摘要
近20年来，高光谱遥感技术（Hyperspectral Remote Sensing）发展迅速，已成为遥感技术的前沿，而矿物识别和矿物填图是高光谱遥感应用中最成功的领域。高光谱遥感有许多不同于宽波段遥感的性质,各种矿物和岩石在电磁波谱上显示的诊断性光谱特征可以帮助人们识别不同矿物成分,高光谱数据能反映出这类诊断性光谱特征从而进行岩石矿物的分类和填图，并为矿产资源评价与矿山环境监测提供靶区，指导进一步矿勘探和环境监测工作的开展。 本文首先介绍了高光谱遥感技术的特点、优势、存在的问题和发展趋势，并概述了高光谱遥感技术在矿物填图方面国内外的研究现状，之后详细阐述了高光谱技术在矿物识别和矿物填图方面的应用。
关键词：高光谱遥感技术 矿物识别 矿物填图
目录
高光谱遥感在矿物填图中的应用 1
一、引言 3
二.高光谱遥感技术 3
2.1高光谱遥感技术的特点 3
2.2高光谱遥感技术的优势 3
2.3高光谱影像应用中面临的难题 4
2.4高光谱遥感技术发展趋势 4
二．国内外研究现状 4
3.1 国外对高光谱在矿物识别和矿物填图中的应用研究 4
木薯干3.2国内对高光谱在矿物识别和矿物填图中的应用研究 5
三．高光谱在矿物识别中的应用 5
玻璃精雕机4.1基于单个诊断性吸收的特征参数 5
4.2基于完全波形特征 5
4.3基于光谱知识模型 6
四．高光谱在矿物填图中的应用 6
5.1光谱波段降维 6
5.2光谱匹配技术 7
5.3 端元选择 7
5.3.1基于先验知识的端元选择 7
5.3.2基于图像纯净像元的端元选择 8
恶劣的太阳5.4 矿物填图 8
五．结语 8
六．参考文献 8
电脑美甲机一． 引言
高光谱遥感技术起源于20世纪80年代，由于高光谱图像具有很高的光谱分辨率，能够提供更为丰富的地面信息(可直接识别地物或地物组分)，因此受到国内外学者的广泛关注。随着成像光谱仪的光谱分辨率和空间分辨率的不断提高，高光谱遥感广泛地应用于地质调查、植被研究、海洋遥感、农业遥感、大气及环境遥感等领域中，并发挥越来越重要的作用。其中区域地质制图和矿产勘探是高光谱技术主要的应用领域之一，也是高光谱遥感应用中最成功的一个领域。高光谱遥感在地质应用中主要体现在矿物识别与填图、岩性填图、矿产资源勘探、矿业环境监测、矿山生态恢复和评价等方面。矿物填图是实现我国传统的遥感地质填图由岩性填图到矿物填图最重要也是最关键的一步，其中矿物识别以及识别的种类和精度将关系到矿物填图的成败。同时，矿物识别也是高光谱地质应用的基础和核心，从宏观和区域上为地质应用提供地物组成分布的物质信息，实现遥感地质应用由多光谱的定性描述向高光谱定量物质组成鉴别的飞跃。[1]
二.高光谱遥感技术
成像光谱仪能获取许多波段狭窄且连续的影像,光谱分辨率达到纳米级。利用高光谱数据反演得到的地物反射光谱特征,能研究地球表面物体的分类、物质的成分、含量、存在状态、空间分布及动态变化。
2.1高光谱遥感技术的特点
与传统的全、多光谱遥感影像相比较,高光谱影像具有以下特点：
a) 光谱响应范围广,光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外,甚至到中红外;光谱分辨率达到纳米级。
b) 光谱信息与图像信息有机结合。在高光谱影像数据中,每一像元对应于一条光谱曲线,整个数据是光谱影像的立方体,具有空间图像维和光谱维。
c) 数据描述模型多,分析更加灵活。高光谱影像通常有三种描述模型: 图像模型、光谱模型与特征模型。
d) 数据量大,信息冗余多。高光谱数据的波段众多,其数据量巨大,而且波段之间相关性大。
2.2高光谱遥感技术的优势
高光谱遥感的光谱分辨率的提高,使地物目标的属性信息探测能力有所增强。因此,较之全和多光谱遥感,高光谱遥感有以下显著优势：
