高光譜遙感原理與方法
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇高光譜遙感原理與方法范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
高光譜遙感原理與方法范文第1篇
關鍵詞：中分辨率成像光譜儀（MODIS）；農作物種植面積；改進型混合像元判別分析法
中圖分類號：S127 文獻標識碼：A 文章編號：0439－8114（2012）24－5783-05
農作物種植面積的遙感提取是在收集分析不同農作物光譜特征的基礎上，通過遙感影像記錄的地表信息識別農作物的類型，統計農作物的種植面積。農作物的識別主要是利用綠色植物獨特的波譜反射特征，將植被（農作物）與其他地物區分開［1］。不同農作物類型的識別主要依據兩點：一是農作物在近紅外波段的反射主要受葉子內部構造的控制，不同類型農作物的葉子內部構造有一定的差別［2］；二是不同區域、不同類型作物間物候歷的差異，可利用遙感影像信息的時相變化規律進行不同農作物類型的識別［3］。因此遙感影像分析方法的發展推動農作物種植面積的遙感提取方法的研究。而“同物異譜”、“異物同譜”以及“混合像元”現象制約著遙感影像分析方法的發展［4］。目前常用的提取農作物種植面積的影像分析方法有目視法、監督分類法、非監督分類法、作物特性法，這些方法主要運用到高分辨率的影像圖片上（如TM數據），因為農作物種植最小面積遠遠大于衛星的探測單元瞬時視場角所對應的地面范圍，可以把像元看成純凈像元；而對基于低分辨率、高光譜、混合像元為特性的中分辨率成像光譜儀（MODIS）數據而言，其探測單元瞬時視場角所對應的地面范圍（1 km×1 km）同時種植好幾種作物，運用傳統統計模式分析方法會產生很大的誤差，因此目前很少人運用單純的MODIS衛星圖片來計算縣級農作物面積。
為了計算混合像元中各地物的豐度，可通過獲取衛星資料上純凈地物像元的光譜特征曲線，來人工合成某種地物不同比例、不同其他地物混合情況下的光譜數據，用這些光譜數據作為已知的監督點建立判別方程來進行分類處理，并將含這種地物相同比例的混合像素歸為一類，這樣可以得到這種地物各種比例下的分布面積，將其面積與此地物所占的比例相乘便可以得到此地物的總的分布面積，這就是改進型混合像元判別分析法。
改進型混合像元判別分析法建立在線性混合模型的基礎上，是將人工合成的光譜特性作為監督點進行監督分類，因而純凈地物像元的選擇對此方法的判斷精度影響很大，而且為了避免異物同譜現象出現，只能采用能精確反映地物光譜特性的高光譜衛星數據，用高光譜特性中的地物信息最大限度地消除低空間分辨率帶來的誤差，而MODIS有22個反射波段，只要能找到純凈地物像元的光譜數據，便可以相對精確地計算出各種地物的分布特點和面積。
2 資料的分析與處理
選定的地點是湖北省江陵縣，江陵縣是荊州市農業大縣，處于江漢平原西南部，地勢平坦，緊靠長江，水系發達；種植制度單一，只有小麥－棉花和油菜－中稻兩種。選取的MODIS衛星資料的日期為2001年9月15日（晴天、無云），此時中稻處于成熟期，葉片偏黃（收獲期為9月23日），棉花處于采摘期，葉片還是綠色。
2．1 MODIS衛星資料的預處理
NASA網站上提供的MODIS數據是經過大氣校正過的MODIS L1B（MOD02）格式的資料，運行ENVI軟件中專門針對MODIS原始數據進行坐標轉換的程序，將資料轉成Krasovskv地球模型、Albert投影方式坐標的柵格數據；并運用江陵縣矢量地圖采用MASK方式將江陵縣柵格數據取出來。
2．2 改進型混合像元判別分析法的處理步驟
2．3 對比數據的計算
2．3．1 實際結果的計算 選用采用同日期的TM衛星資料的監督分類法計算的種植面積作為標準，其計算方法如下。
1）偽彩色圖的生成。在ENVI軟件中將70、40、20 μm波段的數據當成紅、綠、藍3種顏色形成一張偽彩色圖，中稻和棉花很容易分辨，綠色部分為棉花，紅棕色地物為中稻，水系為藍色，而城鎮為灰色。
2）監督點的選取。根據江陵縣的特點將地物分為4類，取長江和木沉淵湖作為水體地物的監督點，郝穴鎮（縣城）為城鎮的監督點，三湖農場作為棉花的監督點，而傳統中稻種植區白馬鎮作為中稻的監督點。
3）數據資料的監督分類。通過ENVI軟件，根據上面選取的已知監督點光譜數據，運用Mahalanobis距離法來進行監督分類。
3 結果與分析
3．1 改進型混合像元判別分析法計算的結果分布圖與其他方法和實際的比較結果
因此運用改進型混合像元判別分析法能準確地反映棉花和中稻的分布規律，特別是在一些零星種植區和兩種農作物交叉種植區都能很好地體現，這是用傳統型監督分類法無法實現的；為了更好地比較檢驗改進型混合像元判別分析法的效果和分析改進型混合像元判別分析法的誤差來源，將圖2中各種比例的種植區分類結果分別與TM監督法統計的實際結果進行比較，得到的結果見表3。由表3可知，各分類區內實際情況與計算結果基本相符，證明改進型混合像元判別分析法的分類原理是正確的，但也有一定的誤差，其誤差來源有兩個方面：一個是混合像素內小于25％地物的光譜特性基本消失，不容易識別；另一方面是100％種植區里還有其他地物區分不出來。但總的來講，改進型混合像元判別分析法最大限度地利用高光譜特性提取了混合像元中農作物信息，最大精度地顯示了農作物種植分布情況。
3．2 3種方法計算結果的比較
由于江陵縣作物種植相對單一，因此很好尋找單一地物的像元，如果找不到這樣的監督點，采用此方法會有很大的誤差。
4 結論
