1. 高光谱中红绿蓝对应的波段数是多少啊
可见光的范围大概是380nm~780nm波长的电磁波谱。
以下是各波段对应的波长范围（括号内数字为代表波长）：
光色 波长λ(nm)区间 （代表波长）
红（Red）780～630--（700）
橙（Orange）630～600---（620）
黄（Yellow）600～570---（580）
绿（Green）570～500---（550）
青（Cyan）500～470--- （500）
蓝（Blue）470～420---（470）
紫（Violet）420～380---（420）
高光谱数据通常会有数据说明，找到各波段对应的电磁波长即可确定哪些是需要的波段。
2. 什么事多光谱图像！高光谱呢！
多光谱图像是由多个波段对同一目标进行反复拍摄而得道的图像。多光谱图像是指依靠探测元件和扫描镜对目标地物以瞬时视场为单位进行逐点、逐行取样，得到目标地物电磁辐射特性信息，形成将可见光、红外波段分割成几个到十几个波段的多光谱图像。
而高光谱图像是通过特有的高光谱成像仪扫描得到的光谱波段覆盖可见光，近红外，中红外和热红外区域全部光谱带，使得图像中的每一象元均得到连续的反射率曲线，而不像其他一般传统的多光谱成像仪在波段之间存在间隔。总之，其图像是由多达数百个波段的非常窄的连续的光谱波段组成。
而单波段图像 并非分辨率就高，分辨率的高低还是取决于传感器上的扫描仪、成像仪的设备本身性能的。你说的单波段是不是是指pan波段，pan波段是由美国增强型专题绘图仪（etm）增加了一个15m分辨率的全色波段，热红外通道的空间分辨率也提高了一倍，达到了60m，每一景覆盖面积:185km*170km，重叠率:赤道上相邻两景图像旁向重叠率7.3%，轨道方向重叠率为5%，band6分别具有高、低增益两种图像数据，bandl-5、7增益随季节变化可调整。
我知道的就这么多了。
3. 什么是高光谱卫星遥感数据
高光谱分辨率遥感（Hyperspectral Remote Sensing）是在电磁波谱的可见光，近红外，中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术（Lillesand & Kiefer 2000）。其成像光谱仪可以收集到上百个非常窄的光谱波段信息。
4. 可见光-短波红外高光谱
一、内容概述
高光谱遥感地质应用的动力一直来源于矿产地质填图及出于矿产勘查目的而对地表组成信息的获取。其原因通常与热液系统有关。不同类型的蚀变或矿化，往往具有与之相对应的主要光谱吸收特征组合，因而在可见光-短波红外光谱中能够发现诊断性吸收特征，并对相关矿物组合进行填图。
这方面的应用多数采用机载高光谱数据，而AVIRIS和HyMAP是最常用的机载传感器。Kruse（2003）使用Hyperion 航天高光谱数据与 AVIRIS 数据进行了对比，他认为，“星载高光谱传感器可以生成有用的矿物信息，但今后星载传感器必须提高信噪比（SNR），才能达到目前利用机载传感器（如AVIRIS）数据进行填图的相同水平”。有一些研究，包括对比使用高级陆地成像仪（ALI）、ASTER和Hyperion数据进行矿物填图，以及单独使用Hyperion数据进行热液蚀变矿物填图的试验结果，都支持上述观点。近来，Hyperion被用于更新约旦德纳（Dana）国家地质公园的地质图，通过包括微小校正在内的处理过程，生成地层划分产品。
二、应用范围及应用实例
研究最多的系统是热液系统，因为它包含有丰富的具有光谱学活性的矿物组，比如含羟基矿物（热液成因黏土、硫酸盐）、含铵基矿物、层状硅酸盐、铁氧化物和碳酸盐等。经典的研究程度很高的热液系统是美国宇航局喷气推进实验室在内华达州Cuprite矿区的试验场，在那里进行的一些关于光谱学的早期研究为陆地卫星（Landsat）、ASTER及随后的高光谱传感器的研发奠定了基础。关于高光谱遥感的文献，大部分研究的是（低、高硫化）浅成热液金矿系统，主要利用蚀变矿物方法来研究矿化系统的矿产开发前景。一种根据ASTER数据进行区域蚀变填图，随后在局部利用Hyperion数据进行靶区圈定的综合方法，已经在矿产勘查过程中使用。最近，为了开发利用地热资源，还对正在活动的热液系统开展了研究。
