高光谱遥感技术

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篇高光谱遥感技术范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

高光谱遥感技术范文第1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

高光谱遥感技术范文第2篇

关键词：马蹄金；营养状况；反射光谱特征；光合色素含量

中图分类号：S 688.4文献标识码：A文章编号：10095500(2014)03006205

基金项目：云南省自然科学基金面上项目（2010CD061），云南省教育厅科学研究基金重点项目（2011Z033）和云南省教育厅科学研究基金项目（2011Y0477）资助

高光谱遥感监测是快速、准确、无损伤探测植物色泽和叶绿素含量的新方法\[1\]。近年高光谱遥感技术被广泛应用于植物氮素营养的定量分析、产量估测以及色素监测等方面。目前，已有研究利用高光谱技术监测植物的叶绿素含量、密度、浓度等信息，进而通过估测叶绿素含量等信息来评价植物的长势、产量和确定最佳施肥量\[2-6\]。也有研究报道利用统计分析的方法分析了植物的氮素营养和叶绿素含量与光谱特征的相关关系，并进一步建立了植物氮素营养和叶绿素含量的高光谱反演模型\[7-12\]。诸多研究表明，应用高光谱遥感技术来监测植物的营养状况确实可行。利用高光谱遥感技术获取植被光合色素信息对于光合能力估测、产量动态观测和精确施肥等有着重要意义。

在草坪色泽、外观质量、水分及营养状况评价方面，张文等\[13,14\]开展了利用高光谱遥感技术评价单播草坪色泽的研究，结果表明，利用高光谱参数评价草坪色泽，操作简单，快捷方便，经过相关参数的计算即可评价草坪色泽，克服了分光光度法等评价草坪色泽手续繁琐，取样不均匀，或因个人喜好而评价精度不高的缺点，适用于大面积的草坪色泽评价，以及草坪草种的外观质量评价。龙光强等\[15\]对干旱胁迫下马蹄金草坪光谱反射特征和叶绿素含量的相关性的研究表明，当马蹄金草坪土壤含水量高于23%，草坪盖度大于30%时，可用可见光某些波段光谱反射率对草坪叶片相对含水量和叶绿素含量进行回归预测。杨峰等\[6\]、钱育荣等\[16\]利用高光谱数据快速估算高羊茅营养状况及光合色素含量的研究，结果表明，利用高光谱特征变量与光合色素含量的相关关系建立的回归模型，为有效、快速、无损伤的探测草坪的营养状况及草坪质量提供了理论支持。许岳飞等\[17\]研究报道，反射光谱技术在园林绿化工程中为快速评价草坪质量提供了新的途径。综上所述，应用高光谱遥感技术来监测黑麦草、高羊茅、草地早熟禾等禾草单播草坪的色泽、外观质量及营养状况确实可行，但高光谱遥感是否能用于马蹄金草坪草等双子叶草本植物营养状况的监测，目前报道较少。以马蹄金为供试材料，研究不同施氮水平马蹄金草坪草光合色素含量和反射光谱特征的变化，分析马蹄金草坪高光谱反射率与光合色素含量的相关性，构建马蹄金草坪草光合色素含量的高光谱监测模型，指导马蹄金草坪的肥料管理，以期促进高光谱遥感技术在草坪营养状况监测中的应用。

1材料和方法

1.1试验设计

试验在云南农业大学草坪基地的温室大棚进行，试验材料为普通马蹄金，土壤为基地采集的酸性红壤，pH 6.7，有机质1.74%，有效氮116.67 mg/kg，速效磷33.11 mg/kg，速效钾65.2 mg/kg。2011年8月将马蹄金播种于口径为22 cm，高20 cm的花盆中，播种量为20 g/m2(折合每盆播量为0.242 g)。正常培养成坪后，于2012年4月8日进行施肥处理，肥料种类为尿素，含N 46.4%，施氮量设计4个水平，即N1 0、N2 4、N3 8、N4 12 g/m2（折合每盆中施氮量为0、0.152、0.304、0.456 g），施肥方法为将肥料溶于100 mL水中进行叶面喷施，每处理10次重复。4月18日施肥10 d后，天气晴朗、无风进行光谱反射率的测定，同步取样测定叶绿素含量。