改進型混合像元判別分析法是由線性混合模型發展而來，原理簡單易懂；實現容易，只要SPSS軟件和ENVI軟件就能完成計算過程；最大限度地利用高光譜特性提取了混合像元中農作物信息，最大精度地顯示了農作物種植分布情況，誤差最小。因此運用在混合像元為特性的MODIS衛星上比較合適，影響其誤差大小的主要因素是監督點的選取。
另外作物光譜特性差異法原理簡單、計算方便，但誤差比較大；監督分類法誤差最大，不適合運用在低分辨率高光譜的MODIS衛星上。
參考文獻：
［1］ 周成虎，駱劍承．遙感影像地學理解與分析［M］．北京：科學出版社，1999．
［2］ 斯韋恩P H，戴維S M．遙感定量方法［M］．北京：科學出版社，1984．
［3］ 孫九林．中國農作物遙感動態監測與估產總論［M］．北京：中國科學技術出版社，1996．
［4］ 章孝燦，黃智才．遙感數字圖像處理［M］． 杭州：浙江大學出版社，1997．
［5］ 呂長春，王忠武．混合像元分解模型綜述［J］．遙感信息，2003（3）：55－59．
高光譜遙感原理與方法范文第2篇
【關鍵詞】遙感技術;3s的結合;發展前景
1.遙感技術的找礦應用
1.1 地質構造信．息的提取
內生礦產在空間上常產于各類地質構造的邊緣部位及變異部位，重要的礦產主要分布于扳塊構造不同塊體的結合部或者近邊界地帶，在時間上一般與地質構造事件相伴而生，礦床多成帶分布，成礦帶的規模和地質構造變異大致相同。
遙感找礦的地質標志主要反映在空間信息上。從與區域成礦相關的線狀影像中提取信息(主要包括斷裂、芍理、推覆體等類型)，從中酸性巖體、火山盆地、火山機構及深亨巖漿、熱液活動相關的環狀影像提取信息(包括與火山有關的盆地、構造)，從礦源層、賦礦巖層相關的帶狀影像提取信啟、(主要表現為巖層信息)，從與控礦斷裂交切形成的塊狀影像及與感礦有關的色異常中提取信息(如與蝕變、接觸帶有關的色環、色帶、色塊等)。當斷裂是主要控礦構造時，對斷裂構造遙感信息進行重點提取會取得一定的成效。
遙感系統在成像過程中可能產生“模糊作用”，常使用戶感興趣的線性形跡、紋理等信息顯示得不清晰、不易識別。人們通過目視解譯和人機交互式方法，對遙感影像進行處理，如邊緣增強、灰度拉伸、方向濾波、比值分析、卷積運算等，可以將這些構造信息明顯地突現出來。除此之外，遙感還可通過地表巖性、構造、地貌、水系分布、植被分布等特征來提取隱伏的構造信息，如褶皺、斷裂等。提取線性信息的主要技術是邊緣增強。
1.2 植被波譜特征的找礦意義
在微生物以及地下水的參與下，礦區的某些金屬元素或礦物引起上方地層的結構變化，進而使土壤層的成分產生變化，地表的植物對金屬具有不同程度的吸收和聚集作用，影響植葉體內葉綠素、含水量等的變化，導致植被的反射光譜特征有不同程度的差異。礦區的生物地球化學特征為在植被地區的遙感找礦提供了可能，可以通過提取遙感資料中由生物地球化學效應引起的植被光譜異常信息來指導植被密集覆蓋區的礦產勘查，較為成功的是某金礦的遙感找礦、東南地區金礦遙感信息提取。
不同植被以及同種植被的不同器官問金屬含量的變化很大，因此需要在已知礦區采集不同植被樣品進行光譜特征測試，統計對金屬最具吸收聚集作用的植被，把這種植被作為礦產勘探的特征植被，其他的植被作為輔助植被。遙感圖像處理通常采用一些特殊的光譜特征增強處理技術，采用主成分分析、穗帽變換、監督分類(非監督分類)等方法。植被的反射光譜異常信息在遙感圖像上呈現特殊的異常色調，通過圖像處理，這些微弱的異常可以有效地被分離和提取出來，在遙感圖像上可用直觀的色調表現出來，以這種色調的異同為依據來推測未知的找礦靶區。植被內某種金屬成分的含量微小，因此金屬含量變化的檢測受到譜測試技術靈敏度的限制，當金屬含量變化微弱時，現有的技術條件難以檢測出，檢測下限的定量化還需進一步試驗。理論上講，高光譜提取植被波譜的性能要優于多光譜很多倍，例如對某一農業區進行管理，根據每一塊地的波譜空間信息可以做出灌溉、施肥、噴灑農藥等決策，當某農作物干枯時，多光譜只能知道農作物受到損害，而高光譜可以推斷出造成損害的原因，是因為土地干旱還是遭受病蟲害。因此利用高光譜數據更有希望提取出對找礦有指示意義的植被波譜特征。
1.3 礦床改造信息標志
礦床形成以后，由于所在環境、空間位置的變化會引起礦床某些性狀的改變。利用不同時相遙感圖像的宏觀對比，可以研究礦床的剝蝕改造作用；結合礦床成礦深度的研究，可以對類礦床的產出部位進行判斷。通過研究區域夷平面與礦床位置的關系，可以找尋不同礦床在不同夷平面的產出關系及分布規律，建立夷平面的找礦標志。另外，遙感圖像還可進行巖性類型的區分應用于地質填圖，是區域地質填圖的理想技術之一，有利于在區域范圍內迅速圈定找礦靶區。
2.遙感找礦的發展前景
2.1 高光譜數據及微波遙感的應用
高光譜是集探測器技術、精密光學機械、微弱信號檢測、計算機技術、信息處理技術于一體的綜合性技術。它利用成像光譜儀以納米級的光譜分辨率，成像的同時記錄下成百條的光譜通道數據，從每個像元上均可以提取一條連續的光譜曲線，實現了地物空間信息、輻射信息、光譜信息的同步獲取，因而具有巨大的應用價值和廣闊的發展前景。成像光譜儀獲得的數據具有波段多，光譜分辨率高、波段相關性高、數據冗余大、空問分辨率高等特點。高光譜圖像的光譜信息層次豐富，不同的波段具有不同的信息變化量，通過建立巖石光譜的信息模型，可反演某些指示礦物的豐度。充分利用高光譜的窄波段、高光譜分辨率的優勢，結合遙感專題圖件以及利用豐富的紋理信息，加強高光譜數據的處理應用能力。微波遙感的成像原理不同于光學遙感，是利用紅外光束投射到物體表面，由天線接收端接收目標返回的微弱回波并產生可監測的電壓信號，由此可以判定物體表面的物理結構等特征。微波遙感具有全天時、全天候、穿透性強、波段范圍大等特點，因此對提取構造信息有一定的優越性，同時也可以區分物理結構不同的地表物體，因為穿透性強，對覆蓋地區的信息提取也有效。微波遙感技術因其自身的特點而具有很大的應用潛力，但微波遙感在天線、極化方式、斑噪消除、幾何校正及輻射校正等關鍵技術都有待于深入研究，否則勢必影響微波遙感的發展。
