1. 高光譜中紅綠藍對應的波段數是多少啊
可見光的范圍大概是380nm~780nm波長的電磁波譜。
以下是各波段對應的波長范圍（括弧內數字為代表波長）：
光色 波長λ(nm)區間 （代表波長）
紅（Red）780～630--（700）
橙（Orange）630～600---（620）
黃（Yellow）600～570---（580）
綠（Green）570～500---（550）
青（Cyan）500～470--- （500）
藍（Blue）470～420---（470）
紫（Violet）420～380---（420）
高光譜數據通常會有數據說明，找到各波段對應的電磁波長即可確定哪些是需要的波段。
2. 什麼事多光譜圖像！高光譜呢！
多光譜圖像是由多個波段對同一目標進行反復拍攝而得道的圖像。多光譜圖像是指依靠探測元件和掃描鏡對目標地物以瞬時視場為單位進行逐點、逐行取樣，得到目標地物電磁輻射特性信息，形成將可見光、紅外波段分割成幾個到十幾個波段的多光譜圖像。
而高光譜圖像是通過特有的高光譜成像儀掃描得到的光譜波段覆蓋可見光，近紅外，中紅外和熱紅外區域全部光譜帶，使得圖像中的每一象元均得到連續的反射率曲線，而不像其他一般傳統的多光譜成像儀在波段之間存在間隔。總之，其圖像是由多達數百個波段的非常窄的連續的光譜波段組成。
而單波段圖像 並非解析度就高，解析度的高低還是取決於感測器上的掃描儀、成像儀的設備本身性能的。你說的單波段是不是是指pan波段，pan波段是由美國增強型專題繪圖儀（etm）增加了一個15m解析度的全色波段，熱紅外通道的空間解析度也提高了一倍，達到了60m，每一景覆蓋面積:185km*170km，重疊率:赤道上相鄰兩景圖像旁向重疊率7.3%，軌道方向重疊率為5%，band6分別具有高、低增益兩種圖像數據，bandl-5、7增益隨季節變化可調整。
我知道的就這么多了。
3. 什麼是高光譜衛星遙感數據
高光譜解析度遙感（Hyperspectral Remote Sensing）是在電磁波譜的可見光，近紅外，中紅外和熱紅外波段范圍內，獲取許多非常窄的光譜連續的影像數據的技術（Lillesand & Kiefer 2000）。其成像光譜儀可以收集到上百個非常窄的光譜波段信息。
4. 可見光-短波紅外高光譜
一、內容概述
高光譜遙感地質應用的動力一直來源於礦產地質填圖及出於礦產勘查目的而對地表組成信息的獲取。其原因通常與熱液系統有關。不同類型的蝕變或礦化，往往具有與之相對應的主要光譜吸收特徵組合，因而在可見光-短波紅外光譜中能夠發現診斷性吸收特徵，並對相關礦物組合進行填圖。
這方面的應用多數採用機載高光譜數據，而AVIRIS和HyMAP是最常用的機載感測器。Kruse（2003）使用Hyperion 航天高光譜數據與 AVIRIS 數據進行了對比，他認為，「星載高光譜感測器可以生成有用的礦物信息，但今後星載感測器必須提高信噪比（SNR），才能達到目前利用機載感測器（如AVIRIS）數據進行填圖的相同水平」。有一些研究，包括對比使用高級陸地成像儀（ALI）、ASTER和Hyperion數據進行礦物填圖，以及單獨使用Hyperion數據進行熱液蝕變礦物填圖的試驗結果，都支持上述觀點。近來，Hyperion被用於更新約旦德納（Dana）國家地質公園的地質圖，通過包括微小校正在內的處理過程，生成地層劃分產品。
二、應用范圍及應用實例
研究最多的系統是熱液系統，因為它包含有豐富的具有光譜學活性的礦物組，比如含羥基礦物（熱液成因黏土、硫酸鹽）、含銨基礦物、層狀硅酸鹽、鐵氧化物和碳酸鹽等。經典的研究程度很高的熱液系統是美國宇航局噴氣推進實驗室在內華達州Cuprite礦區的試驗場，在那裡進行的一些關於光譜學的早期研究為陸地衛星（Landsat）、ASTER及隨後的高光譜感測器的研發奠定了基礎。關於高光譜遙感的文獻，大部分研究的是（低、高硫化）淺成熱液金礦系統，主要利用蝕變礦物方法來研究礦化系統的礦產開發前景。一種根據ASTER數據進行區域蝕變填圖，隨後在局部利用Hyperion數據進行靶區圈定的綜合方法，已經在礦產勘查過程中使用。最近，為了開發利用地熱資源，還對正在活動的熱液系統開展了研究。
