高光谱遥感原理与方法篇1
关键词:高光谱分类提取投影寻踪
1高光谱遥感概述
高光谱遥感(HyperspectralRemoteSensing简称HRS)起步于80年代,发展于90年代,至今已解决了一系列重大的技术问题。它是光谱分辨率在10-2λ的光谱遥感,其光谱分辨率高达纳米(nm)数量级,具有波段数众多,连续性强的特点,其传感器在可见光到红外光的波长范围内(0.4μm～2.5μm)范围内以很窄的波段宽度(3～30nm)获得几百个波段的光谱信息,相当于产生了一条完整而连续的光谱曲线,光谱分辨率将达到5nm～10nm[1]。高光谱遥感数据的表现可以从以下三个方面来理解[2]:图像空间、光谱空间和特征空间。此外,随着高光谱遥感分辨率的增加,特征空间的维数很高,因而表现不同地物类别的能力也随之不断提高,这也是高光谱遥感之所以能够更精确识别地物的主要原因。
2高光谱遥感的应用
高光谱影像包含了丰富的地表空间、光谱和辐射的三重信息,它同时表现了地物的空间分布并获得了以像元为目标的地物光谱信息。高光谱遥感技术作为连接遥感数据处理、地面测量、光谱模型和应用的强有力工具,其显著特点是在特定光谱区域以高光谱分辨率同时获取连续的地物光谱影像,其超多波段信息使得根据混合光谱模型进行混合像元分解获取“子像元”或“最终光谱单元”信息的能力得到提高,使得遥感应用着重于在光谱维上进行空间信息展开,定量分析地球表层生物、物理、化学过程和参数,随着成像光谱技术的发展与成熟,遥感技术已经大大拓宽了其原来的应用领域,归纳起来主要包括以下几个方面[5]-[19]:1)在精准农业领域的应用(作物参数反演);2)在林业领域的应用(树种识别、森林生物参数填图、森林健康检测等);3)在水质检测领域的应用(反演水质参数);4)在大气污染检测领域的应用(气溶胶、二氧化氮等的检测与反演);5)生态环境检测领域的应用(检测生物多样性、土壤退化、植被重金属污染等);6)在地质调查领域的应用(矿物添图,岩层识别,矿产资源、油气能源探测等);7)在城市调查领域的应用(城市绿地调查、地物及人工目标识别)。
3高光谱遥感图像分类与信息提取
3.1遥感图像处理
遥感数字图像处理是以遥感数字图像为研究对象,综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术,实现地学专题信息的自动提取[18],要素分类与提取在图像处理过程中占有决定性的地位。遥感图像分类是统计模式识别技术在遥感领域中的具体应用,统计模式识别的关键是提取待识别模式的一组统计特征值,然后按照一定准则做出决策,从而对数字图像予以识别。其主要依据是地物的光谱特征,即地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像的原始特征值。
3.2高光谱遥感图像分类与提取
目前,高光谱遥感数据分析方法主要有两个方向[19]-[30]:第一是基于光谱空间的分析方法,其基本原理是化学分析领域常用的光谱分析技术;第二个方向是基于特征空间分析技术,该方向的基本思想是把组成光谱曲线的各光谱波段组成高维空间中的一个矢量,进而用空间统计分析的方法分析不同地物在特征空间中的分布规律。
3.2.1基于光谱空间的分析方法
高光谱遥感技术的最大特点就是:在地物的每一个像元处,可以得到一条连续的光谱曲线,所有的光谱曲线的集合则构成了光谱空间,不同的地物对应于光谱空间中的一条光谱曲线。因此,基于光谱空间的数据分析方法是高光谱数据分析的主要技术之一,其主要思想类似于化学上常用的光谱分析技术,主要是通过对光谱曲线进行特征分析,发现不同地物的光谱曲线变化特征,从而达到识别地物的目的。由于这种分析方法与地物的物理化学属性直接相关,因此可以方便地对分析结果进行物理解释:由于分析过程主要是针对一个像元的光谱曲线,因此,算法往往比较直观和简单。这些特点使得基于光谱空间的分析技术成为引人注目的一种技术,因而,近年来在这方面产生了许多实用的研究结果。
常用的分析方法包括:(1)光谱角填图法(Sam-Spectralanglemapping):又称光谱角度匹配法.是以实验室测得的标准光谱或从图像上提取的一直已知点的平均光谱为参考,求算图像中每个像元矢量(将像元n个波段的光谱响应作为n维空间的矢量与参考光谱矢量之间的广义夹角,根据夹角的大小来确定光谱间的相似程度,以达到识别地物的目的。(2)光谱解混技术(SpectralUnmixing):就是假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成,解混的目的就是通过某种分析和计算,估计出光谱混合方式和混合像元包含的光谱成分及相应比例。(3)光谱匹配滤波技术(matchedFilter):是通过部分光谱解混技术求解端元光谱丰度值的技术。由于前面介绍的线性光谱解混技术要求端元光谱足够完全,而实际上很难确定一幅待研究的高光谱图像所包含的全部端元光谱。匹配滤波技术则选定某些感兴趣的端元光谱的情况下,把未知的光谱归为背景光谱(Unknownbackground),最大化地突出已知端元光谱而同时尽可能抑制背景光谱,这种方法提供了一种快速探测指定地物种类的技术,而不必知道一幅图像中包含的全部端元光谱。(4)光谱特征匹配(SFF-SpectralFeatureFitting):根据电磁波理论,不同的物质有不同的光谱曲线。人们可以通过分析不同地物的光谱吸收表现,达到识别不同地物的目的。首先把反射光谱数据的吸收特征突出出来,然后用仅保留了吸收特征的光谱与参考端元光谱逐个波段进行最小二乘匹配,并计算出相应的均方根误差(RmS-RootmeanSquare),消除背景影响的方法主要是包络线法。
3.2.2基于特征空间的分类方法
前面介绍的基于光谱空间的分析方法主要是通过比较待分像元的光谱曲线与参考光谱的光谱曲线之间的相似程度来达到分类判别的目的。这种思想看起来很直观和理想,类似于人的指纹识别一样,每一个人都有不同的指纹,通过与指纹库中的指纹相比较就可以确定人的身份。然而,遥感问题却远远复杂得多,由于太阳辐射、大气、空间分辨率和光谱分辨率,观测噪声,及多种多样难以确定的因素的影响,很难测得所谓“纯”的光谱曲线。尽管有多种多样的光谱解混技术被提出,但多种因素的影响很难被充分估计出来,因而无论何种光谱分析技术都无法完全达到遥感图像辩识的要求。
另一种遥感图像地物辩识的思想则是从统计分布规律出发,在同一幅图像上,不同地物的光谱数据呈现不同的分布状态,比如不同均值和方差,通过分析这种统计分布规律而实现地物识别的技术就是基于特征空间的分类方法。遥感图像上的每个像元对应n个光谱波段反射值。假若把这几个波段值组成的n维矢量看作是n维欧几里德空间中的一个点,则称矢量X=(X1,X2,…,Xn)为像元的特征值,相应的n维欧几里德空间称为特征空间。在特征空间的意义上,遥感图像上的任一像元对应于特征空间中的一个点,因此,分类的方法可以从寻找像元在特征空间中的分布规律入手,也就是在特征空间中进行判别的问题。
常用的分析方法包括:(1)高斯最大似然分类器(mLC):是遥感分类的主要手段,其基本思想是,假设各类样本数据都是高斯分布(正态分布),判别准则为所属类别的分布密度最大。其分类器被认为是一种稳定性、鲁棒性好的分类器。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样木不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。(2)基于Bayes准则的分类器:基于Bayes准则的判别函数是统计模式识别的参数方法,要求各类的先验概率p(ωi)和条件概率密度函数p(ωix)已知。p(ωi)通常根据各种先验知识给出或假设它们相等:p(ωix)则是首先确定其分布形式,然后利用训练样本估计其参数。一般假设为正态分布,或通过数学方法化为正态分布。其判别函数为:Di(X)=p(ωi)p(ωix),i=1,2,…,m。若Di(X)Dj(X)j=1,2,…,m,j≠i,则X为ωi类。判别函数集有多种导出形式,如最大后验概率准则、最小风险判决准则、最小错误概率准则、最小最大准则、neyman-pearson准则等,是依据不同的规则选择似然比的门限来实现的。(3)最小距离判别法:该方法是最直观的一种判别方法,假设在p维欧氏空间中,把c个不同的类别看成分布在空间中的不同位置,最小距离判别方法的思想就是,对待分类的样本,若与某一类的空间几何距离最近,则判别为属于此类。该方法的关键问题,一是如何定义空间距离;另一问题是,如何计算点到各类别的空间距离。(4)基于模糊集理论的判别分类方法:相邻波段影像间存在较大的相似性表明,它们的分类作用可以相互近似替代。因此,只需利用其中的一幅影像参加分类即可,其它与之相似的光谱波段都可被视为冗余波段。显然,要删除这些冗余光谱波段,应首先对原始波段集合中的光谱波段进行模糊等价划分,然后在每个模糊等价波段组中只选择一个光谱波段(或进行线性融合)。(5)基于人工神经网络的分类法:通过建立统一框架,实现对影像的视觉识别和并行推理,是近年来发展起来的综合数据分类方法之一。其目标是利用人工神经网络技术的并行分布式知识处理手段,以遥感影像为处理对象,建立基于人工神经网络的遥感影像分类专家系统。(6)支持向量机(SupportVectormachine)分类方法:支持向量机是一种建立在统计学习理论基础之上的机器学习方法。其最大的特点是根据Vapnik的结构风险最小化原则,尽量提高学习机的泛化能力,即由有限的训练样本集得到小的误差能够保证对独立的测试集保持小的误差。另外,由于支持向量算法是一个凸优化问题,局部最优解也是全局最优解,这是其它学习算法所不及的。以上介绍了几种分类方法,事实上,随着各学科的发展和交叉影响,基于特征空间的分析方法有许多新的进展。
4高光谱遥感数据分类存在的问题
随着光谱分辨率的提高,高光谱遥感能够提供对地物识别更充分的信息,对基于特征空间的分类而言,理论上说,随着特征空间维数的增加,分类精度将会越来越精确,但实际问题并非如此简单。综合以上高维空间的几何特征和统计特性[31]-[36],可以得出这样的结论:基于统计理论的参数估计若在原始高维空间进行,则需相当庞大的训练样本数才能得到比较满意的估计精度,非参数估计方法所需的样本数量更是不可想象。此外,原始高维数据空间的正态分布特性更是难以保证,而正态分布是许多参数估计方法的基础。因此,高光谱遥感分类的表现并未如人们所期望的那样简单,具体来说,在不讨论客观因素的情况下,影响高光谱遥感分类精度的主要因素主要是以下几条:
(1)训练样本数量问题:根据Hughes的研究结果[37],随着特征空间维数的增加,类别可分性提高,但由于遥感中常用的监督分类方法首先要估计样本的分布函数,或分布函数中的一些参数,随着空间维数的增加,待估参数的个数急剧增加,在训练样本数量一定的条件下,导致分类精度在特征空间的维数增加到一定数量后,反而会随着维数的增加而下降。
(2)特征空间的组成:前一个问题导致基于特征空间的分析方法通常不能在原始空间中直接进行,必须对原始波段空间进行降维预处理,得到一个保持了原始空间全局和局部特征结构的低维空间,然后在低维子空间中进行分类判别。
(3)分类器的选择。
(4)类别可分性:类别可分性是数据集固有的一种性质,是由客观条件造就的数据集内在结构,由于客观因素的影响,待分辨的类别之间可区分的程度会有很大的差异,数据集的这种内在的可分离程度对分类精度的高低有着至关重要的影响。
5结语
过去几十年高光谱遥感已经在各方面有了很大的应用,高光谱技术从遥感的角度提供了大尺度获取地面光谱数据的手段,为人们宏观分类识别地物提供了基础。但是人们在获取大量高光谱图像数据的同时,也面临着如何最大程度地利用这些海量数据的难题,关于高光谱分类与信息提取的技术,虽然取得了一些进展,但是从总体上仍落后于传感器的发展,因此对于高光谱分类与信息提取还有很大的空间值得去研究。
参考文献
[1]童庆禧,张兵,郑兰芬.高光谱遥感的多学科应用[m].北京:电子工业出版社,2006:1-54.
