层权值。
4总结
通过实验表明,Bp神经网络对于高光谱遥感图型进行识别的精度有所提高,证明使用神经网络对高光谱遥感图像进行分类识别是一种有效途径和方法。但是由于本次实验的样本空间和图像特征选取还不充分合周全,影响到最终的识别精度,这有待于下一步的研究工作中解决。
神经网络的智能和反应敏捷,使得这种方法在高光谱遥感图像分类中和具有潜力,但是在样本训练等方面还需要作进一步的研究。
参考文献:
[1]童庆禧,张兵,郑兰芬.高光谱遥感――原理、技术与应用[m].北京:高等教育出版社,2006.
[2]浦瑞良,宫鹏.高光谱遥感及其应用[m].北京:高等教育出版社,2000.
[3]庄镇泉,王煦法,王东生.神经网络与神经计算机[m].北京:北京科学出版社,1992.
高光谱遥感原理篇6
1、遥感找矿技术概述
随着科学技术的持续发展和进步，国际、国内的地质矿产勘探工作都不一样程度地获得了非常大的技术支撑，地质勘探业快速崛起，遥感找矿技术已经变成一项相对成熟的地质找矿办法。
遥感找矿技术关键是指应用遥感技术实施地质矿藏的发现、开采等项目。这技术的理论支撑是遥感技术，依照光谱分为能见光遥感、红外遥感与微波遥感。遥感技术用于地质找矿作业，可以全面、客观地记录与分析矿山的物质成分与构造，使发现矿藏的几率与速度大大的提高与改善了，而且分析结果更加精确与合理。
遥感找矿技术关键是根据大地层中的各类物理化学物质所产生的反射、透射等物理作用而形成的电磁波，来传递各类地质成分的特点信息。通常来说，具备稳定的物理构造与稳定的化学性质的物质具有稳定的光谱吸收特征，而不同的矿物质又具有不同的电磁波辐射能力。在遥感找矿技术中，我们运用波谱仪等遥感设备对野外收集的样品实施光谱试验，得到数据并对其光谱曲线进行测量，再和资料库中的已知光谱实施对比，能够确定矿物质中所含有的各类成分，并进一步判断其含量和纯度。这样，我们就运用遥感找矿技术，成功地为决策者开发运用矿山资源供应了可靠资料。
2、在地质找矿中遥感技术应用的理论根据
遥感技术能够综合几种地质遥感信息，具备丰富的理论基础，与物理内涵，在地质找矿中发挥着至关重要的关键作用。在地质找矿中遥感技术的运用，具备方便定位、立体感强、丰富的信息量、多波段、宏观性等优点，运用遥感技术分析地质找矿中的遥感影像，综合含矿载体与含矿结构的光谱特点、纹理特点、构造特点与结构特征。地质构件状况直接关系着矿产资源的产出与形成，一般状况下，在煤系地层中储存煤矿资源，其光谱特点关键反映了岩石的特点种类、地质矿产资源的结构特点，运用遥感技术能够获得有关的环状与线性信息，全面的揭示地质矿产范围的地质系统结构。含矿结构的纹理特点与结构特点反映了地质矿产资源的岩石种类与地层层序的差异，不一样的矿物含量与成分反映了矿化的蚀变状况，一定规律的矿化蚀变组合经常指示着存在某种矿产资源的状况。
3、遥感在地质找矿中的应用
3.1地质构造信息的解译
地壳内部的内在活动原因是构造运动，它和变质事件、热事件、成矿作用关联在一起，而内、外生矿床的产生与分布都不一样程度地受必然地质结构事件的控制。地质结构在遥感图像上经常表现为线性和环形特点。线性特点，是像片上呈持续或断续的线状或带状展布的影像，其有一定规律性的空间分布型式。线性形迹关键指断裂与节理等结构，它控制着岩浆活动和矿液的运移、保存，对导矿、运矿、储矿起着关键的作用。环形结构在地壳中以近圆形的结构环带为特点，很多是地壳内部活动的表现，对产生火山型、热液型矿床关联严密。线性构造、环形构造和构造交叉位置，常常是成矿的关键位置。经过对遥感图像上色调、阴影、形状的研究能够更直观的看出研究区域的地质构造，对成矿预测有利。
3.2提取地质构造信息
通常状况下，地质矿产关键是由各类地质构造的不一样运动形成的。比如，火山或地震活动等。一般状况下，矿产的分布关键集中在各类地质构造边缘部位或形成变异的位置，非常多关键的矿产关键分布在不一样板块的结合部位或邻近边界的地带。从产生时间上分析，其相同地质构造的运动时间是维持同步的，矿床的分布会由于地质构造运动的改变而形成变化，而且，展现出了带状分布。凭借遥感技术从事找矿工作，关键就是运用这一特点实施找寻工作。像，在矿物质的产生区域，凭借线性影像对应的信息实施高效提取，同时，还能够对火山构造和盆地等地质影像资料实施合理的分析，并把找矿需要的有用信息从其中提取出，从而结合有关的影响原因，综合评定矿物的储备和种类等有关特点。