对其他类型矿床的研究较少，但大多数常见矿床都已经用高光谱数据做过分析，包括卡林型（利用ASTER进行野外高光谱测量）、太古宙脉状型、矽卡岩型、钙质矽卡岩型和火山成因块状硫化物（VMS）成因矿床等。这些研究侧重地表矿物填图，并将其作为找矿标志。其中一项比较有意思的运用是将光谱学用于VMS型矿床中硫化物矿石的分级。尽管一些关于与迈尔马克（Tschermak）置换有关的吸收特征位置的早期研究表明，云母与绿泥石的化学成分可引起较小的波长偏移，这种偏移与Na-K或Al-Mg的成分变化有关，但填图时很少考虑这个问题。近来这项工作朝着岩石变质级别的评价方向前进了一步，但仍然未说明这些较小的波长偏移现象。有些文献将光谱学与矿物化学综合起来，以重建流体通道；有些研究者则根据碳酸盐吸收特征，对方解石 -白云石矿物组合或白云石化模式进行填图。此外，地球热液系统还被当作火星上的类似物，以增加对后者表面矿物的了解。有些研究者认为火星上有热液系统存在，但都形成于比地球相同地质背景的平均表面温度低许多的情况下。近来的研究在火星上发现了硫酸盐、含水硅酸盐和层状硅酸盐，都支持火星上存在热液作用的观点，但硫酸盐也可能由蒸发过程形成。
有些研究利用高光谱遥感，分别在北极圈、花岗岩地体、蛇绿岩套和橄榄岩（西班牙Ronda橄榄岩）进行岩性填图。
高光谱遥感也经常被用于矿山尾矿的研究。大多数研究侧重于尾矿中能够生成酸的矿物（如黄铁矿），并绘制了氧化产物（黄钾铁矾、水铁矿、针铁矿或赤铁矿）的空间分布图，以揭示环境污染的程度。这些研究主要侧重于地表矿物填图，大多数忽略了环境质量、健康方面的因素，以及地表淋滤过程与元素活动性的联系，还有地下水中的运移过程等。很少有研究将高光谱图件与健康因素结合在一起，唯一的一项研究是对粉尘中的石棉矿物进行填图，这些粉尘可能被风吹起来，并威胁到人类的健康。
高光谱遥感很少被应用到石油与天然气工业。仅有的研究也主要集中在石油与天然气泄漏，以及对油砂填图并估计其中总的沥青含量。
高光谱遥感一项有意义的进展是钻孔岩心成像和围岩成像。第一个公开报道的关于钻孔岩心高光谱成像的研究使用的是野外便携式红外光谱仪（PIMA），可追溯到1996 年。目前有几种钻孔岩心成像设备，可提供钻孔岩心的高光谱扫描数据。尽管这种技术对矿业公司而言，已经变得越来越好用，可确定矿石品位，并将真正的矿石同废矿区分开来，但关于这种技术的科学文献却很少。对这种技术的合理延伸就是陆地高光谱遥感，它可以对围岩或露头进行成像。这也是高光谱遥感的非常有前景的一项应用，因为：它填补了野外逐点测量结果与图像之间的空白；它可以测量用机载设备很不容易成像的垂直剖面。
此外，值得一提的是，高光谱测量技术使得行星地质学在地表成分观察与填图方面取得重要突破。近年来，几项依据CRISM与OMEGA数据的研究已经取得了关于火星的新认识。层状硅酸盐的存在表明，火星表面曾经历过热液作用和/或风化作用。根据可见光-近红外（VNIR）光谱学原理，已经在火星上明确识别出了几种硅酸盐矿物。含铁、镁、铝的蒙脱石（绿脱石、皂石和胶岭石）含量最丰富，其次是少量的高岭石、绿泥石（富铁鲕绿泥石和镁绿泥石）、伊利石或白云母。层状硅酸盐尽管有一部分在早赫斯珀里得斯纪（Hesperian）岩石中被发现，但多数出现在诺亚纪（Noachian）岩石中。已发现的层状硅酸盐沉积物主要以3种不同的形式存在：①成层的硅酸盐沉积；②块状的诺亚纪层硅酸盐沉积；③陨石坑内含层状硅酸盐的沉积扇。对这些沉积物的成因机制，尽管已经提出了像火山灰蚀变、玄武岩风化壳近地表风化、经搬运的分选黏土在水下沉积及热液沉积等多种观点，但至今仍不明确。此外，对硫酸盐、橄榄石或辉石也进行了填图。
三、资料来源
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. 高光谱矿物信息提取
8.6.1 方法与流程
8.6.1.1 产品生成业务化流程
常用的高光谱矿物填图标准方法：先运用最大噪声分离（MNF）变换对反射率数据进行波谱降维，用像元纯度指数（PPI）分析进行空间降维，然后用N维可视化方法来确定图像端元，进行端元识别，确定矿物波谱，最后用合适的方法进行矿物填图，并对结果进行优化操作。矿物填图流程图如图8.40所示。
1）数据降维。利用MNF变换进行光谱数据减维，分离数据中的噪声，减小运算量。观察最终特征值和MNF图像，确定数据的固有维数，选择合适的MNF波段进行PPI指数计算。