對其他類型礦床的研究較少，但大多數常見礦床都已經用高光譜數據做過分析，包括卡林型（利用ASTER進行野外高光譜測量）、太古宙脈狀型、矽卡岩型、鈣質矽卡岩型和火山成因塊狀硫化物（VMS）成因礦床等。這些研究側重地表礦物填圖，並將其作為找礦標志。其中一項比較有意思的運用是將光譜學用於VMS型礦床中硫化物礦石的分級。盡管一些關於與邁爾馬克（Tschermak）置換有關的吸收特徵位置的早期研究表明，雲母與綠泥石的化學成分可引起較小的波長偏移，這種偏移與Na-K或Al-Mg的成分變化有關，但填圖時很少考慮這個問題。近來這項工作朝著岩石變質級別的評價方向前進了一步，但仍然未說明這些較小的波長偏移現象。有些文獻將光譜學與礦物化學綜合起來，以重建流體通道；有些研究者則根據碳酸鹽吸收特徵，對方解石 -白雲石礦物組合或白雲石化模式進行填圖。此外，地球熱液系統還被當作火星上的類似物，以增加對後者表面礦物的了解。有些研究者認為火星上有熱液系統存在，但都形成於比地球相同地質背景的平均表面溫度低許多的情況下。近來的研究在火星上發現了硫酸鹽、含水硅酸鹽和層狀硅酸鹽，都支持火星上存在熱液作用的觀點，但硫酸鹽也可能由蒸發過程形成。
有些研究利用高光譜遙感，分別在北極圈、花崗岩地體、蛇綠岩套和橄欖岩（西班牙Ronda橄欖岩）進行岩性填圖。
高光譜遙感也經常被用於礦山尾礦的研究。大多數研究側重於尾礦中能夠生成酸的礦物（如黃鐵礦），並繪制了氧化產物（黃鉀鐵礬、水鐵礦、針鐵礦或赤鐵礦）的空間分布圖，以揭示環境污染的程度。這些研究主要側重於地表礦物填圖，大多數忽略了環境質量、健康方面的因素，以及地表淋濾過程與元素活動性的聯系，還有地下水中的運移過程等。很少有研究將高光譜圖件與健康因素結合在一起，唯一的一項研究是對粉塵中的石棉礦物進行填圖，這些粉塵可能被風吹起來，並威脅到人類的健康。
高光譜遙感很少被應用到石油與天然氣工業。僅有的研究也主要集中在石油與天然氣泄漏，以及對油砂填圖並估計其中總的瀝青含量。
高光譜遙感一項有意義的進展是鑽孔岩心成像和圍岩成像。第一個公開報道的關於鑽孔岩心高光譜成像的研究使用的是野外攜帶型紅外光譜儀（PIMA），可追溯到1996 年。目前有幾種鑽孔岩心成像設備，可提供鑽孔岩心的高光譜掃描數據。盡管這種技術對礦業公司而言，已經變得越來越好用，可確定礦石品位，並將真正的礦石同廢礦區分開來，但關於這種技術的科學文獻卻很少。對這種技術的合理延伸就是陸地高光譜遙感，它可以對圍岩或露頭進行成像。這也是高光譜遙感的非常有前景的一項應用，因為：它填補了野外逐點測量結果與圖像之間的空白；它可以測量用機載設備很不容易成像的垂直剖面。
此外，值得一提的是，高光譜測量技術使得行星地質學在地表成分觀察與填圖方面取得重要突破。近年來，幾項依據CRISM與OMEGA數據的研究已經取得了關於火星的新認識。層狀硅酸鹽的存在表明，火星表面曾經歷過熱液作用和/或風化作用。根據可見光-近紅外（VNIR）光譜學原理，已經在火星上明確識別出了幾種硅酸鹽礦物。含鐵、鎂、鋁的蒙脫石（綠脫石、皂石和膠嶺石）含量最豐富，其次是少量的高嶺石、綠泥石（富鐵鮞綠泥石和鎂綠泥石）、伊利石或白雲母。層狀硅酸鹽盡管有一部分在早赫斯珀里得斯紀（Hesperian）岩石中被發現，但多數出現在諾亞紀（Noachian）岩石中。已發現的層狀硅酸鹽沉積物主要以3種不同的形式存在：①成層的硅酸鹽沉積；②塊狀的諾亞紀層硅酸鹽沉積；③隕石坑內含層狀硅酸鹽的沉積扇。對這些沉積物的成因機制，盡管已經提出了像火山灰蝕變、玄武岩風化殼近地表風化、經搬運的分選黏土在水下沉積及熱液沉積等多種觀點，但至今仍不明確。此外，對硫酸鹽、橄欖石或輝石也進行了填圖。
三、資料來源
van der Meer F D，van der Werff H M A，van Ruitenbeek F J A et al.2012.Multi⁃and hyperspectral geologic remote sensing：A review.International Journal of Applied Earth Observation and Geoinformation，14（1）：112～128