1.2指标测定

1.2.1光谱反射率（R）的测定

采用美国Ocean公司的HR2000光谱仪（波长200~1 100 nm，分辨率约为1 nm）进行测定，时间为10∶00~13∶00。测定时固定光谱仪探头垂直向下，探头距离草坪10 cm，每处理测量值为10次，平均值作为该处理的光谱反射值。测量时及时进行标准白板校正。

1.2.2光合色素含量的测定

对应观测马蹄金冠层高光谱的叶片，随机剪切叶片0.1 g，按照丙酮∶无水乙醇∶蒸馏水=4.5∶4.5∶1.0的混合液提取叶片色素，测量D663 nm，D646 nm和D470 nm的值，然后计算叶绿素和类胡萝卜素含量\[17\]。

1.3数据分析

用SPSS 13.0进行数据统计分析，用Excel 2003作图。

2结果与分析

2.1施氮水平对马蹄金草坪光合色素含量的影响

与未施氮相比，施氮4，8和12 g/m2后马蹄金草坪的叶绿素及类胡萝卜素含量均显著增加(P

表1不同施氮水平下马蹄金光合色素含量

Table 1Effects of nitrogen levels on photosynthetic pigments contents of Dichondra repens

处理 光合色素含量/mg・g-1

叶绿素a叶绿素b 类胡萝卜素 总叶绿素

N1 1.26±0.04b 0.36±0.02c 0.27±0.002c 1.62±0.06b

N2 1.63±0.02a 0.40±0.03b 0.36±0.03b 2.04±0.02a

N3 1.64±0.11a 0.41±0.04b 0.37±0.03b 2.18±0.14a

N4 1.81±0.02a 0.46±0.27a 0.42±0.004a 2.28±0.05a

注：同列中不同小写字母表示差异显著（P

2.2施氮水平对马蹄金草坪冠层光谱反射率的影响

在绿光510~570 nm时，不同施氮水平马蹄金草坪的冠层光谱反射率差异较大，尤其在绿峰550 nm处反射率差异尤其明显，绿峰处不施氮时马蹄金草坪的冠层反射率最大，达10.74，随着施氮量的增加，绿峰处马蹄金草坪的冠层光谱反射率逐渐降低，当施氮量增加到12 g/m2时，马蹄金草坪的冠层光谱反射率下降为7.59%。

2.3马蹄金草坪光合色素含量与冠层光谱反射率的相关关系

将不同施氮水平下马蹄金草坪光和色素含量与绿波段510~570 nm光谱反射率分别进行相关分析（表2）。结果表明，马蹄金草坪光合色素含量与绿波段草坪冠层光谱反射率呈负相关关系，以570 nm处相关

表2马蹄金草坪光合色素含量与光谱反射率的相关性分析

Table 2Correlation analysis between reflectance and photosynthetic pigments of Dichondra repens