[2]许卫东.高光谱遥感分类与提取技术[J].红外(月刊),2004,28-34.
[3]薛利红,罗卫红,曹卫星,等.作物水分和氮素光谱诊断研究进展[J].遥感学报,2003,7(1):73-80
[4]金震宇,田庆久,惠凤鸣,等.水稻叶绿素浓度与光谱反射率关系研究[J].遥感技术与应用,2003,18(3):134-137.
[5]n.H.Younan,R.L.King,H.H.Bennett,andJR.ClassificationofHyperspectralData:aComparativeStudy[J],precisionagriculture,2004(5):41-53.
[6]程乾,黄敬峰,王人潮,等.moDiS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究[J].应用生态学报,2004,15(8):1363-1367.
[7]张良培,郑兰芬,童庆禧,等.利用高光谱对生物变量进行估计[J].遥感学报,1997,1(2):111-114
[8]赵德华,李建龙,宋子键.高光谱技术提取植被生化参数机理与方法研究进展[J].地球科学进展,2003,18(1):94-99.
[9]方红亮,田庆久.高光谱遥感在植被监测中的研究综述[J].遥感技术与应用,1998,13(1):62-69.
[10]陈楚群,潘志林,施平.海水光谱模拟及其在黄色物质遥感反演中的应用[J].热带海洋学报,2003,22(5):33-39.
[11]李素菊,吴倩,王学军,等.巢湖浮游植物叶绿素含量与反射光谱特征的关系[J].湖泊科学,2002,14(3):228-234.
[12]谭衢霖,邵芸.遥感技术在环境污染监测中的应用[J].遥感技术与应用,2000,15(4):246-251.
[13]童庆禧,郑兰芬,王晋年.湿地植被成像光谱遥感研究[J].遥感学报,1997,1(1):50-57.
[14]夏德深,李华.国外灾害遥感应用研究现状[J],国土资源遥感,1996,(3):1-8.
[15]甘甫平,王润生,郭小方,等.高光谱遥感信息提取与地质应用前景――以青藏高原为试验区[J],国土资源遥感,2000,3:38-44.
[16]王青华,王润生,郭小方.高光谱遥感技术在岩石识别中的应用[J].国土资源遥感,2000,4:39-43.
[17]刘建贵,张兵,郑兰芬,等.城乡光谱数据在城市遥感中的应用研究[J].遥感学报,2000,4:221-228
[18]梅安新,彭望,秦其明,等.遥感导论[m].北京:高等教育出版社.2002.
[19]荆凤,陈建平.矿化蚀变信息的遥感提取方法综述[J].遥感信息,2005,2:62-65.
[20]耿修瑞,张兵,张霞,等.一种基于高维空间凸面单形体体积的高光谱图像解混算法[J].自然科学进展,2004,14(7):810-814.
[21]CaRLJ.LeGLeiteR.SpectrallyDrivenClassificationofHighSpatialResolution,Huperspectralimagery:atoolformappingin-StreamHabitat[J].environmentalmanagement,2003,32(3):399-411.
[22]甘甫平,王润生,马蔼乃,等.基于光谱匹配滤波的蚀变信息提取[J].中国图像图形学报,2003,8(a)(2):147-150.
[23]李新双,张良培,李平湘.基于小波分量特征值匹配的高光谱影像分类[J].武汉大学学报•信息科学版,2006,31(3):274-277.
[24]p.Goovaerts.Geostatisticalincorporationofspatialcoordinatesintosupervisedclassificationofhyperspectraldata[J].GeographSyst,2002,(4):99-111.
[25]刘汉湖,杨武年,沙晋明.高光谱分辨率遥感在地质应用中的关键技术及前景[J].世界地质,2004,23(1):45-49.
[26]FrancescoLagona.adjacencyselectioninmarkovRandomFieldsforhighspatialresolutionhyperspectraldata[J].GeographSyst,2002(4):53-68.
[27]李石华,王金亮,毕艳.遥感图像分类方法研究综述[J].国土资源遥感,2005,2:1-6.
[28]王国明,孙立新.高光谱遥感影像优化分类波段选择[J].东北测绘,1999,22:21-23.
[29]allanaasbjergnielsen.Spectralmixtureanalysis:LinearandSemi-parametricFullanditeratedpartialUnmixinginmulti-andHyperspectralimageData[J].mathematicalimagingandVision.2001(15):17-37.
[30]修丽娜,刘湘南.人工神经网络遥感分类方法研究现状及发展趋势探析[J].遥感技术与应用,2003,18(5):339-345.
[31]张连蓬.基于投影寻踪和非线性主曲线的高光谱遥感图像特征提取及分类研究[D].山东:山东科技大学,2003.
[32]ShaileshKumar,JoydeepGhoshandmelbam.Crawford.HierarchicalFusionofmultipleClassifiersforHyperspectralDataanalysis[J].patternanalysis&application,2002(5):210-220
[33]谭璐,易东云,冯国柱,等.局部不变投影[J].自然科学进展,2004,14(3):282-287.
[34]李智勇,郁文贤,匡纲要,等.基于高维几何特性的高光谱异常检测算法研究[J].遥感技术与应用,2003,18(6):379-383.
[35]周晓云,孙志挥,张柏礼.一种大规模高维数据集的高效聚类算法[J].应用科学学报.2006,24(4):396-400.
[36]易尧华.基于投影寻踪的多(高)光谱影像分析方法研究[D].武汉:武汉大学,2004.
高光谱遥感原理与方法篇2
关键词遥感估产;类型;现状;展望
遥感起源于20世纪60年代,这是一种在一定距离上,应用探测仪器不直接接触目标物体,从远处把目标的电磁波特性记录下来,通过分析,揭示出物体的特征性质及其变化的综合性探测技术[1]。随着遥感技术的发展,宏观大尺度的估产越来越多地使用遥感方法,并结合地理信息系统和全球定位系统等技术,可以构建出不同条件下植被的生长模型和估产模型[2]。遥感技术估产与传统的估产方式相比,前者的工作量少,精准性更强,在实际应用中显示出了独有的优越性。前人做了大量有关运用遥感技术对作物、草地、森林及海洋生态系统的植被估产的研究。遥感估产已从试验研究阶段逐步进入到实际业务使用阶段。现探讨有关遥感估产的原理及估产模型的基本类型。
1遥感估产的原理及建模基础
任何物体都具有吸收和反射不同波长电磁波的特性,这是物体的基本特性。相同的物体具有相同的波谱特征,不同的物体,其波谱特征也不同,遥感技术就是基于该原理,利用搭载在各种遥感平台上的传感器接收电磁波,根据地面上物体的波谱反射和辐射特性,识别地物的类型和状态[1]。卫星遥感数据具有高度的概括性,卫星获取的光谱植被指数反映了植物叶绿素和形体的变化[3]。大量的研究也表明,植物的叶面积系数、生物量、干物重与光谱植被指数间存在着较好的相关关系[4]。因此,利用从卫星获取的植被光谱信息估测产量成为了可能。用于区域植物生物量估测的遥感模型基础是从光合作用即植被生产力形成的生理过程出发,在建立模型的过程中,根据植物对太阳辐射的吸收、反射、透射及其辐射在植被冠层内及大气中的传输,结合植被生产力的生态影响因子,最后在卫星接收到的信息之间建立完整的数学模型及其解析式[5]。
2遥感估产模型的类型
20世纪70年代后期估产模型将遥感信息作为变量加入到模型中,建立了大量的遥感估产模型。理论上探讨植物光合作用与植物光谱特征间的内在联系以及植物的生物学特性与产量形成的复杂关系等,方法上从单纯建立光谱参数与产量间的统计关系,发展到考虑植物生长的全过程,将光谱的遥感物理机理与植物生理过程统一起来,建立基于成分分析的遥感估测模型,使估算精度不断提高[6]。由于研究对象的不同,选用的估产参数也不尽相同,模型种类也较多,基本上可以分为2类[7-8],即统计模型和综合模型。
2.1遥感统计模型
目前,基于统计的遥感估产有3种技术路线:一是遥感光谱绿度值(植被指数)-生物量关系模式。在对作物、草原、森林的估产中,这是一种常用的思路,但是该方法得到的遥感估产等级图只反映卫星摄影时的植物长势和生物量的空间分布状况;二是遥感光谱绿度值-地物光谱绿度值-生物量关系模式,即先分析实测地物光谱绿度值与生物量之间的关系,建立相应模型,再分析卫星遥感植被指数与地物光谱绿度值的关系,建立卫星遥感植被指数与生物量之间的关系模型,最后利用光谱监测模型和卫星遥感监测模型进行监测与估产;三是遥感-地学综合模式。该方法将气温、降水等环境因子引入模型,与遥感-生物量模型互相补充,克服各自存在的缺陷,可进一步提高估产精度。建立的统计模型有线性、幂函数、指数、对数等,回归的方法也有一元回归、多元回归、逐步回归等,得到的系数差别较大,并且应用也局限于建模的时间和地点,在很多情况下地面资料的数也影响模型的精度。
2.2遥感综合模型
综合模型借助遥感信息和植被信息、气象因子等来建立,其包含了更多的信息量,可以更加精确地反映植被的生物物理参数。尽管这类方法前景广阔,但受到模型中大量的参数和变量获取的限制(例如呼吸、衰老、光合作用、碳分配、凋落物的分解等),以及当物种的组成在时空上变化较大时出现复杂的、异质性的、冠层的描述问题的影响,部分模型只适用于当时的研究区域,如何通过“尺度扩大”来改进模式中的区域限制,更好地适应遥感信息的同化需要,也是亟需解决的一个关键问题。
3展望
遥感技术经过几十年的发展,已经日趋成熟,遥感估产的优点是可以得到长时间尺度和大空间尺度的生产力资料,因而它仍是未来生产力探测方法的发展方向。目前国际上对各类生态系统的估产模型有很多,建立的模型和所选择的数据源并不是任何时期、任何区域都适用,应该根据研究区域的实际情况来改进生物量模型和选择合适的遥感数据源。基于遥感技术的生物量估算需要运用多种技术,综合多种方法,使估算模型达到最优。新的数学方法的不断探索和试验是充分发挥遥感信息作用的前提和途径,数量化理论、神经网络方法、cwsi理论、灰色系统理论、数值模拟等
理论的尝试将可能实现高精度定量估测。
4参考文献
[1]梅安新,彭望?,秦其明,等.遥感导论[m].北京:高等教育出版社,2001.
