hyperion高光谱_hyperion高光谱卫星

hyperion高光谱_hyperion高光谱卫星 _hyperion高光谱卫星

       希望我能够为您提供一些与hyperion高光谱相关的信息和建议。如果您有任何疑问或需要更深入的解释，请告诉我。

1.高光谱遥感和多光谱遥感有什么区别？

2.高光谱矿物信息提取

3.遥感信息提取方法

4.矿物识别方法和工作流程

5.高光谱遥感的原由

高光谱遥感和多光谱遥感有什么区别？

       高光谱遥感和多光谱遥感的区别如下：

       1、高光谱的波段较多，普带较窄。（Hyperion有233~309个波段，MODIS有36个波段）

       2、多光谱相对波段较少。如ETM+，8个波段，分为红波段，绿波段，蓝波段，可见光，热红外，近红外和全色波段。

       3、高光谱遥感就是多比多光谱遥感的光谱分辨率更高，但光谱分辨率高的同时空间分辨率会降低。

       

扩展资料：

       高光谱遥感具有不同于传统遥感的新特点与优点

       新特点：

       1、波段多，可以为每个像元提供十几、数百甚至上千个波段。

       2、光谱范围窄：波段范围一般小于10nm。

       3、波段连续：有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱。

       4、数据量大：随着波段数的增加，数据量呈指数增加。

       5、信息冗余增加：由于相邻波段高度相关，冗余信息也相对增加。

       优点：

       1、有利于利用光谱特征分析来研究地物。

       2、有利于采用各种光谱匹配模型。

       3、有利于地物的精细分类与识别。

高光谱矿物信息提取

       一，我国遥感（测绘）卫星以及地面站建设总体情况

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

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

       1、近期卫星发射情况

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

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

遥感信息提取方法

       8.6.1 方法与流程

       8.6.1.1 产品生成业务化流程

       常用的高光谱矿物填图标准方法：先运用最大噪声分离（MNF）变换对反射率数据进行波谱降维，用像元纯度指数（PPI）分析进行空间降维，然后用N维可视化方法来确定图像端元，进行端元识别，确定矿物波谱，最后用合适的方法进行矿物填图，并对结果进行优化操作。矿物填图流程图如图8.40所示。

       1）数据降维。利用MNF变换进行光谱数据减维，分离数据中的噪声，减小运算量。观察最终特征值和MNF图像，确定数据的固有维数，选择合适的MNF波段进行PPI指数计算。

       2）计算图像的PPI指数。计算MNF图像的PPI指数，最终产生PPI图像，图像中像元的DN值代表像元被记录为极值的次数，从直方图中选择阈值，仅选择最纯的像元以保证被分析的像元数最小，这些像元被输入到分离特定光谱端元的交互式可视化算法中。

       3）N维可视化进一步提纯纯净像元。在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。通过选择n维散点图的顶点和拐角，进一步提纯纯净像元。将最终确定的端元输入到图像中的感兴趣区（ROI），从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。

       图8.40 常见高光谱矿物填图流程

       4）建立真实波谱库。将采集端元的波谱曲线输出，经过波谱分析（用波谱特征拟合算法与USGS标准波谱库进行匹配识别）得到的波谱曲线图，确定端元矿物并建立该矿物的真实波谱库。

       5）选择合适的填图方法，辅以自行建立的真实波谱库，提取出各类矿物。并对提取结果做最小图斑去除、类合并等操作，优化矿物提取结果。

       8.6.1.2 矿物信息提取的高光谱数据预处理

       先将成像高光谱数据进行辐射定标、大气校正等过程得到光谱反射率数据。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射定标和光谱重建是地物识别和定量分析不可缺少的环节。只有经过辐射标定、辐射校正和大气校正，剔除由于大气散射、吸收、地形起伏及传感器本身不稳定带来的各种失真，将记录的图像值转换为地面的反照率值，重建像元地面光谱，才能根据光谱特征，有效地识别地物，反演地物成分。

       8.6.1.3 典型矿物光谱吸收特征分析

       首先打开波谱数据库系统图8.41调出所研究的典型矿物的光谱进行分析。

       根据主要谱带的位置将矿物划分为含Fe2＋矿物、Fe3＋矿物、Mn2＋矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等大类。