光合色素 光谱反射率/%

510 nm 520 nm 530 nm 540 nm 550 nm 560 nm 570 nm

叶绿素a -0.941 -0.927 -0.888 -0.947 -0.906 -0.961* -0.978*

叶绿素b -0.994** -0.990** -0.962* -0.995** -0.971* -0.994** -0.994**

类胡萝卜素 -0.935 -0.925 -0.895 -0.947 -0.912 -0.963* -0.980*

总叶绿素 -0.871 -0.873 -0.869 -0.903 -0.885 -0.931 -0.952*

注：*为0.05 水平显著相关；**为 0.01 水平极显著相关

图1不同施氮水平马蹄金草坪冠层光谱反射率

Fig.1Effects of nitrogen levels on spectral reflection

rate of canopy

性最高，达显著水平（P

2.4马蹄金草坪光合色素含量的高光谱反演模型

在570 nm处马蹄金草坪光合色素含量与光谱反射率具有较好的线性回归关系，利用光谱反射率的变化来反演光合色素含量的变化可以达到较好的拟合效

图2马蹄金草坪叶绿素a含量与R570 nm之间的相关性

Fig.2Relationship between Chla and R570 nm

of Dichondra repens

图3马蹄金草坪叶绿素b含量与R570 nm之间的相关性

Fig.3Relationship between Chlb and R570 nm

of Dichondra repens

图4马蹄金草坪类胡萝卜素含量与R570 nm之间的相关性

Fig.4Relationship between Cars and R570 nm

of Dichondra repens

图5马蹄金草坪总叶绿素含量与R570 nm之间的相关性

Fig.5Relationship between Chls and R570 nm

of Dichondra repens

果（R2达0.85以上，P

3讨论与结论

（1）植物光合色素含量是植物生长和营养状况的指标器，同时与氮素之间具有较高的相关性\[18\]。试验结果表明，马蹄金草坪光合色素含量和光谱反射率对施氮反映敏感，随着施氮量的增加，马蹄金草坪叶绿素a、叶绿素b、类胡萝卜素和总叶绿素含量增加，叶片颜色变深，进而导致可见光区光谱反射率降低。马蹄金草坪在绿波段510~570 nm的光谱反射率与光和色素含量呈显著负相关关系，以绿波段570 nm处的反射率（R570 nm）与光合色素含量相关性最高，利用R570 nm的变化来反演其光合色素含量的变化可以达到较好的拟合效果（R2达0.85以上，P

（2）草坪是覆盖度较高，低矮、致密、整齐、均一的人工植被，土壤背景、枯叶等因素对其影响较小，研究高光谱遥感技术在草坪上的应用比天然植被、农作物具有更高的精确度\[14\]。但试验所用材料马蹄金为暖季型C3 植物，无论从形态、生长习性上都与其他广泛使用的禾本科草坪草建植的草坪有较大的差别\[19,20\]，所以，对于以禾本科草坪草建植的草坪，其营养状况的高光谱监测模型有待进一步研究。另外，在红外长波范围，马蹄金草坪光谱反射率与光合色素含量间的相关性还待进一步研究。

（3）高光谱技术操作简单、结果可靠，与NTEP法和实测法(分光光度法)等评价草坪颜色的方法相比，可节省人力、物力，避免人为因素的影响，并且可以用在大面积草坪营养状况和外观质量的评价上\[17\]。此次试验结果为利用高光谱遥感技术快速的、有效的、无损伤的探测马蹄金草坪的营养状况提供了理论支持和数据储备。

参考文献:

\[1\]张文，张建利，陈功.叶面施肥对草坪高光谱反射率及色泽的影响\[J\].草业学报，2009,18（2）:115-121.

\[2\]Tremblay N． Integrated narrowband vegetation indices for prediction of crop Chlorophyll Content for application to precision agriculture\[J\]．Remote Sensing of Environment,2002(81):416-426．

\[3\]王秀珍，黄敬峰，李云梅．水稻叶面积指数的多光谱遥感估算模型研究\[J\]．遥感技术与应用，2003，18（2）：57-65．

\[4\]王秀珍，黄敬峰，李云梅．水稻地上鲜生物量的高光谱遥感估算模型研究\[J\]．作物学报，2003，29（6）：815-821．

\[5\]李云梅，倪绍祥，王秀珍．线性回归模型估算水稻叶片叶绿素含量的适宜性分析\[J\]．遥感学报，2003，9（5）：364-371．

\[6\]杨峰，钱育蓉，李建龙．利用高光谱技术无损伤探测高羊茅草坪草营养状况研究\[J\]．中国草地学报，2009，31（1）：86-91．

\[7\]Tarpley L,Raja Reddy K,Gretchen F． Reflectance indices with precision and aecuracy in predicting cotton leaf nitrogen\[J\]．Crop Science,2000,40:1814-1819．

\[8\]方慧，宋海燕，曹芳．油菜叶片的光谱特征与叶绿素含量之间的关系研究\[J\]．光谱学与光谱分析，2007，27（9）：1731-1734．

\[9\]郭曼，常庆瑞，曹晓瑞．不同氮营养水平与夏玉米光谱特性关系初报\[J\]．西北农林科技大学学报，2008，36(11):123-129．

\[10\]杨红丽，陈功，吴建付．氮肥水平对多花黑麦草叶绿素及高光谱反射特征的影响\[J\].云南农业大学学报，2009，24（4）：534-538．

\[11\]张俊华，张佳宝．夏玉米光谱特征对其不同色素含量的响应差异\[J\]．西北农业学报，2010，19（4）：70-76．

\[12\]王磊，白由路，卢艳丽．不同形式的光谱参量对春玉米氮素营养诊断的比较\[J\]．农业工程学报，2010，26（2）：218-223．

\[13\]张文，陈功，龙光强,等.利用高光谱参数评价单播草坪色泽的研究\[J\]．草原与草坪，2007（5）：6-10.