5. 高光譜礦物信息提取
8.6.1 方法與流程
8.6.1.1 產品生成業務化流程
常用的高光譜礦物填圖標准方法：先運用最大雜訊分離（MNF）變換對反射率數據進行波譜降維，用像元純度指數（PPI）分析進行空間降維，然後用N維可視化方法來確定圖像端元，進行端元識別，確定礦物波譜，最後用合適的方法進行礦物填圖，並對結果進行優化操作。礦物填圖流程圖如圖8.40所示。
1）數據降維。利用MNF變換進行光譜數據減維，分離數據中的雜訊，減小運算量。觀察最終特徵值和MNF圖像，確定數據的固有維數，選擇合適的MNF波段進行PPI指數計算。
2）計算圖像的PPI指數。計算MNF圖像的PPI指數，最終產生PPI圖像，圖像中像元的DN值代表像元被記錄為極值的次數，從直方圖中選擇閾值，僅選擇最純的像元以保證被分析的像元數最小，這些像元被輸入到分離特定光譜端元的互動式可視化演算法中。
3）N維可視化進一步提純純凈像元。在N維可視化中，光譜可視為n維散點圖中的一個點，n是波段數。通過選擇n維散點圖的頂點和拐角，進一步提純純凈像元。將最終確定的端元輸入到圖像中的感興趣區（ROI），從圖像中提取每個感興趣區平均反射率光譜曲線作為成像光譜礦物填圖的候選端元。
圖8.40 常見高光譜礦物填圖流程
4）建立真實波譜庫。將採集端元的波譜曲線輸出，經過波譜分析（用波譜特徵擬合演算法與USGS標准波譜庫進行匹配識別）得到的波譜曲線圖，確定端元礦物並建立該礦物的真實波譜庫。
5）選擇合適的填圖方法，輔以自行建立的真實波譜庫，提取出各類礦物。並對提取結果做最小圖斑去除、類合並等操作，優化礦物提取結果。
8.6.1.2 礦物信息提取的高光譜數據預處理
先將成像高光譜數據進行輻射定標、大氣校正等過程得到光譜反射率數據。無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射定標和光譜重建是地物識別和定量分析不可缺少的環節。只有經過輻射標定、輻射校正和大氣校正，剔除由於大氣散射、吸收、地形起伏及感測器本身不穩定帶來的各種失真，將記錄的圖像值轉換為地面的反照率值，重建像元地面光譜，才能根據光譜特徵，有效地識別地物，反演地物成分。
8.6.1.3 典型礦物光譜吸收特徵分析
首先打開波譜資料庫系統圖8.41調出所研究的典型礦物的光譜進行分析。
根據主要譜帶的位置將礦物劃分為含Fe2＋礦物、Fe3＋礦物、Mn2＋礦物、碳酸鹽礦物、含Al-OH鍵礦物、含Mg-OH鍵礦物等大類。
Al-OH：診斷譜帶一般位於2165～2215 nm附近；
Mg-OH：診斷譜帶一般位於2315～2335 nm附近；
Fe2＋：診斷譜帶一般位於1000～1100nm附近；
圖8.41 波譜庫系統主界面
Fe3＋：診斷譜帶一般位於600～900nm附近；
Mn2＋：診斷譜帶一般位於450～600nm附近。
以主吸收譜帶和次要吸收譜帶的組合特徵，並考慮到吸收譜帶在不同岩石中的變異，識別礦物族。如對Al-OH鍵礦物可分為明礬石族、蒙脫石族、白雲母族、高嶺石族；含Mg-OH礦物可分為綠泥石族、黑雲母族、綠簾石族、蛇紋石族、滑石-透閃石族等；碳酸鹽礦物包括方解石族、白雲石族等。
1）對於Al-OH鍵礦物：
明礬石族：兩個吸收特徵分別位於2175nm（2165～2175nm，± 10nm）和2325nm。
蒙脫石族：位於2215nm（2205～2215 nm，± 10nm）的主要吸收特徵伴隨有一個2440nm的次級吸收。
白雲母-伊利石族：位於2205nm（2195～2215 nm，± 20nm）的主要特徵吸收伴隨有三個次級吸收峰，分別位於2355nm，2440nm和2115nm。
高嶺石族：2200nm附近的OH-譜帶，在該譜帶左翼存在次一級的譜帶（2160nm）。
圖8.42為典型Al-OH鍵礦物波譜特徵圖。
圖8.42 幾種典型Al-OH鍵礦物波譜特徵圖
2）對於碳酸鹽礦物：
