高光谱遥感原理与方法
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇高光谱遥感原理与方法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
高光谱遥感原理与方法范文第1篇
关键词：中分辨率成像光谱仪（MODIS）；农作物种植面积；改进型混合像元判别分析法
中图分类号：S127 文献标识码：A 文章编号：0439－8114（2012）24－5783-05
农作物种植面积的遥感提取是在收集分析不同农作物光谱特征的基础上，通过遥感影像记录的地表信息识别农作物的类型，统计农作物的种植面积。农作物的识别主要是利用绿色植物独特的波谱反射特征，将植被（农作物）与其他地物区分开［1］。不同农作物类型的识别主要依据两点：一是农作物在近红外波段的反射主要受叶子内部构造的控制，不同类型农作物的叶子内部构造有一定的差别［2］；二是不同区域、不同类型作物间物候历的差异，可利用遥感影像信息的时相变化规律进行不同农作物类型的识别［3］。因此遥感影像分析方法的发展推动农作物种植面积的遥感提取方法的研究。而“同物异谱”、“异物同谱”以及“混合像元”现象制约着遥感影像分析方法的发展［4］。目前常用的提取农作物种植面积的影像分析方法有目视法、监督分类法、非监督分类法、作物特性法，这些方法主要运用到高分辨率的影像图片上（如TM数据），因为农作物种植最小面积远远大于卫星的探测单元瞬时视场角所对应的地面范围，可以把像元看成纯净像元；而对基于低分辨率、高光谱、混合像元为特性的中分辨率成像光谱仪（MODIS）数据而言，其探测单元瞬时视场角所对应的地面范围（1 km×1 km）同时种植好几种作物，运用传统统计模式分析方法会产生很大的误差，因此目前很少人运用单纯的MODIS卫星图片来计算县级农作物面积。
为了计算混合像元中各地物的丰度，可通过获取卫星资料上纯净地物像元的光谱特征曲线，来人工合成某种地物不同比例、不同其他地物混合情况下的光谱数据，用这些光谱数据作为已知的监督点建立判别方程来进行分类处理，并将含这种地物相同比例的混合像素归为一类，这样可以得到这种地物各种比例下的分布面积，将其面积与此地物所占的比例相乘便可以得到此地物的总的分布面积，这就是改进型混合像元判别分析法。
改进型混合像元判别分析法建立在线性混合模型的基础上，是将人工合成的光谱特性作为监督点进行监督分类，因而纯净地物像元的选择对此方法的判断精度影响很大，而且为了避免异物同谱现象出现，只能采用能精确反映地物光谱特性的高光谱卫星数据，用高光谱特性中的地物信息最大限度地消除低空间分辨率带来的误差，而MODIS有22个反射波段，只要能找到纯净地物像元的光谱数据，便可以相对精确地计算出各种地物的分布特点和面积。
2 资料的分析与处理
选定的地点是湖北省江陵县，江陵县是荆州市农业大县，处于江汉平原西南部，地势平坦，紧靠长江，水系发达；种植制度单一，只有小麦－棉花和油菜－中稻两种。选取的MODIS卫星资料的日期为2001年9月15日（晴天、无云），此时中稻处于成熟期，叶片偏黄（收获期为9月23日），棉花处于采摘期，叶片还是绿色。
2．1 MODIS卫星资料的预处理
NASA网站上提供的MODIS数据是经过大气校正过的MODIS L1B（MOD02）格式的资料，运行ENVI软件中专门针对MODIS原始数据进行坐标转换的程序，将资料转成Krasovskv地球模型、Albert投影方式坐标的栅格数据；并运用江陵县矢量地图采用MASK方式将江陵县栅格数据取出来。
2．2 改进型混合像元判别分析法的处理步骤
2．3 对比数据的计算
2．3．1 实际结果的计算 选用采用同日期的TM卫星资料的监督分类法计算的种植面积作为标准，其计算方法如下。
1）伪彩色图的生成。在ENVI软件中将70、40、20 μm波段的数据当成红、绿、蓝3种颜色形成一张伪彩色图，中稻和棉花很容易分辨，绿色部分为棉花，红棕色地物为中稻，水系为蓝色，而城镇为灰色。
2）监督点的选取。根据江陵县的特点将地物分为4类，取长江和木沉渊湖作为水体地物的监督点，郝穴镇（县城）为城镇的监督点，三湖农场作为棉花的监督点，而传统中稻种植区白马镇作为中稻的监督点。
3）数据资料的监督分类。通过ENVI软件，根据上面选取的已知监督点光谱数据，运用Mahalanobis距离法来进行监督分类。
3 结果与分析
3．1 改进型混合像元判别分析法计算的结果分布图与其他方法和实际的比较结果