       Al-OH：诊断谱带一般位于2165～2215 nm附近；

       Mg-OH：诊断谱带一般位于2315～2335 nm附近；

        ：诊断谱带一般位于2335～2386nm区间；

       Fe2＋：诊断谱带一般位于1000～1100nm附近；

       图8.41 波谱库系统主界面

       Fe3＋：诊断谱带一般位于600～900nm附近；

       Mn2＋：诊断谱带一般位于450～600nm附近。

       以主吸收谱带和次要吸收谱带的组合特征，并考虑到吸收谱带在不同岩石中的变异，识别矿物族。如对Al-OH键矿物可分为明矾石族、蒙脱石族、白云母族、高岭石族；含Mg-OH矿物可分为绿泥石族、黑云母族、绿帘石族、蛇纹石族、滑石-透闪石族等；碳酸盐矿物包括方解石族、白云石族等。

       1）对于Al-OH键矿物：

       明矾石族：两个吸收特征分别位于2175nm（2165～2175nm，± 10nm）和2325nm。

       蒙脱石族：位于2215nm（2205～2215 nm，± 10nm）的主要吸收特征伴随有一个2440nm的次级吸收。

       白云母-伊利石族：位于2205nm（2195～2215 nm，± 20nm）的主要特征吸收伴随有三个次级吸收峰，分别位于2355nm，2440nm和2115nm。

       高岭石族：2200nm附近的OH-谱带，在该谱带左翼存在次一级的谱带（2160nm）。

       图8.42为典型Al-OH键矿物波谱特征图。

       图8.42 几种典型Al-OH键矿物波谱特征图

       2）对于碳酸盐矿物：

       方解石族：位于2330 nm～2340 nm的主要谱带。

       菱铁矿族：同时具有Fe2＋在1000nm与 在2300nm附近的特征谱带。

       图8.43为典型碳酸盐矿物波谱特征图。

       图8.43 几种典型碳酸盐矿物波谱特征图

       3）对于Mg-OH键矿物：

       绿泥石族：位于2330 nm主要吸收特征伴随有一个2386 nm及2224 nm两个次级吸收。

       绿帘石族：位于2330 nm主要吸收特征伴随有一个2225～2226 nm的次级吸收。

       蛇纹石族：位于2320 nm附近主要吸收特征伴随有2110 nm为中心的较宽的弱谱带。

       滑石-透闪石族：位于2290～2310 nm附近的较宽的双峰谱带和2385 nm附近的次级吸收。

       图8.44为典型Mg-OH键矿物波谱特征图。

       图8.44 几种典型Mg-OH键矿物波谱特征图

       8.6.1.4 矿物识别技术

       目前，基于成像光谱数据的矿物识别的方法主要有：基于光谱波形参数、基于光谱相似性测度、基于混合光谱模型、基于地质统计规律、基于光谱知识的智能识别等。

       （1）光谱波形参数提取与蚀变识别的技术方法

       岩石矿物单个诊断性吸收特征峰可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（W）、吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作完整地表征（陈述彭等，1998）。根据端元矿物的单个诊断性吸收波形，从成像光谱数据中提取并增强这些参数信息，可直接用于识别岩矿类型。如HSI编码与吸收波段图（Kruse，1988）是利用连续统去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像及波段半极值宽度（FWHM）图像，并分别赋予HSI空间的明度（H）、强度（I）和饱和度（S），然后逆变换到RGB色度空间。代表性的方法还有光谱特征拟合（SFF）等。

       光谱特征拟合（SFF，Spectral feature fitting）：光谱特征拟合是一种基于光谱吸收特征的方法，使用最小二乘法技术将图像中每一个像元的光谱曲线与所选择的参考光谱曲线的吸收特征进行拟合。是选择包含目标矿物特定吸收谱带的光谱区间，利用最小二乘拟合方法，比较像元光谱与目标光谱吸收特征的整体形态和吸收深度。该方法对噪音和地形有较好地抑制作用。