方解石族：位於2330 nm～2340 nm的主要譜帶。
菱鐵礦族：同時具有Fe2＋在1000nm與
圖8.43為典型碳酸鹽礦物波譜特徵圖。
圖8.43 幾種典型碳酸鹽礦物波譜特徵圖
3）對於Mg-OH鍵礦物：
綠泥石族：位於2330 nm主要吸收特徵伴隨有一個2386 nm及2224 nm兩個次級吸收。
綠簾石族：位於2330 nm主要吸收特徵伴隨有一個2225～2226 nm的次級吸收。
蛇紋石族：位於2320 nm附近主要吸收特徵伴隨有2110 nm為中心的較寬的弱譜帶。
滑石-透閃石族：位於2290～2310 nm附近的較寬的雙峰譜帶和2385 nm附近的次級吸收。
圖8.44為典型Mg-OH鍵礦物波譜特徵圖。
圖8.44 幾種典型Mg-OH鍵礦物波譜特徵圖
8.6.1.4 礦物識別技術
目前，基於成像光譜數據的礦物識別的方法主要有：基於光譜波形參數、基於光譜相似性測度、基於混合光譜模型、基於地質統計規律、基於光譜知識的智能識別等。
（1）光譜波形參數提取與蝕變識別的技術方法
岩石礦物單個診斷性吸收特徵峰可以用吸收波段位置（λ）、吸收深度（H）、吸收寬度（W）、吸收面積（A）、吸收對稱性（d）、吸收的數目（n）和排序參數作完整地表徵（陳述彭等，1998）。根據端元礦物的單個診斷性吸收波形，從成像光譜數據中提取並增強這些參數信息，可直接用於識別岩礦類型。如HSI編碼與吸收波段圖（Kruse，1988）是利用連續統去除後的光譜圖像，定義出波段吸收中心位置圖像，波段深度圖像及波段半極值寬度（FWHM）圖像，並分別賦予HSI空間的明度（H）、強度（I）和飽和度（S），然後逆變換到RGB色度空間。代表性的方法還有光譜特徵擬合（SFF）等。
光譜特徵擬合（SFF，Spectral feature fitting）：光譜特徵擬合是一種基於光譜吸收特徵的方法，使用最小二乘法技術將圖像中每一個像元的光譜曲線與所選擇的參考光譜曲線的吸收特徵進行擬合。是選擇包含目標礦物特定吸收譜帶的光譜區間，利用最小二乘擬合方法，比較像元光譜與目標光譜吸收特徵的整體形態和吸收深度。該方法對噪音和地形有較好地抑製作用。
（2）基於相似性測度的識別技術方法
成像光譜最大的優勢在於利用有限細分的光譜波段，去再現像元對應物的光譜曲線。這樣，利用整個光譜曲線進行礦物匹配識別，可以在一定程度上改善單個波形的不確定性影響（如光譜漂移、變異等），提高識別的精度（甘甫平等，2000）。基於整個波形的識別技術方法是在參考光譜與像元光譜組成的二維空間中，合理地選擇測度函數度量標准光譜或實測光譜與圖像光譜的相似程度。這類方法主要有光譜角制圖（SAM）技術、光譜二值編碼（Binary encoding）技術等。
（3）基於光譜知識模型識別的技術方法
基於光譜知識模型識別的技術方法是建立在一定的光學、光譜學、岩礦結晶學和數學理論之上的信號處理技術方法。它不僅能夠克服利用單一譜形識別所存在的缺陷，而且從地物光譜學原理入手、從本質上理解認識岩礦光譜的物理機制與物理過程，建立光譜數學物理模型，識別並定量提取岩礦信息。這在一定程度上能精確地量化地表物質的組成及深入地描述地物組成的物理特性，以進一步探測地物所蘊藏的成生環境本質。例如，建立在Hpake（1981）光譜雙向反射理論基礎之上的線性混合光譜分解模型（SMA/SUM），可以根據不同地物或者不同像元光譜反射率響應的差異，構造光譜線性分解模型，從而識別地物，量化地物成分，挖掘地物成生環境信息。
（4）基於地質統計特徵的分類識別方法
該類方法是基於地物在圖像上的統計分布規律，建立地質模型進行圖像分類識別。比較典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），幾何光學模型（Geomertic-optical Model），隨機幾何模型（Stochastic Geometric Model）及非參數地質統計模型（Non-paramertic GeostatisticTechnique）。
（5）基於光譜知識的智能識別方法