3.3植被波谱特点运用
一般状况下，矿场四周的地貌植被和所含有的矿物质具备一定的关联性，比如，金属元素随着时间的持续累积，会生成必然的微生物群落，而微生物同地下水等自然环境互相作用，会对地表的土层形成必然的作用，从而让地表发生一定的改变。地表的各类植被在吸收了含有金属元素的营养物质后，会产生一定的异变。当大面积发生异变后，凭借遥感技术对有关的信息实施有效地提取，从而分析出详细的金属元素，并借此判断这范围的矿物质储备等状况。
3.4识别地质岩石矿物
成矿的赋存条件多以特定的岩石组合与种类为物质基础，可见对于成矿而言，岩石的作用显而易见，而岩石、矿物本身的光谱特点也为运用遥感技术得到遥感信息用于辨别岩性供应了必要条件。一般用于识别岩性的办法关键为加强、变换、遥感图像分析，凭借图像中颜色、色调、纹理等加强后的差异性，最大限度的分开岩相、划分岩性组合或岩石种类，像岩浆岩、沉积岩、变质岩等。通常状况下，当处于8-14μm的波长时为热红外域，反映的是岩石、矿物光谱中的发射特点，当其处于0.4-2.5μm时则为能见近-短波红外域，反映的是岩石、矿物光谱中的反射特点。
遥感技术在识别岩石、矿物中的运用也相对常见，像某矿产运用aSteR热红外遥感技术提取了某边缘试验区的硅酸盐岩、碳酸盐岩、硅质岩的岩性；而Crosta则以研究地区内的蚀变特点与地质状况为根据，基于USGS矿物光谱数据库，创建了单矿物的识别规范，并运用aViRiS得到了遥感图像，从而把明矾石、白云母、高岭石等矿物提取了。由于以空间特点与地物光谱的差异性为基础的高光谱成像遥感技术具备数据量大、高的分辨率、超多波段等优点，其窄波段能用于矿物吸收特点的不同，配以重建地物光谱、量化并提取光谱特点、混合象元定量分析等，能完成对矿物岩石的有效区分，所以在识别岩石矿物中获得普遍运用。
高光谱遥感原理篇7
关键词：遥感；原理；分类；制图；应用
遥感，从广义来讲，就是指遥远的感知,非接触远距离的探测技术。从狭义来讲，指借助于专门的探测仪器（传感器），把遥远的物体所辐射（或反射）的电磁波信号接收记录下来，再经过加工处理，变成人眼可以直接识别的图像，从而揭示出所探测物体的性质及其变化规律。遥感技术指从高空到地面各种对地球观测的综合性技术系统总称。它由遥感平台、探测传感器以及信息接受、处理与分析应用系统等组成，周期性地提供监测对象数据和动态情报。遥感技术（RemoteSensing）是一门建立在空间科学、电子技术、光学、计算机技术、信息论等新的技术科学以及地球科学理论基础上的综合性技术，为现代前沿科学技术之一，具有宏观、动态、综合、快速、多层次、多时相的优势。在新技术迅猛发展的今天，遥感技术伴随着航空、航天技术的发展而不断提高与完善，服务领域因之而不断扩展，受到普遍重视，显示出极其广泛的应用价值、良好的经济效益和巨大的生命力。
一、遥感的基本原理
振动的传播称为波。电磁振动的传播是电磁波。电磁波的波段按波长由短至长可依次分为:γ-射线、X-射线、紫外线、可见光、红外线、微波和无线电波。电磁波的波长越短其穿透性越强。遥感探测所使用的电磁波波段是从紫外线、可见光、红外线到微波的光谱段。太阳作为电磁辐射源，它所发出的光也是一种电磁波。太阳光从宇宙空间到达地球表面须穿过地球的大气层。太阳光在穿过大气层时，会受到大气层对太阳光的吸收和散射影响，因而使透过大气层的太阳光能量受到衰减。但是大气层对太阳光的吸收和散射影响随太阳光的波长而变化。通常把太阳光透过大气层时透过率较高的光谱段称为大气窗口。大气窗口的光谱段主要有:紫外、可见光和近红外波段。地面上的任何物体（即目标物），如大气、土地、水体、植被和人工构筑物等，在温度高于绝对零度（即0°k=-273.16℃）的条件下，它们都具有反射、吸收、透射及辐射电磁波的特性。当太阳光从宇宙空间经大气层照射到地球表面时，地面上的物体就会对由太阳光所构成的电磁波产生反射和吸收。由于每一种物体的物理和化学特性以及入射光的波长不同，因此它们对入射光的反射率也不同。各种物体对入射光反射的规律叫做物体的反射光谱。遥感探测正是将遥感仪器所接受到的目标物的电磁波信息与物体的反射光谱相比较，从而可以对地面的物体进行识别和分类。这就是遥感所采用的基本原理。
二、遥感的分类
为了便于专业人员研究和应用遥感技术，人们从不同的角度对遥感作如下分类:
1、按搭载传感器的遥感平台分类根据遥感探测所采用的遥感平台不同可以将遥感分类为地面遥感和航天遥感。
2、按遥感探测的工作方式分类根据遥感探测的工作方式不同可以将遥感分类为主动式遥感和被动式遥感。
3、按遥感探测的工作波段分类根据遥感探测的工作波段不同可以将遥感分类为紫外遥感、红外遥感、微波遥感、多光谱遥感。
4、按遥感探测的应用领域分类根据遥感探测的应用领域，从宏观研究角度可以将遥感分类为外层空间遥感、大气层遥感、陆地遥感、海洋遥感等;从微观应用角度可以将遥感分类为:军事遥感、地质遥感、资源遥感、环境遥感、测绘遥感、气象遥感、水文遥感、农业遥感、林业遥感、渔业遥感、灾害遥感及城市遥感等。
三、遥感资料的制图应用
1、航天遥感制图
所谓航天遥感是指以航天器为传感器承载平台的遥感技术。航天遥感实践中，针对具体应用需求，选择不同的传感器如：成像雷达、多光谱扫描仪等，通过卫星地面站获取合适的覆盖范围的最新的图像数据，利用遥感图像专业处理软件对数据进行辐射校正、增强、融合、镶嵌等处理，同时，借助应用区域现有较大比例尺的地形数据，对影像数据进行投影变换和几何精纠正，并从地形图上获得境界、城市、居民点、山脉、河流、湖泊以及铁路、公路等典型地貌地物信息和相应地名信息，进行相应的标注和整饰，制作数字正射影像图。
航天遥感制图不仅在国土资源调查、土地利用监测、城市规划监测、重点风景名胜区监测中有了典型应用，而且，国家863计划信息获取与处理技术主题重大课题还开展了利用分辨率为0.61m的QUiCKBiRD卫星影像进行城市大比例尺地形图的更新研究。此外，高分辨率卫星遥感影像还可提供立体像对，可用于直接生成Dem数据，甚至可以进行大比例尺地形图的获取与更新测绘。
2、航空遥感制图
所谓航空遥感是指以航空器如飞机、飞艇、热气球等为传感器承载平台的遥感技术。根据不同的应用目的，选用不同的传感器：如：航空摄影机、多光谱扫描仪、热红外扫描仪、CCD像机等，获取所需资料包括：航摄像片和扫描数据。其制图应用一般包括两大方面：
（1）摄影测量制图
在测绘领域中，摄影测量学已经是一门从理论到实践都非常成熟的学科。在我国应用摄影测量的原理和方法测绘地形图有相当长的历史。目前，1:5000及其以下小比例尺地形图的测绘，基本上都采用摄影测量方法施测。计算机技术的发展给摄影测量制图带来了新的发展和变化，不仅在内业测图仪器上实现由测绘线划图到直接测绘数字地形图的转化，而且诞生了抛开了传统的摄影测量仪器设备，以软件实现地形数据采集与处理的数字摄影测量技术，这无疑是摄影测量技术发展史上的一次革命。
（2）正射影像图制作
正射影像图是一种既具有地物注记、图面可量测性等常规地形图的特性又具有丰富直观的影像信息的一种图件，是将航摄像片的中心投影经过机械式的或数字式的纠正转变为正射投影形式而生成的影像图件。正射影像图制作的优势在于，生产周期短、成本低。正射影像图分为“常规正射影像图”和“数字正射影像图”两大类，前者是通过影像拷贝和正射投影仪纠正工艺，以纸基或胶片基承载的平面型影像图件。后者则是应用数字摄影测量技术和工艺制作的以数字形式存在的影像图件，可以方便地输出成纸基或胶片基图件。目前，由于计算机技术和影像处理技术的发展，以数字形式存在的影像图件在生产技术上日趋成熟并不断完善，已经占据主导地位，并与方兴未艾的城市GiS技术相得益彰，应用广泛。特别是数字影像图在色彩处理方面的优越性，使其更具应用价值。
高光谱遥感原理篇8
农作物遥感识别是遥感技术在农业领域应用的重要内容,也是资源遥感的重要组成部分。植被光谱不仅具有高度相似性和空间变异性,而且具有时间动态性强等特点。不同植被的光谱随时间的变化规律也具有明显的区别,因此充分发挥高光谱遥感的独特性能,特别是其在区分地表细微差别方面的优势,同时结合植被的时间动态特征,将大大提高土地覆盖类型的识别与分类精度。熊桢等基于获得的常州水稻生长期80波段pHi航空高光谱图像,利用混合决策树方法对水稻品种进行了高光谱图像精细分类,完成了对11种地物(其中6个水稻品种)的划分,测试样本的分类精度达到94.9%[7-8]。林文鹏等以中国华北地区冬小麦识别为例,利用moDiS自身光谱信息,即可实现作物遥感全覆盖自动识别,并可达到较高的精度,比传统方法认为的冬小麦遥感识别的最佳时间(返青期的3月份)提前约一个季度[9]。