因此运用改进型混合像元判别分析法能准确地反映棉花和中稻的分布规律，特别是在一些零星种植区和两种农作物交叉种植区都能很好地体现，这是用传统型监督分类法无法实现的；为了更好地比较检验改进型混合像元判别分析法的效果和分析改进型混合像元判别分析法的误差来源，将图2中各种比例的种植区分类结果分别与TM监督法统计的实际结果进行比较，得到的结果见表3。由表3可知，各分类区内实际情况与计算结果基本相符，证明改进型混合像元判别分析法的分类原理是正确的，但也有一定的误差，其误差来源有两个方面：一个是混合像素内小于25％地物的光谱特性基本消失，不容易识别；另一方面是100％种植区里还有其他地物区分不出来。但总的来讲，改进型混合像元判别分析法最大限度地利用高光谱特性提取了混合像元中农作物信息，最大精度地显示了农作物种植分布情况。
3．2 3种方法计算结果的比较
由于江陵县作物种植相对单一，因此很好寻找单一地物的像元，如果找不到这样的监督点，采用此方法会有很大的误差。
4 结论
改进型混合像元判别分析法是由线性混合模型发展而来，原理简单易懂；实现容易，只要SPSS软件和ENVI软件就能完成计算过程；最大限度地利用高光谱特性提取了混合像元中农作物信息，最大精度地显示了农作物种植分布情况，误差最小。因此运用在混合像元为特性的MODIS卫星上比较合适，影响其误差大小的主要因素是监督点的选取。
另外作物光谱特性差异法原理简单、计算方便，但误差比较大；监督分类法误差最大，不适合运用在低分辨率高光谱的MODIS卫星上。
参考文献：
［1］ 周成虎，骆剑承．遥感影像地学理解与分析［M］．北京：科学出版社，1999．
［2］ 斯韦恩P H，戴维S M．遥感定量方法［M］．北京：科学出版社，1984．
［3］ 孙九林．中国农作物遥感动态监测与估产总论［M］．北京：中国科学技术出版社，1996．
［4］ 章孝灿，黄智才．遥感数字图像处理［M］． 杭州：浙江大学出版社，1997．
［5］ 吕长春，王忠武．混合像元分解模型综述［J］．遥感信息，2003（3）：55－59．
高光谱遥感原理与方法范文第2篇
【关键词】遥感技术;3s的结合;发展前景
1.遥感技术的找矿应用
1.1 地质构造信．息的提取
内生矿产在空间上常产于各类地质构造的边缘部位及变异部位，重要的矿产主要分布于扳块构造不同块体的结合部或者近边界地带，在时间上一般与地质构造事件相伴而生，矿床多成带分布，成矿带的规模和地质构造变异大致相同。
遥感找矿的地质标志主要反映在空间信息上。从与区域成矿相关的线状影像中提取信息(主要包括断裂、芍理、推覆体等类型)，从中酸性岩体、火山盆地、火山机构及深亨岩浆、热液活动相关的环状影像提取信息(包括与火山有关的盆地、构造)，从矿源层、赋矿岩层相关的带状影像提取信启、(主要表现为岩层信息)，从与控矿断裂交切形成的块状影像及与感矿有关的色异常中提取信息(如与蚀变、接触带有关的色环、色带、色块等)。当断裂是主要控矿构造时，对断裂构造遥感信息进行重点提取会取得一定的成效。
遥感系统在成像过程中可能产生“模糊作用”，常使用户感兴趣的线性形迹、纹理等信息显示得不清晰、不易识别。人们通过目视解译和人机交互式方法，对遥感影像进行处理，如边缘增强、灰度拉伸、方向滤波、比值分析、卷积运算等，可以将这些构造信息明显地突现出来。除此之外，遥感还可通过地表岩性、构造、地貌、水系分布、植被分布等特征来提取隐伏的构造信息，如褶皱、断裂等。提取线性信息的主要技术是边缘增强。
1.2 植被波谱特征的找矿意义
在微生物以及地下水的参与下，矿区的某些金属元素或矿物引起上方地层的结构变化，进而使土壤层的成分产生变化，地表的植物对金属具有不同程度的吸收和聚集作用，影响植叶体内叶绿素、含水量等的变化，导致植被的反射光谱特征有不同程度的差异。矿区的生物地球化学特征为在植被地区的遥感找矿提供了可能，可以通过提取遥感资料中由生物地球化学效应引起的植被光谱异常信息来指导植被密集覆盖区的矿产勘查，较为成功的是某金矿的遥感找矿、东南地区金矿遥感信息提取。
不同植被以及同种植被的不同器官问金属含量的变化很大，因此需要在已知矿区采集不同植被样品进行光谱特征测试，统计对金属最具吸收聚集作用的植被，把这种植被作为矿产勘探的特征植被，其他的植被作为辅助植被。遥感图像处理通常采用一些特殊的光谱特征增强处理技术，采用主成分分析、穗帽变换、监督分类(非监督分类)等方法。植被的反射光谱异常信息在遥感图像上呈现特殊的异常色调，通过图像处理，这些微弱的异常可以有效地被分离和提取出来，在遥感图像上可用直观的色调表现出来，以这种色调的异同为依据来推测未知的找矿靶区。植被内某种金属成分的含量微小，因此金属含量变化的检测受到谱测试技术灵敏度的限制，当金属含量变化微弱时，现有的技术条件难以检测出，检测下限的定量化还需进一步试验。理论上讲，高光谱提取植被波谱的性能要优于多光谱很多倍，例如对某一农业区进行管理，根据每一块地的波谱空间信息可以做出灌溉、施肥、喷洒农药等决策，当某农作物干枯时，多光谱只能知道农作物受到损害，而高光谱可以推断出造成损害的原因，是因为土地干旱还是遭受病虫害。因此利用高光谱数据更有希望提取出对找矿有指示意义的植被波谱特征。
