hyperion卫星高光谱_高光谱 卫星

hyperion卫星高光谱_高光谱 卫星 _高光谱 卫星

       感谢大家给予我这个机会，让我为大家解答hyperion卫星高光谱的问题。这个问题集合囊括了一系列与hyperion卫星高光谱相关的问题，我将全力以赴地回答并提供有用的信息。

1.我国遥感技术的发展状况

2.当前我国遥感发展计划

3.可见光-短波红外高光谱

4.土壤有机质反演的项目特点

5.航天高光谱油气探测技术

6.遥感信息提取方法

我国遥感技术的发展状况

       一，我国遥感（测绘）卫星以及地面站建设总体情况

       1999年10月14日，中国与巴西合作研制的地球资源卫星“资源一号”在我国太原卫星发射中心成功发射，这是我国第一颗自主的陆地资源遥感卫星。随后，我国遥感卫星进入快速发展阶段。2012年，我国首颗民用高分辨率光学传输型立体测图卫星“资源三号”成功发射。2013年，高分一号卫星升空，我国开始拥有自主高分遥感卫星。2014年，高分二号成功发射，我国拥有了自主研制的首颗空间分辨率优于1米的民用光学遥感卫星，我国遥感卫星进入亚米级“高分时代”。2016年，高分三号卫星发射成功，是中国首颗分辨率达到1米的C频段多极化合成孔径雷达（SAR）成像卫星。

       目前，中国卫星发射中心共有5个[1]，分别是：中国创建最早、规模最大的卫星发射中心，也是中国唯一的载人航天发射场酒泉卫星发射中心；主要承担地球同步轨道卫星的发射任务，担负通信、广播、气象卫星等试验发射和应用发射任务的西昌卫星发射中心；担负太阳同步轨道气象、资源、通信等多种型号的中、低轨道卫星和运载火箭的发射任务的太原卫星发射中心；主要承担地球同步轨道卫星、大质量极轨卫星、大吨位空间站和深空探测卫星等航天器的发射任务的文昌卫星发射中心，以及具备全射向能力，海上发射能力的我国海上发射卫星母港中国东方航天港。

       1、近期卫星发射情况

       据忧思科学家联盟（UCS）统计数据[2]，截至2018年11月，我国运营或所有在轨活跃卫星280颗，其中遥感卫星134颗，占比47.86%，高于全球在轨卫星中遥感卫星所占的35.55%比重。

       2019年底至今，高分系列卫星方面，国家成功发射了高分十号，高分七号，高分十二号，高分九号02星、03星，高分多模卫星，资源三号03星，高分十三号、高分十四号等卫星。商业卫星方面，中国第一颗商用遥感卫星“吉林一号”卫星组网运行，具有高分辨、超大幅宽、高速存储、高速数传等特点，为农业、林业、资源、环境等行业用户提供更加丰富的遥感数据和产品服务。

当前我国遥感发展计划

       相同点：多光谱和高光谱都属于光谱成像技术的一种，在图像处理领域都有广泛的应用。

       1、分辨率不同

       多光谱成像——光谱分辨率在 delta_lambda/lambda=0.1数量级，这样的传感器在可见光和近红外区域一般只有几个波段。

       高光谱成像—— 光谱分辨率在 delta_lambda/lambda=0.01数量级，这样的传感器在可见光和近红外区域有几卜到数百个波段，光谱分辨率可达nm级。

       2、波段不同

       多光谱图像通常指3到10个波段。每个波段都是使用遥感辐射计获得的。

       高光谱图像由更窄的波段（10-20 nm）组成，光谱图像可能有数百或数千个波段。一般来说，它来自成像光谱仪。

       3、原理不同

       高光谱：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。

       多光谱：每个带是一幅灰度图像，它表示根据用来产生该带的传感器的敏感度得到的场景亮度。在这样一幅图像中，每个像素都与一个由像素在不同带的数值串，即一个矢量相关。这个数串就被称为像素的光谱标记。

       在高光谱图像中具有更高层次的光谱细节，可以更好地看到不可见的东西。例如，高光谱遥感由于其高光谱分辨率而在3种矿物之间进行提取。但多光谱陆地卫星专题制图仪无法区分这三种矿物。