高光譜遙感原理與方法范文第3篇
【關鍵詞】遙感技術；3S；結合發展前景
【中圖分類號】TP 【文獻標識碼】A
【文章編號】1007-4309（2013）07-0060-2
一、遙感技術的找礦應用
1.地質構造信息的提取
內生礦產在空間上常產于各類地質構造的邊緣部位及變異部位，重要的礦產主要分布于板塊構造不同塊體的結合部或者近邊界地帶，在時間上一般與地質構造事件相伴而生，礦床多成帶分布，成礦帶的規模和地質構造變異大致相同。
遙感找礦的地質標志主要反映在空間信息上。從與區域成礦相關的線狀影像中提取信息往往要包括斷裂、節理、推覆體等類型，從中酸性巖體、火山盆地、火山機構及深亨巖漿、熱液活動相關的環狀影像提取信息泡括與火山有關的盆地、構造，從礦源層、賦礦巖層相關的帶狀影像提取信啟、住要表現為巖層信息，從與控礦斷裂交切形成的塊狀影像及與感礦有關的色異常中提取信息位口與蝕變、接觸帶有關的色環、色帶、色塊等）。當斷裂是主要控礦構造時，對斷裂構造遙感信息進行重點提取會取得一定的成效。
遙感系統在成像過程中可能產生“模糊作用”，常使用戶感興趣的線性形跡、紋理等信息顯示得不清晰、不易識別。人們通過目視解譯和人機交互式方法，對遙感影像進行處理，如邊緣增強、灰度拉伸、方向濾波、比值分析、卷積運算等，可以將這些構造信息明顯地突現出來。除此之外，遙感還可通過地表巖性、構造、地貌、水系分布、植被分布等特征來提取隱伏的構造信息，如褶皺、斷裂等。提取線性信息的主要技術是邊緣增強。
2.植被波譜特征的找礦意義
在微生物以及地下水的參與下，礦區的某些金屬元素或礦物引起上方地層的結構變化，進而使土壤層的成分產生變化，地表的植物對金屬具有不同程度的吸收和聚集作用，影響植葉體內葉綠素、含水量等的變化，導致植被的反射光譜特征有不同程度的差異。礦區的生
物地球化學特征為在植被地區的遙感找礦提供了可能，可以通過提取遙感資料中由生物地球化學效應引起的植被光譜異常信息來指導植被密集覆蓋區的礦產勘查，較為成功的是某金礦的遙感找礦東南地區金礦遙感信息提取。
不同植被以及同種植被的不同器官問金屬含量的變化很大，因此需要在己知礦區采集不同植被樣品進行光譜特征測試，統計對金屬最具吸收聚集作用的植被，把這種植被作為礦產勘探的特征植被，其他的植被作為輔助植被。遙感圖像處理通常采用一些特殊的光譜特征增強處理技術，采用主成分分析、穗帽變換、監督分類非監督分類等方法。植被的反射光譜異常信息在遙感圖像上呈現特殊的異常色調，通過圖像處理，這些微弱的異常可以有效地被分離和提取出來，在遙感圖像上可用直觀的色調表現出來，以這種色調的異同為依據來推測未知的找礦靶區。植被內某種金屬成分的含量微小，因此金屬含量變化的檢測受到譜測試技術靈敏度的限制，當金屬含量變化微弱時，現有的技術條件難以檢測出，檢測下限的定量化還需進一步試驗。理論上講，高光譜提取植被波譜的性能要優于多光譜很多倍，例如對某一農業區進行管理，根據每一塊地的波譜空間信息可以做出灌溉、施肥、噴灑農藥等決策，當某農作物十枯時，多光譜只能知道農作物受到損害，而高光譜可以推斷出造成損害的原因，是因為土地干旱還是遭受病蟲害。因此利用高光譜數據更有希望提取出對找礦有指示意義的植被波譜特征。
3.礦床改造信息標志
礦床形成以后，由于所在環境、空間位置的變化會引起礦床某些性狀的改變。利用不同時相遙感圖像的宏觀對比，可以研究礦床的侵蝕改造作用；結合礦床成礦深度的研究，可以對類礦床的產出部位進行判斷。通過研究區域夷平而與礦床位置的關系，可以找尋不同礦床在不同夷平而的產出關系及分布規律，建立夷平而的找礦標志。另外，遙感圖像還可進行巖性類型的區分應用于地質填圖，是區域地質填圖的理想技術之一，有利于在區域范圍內迅速圈定找礦靶區。
二、遙感找礦的發展前景
1.高光譜數據及微波遙感的應用
高光譜是集探測器技術、精密光學機械、微弱信號檢測、計算機技術、信息處理技術于一體的綜合性技術。它利用成像光譜儀以納米級的光譜分辨率，成像的同時記錄下成百條的光譜通道數據，從每個像元上均可以提取一條連續的光譜曲線，實現了地物空間信息、輻射信息、光譜信息的同步獲取，因而具有巨大的應用價值和廣闊的發展前景。成像光譜儀獲得的數據具有波段多，光譜分辨率高、波段相關度高、數據冗余大、空間分辨率高等特點。高光譜圖像的光譜信息層次豐富，不同的波段具有不同的信息變化量，通過建立巖石光譜的信息模型，可反演某些指示礦物的豐度。充分利用高光譜的窄波段、高光譜分辨率的優勢，結合遙感專題圖件以及利用豐富的紋理信息，加強高光譜數據的處理應用能力。微波遙感的成像原理不同于光學遙感，是利用紅外光束投射到物體表而，由天線接收端接收目標返回的微弱同波并產生可監測的電壓信號，由此可以判定物體表而的物理結構等特征。微波遙感具有全天時、全天候、穿透性強、波段范圍大等特點，因此對提取構造信息有一定的優越性，同時也可以區分物理結構不同的地表物體，因為穿透性強，對覆蓋地區的信息提取也有效。微波遙感技術因其自身的特點而具有很大的應用潛力，但微波遙感在天線、極化方式、斑噪消除、幾何校止及輻射校止等關鍵技術都有待于深入研究，否則勢必影響微波遙感的發展。
2.數據的融合