刘亮等以北京顺义区为研究区域,利用高光谱遥感数据,通过逐级分层分类方法进行农作物信息提取与分类,并对分类图进行了随机抽样检查,各种农作物的分类精度均达到95%以上[10]。刘良云等利用omiS图像的波段20(中心波长为687nm)和波段35(中心波长为853nm)计算了归一化发射率方法反演得到的试验区的地物表面温度(LSt),进而在nDVi-LSt空间生成了6类典型地物(生长旺盛小麦、较稀疏小麦、池塘水体、淤泥湿地、水草、土壤)的散点图,并采用最大似然分类算法,根据地物表面温度和归一化植被指数,利用上述6类地物样本,对北京小汤山精细农业示范区的omiS遥感图像进行了分类,得到了较好的分类结果[11]。以上研究结果表明,高光谱遥感技术能有效地对作物进行分类和识别,且分类精度较高,这对于大比例尺尺度上研究地表作物覆盖,提取更加细致的信息提供了有力保障。
2高光谱遥感监测作物叶面积指数、生物量和叶绿素含量
叶面积指数(Lai)通常是指单位面积土地上所有叶片表面积的总和,或单位面积上植物叶片的垂直投影面积总和。它是生态系统的一个重要结构参数,可用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应,为植物冠层表面物质和能量交换的描述提供结构化的定量信息[12]。叶面积指数与生物量(干重、鲜重)和叶绿素是衡量作物生长状况的重要指标。如何利用遥感技术实时监测植株叶面积、生物量和叶绿素,对于作物的管理调控及估产具有重要意义。王秀珍等[13]采用单变量线性与非线性拟合模型和逐步回归分析,建立了水稻Lai的高光谱遥感估算模型,提出高光谱变量与Lai之间的拟合分析中,蓝边内一阶微分的总和与红边内一阶微分总和的比值和归一化差植被指数是最佳变量。黄春燕等利用棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术与光谱微分处理技术,建立了基于植被指数和归一化植被指数的5种函数形式的棉花干物质积累估测模型[14]。唐延林等测定了不同品种类型、不同株型、不同发育期的春玉米叶片及其他器官、不同叶位叶片及叶片不同部位的高光谱反射率和叶片叶绿素、类胡萝卜素含量,提出叶片叶绿素和类胡萝卜素浓度与光谱植被指数R800/R550、R673/R640、pSSRa、pSnDa、RCh、CaRi、λred、Dλred和Sred极显著相关[15]。吴长山等对早播稻、晚播稻和玉米的多时相群体光谱测量数据和相应的叶片叶绿素密度测量数据进行了相关性分析,结果表明早播稻、晚播稻和玉米的群体光谱反射率数据及其导数光谱数据与叶绿素密度具有很好的相关性[16]。tumbo等指出玉米V6生长阶段的叶绿素水平是其氮含量的重要指示器,利用光谱反射建立的模型可稳定地预测玉米在V6生长阶段的叶绿素水平[17]。金震宇等获取了水稻生育期的光谱反射率数据,并利用SpaD-502叶绿素仪测量对应叶片的叶绿素浓度,对光谱数据和实际测量值进行了相关性分析,发现水稻叶片叶绿素浓度与其光谱反射率具有相关性,且在450~680nm和750~770nm光谱区内相关性较好,在686nm处两者的相关性最高;水稻叶片的“红边”拐点位置波长与其叶绿素浓度具有很强的相关性(复相关系数为0.88)[18]。Shibayama等利用多元回归方法分析了水稻多时相的可见光、近红外和中红外光谱与叶面积指数、干生物量及产量的关系,并研究了水稻冠层的可见光、近红外和中红外反射光谱,进而评价水稻的缺水情况,结果表明,其一阶导数光谱在960nm处与水稻冠层水分指数具有很高的相关性,可用于指导灌溉作业[19]。由以上研究结果可知,利用高光谱数据可以及时估算及预测作物的生物量、叶面积指数、叶绿素等生理参数。目前,光谱特征正成为实时、快速监测作物长势的有效手段。
3高光谱遥感监测作物养分及水分状况
