遥感如何识别信息

‘壹’ 遥感如何识别土壤水分

卫星遥感估测土壤水分的一种方法。而且他的素质也相当的靠谱，这也是一种高科技的结果。

对于植被影响土壤水分遥感的大小 , 提出了 “光学植被盖度”新概念来衡量 , 并用遥感法进行估

测 。用分解象元法排除植被干扰来提取土壤水分光谱信息 。采用土壤水分光谱法并借助回归分析建立土壤

水分遥感的 TM 数据模型 。以此为桥梁 , 建立了 AV HRR 数据模型 。

关键词 土壤水分 , 遥感 , 光学植被盖度

4达 :

b P ()ae 1 R = 引 言 1

式中 R 为光谱反射率 , P 为土壤水分百分数 ,

又受植被覆 由于土壤水分受多种因素的影响 , b 为待定系数 。 a ,

盖的干扰 , 因而土壤水分遥感是一项难度较大的研 模拟试验区内灌淤土 、灌耕土 、灌耕灰漠土 、 究课题 。国内外关于土壤水分遥感的方法可归纳为 风沙土 、水稻土等 5 种主要土壤含水量与反射率的 土壤水分光谱法 、热惯量法 、气象法 、植物水分生 关系皆有类似的规律 。前 4 种土壤的毛管持水量分 1 —35 ,6 理法 。该研究采用土壤水分 光 谱 法 。对 植 被 别为 2912 % , 2914 % , 1616 % , 2610 %。 的影响 , 采用遥感估算光学植被盖度 , 分解象元排 212 土壤反射率与辐亮度的关系 除法来提取土壤水分光谱信息 。从 TM2 、3 、4 波

() 段 与 NOAA1 、2 通道相近数据入手建立土壤 卫星传感器接收到土壤某波长的光谱辐亮度

7水分遥感模型 , 用理论和实践相结合的方法 , 建立 B有下列关系 : λ

NOAA - AV HRR1 、2 通道的土壤水分遥感估测模 τ()B= RB 2 λ λλλ o型 。这样更便于大面积土壤水分遥感估测 。 τλ式中 R为土壤对波长的光谱反射率 ; 为 λ λ