傳統的及上述的成像光譜識別方法利弊共存。對於高維與超大容量的成像光譜數據及大量的實驗室光譜研究結果等迫切要求新的高效的遙感定量分析技術。因此，專家系統、人工神經網路、模糊識別等基於光譜知識的智能識別應運而生。神經網路技術是應用最廣泛的識別技術（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立一個試驗性專家系統；Kruse等（1993）建立了基於知識的成像光譜礦物自動匹配製圖系統。以Dempster-Shafer證據理論為基礎格架的證據推理方法也得到了一定程度的應用。基於光譜知識的智能識別技術方法與系統將是成像光譜遙感地物信息識別、提取與量化及實用化的最佳選擇與發展方向，極具潛力。
8.6.2 結果與分析
8.6.2.1 蛇紋石礦物的填圖及效果分析
對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特徵端元採集。運用光譜特徵擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫，如圖8.45所示。
圖8.45 蛇紋石波譜匹配圖
圖8.46 五種填圖方法結果對比
用前文簡述的常用五種方法提取蛇紋石的具體位置，並進行對比分析，填圖結果如圖8.46所示。
用SAM礦物填圖方法，可以快速提取端元採集出的所有地物，並用彩色分類影像來顯示，使人們很直觀地看出該礦物的分布范圍。
光譜特徵擬合將為每個參照波譜輸出一幅比例圖像和 RMS 圖像或一幅合成的「擬合」圖像（Scale/RMS）。較高的擬合值表明該像元與參照波譜匹配較好。但是波譜特徵擬合效果並不是很好，因為如果輸入了錯誤的參照端元或使用了錯誤的波長范圍，也會出現一個遠遠大於1的比例值。
MTMF（混合調制匹配濾波）結果將以一系列灰階圖像的形式出現，兩幅圖像對應一個被選波譜。浮點型結果提供了像元與參照波譜相對匹配程度的估計方法（1.0表示完全匹配），以及亞像元的權重。不可行性（Infeasibility）值以sigma雜訊為單位，顯示了匹配濾波結果的可行性。用於准確制圖的像元有一個大於背景分布值的較高的匹配濾波值和一個較低的不可行性值。對得出的浮點圖進行密度分割等操作，也能很好的得出蛇紋石的分布范圍。
MF（匹配濾波結果）將以一系列灰階圖像的形式出現，每幅圖像對應一個選擇的端元。浮點型結果提供了像元與參照波譜相對匹配程度的估計方法（1.0表示完全匹配），以及亞像元的權重。對MF的結果圖做密度分割等操作，也可明顯地看出蛇紋石的分布范圍。
線性光譜分解的結果將以一系列灰階圖像的形式出現，每幅灰階圖像加上一個RMS誤差圖像對應於一個端元。經過發現，此方法的提取效果並不是很好，雜訊較多。因此在實際應用中，並不建議使用此方法。
通過以上對比分析，發現SAM，MTMF，MF三種方法在本地區都比較適合蛇紋石這種礦物的填圖，只是MTMF，MF兩種方法還需對結果圖進行密度分割處理，稍顯繁復，但填圖效果良好。
8.6.2.2 白雲母礦物的填圖及效果分析
對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特徵端元採集。運用光譜特徵擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫（圖8.47）。因為隨著白雲母中Al含量的減少，Al-OH的譜帶位置逐漸向長波方向移動，所以可以分辨出貧鋁白雲母和富鋁白雲母的波譜曲線。
圖8.47 白雲母波譜匹配圖
用上述五種方法提取蛇紋石的具體位置，填圖結果如圖8.48所示。
經過以上五種填圖方法的對比分析發現，SAM填圖方法效果最佳，不僅明確填出白雲母礦物的范圍，而且避免了誤差引起的填圖錯誤。此外，對光譜特徵擬合後的結果圖做密度分割等操作，所提取的礦物范圍也較好。因此，兩種方法均適合進行白雲母的礦物填圖。
8.6.2.3 綠簾石礦物的填圖及效果分析
對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特徵端元採集。運用光譜特徵擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫，如圖8.49所示。