在农作物生产中,水肥是影响作物生长的最主要因素之一。氮磷钾肥是作物生长和产量形成所必需的重要元素;水分是作物的主要组成成分,水分亏缺将直接影响作物的生理生化过程和形态结构,从而影响作物生长。因此,及时准确地监测作物的水分状况对提高作物水分管理水平、指导节水农业生产具有重要意义。利用高光谱遥感技术对作物矿质营养和水分胁迫进行监测,进而估算作物的营养和需水状况,从而指导施肥灌溉,是近年来发展起来的一门新技术。tomas等研究表明,氮、磷、钾等元素的缺乏可导致小麦叶绿素含量降低和可见光(400~700nm)及近红外波段(700~1100nm)光谱反射率增加[20]。唐延林等研究了不同供氮水平下2个水稻品种冠层、主茎叶片在不同发育期的高光谱反射率及对应的叶绿素、类胡萝卜素含量,结果表明,不同供氮水平的水稻冠层和叶片光谱差异明显,其光谱反射率随供氮水平的提高在可见光范围内降低,在近红外区域增高[21]。冯伟等研究了小麦叶片氮积累与冠层高光谱参数的定量关系,结果表明,冠层叶片氮积累量随着施氮水平的提高而增加,光谱反射率在不同叶片氮积累水平下发生相应变化[22]。黄春燕等利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,并应用光谱多元统计分析技术对光谱数据进行了分析计算,结果表明,基于高光谱数据的棉花冠层叶绿素密度的遥感估测可间接用于棉花冠层叶片氮积累量的监测研究[23]。吴华兵等分析了不同施氮水平下不同棉花品种叶片氮积累量与冠层反射光谱的定量关系,建立了棉花叶片氮积累量的敏感光谱参数及预测方程,结果显示,棉花叶片氮积累量和冠层高光谱反射率均随施氮水平的变化而变化[24]。milton等通过水培试验发现大豆缺磷导致红、黄波段的反射率增加,且无红移现象发生[25]。王珂等研究表明,580~710nm和750~950nm波段可作为检测水稻钾营养水平的冠层光谱敏感波段[26]。谷艳芳等测定了不同水分胁迫下冬小麦的高光谱反射率和红边参数,结果表明,不同水分处理下冬小麦高光谱反射率具有绿色植物特征[27]。Ramalingam等利用多光谱图像传感器对叶面水分进行了测量,获得了可见光(400~700nm)、短波近红外(700~1300nm)和近红外(1300~2500nm)区域的叶面反射光谱,并采用光谱背景补偿技术提高了叶面水分的预测精度[28]。其研究发现,可见光、近红外区域受背景影响较小,而短波近红外区域受背景影响较大。孙莉等分析了水分胁迫下新疆北部地区棉花冠层关键生育期的高光谱数据,结果表明,红边位移现象结合红边幅度变化可用于诊断棉花水分胁迫,其关键是建立相应合理的诊断指标体系[29]。以上大量研究结果表明,利用高光谱遥感技术可以对作物的营养状况和水分含量进行比较准确的分析和检测,为变量施肥和灌溉提供参考,从而节省农业资源的投入。高光谱养分和水分诊断模型在农业生产中具有较高的应用价值和广阔的应用前景。
4农作物长势监测和估产
高光谱遥感的超多波段(几十、上百个)和高分辨率(3~20nm)使其可用于探测植被的精细光谱信息(特别是植被各种生化组分的吸收光谱信息),反演植被各生化组分的含量,监测植被的生长状况。另外,还可通过高光谱信息监测植物病虫害。植物病虫害监测是通过监测叶片的生物化学成分来实现的,病虫害感染导致叶片叶肉细胞的结构发生变化,进而使叶片的光谱反射率发生变化。minghuaZhang等研究了西红柿在晚疫病胁迫下的叶片光谱反射率,结果表明,近红外区域,特别是0•7~1.3μm对病虫害的反应比可见光波段更敏感,健康植物和受病虫害影响的植物可见光波段光谱反射率仅相差1•19%,而近红外波段两者光谱反射率差值达到10%[30]。蔡成静等研究发现,同种健康小麦和发生条锈病的小麦植株(包括病害处于潜伏期的植株)的光谱特征存在明显差异,而这些差异主要体现在某个或某几个光的光谱吸收带上[31]。同时,蔡成静等对不同病情指数下小麦冠层的光谱进行了研究,发现小麦条锈病冠层反射率随小麦病情指数的变化呈明显而有规律的变化[31]。乔红波等分析了不同严重度小麦白粉病冠层光谱反射率及病情指数,结果表明,灌浆期地面光谱测量冠层光谱反射率和低空遥感数字图像反射率与小麦白粉病病情指数存在显著的相关关系[32]。乔红波等研究了发病小麦冠层的高光谱遥感数据特征,获得了近地和对应高空2个不同平台的光谱数据,经比较分析,发现高空获得的光谱反射率在可见光谱区域明显大于近地获得的光谱反射率[33]。吴彤等利用地面高光谱数据,分析和比较了正常生长芦苇和受蝗虫危害芦苇的冠层反射光谱和高光谱特征,并建立了高光谱特征参数与芦苇叶面积指数(Lai)的关系模型,结果表明,虫害光谱指数(DSi)最能反映研究区芦苇受蝗虫危害的程度[33]。