λ λ 大气对波长的光谱透射率 ; B 为土壤在处的λ o2 基本原理 太阳光谱辐亮度 。

211 土壤水分与光谱反射率的关系 传感器某波段的平均辐亮度 B 可表示为 : n

τ()B = a R B + b3 n nnon 土壤是含多种成分的复杂的自然综合体 。土壤

τR 、、B 分别为相应波段的土壤平均其中 n n on 光谱受土壤母质 、有机质 、水分等多种复杂因素的

反射率 、大气 平 均 透 射 率 、入 射 到 土 壤 平 均 辐 亮 影响 , 在母质等其余因素固定的情况下 , 土壤光谱

度 。a 和 b 是与仪器对波段频率响应和仪器灵敏度 受土壤水分的制约比较明显 。不同土壤类型随水分

有关的系数 和 常 数 。当 波 段 范 围 确 定 , 大 气 稳 定 变化稍有差别 , 一般随土壤水分的增加而反射率降

τ( ) 时 , 、B 可视为定量 。由 3式可变成 : n on 低 , 这为用遥感方法探测土壤水分提供了可能 。

()4 R = A B - b n n 从各波长点的土壤水分 —反射率曲线图 , 发现

这说明土壤某波段平均光谱反射率与卫星遥感 土壤水分含量约大于 5 %时 , 随土壤水分含量的增

数据相应波段的光谱亮度成正比 。利用这个关系可加而反射率呈指数下降趋势 。这样测定了土壤水分。速度非常快，方法也很简便。

‘贰’ 如何通过遥感影像识别构建某方向地理环境知识图谱

建立地理环境知识图谱通常需要从以下几个方面入手：

收集遥感影像数据：可以使用遥感卫星或飞机拍摄的影像数据，也可以使用已有的遥感影像数据库。

对遥感影像进行处理：需要对遥感影像进行预处理，包括去噪、校正、分类等操作。

建立地理知识模型：需要建立一个地理知识模型，描述地理环境中的实体（如地形、土壤、植被等）和它们之间的关系。

建立地理知识图谱：使用地理知识模型建立地理知识图谱，并使用遥感影像为图谱中的实体进行标注。

使用地理知识图谱：地理知识图谱可以用于各种地理环境应用，如地形分析、土地利用规划、资源管理等。

需要注意的是，建立地理知识图谱的过程需要结合遥感影像的特点，进行相应的调整。

‘叁’ 遥感介绍一下

[remote sensing] 通过人造地球卫星上的遥测仪器把对地球表面实施感应遥测和资源管理的监视(如树木、草地、土壤、水、矿物、农家作物、鱼类和野生动物等的资源管理)结合起来的一种新技术
遥感(RS)简介
遥感是以航空摄影技术为基础，在20世纪60年代初发展起来的一门新兴技术。开始为航空遥感，自1972年美国发射了第一颗陆地卫星后，这就标志着航天遥感时代的开始。经过几十年的迅速发展，目前遥感技术已广泛应用于资源环境、水文、气象，地质地理等领域，成为一门实用的，先进的空间探测技术。 遥感是利用遥感器从空中来探测地面物体性质的，它根据不同物体对波谱产生不同响应的原理，识别地面上各类地物，具有遥远感知事物的意思。也就是利用地面上空的飞机、飞船、卫星等飞行物上的遥感器收集地面数据资料，并从中获取信息，经记录、传送、分析和判读来识别地物。
编辑本段遥感技术主要特点
1．可获取大范围数据资料。遥感用航摄飞机飞行高度为10km左右，陆地卫星的卫星轨道高度达910km左右，从而，可及时获取大范围的信息。例如，一张陆地卫星图像，其覆盖面积可达3万多km2。这种展示宏观景象的图像，对地球资源和环境分析极为重要。 2．获取信息的速度快，周期短。由于卫星围绕地球运转，从而能及时获取所经地区的各种自然现象的最新资料，以便更新原有资料，或根据新旧资料变化进行动态监测，这是人工实地测量和航空摄影测量无法比拟的。例如，陆地卫星4、5，每16天可覆盖地球一遍，NOAA气象卫星每天能收到两次图像。Meteosat每30分钟获得同一地区的图像。 3．获取信息受条件限制少。在地球上有很多地方，自然条件极为恶劣，人类难以到达，如沙漠、沼泽、高山峻岭等。采用不受地面条件限制的遥感技术，特别是航天遥感可方便及时地获取各种宝贵资料。 4．获取信息的手段多，信息量大。根据不同的任务，遥感技术可选用不同波段和遥感仪器来获取信息。例如可采用可见光探测物体，也可采用紫外线，红外线和微波探测物体。利用不同波段对物体不同的穿透性，还可获取地物内部信息。例如，地面深层、水的下层，冰层下的水体，沙漠下面的地物特性等，微波波段还可以全天候的工作。 遥感技术所获取信息量极大，其处理手段是人力难以胜任的。例如Landsat卫星的TM图像，一幅覆盖185km×185km地面面积，象元空间分辨率为30m，象元光谱分辨率为28位的图，其数据量约为6000×6000=36Mb。若将6个波段全部送入计算机，其数据量为： 36Mb×6=216Mb
编辑本段广泛的应用
为了提高对这样庞大数据的处理速度，遥感数字图像技术随之得以迅速发展。 目前，遥感技术已广泛应用于农业、林业、地质、海洋、气象、水文、军事、环保等领域。在未来的十年中，预计遥感技术将步入一个能快速，及时提供多种对地观测数据的新阶段。遥感图像的空间分辨率，光谱分辨率和时间分辨率都会有极大的提高。其应用领域随着空间技术发展，尤其是地理信息系统和全球定位系统技术的发展及相互渗透，将会越来越广泛。 遥感（Remote Sensing），从广义上说是泛指从远处探测、感知物体或事物的技术。即不直接接触物体本身，从远处通过仪器（传感器）探测和接收来自目标物体的信息（如电场、磁场、电磁波、地震波等信息），经过信息的传输及其处理分析，识别物体的属性及其分布等特征的技术。 通常遥感是指空对地的遥感，即从远离地面的不同工作平台上（如高塔、气球、飞机、火箭、人造地球卫星、宇宙飞船、航天飞机等）通过传感器，对地球表面的电磁波（辐射）信息进行探测，并经信息的传输、处理和判读分析，对地球的资源与环境进行探测和监测的综合性技术。 当前遥感形成了一个从地面到空中，乃至空间，从信息数据收集、处理到判读分析和应用，对全球进行探测和监测的多层次、多视角、多领域的观测体系，成为获取地球资源与环境信息的重要手段。 遥感在地理学中的应用，进一步推动和促进了地理学的研究和发展，使地理学进入到一个新的发展阶段。 遥感信息应用是遥感的最终目的。遥感应用则应根据专业目标的需要，选择适宜的遥感信息及其工作方法进行，以取得较好的社会效益和经济效益。 遥感技术系统是个完整的统一体。它是建筑在空间技术、电子技术、计算机技术以及生物学、地学等现代科学技术的基础上的，是完成遥感过程的有力技术保证。

‘肆’ 遥感变化信息检测的主要方法

本节所研究的主要是基于像元级的遥感变化信息检测方法。当今国内外常用的遥感变化信息检测方法主要有分类后比较法、代数运算法、光谱特征变异法、主成分分析法等。

( 一) 光谱特征变异法

光谱特征变异法是使用最为广泛的一种遥感变化信息检测方法，其原理是将两时相遥感影像的相关波段进行融合、组合，如果地物类型发生了变化，该区域的光谱就会发生变异或突变，与周围地物失去协调性，使得能通过肉眼识别出来。该方法容易受到研究区域地物光谱特征的影响，可能会丢失细小的变化图斑，但是在一般情况下总体效果良好 ( 冯德俊，2004) 。