       百度百科-多光谱图像

       百度百科-高光谱图像

可见光-短波红外高光谱

       1 信息获取技术的发展

       信息获取技术的发展十分迅速，主要表现在以下几个方面：

       （1）各种类型遥感平台和传感器的出现

       现已发展起来的遥感平台有地球同步轨道卫星(3500km)和太阳同步卫星(600～1000km)。传感器有框幅式光学仪器，缝隙，全景相机，光机扫描仪，光电扫描仪，CCD线阵，面阵扫描仪，微波散射计，雷达测高仪，激光扫描仪和合成孔径雷达等。它们几乎覆盖了可透过大气窗口的所有电磁波段，而且有些遥感平台还可以多角度成像，如三行CCD阵列可以同时得到3个角度的扫描成像；EOS Terra卫星上的MISR可同时从9个角度对地成像。

       （2）空间分辨率、光谱分辨率、时间分辨率不断提高

       仅从陆地卫星系列来看，20世纪70年代初美国发射的陆地卫星有4个波段（MSS），其平均光谱分辨率为150nm，空间分辨率为80米，重复覆盖周期为16-18天；80年代的TM增加到7个波段，在可见光到近红外范围的平均光谱分辨率为137nm，空间分辨率增加到30米；2000年后，出现增强型TM（ETM），其全色波段空间分辨率可达15米。法国SPOT4卫星多光谱波段的平均光谱分辨率为87nm，空间分辨率为20米，重复周期为26天；SPOT5空间分辨率最高可达2.5米，重复覆盖周期提高到1-5天。1999年发射的中巴资源卫星（CBERS）是我国第一颗资源卫星，最高空间分辨率达19.5米，重复覆盖周期为26天。1999年发射的美国IKONOS-2卫星可获得4个波段4米空间分辨率的多光谱数据和1个波段1米空间分辨率的全色数据。IKONOS发射稍后，又出现了空间分辨率更高的OrbView-3（轨道观察3号）和Quickbird(快鸟)，其最高空间分辨率分别达1米和0.62米。

       （3）高光谱遥感技术的兴起

       20世纪80年代遥感技术的最大成就之一是高光谱遥感技术的兴起[1]。第一代航空成像光谱仪以AIS—1和AIS—2为代表，光谱分辨率分别为9.3nm和10.6nm；1987年，第二代高光谱成像仪问世，即美国宇航局（NASA）研制的航空可见光/红外成像光谱仪（AVIRIS），其光谱分辨率为10nm；EOSAM—1（Terra）卫星上的MODIS具有36个波段。如今的卫星高光谱分辨率可达到10nm，波段几百个,如在轨的美国EO-1高光谱遥感卫星上的Hyperion传感器，具有220个波段，光谱分辨率为10nm。我国“九五”研制的航空成像光谱仪为128个波段。

       1．2 信息处理技术的发展

       遥感信息处理技术最早为光学图像处理，后来发展成为遥感数字图像处理。1963年，加拿大测量学家R.F.Tomlinson博士提出把常规地图变成数学形式的设想，可以看成是数字图像的启蒙；到1972年随美国陆地卫星的发射，遥感数字图像处理技术才真正地发展起来。随着遥感信息获取技术、计算机技术、数学基础科学等的发展，遥感图像处理技术也获得了长足的进展。主要表现在图像的校正与恢复，图像增强，图像分类，数据的复合与GIS的综合，高光谱图像分析，生物物理建模，图像传输与压缩等方面。其中图像的校正与恢复的方法已经比较成熟。图像增强方面目前已发展了一些软件化的实用处理方法，包括辐射增强，空间域增强，频率域增强，彩色增强，多光谱增强等。图像分类，是遥感图像处理定量化和智能化发展的主要方面，目前比较成熟的是基于光谱统计分析的分类方法，如监督分类和非监督分类。为了提高基于光谱统计分析的分类精度和准确性,出现了一些光谱特征分类的辅助处理技术，如上下文分析方法，基于地形信息的计算机分类处理，辅以纹理特征的光谱特征分类法等。近几年出现了一些遥感图像计算机分类的新方法，如神经网络分类器，基于小波分析的遥感图像分类法，基于分形技术的遥感图像分类，模糊聚类法，树分类器，专家系统方法等[2]。在高光谱遥感信息处理方面，也发展了许多处理方法，如光谱微分技术，光谱匹配技术，混合光谱分解技术，光谱分类技术，光谱维特征提取方法等。这些方法均已在高光谱图像处理中得到应用。