1.3 矿床改造信息标志
矿床形成以后，由于所在环境、空间位置的变化会引起矿床某些性状的改变。利用不同时相遥感图像的宏观对比，可以研究矿床的剥蚀改造作用；结合矿床成矿深度的研究，可以对类矿床的产出部位进行判断。通过研究区域夷平面与矿床位置的关系，可以找寻不同矿床在不同夷平面的产出关系及分布规律，建立夷平面的找矿标志。另外，遥感图像还可进行岩性类型的区分应用于地质填图，是区域地质填图的理想技术之一，有利于在区域范围内迅速圈定找矿靶区。
2.遥感找矿的发展前景
2.1 高光谱数据及微波遥感的应用
高光谱是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。它利用成像光谱仪以纳米级的光谱分辨率，成像的同时记录下成百条的光谱通道数据，从每个像元上均可以提取一条连续的光谱曲线，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而具有巨大的应用价值和广阔的发展前景。成像光谱仪获得的数据具有波段多，光谱分辨率高、波段相关性高、数据冗余大、空问分辨率高等特点。高光谱图像的光谱信息层次丰富，不同的波段具有不同的信息变化量，通过建立岩石光谱的信息模型，可反演某些指示矿物的丰度。充分利用高光谱的窄波段、高光谱分辨率的优势，结合遥感专题图件以及利用丰富的纹理信息，加强高光谱数据的处理应用能力。微波遥感的成像原理不同于光学遥感，是利用红外光束投射到物体表面，由天线接收端接收目标返回的微弱回波并产生可监测的电压信号，由此可以判定物体表面的物理结构等特征。微波遥感具有全天时、全天候、穿透性强、波段范围大等特点，因此对提取构造信息有一定的优越性，同时也可以区分物理结构不同的地表物体，因为穿透性强，对覆盖地区的信息提取也有效。微波遥感技术因其自身的特点而具有很大的应用潜力，但微波遥感在天线、极化方式、斑噪消除、几何校正及辐射校正等关键技术都有待于深入研究，否则势必影响微波遥感的发展。
高光谱遥感原理与方法范文第3篇
【关键词】遥感技术；3S；结合发展前景
【中图分类号】TP 【文献标识码】A
【文章编号】1007-4309（2013）07-0060-2
一、遥感技术的找矿应用
1.地质构造信息的提取
内生矿产在空间上常产于各类地质构造的边缘部位及变异部位，重要的矿产主要分布于板块构造不同块体的结合部或者近边界地带，在时间上一般与地质构造事件相伴而生，矿床多成带分布，成矿带的规模和地质构造变异大致相同。
遥感找矿的地质标志主要反映在空间信息上。从与区域成矿相关的线状影像中提取信息往往要包括断裂、节理、推覆体等类型，从中酸性岩体、火山盆地、火山机构及深亨岩浆、热液活动相关的环状影像提取信息泡括与火山有关的盆地、构造，从矿源层、赋矿岩层相关的带状影像提取信启、住要表现为岩层信息，从与控矿断裂交切形成的块状影像及与感矿有关的色异常中提取信息位口与蚀变、接触带有关的色环、色带、色块等）。当断裂是主要控矿构造时，对断裂构造遥感信息进行重点提取会取得一定的成效。
遥感系统在成像过程中可能产生“模糊作用”，常使用户感兴趣的线性形迹、纹理等信息显示得不清晰、不易识别。人们通过目视解译和人机交互式方法，对遥感影像进行处理，如边缘增强、灰度拉伸、方向滤波、比值分析、卷积运算等，可以将这些构造信息明显地突现出来。除此之外，遥感还可通过地表岩性、构造、地貌、水系分布、植被分布等特征来提取隐伏的构造信息，如褶皱、断裂等。提取线性信息的主要技术是边缘增强。
2.植被波谱特征的找矿意义
在微生物以及地下水的参与下，矿区的某些金属元素或矿物引起上方地层的结构变化，进而使土壤层的成分产生变化，地表的植物对金属具有不同程度的吸收和聚集作用，影响植叶体内叶绿素、含水量等的变化，导致植被的反射光谱特征有不同程度的差异。矿区的生
物地球化学特征为在植被地区的遥感找矿提供了可能，可以通过提取遥感资料中由生物地球化学效应引起的植被光谱异常信息来指导植被密集覆盖区的矿产勘查，较为成功的是某金矿的遥感找矿东南地区金矿遥感信息提取。