2）计算图像的PPI指数。计算MNF图像的PPI指数，最终产生PPI图像，图像中像元的DN值代表像元被记录为极值的次数，从直方图中选择阈值，仅选择最纯的像元以保证被分析的像元数最小，这些像元被输入到分离特定光谱端元的交互式可视化算法中。
3）N维可视化进一步提纯纯净像元。在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。通过选择n维散点图的顶点和拐角，进一步提纯纯净像元。将最终确定的端元输入到图像中的感兴趣区（ROI），从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。
图8.40 常见高光谱矿物填图流程
4）建立真实波谱库。将采集端元的波谱曲线输出，经过波谱分析（用波谱特征拟合算法与USGS标准波谱库进行匹配识别）得到的波谱曲线图，确定端元矿物并建立该矿物的真实波谱库。
5）选择合适的填图方法，辅以自行建立的真实波谱库，提取出各类矿物。并对提取结果做最小图斑去除、类合并等操作，优化矿物提取结果。
8.6.1.2 矿物信息提取的高光谱数据预处理
先将成像高光谱数据进行辐射定标、大气校正等过程得到光谱反射率数据。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射定标和光谱重建是地物识别和定量分析不可缺少的环节。只有经过辐射标定、辐射校正和大气校正，剔除由于大气散射、吸收、地形起伏及传感器本身不稳定带来的各种失真，将记录的图像值转换为地面的反照率值，重建像元地面光谱，才能根据光谱特征，有效地识别地物，反演地物成分。
8.6.1.3 典型矿物光谱吸收特征分析
首先打开波谱数据库系统图8.41调出所研究的典型矿物的光谱进行分析。
根据主要谱带的位置将矿物划分为含Fe2＋矿物、Fe3＋矿物、Mn2＋矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等大类。
Al-OH：诊断谱带一般位于2165～2215 nm附近；
Mg-OH：诊断谱带一般位于2315～2335 nm附近；
Fe2＋：诊断谱带一般位于1000～1100nm附近；
图8.41 波谱库系统主界面
Fe3＋：诊断谱带一般位于600～900nm附近；
Mn2＋：诊断谱带一般位于450～600nm附近。
以主吸收谱带和次要吸收谱带的组合特征，并考虑到吸收谱带在不同岩石中的变异，识别矿物族。如对Al-OH键矿物可分为明矾石族、蒙脱石族、白云母族、高岭石族；含Mg-OH矿物可分为绿泥石族、黑云母族、绿帘石族、蛇纹石族、滑石-透闪石族等；碳酸盐矿物包括方解石族、白云石族等。
1）对于Al-OH键矿物：
明矾石族：两个吸收特征分别位于2175nm（2165～2175nm，± 10nm）和2325nm。
蒙脱石族：位于2215nm（2205～2215 nm，± 10nm）的主要吸收特征伴随有一个2440nm的次级吸收。
白云母-伊利石族：位于2205nm（2195～2215 nm，± 20nm）的主要特征吸收伴随有三个次级吸收峰，分别位于2355nm，2440nm和2115nm。
高岭石族：2200nm附近的OH-谱带，在该谱带左翼存在次一级的谱带（2160nm）。
图8.42为典型Al-OH键矿物波谱特征图。
图8.42 几种典型Al-OH键矿物波谱特征图
2）对于碳酸盐矿物：
方解石族：位于2330 nm～2340 nm的主要谱带。
菱铁矿族：同时具有Fe2＋在1000nm与
图8.43为典型碳酸盐矿物波谱特征图。
图8.43 几种典型碳酸盐矿物波谱特征图
3）对于Mg-OH键矿物：
绿泥石族：位于2330 nm主要吸收特征伴随有一个2386 nm及2224 nm两个次级吸收。
绿帘石族：位于2330 nm主要吸收特征伴随有一个2225～2226 nm的次级吸收。
蛇纹石族：位于2320 nm附近主要吸收特征伴随有2110 nm为中心的较宽的弱谱带。
滑石-透闪石族：位于2290～2310 nm附近的较宽的双峰谱带和2385 nm附近的次级吸收。
图8.44为典型Mg-OH键矿物波谱特征图。
图8.44 几种典型Mg-OH键矿物波谱特征图
8.6.1.4 矿物识别技术
目前，基于成像光谱数据的矿物识别的方法主要有：基于光谱波形参数、基于光谱相似性测度、基于混合光谱模型、基于地质统计规律、基于光谱知识的智能识别等。