       1．3 遥感技术应用现状

       　 总体上说，遥感技术的应用已经相当广泛，应用深度也不断加强。目前，在地学科学、农业、林业、城市规划、土地利用、环境监测、考古、野生动物保护、环境评价、牧场管理等各个领域均有不同程度的应用，遥感技术也已成为实现数字地球战略思想的关键技术之一。地球科学中的矿产勘查，地质填图等是较早应用遥感技术的领域，随着遥感技术的发展，其应用潜力还可以不断地挖掘；在精细农业、环境评价、数字城市等新领域，遥感技术的应用潜力巨大。此外，GIS技术，虚拟现实技术、GPS技术、数据库技术等的快速发展也无疑为遥感技术的更广、更深的应用提供了技术支持。

       总之，卫星遥感技术的迅速发展，把人类带入了立体化、多层次、多角度、全方位和全天候地对地观测的新时代。

土壤有机质反演的项目特点

       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

航天高光谱油气探测技术

       如下： 1）高光谱微分技术可以获取纳米级的土壤光谱反射率，对光谱反射率进行数学变换，可以扩大样品之间的光谱特征差异，增大土壤属性信息的细微差异，可用于土壤表层（0-20cm）有机质含量的监测。

        2）采用非成像光谱仪测得的反射率一阶微分为自变量建立的反演土壤有机质含量的回归模型最佳，特征波段为492nm、663nm、1221nm、1317nm、1835nm和2130nm，决定系数R2达0.909，而且预测值与实测值相比较，RMSE值最小，可以较好地预测土壤有机质含量。

        3）在Band14、Band31、Band108、Band117、Band198波段内，对经过预处理的Hyperion高光谱遥感影像，利用编程计算，得出图像上相关敏感波段的反射率一阶微分模型，并通过ENVI软件中的波段运算模块，实现了区域尺度上土壤有机质的填图，精度达0.7373。

遥感信息提取方法

       9.3.1 方法与流程

       针对无植被覆盖区，将碳酸盐及粘土的异常富集作为主要指示标志，分别采用基于小波PCA的分类系统、基于端元提取的分类系统对油气微渗漏引起的矿物蚀变异常信息进行提取，两种方法所得的结果具有较高的匹配度。此外还基于典型地物波谱服务软件提供的光谱数据，采用光谱匹配方法进行试验区的油气蚀变信息提取，验证了该光谱库在不同地貌下的有效性。

       针对有植被覆盖区，将植被红边位置异常作为主要指示标志，设计了基于最大似然法及植被指数的混合决策树，通过对决策树各节点判决准则、阈值的选择，实现了试验区植被异常提取。通过比较、分析植被异常分类结果与基于蚀变矿物的油气异常信息分类结果可知：利用植被进行辅助油气微渗漏异常信息的实验是成功的，但在利用基于植被指数的决策树进行分类时需通过大量实验，选择合适的植被指数和阈值。

       9.3.2 结果与分析

       9.3.2.1 基于小波PCA 的航天数据最大似然分类

       烃类微渗漏引起的地表矿物异常包括粘土矿物、碳酸盐矿物、二价铁矿物的富集。由于二价铁矿物的特征吸收谱带位于1～1.5μm处，受1.4μm附近为水气强吸收带的影响，在高光谱图像中进行二价铁矿物的识别是极为困难的，因此这里未将二价铁矿物作为烃类微渗漏的指示标志，仅对粘土矿物及碳酸盐矿物进行分析识别。

       试验区主要蚀变矿物和烃类物质的诊断性吸收峰集中在2.0～2.5μm 之间，包括碳酸盐矿物（2.3～2.35μm）、粘土矿物（2.2μm附近）、烃类物质（2.3～2.35μm），因此在进行分类之前首先对原始高光谱数据进行特征选择，选定B193～B222共30个谱段图像为研究对象，其对应的谱段范围为2.082～2.375μm。