不同植被以及同种植被的不同器官问金属含量的变化很大，因此需要在己知矿区采集不同植被样品进行光谱特征测试，统计对金属最具吸收聚集作用的植被，把这种植被作为矿产勘探的特征植被，其他的植被作为辅助植被。遥感图像处理通常采用一些特殊的光谱特征增强处理技术，采用主成分分析、穗帽变换、监督分类非监督分类等方法。植被的反射光谱异常信息在遥感图像上呈现特殊的异常色调，通过图像处理，这些微弱的异常可以有效地被分离和提取出来，在遥感图像上可用直观的色调表现出来，以这种色调的异同为依据来推测未知的找矿靶区。植被内某种金属成分的含量微小，因此金属含量变化的检测受到谱测试技术灵敏度的限制，当金属含量变化微弱时，现有的技术条件难以检测出，检测下限的定量化还需进一步试验。理论上讲，高光谱提取植被波谱的性能要优于多光谱很多倍，例如对某一农业区进行管理，根据每一块地的波谱空间信息可以做出灌溉、施肥、喷洒农药等决策，当某农作物十枯时，多光谱只能知道农作物受到损害，而高光谱可以推断出造成损害的原因，是因为土地干旱还是遭受病虫害。因此利用高光谱数据更有希望提取出对找矿有指示意义的植被波谱特征。
3.矿床改造信息标志
矿床形成以后，由于所在环境、空间位置的变化会引起矿床某些性状的改变。利用不同时相遥感图像的宏观对比，可以研究矿床的侵蚀改造作用；结合矿床成矿深度的研究，可以对类矿床的产出部位进行判断。通过研究区域夷平而与矿床位置的关系，可以找寻不同矿床在不同夷平而的产出关系及分布规律，建立夷平而的找矿标志。另外，遥感图像还可进行岩性类型的区分应用于地质填图，是区域地质填图的理想技术之一，有利于在区域范围内迅速圈定找矿靶区。
二、遥感找矿的发展前景
1.高光谱数据及微波遥感的应用
高光谱是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。它利用成像光谱仪以纳米级的光谱分辨率，成像的同时记录下成百条的光谱通道数据，从每个像元上均可以提取一条连续的光谱曲线，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而具有巨大的应用价值和广阔的发展前景。成像光谱仪获得的数据具有波段多，光谱分辨率高、波段相关度高、数据冗余大、空间分辨率高等特点。高光谱图像的光谱信息层次丰富，不同的波段具有不同的信息变化量，通过建立岩石光谱的信息模型，可反演某些指示矿物的丰度。充分利用高光谱的窄波段、高光谱分辨率的优势，结合遥感专题图件以及利用丰富的纹理信息，加强高光谱数据的处理应用能力。微波遥感的成像原理不同于光学遥感，是利用红外光束投射到物体表而，由天线接收端接收目标返回的微弱同波并产生可监测的电压信号，由此可以判定物体表而的物理结构等特征。微波遥感具有全天时、全天候、穿透性强、波段范围大等特点，因此对提取构造信息有一定的优越性，同时也可以区分物理结构不同的地表物体，因为穿透性强，对覆盖地区的信息提取也有效。微波遥感技术因其自身的特点而具有很大的应用潜力，但微波遥感在天线、极化方式、斑噪消除、几何校止及辐射校止等关键技术都有待于深入研究，否则势必影响微波遥感的发展。
2.数据的融合
随养遥感技术的微波、多光谱、高光谱等大量功能各异的传感器不断问世，它们以不同的空间尺度、时间周期、光谱范围等多方面反映地物目标的各种特性，构成同一地区的多源数据，相对于单源数据而高，多源数据既存在互补性，又存在冗余性。任何单源信息只能反映地物目标的某一方面或几个方面的特征，为了更准确地识别目标，必须从多源数据中提取比单源数据更丰富、有用的信息。多源数据的综合分析、互相补充促使数据融合技术的不断发展。通过数据融合，一方面可以去除无用信息，减少数据处理量，另一方面将有用的信息集中起来，便于各种信息特征的优势互补。
蚀变矿物特征光谱曲线的吸收谷位于多光谱数据的波段位置，因此可以识别蚀变矿物，但是波段较宽，只对蚀变矿物的种属进行分类。与可见一红外波段的电磁波相比，达波对地而的某些物体具有强的穿透能力，能够很好地反映线性、环性沟造。达图像成像系统向多波段、多极化、多模式发展，获取地表信息的能力越来越强。总的来说，多光谱、高光谱数据的光谱由线特征具有区分识别岩石矿物的效果，所以对光学图像与雷达图像进行融合处理，既能提高图像的分辨率、增强纹理的识别能力，又能有效地识别矿物类型。
尽管融合技术的研究取得了一些可喜的进展，但未形成成熟的理论、模型及算法，缺乏对融合结果的有效评价手段。在以后的研究中，应该深入分析各种图像的成像机理及数据间的相关性、互补性、冗余性等，解决多源数据的辐校止问题，发展空间配准技术。优化信息提叉的软件平台，实现不同格式图像问的兼容性。
三、结束语
综上所述，遥感技术作为矿产勘查的一种手段应用于找矿取得了一定成就。遥感技术的直接应用是蚀变遥感信息的提取，遥感技术的间接应用包括地质构造信息、植被的光谱特征及矿床改造信息等方面。遥感找矿具有很大的发展前景的领域主要有：高光谱数据、数据融合技术、3s的紧密结合、计算机技术的发展。
【参考文献】
[1]吴晓伟.测绘工程GPS三维空间大地控制网的建设[J].硅谷，2013，4（2）.
[2]杨巨平，唐立哲.浅谈GPS在测绘中运用的几全要点[J].科技风，2013，10（4）.