[2]李海亮,赵军.草地遥感估产的原理与方法[j].草业科学,2009,26(3):34-38.
[3]冯奇,吴胜辉.我国农作物遥感估产研究进展[j].世界科技研究与发展,2006,28(3):32-36,6.
[4]申广荣,王人潮.植被光遥感数据的研究现状及其展望[j].浙江大学学报,2001,27(6):682-690.
[5]张佳华.生物量估测模型中遥感信息与植被光合参数的关系研究[j].测绘学报,1999,28(2):128-132.
[6]赵英时.遥感应用分析原理与方法[m].北京:科学出版社,2003.
[7]陶伟国,徐斌,杨秀春.草原产草量遥感估算方法发展趋势及影响因素[j].草业学报,2007,16(2):1-8.
高光谱遥感原理与方法篇3
【关键词】多光谱；混合像元；端元
0引言
遥感影像的像元很少是由单一均质的地表覆盖类型组成，一般都是几种地物的混合。因此影像中像元的光谱特征并不是单一地物的光谱特征，而是几种地物光谱特征的混合反映，这给遥感解译造成困扰。混合像元问题不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用[1]。
遥感影像端元提取是理解遥感影像空间与特征空间的纽带，它是进行遥感影像混合像元分解的首要步骤，直接影响混合像元分解的精度，是进行定量遥感反演的基础，因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。现行的端元来源有两种，一是使用光谱仪在地面或实验室测量到的“参考端元”[3]；二是在遥感图像上得到的“图像端元”[4]。但是由于各种因素，诸如不同传感器光谱响应、大气影响、辐射条件等，地面实测光谱很难与影响建立起关系，并且实测有较大的主观性。而从影像本身获取端元简单、方便，且获取的端元具有与影像数据相同的度量尺度[5]，因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。
目前，国内外针对端元提取的算法大都集中于高光谱影像，高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6]，而对于高空间分辨率低光谱分辨率的多光谱影像端元提取算法很少。如何从多光谱影像仅有的几个波段中有效的提取端元信息，是多光谱遥感影像混合像元分解的关键。现行的端元提取算法集中于凸面体分析，通过求取影像的本征维数来确定端元的数目，端元数目即为本征维数加一[7]。以tm多光谱影像为例，分辨率为30米的多光谱影像有6个波段，即便这6个波段互不相关，其本征维数不会超过6维，最多能够提取7个端元。对于实际应用来说，端元提取的理论在tm等多光谱影像上是难以应用的。为此，本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元，解决了多光谱遥感影像端元提取数量限制和精度问题，为多光谱遥感影像端元提取提供了新的思路。
1端元提取方法思路与实现
本文设计的多光谱遥感影像分类和端元提取方法用到了监督分类算法（最大似然法）、像元纯净指数算法和凸面体分析理论。
该方法的基本思想如下：首先通过监督分类将原始数据划分为不同的区块，分块后的影像块间差异较大，有效抑制了背景信息的影响；然后通过对每个区块的光谱特征分析，确定分块端元的数目；最后对图像进行mnF变换，利用纯净像元提取方法提取端元光谱。具体流程图如图1。该方法的实现步骤如下：
（1）对原图像进行监督分类，根据图像所显示区域实际土地覆盖情况将原图像分为若干类别，所有类别依次对原图像进行掩膜处理，将原图像裁剪成若干区块。
（2）对每个区块进行光谱特征分析。根据分块的结果，将影像投影到二维散点图空间，分析光谱特征散点图空间分布特点和复杂程度，确定区块端元数目。
（3）通过凸面体分析技术，采用沙漏流程，首先对影像进行mnF变换，根据光谱特征分析确定的端元数目，设置mnF变换输出的维数。降维之后借助纯净像元指数和n维可视化工具收集端元波谱。
2实验与分析
2.1实验数据
实验所用数据为经过预处理的云南省大理市tm多光谱遥感影像数据。tm数据在可见光/近红外/短波红外/热红外0.45～12.5μm的大气窗口上设置了7个波段，而出tm6波段空间分辨率为120m外，其他波段空间分辨率均为30m。本文采用tm1～tm5、tm7这六个波段进行处理，波长范围为0.45～2.35μm，如图2所示（5，4，3波段彩色合成），图像大小为400行×400列。
2.2实验过程
根据实验数据所示区域实际土地覆盖情况以及数据图像的可分性，将实验区土地覆盖划分为建筑用地、农地、水域、林地和裸地等5类。在影像区域内均匀地选取各类型的样本数据，使用样本数据对影像进行最大似然法监督分类。分类结果如图3所示，其中红色代表建筑用地、黄色代表农地、蓝色代表水域、绿色代表林地、青色代表裸地。
根据分类结果，对实验数据进行裁剪，得到5块类别不一的影像，在此选取农地和林地影像进行研究。分块影像如图4所示（5，4，3波段彩色合成），其中a为农地影像，b为林地影像。
根据分块的结果，将影像投影到二维散点图空间，如图5所示，其中a为农地影像二维散点图，b为林地影像二维散点图。分析光谱特征散点图空间分布特点和复杂程度，确定分块影像的端元数目。农地影像二维散点图呈直线型分布，分布结构比较简单，从该区域影像空间能够提取2个有效端元。林地影像二维散点图明显有3个犄角，说明从该影像空间能够提取3个有效端元。
对分块影像进行mnF变换，mnF变换实现降维与噪声白化作用，目的是寻找影像的本征维数。根据光谱特征分析确定的端元数目，设置mnF变换的波段输出维数。农地和林地影像mnF变换的波段输出维数分别设置为2和3。降维之后进行像元纯净指数计算（ppi），ppi算法的实质是把端元往给定的投影线上投影，查看端元的投影次数，端元一般位于投影次数最多的地方。根据纯净像元落在相应影像中的位置，判断农地影像中的两个端元为水田（主要作物为水稻）和旱地（主要作物为玉米、土豆等），林地影像中的三个端元为阔叶林、针叶林和灌木林。最终提取的端元波谱曲线如图6所示，其中a为农地影像端元提取结果，实线所示为水田光谱曲线，虚线所示为旱地光谱曲线；b为林地影像端元提取结果，实线所示为阔叶林光谱曲线，点虚线为针叶林光谱曲线，长虚线为灌木林光谱曲线。
2.3实验结果分析
在混合像元分解过程中，端元的选择尤为重要，因为它直接影响混合像元分解的精度。为了检验本文提出的端元提取方法的有效性，在此从遥感影像中手动选取相应地物，绘制平均光谱曲线，与提取到的端元光谱曲线作对比。由于tm影像空间分辨率较低，很难从影像中判别相应的地物，借助森林资源二类调查数据，从相应地物的小班中勾画感兴趣区，绘制成平均光谱曲线。如图7所示，a中实线所示为水田平均光谱曲线，虚线所示为旱地平均光谱曲线；b中实线所示为阔叶林平均光谱曲线，点虚线为针叶林平均光谱曲线，长虚线为灌木林平均光谱曲线。对比图6可以看到，各地类的平均光谱曲线差异性明显小于端元光谱曲线，这是由于混合像元大量存在造成的；而从曲线特征来看，平均光谱曲线与端元光谱曲线的折点位置相似，这表明提取到的端元有效，能够表征相应的地物。
3结束语
本文针对多光谱遥感影像光谱分辨率较低，波段较少，并且波段间的相关性较大，影像噪声严重的现象，提出了一种基于分类结果的端元提取方法，该方法能够克服凸面体分析理论应用到多光谱影像端元提取的数量限制，提高了端元提取的精度。这种通过光谱先聚再分的思想，充分利用了遥感影像的空间和光谱信息，为多光谱遥感影像的端元提取提供了一种新的思路。
本文提出的端元提取方法基于最大似然法监督分类结果，分类的误差会传递给后续的端元提取过程。本文还可以尝试采用其他的分类方法代替，以降低分类结果的误差，如支持向量机、随机森林、面向对象的分类方法等。但是如何减少分类误差向下传导将会是今后一个重要的研究方向。
【参考文献】
[1]吕长春，王忠武，钱少猛.混合像元分解模型综述[J].遥感信息，2003（3）：55-58.
[2]耿修瑞，高光谱影像目标探测与分类[D].北京：中国科学院研究生院（遥感应用研究所），2005.
[3]RobertsDa，Gardnerm，ChurchR，etal.RemoteSensingofenvironment[J].1998，65：267
[4]Rashedt，weeksJR，GadallamS，etal.Geocartointernational[J].2001，16（4）：5.