       采用小波PCA系统进行细分的分类图如彩图9.1（a）所示，不同颜色代表不同地物。各类地物均值和标准差统计曲线见彩图9.1（c），（d）。观察均值曲线，可看出各类地物均值曲线依据绝对反射率高低的不同依次排列。各条均值曲线之间均存在差异，说明在分类过程中，绝对反射率及光谱特征都参与了分类。彩图9.1（d）中各类地物的标准差曲线在一定程度上表征了各类的类内距离，通过对标准差曲线的分析，可了解每一类中各点的特征相似度。

       比较分析彩图9.1（c）中的各条均值曲线，可看出，若不考虑绝对反射率的差异，［Yellow］，［ Orange］两类曲线相似度较高，且均值曲线中存在与碳酸盐矿物、粘土矿物相对应的吸收峰，因此，将其作为后续“精分”研究的重点。“精分”分类结果见彩图9.1（b），共生异常点密集分布于毛乌素沙漠地区，异常区呈现团块状聚集；同时，在研究区北部的草滩地区及南部的黄土塬地区也存在散点状的异常分布。

       9.3.2.2 基于光谱库里典型光谱的航天数据光谱匹配与制图

       典型地物波谱服务软件里收集了国内学者在我国西部戈壁滩进行油气勘探研究时获取的该地区典型气田区光谱，如图9.16所示。将其作为参考光谱，与实验数据进行光谱角制图，进行试验区高光谱数据的油气蚀变信息匹配，同时对蚀变光谱库在不同地区的通用性进行研究和验证。

       图9.16 蚀变矿物光谱库光谱

       在柴达木盆地的油气勘探研究表明，气田区光谱曲线在2.2μm，2.33μm附近呈现明显的复杂的双吸收峰，吸收峰半宽度达到40 nm以上；而且，在2.3～2.4μm光谱曲线下降趋势趋缓，甚至微向上倾斜（是烃类物质富集的标志），整体曲线呈现台阶状。采用光谱角制图法衡量图像中各点光谱与光谱数据集中典型光谱曲线的相似程度。

       光谱角制图结果如彩图9.2所示。两条典型气田区矿物蚀变光谱的SAM结果较为相似，均在图像上部、中部有团块状聚集，在图像下部的黄土塬区域中也呈现小规模散点状聚集。其中，图像中部沙漠的异常点聚集情况与图像端元分类法得到的结果有极高的匹配度，显示了此蚀变矿物光谱库的有效性。

       9.3.2.3 基于端元提取的航天数据分类

       由于混合像元大量存在于高光谱遥感图像中，基于K-Mean粗分结果提取的各类光谱曲线并不一定代表纯净地物，因此，首先采用PPI端元提取方法从图像中提取相对纯净的地物光谱（图9.17）。

       图9.17 提取出的六种图像端元

       为进一步从图像中提取碳酸盐、粘土矿物的信息，选取SWIR波段作为特征波段，进行MNF降维及PPI端元提取。油气蚀变信息属于微弱信息，为保证基于矿物端元的填图精度，必须保证矿物端元的正确提取与识别。

       本节采用的方法是：对USGS标准光谱库按特征波段范围进行重采样，进而采用波谱特征拟合法将未知端元波谱与波谱库中的标准波谱进行匹配，将拟合后的相似度排序结果与实验区地质调查资料相结合，最终确定端元波谱所代表的矿物类型（图9.18）。

       图9.18 图像端元光谱与USGS标准光谱

       为进一步确认粘土矿物及碳酸盐的富集情况，用光谱角提取伊利石、蒙脱石和方解石。参考端元光谱从USGS中选取（图9.19 ，表9.1）。填图的结果见彩图9.3。

       图9.19 包络线去除后的图像端元光谱与USGS标准光谱

       表9.1 端元光谱与USGS 光谱库的匹配结果

       SAM填图结果中，蒙脱石、伊利石的富集区域比较集中，呈现块状分布，而方解石在图像覆盖区域中的富集区则呈现斑点状，主要集中在图像的中部和下部。

       9.3.2.4 基于植被指数的高光谱图像油气信息分析识别算法

       Hyperion航天高光谱图像的光谱分辨率为10nm，因此，采用Hyperion图像计算植被指数时，仅可近似取得各植被指数所需波长处的反射率数值，其计算结果的精度优于宽波段遥感图像，但与地面光谱仪1～2 nm的光谱采样间隔相比则略逊一筹。各植被指数公式中参量与本研究计算中实际采用的波长的对应情况表9.2。