用上述五種方法提取蛇紋石的具體位置，填圖結果如圖8.50所示。
經過以上五種填圖方法的對比分析，發現SAM填圖方法效果最好。但光譜特徵擬合、MTMF和MF三種方法對綠簾石也有較好的顯示，對他們的結果圖做密度分割等操作，也能較好的提取出蛇紋石的范圍，因此，以上四種方法都適合蛇紋石礦物的提取填圖。
圖8.48 五種填圖方法結果對比
圖8.49 綠簾石波譜匹配圖
8.6.2.4 綠泥石礦物的填圖及效果分析
選取HyMap數據，選取USGS標准波譜庫中綠泥石的光譜曲線作為參考光譜。利用上面的方法提取綠泥石的具體位置，填圖結果如圖8.51所示。
8.6.2.5 多種礦物填圖情況
（1）HyMap數據1情況分析
依據地面區域地質資料，在HyMap反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。
SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如下（圖8.52 ，圖5.3）。
Binary Encoding方法填圖：該方法需要設置一個閾值minimum encoding threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比（圖8.54 ，圖8.55）。實驗發現富鋁白雲母（黃顏色圖例）在閾值設置為0.97和0.96時，分類效果變化非常大，由於軟體對該閾值的設定只支持小數點後2位，所以不能進一步的精確，對比分析兩種閾值的分類效果，得出二進制編碼方法對富鋁白雲母的提取效果不是很好。
Minimun Distance（MD）方法填圖：該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如圖8.56和圖8.57所示。
Spectral Information Divergence（SID）方法填圖：該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如下（圖8.58至圖8.60）。
（2）HyMap數據2情況分析
依據地面區域地質資料，在HyMap反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。
SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如圖8.61所示。
最小距離填圖：最小距離填圖的參數設置及填圖效果差異如圖8.62和圖8.63所示。
（3）模擬數據情況分析
依據地面區域地質資料，在模擬的反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。
圖8.50 五種填圖方法結果對比
圖8.51 三種填圖方法結果對比
圖8.52 局部區域填圖效果
圖8.53 整體區域填圖效果
圖8.54 填圖效果1
圖8.55 填圖效果2
圖8.56 局部區域填圖效果截圖
圖8.57 整體區域填圖效果
圖8.58 不同閾值局部地區填圖效果
圖8.59 填圖效果（Threshold＝0.001）
圖8.60 填圖效果（Threshold＝0.005）
圖8.61 SAM 方法填圖
圖8.62 參數1下效果圖
圖8.63 參數2下效果圖
SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，閾值的設定情況和填圖效果如圖8.64所示。
圖8.64 SAM 填圖效果
Binary Encoding方法填圖：該方法需要設置一個閾值minimum encoding threshod，通過不同的嘗試，閾值的設定和填圖效果情況如圖8.65所示。多次試驗發現該方法對提取chlorite和chlorite＋serpentine的效果不是很理想。
圖8.65 填圖效果