隨養遙感技術的微波、多光譜、高光譜等大量功能各異的傳感器不斷問世，它們以不同的空間尺度、時間周期、光譜范圍等多方面反映地物目標的各種特性，構成同一地區的多源數據，相對于單源數據而高，多源數據既存在互補性，又存在冗余性。任何單源信息只能反映地物目標的某一方面或幾個方面的特征，為了更準確地識別目標，必須從多源數據中提取比單源數據更豐富、有用的信息。多源數據的綜合分析、互相補充促使數據融合技術的不斷發展。通過數據融合，一方面可以去除無用信息，減少數據處理量，另一方面將有用的信息集中起來，便于各種信息特征的優勢互補。
蝕變礦物特征光譜曲線的吸收谷位于多光譜數據的波段位置，因此可以識別蝕變礦物，但是波段較寬，只對蝕變礦物的種屬進行分類。與可見一紅外波段的電磁波相比，達波對地而的某些物體具有強的穿透能力，能夠很好地反映線性、環性溝造。達圖像成像系統向多波段、多極化、多模式發展，獲取地表信息的能力越來越強。總的來說，多光譜、高光譜數據的光譜由線特征具有區分識別巖石礦物的效果，所以對光學圖像與雷達圖像進行融合處理，既能提高圖像的分辨率、增強紋理的識別能力，又能有效地識別礦物類型。
盡管融合技術的研究取得了一些可喜的進展，但未形成成熟的理論、模型及算法，缺乏對融合結果的有效評價手段。在以后的研究中，應該深入分析各種圖像的成像機理及數據間的相關性、互補性、冗余性等，解決多源數據的輻校止問題，發展空間配準技術。優化信息提叉的軟件平臺，實現不同格式圖像問的兼容性。
三、結束語
綜上所述，遙感技術作為礦產勘查的一種手段應用于找礦取得了一定成就。遙感技術的直接應用是蝕變遙感信息的提取，遙感技術的間接應用包括地質構造信息、植被的光譜特征及礦床改造信息等方面。遙感找礦具有很大的發展前景的領域主要有：高光譜數據、數據融合技術、3s的緊密結合、計算機技術的發展。
【參考文獻】
[1]吳曉偉.測繪工程GPS三維空間大地控制網的建設[J].硅谷，2013，4（2）.
[2]楊巨平，唐立哲.淺談GPS在測繪中運用的幾全要點[J].科技風，2013，10（4）.
高光譜遙感原理與方法范文第4篇
Vol.43No.3
紅外與激光工程
Infrared and Laser Engineering
2014年3月
Mar .2014
基于高光譜數據的葉面積指數遙感反演
李子揚1,2，錢永剛1，申慶豐3，馬靈玲1，孔祥生4王寧1，劉耀開1，(1.中國科學院光電研究院定量遙感信息技術重點實驗室，北京100094；2. 中國科學院大學，北京100049；3. 中國運載火箭技術研究院，北京100076；
4. 魯東大學地理與規劃學院，山東煙臺264025)
摘
要：文中耦合葉片輻射傳輸模型(PROSPECT)和冠層輻射傳輸模型(SAILH)，基于高光譜載荷通
道設置，模擬高光譜冠層反射率數據；利用模擬數據深入分析了不同植被指數與葉面積指數之間的敏感性；通過敏感性分析發現改進型葉綠素吸收植被指數(MCARI2)具備抗土壤背景因素的影響能力，而且對葉面積指數較為敏感，因此該研究建立植被指數MCARI2與葉面積指數之間的經驗統計模型，并用于高光譜數據進行葉面積指數反演；最后利用飛行同步測量的葉面積指數對反演模型進行精度分析。結果表明：相比實測葉面積指數，文中建立的反演模型約低估0.42，該反演模型能夠較好的反映出地物真實葉面積指數。
關鍵詞：葉面積指數；植被指數；高光譜數據中圖分類號：TP701
文獻標志碼：A
文章編號：1007-2276(2014)03-0944-06
Leaf area index retrieval from remotely sensed hyperspectral data
Li Ziyang 1,2, Qian Yonggang 1, Shen Qingfeng 3, Wang Ning 1, Liu Yaokai 1,
Ma Lingling 1, Kong Xiangsheng 4
(1.Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto -Electronics, Chinese Academy
of Sciences, Beijing 100094, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. China Academy of Launch Vehicle Technology(CALT),Beijing 100076, China; 4. College of Geography and Planning, Ludong University, Yantai 264025, China)
Abstract:An experimental leaf area index (LAI)retrieval model was proposed with the aid of a leaf -radiative transfer model (PROSPECT)and a canopy bidirectional reflectance model (SAILH)to simulate the canopy reflectance in this paper. Then, the vegetation indices (VIs)were introduced, and the sensitivities were analyzed between LAI and VIs, soil background. Based on the sensitivity analysis, a modified chlorophyll ratio index II (MCARI2)was proposed by Haboudane et al.