[5]李素，李文正，周建军.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学，2007，23（5）：35-36
高光谱遥感原理与方法篇4
关键词：HiS变换；遥感图像；融合处理
DoiDoi：10.11907/rjdk.151545
中图分类号：tp317.4
文献标识码：a文章编号：16727800（2015）006018603
基金项目基金项目：中国地质调查局基金项目（[2011]030176（1212011140087））
作者简介作者简介：张玲娟（1982-），女，陕西武功人，硕士，核工业二三研究所网络工程师，研究方向为计算机应用、信息化。
1遥感图像概述
遥感图像是遥感探测目标的信息载体，可以综合反映地理环境某一部分或某些地物的质、量和动态信息[1]。其中，高光谱遥感卫星图像以清晰度高、信息量丰富、准确、数据时效性强等特点[2]，为研究人员在环境恶劣、交通不便的沼泽地区、高海拔地区开展地质调查、勘探等工作提供了快速、可靠的数据源。
遥感图像包括地物的光谱特征、空间几何结构、时间特征3个方面的信息。地物的光谱特征信息表征了遥感图像的色调和色彩。空间几何结构信息量越丰富则表明图像具备越高的几何分辨率和越清晰的纹理细节。对于时间特征信息，在不同时相获取的遥感图像，其波谱特征和空间几何结构特征一般存在差异性。这3个方面特征的参数包括空间分辨率、光谱分辨率、辐射分辨率和时间分辨率。通过遥感技术能够快速采集大范围数据、动态监测地物变化、综合反映地表信息，为地质信息提取、分析提供基础数据。相比传统方法，投入费用低，节约了成本，提高了效率，带来很好的经济效益和社会效益。遥感图像的种类较多，表1列出常用卫星的图像及其主要特性[3]。
目前，在地质矿产调查、资源环境分析、灾害监测等方面比较常用的遥感数据源有美国LanDSattm、etm+卫星图像。
其中，tm有7个波段，包含低频信息及特定光谱段的光谱信息，光谱分辨率高，价格比较便宜。一景tm图像约代表地面185×185km2的范围，tm的时间分辨率为16天，空间分辨率约30米（其中第6波段120m）。etm+有8个波段数据，一景图像面积和tm相同，etm+遥感器搭载两个不同分辨率的成像装置，可以获取多光谱波段及全色波段数据，其中第1～5、7波段分辨率为30m，第6波段分辨率60m，第8波段全色波段（pan）的分辨率15m[4]。etm+和tm的多光谱波段参数相同，在多光谱波段处理时可以相互参考和比较。tm/etm+图像主要参数及应用如表2所示。
2遥感图像解译处理方法
遥感图像解译处理是通过一系列的计算、转换、融合和分类等对遥感图像进行处理，以达到纠正图像畸变，丰富图像色调变化、增强图像地物信息，提高图像可视化效果和图像解译能力的一种图像数字处理技术[3]。它通常在光谱信息增强和空间信息增强两个方面对图像进行处理。对于地质调查中采用的遥感图像，处理时要尽量使原始图像的光谱信息不损失。因此，选择适当的图像处理方法，对遥感图像进行彩色合成、图像增强、图像校正、图像融合、特征信息提取等操作，可提高遥感图像的空间分辨率，增强目标特征，修补有缺陷的图像，从而达到更好地突出、识别目标地物，加强对地质解译的应用效果[5]。
遥感图像融合是通过复合多源遥感图像数据，将同一地区的不同遥感图像数据进行空间配准，并通过一定的算法结合各图像数据中的优势信息后，得到一幅包含信息量更加丰富的新图像[6]。融合可以消除多传感器信息之间可能存在的不同的空间分辨率、波谱分辨率和时间分辨率等问题，弥补单一遥感图像信息的不足，综合各遥感图像的优势，降低不确定性和多义性。融合后的图像信息更加清晰透明，提高了图像的分辨率和光谱特性，可以对目标地物进行比较全面、清晰、准确的表述[7]。进行融合处理的各类型遥感图像需要具备以下条件：融合图像的空间分辨率和光谱分辨率不同；融合的图像属于同一地区；图像应可以精确配准；在不同时间获取图像内容变化不大，若内容变化较大，则用融合处理后的结果对观测地区进行更新。
在图像处理中，存在RGB空间和HiS空间两种彩色坐标系统（或称彩色空间）[8，9]。RGB彩色系统采用红（red）、绿（green）、蓝（blue）三原色进行描述的方案。通过对R、G、B三个分量的加运算实现颜色综合，适合于在工业领域或硬件设备色图像的显示和存储。HiS颜色系统采用亮度（intensity）、色调（hue）、饱和度（saturation）三个分量来进行描述，它是一种基于人眼视觉对彩色感知特征的颜色模型[10]。可以通过对HiS空间中3个相对独立的分量i，H，S进行控制来精确描述相应的颜色特征。
在遥感图像融合处理中，经常使用HiS变换，即通过RGB空间到HiS空间的变换，实现在HiS空间复合不同分辨率的数据，经过iHS变换后得到的图像不仅具有较高的空间分辨率，而且保留较多的光谱信息特性，提高了图像识别和解译的精度。将颜色从RGB空间变换到HiS颜色空间的HiS变换如式（1）所示。
图像融合的HiS变换基本原理是将图像空间中3个分量用其它图像的数据进行替换。即将一幅彩色图像的R、G、B成分分离成代表空间信息的i、H、S三个分量，通过调节分量i、H、S的值来获取各种各样的显示效果[11]。彩色图像的空间分辨率主要取决于i分量图像的空间分辨率，在明度i分量、色别H分量和饱和度S分量3个分量中，人眼对明度i分量的分辨率更为敏感。因此，根据HiS变换的原理和人眼的视觉性，HiS变换对不同分辨率遥感图像的融合效果较好。
3遥感图像HiS融合处理
本文在青海沱沱河1∶50000区域地质调查项目中使用tm、etm+遥感图像。由于项目工作区位于青藏高原乌兰乌拉湖地区可可西里无人区，为了获得更丰富的遥感信息，通过比较不同时相的信息差异，全面认识地质构造，更好地遥感解译地质编图。本次数据采集了两个时相的收集处理，两景数据的时相为：
本文采用的etm+图像数据包含在一景etm+遥感图（图景号139-36）范围内，除少部分高山区有常年积雪覆盖外，全区基本无云，清晰度较好，地质构造信息丰富，质量比较高。tm、etm+遥感图像包含多光谱波段及全色波段数据，光谱信息十分丰富。其中，tm图像为多通道图像，信息量十分丰富，光谱分辨率相对较高但空间分辨率较低（tml-5、7为30m，tm6为120m），而etm+的8波段是全色单波段图像，该图像包含的地形地貌信息十分丰富。因此，将etm+8全色图像作为参考数据，将相同区域的多光谱图像与之进行匹配融合，使生成的遥感图像达到工作要求。
通过HiS变换方法进行遥感图像融合处理，将tm图像经过HiS变换生成H、i、S三个分量，再用i分量与etm+8图像进行配准生成新的i'分量，再经过HiS逆变换，就生成了融合的新图像。HiS变换步骤如下：
第一步：对图像进行几何校正、图像配准等预处理；
第二步：对多光谱图像应用HiS变换，得到i、H、S三个分量；
第三步：将高分辨率全色图像与多光谱图像的i分量图像进行几何配准等操作，生成新的亮度分量i'图像；
第四步：将第三步新生成的分量i'与原H分量、S分量图像进行HiS逆变换，得到融合图像，该图像即为具有高空间分辨率和高光谱分辨率特征的彩色图像。基于HiS变换的图像融合流程如图1所示。
通过HiS变换处理，融合后的图像结合了二者的优势，既保留了tm图像丰富的光谱信息，又具有etm+（单色）图像较高的空间分辨率。生成具有高空间分辨率的多波段融合图像，在信息量和目视解译效果方面都有很大的改善，可以准确揭示多波段数据包含的各种地物信息。融合前后的参数信息及对比效果分别如图2、图3所示。
4结语
本文基于HiS方法对项目工作区的原始遥感图像进行解译处理，使生成的遥感图像能够突出显示工作区不同岩性地层、蚀变岩及硅质岩、浅色硅质岩石、硅化及其它蚀变等信息。尤其在岩石的基岩分布区和半的基岩风化区，可以较好地显示不同岩石地层的分布，并经过信息提取，为野外地质工作者进行项目地质构造分析、地层岩性解译及蚀变带分析提供了比较丰富的参考数据，对识别相关矿产信息和寻找各类矿产具有重要价值。
参考文献：
[1]鞠建华，李加洪，李志忠，等.国土资源遥感应用[m].北京：地质出版社，2011.
[2]伊丕源，赵英俊.基于卫星遥感的三维景观建模与优化技术应用[J].遥感信息，2013，28（2）：4246.
[3]梅安新，秦起明，刘慧平.遥感导论[m].北京：高等教育出版社，2001.
[4]邹循进.遥感数字影像处理在三维地形地貌可视化中的研究与应用[D].贵阳：贵州大学，2008.
[5]戴文晗，魏清，戴磊.遥感技术在公路勘察设计中的应用[J].地球信息科学，2001（3）：5053.
[6]JoHnRJenSen.遥感数字影像处理导论[m].北京：机械工业出版社，2007.
[7]廖崇高，杨武年，濮国梁，等.不同融合方法在区域地质调查中的应用[J].成都理工大学学报：自然科学版，2003，30（3）：294298.
[8]孙家广.计算机图形学（第三版）[m].北京：清华大学出版社，1998.
[9]章毓晋.图象处理和分析[m].北京：清华大学出版社，1999.