高光谱遥感原理与方法范文第4篇
Vol.43No.3
红外与激光工程
Infrared and Laser Engineering
2014年3月
Mar .2014
基于高光谱数据的叶面积指数遥感反演
李子扬1,2，钱永刚1，申庆丰3，马灵玲1，孔祥生4王宁1，刘耀开1，(1.中国科学院光电研究院定量遥感信息技术重点实验室，北京100094；2. 中国科学院大学，北京100049；3. 中国运载火箭技术研究院，北京100076；
4. 鲁东大学地理与规划学院，山东烟台264025)
摘
要：文中耦合叶片辐射传输模型(PROSPECT)和冠层辐射传输模型(SAILH)，基于高光谱载荷通
道设置，模拟高光谱冠层反射率数据；利用模拟数据深入分析了不同植被指数与叶面积指数之间的敏感性；通过敏感性分析发现改进型叶绿素吸收植被指数(MCARI2)具备抗土壤背景因素的影响能力，而且对叶面积指数较为敏感，因此该研究建立植被指数MCARI2与叶面积指数之间的经验统计模型，并用于高光谱数据进行叶面积指数反演；最后利用飞行同步测量的叶面积指数对反演模型进行精度分析。结果表明：相比实测叶面积指数，文中建立的反演模型约低估0.42，该反演模型能够较好的反映出地物真实叶面积指数。
关键词：叶面积指数；植被指数；高光谱数据中图分类号：TP701
文献标志码：A
文章编号：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
修订日期：2013-08-25
基金项目：国家863计划(2012AA12A302)；国家自然科学基金(41101330，41371353，40901176，41271342)
作者简介：李子扬(1977-)，男，研究员，硕士生导师，博士，主要从事遥感地面系统及遥感应用方面的研究。Email:zyli@aoe.ac.cn通讯作者：钱永刚(1980-)，硕士生导师，博士，主要从事定量遥感地表参数反演及应用方面的研究。Email:qianyg@aoe.ac.cn
第3期
李子
扬等：基于高光谱数据的叶面积指数遥感反演
945
反演过程的流程图。
0引言
叶面积指数(LeafArea Index ，LAI) 是表征植被冠层结构最基本的参数之一，影响着植被的生物、物理过程[1]。LAI 通常被定义为单位地面面积上总叶面积的一半[2]。目前大区域范围内LAI 获取通常采用遥感反演的方式。LAI 遥感反演方法主要有经验统计法和物理模型反演法。
经验统计方法从植被独有的光谱特征出发，利用健康绿色植物在红光和近红外波段的反射特性差异建立植被指数，进而利用植被指数与LAI 的统计关系进行反演。该类方法形式简单，需要的参数少，被广泛应用于局部LAI 参数反演，并发展了基于多种植被指数(如归一化植被指数[3]或者改进叶绿素吸收指数) 的反演模型。然而该方法缺乏物理基础，建
[4]
图1植被指数方法反演叶面积指数流程图
Fig.1Flowchart of leaf area index retrieval from vegetation index
文中通过PROSPECT 和SAILH 模型联合模拟植被冠层反射率，在此基础上分析了不同条件下8种植被指数与LAI 的敏感性，选取其中最敏感的叶绿素吸收植被指数(MCARI2)并建立其与LAI 之间的经验统计模型。基于该模型和无人机获取的高光谱遥感数据，反演得到研究区的LAI ，最后利用实测不同地物类型的LAI 数据对反演结果进行了验证，并给出了精度分析。
立的经验关系仅适用于特定的时间和区域。相对而言，物理模型反演法从植被的辐射传输原理出发，具备较强的普适性和较高的反演精度。物理模型反演法可分为几何光学模型法、辐射传输模型法以及混合模型法。几何光学模型法考虑了植被冠层的二向性反射，但没有考虑冠层内多次散射；辐射传输模型法考虑了植被多次散射，但无法模拟植被冠层的二向性反射，尽管可加入热点效应模型[6]，仍难以直接得到LAI 的解析解。由于不同方法具备独特的优势，近年来出现了各种混合模型，如基于物理模型与统计模型相结合的核驱动模型，取得了较好的反演精度。还出现了查找表法和非参数方法(如神经网
[7]
[5]
[5]
1.1辐射传输模型介绍
该研究耦合叶片辐射传输模型(PROSPECT)和冠层辐射传输模型(SAILH)得到大量模拟数据，为
LAI 反演模型建立提供数据源。
(1)PROSPECT 模型
PROSPECT 是一个基于“平板模型”的辐射传输模型。该模型以植被结构参数、叶片色素含量、等效水厚度和干物质含量为输入参数，能够模拟叶片从
络方法等) 。
中国科学院光电研究院牵头在内蒙古包头与贵州安顺建立了遥感载荷综合验证场，验证场配备有光谱、辐射和几何特性靶标，能够利用验证场开展光学、
400~2500nm 的上、下行辐射通量，进而得到叶片的光学特性，即叶片的反射率和透射率[8]。该模型输入参数较多，并且部分参数没有实测方法，参数设置带有主观经验性。Jacquemoud 等人根据实验室测量的玉米反射率和透过率，通过PROSPECT 模型估算得到叶肉结构参数的均值约为1.4[9]。Haboudane 等人将等效水厚度、干物质含量和叶肉结构参数分别设置为0.0015、0.0035和1.55作为各种庄稼(如玉米、大豆和小麦等) 的均值输入PROSPECT 模型[4]。
文中研究利用LOPEX ′93(LeafOptical Properties
SAR 载荷飞行测试实验。文中研究基于863项目“无人机遥感载荷综合验证系统”对内蒙古包头验证场无人机高光谱遥感载荷数据开展叶面积指数反演研究。
1方法
植被指数法是建立不同植被类型的植被指数与