（1）光谱波形参数提取与蚀变识别的技术方法
岩石矿物单个诊断性吸收特征峰可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（W）、吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作完整地表征（陈述彭等，1998）。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HSI编码与吸收波段图（Kruse，1988）是利用连续统去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像及波段半极值宽度（FWHM）图像，并分别赋予HSI空间的明度（H）、强度（I）和饱和度（S），然后逆变换到RGB色度空间。代表性的方法还有光谱特征拟合（SFF）等。
光谱特征拟合（SFF，Spectral feature fitting）：光谱特征拟合是一种基于光谱吸收特征的方法，使用最小二乘法技术将图像中每一个像元的光谱曲线与所选择的参考光谱曲线的吸收特征进行拟合。是选择包含目标矿物特定吸收谱带的光谱区间，利用最小二乘拟合方法，比较像元光谱与目标光谱吸收特征的整体形态和吸收深度。该方法对噪音和地形有较好地抑制作用。
（2）基于相似性测度的识别技术方法
成像光谱最大的优势在于利用有限细分的光谱波段，去再现像元对应物的光谱曲线。这样，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（甘甫平等，2000）。基于整个波形的识别技术方法是在参考光谱与像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。这类方法主要有光谱角制图（SAM）技术、光谱二值编码（Binary encoding）技术等。
（3）基于光谱知识模型识别的技术方法
基于光谱知识模型识别的技术方法是建立在一定的光学、光谱学、岩矿结晶学和数学理论之上的信号处理技术方法。它不仅能够克服利用单一谱形识别所存在的缺陷，而且从地物光谱学原理入手、从本质上理解认识岩矿光谱的物理机制与物理过程，建立光谱数学物理模型，识别并定量提取岩矿信息。这在一定程度上能精确地量化地表物质的组成及深入地描述地物组成的物理特性，以进一步探测地物所蕴藏的成生环境本质。例如，建立在Hpake（1981）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像元光谱反射率响应的差异，构造光谱线性分解模型，从而识别地物，量化地物成分，挖掘地物成生环境信息。
（4）基于地质统计特征的分类识别方法
该类方法是基于地物在图像上的统计分布规律，建立地质模型进行图像分类识别。比较典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），几何光学模型（Geomertic-optical Model），随机几何模型（Stochastic Geometric Model）及非参数地质统计模型（Non-paramertic GeostatisticTechnique）。
（5）基于光谱知识的智能识别方法
传统的及上述的成像光谱识别方法利弊共存。对于高维与超大容量的成像光谱数据及大量的实验室光谱研究结果等迫切要求新的高效的遥感定量分析技术。因此，专家系统、人工神经网络、模糊识别等基于光谱知识的智能识别应运而生。神经网络技术是应用最广泛的识别技术（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立一个试验性专家系统；Kruse等（1993）建立了基于知识的成像光谱矿物自动匹配制图系统。以Dempster-Shafer证据理论为基础格架的证据推理方法也得到了一定程度的应用。基于光谱知识的智能识别技术方法与系统将是成像光谱遥感地物信息识别、提取与量化及实用化的最佳选择与发展方向，极具潜力。
8.6.2 结果与分析
8.6.2.1 蛇纹石矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.45所示。
图8.45 蛇纹石波谱匹配图
图8.46 五种填图方法结果对比
用前文简述的常用五种方法提取蛇纹石的具体位置，并进行对比分析，填图结果如图8.46所示。