高光谱遥感原理与方法篇5
遥感(RemoteSensing)即遥远的感知,指在一定距离上,应用探测仪器不直接接触目标物体,从远处把目标的电磁波特性记录下来,通过分析,揭示出物体的特征性质及其变化的综合性探测技术[1]。摄影照相便是一种最常见的遥感,照相机并不接触被摄目标,而是相隔一定的距离,通过镜头把被摄目标的影像记录在底片上,经过化学处理,相片便重现被摄目标的图像。从拍摄目标到再现目标所用的手段,便是一种遥感技术。遥感与其他技术结合,在农业应用中具有科学、快速、及时的特点。这对于充分利用农业资源、指导农业生产、农产品供需平衡等方面有着重要的意义。
2遥感估产的原理及农作物估产方法
2.1遥感估产的基本原理[2]
任何物体都具有吸收和反射不同波长电磁波的特性,这是物体的基本特性。人眼正是利用这一特性,在可见光范围内识别各种物体的。遥感技术也是基于同样的原理,利用搭载在各种遥感平台(地面、气球、飞机、卫星等)上的传感器(照相机、扫描仪等)接收电磁波,根据地面上物体的波谱反射和辐射特性,识别地物的类型和状态。农作物估产则是指根据生物学原理,在收集分析各种农作物不同生育期不同光谱特征的基础上,通过平台上的传感器记录的地表信息,辨别作物类型,监测作物长势,并在作物收获前,预测作物的产量的一系列方法。它包括作物识别和播种面积提取、长势监测和产量预报两项重要内容。
2.2农作物估产的方法
农作物估产在方法上可分为传统的作物估产和遥感估产两类。传统的作物估产基本上是农学模式和气象模式,采用人工区域调查方法。它们把作物生长与主要制约和影响产量的农学因子或气候因子之间用统计分析的方式建立起关系。这类模式计算繁杂、速度慢、工作量大、成本高,某些因子种类往往难以定量化,不易推广应用。遥感估产则是建立作物光谱与产量之间联系的一种技术,它是通过光谱来获取作物的生长信息。在实际工作中,常常用绿度或植被指数(由多光谱数据,经线性或非线性组合构成的对植被有一定指示意义的各种数值)作为评价作物生长状况的标准。植被指数中包括了作物长势和面积两方面的信息,各种估产模式,尤其是光谱模式中植被指数是一个极为重要的参数。根据传感器从地物中获得的光谱特征进行估产具有宏观、快速、准确、动态的优点[3,4]。
农作物估产中所应用的遥感资料大致可分为3类:一是气象卫星资料,主要为美国第三代业务极轨气象卫星(noaa系列)装载的甚高分辨率辐射仪(aVHRR)资料,其资料特点是周期短、覆盖面积大、资料易获取、实时性强、价格低廉,空间分辨率低但时间分辨率较高;二是陆地卫星(Landsat)资料,应用较多功能是专题制图仪(tm)资料,它重复周期长、价格高,但其空间分辨率高[5];三是航空遥感和地面遥感资料,主要用于光谱特征及估产农学机理的研究中,其中高光谱数据可提供连续光谱,可消除一些外部条件的影响而成为遥感数据处理、地面测量、光谱模型和应用的强有力的工具[6]。在遥感估产中农作物面积提取是最重要的内容。用遥感方法测算一种农作物的种植面积主要有以下几种方法[5]。1)航天遥感方法。包括卫星影像磁带数字图象处理方法(一般精度较高)和绿度———面积模式。2)航空遥感方法。可进行总面积的测量、作物分类及测算分类面积。3)遥感与统计相结合的方法。此方法是由美国农业部统计局在原面积抽样统计估产的基础上发展起来的,其原理是利用遥感影像分层,再实行统计学方法抽样。4)地理信息系统(GiS)与遥感相结合方法。此方法是在地理信息系统的支持下,利用遥感信息,对不同农作物的种植面积进行获取。
3国内外遥感估产的研究进展状况
3.1国外遥感估产研究的进展状况
美国首先开了农作物遥感估产之先河,美国农业部、国家海洋大气管理局、宇航局和商业部合作制定了“大面积农作物估产实验(1974～1978)计划”,组织实施了小麦估产计划,应用先后发射入轨的陆地卫星1～3接收处理出的mSS图像,首先对美国大平原9个小麦生产州的面积、单产和产量做出估算;尔后对包括美国本土、加拿大和前苏联部分地区小麦面积、单产和产量做出估算;接着是对世界其它地区小麦面积、总产量进行估算。调查分析美国、原苏联、加拿大等主要产粮国的小麦播种面积、出苗状况和长势,并利用气象卫星获得的气象要素信息,结合历年统计数据进行综合分析,建立的小麦估产模型精度高达90%以上。1980～1986年,美国又制定了“农业和资源的空间遥感调查”计划,其核心内容仍是主要作物的种植面积与单产模型的研究。进行国内、世界多种粮食作物长势评估和产量预报。中国科学院自然资源综合考查委员会的陈沈斌于1992年8月在美国农业部外国农业局(负责美国以外国家的农作物估产,并建成运行系统)曾见到当月估计的中国小麦、玉米、水稻总产量与后来1993年国家统计局公布的数字差-3.53%、+0.65%和-0.66%。
该项工作,为美国在世界农产品贸易中获得巨大的经济利益[2,4,7,8,9,10,11]。此后,欧共体、俄罗斯、法国、日本和印度等国也都应用卫星遥感技术进行农作物长势监测和产量测算,均取得了一定的成果。例如,欧共体用10年的时间(从1983年开始),建成用于农业的遥感应用系统,1995年在欧共体15个国家用180景Spot影像,结合noaa影像在60个试验点进行了作物估产,可精确到地块和作物种类。2002年美国航空航天局与美国农业部合作在贝兹维尔、马里兰用moDiS数据代替noaa-aVHRR进行遥感估产,moDiS搭载的teRRa卫星是1999年由美国(国家航空航天局)、日本(国际贸易与工业厅)和加拿大(空间局、多伦多大学)共同合作发射的,moDiS数据涉及波段范围广(36个波段)、分辨率(250,500,1000m)比noaa-aVHRR(5个波段,分辨率为1100m)有较大的进步,这些数据均对农业资源遥感监测有较高的实用价值。ldso等曾运用500～600nm和600～700nm两个光谱区得到的反射值的转换植被指数(tV16)来估计小麦与大麦的单产,获得小麦单产与tV16之间的相关系数为0.78。同年,日本科技公司完成了“遥感估产”项目,可提高平原农业估产的精度,并着眼于对全球进行估产。
而美国已经将遥感技术用于精细农业,对农作物进行区域水分分布评估、病虫害预测等,直接指导农业生产。用卫星遥感方法进行长势监测和产量估算已进行多年,方法已趋于成熟[2,4,7,8,.9,10,11,12,13]。水稻遥感估产以亚洲水稻主要生产国为先行和先进。中国、印度、日本等国家都进行过遥感估产研究且取得较好的效果。patel和Dash等[14]建立水稻产量和RVi的关系,试验区预报精度达到96.14%。miller等[15]在分蘖或出穗阶段时,运用比值植被指数通过干物质和单产的关系来估计单产。但在作物灌浆与成熟阶段,由于反射率与总生物量之间并不相关,比值植被指数无法预测水稻的冠层生物量。wiegand,SSRay认为借助于归一化植被指数nDVi{(niR-R)/(niR+R)}可以很好地预测产量[16,17]。
3.2国内遥感估产研究进展情况
从“六五”开始,我国试用卫星遥感进行农作物产量预报的研究,并在局部地区开展产量估算试验。“七五”期间,国家气象局于1987年开展了北方11省市小麦气象卫星综合测产,探索运用周期短、价格低的卫星进行农作物估产的新方法。该项目中,主要是以长期的气象资料为基础,以遥感信息为检验手段,建立了不同地区的遥感参数-作物产量的一阶回归模型。1985～1989年,此项目为中央和地方提供了165次不同时空尺度的产量预报,为国家减少粮食损失达33万t以上,累计经济效益达20亿元。“八五”期间,国家将遥感估产列为攻关课题,由中国科学院主持,联合农业部等40个单位,开展了对小麦、玉米和水稻大面积遥感估产试验研究,建成了大面积“遥感估产试验运行系统”,并完成了全国范围的遥感估产的部分基础工作。通过1993～1996年4年试验运行,分别对四省两市(河北、山东、河南、安徽北部和北京市、天津市)的小麦,湖北、江苏和上海市的水稻;吉林省的玉米种植面积、长势和产量的监测和预报,在指导农业生产及农业决策中发挥了重要作用。特别是解决了一些关键技术问题,为进一步开展全国性的卫星遥感估产提供了重要保证。
高光谱遥感原理与方法篇6
关键词：地质勘探;矿产;遥感找矿;国土资源
近年来，随着科学技术的进步和国际环境的影响与促进，我国的遥感技术也逐步发展并趋于成熟，目前已经建立了集信息的采集、处理、应用等环节于一体的国土资源遥感技术体系。可以说，我国已经把遥感技术应用于地质调查、矿产勘查、矿山开发、环境监测、城市规划等重要领域。
1遥感找矿技术概述
随着科学技术的不断发展与进步，国际、国内的地质矿产勘探工作都不同程度地得到了很大的技术支撑，地质勘探业迅速崛起，遥感找矿技术已经成为一项较为成熟的地质找矿方法。
遥感找矿技术主要是指运用遥感技术进行地质矿藏的发现、开采等工程。该技术的理论支撑是遥感技术，按照光谱分为可见光遥感、红外遥感和微波遥感。遥感技术用于地质找矿作业，能够全面、客观地记录和分析矿山的物质成分和结构，大大提高和改善了发现矿藏的几率和速度，并且分析结果更加精确和科学。
遥感找矿技术主要是依据大地层中的各种物理化学物质所发生的反射、透射等物理作用而产生的电磁波，来传递各种地质成分的特征信息。各种物质的物理化学特性与其发出的光谱的特息相关，物质成分及结构的差异使得不同物质的内部对不同波长的光子进行选择性的吸收和反射、透射等物理作用。一般而言，具有稳定的物理结构和稳定的化学性质的物质具有稳定的光谱吸收特征，而不同的矿物质又具有不同的电磁波辐射能力。在遥感找矿技术中，我们利用波谱仪等遥感设备对野外采集的样品进行光谱试验，获取数据并测量其光谱曲线，再与资料库中的已知光谱进行比较，可以确定矿物质中所含有的各种成分，并进一步判断其含量与纯度。这样，我们就利用遥感找矿技术，成功地为决策者开发利用矿山资源提供了可靠资料。
2遥感找矿技术在地质勘探中的运用