Minimun Distance（MD）方法填圖：該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，閾值的設定和填圖效果情況如圖（其中Max Distance Error＝2000 ，圖8.66）。
圖8.66 填圖效果
Spectral Information Divergence（SID）方法填圖：該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如圖8.67所示。
圖8.67 填圖效果（Threshold＝0.005）
8.6.2.6 礦物信息填圖結果分析
綜合前面的分析結果，開展了礦物信息提取結果圖，為了分析礦物信息填圖效果，搜集了前人對此試驗區（圖8.68）進行的礦物填圖結果（圖8.69）。
圖8.68 礦物信息研究的區域圖
圖8.69 前人的礦物提取結果填圖結果
為開展蝕變礦物識別精度分析，可對比研究區本次提取的蝕變礦物分布圖（圖8.70）與前人提取的蝕變礦物信息分布圖結果，逐像素進行對比（由於解析度不同需做像素變換），如果研究區總的點數為N，本次與前人礦物分布圖的結論相同就認為該點取值1，最後統計結果中1的個數n，這樣蝕變礦物識別精度可定義為
高光譜遙感技術原理及礦產與能源勘查應用
對比分析本次礦物信息填圖結果和前人礦物信息的填圖結果，發現其結果並非完全一樣。其中蛇紋石的填圖效果一致性最高；綠簾石的分布范圍一致，但本次數據的填圖結果顯示的范圍較大；白雲母的分布范圍基本一致，但貧鋁白雲母和富鋁白雲母的分布范圍有些混淆，經過對比分析，本次數據和前人數據填圖范圍的一致性達到89%，基本滿足高光譜數據的填圖要求。對出現誤差的主要原因分析如下：
1）前人數據是機載高光譜數據，空間解析度可達到3～12m，此處的Hymap數據的空間解析度為5m，而本次數據是模擬星載高光譜數據，空間解析度為30m。隨著解析度的降低，單個像元所對應的地面面積將增大，導致每個像元中包含更多的礦物類型，礦物間的影響性也會增加。一方面，由於混合像元的平均效應，目標礦物在像元中的等效豐度會下降，光譜信息減弱。當像元中目標礦物的等效豐度下降到檢出限以下時，礦物將不能被識別，而造成礦物分布區的外圍含量較低的地段和含量較低分布區填繪面積的減少，點狀集群分布區的漏識別，線狀分布區的斷續分布。這種效應相當於檢出限的下降。另一方面，當像元中目標礦物的等效豐度在檢出限以上時，會使面狀礦物分布區的范圍擴大、空洞的充填、相鄰小區的連接，點狀集群分布區的成片，線狀區域的斑點效應。這兩種效應的綜合作用結果，空間解析度的減小則會使強異常區（包括高豐度區和光譜反襯度較高的礦物分布區）范圍的擴大、小區的相連、點群的結合，而使異常更加醒目，但其細節特徵會因此消失；弱異常區（包括低豐度區和光譜反襯度較低的那些礦物分布區）和小異常區面積會縮小或漏檢；線狀異常可能會形成斷續分布的小斑塊而使線狀特徵和其走向變得不清晰。因此，在填圖的細致程度上，解析度越高的數據填圖效果越好，這是造成填圖效果差異的最主要的原因之一。
圖8.70 本次試驗礦物信息提取填圖結果
2）輻射校正的精確程度。無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射校正和光譜重建是地物識別不可缺少的環節。由於Hymap數據是機載高光譜數據，Hyperion數據是星載高光譜數據，對兩種數據進行輻射校正的參數也是不一致的，因此，得出的反射率數據也是有差異的，這也是造成填圖差異的原因之一。
總之，用本次數據進行礦物填圖是可行的，它可以在一定程度上對礦物的種類及分布進行識別。
6. 高光譜數據有bmp形式的嗎
有的，高光譜數據形式很多樣
數據（data）是事實或觀察的結果，是對客觀事物的邏輯歸納，是用於表示客觀事物的未經加工的原始素材。
數據可以是連續的值，比如聲音、圖像，稱為模擬數據；也可以是離散的，如符號、文字，稱為數字數據。
在計算機系統中，數據以二進制信息單元0、1的形式表示。數據
數據是指對客觀事件進行記錄並可以鑒別的符號，是對客觀事物的性質、狀態以及相互關系等進行記載的物理符號或這些物理符號的組合。