利用遥感信息进行作物估产是利用某种植被指数在作物生长发育关键期内的和与产量的实测或统计数据间建立的各种形式的相关方程来实现的,如目前单产估算应用较多的是回归分析法,其基本原理为:y=b0+b1x1+b2x2+b3x3+…+bixi+e式中,y为作物产量;xi为经过平滑的光谱反射率或nDVi指数[34]。唐延林等结合水稻的生长发育规律,对水稻抽穗后冠层、叶片和穗进行了高光谱反射率测定,根据光谱曲线特征构建了新的高光谱植被指数,利用相关分析方法分析水稻理论产量和实际产量与这些植被指数及冠层红边参数的相关关系,建立了水稻高光谱单产估算模型[35]。白丽等结合棉花生长发育规律,对棉花各时期冠层的高光谱反射率进行了测定,并根据光谱曲线特征构建了高光谱植被指数,基于棉花盛蕾期至吐絮后期7次地面光谱和产量测定,对光谱反射率与产量进行了统计分析,结果表明,各生育期可见光波段、近红外波段及短波红外波段光谱反射率与产量分别呈显著负相关、显著正相关与显著负相关,在此基础上建立了棉花高光谱估算模型[36]。从上述研究结果可知,利用高光谱遥感技术可以快速、简便、大面积、无破坏、客观地监测作物的长势并对作物进行估产,高光谱遥感技术在生产中具有良好的应用前景,是农作物长势监测和估产的主要发展方向。
5问题和展望
利用高光谱遥感技术获取作物的相关信息是探测作物营养状态和长势信息的有效手段,但从目前国内外研究情况来看,很多研究仍停留在前期阶段,很多问题尚需解决。
(1)目前,高光谱遥感在农业生产上的应用主要集中在作物个体生长状况与作物叶片光谱关系的研究上,对作物群体的高光谱研究很少,因此高光谱遥感还不能在农业生产中大量应用。
(2)由于作物生长环境的复杂性,遥感成像过程带来的同物异谱、同谱异物现象非常普遍。这是长期困扰遥感应用的一大问题,解决此问题是高光谱遥感广泛应用于农业生产的关键。
高光谱遥感原理篇9
关键词水稻；种植信息；遥感提取；辽宁地区
中图分类号tp79；S511文献标识码a文章编号1007-5739（2015）15-0258-02
水稻是辽宁省境主要粮食作物之一，辽宁省也是我国主要粳稻产区，粳稻播种面积约占全国总面积的10%，常年水稻种植面积6000km2以上，稻谷总产量450万t。依据气候资分布、耕作栽培和生产水平情况，可将辽宁省稻作区划分为4块区域：辽河平原三角洲、辽宁中部平原、东南沿海以和辽宁北部区域。其中中部平原区域资源丰富，土壤肥沃，地势平坦，是水稻种植主要区域，稻田面积占全省70%以上[1]。及时了解水稻种植面积、长势等信息可以为宏观监测区域水稻生产情况、加强农作物的生产和管理、粮食产量预估以及粮食价格走势预测提供依据，为有关部门制定科学有效的粮食政策提供帮助。
卫星遥感技术可以为农业生产监测提供有效的技术支持和保障，可以提供准确、实时的作物生长信息以及周边的环境信息，是目前精细化农业田间获取数据的主要方法之一[2]。分析水稻遥感识别的最佳时相，有利于水稻种植信息的精确获取[3-4]。分析水稻各生育期冠层光谱与其他地物光谱差异，寻求水稻种植信息遥感识别的最佳时相。
1材料与方法
1.1供试材料
水稻种植试验的主要目的是观察不同品种、不同生育期水稻光谱反射特性。试验田位于辽宁省沈阳市苏家屯区。于2014年5月中旬开始播种，共3个品种（辽优7362、辽星1、辽73）；行、株距为17cm×14m，田埂宽25～30cm，水渠宽1.5m。试验田采用大田管理方式。
1.2测定方法
光谱测定采用aSD-terraSpec，参考板选用40cm×40cmBaSo4白板。观测日期选在水稻各生长发育期时晴朗无风或微风日，测量水稻各生育期的冠层光谱数据。测定时间为北京时间10：00―12：00。测量期间每隔15min进行1次参考板测定。为减少观测者主观或客观因素导致的数据失真，观测结束后，对每点的光谱观测数据进行人工筛选，剔除异常值后，求算剩余数据的平均光谱反射率，作为该点该次测量的光谱信息数据，以减小误差。
2结果与分析
2.1水稻光谱特征分析
2.1.1不同品种水稻反射光谱分析。分析了不同水稻品种间光谱反射率的差异，并以分蘖期为例说明（图1）。3个品种水稻在波长范围350～700、750～2500nm均出现一定的差异性。其中辽73品种可见光部分反射率高于辽星1和辽7362，后两者相近；750nm处反射率均显著增加；辽7362红光-短波红外波段光谱反射率最高，辽73最低。3个品种光谱曲线变化趋势一致。