(2004)was used to
build the LAI retrieval model, because it is rather sensitive to the LAI and insensitive to soil background. Finally, the retrieval model proposed was performed to estimate LAI from the hyperspectral data. Compared with the ground -measured LAI, the LAI retrieved from hyperspectral data underestimate approximately 0.42. Key words:leaf area index;
收稿日期：2013-07-21；
vegetation index; hyperspectral data
修訂日期：2013-08-25
基金項目：國家863計劃(2012AA12A302)；國家自然科學基金(41101330，41371353，40901176，41271342)
作者簡介：李子揚(1977-)，男，研究員，碩士生導師，博士，主要從事遙感地面系統及遙感應用方面的研究。Email:zyli@aoe.ac.cn通訊作者：錢永剛(1980-)，碩士生導師，博士，主要從事定量遙感地表參數反演及應用方面的研究。Email:qianyg@aoe.ac.cn
第3期
李子
揚等：基于高光譜數據的葉面積指數遙感反演
945
反演過程的流程圖。
0引言
葉面積指數(LeafArea Index ，LAI) 是表征植被冠層結構最基本的參數之一，影響著植被的生物、物理過程[1]。LAI 通常被定義為單位地面面積上總葉面積的一半[2]。目前大區域范圍內LAI 獲取通常采用遙感反演的方式。LAI 遙感反演方法主要有經驗統計法和物理模型反演法。
經驗統計方法從植被獨有的光譜特征出發，利用健康綠色植物在紅光和近紅外波段的反射特性差異建立植被指數，進而利用植被指數與LAI 的統計關系進行反演。該類方法形式簡單，需要的參數少，被廣泛應用于局部LAI 參數反演，并發展了基于多種植被指數(如歸一化植被指數[3]或者改進葉綠素吸收指數) 的反演模型。然而該方法缺乏物理基礎，建
[4]
圖1植被指數方法反演葉面積指數流程圖
Fig.1Flowchart of leaf area index retrieval from vegetation index
文中通過PROSPECT 和SAILH 模型聯合模擬植被冠層反射率，在此基礎上分析了不同條件下8種植被指數與LAI 的敏感性，選取其中最敏感的葉綠素吸收植被指數(MCARI2)并建立其與LAI 之間的經驗統計模型。基于該模型和無人機獲取的高光譜遙感數據，反演得到研究區的LAI ，最后利用實測不同地物類型的LAI 數據對反演結果進行了驗證，并給出了精度分析。
立的經驗關系僅適用于特定的時間和區域。相對而言，物理模型反演法從植被的輻射傳輸原理出發，具備較強的普適性和較高的反演精度。物理模型反演法可分為幾何光學模型法、輻射傳輸模型法以及混合模型法。幾何光學模型法考慮了植被冠層的二向性反射，但沒有考慮冠層內多次散射；輻射傳輸模型法考慮了植被多次散射，但無法模擬植被冠層的二向性反射，盡管可加入熱點效應模型[6]，仍難以直接得到LAI 的解析解。由于不同方法具備獨特的優勢，近年來出現了各種混合模型，如基于物理模型與統計模型相結合的核驅動模型，取得了較好的反演精度。還出現了查找表法和非參數方法(如神經網
[7]
[5]
[5]
1.1輻射傳輸模型介紹
該研究耦合葉片輻射傳輸模型(PROSPECT)和冠層輻射傳輸模型(SAILH)得到大量模擬數據，為
LAI 反演模型建立提供數據源。
(1)PROSPECT 模型
PROSPECT 是一個基于“平板模型”的輻射傳輸模型。該模型以植被結構參數、葉片色素含量、等效水厚度和干物質含量為輸入參數，能夠模擬葉片從
絡方法等) 。
中國科學院光電研究院牽頭在內蒙古包頭與貴州安順建立了遙感載荷綜合驗證場，驗證場配備有光譜、輻射和幾何特性靶標，能夠利用驗證場開展光學、
400~2500nm 的上、下行輻射通量，進而得到葉片的光學特性，即葉片的反射率和透射率[8]。該模型輸入參數較多，并且部分參數沒有實測方法，參數設置帶有主觀經驗性。Jacquemoud 等人根據實驗室測量的玉米反射率和透過率，通過PROSPECT 模型估算得到葉肉結構參數的均值約為1.4[9]。Haboudane 等人將等效水厚度、干物質含量和葉肉結構參數分別設置為0.0015、0.0035和1.55作為各種莊稼(如玉米、大豆和小麥等) 的均值輸入PROSPECT 模型[4]。
文中研究利用LOPEX ′93(LeafOptical Properties
SAR 載荷飛行測試實驗。文中研究基于863項目“無人機遙感載荷綜合驗證系統”對內蒙古包頭驗證場無人機高光譜遙感載荷數據開展葉面積指數反演研究。
1方法
植被指數法是建立不同植被類型的植被指數與
LAI 之間的經驗統計關系實現遙感反演。植被指數法是一種經驗性方法，因而要求研究區內有足夠的資料。文中研究基于植被指數方法反演LAI ，圖1是
Experiment) 植物生化參數數據庫作為PROSPECT 模型輸入參數的選擇基礎。該數據庫是由歐盟委員會聯合中心的空間應用研究所實測獲取的[10]，包含70個
946紅外與激光工程第43卷
葉片樣本，代表了50種木本和草本植物。數據體現了葉片內部結構、色素含量、水分含量和其他組分含量的多樣性。能夠保證參數設置的合理性。
致植被指數與LAI 經驗的關系不一致且系數各異。考慮到無人機獲取的遙感影像高空間分辨率較高，土壤背景信息和植被信息都能很好的從影像中反映出來，因此，選擇能夠具有抵抗背景因素影響的植被指數對于LAI 反演尤為重要。
文中研究采用了歸一化敏感性分析函數分析
(2)SAILH 模型
SAILH 模型是在SAIL(Scatteringby Arbitrarily Inclined Leaves) 模型的基礎上加入了熱點效應發展而來的。通過求解四流線性微分方程組以及引入考慮冠層熱點效應的雙向相關概率模型，進而計算連續植被冠層的方向反射率。SAILH 模型的輸入參數包括角度參數、結構參數和光譜參數三部分，其中
LAI 與植被指數的敏感性[11]，其公式如下：
Y
N X =X lim Y =X d Y =d Y /Y =dln Y
Y
(1)
式中：N X 為歸一化敏感性分析函數；X 為自變量
PROSPECT 模型的輸出為SAILH 模型提供葉片的反射率和透射率。SAILH 模型涉及到多個輸入參數，針對角度參數，文中研究采用無人機飛行中的觀測角度、太陽角度等信息；結構參數主要有LAI 、葉傾角分布函數、熱點因子，其中LAI 取值范圍為0.2~
(LAI)；Y 為因變量(光譜反射率/植被指數等) 。歸一化敏感性分析函數的含義是參數X 變化某一固定比率時，因變量Y 變化的百分比。