它是可識別的、抽象的符號。
7. 熱紅外高光譜
一、內容概述
發射光譜率可提供對可見光-近紅外到短波紅外（VNIR-SWIR）光譜具有補充作用的信息，幾種關鍵的成岩/成壤礦物（石英、長石、橄欖石和輝石）在VNIR-SWIR波長范圍內沒有明顯的光譜特徵，而在熱紅外波長范圍內擁有可診斷的吸收特徵。熱紅外（8～14μm）和中紅外（3～5 μm）區間對地質遙感研究極具潛力，但很少被研究，其可能原因有：①物理性質復雜，如熱紅外區間的體散射效應，中紅外區間的發射率與溫度干擾等；②缺少野外/實驗室光譜測量儀與（機載/星載）高光譜數據。20世紀90年代初，Mike Abrams曾經演示過熱紅外與短波紅外觀察相結合的優點。依據熱紅外多波譜掃描數據，Simon Hook與其合作者發現可揭示有關信息的類型。對岩石/礦物熱紅外光譜學的研究與John Salisbury及其研究小組關於中波紅外光譜學的研究，都促進了紅外遙感的發展。John Salisbury的基礎研究展示了該領域（尤其在發射率測量方面）的潛力，當然也發現了其物理上的復雜性。此項工作的許多數據被收錄在發射率光譜資料庫（ASTER光譜資料庫）中。
有幾項衛星任務（mission）目前可獲取熱紅外區間的圖像數據，它們分別具有不同的空間解析度與時間解析度，包括ASTER（空間解析度90m，每16d重訪一次）、MODIS（中解析度成像分光輻射計，空間解析度1km，每日重訪一次）、SEVIRI/MSG（旋轉增強型可見光-紅外成像儀，空間解析度3km，每15min重訪一次）及AVHRR-3/METOP（改進型超高解析度輻射計，空間解析度1.1km，每日重訪一次）。盡管這些感測器可獲取陸地表面溫度信息，但由於其空間解析度與光譜解析度過低，故不能精確測量發射率。此外，還有許多計劃中的衛星任務，例如美國宇航局（NASA）的HyspIRI（空間解析度60m，每周重訪一次）、搭載在歐洲航天局（ESA）的「哨兵-3」（SENTINEL-3）上面的SLSTR（海洋與陸地表面溫度輻射計，解析度500～1000m），以及多個可能部署的機載感測器，如AHS（機載高光譜掃描儀）、ITRES Sasi-600、Specim AISA Owl、SEBASS（空間增強型波段陣列光譜系統）等。
二、應用范圍及應用實例
機載/星載熱紅外高光譜數據源較少，因此在一般地質應用中不多見。目前多見於火星地質研究。在地質填圖中應用的熱紅外數據主要來源於SEBASS。而火星熱紅外礦物填圖研究使用的是「火星全球勘測者（MGS）」任務上的熱發射光譜儀（TES）。
三、資料來源
van der Meer F D，van der Werff H M A，van Ruitenbeek F J A et al.2012.Multi⁃and hyperspectral geologic remote sensing：A review.International Journal of Applied Earth Observation and Geoinformation，14（1）：112～128
8. 高光譜圖像的介紹
光譜解析度在10l數量級范圍內的光譜圖像稱為高光譜圖像(Hyperspectral
Image)。遙感技術經過20世紀後半葉的發展，無論在理論上、技術上和應用上均發生了重大的變化。其中，高光譜圖像技術的出現和快速發展無疑是這種變化中十分突出的一個方面。通過搭載在不同空間平台上的高光譜感測器，即成像光譜儀，在電磁波譜的紫外、可見光、近紅外和中紅外區域，以數十至數百個連續且細分的光譜波段對目標區域同時成像。在獲得地表圖像信息的同時，也獲得其光譜信息，第一次真正做到了專光譜與圖像的結合。與多光譜遙感影像相比，高光譜影像不僅在信息豐富程度方面有了極大的提高，在處理技術上，對該類光譜數據進行更為合理、有效的分析處理提供了可能。因而，高光譜圖像技術所具有的影響及發展潛力，是以往技術的各個發展階段所不可比擬的，不僅引起了遙感界的關注，同時也引起了其它領域（如醫學、農學等）的屬極大興趣。