2.1.2水稻不同生育期反射光谱。水稻各生育期之间的观测反射光谱存在一定的差异性（图2）。水稻生长初期，稻田以水体为主，可见光部分反射率高，而红光-红外光反射率低。随水稻植株生长，植株叶片对可见光的吸收逐渐增加，光谱反射率降低，而红光-红外光的吸收率明显降低，反射率增加。拔节期之后，水稻冠层光谱变化程度小，在可见光部分，反射率抽穗期>孕穗期>拔节期，而红光至短波红外区域，光谱反射率差异小。
2.1.3不同下垫面光谱反射率。水稻插秧―返青期、抽穗期冠层反射光谱和其他地物差异性（图3）。水泥路面光谱反射率随波长增加而增加，对可见光、近红外和短波红外波段反射明显。水稻幼苗期在光谱测量时呈现稻田背景特征，即与浅水层光谱反射率变化趋势相似，但反射率高于浅水层，在近红外、短波红外波段最为明显。草地和水稻孕穗―抽穗期反射光谱近似，在红光波段有一个明显上升的陡坡，在近红外、短波红光波段有明显的反射峰。
2.2水稻最佳识别时相分析
在水稻发育期的选择上，由于水稻各生长阶段中，其生物量和冠层以及冠层以下地表条件变化，反射光谱特性存在显著差异。通过光谱库的统计对比，可以发现：水稻移栽期的光谱特征和周围地物多光谱特征区分较为明显，但与水体差异较小。水稻孕穗―抽穗期时，光谱特征与水体差异最明显，但与植被光谱差异小。因此，单独使用某一时期的遥感影像不能精确提取水稻种植信息。结合辽宁地区气象要素，水稻孕穗―抽穗期时，辽宁地区晴朗无云日出现次数较拔节期增加。
3结论
本研究认为水稻移栽―返青期和孕穗―抽穗期为水稻遥感信息识别的最佳时相，在波段选择上选取受水稻生长影响变化显著的可见光部分、近红外波段以及与水分含量相关的短波红外波段[5-6]。
4参考文献
[1]侯守贵，隋国民，马兴全，等.辽宁省水稻产业发展现状及展望[J].北方水稻，2012（5）：70-73.
[2]郑宇鸣，孟波，刘振环，等.“3S”集成技术在精细农业中的应用[J].农机化研究，2011（8）：219-222.
[3]陈静.黑龙江省水稻种植信息遥感技术探讨[J].农村实用科技信息，2014（1）：33.
[4]赖格英，杨星卫.南方丘陵地区水稻种植面积遥感信息提取的可行性分析[J].遥感技术与应用，1998，13（3）：1-7.
高光谱遥感原理篇10
关键词：遥感技术；地质勘查找矿；应用
中图分类号：C35文献标识码：a
引言
矿场资源是众多自然资源的一种，是人类来意生存的重要的物质资源。由于我国人口基数较大，对矿产资源的使用量需求较高，所以，如何有效开发利用、合理使用、以及后备资源的补充等方面的研究逐渐成为我国研究的重点。经济的发展提高了矿产资源的需求量，同时推动了找矿工作的发展。在地质找矿中运用遥感技术，主要是通过获取遥感信息，提取岩石中的矿物信息，并进行成矿分析，减轻了地质找矿工作的难度，有利于提高地质找矿工作的效率和质量。
一、遥感技术在地质找矿中的运用
1、遥感识别岩石矿物
成矿的赋存条件和物质基础是岩石组合和类型，岩石在成矿过程中具有十分重要的作用，遥感技术能够提前岩石矿物信息，研究矿物的光谱特征，遥感技术中的数据提取技术能够提取岩性信息。对图像进行增强、变换和分析，能够使图像颜色增强，色调、纹理差异明显，从而区分出不同类型的岩石及其岩性组合。同时，遥感技术的矿物识别功能在地质填图中也发挥了重要作用。通常，适合对矿物的光谱特征进行研究的大气窗口有两种：0.4-2.5μm，反映了岩石的反射光谱特征；8-14μm，反映岩石的发射光谱特征。遥感技术识别地物依靠其空间特征和地物光谱的差异，高光谱遥感技术的分辨率很高、波段巨多、数据量大，其窄波段能够对不同岩石的吸收特征进行区分，并提取、量化、重建岩石的光谱特征，识别混合象元的模型并进行分解分析，区分出岩石矿物的不同。如今，我国将遥感技术的岩性识别功能多应用在岩石裸露率高、植被稀少的地区，在植被覆盖较多的区域运用较少，对遥感识别岩性技术的研究重点是高光谱和多光谱提取岩性信息。
2、提取矿化蚀变信息