\[14\]张文，张建利，陈功.以高光谱植被指数研究草坪色泽\[J\]．草地学报，2008，16（5）：530-535.

\[15\]龙光强，陈功，郭滨，等.干旱胁迫下马蹄金草坪反射光谱研究\[J\]．云南农业大学学报，2008，23（4）：468-473.

\[16\]钱育蓉，杨峰，李建龙等.利用高光谱数据快速估算高羊茅牧草光合色素的研究\[J\]．草业学报，2009，18（4）：94-102.

\[17\]许岳飞，金晶炜，孙小玲，等.基于反射光谱技术评价草坪质量模型的研究\[J\]．草业学报，2009，18（4）：256-259.

\[18\]Yoder B J，PettigrewCroshy R E．Predicting nitrogen and chlorophyll content and concentrations from reflectance pectra (400~2500 nm) at leaf and canopy scales\[J\]．Remote Sensing of Environment，1995，53(3)：199-211.

\[19\]初晓辉，岳信龙，陈功，等.水分胁迫下4种冷季型草坪草抗旱性比较研究\[J\].草原与草坪，2012，32（4）：15-19.

\[20\]单贵莲，罗富成，黄多多，等.马蹄金草坪杂草发生特点及防除方法研究\[J\].草原与草坪，2012，32（2）：45-49.

Effects of nitrogen levels on reflection spectrum

and photosynthetic pigment content

of Dichondra repens

CHU Xiaohui1,CHEN Gong1,ZHANG Yin2,REN Jian1,JIANG Hua1,

CHEN Xingtao1,SHAN Guilian1

（1.Department Pratacultural Science,Yunnan Agricultural University,Kunming 650201,China； 2.Yunnan

Lvsheng Landscape Limited Company,Kunming 650501,China）

高光谱遥感技术范文第3篇

[关键词]地质勘探 遥感技术 发展前景

[中图分类号] TP7 [文献码] B [文章编号] 1000-405X（2015）-9-265-1

遥感技术的出现在很大程度上提高了人类原本及其狭小的视野范围和视觉能力，带给了人类宏观、多角度、多层次看待地理事物的机会，遥感技术发展到当今社会，已经成为人们必不可少的一个地质勘查技术手段，对人类的地质调查、矿产查询都起着十分重要的作用。

1地质勘探中遥感技术的应用范围

1.1对于地质构造信息的获取

利用遥感技术进行相关的地质勘探工作最为主要的一个标志就是反映在相关的空间信息上。从地理环境所处的区域成矿线状影像图上就可以提取到许多十分重要的信息，包括酸性、碱性的岩体，火山形成的盆地，火山的构造以及热液活动等一系列的地理环境都可以为遥感系统提供许多重要的内容。当断裂是一个较为主要的控矿构造的时候，对于断裂地区的构造遥感信息的重点提取可以收获常规手段收获不到的内容。遥感技术在地质勘探中的成像过程中还有可能会产生“模糊作用”，常使用户感兴趣的线性型际，纹理等重要信息显得模糊不清，难以令相关的工作人员进行辨识工作，从而给遥感技术的进一步扩大使用留下了隐患。

1.2基于植被波谱的找矿意义

从生物的角度来说，在地下微生物和低下暗河的参与下，矿区内部的很多金属元素或者是金属矿物质都会引发矿区上层地质结构的构造变化，从而导致矿区上层地表覆盖土壤成分的变化。而在矿区上层地表覆盖有土壤的地方，往往生长着许多的植被，而这些植物对于金属元素都能够产生不同程度的吸收和聚集作用，进而影响到绿叶体内的叶绿素的含量，从而使得遥感卫星所观察到的植被波谱出现异常。在矿区上方生长的这些植物的变化在没有遥感技术之前，是很难被地质勘探的工作人员总结出来的，而遥感技术的出现在很大程度上帮助地质勘探工作有了一个更好的手段发现矿区构造。