图 4 －8 HIS 融合法结果

把研究区震前 IKONOS 的全色波段影像和震后QuickBird 的多光谱影像运用光谱特征变异法中的 HIS进行了融合，结果见图 4 －8。从图中可以看出，没有发生变化的区域光谱特征和分辨率都得到了加强 ( 空间分辨率变为 1m) ，其中水体、河流为蓝色，山地为褐色，植被信息为绿色，白色区域明显与四周的地物和背景信息光谱不协调，这就是发生变化的区域。

( 二) 主成分分析法

主成分分析法在遥感变化信息检测中使用很多，一般能够取得很好的检测效果，它能够在一定程度上消除影像内部各波段间的相关性，提高变化信息检测的效率和精度。

图 4 － 9 为 IKONOS 融合后影像与 QuickBird 融合后影像求差并取绝对值后进行主成分变换的第一个主成分图像。由主成分变换的特性知道，变换结果的第一分量集中了影像绝大部分的变化信息，而其他分量则主要反映了波段之间的差异性。第一分量就代表着变化信息。图 4 －9 中白色区域为发生变化的区域。

基于主成分分析的遥感变化信息检测方法仍然存在着一些缺陷: ① 由于主成分变换所得到的各个分量往往失去了原有的物理意义，所以还需要参考其他数据来分析地物类型变化与否及其因果关系。② 主成分分析 ( PCA) 是基于二阶统计的方法，只有在信号的统计分布满足高斯分布的条件下，才能完全消除信号间的相关性，而对于非高斯信号则只能去除信号间的二阶相关性 ( 钟家强、王润生，2006) 。在多时相遥感影像中，各种地类的光谱特性几乎都不能满足高斯分布，因此经过主成分变换后的各成分图像间仍然存在高阶相关性，而这些相关信息会直接影响到变化信息的检测和提取。由于这个原因，在做主成分分析时，常常导致把这些高阶相关信息转变为噪声，如图 4 －9 所示，白色的 “斑点”遍布整个分量影像，又和变化信息掺杂在一起 ( 变化的区域也为高亮的白色) ，这使得在提取真正变化信息的时候遇到困难，如何有效地消除多时相图像间的高阶相关信息，避免这些 “伪变化”的噪声，对于变化信息的检测和提取具有非常重要的意义。

‘伍’ 遥感信息反映了物体的哪些属性

遥感就是根据这个原理来探测地表物体对电磁波的反射和其发射的电磁波，从而提取这些物体的信息，完成远距离识别物体。
不同的传感器能探测到不同的地物属性，如地物的颜色、形状、大小、温度、表面粗糙度、对电磁表的吸收能力等等

‘陆’ 利用遥感技术获取信息的手段都体现在哪些方面

利用遥感技术获取信息手段多，信息量大，根据不同的任务，遥感技术可选用不同波段和遥感仪器来获取信息。例如可采用可见光探测物体，也可采用紫外线、红外线和微波探测物体。利用不同波段对物体不同的穿透性，还可获取地物内部信息。例如，地面深层、水的下层，冰层下的水体，沙漠下面的地物特性等，微波波段还可以全天候地工作。

‘柒’ 遥感信息提取方法

一、ASTER遥感信息提取方法

（一）图像预处理

本次研究所采用的ASTER数据产品等级是1B和3A01，数据已进行了传感器相关系数辐射校正。在进行几何精校正过程中，校正控制点主要源于研究区于20世纪70年代完成的1∶100000地形图，地形图的精度不高，因此控制点的总平均误差控制在2个像元内。

依据《ASTER矿物指数处理手册》的数据处理程序进行暗像元纠正，以消除大气散射对图像的影响。依据直方图找出各波段最小值的像元，像元的每个波段最小值代表或近似于大气辐射的影响，减去最小值的像元即可。ASTER图像经过暗像元处理后相当于进行了一次背景值滤波，使短波红外区间的特征更加明显，有利于提取矿物指数，从而提取岩矿信息。

由于研究区下垫面影响因子复杂，必须要消除云、雪和植被等下垫面复杂因素对基岩信息的干扰，掩膜图像处理技术可以有效地扣除这些干扰信息。具体处理过程为：首先，在植被、云及雪覆盖的原始图像上提取植被NDVI指数，制作NDVI指数图像，然后做植被0-1掩膜，再进行云和雪0-1掩膜，最后将植被掩膜与云、雪掩膜图像叠加，在此基础上进行有用信息的进一步处理，制作掩膜图像。掩膜图像的效用有两个方面，一是压缩图像处理样本的统计空间，使有用的信息相对得到增强，二是排除干扰信息可能引起的假异常。