圖2給出了3種亮度不同的土壤背景下LAI 與植被指數之間的敏感性。從圖2可以看出：8種植被
7；葉傾角分布函數采用橢球體葉傾角分布參數。1.2植被指數
現有用于反演LAI 的植被指數種類繁多，文中分析了較為常用的8種植被指數(見表1) 。
表1植被指數計算公式
Tab.1Equations of vegetation indices
Vegetation index Normalized difference
vegetation index (NDVI)Renormalized difference vegetation index (RDVI)Simple ratio index (SR)Modified simple ratio
index (MSR)Soil -adjusted vegetation
index (SAVI)Modified soil-adjusted vegetation index (MSAVI)Modified chlorophyll absorption ratio index
(MCARI)Modified chlorophyll absorption ratio index 2
（MCARI2）
Formulas
ρ800-ρ670800670
姨[1**********]0ρ800/ρ670
ρ800670
-1/
姨姨800670
+1
(1+L ) ρ800-ρ6708006701[2ρ+1-800
姨800800670][(ρ700-ρ670)-0.2(ρ700-ρ550)]
(ρ700/ρ550) 1.5[2.5(ρ800-ρ
670)-1.3(ρ800-ρ550)]
姨(2ρ800+1)2-(6ρ800-5姨670
) -0.5
注：ρ表示反射率，下標表示特定的波長。
1.3植被指數與LAI 敏感性分析
不同植被指數所考慮到的因素各不相同，因此土壤背景反射率、植被結構和葉綠素含量等因素導
圖2基于歸一化敏感性函數的植被指數與葉面積指數的敏感性
Fig.2Sensitivity of leaf area index to vegetation indexes with
normalized sensitivity analysis
第3期
李子
揚等：基于高光譜數據的葉面積指數遙感反演
947
指數的敏感性隨著LAI 增大先增大后減小；RDVI 和表反射率需要經過大氣校正。利用大氣輻射傳輸模型逐像元進行大氣校正是非常復雜的計算，需要占用大量的計算機時間和資源。因此，文中研究根據無人機高光譜成像儀的性能特點，通過大氣輻射傳輸模型MODTRAN 建立了以氣溶膠光學厚度、大氣水汽含量、飛行高度、地表高程、太陽天頂角、觀測天頂角和相對方位角為索引的多維大氣參數查找表。利用與飛行試驗同步探空氣球測量的氣溶膠光學厚度和大氣水汽含量，結合太陽以及無人機載荷觀測的幾何參數(天頂角、方位角等) ，基于大氣參數查找表反演無人機高光譜數據地表反射率。
NDVI 的敏感性最弱；MCARI 和SR 的敏感性最強，MCARI2和MSR 次之；隨著土壤亮度的增強，MCARI 、SR 和MSR 的敏感性增強，MCARI2和MSAVI 對土壤背景表現出很小的敏感性。顯然，各種植被指數對小于3的LAI 表現出最大的敏感性。同時可以看出，當LAI 范圍在2.5~3.0時，NDVI 、
RDVI 、MCARI 、SAVI 和MSAVI 基本達到飽和狀態；MSAVI 和MCARI2對土壤背景的敏感性最弱，盡管SR 和MSR 表現出更高的飽和性，但是當LAI 在小于3.5時對土壤背景影響敏感。
相比其他植被指數，MCARI2對LAI 具有更高的敏感性及高的抗土壤背景干擾能力。因此，文中研究選擇MCARI2反演無人機高光譜數據的LAI 。兩者之間的統計模型采用如下形式：
LAI 反演時需要依據不同植被類型進行模型建模，因此，首先采用監督分類方式對無人機高光譜數據進行了分類(見圖3) 。
LAI=a ×exp(b ×MCARI2)+c ×exp(d ×MCARI2) (2)
式中：a ，b ，c ，d 為擬合系數。擬合系數的獲取方法如下：利用不同LAI 值，結合葉片和冠層輻射傳輸模型
(PROSPECT+SAILH)模擬冠層反射率數據，進而構建植被指數MCARI2，最后基于不同植被類型分別擬合MCARI2和LAI ，得到上述4個擬合系數。
圖3無人機高光譜載荷地表分類圖
Fig.3Classification of the UAV hyperspectral data
2數據
2.1無人機高光譜數據和地面測量數據
2011年9月3日，基于863項目“無人機遙感載荷綜合驗證系統”，由中國科學院光電研究院組織在內蒙古(包頭烏拉特前旗，經度：109.53°，緯度：40.88°) 開展了光學載荷科學試驗飛行。此次試驗沿飛行航線布設了經過嚴格測試的多種用途靶標，并同步獲取了靶標地面光譜測量數據及場地氣象參數數據，用于開展光學載荷輻射、幾何、光譜性能定標與評價的工作。無人機平臺所搭載的高光譜成像儀光譜范圍為400~1030nm ，光譜分辨率為5nm ，瞬時視場角
3結果與分析
3.1葉面積指數反演結果
根據無人機高光譜數據的特點，針對不同的植被類型，利用PROSPECT+SAILH模型獲取反演模型
(公式(2))的系數(詳見表2) 。
表2不同植被類型下MCARI2與LAI 的擬合系數
Tab.2Fitting coefficients between MCARI2
and LAI
Vegeta -tion type Grass Rice
Fitting coefficient
R 2
a 8.148e-7
b 15.6
c 0.28520.23310.36040.31340.28240.3148
d 2.4582.8362.7923.2982.5822.368
0.94380.47870.92320.55970.96940.35310.92590.54990.9549
0.429RMSE
0.2mrad ，128個波段，地面分辨率1.6m@8km 。
LAI 反演及驗證的工作主要在農業示范區開展。同時，飛行過程中在農業示范區內利用葉面積指數儀(LAI2200) 采集了3種作物(馬鈴薯、向日葵、玉米) 共13組的LAI 測量數據。考慮到作物的非均一性，每組試驗測量3次，取其平均值作為驗證數據。
2.845e-717.19
21.3611.215.9
Sunflower 4.353e-9Corn Potato
7.821e-55.919e-7
2.2載荷數據處理
機載平臺載荷傳感器獲得的輻射亮度轉換為地
Broadleaf
5.116e-410.45
forests
0.90140.6341
948紅外與激光工程第43卷
研究通過利用PROSPECT+SAILH模型模擬出冠層反射率，再耦合無人機高光譜成像儀通道響應函數模擬出無人機高光譜地表反射率數據，并建立不同植被類型的LAI 反演模型，最終將模型應用于真實無人機高光譜數據中反演出地物的LAI ，圖4是利用2011年9月3日的無人機高光譜數據反演的LAI 結果。