a) 蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建,能获取地物近似连续的光谱反射率曲线,与地面实测值相匹配,将实验室地物光谱分析模型应用到遥感过程中。
b) 地表覆盖的识别能力极大提高。高光谱数据能够探测具有诊断性光谱吸收特征的物质,能够准确区分地表植被覆盖类型、道路的铺面材料等。
c) 地形要素分类识别方法灵活多样。影像分类既可以采用各种模式识别方法,如贝叶斯判别、决策树、神经网络、支持向量机等,又可以采用基于地物光谱数据库的光谱匹配方法。分类识别特征,可以采用光谱诊断特征,也可以进行特征选择与提取。
d) 地形要素的定量或半定量分类识别成为可能。在高光谱影像中,能估计出多种地物的状态参量,提高遥感高定量分析的精度和可靠性。
2.3高光谱影像应用中面临的难题
高光谱影像在应用的过程中,还面临着以下关键技术需要解决:
a) 高光谱影像光谱重建技术。高光谱影像记录的DN值,根据成像光谱仪的辐射定标、光谱定标数据,经过各种辐射校正,反演出地物反射率,这是高光谱遥感定量分析的基础。
b) 高光谱影像分类识别技术。传统影像分类算法中渔网,如最大似然估计、神经网络等都是基于大数定理,高光谱影像维数高、波段相关性大,会遇到“维数灾难”现象,需要研究面向高光谱影像的分析方法。
c) 海量影像数据的存储与计算。高光谱影像数据量大、相关性强,面临着数据压缩问题;影像分析处理的过程中,需要巨大的计算资源。
2.4高光谱遥感技术发展趋势
伴随着成像光谱技术的逐渐成熟,高光谱影像分析研究的不断深入,应用领域日益广泛,高光谱遥感技术发展呈现出了以下趋势:成像光谱仪的光谱探测能力将继续提高,成像光谱仪获取影像的空间分辨率逐步提高,正由航空遥感为主转为航空和航天遥感相结合阶段,燃油调压阀逐步从遥感定性分析阶段发展到定量分析阶段,应用范围越来越广,应用研究日益深入。[2]
二． 国内外研究现状
3.1 国外对高光谱在矿物识别和矿物填图中的应用研究
国外在此方面的研究较早。Kures等在1984年和1985年，利用3条航带的成像光谱数据进行了蚀变矿物填图试验。提取2种类型的蚀变矿物；Huguenin等利用不同阶数的微分光谱提取吸收波段位置信息，收到较好效果；Meer通过建立交叉相关光谱匹配技术，利用AVIRSI数据和实验室光谱对美国内华达州Cpurite地区进行地表矿物识别研究;Crosta等根据区内地质情况和蚀变特征，以USGS标准矿物光谱数据库为标准，结合矿物在岩石中光谱变异特征，建立单矿物识别规则，从AVIRIS图像中提取白云母、方解石、高岭石、明矾石、绿泥石及玉髓等矿物;Kruse等在美国加州和内华达的Grapaevine北部山区利用绢云母在2.21μm，2.25μm和2.35μm的特征吸收，对石英——绢云母——黄铁矿蚀变带进行地质填图。利用蒙脱石在2.21μm的特征吸收确定包含蒙脱石的泥质蚀变带;Chbarilalt等利用辉石在1μm附近的电子跃迁吸收，用航空高光谱数据进行地质填图和岩石鉴别。
3.2国内对高光谱在矿物识别和矿物填图中的应用研究
国内也开展了类似的研究。谢红接等运用MASI数据做了试验性研究工作，提取了研究区域的铀矿特征信息(如蚀变和矿化等)。万余庆等运用OMISI数据确定了烧变岩中Fe含量与某些波段反射率的定量关系，提出了利用高光谱遥感图像提取Fe的方法;张宗贵等火二利用HyMap数据，开展了基于地物光谱特征成像光谱遥感矿物识别方法研究，有效地填绘出了矿物在该航带上的分布情况;甘甫平等利用成像光谱遥感技术识别和提取了矿化蚀变信息;王青华等运用MASI影像数据，采用不同的图像处理方法，较好地提取了岩石信息，达到较准确识别岩类的目的;王晋年等在新疆阿克苏柯坪进行油气勘探研究中，根据矿物吸收指数成功地区分了该地区从寒武、奥陶、志留、泥盆到二叠系的地层。[3]