用SAM矿物填图方法，可以快速提取端元采集出的所有地物，并用彩色分类影像来显示，使人们很直观地看出该矿物的分布范围。
光谱特征拟合将为每个参照波谱输出一幅比例图像和 RMS 图像或一幅合成的“拟合”图像（Scale/RMS）。较高的拟合值表明该像元与参照波谱匹配较好。但是波谱特征拟合效果并不是很好，因为如果输入了错误的参照端元或使用了错误的波长范围，也会出现一个远远大于1的比例值。
MTMF（混合调制匹配滤波）结果将以一系列灰阶图像的形式出现，两幅图像对应一个被选波谱。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。不可行性（Infeasibility）值以sigma噪声为单位，显示了匹配滤波结果的可行性。用于准确制图的像元有一个大于背景分布值的较高的匹配滤波值和一个较低的不可行性值。对得出的浮点图进行密度分割等操作，也能很好的得出蛇纹石的分布范围。
MF（匹配滤波结果）将以一系列灰阶图像的形式出现，每幅图像对应一个选择的端元。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。对MF的结果图做密度分割等操作，也可明显地看出蛇纹石的分布范围。
线性光谱分解的结果将以一系列灰阶图像的形式出现，每幅灰阶图像加上一个RMS误差图像对应于一个端元。经过发现，此方法的提取效果并不是很好，噪声较多。因此在实际应用中，并不建议使用此方法。
通过以上对比分析，发现SAM，MTMF，MF三种方法在本地区都比较适合蛇纹石这种矿物的填图，只是MTMF，MF两种方法还需对结果图进行密度分割处理，稍显繁复，但填图效果良好。
8.6.2.2 白云母矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库（图8.47）。因为随着白云母中Al含量的减少，Al-OH的谱带位置逐渐向长波方向移动，所以可以分辨出贫铝白云母和富铝白云母的波谱曲线。
图8.47 白云母波谱匹配图
用上述五种方法提取蛇纹石的具体位置，填图结果如图8.48所示。
经过以上五种填图方法的对比分析发现，SAM填图方法效果最佳，不仅明确填出白云母矿物的范围，而且避免了误差引起的填图错误。此外，对光谱特征拟合后的结果图做密度分割等操作，所提取的矿物范围也较好。因此，两种方法均适合进行白云母的矿物填图。
8.6.2.3 绿帘石矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.49所示。
用上述五种方法提取蛇纹石的具体位置，填图结果如图8.50所示。
经过以上五种填图方法的对比分析，发现SAM填图方法效果最好。但光谱特征拟合、MTMF和MF三种方法对绿帘石也有较好的显示，对他们的结果图做密度分割等操作，也能较好的提取出蛇纹石的范围，因此，以上四种方法都适合蛇纹石矿物的提取填图。
图8.48 五种填图方法结果对比
图8.49 绿帘石波谱匹配图
8.6.2.4 绿泥石矿物的填图及效果分析
选取HyMap数据，选取USGS标准波谱库中绿泥石的光谱曲线作为参考光谱。利用上面的方法提取绿泥石的具体位置，填图结果如图8.51所示。
8.6.2.5 多种矿物填图情况
（1）HyMap数据1情况分析
依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如下（图8.52 ，图5.3）。
Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比（图8.54 ，图8.55）。实验发现富铝白云母（黄颜色图例）在阈值设置为0.97和0.96时，分类效果变化非常大，由于软件对该阈值的设定只支持小数点后2位，所以不能进一步的精确，对比分析两种阈值的分类效果，得出二进制编码方法对富铝白云母的提取效果不是很好。
Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.56和图8.57所示。
Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如下（图8.58至图8.60）。
（2）HyMap数据2情况分析