遥感找矿技术可以用以提取地质构造，对地质勘探具有重要意义。根据现有资料，重要的矿产主要分布在地壳板块的边界地带以及不同块体的结合部位。遥感找矿技术能够对地质成分进行全面的分析和反馈，帮助地质勘探工作者提供可靠信息，如地表岩层、地质构造、地貌特征、水体和植被分布等。地质勘探测量工作者，可通过这些信息提取潜伏的地质构造特征，比如地表褶皱、地层断裂等。
遥感找矿技术主要利用金属矿床形成的特定光谱异常区进行工作，通过遥感技术形成图形和图像。质地中存在的各种矿物质的光谱曲线波动不一样，比如围岩的光谱曲线会相对很平缓，每个波段之间的差值也十分小;而矿化蚀变岩的光谱曲线波动较大，每个波段之间的差值也很大。这样，根据不同的光谱曲线，就能确定地质的性质，为地质勘探工作提供数据。
可以看出，提取蚀变信息是遥感技术在地质找矿工作中的一项主要手段。那么，遥感找矿技术是如何进行处理蚀变信息的？目前可以用单一的热红外波段或者比值分析，也可以将二者结合，再对蚀变信息进行增强，然后与已知的大量数据进行对比分析。例如，在植被覆盖非常广泛或者冰雪大量覆盖的地区，为了在不遗失任何信息的前提下去除干扰，我们可以采用比值处理法，这就是通常所说的图像预处理;我们也可以利用热红外光谱技术探测物体的辐射能量，从而压抑森林植被和积雪造成的信号干扰。
目前，地质矿产勘探遥感找矿技术已经为我国的基础地质调查、矿产资源勘查和环境地质调查与评价提供了重要的数据资料。我国目前已经形成了关于地质矿产勘探遥感找矿技术运用的工作流程和技术方法，开发了"野外调查微机辅助遥感图像解译系统"，为中国地质调查局制定了1∶25万遥感地质调查的技术规定，绘制了相关精度和比例的影像图，并做了详细的遥感地质解译，编制了航磁系列图、推断地质图和地球地质物理断面图等图件。成功运用该项技术进行了不同地区的区域地质岩性填图，确定各类火成岩体的分布，准确圈定了火山岩及火山机构，为直接或间接找矿等工作服务。这一系列的科研成果，都标明地质矿产勘探遥感找矿技术在我国地质勘探工作领域所发挥的积极作用。
3地质矿产勘探遥感找矿技术的发展前景
在我国，地质勘查技术方法不断取得创新，找矿方式方法也取得突破性进展。国家也在不断加强地质矿产勘探遥感找矿技术开发体系的建设，提高地质勘查的能力。根据目前我国的国家需求和社会需求，结合我国地质矿产勘探遥感找矿技术的发展现状，未来几年将重点加强开展并加强以下3个业务体系的建设：
（1）矿产资源航空物探与遥感勘查应用体系;（2）环境地质、工程地质、地质灾害调查与监测多领域应用与服务体系;（3）海洋与陆域油气资源航空物探遥感调查体系;上述业务体系体现了遥感找矿技术在地质矿产勘探领域的重要应用和拓展。开发和完善以上体系，需要我们不断加强技术创新，坚持自主开发为主与引进外部技术为辅相结合的机制，不断提高和完善我国地质矿产勘探遥感找矿技术的自主创新能力。
4对当前遥感找矿技术的几点建议
4.1加强技术装备建设，加大投资力度。
我国疆土地域跨越较大，而且国土资源复杂，如果只采用单一的运载工具，就无法适用于中西部地区的测量作业，同时又缺少适合于高原地区和山区遥感勘查飞行的直升机。对于海洋资源，大航程超低空海洋航空物探专用飞机的开发运用将成为严重制约海洋资源调查能力的关键资源。国内设备对数据的记录、处理能力精度不高，缺乏航重、航电以及航空气测设备等，这就造成一部分遥感信息源的缺乏。国外高精度遥感数据价格昂贵，而国产资源卫星数量少、分辨率和精度难以满足自身要求，严重制约我国地质矿产勘探工程的快速发展。
4.2需要提高技术层次，深化应用技术的研究与开发。
地质矿产勘探遥感找矿技术的应用领域不断扩展与遥感技术工程化能力不足的矛盾比较突出，因此随着我国国土资源管理对遥感找矿技术的业务化应用的迫切需求，遥感技术的自动化、工程化程度有待提高。
结束语
遥感找矿技术作为矿产勘查领域内的新生力量，在易找矿日益减少的情况下，将会起到越来越重要作用。许多遥感找矿的成功经验所带来的有益启示是，遥感应用必须与物化探、磁力、重力、地震探矿方法相结合，还需要进一步重视地热、地气的热力作用，深入研究生物地球化学效应、地球化学填图方法、生物成矿和数字地质的空间统计分析方法。只有加深对地表成矿信息的理解和诠释，才有可能对深部的、海底的隐伏矿床由此及彼、由表及里，从地球系统科学与地质信息科学的深度作出科学的推论和预测。
参考文献
高光谱遥感原理与方法篇7
[关键词]摄影测量遥感技术
[中图分类号]p23[文献码]B[文章编号]1000-405X（2014）-3-102-1
1摄影测量与遥感技术概述
1.1摄影测量技术
摄影测量学的方法很多，其中航空摄影测量的理论是最常用的。航空摄影测量是利用飞机上摄取的地表相片为依据进行量测判断拍摄的地面上物体大小、形状、空间位置关系，从而建立被摄取的地区的地形图信息数据资料。航空摄影是在一定的高度按规定的时间间隔对要测绘的区域进行连续重叠摄影。要求所拍摄的图片能够覆盖整个待测区，并且有一定的重叠度。摄影测量的主要任务是对地观测，因此测绘各种比例尺的地形图和专题图，建立地形图数据库，并贮备各种地理信息系统的建立与更新时需要的基础数据。
1.2遥感技术
遥感技术系统由空间信息采集系统，地面接收、传输和预处理系统，地面实况调查系统，信息提取与分析应用系统几部分组成。空间信息采集系统由遥感器和遥感平台组成，遥感平台是遥感器的载体为其提供工作平台。遥感器是用来收集、记录被测目标的特征信息并发送到地面接收站的设备。地面接收站主要是接受、处理、存档和发散各类卫星传输的数据，并把数据记录在高密度磁带、光盘上。保存和记录数据后地面工作站依靠计算机进行图像预处理。地面实况调查系统主要是进行在空间遥感信息获取前所进行的地物波谱特征测量，还有在空间遥感信息获取的同时进行与遥感有关的各种遥测数据的收集。最后将收集的遥感图像信息有针对性的提取，进行具体领域的应用或辅助研究。
2摄影测量与遥感在铁路测量中的应用
2.1选线应用
线路一般应尽量采用直线以及较大半径的曲线连接，以缩短线路的长度，节省造价及营运消耗。在纵断面上则应尽量减小坡度，以提高车速。同时，铁路线路还应绕避不良地质和水文地段，并尽量绕避重要建筑物以及少占农田等，以保证线路工程的质量。为了满足上述要求，必须利用铁路沿线的地形、地貌、地质、等资料，而摄影测量与遥感技术是提供这些资料有效的技术手段。摄影测量与遥感技术在选线中的应用主要有两方面：一是摄影测量与遥感所获得的地形图以及数字高程模型是线路设计的主要资料；二是航空或者卫星遥感影像可直接或间接提供大量的有关各种地物属性的信息，为解译各种地质现象和水文要素创造良好的条件。航空或卫星影像反映地表地物宏观、逼真，借助遥感图像处理软件处理解译，并根据影像所反映出来的纹理、色调、图形等特征，可以判释区域内地层、地质构造等现象。
2.2既有线路测量应用
既有线路摄影测量与遥感技术是以航空像片或卫星遥感影像为测绘基础，配以一定的野外工作获取大比例尺地形图。其应用可归纳为：加速既有线路复测工作，加快获得完整的既有铁路技术基础资料。大比例尺地形图可满足多方面的使用要求。采用摄影测量与遥感技术测绘大比例尺地形图的优点：一是采用了国家统一的平面坐标系和高程系，与国家基本图或其他部门的地形图可以沟通使用。二是航测图片和遥感卫星图片覆盖面积大、表达现场逼真，可获得精度较高的大比例尺地形图。
2.3沿线环境动态监测
利用遥感技术可以对铁路的运行状况、沿线地质环境变化等进行动态的监测。由于遥感图像视野开阔、影像逼真，不受地形、交通的限制，获取资料快，可在室内条件下全天候开展影像判释。此外，遥感技术为从宏观背景研究地质灾害的形成与地形、地质构造等提供了方便，从而有利于揭示其产生原因和分布规律。可随时获取铁路沿线地形地层构造、地质灾害及环境变化等情况，还可提供Dtm，各种比例尺地形图、透视图、各种地质专题图、各种统计数字等资料。
3遥感新技术在铁路测量中的应用
3.1SaR干涉测量
雷达干涉测量是利用复雷达图像的相位差信息来提取地面目标地形三维信息的技术。获取数据的方式，分别是沿轨道向、与轨道交叉向、重复飞行干涉测量。雷达干涉测量有特定的数据处理技术流程，与传统遥感影像数据处理完全不同，主要包括：用轨道参数法或控制点法测定基线，图像粗配准和精配准；随后进行相位解缠，其中最常用的方法有：枝切法、条纹检测法、最小二乘法、基于网络规划的算法。差分干涉测量技术是在雷达干涉测量的基础上发展起来的，它是利用复雷达图像的相位差信息来提取地面目标微小地形变化信息的技术。根据消除地形效应所采用的方法不同，差分干涉测量可分为基于Dem模拟条纹和基于生成的从干涉纹图的差分测量。
3.2高分辨率卫星遥感
航空遥感、卫星遥感等，虽然已经得到较多的应用，但在反映细节构造、精细信息、局部特征时，由于分辨率的限制而不能提供详实而全面的信息。而高分辨率卫星遥感影像既提供高几何分辨率的全色波段，又提供多光谱数据，通过一定的数据融合方法，就可提供分辨率更高的多光谱数据。高分辨率卫星遥感可应用为：提供充分、丰富、精确的信息，保证了进行科学合理的新线的选线工作；将为建立3S地质灾害信息立体防治系统和铁路管理系统提供多源、多平台、多时相、多层次、多领域的实时、丰富、准确、可靠的信息。
3.3高光谱遥感
高光谱遥感与常规遥感技术不同之处主要是窄波段、多通道，具有图像与光谱合二为一的优点，它以纳米级的超高光谱分辨率和几十或几百个波段同时对地表地物成像，能够获得地物的连续光谱信息。这样，在传统的二维遥感的基础上增加了光谱维，形成了一种独特的三维遥感。通过获取图像上任何一个像元或像元组合反映的地球表面物质的光谱特性，经过计算机图像处理就能达到快速区分和识别地表地物的目的。利用高光谱数据与专题图结合，可以全面对感兴趣区域地质进行研究并进行细分，判释区域内地层、地质构造等，给铁路选线提供可靠的依据。还可充分利用高光谱图像中丰富的纹理细节进行信息提取。
在铁路建设中，摄影测量与遥感作为一种先进的勘测技术手段，在提高选线质量和勘测资料质量；提高勘测设计效率；改善勘测工作条件；节省基建投资等方面，具有明显的经济效益和社会效益，是工程勘测设计和现代化管理的重要内容。