LAI 之间的经验统计关系实现遥感反演。植被指数法是一种经验性方法，因而要求研究区内有足够的资料。文中研究基于植被指数方法反演LAI ，图1是
Experiment) 植物生化参数数据库作为PROSPECT 模型输入参数的选择基础。该数据库是由欧盟委员会联合中心的空间应用研究所实测获取的[10]，包含70个
946红外与激光工程第43卷
叶片样本，代表了50种木本和草本植物。数据体现了叶片内部结构、色素含量、水分含量和其他组分含量的多样性。能够保证参数设置的合理性。
致植被指数与LAI 经验的关系不一致且系数各异。考虑到无人机获取的遥感影像高空间分辨率较高，土壤背景信息和植被信息都能很好的从影像中反映出来，因此，选择能够具有抵抗背景因素影响的植被指数对于LAI 反演尤为重要。
文中研究采用了归一化敏感性分析函数分析
(2)SAILH 模型
SAILH 模型是在SAIL(Scatteringby Arbitrarily Inclined Leaves) 模型的基础上加入了热点效应发展而来的。通过求解四流线性微分方程组以及引入考虑冠层热点效应的双向相关概率模型，进而计算连续植被冠层的方向反射率。SAILH 模型的输入参数包括角度参数、结构参数和光谱参数三部分，其中
LAI 与植被指数的敏感性[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 为归一化敏感性分析函数；X 为自变量
PROSPECT 模型的输出为SAILH 模型提供叶片的反射率和透射率。SAILH 模型涉及到多个输入参数，针对角度参数，文中研究采用无人机飞行中的观测角度、太阳角度等信息；结构参数主要有LAI 、叶倾角分布函数、热点因子，其中LAI 取值范围为0.2~
(LAI)；Y 为因变量(光谱反射率/植被指数等) 。归一化敏感性分析函数的含义是参数X 变化某一固定比率时，因变量Y 变化的百分比。
图2给出了3种亮度不同的土壤背景下LAI 与植被指数之间的敏感性。从图2可以看出：8种植被
7；叶倾角分布函数采用椭球体叶倾角分布参数。1.2植被指数
现有用于反演LAI 的植被指数种类繁多，文中分析了较为常用的8种植被指数(见表1) 。
表1植被指数计算公式
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，下标表示特定的波长。
1.3植被指数与LAI 敏感性分析
不同植被指数所考虑到的因素各不相同，因此土壤背景反射率、植被结构和叶绿素含量等因素导
图2基于归一化敏感性函数的植被指数与叶面积指数的敏感性
Fig.2Sensitivity of leaf area index to vegetation indexes with
normalized sensitivity analysis
第3期
李子
扬等：基于高光谱数据的叶面积指数遥感反演
947
指数的敏感性随着LAI 增大先增大后减小；RDVI 和表反射率需要经过大气校正。利用大气辐射传输模型逐像元进行大气校正是非常复杂的计算，需要占用大量的计算机时间和资源。因此，文中研究根据无人机高光谱成像仪的性能特点，通过大气辐射传输模型MODTRAN 建立了以气溶胶光学厚度、大气水汽含量、飞行高度、地表高程、太阳天顶角、观测天顶角和相对方位角为索引的多维大气参数查找表。利用与飞行试验同步探空气球测量的气溶胶光学厚度和大气水汽含量，结合太阳以及无人机载荷观测的几何参数(天顶角、方位角等) ，基于大气参数查找表反演无人机高光谱数据地表反射率。
NDVI 的敏感性最弱；MCARI 和SR 的敏感性最强，MCARI2和MSR 次之；随着土壤亮度的增强，MCARI 、SR 和MSR 的敏感性增强，MCARI2和MSAVI 对土壤背景表现出很小的敏感性。显然，各种植被指数对小于3的LAI 表现出最大的敏感性。同时可以看出，当LAI 范围在2.5~3.0时，NDVI 、
RDVI 、MCARI 、SAVI 和MSAVI 基本达到饱和状态；MSAVI 和MCARI2对土壤背景的敏感性最弱，尽管SR 和MSR 表现出更高的饱和性，但是当LAI 在小于3.5时对土壤背景影响敏感。
相比其他植被指数，MCARI2对LAI 具有更高的敏感性及高的抗土壤背景干扰能力。因此，文中研究选择MCARI2反演无人机高光谱数据的LAI 。两者之间的统计模型采用如下形式：
LAI 反演时需要依据不同植被类型进行模型建模，因此，首先采用监督分类方式对无人机高光谱数据进行了分类(见图3) 。
LAI=a ×exp(b ×MCARI2)+c ×exp(d ×MCARI2) (2)
式中：a ，b ，c ，d 为拟合系数。拟合系数的获取方法如下：利用不同LAI 值，结合叶片和冠层辐射传输模型
(PROSPECT+SAILH)模拟冠层反射率数据，进而构建植被指数MCARI2，最后基于不同植被类型分别拟合MCARI2和LAI ，得到上述4个拟合系数。
图3无人机高光谱载荷地表分类图
Fig.3Classification of the UAV hyperspectral data
2数据
2.1无人机高光谱数据和地面测量数据
2011年9月3日，基于863项目“无人机遥感载荷综合验证系统”，由中国科学院光电研究院组织在内蒙古(包头乌拉特前旗，经度：109.53°，纬度：40.88°) 开展了光学载荷科学试验飞行。此次试验沿飞行航线布设了经过严格测试的多种用途靶标，并同步获取了靶标地面光谱测量数据及场地气象参数数据，用于开展光学载荷辐射、几何、光谱性能定标与评价的工作。无人机平台所搭载的高光谱成像仪光谱范围为400~1030nm ，光谱分辨率为5nm ，瞬时视场角