1.3矿产改造信息的标志性

当矿区的主题矿床形成之后，受到矿床所在地区地理环境、地理空间位置变化的影响，往往会导致矿床的某些性状发生一个根本性的变化，从而导致地质勘查人员的工作难度增大。而通过遥感技术获取到的宏观遥感技术图像的对比，就可以十分轻易的研究出矿床的剥蚀改造作用，进而结合矿床进行成矿深度的详细研究。通过深入的研究区域内平面构造关系图和矿床位置的关系，就可以找到不同矿床在不同的区域构造图中的变化规律，进而建立一个较为完善的地质勘探标志体系，从而有利于后续开发工作的进展。

2地质勘探过程中遥感技术的发展前景

2.1高光谱数据及遥感微波的运用

高光谱技术是指集探测器技术、精密光学仪器、微弱信号检测、计算机技术等多种高精技术于一体的综合性技术，对于地质勘探工作效率的提升有着十分显著的作用。基于高光谱技术的遥感微波可以以纳米级的光谱分辨率，在完成的生成图像的同时记录下多达上百条的光谱数据通道。而从每个成像单元上提取出的光谱数据则可以建立一条连续的光谱曲线，从而进一步的实现了地理物理空间信息、辐射数据信息和光谱成像信息之间的同步，因此这种基于高光谱技术的遥感微波有着十分光明的应用前途和发展前景，我们应该充分的关注这种技术的发展，并不断的与自身的实际情况相结合，将其应用到自身的实际工作当中，为地质勘查工作做出应有的贡献。

2.2数据的融合

随着在地质勘探过程中遥感技术的不断发展，尤其是微波、多光谱等各种新型的传感器材的不断问世，他们开始以各种不同的空间尺度和时间周期以及光谱范围等多个方面反映出目标物品的各种特性，构成了同一地区的多源头数据链。但是相对于单源头的数据来说，这种多数据源头的数据形式可以在多个方面形成一个较为鲜明的对比，从而帮助地质勘探人员更好的完成相关地质勘探数据汇总工作，从而极大程度上提高了工作的准确性和效率。基于这方面的数据融合主要包括来自遥感卫星上个数据的融合处理，遥感数据和非遥感系统产生的数据融合处理。尽管在遥感技术中数据的融合取得了许多令人可喜可贺的进展，但是相对来说并不十分成熟的算法公式令数据的融合仍然存在着许多的问题。因此，在以后的工作中仍然需要地质勘探的相关工作人员不断的进行相关的补充和完善。

2.3图像接受、处理及信息提取技术的发展和完善

除了以上几个方面之外，遥感技术另外一个十分值得重视的发展方面就是要不断的提升遥感图像的接收成像能力、以及对于遥感系统所产生信息的提取和处理能力。而要想做好这个方面的遥感系统开发工作，则应该从以下方面入手，首先应该进一步发展具有高分辨率的传感器，以便能够接收更加微弱、更加细小的地质信息信号。其次，加强信息的提取方法还包括应该解决计算机处理的技术问题，如补偿信号在传递过程中的丢失以及失真，图像的不清晰成像等。这些问题都是十分值得重视的方面。另外，加强对于后备人才梯队的培养也是一个十分重要的方面，只有不断的提升地质勘探人员的技能素养，才能够满足相关技术的发展需求。

3结语

综上所述，在地质勘探的工作当中，遥感技术为其效率的提高和工作范围的扩大提供了强有力的支持并获得了极大的成功。遥感技术的直接应用是遥感信息的提取，遥感技术的间接应用范围更加广泛，包括对于地质构造信息的获取、基于植被波谱的寻矿等。因此，地质勘探行业的从业人员一定要从实际出发，不断的加强对于遥感技术的学习，以满足日益发展的地质勘探行业的要求。

参考文献

[1]党永峰.遥感技术在森林资源连续清查中的应用---以利用遥感技术分析森林植被、地类的动态变化为例[J].林业资源管理，2004，（06）：94-95.