遥感技术在地质找矿中的应用主要是提取地质信息，而岩石的蚀变信息是其中的重要内容。围岩蚀变是围岩和含矿热液相互作用产生的，围岩相应的矿床类型、化学成分与蚀变类型密切相关。通常，围岩蚀变范围超出矿化范围，因此围岩蚀变是找矿的有效标志。围岩蚀变的常见类型包括绢云母化、硅化、褐铁矿化、云英岩化、矽卡岩化和青磐岩化等。岩石矿化蚀变后会与正常岩石在颜色、结构和种类方面形成差异，导致岩石反射光谱差异，蚀变岩石的光谱波形出现异常，为遥感技术提取图像信息提供了科学依据。所以利用遥感技术能够识别图像异常，找出准确的围岩矿化蚀变区域和开采位置。现阶段，我国大多使用aSteR、etm+数据和遥感微波数据等作为数据源，其中etm+数据源应用最多，将该数据作为信息来源，通过彩色图像合成法对单波段的图像进行分类，并提取区域生金矿的蚀变信息，从而有效圈定异常矿化蚀变信息，结合野外验证工作，能够发现矿化蚀变带；此外，利用etm+数据，对图像实施大气校正、几何校正等预先处理，并通过掩膜方法提取了矿化蚀变信息，从而发现了多个金、铜矿点。
3、提取地质构造信息
地质构造信息也是地质信息的重要组成部分。通过户外地质观察发现，矿化蚀变区域是沿着地质构造分布。成矿的主要条件即地质构造，对内生矿床作用显著。提取的主要地质构造信息是环形影像和线性影像。构造环境不同导致提取出的成矿信息不尽相同。例如，不同区域的破碎断裂带、节理带的线状信息、火山盆地、热液活动、深成岩浆等环状信息、赋矿岩层、矿源层等带状信息、蚀变、矿化等色块、色带、色环异常信息。通过多波段数据，能够综合解译矿区构造信息，从而确定矿区的成矿构造和成矿环境；结合几何学方法，定量分析矿区线性构造，能够确定成矿远景区。遥感技术具有成像模糊功能，能够使研究区域的线性纹理和形迹逐渐清晰，拉伸遥感影像的灰度、增强图像边缘、进行比值分析、方向滤波、卷积运算后，突显出了构造信息。同时，通过分辨率较高的卫星数据，能够使构造信息更加清晰。统计分析解译的环形或线性影像，并结合物探、化探等相关资料，能够明确成矿构造的特征及其分布；通过数学统计方法，能够分形解译出遥感图像的线性构造，验证内生金属矿与线性构造之间的分布规律，从而明确找矿靶区；利用地质构造、水系特征、地表岩性、植被分布、山谷地貌等信息，能够提取出地质构造隐伏信息。
4、利用植被波谱特征确定找矿位置
地下水和微生物能够引发地表矿化岩石结构和成分的变化，从而改变岩石上覆盖的土壤成分。遥感技术的利用生物化学方法确定找矿位置的原理是：植物生长会吸收岩石和土壤中蕴含的矿物元素，矿物元素与植物生物循环共同作用，形成植物组织，对植物酶的活性具有直接影响。当植物体内重金属积累超过阈值后，便会出现毒化作用，对植物生存必要的生命元素的吸收产生抑制作用，使植物在生态和生理方面出现变异。这些变异使植物的光谱反射率以及光谱波形变化异常，反映在在遥感图像上，则呈现出色彩、色度和灰度的变化，而遥感技术则能够提取或探测出这些特征。
5、提取多光谱遥感蚀变信息
多光谱遥感技术具有多光谱摄影和系统扫描的功能，对不同普段的电磁波谱进行摄影遥感，从而获取植被和其他地物的影像。多光谱遥感能够影像的结构和形态差异或光谱特征对不同地物进行判别，增加了遥感信息量。多光谱遥感由于空间分辨率和波谱分辨率的影像，其数据源在地质找矿运用中受到一定限制，但是新的数据源出现为地质找矿提供了更加有效的信息。其中，aSteR遥感数据具有较多波段、更高的空间分辨率和更窄的光谱范围，在提取矿化信息时具有显著优势。需要重视的是，单一数据源只能够反映出目标地物的单一特征，在判别地物时并不准确，集中多源数据，能够汇总有效信息，剔除无效信息。数据源集中包括遥感数据之间和遥感与非遥感数据融合。目前，遥感找矿中应用最为广泛的是物探、化探和多光谱的融合。
二、遥感技术在找矿工作中的利用
1、线性构造与成矿之间的关系
通过对线性结构进行分析，需找成矿的可能性地质地貌所形成的线性构造，会对成矿有一定的影响。通常情况下，在地质地貌发生变化比较大的地区会出现矿产，比如巨型断裂带。但是，很多具有工业远景的矿床主要分布在平行的次级断裂以及节理带之中。通过感知地形结构，对矿区的特点进行分析在利用遥感图像中，可以得知，岩浆区中的矿床一般会存在与剪切应力场的拉张区域，在利用遥感技术进行技术处理，可以使人们的目光锁定在该区域之内，对拐点的附近进行勘察，从而减少时间与精力。
2、环形构造影像与成矿之间的关系
影像环形构造是由航天遥感图像发现的，并且与矿产有着相应的联系。在与矿产形成密切关系的影响环形构造中，很多原因是与岩浆有着密切关系的，因此导致找矿的意义有所不同。除此之外，岩浆侵入中造成环形体的重要因素为金属矿产，由于岩浆在侵入的时候会引起围浆的变化，往往会导致边界变得模糊。影像线性体与环形体之间相互依存的关系为找矿工作提供了理论基础，具有复合的关系。