（二）岩石与矿物信息提取方法

可见光-近红外波段区域对赤铁矿、针铁矿和黄钾铁矾等铁氧化物敏感，而短波红外波段可以探测粘土和层状硅酸岩矿物的特征吸收，实现更为详细的矿物岩石识别。在热红外谱域，8～14μm是最佳大气窗口，由于硅酸盐岩在热红外区间随着SiO₂含量的减少，岩石宽缓的吸收带向长波段方向系统位移，从而能够探测Si_nO_k、SO₄、CO₃、PO₄等原子基团基频振动及其微小变化，很容易识别硅酸盐、硫酸盐、碳酸盐、氧化物、氢氧化物等矿物，使困扰遥感地质的岩石识别成为可能，大大拓宽了遥感岩矿识别的广度与深度，从而弥补连续波段高光谱在热红外谱域的不足，使ASTER遥感技术成为岩矿识别的重要补充手段。

本次试验采用的主要信息提取方法包括基于掩膜图像的主成分分析、矿物指数和光谱角度填图方法等。

对于所有ASTER数据，常规图像均采用通道7、3、1（红、绿、蓝）假彩色合成，这种合成方案尽管植被的信息比较突出，但有利于后续使用者对照其他信息的图件判别地质体的色调异常与来源于植被的干扰异常。在该类图像中通常的规律是蓝色调大多为碳酸盐，紫色调的地质体二价铁含量相对较高。主成分图像通常采用4～9波段的主成分分析，依照试验结果，选用不同的主成分，其中3、4、5等弱信息的主成分使用较多。

1.主成分分析

主成分分析是遥感地质最有效和最常用的图像信息提取方法之一，它是将原始的遥感数据集变换成非常小且易于解译的不相关变量，这些变量含有原始数据中大部分信息，通过正交变换去除多波段图像中的相关信息，使新的组分图像之间互不相关，各自包含不同的地物信息，这是一种重要的图像增强方法。

在本次研究中，应用预处理后的掩膜图像进行主成分分析，通过将原始图像进行主成分变换，得到SWIR系统4到9波段的5个主成分的影像，将其中的PC3、PC4、PC5主成分分别置于绿、红、蓝影像层，生成主成分合成影像，并将该影像与高空间分辨率的VNIR段影像进行融合，生成新的主成分彩色合成影像。与传统的彩红外合成影像相比，主成分合成影像色差可以识别更细微的岩性差别。

从图9-6不难看出，对掩膜前后的图像均采用相同的主成分组合方案，但掩膜后的主成分图像细节更加突出，中三叠统闹仓坚沟组（T₂n）板岩（蓝色调条带）被突出了。

2.矿物指数法

ETM数据只能提供一些铁锰成分异常和羟基蚀变矿物异常等一些笼统的信息，而ASTER的波段划分更精细，能够提供更为明确的矿物信息。常见矿物的特征吸收带集中在2～2.3μm之间（图9-1），即在ASTER的5～9波段之间，而ASTER的第4波段尽管没有特征吸收存在，但它是地质体反射率统计差异最大的遥感窗口。目前，国际上流行的各类矿物指数方法很多，它们主要是基于上述这些矿物特征吸收带的波长位置及其与ASTER波段设置的关系，通过简单的各类比值运算得来，如《ASTER矿物指数处理手册》所收集的澳大利亚科工组织（CSIRO）和美国地质调查局等机构经常使用的一些矿物指数（图9-7）。

图9-6 温泉水库地区ASTER掩膜主成分分析图像

（短波红外4～9波段的4、3、5主成分合成图像）

波段比值是一种经常被用来提取波谱信息的有效手段。根据代数运算的原理，当波段间差值相近但斜率不同时，反射波段与吸收波段的比值处理可增强各种岩性之间的波谱差异，抑制地形的影响，并显示出动态的范围。波段比值通常是在对大气路径辐射或由多光谱传感器产生的叠加偏移进行初步校正的基础上，由两个波段对应像元的亮度值之比或几个波段组合的对应像元亮度值之比获得。通常是选择特定目标的最小或最大反射或辐射波段作为比值波段。一种地物在两个波段上波谱辐射量的差别，常被称为波谱曲线的坡度。不同地物在同一波段上坡度有大有小，有正有负。比值法就是增强不同地物以及岩石间的这种微小差别。因而，以岩矿的特征光谱为基础，选用适当的波段比值进行彩色合成，可增强岩性和蚀变带信息，便于提取蚀变信息。

我们选取了20个各类矿物比值进行试验应用，在图像处理软件中进行流程式的批量处理，再依据具体地质背景和图像质量进行筛选，获得了较好的应用效果。尤其对粘土类矿物的蚀变和层状硅酸盐矿物的岩性识别非常有效，对巴颜喀拉山群浅变质岩岩性划分具有良好的应用效果。