高光谱遥感技术范文第4篇

【关键词】遥感技术；水质监测；污染水体；光谱

1水体遥感监测的基本理论

水质参数的遥感监测过程。首先，根据水质参数选择遥感数据，并获得同期内的地面监测的水质分析数据。现今广泛使用的遥感图象波段较宽，所反映的往往是综合信息，加之太阳光、大气等因素的影响，遥感信息表现的不甚明显，要对遥感数据进行一系列校正和转换将原始数字图像格式转换为辐射值或反射率值。然后根据经验选择不同波段或波段组合的数据与同步观测的地面数据进行统计分析，再经检验得到最后满意的模型方程。

2水质遥感监测常用的遥感数据

2.1多光谱遥感数据。在水质遥感监测中常用的多光谱遥感数据，包括美国Landsat卫星的MSS、TM、ETM+数据，法国SPOT卫星的HRV数据，气象卫星NOAA的AVHRR数据，印度遥感IRS系统的LISS数据，日本JERS卫星的OPS（光学传感器）接收的多光谱图像数据，中巴地球资源1号卫星（CBERS--1）CCD相机数据等。

Landsat数据是目前应用较广的数据。1972年Landsat1发射后，MSS数据便开始被用于水质研究中。如解亚龙等用MSS数据对滇池悬浮物污染丰度进行了研究，明确了遥感数据与悬浮物浓度的关系；张海林等用MSS和TM数据建立了内陆水体的水质模型；Anne等人用TM和ETM+数据对芬兰的海岸水体进行了研究。

2.2高光谱遥感数据

2.2.1成像光谱仪数据。成像光谱仪也称高光谱成像仪，实质上是将二维图像和地物光谱测量结合起来的图谱合一的遥感技术，其光谱分辨率高达纳米数量级。国内外的学者主要利用的有：美国的AVIRIS数据、加拿大的CASI数据、芬兰的AISA数据、中国的PHI数据以及OMIS数据、SEAWIFS数据等进行了水体水质遥感研究，对一些水质参数，如叶绿素浓度、悬浮物浓度、溶解性有机物作了估测。

2.2.2非成像光谱仪数据。非成像光谱仪主要指各种野外工作时用的地面光谱测量仪，地物的光谱反射率不以影像的形式记录，而以图形等非影像形式记录。常见的有ASD野外光谱仪、便携式超光谱仪等。如对我国太湖进行水质监测时，水面光谱测量就用了GRE-1500便携式超光谱仪，光谱的响应范围0.30～1.1um，共512个测量通道，主要将其中0.35～0.90um的316个通道的数据用于水质光谱分析。并且非成像光谱仪与星载高光谱数据的结合，可望研究出具有一定适用性的水质参数反演模型。

2.3新型卫星遥感数据。新的卫星陆续升空为水质遥感监测提供了更高空间、时间和光谱分辨率的遥感数据。如美国的Landsat ETM+、EO--1ALI、MODIS，欧空局的Envlsat MERIS等多光谱数据和美国的EO-1Hyperion高光谱数据。Koponen用AISA数据模拟MERIS数据对芬兰南部的湖泊水质进行分类，结果表明分类精度和利用AISA数据几乎相同；Hanna等利用AISA数据模拟MODIS和MERIS数据来研究这两种数据在水质监测中的可用性时发现；MERIS以705nm为中心的波段9很适合用来估算叶绿素a的浓度，但是利用模拟的MODIS数据得到的算法精度并不高。Sabine等把CASI数据和HyMap数据结合，对德国梅克莱堡州湖区水质进行了监测，为营养参数和叶绿素浓度的定量化建立了算法。

3水质遥感存在的问题与发展趋势

3.1存在的问题：①多数限定于定性研究，或进行已有的航空和卫星遥感数据分析，却很少进行定量分析。②监测精度不高，各种算法以经验、半经验方法为主。③算法具有局部性、地方性和季节性，适用性、可移植性差。④监测的水质参数少，主要集中在悬浮沉积物、叶绿素和透明度、浑浊度等参数。⑤遥感水质监测的波段范围小，多集中于可见光和近红外波段范围，而且光谱分辨率大小不等，尤其是缺乏微波波段表面水质的研究。