       表9.2 植被指数计算所用的谱段波长

       本节设计的分类树实验结果见彩图9.4。其中，彩图9.4（a）为进行基于最大似然分类的图像细分后，可能具有植被覆盖的区域；彩图9.4（b）为第二层NDVI的计算结果，图中绿色圈出的区域为具有植被覆盖的区域；彩图9.4（c）为决策树分类结果图，红色表示异常区。

       为进一步评价本节所设计的分类树识别方法的有效性，将植被异常分类结果与蚀变矿物异常提取结果相结合，分析二者在异常分布区域上的匹配程度。在实验所用的图像上选取两个空间子集进行匹配度分析，其选择标准如下：

       1）每个空间子集中都应包含一定面积的植被覆盖区；

       2）两子集的蚀变矿物异常程度应尽量有所差别。

       综合分析结果如彩图9.5所示。其中彩图9.5（a），（d）分别选择空间子集的真彩色图像，两区域均为荒漠地貌，且具有一定面积比例的植被覆盖，符合选择标准。彩图9.5（b），（e）为蚀变矿物异常与植被异常的空间叠加结果，红色的点表示该像素点在蚀变矿物分类中表现为某种程度的异常，**的点则表示该像素点为植被分类中的异常点。

       分析这两幅图像可以得出以下结论：①选区1中包含的蚀变矿物异常点数量少且分散，不存在明显聚集的区域；而选区2中存在明显的团块状蚀变矿物异常聚集区；②选区1内仅存在极少数的植被异常点，而选区2中的大部分植被覆盖区都表现出了某种程度的异常。

       为进一步明确各异常点的空间分布，将分类结果叠加在原始图像中，得到彩图9.5（c）和（f）。从图中可以看到，选区2中存在大量的蚀变矿物及植被异常点，且在空间分布上具有较高的匹配程度。

       通过以上分析可得出以下结论：采用本节提出的分类树方法对试验区进行植被生化参量异常分析，得到的异常点分类结果与蚀变矿物异常分类结果在空间分布上具有较高的一致性，在一定程度上说明了其有效性，可以将其作为典型稀疏植被地区高光谱遥感油气勘探的一种手段。

       综合分析Hyperion影像上的植被异常区和裸露地表异常区的分布，按照表9.3异常区圈定准则，可得航天高光谱数据油气异常区的圈定如彩图9.6所示。从油气异常区的圈定结果来看，提出的针对稀疏植被地区Hyperion遥感影像上油气微渗漏信息的提取与识别方法具有较好的有效性。

       表9.3 高光谱遥感影像综合异常区圈定准则

       续表

       已知的位于此景航天遥感影像所覆盖区域的小型气井有26 个，主要集中在无定河南北岸附近，也即在本研究所用的航天遥感图像上，无定河附近的区域是已知含油区，而且根据所发现的小型输气站的数量上可以看出，这块区域天然气含量不低。采用本研究提出的各种分类方法，对此区域进行分类处理所得的航天遥感图像的综合异常区，在此处共分出六级异常区。已知的落入该景航天图像区域的26个气井有15个落入所圈的一级异常区内，6个落入所圈定的二级异常区内，4个落入3级异常区，1个落入4级异常区。

       基于分子/元素、蚀变矿物以及环境异常综合判比分析的方法，在甘泉-咸阳工作区带也开展了航天高光谱油气信息提取工作，取得了很好的解译效果（彩图9.7 ，彩图9.8）。

       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SinOk、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著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（**）。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。

       好了，今天关于“hyperion卫星高光谱”的探讨就到这里了。希望大家能够对“hyperion卫星高光谱”有更深入的认识，并且从我的回答中得到一些帮助。