果能夠較好反映出地物的LAI ，證明采用的
MCARI2能夠反演得到精度較高的LAI 。
圖6無人機葉面積指數地面實測反演結果圖
Fig.6Measured and retrieved LAI from UAV hyperspectral data
圖4北方場無人機葉面積指數反演結果
Fig.4Results of the retrieved LAI from UAV in the North Site
影響到反演精度的因素可能有以下幾點：從地面測試實驗中可以發現，傳感器測量的是地物的“面”信息，而地面測量儀器測量的是地物“點”信息，尺度效應問題影響了LAI 的對比精度；其次，地面測試過程中發現向日葵地和馬鈴薯兩種植被覆蓋的均勻性較差，測量過程中不可避免地會引起一定的誤差；再次，隨著LAI 的增大，近紅外通道趨于飽和，會對LAI 反演精度產生影響；同時，植物生化數據庫(LOPEX′93) 測量的地物特性因地域差異、氣候差異等因素也會有所不同，同樣會對LAI 的反演精度產生一定的影響；最后，測量儀器本身也存在一定的測量誤差，對驗證結果的精度也會產生一定的影響。
3.2模型自身精度分析
模型自身精度分析主要利用模擬數據對反演模型進行評價。為了檢驗LAI 反演的模型精度，通過模擬數據對LAI 反演模型進行了模型精度評價。利用PROSPECT 和SAILH 模型模擬的地表反射率數據反演出不同地物的葉面積指數，再與輸入到
PROSPECT 和SAILH 模型中的LAI 進行對比，得到LAI 反演的模型精度。模擬獲取了六種植被類型(草地、水稻、向日葵、玉米、馬鈴薯、闊葉林) 的LAI 反演模型，圖5是利用高光譜數據反演LAI 的誤差結果圖，可以看出，LAI 的反演誤差均在7%以內。
4總結
文中利用葉片輻射傳輸模型(PROSPECT)和冠層輻射傳輸模型(SAILH)模擬植被冠層反射率，分析了不同條件下LAI 與植被指數的敏感性。發現常用于LAI 反演的歸一化差值植被指數(NDVI)受土壤背景因素影響嚴重，而且當LAI>2時，基本處于飽和狀態。此研究建立了具備抗土壤背景影響、對LAI
圖5高光譜葉面積指數反演模型精度評估結果
敏感的改進型葉綠素吸收植被指數(MCARI2)與LAI 之間的經驗統計模型，并成功用于無人機高光譜數據的LAI 反演。經實測數據驗證表面，模型反演結果可以取得比較好的精度。盡管如此，考慮到經驗統計方法的局限性，所建立的經驗關系是針對特定的時
間和研究區
，
模型不具備普適性。今后對MCARI2的應用范圍還需要進一步探討。
Fig.5Accuracy assessment of the LAI retrieval model
3.3地面測量驗證分析
地面同步獲取的LAI 以玉米、向日葵和馬鈴薯這三類自然植被類型為主。利用地面準同步測量的
LAI 驗證結果如圖6所示。相比地面實測的數據，模型反演值偏低，均方根誤差RMSE 為0.42。但反演結
第3期
李子揚等：基于高光譜數據的葉面積指數遙感反演
949
劉曉臣, 范聞捷, 田慶久, 等. 不同葉面積指數反演方法比
參考文獻：
[1]
Chen J M, Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images[J].Remote Sensing of Environment , 1996, 55:153-162. [2]
Chen J M, Pavlic G, Brown L, et al. Derivation and validation of Canada -wide coarse -resolution leaf area index maps using high -resolution satellite imagery and ground measurements [J].Remote Sensing of Environment , 2001, 80:165-184. [3]
Price J C, Baush W C. Leaf area index estimation from visible and near -infrared reflectance data[J].Remote Sensing of Environment , 1995, 52:55-65. [4]
Haboudane D, John R M, Patteyc E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies:modeling and validation in the context of precision agriculture [J].Remote Sensing of Environment , 2004, 90:337-352. [5]
Liu Xiaochen, Fan Wenjie, Tian Qingjiu, et al. Comparative analysis among different methods of leaf area index inversion [J].Acta Scientiarum Naturalium Universitatis Pekinensis , 2008, 2:57-64. (inChinese)
[11][9][8][7][6]
較研究[J].北京大學學報(自然科學版), 2008, 2:57-64.
Jupp D L B, Strahler A H. A hot spot model for leaf canopies [J].Remote Sensing of Environment , 1991, 38:193-210.
Li Xiaowen, Strahler A H. A hypid geometric optical radiative
transfer
approach
for
modeling
albedo
and
directional reflectance of discontinuous canopies [J].IEEE Transactions Geoscience Remote Sensing , 1995, 33:466-48Jacquemoud S. Prospect:A model of leaf optical properties [J].Remote Sensing of Environment , 1990, 34:75-91. Jacquemoud S, Bacour C, Poilve H, et al. Comparison of four radiative transfer models to simulate plant canopies reflectance:direct and inverse mode [J].Remote Sensing of Environment , 2000, 74(3):471-481.