3.2发展趋势

3.2.1建立遥感监测技术体系。研究利用新型遥感数据进行水质定量监测的关键技术与方法，形成一个标准化的水安全定量遥感监测技术体系，针对不同类型的内陆水体，建立多种水质参数反演算法，实现实验遥感和定量遥感的跨跃，从中获得原始创新性的成果。

3.2.2加强水质遥感基础研究。加深对遥感机理的认识，特别是水质对表层水体的光学和热量特征的影响机理上，以进一步发展基于物理的模型，把水质参数更好的和遥感器获得的光学测量值联系起来；加深目视解译和数字图象处理的研究，提高遥感影象的解译精度；增强高光谱遥感的研究，完善航空成像光谱仪数据处理技术。

3.2.3开展微波波段对水质的遥感监测。常规水质遥感监测波段范围多数选择在可见光或近红外，尤其是缺乏微波波段表面水质的研究情况。将微波波段与可见光或近红外复合可提高对表面水质参数的反演能力。

3.2.4拓宽遥感水质监测项。现阶段水质遥感局限于某些特定的水质参数，叶绿素、悬浮物及与之相关的水体透明度、浑浊度等参数，对可溶性有机物、COD等参数光谱特征和定量遥感监测研究较少，拓宽遥感监测项是今后的发展趋势之一。应加强其他水质参数的光谱特征研究，以扩大水质参数的定量监测种类，进一步建立不同水质参数的光谱特征数据库。

3.2.5综合利用“3S”技术。利用遥感技术视域广，信息更新快的特点，实时、快速地提取大面积流域及其周边地区的水环境信息及各种变化参数；GPS为所获取的空间目标及属性信息提供实时、快速的空间定位，实现空间与地面实测数据的对应关系；GIS完成庞大的水资源环境信息存储、管理和分析。将“3S”技术在水质遥感监测中综合应用，建立水质遥感监测和评价系统，实现水环境质量信息的准确、动态快速，推动国家水安全预警系统建设。

参考文献：

[1]刘红；张清海；林绍霞；赵璐h；林昌虎.遥感技术在水环境和大气环境监测中的应用研究进展 [J].贵州农业科学，2013，（1）.

高光谱遥感技术范文第5篇

关键词：遥感地址勘查技术；具体应用；研究

0前言

随着信息时代的到来，地质勘查与地质研究技术不断革新，如何利用遥感技术进行地质勘查，受到了越来越多学者的关注。较之其他范畴的地质勘查技术，遥感地质勘查技术具有其独特性，它利用影像直观地分析某区域的地质特性，搜集多元化的地质数据；然而遥感地质勘查技术也具有着一定的局限性，其地质状况分析过程必须经过实验室化验，获取手段较为复杂。因此，对遥感地质勘查技术的研究具有一定的现实意义，在应用过程中应注意扬长避短，发挥其最大效益。

1遥感地质勘查技术概述

1.1遥感地质勘查技术的概念

所谓遥感地质勘查技术，主要是利用飞机与卫星等遥感器等对检测地标的地质数据进行电磁、光谱的扫描与识别，从而深入地分析检测地标的地质特性，从而摸清地质信息与地质特征，为地质勘探工作提供更好的理论与数据依据，以便地质勘探与研究的顺利进行。较之传统的地质勘查技术相比，遥感地质勘查技术凭借其多层次、综合性及宏观性的特点，大大提升了地质勘查检测结果的精准性，具有技术先进、检测结果准确等优势，在现代地质勘查工作中占据着越来越重要的地位[1]。