三． 高光谱在矿物识别中的应用
矿物识别是高光谱地质应用的基础和核心，从宏观和区域上为地质应用提供地物组成分布的物质信息，实现遥感地质应用由多光谱的定性描述向高光谱定量物质组成鉴别的飞跃。
光谱特征的产生主要是由于组成物质内部离子与基团的晶体场效应与基团振动的结果。由于各种矿物晶体结构各不相同,因此由晶格振动而产生的各种矿物光谱特性是不一样的。
高光谱数据能够捕捉到这些诊断性光谱特征,进而对不同的矿物及其成分进行识别。对做过预处理(辐射校正、几何校正、大气校正)的高光谱遥感图像,依据对谱形特征研究角度的不同,可以分为基于单个诊断性吸收的特征参数的矿物识别方法和基于完全波形特征(整个谱形特征)的矿物识别方法以及基于光谱知识模型的矿物识别方法。
4.1基于单个诊断性吸收的特征参数
岩石矿物单个诊断性吸收特征可以用吸收波段位置、吸收深度、吸收宽度、吸收面积、吸收对称性、吸收的数目和排序参数作完整的表征。根据端元矿物的单个诊断性吸收波形, 从成像光谱数据中提取并增强这些参数信息, 可直接用于识别岩矿类型，如相对吸收深度图(Relative absorption band-depth image) 法、 连续插值波段算法 (Continuum interpolated band algorithm) 和光谱吸收指数图像(Spectral absorption index image)等。
4.2基于完全波形特征
利用整个光谱曲线进行矿物匹配识别,可以在一定程度上改善单个波形的不确定性影响( 如光谱漂移、变异等) , 提高识别的精度。基于整个波形的识别技术方法是在参考光谱与象元
光谱组成的二维空间中, 合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度, 如相似指数法(Similarity index algorithm)、 光谱角识别方法 (Spectral angle mapper), 王润生等根据矿物的完全波形, 利用神经网络进行矿物自动识别, 甘甫平等设计开发了基于完全谱形的成像光谱岩矿识别技术。以上方法在具有大量已知地物光谱时适应性强, 对图像地物识别更有用。但明显不足的是, 由于实际地物光谱变异,获取数据受到观测角以及颗粒大小的影响,从而造成了光谱变化。对于整体光谱特征差别不太大的地物, 准确匹配比较困难, 造成岩矿识别与分析上的混淆和误差。
4.3基于光谱知识模型
基于光谱模型的识别技术方法是建立在一定的光学、光谱学、结晶学和数学理论之上的信号处理技术方法。它不仅能够克服上述方法存在的缺陷, 而且在识别地物类型的同时精确地量化地表物质的组成和其他的物理特性。例如, 建立在 Hapke 光谱双向反射理论基础之上的线性混合光谱分解模型 ( SMA/SUM) , 可以根据不同地物或者不同象元光谱反射率响应的差异, 构造光谱线性分解模型。Tompkins 提出修正的光谱混合分析(MSMA) 模型。该模型利用虚拟端元, 采用一个阻尼最小二乘算法, 根据一定的先验知识,有效地并最终可以选择
亚像端元进行光谱分解, 提高了 SMA 实用性。这些方法更多地依赖光谱学知识与数理方法, 在实际应用中由于难以确定特征参数或难以准确地描述光谱模型而限制了该类技术方法的应用。不过, 由于该类方法在识别地物的同时量化物质组成, 因此, 就其发展趋势而言, 随着一系列技术的成熟与光谱学、结晶学等知识的深入发展, 以及识别精度的改善与量化能力的提高, 其应用将会越来越广泛。[4]
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议