3结果与分析
3.1叶面积指数反演结果
根据无人机高光谱数据的特点，针对不同的植被类型，利用PROSPECT+SAILH模型获取反演模型
(公式(2))的系数(详见表2) 。
表2不同植被类型下MCARI2与LAI 的拟合系数
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个波段，地面分辨率1.6m@8km 。
LAI 反演及验证的工作主要在农业示范区开展。同时，飞行过程中在农业示范区内利用叶面积指数仪(LAI2200) 采集了3种作物(马铃薯、向日葵、玉米) 共13组的LAI 测量数据。考虑到作物的非均一性，每组试验测量3次，取其平均值作为验证数据。
2.845e-717.19
21.3611.215.9
Sunflower 4.353e-9Corn Potato
7.821e-55.919e-7
2.2载荷数据处理
机载平台载荷传感器获得的辐射亮度转换为地
Broadleaf
5.116e-410.45
forests
0.90140.6341
948红外与激光工程第43卷
研究通过利用PROSPECT+SAILH模型模拟出冠层反射率，再耦合无人机高光谱成像仪通道响应函数模拟出无人机高光谱地表反射率数据，并建立不同植被类型的LAI 反演模型，最终将模型应用于真实无人机高光谱数据中反演出地物的LAI ，图4是利用2011年9月3日的无人机高光谱数据反演的LAI 结果。
果能够较好反映出地物的LAI ，证明采用的
MCARI2能够反演得到精度较高的LAI 。
图6无人机叶面积指数地面实测反演结果图
Fig.6Measured and retrieved LAI from UAV hyperspectral data
图4北方场无人机叶面积指数反演结果
Fig.4Results of the retrieved LAI from UAV in the North Site
影响到反演精度的因素可能有以下几点：从地面测试实验中可以发现，传感器测量的是地物的“面”信息，而地面测量仪器测量的是地物“点”信息，尺度效应问题影响了LAI 的对比精度；其次，地面测试过程中发现向日葵地和马铃薯两种植被覆盖的均匀性较差，测量过程中不可避免地会引起一定的误差；再次，随着LAI 的增大，近红外通道趋于饱和，会对LAI 反演精度产生影响；同时，植物生化数据库(LOPEX′93) 测量的地物特性因地域差异、气候差异等因素也会有所不同，同样会对LAI 的反演精度产生一定的影响；最后，测量仪器本身也存在一定的测量误差，对验证结果的精度也会产生一定的影响。
3.2模型自身精度分析
模型自身精度分析主要利用模拟数据对反演模型进行评价。为了检验LAI 反演的模型精度，通过模拟数据对LAI 反演模型进行了模型精度评价。利用PROSPECT 和SAILH 模型模拟的地表反射率数据反演出不同地物的叶面积指数，再与输入到
PROSPECT 和SAILH 模型中的LAI 进行对比，得到LAI 反演的模型精度。模拟获取了六种植被类型(草地、水稻、向日葵、玉米、马铃薯、阔叶林) 的LAI 反演模型，图5是利用高光谱数据反演LAI 的误差结果图，可以看出，LAI 的反演误差均在7%以内。
4总结
文中利用叶片辐射传输模型(PROSPECT)和冠层辐射传输模型(SAILH)模拟植被冠层反射率，分析了不同条件下LAI 与植被指数的敏感性。发现常用于LAI 反演的归一化差值植被指数(NDVI)受土壤背景因素影响严重，而且当LAI>2时，基本处于饱和状态。此研究建立了具备抗土壤背景影响、对LAI
图5高光谱叶面积指数反演模型精度评估结果
敏感的改进型叶绿素吸收植被指数(MCARI2)与LAI 之间的经验统计模型，并成功用于无人机高光谱数据的LAI 反演。经实测数据验证表面，模型反演结果可以取得比较好的精度。尽管如此，考虑到经验统计方法的局限性，所建立的经验关系是针对特定的时
间和研究区
，
模型不具备普适性。今后对MCARI2的应用范围还需要进一步探讨。
Fig.5Accuracy assessment of the LAI retrieval model
3.3地面测量验证分析
地面同步获取的LAI 以玉米、向日葵和马铃薯这三类自然植被类型为主。利用地面准同步测量的
LAI 验证结果如图6所示。相比地面实测的数据，模型反演值偏低，均方根误差RMSE 为0.42。但反演结
第3期
李子扬等：基于高光谱数据的叶面积指数遥感反演
949
刘晓臣, 范闻捷, 田庆久, 等. 不同叶面积指数反演方法比
参考文献：
[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]
较研究[J].北京大学学报(自然科学版), 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
高光谱遥感原理与方法范文第5篇
【关键词】遥感技术；地质找矿；应用；影响
在当前形势下，矿产资源已成为制约社会经济发展的重要因素，经济的飞速发展对矿产资源的需求也随之增大，但由于矿床深埋于地层之下很难通过普通的找矿手段发现，给找矿工作增加了巨大的难度。利用新的科学找矿技术是适应地质找矿工作的要求，也是满足社会经济发展的需要，遥感技术就是在这种情况下不断发展，并为找矿技术提供必要技术支持。通过遥感技术进行地质找矿工作，能够真实全面地反映地质结构的具体成分信息，在将信息加以分析，能够迅速准确地找到矿床的具置，极大地减少了人工工作量，提高了工作效率。
1 遥感技术概述