所采用的各类遥感矿物指数择要描述如下：

（1）波段12/波段13比值：基性度指数（BDI）。由澳大利亚科工组织Bierwith提出，BDI与岩石中的二氧化硅含量有很好的负相关，高亮度为基性成分高的地质体，低亮度为酸性地质体，可以很好反映地质体的基性程度。在东大滩铜矿区花岗岩体外接触带及前寒武纪变质岩区，BDI显示出很好的异常及其与铜矿之间的关系。

（2）波段14/波段12比值：富石英岩类异常。异常效果良好，是硅化蚀变的重要依据。在昆仑山巴颜喀拉山群地层和温泉水库西部的下二叠统中普遍存在该指数的异常，表明均为一套高硅质的浅变质岩系。在卡巴纽尔多南部，沙地表现为高二氧化硅含量的正异常。此外，高山冰缘区土壤湿度存在垂直分带现象，同样会引起基性度指数或二氧化硅指数的假异常，这种异常往往沿等高线分布。

（3）波段13/波段14比值：碳酸盐岩异常。该比值由于热红外14通道的噪声较大，应用效果并不理想，仅在温泉水库和昆仑山一带有较好的显示。

（4）波段4/波段5比值：铁矾土异常。Bierwith定义为铁矾土，而Volesky定义为硅酸盐蚀变。高浓度异常的大面积分布通常具有重要的找矿指示意义。

图9-7 《ASTER矿物指数处理手册》中常用矿物指数汇总

（5）波段5/波段3+波段1/波段2比值：二价铁异常。该比值需要谨慎对待，尤其在高山区，雪在1波段的高反射常常引起假异常，需要结合常规合成图像具体分析。

（6）波段4/波段2比值：铁帽异常。试验区图像效果较差，尚未发现有意义的异常，但由于铁帽在找矿中的重要意义，以及其负异常的突出特征，保留这一指数是必要的。

（7）波段7/波段5比值：高岭土矿物异常，该比值不确定性较强。沟谷中条带状分布的异常可能与表生作用下的风化高岭土有关，大面积的团块状异常才具有内生蚀变矿物的意义。

（8）（波段4+波段6）/波段5比值：明矾石和高岭土指数。在纳赤台万保沟群中大面积出现这种异常，但实地考察属硅化大理岩异常。

（9）波段7/波段6比值：白云母异常。白云母在2.2μm附近的特征吸收（ASTER第6波段）较强，实践证明该指数较为敏感，对板岩类有良好的识别能力。

（10）（波段5×波段7）/（波段6×波段6）比值：粘土矿物蚀变异常。具有明确的找矿指示意义，在水泥厂东北部存在这种异常。

（11）（波段7+波段9）/波段8比值：碳酸盐-绿泥石-绿帘石组合异常。主要分布在1∶5万水泥厂幅东北部和温泉水库西部。可以与波段13/波段14比值图像碳酸盐异常对比，进一步区分碳酸盐异常和绿泥石-绿帘石异常。

（12）波段5/波段6比值：多硅云母异常。

（13）（波段5+波段7）/波段6比值：绢云母-白云母-伊利石组合异常。该组矿物高浓度异常具有明确的找矿指示意义，但大面积异常通常意味着变质岩区的片岩，如内蒙古狼山地区的大面积异常与该地区伟晶岩化、云母片岩、板岩等区域变质或侵入接触变质作用有关。在东昆仑试验区也具有很好的效果，昆仑山巴颜喀拉山群和温泉水库西部的下二叠统均有大面积的该类矿物异常。

必须指出的是，实际信息提取过程中，白云母和高岭土异常经常在空间上相伴生，在昆仑山和1∶250000填图区北部出现这种情况，很有可能仅仅是一种异常。在变质岩区有可能仅仅是白云母，而非高岭土。从图9-1不难看出，高岭石和白云母的特征吸收带都出现在ASTER的第6通道，波长位置的细微差别有可能是ASTER矿物指数方法容易产生混淆的原因。在1∶50000填图区东北部的异常也同样出现类似状况，绿帘石、绿泥石、角闪石和碳酸盐均出现异常。实际上这种异常均出现在第8通道附近，这几种矿物均存在较强的吸收带。这种情况可能仅仅是碳酸盐，但它们与典型的碳酸盐（731为蓝色调）又有明显的区别。

尽管如此，矿物指数方法在实际应用中也存在一些问题，从典型矿物曲线和ASTER波段的对比中不难看出有可能出现几种易混淆的矿物组：如高岭土-白云母和方解石-白云石-绿帘石-绿泥石-角闪石等矿物组。因此，集中在第6和第8通道的异常仅仅说明具有显着的某种矿物类的异常，而不能明确说明是何种矿物。在复杂条件下只能明确矿物类，可以在此基础上进行野外验证，从而确定矿物种类。

在热红外区间，岩石的二氧化硅含量与Si-O₂振动强吸收带的波长位置呈现反比的系统位移规律，这是ASTER识别硅酸盐岩的基本依据。此外，碳酸盐岩在ASTER的14波段的强吸收也是识别该岩类的基本依据，但14通道红外辐射能量最弱，噪声大，应用效果不理想。