依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.61所示。
最小距离填图：最小距离填图的参数设置及填图效果差异如图8.62和图8.63所示。
（3）模拟数据情况分析
依据地面区域地质资料，在模拟的反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
图8.50 五种填图方法结果对比
图8.51 三种填图方法结果对比
图8.52 局部区域填图效果
图8.53 整体区域填图效果
图8.54 填图效果1
图8.55 填图效果2
图8.56 局部区域填图效果截图
图8.57 整体区域填图效果
图8.58 不同阈值局部地区填图效果
图8.59 填图效果（Threshold＝0.001）
图8.60 填图效果（Threshold＝0.005）
图8.61 SAM 方法填图
图8.62 参数1下效果图
图8.63 参数2下效果图
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，阈值的设定情况和填图效果如图8.64所示。
图8.64 SAM 填图效果
Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，阈值的设定和填图效果情况如图8.65所示。多次试验发现该方法对提取chlorite和chlorite＋serpentine的效果不是很理想。
图8.65 填图效果
Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，阈值的设定和填图效果情况如图（其中Max Distance Error＝2000 ，图8.66）。
图8.66 填图效果
Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如图8.67所示。
图8.67 填图效果（Threshold＝0.005）
8.6.2.6 矿物信息填图结果分析
综合前面的分析结果，开展了矿物信息提取结果图，为了分析矿物信息填图效果，搜集了前人对此试验区（图8.68）进行的矿物填图结果（图8.69）。
图8.68 矿物信息研究的区域图
图8.69 前人的矿物提取结果填图结果
为开展蚀变矿物识别精度分析，可对比研究区本次提取的蚀变矿物分布图（图8.70）与前人提取的蚀变矿物信息分布图结果，逐像素进行对比（由于分辨率不同需做像素变换），如果研究区总的点数为N，本次与前人矿物分布图的结论相同就认为该点取值1，最后统计结果中1的个数n，这样蚀变矿物识别精度可定义为
高光谱遥感技术原理及矿产与能源勘查应用
对比分析本次矿物信息填图结果和前人矿物信息的填图结果，发现其结果并非完全一样。其中蛇纹石的填图效果一致性最高；绿帘石的分布范围一致，但本次数据的填图结果显示的范围较大；白云母的分布范围基本一致，但贫铝白云母和富铝白云母的分布范围有些混淆，经过对比分析，本次数据和前人数据填图范围的一致性达到89%，基本满足高光谱数据的填图要求。对出现误差的主要原因分析如下：
1）前人数据是机载高光谱数据，空间分辨率可达到3～12m，此处的Hymap数据的空间分辨率为5m，而本次数据是模拟星载高光谱数据，空间分辨率为30m。随着分辨率的降低，单个像元所对应的地面面积将增大，导致每个像元中包含更多的矿物类型，矿物间的影响性也会增加。一方面，由于混合像元的平均效应，目标矿物在像元中的等效丰度会下降，光谱信息减弱。当像元中目标矿物的等效丰度下降到检出限以下时，矿物将不能被识别，而造成矿物分布区的外围含量较低的地段和含量较低分布区填绘面积的减少，点状集群分布区的漏识别，线状分布区的断续分布。这种效应相当于检出限的下降。另一方面，当像元中目标矿物的等效丰度在检出限以上时，会使面状矿物分布区的范围扩大、空洞的充填、相邻小区的连接，点状集群分布区的成片，线状区域的斑点效应。这两种效应的综合作用结果，空间分辨率的减小则会使强异常区（包括高丰度区和光谱反衬度较高的矿物分布区）范围的扩大、小区的相连、点群的结合，而使异常更加醒目，但其细节特征会因此消失；弱异常区（包括低丰度区和光谱反衬度较低的那些矿物分布区）和小异常区面积会缩小或漏检；线状异常可能会形成断续分布的小斑块而使线状特征和其走向变得不清晰。因此，在填图的细致程度上，分辨率越高的数据填图效果越好，这是造成填图效果差异的最主要的原因之一。