遥感技术是产生于上世纪六十年代的一种综合性的探测技术，当前信息技术等高新技术的快速发展，使遥感技术逐渐应用与各个领域中。具体来说，遥感技术即通过对远距离相关目标辐射和反射的可见光、红外线、卫星云图以及电磁波等数据信息加以收集和处理，然后感知成影像资料，是进行探测和识别相关目标事物的一种技术。遥感技术具有综合性强、宏观系统显现、层次丰富以及快速准确和具备动态性等特点，其能够有效提高地质找矿工作效率和经济效益，应用价值极为广泛，逐渐受到各领域的关注和应用。
遥感技术在地质找矿工作中一般以地质绘图为主，准确再现区域地质状况和信息。在地质找矿工作中纳入遥感技术是当前开展的促进地质找矿工作的重要途径和必然要求。遥感技术可以客观真实地反映地质内的分层信息和成分数据，还能够对这些地质信息加以全面的分析和处理，对勘探和发现地质矿床的具置有巨大的作用和意义，实现矿产资源的合理开发。遥感技术在地质找矿工作中的应用和影响主要包括以下几个方面：对地质矿体范围加以细致勘察、将勘察信息呈现出几何形态、矿床的地段分析以及成矿区域的相关地质条件等，通过对这些方面的勘察和分析，能够有效地促进地质找矿工作的进行，提升找矿工作的效率。
2 遥感技术在地质找矿工作中的应用和影响
2.1 利用遥感技术识别地质岩石矿物
岩石是成矿的主要物质基础和条件，成矿需要适当的不同类型岩石组合，利用遥感技术识别地质岩石矿物是勘测成矿区域的重要途径。识别和提取地质岩石矿物的具体信息数据需要利用遥感技术分析地质岩石矿物的光谱特征，采用图像变化、图像增强以及图像分析的方法，对地质岩石矿物加以分析处理，能够最大限度地将不同岩相、不同类型和不同岩性的地质岩石矿物加以区分，勘察最适合和需要的地质岩石矿物。利用遥感技术对地质岩石矿物加以识别对地质填图工作有重要的影响和作用，其识别很大程度上要依靠地质岩石矿物的光谱和空间特征差别，当前在岩石矿物识别工作中应用交为广泛的是高光谱遥感成像技术，具有分辨率高、波段多和数据信息量大的技术特点。通过利用高光谱的窄波段对地质岩石矿物加以识别，能够清晰识别岩石矿物的具体特征，地物光谱的重建和量化提取使区分矿物岩石工作更为容易。
2.2 利用遥感技术提取矿化蚀变数据信息
岩石蚀变信息的提取能够有效提升地质找矿工作的效率，在地质矿床内围岩和矿热液的相互作用会使产生围岩蚀变现象，围岩蚀变的类型取决于围岩自身的内部元素成分和所处矿床的类型，围岩蚀变类型的判定是找矿工作顺利进行的重要依据。围岩蚀变的常见类型有绢云母化、高岭土化、硅化、青磐岩化等，当前对矿化蚀变信息的提取主要采取铁染和羟基进行，矿化蚀变岩石与普通岩石的差异较大，其结构、类型和颜色等都有一定的特殊性，利用遥感技术可使蚀变岩石在特定的光谱波段下显现出异常的光谱，从而即可进行异常信息的提取，目前广泛应用的数据源主大多是数据源与ETM相结合的形式。
2.3 利用遥感技术提取地质构造信息
地质找矿工作中地质构造信息的提取是一项重要的环节，实践证明，矿化蚀变带的分布具有一定的规律可循，一般地质构造明显的位置存在矿化蚀变带的可能性较大，地质构造对成矿的影响较大，成矿的可能性和矿床范围的大小很大程度上取决于地质构造的实际情况，因此，利用遥感技术加强对地质构造信息的提取和勘测，是寻找矿床的重要因素和途径，需对其加以科学利用。在具体地质构造信息勘测和提取过程中，提取地质构造的信息主要可分为环形影像解译和线性影像解译。需要依据不同类型的成矿构造具体环境，对地质构造数据信息加以提取，比如，对矿化、接触带和蚀变相关的地质构造，常常提取其色带、色环和色块等异常数据信息；对一些区域性成矿构造往往提取其线性结构的数据信息；对于火山盆地、热液活动以及中酸入体相关的地质构造需要提取其环形构造数据信息。利用遥感技术提取地质构造信息在成像时可能会出现模糊作用的情况，致使矿区线性形迹各纹理信息变模糊，出现这种情况时，可使用遥感影像中的灰度拉伸、比值分析、边缘增强以及方向滤波等功能对其加以处理即可。通过对线性和环形影像进行全面、系统的整理和分析，有效结合该区域地质、化探和物探等数据资料，即可判断成矿区域的分布位置及具体特点，还可以采用数学地质的方法统计分析已经解译的线性结构，从而准确地判定找矿位置。
2.4 利用遥感技术分析植被波谱特点找矿
地表矿化蚀变岩石成分结构的改变是在微生物或地下水的作用下进行的，这种作用力还能够改变矿化蚀变岩石上的土壤成分，利用遥感技术分析植被波谱的变化特点来寻找矿床，是一种先进的找矿技术，其主要采用的方法和原理为遥感生物地球化学找矿原理。这种方法主要是在类似矿区的区域，长期观察植物的生长状况和变化特点，从而来判定该区域是否存在矿产资源，因为植物在其生长过程中会大量吸收地下土壤和岩石中的矿物元素，致使植物在不同时期的生长也有不同的外部变化，通过利用遥感技术对植物的波谱特征变化加以观察和分析，寻找矿区的具置。在植物吸收的某项矿物元素超标时，就会使植物产生一定程度的度化作用，就有了相应的生物地球化学效应，这种效应会使植物的生态和生理方面发生相应的变异。比如，植物吸收过多的重金属会使其产生褪绿或矮化等变化，能够通过遥感图像清晰观察出其植被红光光谱曲线逐渐向短波方向进行“蓝移”，从而迅速、准确地确定矿床或矿区的地理位置。
3 结束语
当前，遥感技术除了以上在找矿工作的应用和影响，也随着科技的发展不断更新，出现了多光谱遥感蚀变信息提取技术、高光谱遥感技术等新兴的先进技术，为地质找矿工作提供了巨大的技术支持，有效节省了找矿所需的人力、财力和物力需求，提高了地质找矿工作的整体效率。
参考文献：
[1]魏磊，赵鹏海，何晓宁.等.浅谈遥感技术在矿产开发中的应用[J].测绘与空间地理信息，2012（09）.
[2]刘德长，叶发旺，赵英俊.等.地质找矿中遥感信息的综合研究与深化应用―以铀矿为例[J].国土资源遥感，2011（03）.