3.光谱角度填图方法

光谱角度填图方法（SAM）是Boardman开发的一种算法程序，一般用于超光谱图像的监督分类。该方法给出一系列光谱记录来逐一定义每个岩石类型，将每个像元看作n维图像数据库空间的一个向量，并计算与光谱数据库中光谱数据记录（参考光谱）之间的向量夹角。像元光谱与光谱记录（参考光谱）的光谱角度相匹配，即可分类为该类岩石。SAM方法的优越性在于只考虑像元光谱与参考光谱的相似性，不考虑像元相对亮度的影响，这在一定程度上改善了阴影，或者土壤湿度的干扰，因为角度的匹配不考虑向量模的大小。

该方法应用的条件是图像数据必须进行反射率反演，使像元的“视反射率”能够与光谱数据库中的参考光谱进行匹配。但实际应用中，由于大气条件和图像质量等各方面的原因，较难完成反射率反演这道科学程序，从而限制了该方法的实际应用。因为ASTER的数据质量不理想，参考光谱选用的是典型的像元光谱。

光谱角度填图方法试验区选在纳赤台北部的东昆中断裂带附近的花岗岩内外接触带（图9-8）。试验中选取的典型岩类有5个，构成参考光谱数据库。提取的像元光谱是1～9波段，依照这组波段曲线，它们的光谱角度最大差异的区间分布在4～9波段的近红外-短波红外谱段，因此将其作为SAM处理的6维向量空间，角度匹配的阈值为5度。从结果中能够看出，SAM方法不仅可以克服花岗岩中不同亮度值对分类的影响，能够进行阴影中的分类，而且能够区分常规合成图像中容易混淆的 白云石（蓝色）和高岭土（黄色）。但万保沟群中的部分岩性段被归入花岗岩体（红色），说明该方法还不能区分“同谱异质”的地质体。

图9-8 纳赤台北部ASTER数据4～9通道光谱角度填图

上图—光谱角度填图结果；中图—ASTER7、3、1常规合成图像；下图—基于像元的分类参考光谱

说明：横轴为ASTER1-9波段；纵轴为像元视反射率。

二、IRS-P6遥感矿物指数试验

IRS-P6在地质上的应用国内外少有报道，主要原因是它波段分布有限，尤其缺少短波红外区间的设置，因此缺乏对羟基类地质体信息的识别能力（表9-7），但它的地面分辨率高于ETM，在ETM数据缺乏或者质量不佳的情况下也不失为一种可以替代的数据资源。本次试验也对其在地质填图中的应用效果进行了比值指数的初步应用。

表9-7 IRS-P6和ETM的波段设置对比

在可见和近红外区间，铁的特征吸收占光谱的主导因素。依据常见铁氧化矿物的吸收特征，针对0.9μm附近三价铁的宽缓吸收带，波段2和波段3良好地反映了该处的吸收特征。因此选用CH2/CH3作为三价铁氧化矿物的指数。如果没有铁氧化矿物存在，吸收带就不存在，这个比值将会是很低的。所使用几个比值指数如下：三价铁氧化矿物CH2/CH3；二价铁或暗色岩系CH1/CH4平的特征；碳酸盐岩CH1/CH2，依据碳酸盐岩一般缺乏铁矿物，缺少铁族矿物在近紫外区间很强的电子跃迁引起的吸收。

但在卡巴纽尔多南部局部地区，采用了4/3.2/3和1/2几种比值组合，完全是针对该区广泛分布的砂板岩，依据试验效果的一种选择。

IRS-P6的应用效果不如ETM，但应用上述比值合成的假彩色图像在解译应用中也能够与ETM图像取长补短。如温泉水库西部，IRS-P6有更加概括的岩性信息，而ETM由于短波红外信息的加入，图斑细碎，不宜于解译成图。

三、Hyperion遥感信息提取方法

由于高光谱遥感具有多个波段和高光谱分辨率的特点，高光谱的窄波段可以有效地区别矿物的吸收特征，利用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识别矿物，使矿物识别和区域地质制图成为高光谱技术主要的应用领域之一。

为了实现研究区内岩矿高光谱遥感的识别和分类，并考虑到研究区复杂的地质、地貌、气候和地表覆盖等特点对所采用的遥感图像的影响，在高光谱岩矿填图中采用地面光谱和图像光谱相结合的处理分析方法。

（一）岩石光谱测量

为了最大限度地满足光谱测量精度的要求，在本次野外光谱测量中所采用的仪器为美国ASD公司的最新产品FieldSpec FR便捷式地物波谱仪（图9-9），该仪器主要参数见表9-8。此仪器不仅具有携带方便、速度快、高信噪比、高可靠性、高重复性、操作简单和软件包功能强劲等特点，而且还可以进行实时测量和观察辐射、辐射度、CIE颜色、反射和透射。