参考文献
高光谱遥感原理与方法篇8
1、遥感找矿技术概述
随着科学技术的持续发展和进步，国际、国内的地质矿产勘探工作都不一样程度地获得了非常大的技术支撑，地质勘探业快速崛起，遥感找矿技术已经变成一项相对成熟的地质找矿办法。
遥感找矿技术关键是指应用遥感技术实施地质矿藏的发现、开采等项目。这技术的理论支撑是遥感技术，依照光谱分为能见光遥感、红外遥感与微波遥感。遥感技术用于地质找矿作业，可以全面、客观地记录与分析矿山的物质成分与构造，使发现矿藏的几率与速度大大的提高与改善了，而且分析结果更加精确与合理。
遥感找矿技术关键是根据大地层中的各类物理化学物质所产生的反射、透射等物理作用而形成的电磁波，来传递各类地质成分的特点信息。通常来说，具备稳定的物理构造与稳定的化学性质的物质具有稳定的光谱吸收特征，而不同的矿物质又具有不同的电磁波辐射能力。在遥感找矿技术中，我们运用波谱仪等遥感设备对野外收集的样品实施光谱试验，得到数据并对其光谱曲线进行测量，再和资料库中的已知光谱实施对比，能够确定矿物质中所含有的各类成分，并进一步判断其含量和纯度。这样，我们就运用遥感找矿技术，成功地为决策者开发运用矿山资源供应了可靠资料。
2、在地质找矿中遥感技术应用的理论根据
遥感技术能够综合几种地质遥感信息，具备丰富的理论基础，与物理内涵，在地质找矿中发挥着至关重要的关键作用。在地质找矿中遥感技术的运用，具备方便定位、立体感强、丰富的信息量、多波段、宏观性等优点，运用遥感技术分析地质找矿中的遥感影像，综合含矿载体与含矿结构的光谱特点、纹理特点、构造特点与结构特征。地质构件状况直接关系着矿产资源的产出与形成，一般状况下，在煤系地层中储存煤矿资源，其光谱特点关键反映了岩石的特点种类、地质矿产资源的结构特点，运用遥感技术能够获得有关的环状与线性信息，全面的揭示地质矿产范围的地质系统结构。含矿结构的纹理特点与结构特点反映了地质矿产资源的岩石种类与地层层序的差异，不一样的矿物含量与成分反映了矿化的蚀变状况，一定规律的矿化蚀变组合经常指示着存在某种矿产资源的状况。
3、遥感在地质找矿中的应用
3.1地质构造信息的解译
地壳内部的内在活动原因是构造运动，它和变质事件、热事件、成矿作用关联在一起，而内、外生矿床的产生与分布都不一样程度地受必然地质结构事件的控制。地质结构在遥感图像上经常表现为线性和环形特点。线性特点，是像片上呈持续或断续的线状或带状展布的影像，其有一定规律性的空间分布型式。线性形迹关键指断裂与节理等结构，它控制着岩浆活动和矿液的运移、保存，对导矿、运矿、储矿起着关键的作用。环形结构在地壳中以近圆形的结构环带为特点，很多是地壳内部活动的表现，对产生火山型、热液型矿床关联严密。线性构造、环形构造和构造交叉位置，常常是成矿的关键位置。经过对遥感图像上色调、阴影、形状的研究能够更直观的看出研究区域的地质构造，对成矿预测有利。
3.2提取地质构造信息
通常状况下，地质矿产关键是由各类地质构造的不一样运动形成的。比如，火山或地震活动等。一般状况下，矿产的分布关键集中在各类地质构造边缘部位或形成变异的位置，非常多关键的矿产关键分布在不一样板块的结合部位或邻近边界的地带。从产生时间上分析，其相同地质构造的运动时间是维持同步的，矿床的分布会由于地质构造运动的改变而形成变化，而且，展现出了带状分布。凭借遥感技术从事找矿工作，关键就是运用这一特点实施找寻工作。像，在矿物质的产生区域，凭借线性影像对应的信息实施高效提取，同时，还能够对火山构造和盆地等地质影像资料实施合理的分析，并把找矿需要的有用信息从其中提取出，从而结合有关的影响原因，综合评定矿物的储备和种类等有关特点。
3.3植被波谱特点运用
一般状况下，矿场四周的地貌植被和所含有的矿物质具备一定的关联性，比如，金属元素随着时间的持续累积，会生成必然的微生物群落，而微生物同地下水等自然环境互相作用，会对地表的土层形成必然的作用，从而让地表发生一定的改变。地表的各类植被在吸收了含有金属元素的营养物质后，会产生一定的异变。当大面积发生异变后，凭借遥感技术对有关的信息实施有效地提取，从而分析出详细的金属元素，并借此判断这范围的矿物质储备等状况。
3.4识别地质岩石矿物
成矿的赋存条件多以特定的岩石组合与种类为物质基础，可见对于成矿而言，岩石的作用显而易见，而岩石、矿物本身的光谱特点也为运用遥感技术得到遥感信息用于辨别岩性供应了必要条件。一般用于识别岩性的办法关键为加强、变换、遥感图像分析，凭借图像中颜色、色调、纹理等加强后的差异性，最大限度的分开岩相、划分岩性组合或岩石种类，像岩浆岩、沉积岩、变质岩等。通常状况下，当处于8-14μm的波长时为热红外域，反映的是岩石、矿物光谱中的发射特点，当其处于0.4-2.5μm时则为能见近-短波红外域，反映的是岩石、矿物光谱中的反射特点。
遥感技术在识别岩石、矿物中的运用也相对常见，像某矿产运用aSteR热红外遥感技术提取了某边缘试验区的硅酸盐岩、碳酸盐岩、硅质岩的岩性；而Crosta则以研究地区内的蚀变特点与地质状况为根据，基于USGS矿物光谱数据库，创建了单矿物的识别规范，并运用aViRiS得到了遥感图像，从而把明矾石、白云母、高岭石等矿物提取了。由于以空间特点与地物光谱的差异性为基础的高光谱成像遥感技术具备数据量大、高的分辨率、超多波段等优点，其窄波段能用于矿物吸收特点的不同，配以重建地物光谱、量化并提取光谱特点、混合象元定量分析等，能完成对矿物岩石的有效区分，所以在识别岩石矿物中获得普遍运用。
高光谱遥感原理与方法篇9
关键词：遥感影像；空间数据；环境监测
中图分类号：tp311.52文献标识码：a文章编号：1674-7712（2013）12-0000-01
一、遥感的基本概念与原理
（一）遥感概述。遥感技术是20世纪60年代在航空摄影测量的基础上迅速发展起来的一门综合性空间数据采集技术。所谓的遥感，就是从远处在不直接接触地表目标物和现象的情况下，获取其信息的科学和技术。遥感具有以下特点：探测范围广，能够提供综合宏观的视角；获取手段多样，获取的信息量大；获取信息快，更新周期短，可进行动态监测；全天候作业；遥感技术可以根据不同的目的和任务，选用不同的波段和不同的遥感仪器，取得所需的信息等等。
（二）遥感的物理基础。不同地物具有不同的电磁波辐射特性，表现在遥感图像上就具有不同的图像特征。电磁波是由振源发出的由交变电场和磁场相互激发在空气中传播的电磁震荡。而我们将不同电磁波段透过大气后衰减的程度不一样原因进行了介绍，可知有些波段的电磁辐射能够透过大气层时衰减较小，即透过率较高，这个波谱范围，叫做“大气窗口”。
遥感除了利用上述的大气窗口作为工作波段外，有些气象卫星是选择非透明区作为大气波段（如水汽，二氧化碳，臭氧吸收区），以测量它的含量，分布，温度等，不同的大气投射窗口对应于不同的光谱范围，适于使用不同的传感器，因此，研究地面的光谱特性，选用合适的大气透射窗口和传感器对于提高遥感探测的质量具有十分重要的意义。
二、遥感平台与传感器
（一）遥感平台。遥感数据获取是在由遥感平台和传感器构成的数据获取技术系统的支持下实现的。遥感平台可以分为地面平台、航空平台和航天平台三种。由于各种平台和传感器都有自己的适用范围和局限性，因此往往随着具体任务的性质和要求的不同而采用不同的组合方式，从而实现在不同高度上应用遥感技术。
遥感平台主要依据遥感图像的空间分辨率，一般的说，近地遥感具有较高的空间分辨率，但观察范围较小，而航空遥感地面分辨率虽然中等，但其观测范围广，航天遥感地面分辨率低，但覆盖范围广。
（二）传感器传感器一般由采集单元、探测与信号转化单元、记录与通信单元组成。各种卫星通过不同的遥感技术实现不同的用途。各种卫星通过不同的遥感技术，实现了不同的用途。数字工程中常用的遥感数据有Landsat和tmm遥感、Spot和Radarsat以及我国的资源卫星数据和高分辨率卫星遥感数据。传感器的类型大类上分为主动式和被动式，其中又各分为非图像式和扫描图像式。
三、遥感图像及其特征
遥感的核心问题就是不同地物的反射辐射或发生辐射在各种遥感图像上的表现特征的判别，当然，不同的目的的需要精心的设计对于遥感成像的方式或选择波段，这样我们才能使不同的地物在图像特征区别。遥感图像反映的信息主要有几何信息，波谱信息，空间信息和时间信息等。
（一）几何特征。遥感图像不仅反映了地物的波谱信息，而且还反映了地物的空间信息形成特征，一般包括空间频率信息，边缘线性构造清息，结构或纹理信息以及几何信息等。影响遥感空间信息的主要因素有传感器的空间分辨率、图像投影性质、比例尺和几何熵变等。
（二）光谱信息。遥感图像中每个像元的亮度值代表的是该像元中地物的平均辐射值，它是随地物的成分、纹理、状态、表面特征及所使用电磁波段的不同而变化的。遥感图像的信息虽主要取决于两个因素：波谱分辨率和空间分辨率。前者主要影响波谱信息量，后者主要影响空间信息量。多波段图像的信息量除上述两个因素外还与波段的选择和数目有关。
（三）时间特征。同一地物对象由于其在不同的阶段含有不同的成分等原因造成对象在不同阶段具有不同的光谱特性，表现在遥感图像上就是该地物在不同时间段的图像上具有不同的图像特征。时相主要影响图像的处理效果，利用对泳衣区域各个阶段分别进行遥感，加以对比而研究，则可以获取该区域的连续变化特征。
四、遥感处理的基本流程与技术
利用遥感的手段进行数字工程空间信息更新时，应用需求以及卫星影像数据处理流程会有所不同，但是主要的过程和技术方法基本一致，在利用遥感影像进行空间数据更新的关键技术和流程主要可归纳为一下几个方面：遥感波段（卫星遥感数据）选择；卫星影像读入；卫星遥感影像处理技术；信息提取技术；矢量编辑与地图更新技术。
五、遥感应用
随着卫星数据图像空间分辨率、光谱分辨率及时间分辨率的不断提高，以及遥感数据购买费用的逐步下降，卫星数据图像的应用领域越来越广，从图像中提取信息的要求也越来越多，遥感已经成为获取地面信息的主要手段。