[10]Hosgood B, Jacquemoud S, Andreoli G, et al. Leaf optical
高光譜遙感原理與方法范文第5篇
【關鍵詞】遙感技術；地質找礦；應用；影響
在當前形勢下，礦產資源已成為制約社會經濟發展的重要因素，經濟的飛速發展對礦產資源的需求也隨之增大，但由于礦床深埋于地層之下很難通過普通的找礦手段發現，給找礦工作增加了巨大的難度。利用新的科學找礦技術是適應地質找礦工作的要求，也是滿足社會經濟發展的需要，遙感技術就是在這種情況下不斷發展，并為找礦技術提供必要技術支持。通過遙感技術進行地質找礦工作，能夠真實全面地反映地質結構的具體成分信息，在將信息加以分析，能夠迅速準確地找到礦床的具置，極大地減少了人工工作量，提高了工作效率。
1 遙感技術概述
遙感技術是產生于上世紀六十年代的一種綜合性的探測技術，當前信息技術等高新技術的快速發展，使遙感技術逐漸應用與各個領域中。具體來說，遙感技術即通過對遠距離相關目標輻射和反射的可見光、紅外線、衛星云圖以及電磁波等數據信息加以收集和處理，然后感知成影像資料，是進行探測和識別相關目標事物的一種技術。遙感技術具有綜合性強、宏觀系統顯現、層次豐富以及快速準確和具備動態性等特點，其能夠有效提高地質找礦工作效率和經濟效益，應用價值極為廣泛，逐漸受到各領域的關注和應用。
遙感技術在地質找礦工作中一般以地質繪圖為主，準確再現區域地質狀況和信息。在地質找礦工作中納入遙感技術是當前開展的促進地質找礦工作的重要途徑和必然要求。遙感技術可以客觀真實地反映地質內的分層信息和成分數據，還能夠對這些地質信息加以全面的分析和處理，對勘探和發現地質礦床的具置有巨大的作用和意義，實現礦產資源的合理開發。遙感技術在地質找礦工作中的應用和影響主要包括以下幾個方面：對地質礦體范圍加以細致勘察、將勘察信息呈現出幾何形態、礦床的地段分析以及成礦區域的相關地質條件等，通過對這些方面的勘察和分析，能夠有效地促進地質找礦工作的進行，提升找礦工作的效率。
2 遙感技術在地質找礦工作中的應用和影響
2.1 利用遙感技術識別地質巖石礦物
巖石是成礦的主要物質基礎和條件，成礦需要適當的不同類型巖石組合，利用遙感技術識別地質巖石礦物是勘測成礦區域的重要途徑。識別和提取地質巖石礦物的具體信息數據需要利用遙感技術分析地質巖石礦物的光譜特征，采用圖像變化、圖像增強以及圖像分析的方法，對地質巖石礦物加以分析處理，能夠最大限度地將不同巖相、不同類型和不同巖性的地質巖石礦物加以區分，勘察最適合和需要的地質巖石礦物。利用遙感技術對地質巖石礦物加以識別對地質填圖工作有重要的影響和作用，其識別很大程度上要依靠地質巖石礦物的光譜和空間特征差別，當前在巖石礦物識別工作中應用交為廣泛的是高光譜遙感成像技術，具有分辨率高、波段多和數據信息量大的技術特點。通過利用高光譜的窄波段對地質巖石礦物加以識別，能夠清晰識別巖石礦物的具體特征，地物光譜的重建和量化提取使區分礦物巖石工作更為容易。
2.2 利用遙感技術提取礦化蝕變數據信息
巖石蝕變信息的提取能夠有效提升地質找礦工作的效率，在地質礦床內圍巖和礦熱液的相互作用會使產生圍巖蝕變現象，圍巖蝕變的類型取決于圍巖自身的內部元素成分和所處礦床的類型，圍巖蝕變類型的判定是找礦工作順利進行的重要依據。圍巖蝕變的常見類型有絹云母化、高嶺土化、硅化、青磐巖化等，當前對礦化蝕變信息的提取主要采取鐵染和羥基進行，礦化蝕變巖石與普通巖石的差異較大，其結構、類型和顏色等都有一定的特殊性，利用遙感技術可使蝕變巖石在特定的光譜波段下顯現出異常的光譜，從而即可進行異常信息的提取，目前廣泛應用的數據源主大多是數據源與ETM相結合的形式。
2.3 利用遙感技術提取地質構造信息
地質找礦工作中地質構造信息的提取是一項重要的環節，實踐證明，礦化蝕變帶的分布具有一定的規律可循，一般地質構造明顯的位置存在礦化蝕變帶的可能性較大，地質構造對成礦的影響較大，成礦的可能性和礦床范圍的大小很大程度上取決于地質構造的實際情況，因此，利用遙感技術加強對地質構造信息的提取和勘測，是尋找礦床的重要因素和途徑，需對其加以科學利用。在具體地質構造信息勘測和提取過程中，提取地質構造的信息主要可分為環形影像解譯和線性影像解譯。需要依據不同類型的成礦構造具體環境，對地質構造數據信息加以提取，比如，對礦化、接觸帶和蝕變相關的地質構造，常常提取其色帶、色環和色塊等異常數據信息；對一些區域性成礦構造往往提取其線性結構的數據信息；對于火山盆地、熱液活動以及中酸入體相關的地質構造需要提取其環形構造數據信息。利用遙感技術提取地質構造信息在成像時可能會出現模糊作用的情況，致使礦區線性形跡各紋理信息變模糊，出現這種情況時，可使用遙感影像中的灰度拉伸、比值分析、邊緣增強以及方向濾波等功能對其加以處理即可。通過對線性和環形影像進行全面、系統的整理和分析，有效結合該區域地質、化探和物探等數據資料，即可判斷成礦區域的分布位置及具體特點，還可以采用數學地質的方法統計分析已經解譯的線性結構，從而準確地判定找礦位置。
2.4 利用遙感技術分析植被波譜特點找礦
地表礦化蝕變巖石成分結構的改變是在微生物或地下水的作用下進行的，這種作用力還能夠改變礦化蝕變巖石上的土壤成分，利用遙感技術分析植被波譜的變化特點來尋找礦床，是一種先進的找礦技術，其主要采用的方法和原理為遙感生物地球化學找礦原理。這種方法主要是在類似礦區的區域，長期觀察植物的生長狀況和變化特點，從而來判定該區域是否存在礦產資源，因為植物在其生長過程中會大量吸收地下土壤和巖石中的礦物元素，致使植物在不同時期的生長也有不同的外部變化，通過利用遙感技術對植物的波譜特征變化加以觀察和分析，尋找礦區的具置。在植物吸收的某項礦物元素超標時，就會使植物產生一定程度的度化作用，就有了相應的生物地球化學效應，這種效應會使植物的生態和生理方面發生相應的變異。比如，植物吸收過多的重金屬會使其產生褪綠或矮化等變化，能夠通過遙感圖像清晰觀察出其植被紅光光譜曲線逐漸向短波方向進行“藍移”，從而迅速、準確地確定礦床或礦區的地理位置。
3 結束語
當前，遙感技術除了以上在找礦工作的應用和影響，也隨著科技的發展不斷更新，出現了多光譜遙感蝕變信息提取技術、高光譜遙感技術等新興的先進技術，為地質找礦工作提供了巨大的技術支持，有效節省了找礦所需的人力、財力和物力需求，提高了地質找礦工作的整體效率。
參考文獻：
[1]魏磊，趙鵬海，何曉寧.等.淺談遙感技術在礦產開發中的應用[J].測繪與空間地理信息，2012（09）.
[2]劉德長，葉發旺，趙英俊.等.地質找礦中遙感信息的綜合研究與深化應用―以鈾礦為例[J].國土資源遙感，2011（03）.