图8.70 本次试验矿物信息提取填图结果
2）辐射校正的精确程度。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射校正和光谱重建是地物识别不可缺少的环节。由于Hymap数据是机载高光谱数据，Hyperion数据是星载高光谱数据，对两种数据进行辐射校正的参数也是不一致的，因此，得出的反射率数据也是有差异的，这也是造成填图差异的原因之一。
总之，用本次数据进行矿物填图是可行的，它可以在一定程度上对矿物的种类及分布进行识别。
6. 高光谱数据有bmp形式的吗
有的，高光谱数据形式很多样
数据（data）是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的原始素材。
数据可以是连续的值，比如声音、图像，称为模拟数据；也可以是离散的，如符号、文字，称为数字数据。
在计算机系统中，数据以二进制信息单元0、1的形式表示。数据
数据是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。
它是可识别的、抽象的符号。
7. 热红外高光谱
一、内容概述
发射光谱率可提供对可见光-近红外到短波红外（VNIR-SWIR）光谱具有补充作用的信息，几种关键的成岩/成壤矿物（石英、长石、橄榄石和辉石）在VNIR-SWIR波长范围内没有明显的光谱特征，而在热红外波长范围内拥有可诊断的吸收特征。热红外（8～14μm）和中红外（3～5 μm）区间对地质遥感研究极具潜力，但很少被研究，其可能原因有：①物理性质复杂，如热红外区间的体散射效应，中红外区间的发射率与温度干扰等；②缺少野外/实验室光谱测量仪与（机载/星载）高光谱数据。20世纪90年代初，Mike Abrams曾经演示过热红外与短波红外观察相结合的优点。依据热红外多波谱扫描数据，Simon Hook与其合作者发现可揭示有关信息的类型。对岩石/矿物热红外光谱学的研究与John Salisbury及其研究小组关于中波红外光谱学的研究，都促进了红外遥感的发展。John Salisbury的基础研究展示了该领域（尤其在发射率测量方面）的潜力，当然也发现了其物理上的复杂性。此项工作的许多数据被收录在发射率光谱数据库（ASTER光谱数据库）中。
有几项卫星任务（mission）目前可获取热红外区间的图像数据，它们分别具有不同的空间分辨率与时间分辨率，包括ASTER（空间分辨率90m，每16d重访一次）、MODIS（中分辨率成像分光辐射计，空间分辨率1km，每日重访一次）、SEVIRI/MSG（旋转增强型可见光-红外成像仪，空间分辨率3km，每15min重访一次）及AVHRR-3/METOP（改进型超高分辨率辐射计，空间分辨率1.1km，每日重访一次）。尽管这些传感器可获取陆地表面温度信息，但由于其空间分辨率与光谱分辨率过低，故不能精确测量发射率。此外，还有许多计划中的卫星任务，例如美国宇航局（NASA）的HyspIRI（空间分辨率60m，每周重访一次）、搭载在欧洲航天局（ESA）的“哨兵-3”（SENTINEL-3）上面的SLSTR（海洋与陆地表面温度辐射计，分辨率500～1000m），以及多个可能部署的机载传感器，如AHS（机载高光谱扫描仪）、ITRES Sasi-600、Specim AISA Owl、SEBASS（空间增强型波段阵列光谱系统）等。
二、应用范围及应用实例
机载/星载热红外高光谱数据源较少，因此在一般地质应用中不多见。目前多见于火星地质研究。在地质填图中应用的热红外数据主要来源于SEBASS。而火星热红外矿物填图研究使用的是“火星全球勘测者（MGS）”任务上的热发射光谱仪（TES）。
三、资料来源
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. 高光谱图像的介绍
光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(Hyperspectral
Image)。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了专光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域（如医学、农学等）的属极大兴趣。