利用遥感技术可以制作各种遥感相关产品――数字正射影像（Dom）、数字线划图（DLG）、数字高程（地形）模型（Dem/Dtm）、数字栅格模型（DRG）等4D产品；提供行业或部门专题地理数据――专题影像地图；利用遥感数据进行基础地理数据的产生或更新等。
（一）基础数据更新。比如用Spot/eRS卫星影像更新地图数据为例，可以采用影响的几何纠正、色彩转换技术、统计和算法以及影像融合技术。遥感数据又有多波段、多时相的信息源，且能快速真实地提供丰富的地表空间信息，遥感已经成为地图更新和制作的有效而又重要的手段。我国目前的若干地形图大都在20世纪70年代测绘生产的，目前也都面临这地图更新的问题。
（二）土地利用调查与动态监测。土地利用基础数据对于数字工程进行土地规划与开发、土地管理、开发利用潜力分析等很重要。目前，中小比例尺的土地利用遥感动态监测与变更，主要应用tm、etm、Spot等遥感影像。利用遥感技术进行土地利用现状调查，调查精度比常规调查方法高，且时间短速度快。农作物与植被方面，用于农业气象、作物监测等领域的观测参数需要有更高的光谱分辨率，一般是短波红外波段。根据农业耕作和土地利用特点，选定影响最佳的获取时间应在5月―6月或9月―10月。研究的主要技术过程主要有下面几个：数据预处理、影像合成、不同数据源图像融合、图像分类和后处理、外业调绘、内业分析以及成果输出和更新。
（三）灾害调查与监测。各种自然灾害往往需要制作大比例尺图，以判明水灾发生时的洪涝区域、地震发生后的建筑物损坏情况、火灾发生后对地区造成的破坏等。地质灾害的调查、火灾监控和油污与赤潮监测。为了能将不同的信息区别开来，一般都要进行色彩合成，即在3个通道上安装3个波段图像，然后分别负于红绿蓝并叠合在一起，形成彩色图像，合成后的彩色图像含有丰富的颜色信息，便于解释，理解和处理。
参考文献：
高光谱遥感原理与方法篇10
ZhuRuirong；QuHuaying
（YunnanLand&ResourcesVocationalCollege，Kunming650217，China）
摘要：在分析空间数据获取现状的基础上提出空间数据挖掘的必要性，对遥感影像分类技术和方法进行了研究，提出GiS平台和数据挖掘算法集成所挖掘的知识是其影像分类的重要知识源。最后通过实验对以上的研究和分析进行了验证。
abstract：Basedonthestatusquoofspatialdataobtaining,thenecessityofspatialdataminingisputforward.throughtheresearchofremotesensingimageclassificationtechnologyandmethodologies,theknowledgeminedandintegratedfromGiSplatformanddataminingalgorithmshasbeenrecognizedastheimportantknowledgesourceofimageclassification.Finally,theresearchandanalysishasbeenverifiedthroughtheexperiment.
关键词：GiS空间数据挖掘遥感影像分类
Keywords：GiS;spatialdatamining;remotesensingimage;classification
中图分类号：tp7文献标识码：a文章编号：1006-4311（2011）14-0193-02
0引言
进入信息时代，计算机技术、遥感技术的快速发展使得实时、全天候、大面积的获取地球表面信息的高精度、高分辨率、多时相的数字影像成为现实，遥感数据每天以数百GB的速率递增。但与之相对应的却是影像处理的理论和技术手段的严重滞后，在遥感影像信息提取的过程中，常常发生“同物异谱”和“异物同谱”的现象，影响了分类的精度，同时影像信息提取还局限于人工目视解译的阶段，工作效率低下，影像数据的获取和遥感影像信息提取的速度严重不协调。利用GiS辅助遥感影像信息智能提取技术的研究对GiS和RS的集成，和空间数据生产效率的提高都有着重要的理论和现实意义。而数据挖掘可以作为其中一个重要的手段和工具。本文利用数据挖掘和知识发现（DataminingandKnowledgeDiscover）技术，挖掘空间数据库和数据文件中的知识，并将知识运用到遥感影像的分类过程中，通过知识来改善影像的分类精度。
1遥感数据和GiS数据的关系
在遥感影像和GiS数据之间，存在着数据和知识上巨大的互补性，而利用数据挖掘的手段，可以从GiS数据中挖掘出知识来解释遥感的影像数据，同时用遥感的数据来反演和更新GiS数据（如图1）。
从上图可以看出，数据挖掘是将大量数据信息转换为有用知识的有效工具，具体到在GiS和遥感信息提取中的作用如下：①在遥感影像解译中应用。用于遥感影像解译中的约束、辅助、引导，解决同谱异物、同物异谱问题，减少分类识别的疑义度，提高解译的可靠性、精度和速度。空间数据挖掘是建立遥感影像理解专家系统知识获取的重要技术手段和工具，遥感影像解译的结果又可用于更新GiS数据库。②GiS智能化分析。空间数据挖掘获取的知识同现有GiS分析工具获取的信息相比更加概括、精炼，并可发现现有GiS分析工具无法获取的隐含的模式和规律，因此空间数据挖掘本身就是GiS智能化分析工具，也是构成GiS专家系统和决策支持系统的重要工具。因此，空间数据挖掘技术将会促进遥感与GiS的智能化集成。（如图2）
2基于知识的遥感影像分类方法
由于传统的遥感影像的分类方法推理规则单一，非遥感信息融入困难，且大多是基于要素相互独立、空间参数化分布等前提假设条件下的数理统计方法，很难进行地学中要素之间相互关联、分布复杂的空间信息处理与分析。考虑到目视解译和数字解译的优势和缺点，为了解决遥感影像信息提取中存在的种种问题，许多学者提出了基于知识的遥感影像信息提取的方法。在GiS数据或地学知识与遥感数据集成分类的方法中，主要有三类：一是信息复合的方法。二是基于规则判断的决策树分类方法。三是影像分类与规则判断结合的办法。
基于知识的遥感影像信息提取，其基本内容应包括知识的发现、应用知识建立提取模型、利用遥感数据和模型提取遥感信息。在知识发现方面包括从单期遥感图像上发现有关地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识。主要从两个方面进行遥感影像的信息提取：
2.1基于光谱知识的信息提取：比如公路提取模型：
R■=∫mag[f（s）]■ds=maxmum（1）
R■=∑{g[f（s）]-g■}■=minmum（2）
基于光谱特性的信息提取是在对遥感信息机理初步研究的基础上找到的一种信息提取方法，它需要地物与背景之间在光谱上是可分的，与背景之间存着较少的同谱现象，并且地物内部的光谱最好要一致，当地物内部光谱不一致时，可以借助于地物内部的特征成分光谱进行提取，当地物内部成分的光谱与背景之间存着较多同谱现象时，须借助于地物的其它知识进行提取。
2.2基于纹理知识的信息提取纹理是指灰度值在空间上的变化，它是由一些纹理基元按照不同的空间配置形式所构成的一种图案。共生矩阵纹理法是比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。
灰度共生矩阵属二阶统计量，被定义为从灰度为i的点离开某个固定位置关系δ=（dx，dy）的点上灰度为j的概率（或频率）:
p■（i，j）（i，j=0，1，2，…，n-1）（3）
式中n表示灰度级数而i、j为灰度值，不同的位置关系δ对应着特定距离和方向上的共生矩阵。显然，将所有的δ纳入考虑，计算量将极为庞大。根据Jensen的研究，由于tm影像的分辨率较之航空图像或Spot图像为低，取某个固定的δ（如令δ=（1，0）或δ=（2，2））计算共生矩阵即可。下一步，便可由共生矩阵求解若干纹理特征量，用4种典型和常用的量，分别是能量e（p），熵H（p），均质性L（p），惯性力矩（反差）i（p）；纹理特征提取的结果有两种形式：一是纹理特征度量参数本身；另一种是纹理特征参数对影像进行初步分类后得到的纹理分类图像。
3试验
为了检验基于知识的遥感影像分类方法的有效性，实验中所用的遥感影像为erdasimageine8.6所带的示例影像数据，参照土地资源调查中土地利用分类方式，并根据图像的特点，将要分类的影像确定为12个类别，其类别如下：高等级道路、一般道路、平坦地区、缓坡地区、陡峭地区、极陡地区、水域、湿地、密林、中密度森林、稀疏林、建筑用地。
基于知识的分类体系可以利用决策树来表示各种数据之间的关系，在实验中，知识有4种数据来源，数据源及其类别属性分别为：道路：离散型(0，1，2)；数字坡度模型：连续型；预分类图像：离散型(0~20)；树林密度模型：连续型；待分类图像：连续型。
本试验中采用常规最大似然法和基于知识分类方法分别对影像进行分类。原始贝叶斯分类结果（如图3），基于知识的分类结果（如图4）。
从实验结果图中可以看出：基于知识的分类，由于充分利用了规则中的先验知识，其结果较贝叶斯分类更加详细。
4结论
基于知识的遥感影像分类技术是遥感信息提取未来发展的方向，在GiS支持下基于空间数据挖掘技术进行遥感影响分类与信息提取，可以综合地物光谱特征、GiS数据、领域知识、空间分析功能等，其分类结果较传统技术下的分类结果有着明显的优越性。进行但是受限于计算技术、人工智能和数据挖掘技术的发展水平，知识的准确、快速的获取存在着一定的困难，实现自动化的知识获取有很大的难度，在挖掘模型与GiS集成方面离可供实际操作的完全集成系统还有一定的距离，人机交互式的知识获取方式在一定时期内仍然是知识获取的方式。
参考文献：
[1]邸凯昌．空间数据发掘与知识发现[m]．武汉：武汉大学出版社，2001.
[2]梅安新等．遥感导论[m]．北京：高等教育出版社，2001.
[3]王清毅．目前数据挖掘算法的评价[J]．小型微型计算机系统，2000，21（01）.