图9-9 野外光谱采集

数据采集软件采用的是美国ASD公司的FieldSpec FR数据采集分析软件包，该软件具有速度快、实时测量、操作界面简单、灵敏度高和功能强大等优点，另外它所获取的数据可以直接被ENVI软件读取，极大地促进了后期数据处理进程。

由于研究区域特殊地理位置和复杂的气候条件，而且气候多变，考虑到诸多不利因素对光谱采集质量的影响，我们于2008年7月进行了野外光谱数据采集，此时该地区的大气、空气湿度、风、光照和云层覆盖等条件适宜于野外光谱数据采集，而且采集到的数据和选用的遥感图像数据时间匹配性好，满足研究精度要求和填图需要。

为了最大限度地满足高光谱遥感矿物填图的要求，采用了野外和室内测量相结合的测量方法。另外，在研究区域内还选择了多个具有代表性的开阔地带作为平场并进行了多次重复测量。

野外完成了包含花岗岩、变质岩、流纹岩、千枚岩、大理岩、板岩、页岩、铁矿石、铜矿石、金矿石、铅矿石、锌矿石等多达100多种不同类型以及同种类型不同状态（如岩矿石的风化面、新鲜面等）的岩矿石的光谱数据室内和野外采集工作，并且经过系统编号整理建立了各种岩矿石与其光谱数据的对应表（图9-10），为图像解译和填图工作提供了较为完备的基础数据。

表9-8 FieldSpec FR便捷式地物波谱仪相关参数

图9-10 野外实测光谱数据库

（二）矿物光谱测量

采用南京地质调查中心研发的BJKF-III型便携式近红外矿物分析仪，对矿化样品进行光谱曲线测量，得到典型蚀变矿物光谱曲线，其矿物包括方解石（图9-11a）、高岭石（图9-11b）、绿泥石（图9-11c）和孔雀石（图9-11d）等。黄铜矿为铜的硫化物矿石，具有不透明矿物的典型特征，遥感较难识别，而孔雀石存在二价铜离子引起的特征吸收带。

图9-11 东大滩铜矿典型矿物光谱曲线图

通过驼路沟钴金矿床野外调查取样，利用便携式近红外矿物光谱仪对样品进行光谱测量，进一步验证了遥感图像提取孔雀石和黄钾铁矾等矿物信息（图9-12）。同时，在驼路沟矿区断裂带内还检测出遥感图像未能解译出的石膏等矿物（图9-12d）。

（三）数据预处理

Hyperion高光谱数据经过斑点去除、回波纠正、背景去除、辐射纠正、坏像元恢复以及图像质量检查等一系列处理过程，用户拿到的数据应该不再有坏像元或条纹，但实际上却仍然存在，在进行图像应用之前，必须对图像进行预处理，纠正不正常的像元。预处理主要包括去除未定标及受水汽影响的波段、绝对辐射值转换、坏线修复及误差条带的去除、反射率定标和大气校正等。

1.去除未定标及受水汽影响的波段

Hyperion数据的242个波段中，经过辐射定标的独立波段实际上只有196个，但有些波段受水汽影响非常严重，无法应用，经去除处理后只有158个波段可用（表9-9）。

2.绝对辐射值转换

Hyperion的L1产品数据集以有符号的整型数据记录，数值范围为-32767～+32767。但实际上地物的辐射值非常小，产品生成时对VNIR和SWIR波段都采用了扩大因子，系数分别为40和80。因此，需要把图像的亮度值转换为绝对辐射值，将VNIR和SWIR波段分别除以40和80，生成绝对辐射值图像。

图9-12 驼路沟钴金矿典型矿物光谱曲线图

表9-9 剔除和保留的波段

3.坏线修复及误差条带的去除

由于Hyperion传感器的个别通道存在坏的探测元，致使图像存在着不正常数据，DN值为零或者非常小的称为死像素列，即坏线。对坏线用相邻行或列的平均值进行修复，坏线修复前与修复后效果见图9-13。

Hyperion光谱仪采用推扫式的对地观测方式，所以系统中CCD的排列方式垂直于航迹方向。由于不同行中的传感器对光谱响应值不同，在光谱入射时会导致在每个谱段上出现竖条纹，即列向条带噪声。条纹严重影响图像的质量及实际应用，应用时需要对条纹噪声进行去除处理。

本项目采用ENVI软件中的傅里叶变换及联合概率滤波平滑方法去除影像的条纹噪声，并用MNF进行效果评价。修复效果见图9-14。

图9-13 VNIR第56波段坏线修复前后图像

图9-14 垂直条纹去除前后图像对比

4.反射率定标

高光谱遥感数据定标的首要任务就是对成像光谱仪定标，将遥感器探测到的数据变换为绝对亮度或与地表反射率、表面温度等物理量有关的相对值的处理过程。通过原始图像提取的波谱曲线为太阳辐射与大气辐射共同作用的结果，这些波谱剖面曲线都是相似的，表示的是辐射亮度曲线，而不是反射率波谱曲线。因此，需要将辐射亮度曲线转换为反射率波谱曲线，以消除大气吸收、散射、地形起伏及传感器本身误差所带来的各种失真对数据的影响，恢复地物光谱数据的原貌。将影像的辐射亮度值转换成表观反射率的过程，称为反射率定标或地物光谱重建。