1.2遥感地质勘查技术的特点

第一，遥感地质勘查技术具有一定的科学性。遥感技术的利用，为地质勘查工作数据采集提供了科学的理论依据。我国的遥感地质勘查技术应用例如卫星、飞机等高端遥感器对检测地标的具体地质状况进行科学的计算与检测，电磁技术、光谱技术同现代化计算机技术与现代化航拍器械的结合，使地质扫描工作更具科学性，为地质勘查与地质研究工作提供了科学的勘查数据与地质资料。第二，遥感地质勘查技术具有较强的精确性。随着矿产需求量不断增大，我国地质勘查工作不断细化，对地质勘查技术的精细化要求也越来越高。遥感地质勘查技术利用电磁技术与光谱技术对地质状况进行扫描与分析，满足了地质勘查工作的精细化需求。

2遥感地质勘查技术的具体应用

2.1对于地质构造信息的获取

在一般情况下，内生矿通常处于地质构造的异常部位与边缘部位，矿产资源主要分布在板块构造不同体的结合部位，这些地质信息都可以利用遥感地质勘查技术进行检测，在遥感器航拍的空间信息可以清楚地检测到板块构造边界地带的矿床。在利用遥感技术提取地质标志信息时，一般选择与检测区域具有成矿几率的线状、带状影像，同时在获取地质构造信息的过程中，对断裂与推覆体这一主要控矿构造模块的信息进行集中处理。在利用电磁与光谱技术扫描地质信息的过程中，由于外部因素与内部因素多方面的影响，图像成像的部分地质纹理信息与地质线性形迹难以清晰显示[2]。对地质构造信息的“模糊作用”可以合理利用专家目视解译或人机交互等科学方法对图像进行处理，利用科学的计算机图像恢复技术或目视比值分析等有效措施，突出重点地质构造信息。在地质构造信息提取的过程中，遥感地质勘查技术可以利用地表岩性特征、地质地貌特征等数据对地质构造隐性信息加以提取。

2.2利用岩矿光谱技术进行识别

岩矿光谱技术是遥感地质勘查技术的理论基础，适用于多光谱技术与高光谱技术，通过对多光谱蚀变信息的提取，对地质进行岩性识别与高光谱矿物识别。由于多光谱技术的光谱分辨率较低，导致岩矿的光谱特征表现力较弱，因此岩矿光谱技术主要基于图像线性信息与图像灰度特征，对岩矿的反射率差异进行分析。高光谱技术可以获取连续光谱信息，直观地识别地质类型，这是区别于多光谱技术的主要特征。岩矿光谱技术可以利用多光谱技术与高光谱技术有效地识别岩矿类型，识别与成矿作用有直接关系的矿物蚀变信息，对蚀变强度进行定量，为地质勘探工作提供技术支持。

2.3利用植被波谱特征进行找矿

矿产资源受到地下水微生物等外部因素的影响，可能使蕴藏的金属资源或矿产资源产生化学反应，使地表层产生一定程度上的结构变化，影响土壤层的成分组成[3]。地表植物对矿产资源存在着不同程度的聚集度与吸收度，使得地表植被的繁盛光谱特征产生不同的差异。基于这一特征，遥感地质勘查技术可以根据提取到的植被光谱异常信息进行分析，将植被光谱的异常色调进行有效的分离与提取，根据异常植被光谱对该地区是否存在矿产进行合理判定，提高矿靶区勘查工作的准确性，指导相关地质勘查工作的开展。针对植被对金属含量呈现的差异性，相关部门可以在既定矿区详细地收集植被样品的光谱特征，通过图像处理技术重点分析较为特殊的植被光谱，在光谱分析过程中，明确波谱测试技术灵敏度的有限性，对植被微弱的金属含量信息进行深入的分析，结合当地地质地貌实际情况科学地判定当时是否存在矿产资源。

3结论

随着我国国民经济的快速发展，国家对于矿产资源的需求量就越来越大，利用有效的矿产勘查技术显得尤为重要。遥感地质勘查技术一方面较之传统的勘查技术确实更具效率与精确性，可以根据实际地质情况进行有效的监测与评价，具有一定的先进性；另一方面随着矿产资源需求量的增大，遥感技术的发展面临着更为严峻的挑战。因此在应用遥感地质勘查技术的过程中，应不断对遥感技术进行完善与创新，实现对矿产资源的有效监控。

作者:缪杰 李凤 马娟 张辉 单位:1. 莒县陵阳地震台 2. 河北省地震局石家庄中心台 3. 昌邑地震台

参考文献：