主要校正定标的方法有平场域定标、内部平均相对反射率定标以及经验线性定标。本次研究针对星载高光谱数据，主要采用了基于大气辐射传输理论的FLAASH定标模型，并进了分析总结，得到了比较好的应用效果。

5.大气校正

遥感卫星传感器接收到的目标物反射及发射能量辐射在传输过程中需要通过大气层，使高光谱遥感影像记录的是包含地面反射光谱信息和大气辐射传输效应引起的地面反射辐照度变化等综合信息。大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地表的真实物理模型参数，如地物反射率、辐射率和地表温度等。图像是否需要进行大气校正，主要取决于图像的质量及用途。对于空间分布均匀的影像，如果只是用单时像的数据分类，由于大气对分类的影响是一致的，就没有必要进行大气校正。对于空间分布不均匀的影像，如有些区域有雾或者下雨等现象，就有必要纠正大气的影响。因此，将表示反射率亮度的原始遥感影像DN值数据转换为反射率数据，对正确利用遥感数据进行定量分析及信息提取十分关键。由于本次研究利用实测地物光谱与美国USGS光谱库标准光谱相结合的方法进行识别分类，所以需要进行大气校正。

目前，基于大气辐射传输理论的辐射校正模型主要包括：5S、6S、ATREM、MODTRAN、ACORN和FLAASH等。针对Hyperion高光谱数据的特点，本项目主要利用ENVI软件中的FLAASH模块进行大气校正处理。

为了验证FLAASH大气校正的效果，分别使用了校正前后的雪、岩石及水体的混合波谱曲线进行对比见图9-15，并采用野外实测波谱曲线与校正后的图像的波谱曲线进行对比，总的效果较好。

图9-15 大气校正前后雪、岩石和水体的波谱曲线对比

6.几何纠正

图像预处理的最后一步工作为图像的几何纠正。本研究采用了1∶100000纳赤台幅地形图，应用二次多项式和双线性内插重采样方法，共选取了117个控制点，对高光谱数据进行了几何精度校正。

（四）图像镶嵌与裁剪

本项目共定购东大滩地区5景Hyperion数据，其中KL2与KL3景在夏天获取，KL4-KL6在冬天获取，所以地物色调相差较大，进行镶嵌时必须进行调色处理。由于Hyperion数据覆盖面积宽7.7km，长85km，南北向覆盖区域较长，应用时需做剪裁处理。经过镶嵌与剪裁之后数据的覆盖范围见图9-5。

（五）信息提取

经过去除未定标和受水汽影响的波段、进行绝对辐射值转换、坏线及条纹修复、smile效应去除、大气校正和几何精度校正等过程，得到反射率数据。利用波谱分析工具Spectral Analyst进行波谱分析鉴别矿物，选择美国地质调查局波谱库，该库包括近500种矿物波谱，波长范围0.4～2.5μm。本次岩矿蚀变信息提取主要应用USGS波谱库作为端元波谱，结合野外实测光谱曲线，应用纯净像原指数法（PPI）作为辅助方法提取端元波谱，最后利用光谱角（SAM）填图法和波谱特征拟合法（SFF）成图。

本项目各类遥感图像覆盖面积达18850km²。除受风成黄土、植被、雪被、草甸土、阴影以及冰缘冻融作用所产生的碎屑坡积物等因素干扰不能有效提取信息外，其他地区均提取出大量岩石、构造和矿化蚀变信息。野外验证表明，不同的遥感数据均可有效地提取地质信息，但是适用范围和提取信息量存在差别。本项目选择温泉水库地区和玉珠峰巴颜喀拉山群分布区进行ASTER遥感岩性填图与纳赤台地区Hyperion高光谱矿物填图试验，评价国内目前尚未普及、但极具应用前景的ASTER和Hyperion等遥感信息在岩性与矿物填图中的应用潜力。

‘捌’ 如何通过遥感获取土壤温度的具体数据

分享一些实用的气象数据网站：

1、http://ncc.cma.gov.cn/cn/国家气候中心

2、http://www.cdc.noaa.gov/public.data中国气象局

3、http://xihe-energy.com羲和能源大数据平台

4、http://www.ecmwf.int欧洲中期天气预报中心

5、http://www.noaa.gov美国国家海洋大气局

6、http://earthobservatory.nasa.govNASA地球观测中心

7、http://www.weather.govNOAA国家天气预报中心

8、http://www.emetsoc.org欧洲气象协会

查询步骤也很简单：

步骤一：输入地理信息，既可以选择单点数据也可以选择区域平均数据