       （2）基于相似性测度的识别技术方法

       成像光谱最大的优势在于利用有限细分的光谱波段，去再现像元对应物的光谱曲线。这样，利用整个光谱曲线进行矿物匹配识别，可以在一定程度上改善单个波形的不确定性影响（如光谱漂移、变异等），提高识别的精度（甘甫平等，2000）。基于整个波形的识别技术方法是在参考光谱与像元光谱组成的二维空间中，合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度。这类方法主要有光谱角制图（SAM）技术、光谱二值编码（Binary encoding）技术等。

       （3）基于光谱知识模型识别的技术方法

       基于光谱知识模型识别的技术方法是建立在一定的光学、光谱学、岩矿结晶学和数学理论之上的信号处理技术方法。它不仅能够克服利用单一谱形识别所存在的缺陷，而且从地物光谱学原理入手、从本质上理解认识岩矿光谱的物理机制与物理过程，建立光谱数学物理模型，识别并定量提取岩矿信息。这在一定程度上能精确地量化地表物质的组成及深入地描述地物组成的物理特性，以进一步探测地物所蕴藏的成生环境本质。例如，建立在Hpake（1981）光谱双向反射理论基础之上的线性混合光谱分解模型（SMA/SUM），可以根据不同地物或者不同像元光谱反射率响应的差异，构造光谱线性分解模型，从而识别地物，量化地物成分，挖掘地物成生环境信息。

       （4）基于地质统计特征的分类识别方法

       该类方法是基于地物在图像上的统计分布规律，建立地质模型进行图像分类识别。比较典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），几何光学模型（Geomertic-optical Model），随机几何模型（Stochastic Geometric Model）及非参数地质统计模型（Non-paramertic GeostatisticTechnique）。

       （5）基于光谱知识的智能识别方法

       传统的及上述的成像光谱识别方法利弊共存。对于高维与超大容量的成像光谱数据及大量的实验室光谱研究结果等迫切要求新的高效的遥感定量分析技术。因此，专家系统、人工神经网络、模糊识别等基于光谱知识的智能识别应运而生。神经网络技术是应用最广泛的识别技术（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立一个试验性专家系统；Kruse等（1993）建立了基于知识的成像光谱矿物自动匹配制图系统。以Dempster-Shafer证据理论为基础格架的证据推理方法也得到了一定程度的应用。基于光谱知识的智能识别技术方法与系统将是成像光谱遥感地物信息识别、提取与量化及实用化的最佳选择与发展方向，极具潜力。

       8.6.2 结果与分析

       8.6.2.1 蛇纹石矿物的填图及效果分析

       对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.45所示。

       图8.45 蛇纹石波谱匹配图

       图8.46 五种填图方法结果对比

       用前文简述的常用五种方法提取蛇纹石的具体位置，并进行对比分析，填图结果如图8.46所示。

       用SAM矿物填图方法，可以快速提取端元采集出的所有地物，并用彩色分类影像来显示，使人们很直观地看出该矿物的分布范围。

       光谱特征拟合将为每个参照波谱输出一幅比例图像和 RMS 图像或一幅合成的“拟合”图像（Scale/RMS）。较高的拟合值表明该像元与参照波谱匹配较好。但是波谱特征拟合效果并不是很好，因为如果输入了错误的参照端元或使用了错误的波长范围，也会出现一个远远大于1的比例值。

       MTMF（混合调制匹配滤波）结果将以一系列灰阶图像的形式出现，两幅图像对应一个被选波谱。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。不可行性（Infeasibility）值以sigma噪声为单位，显示了匹配滤波结果的可行性。用于准确制图的像元有一个大于背景分布值的较高的匹配滤波值和一个较低的不可行性值。对得出的浮点图进行密度分割等操作，也能很好的得出蛇纹石的分布范围。

       MF（匹配滤波结果）将以一系列灰阶图像的形式出现，每幅图像对应一个选择的端元。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。对MF的结果图做密度分割等操作，也可明显地看出蛇纹石的分布范围。

       线性光谱分解的结果将以一系列灰阶图像的形式出现，每幅灰阶图像加上一个RMS误差图像对应于一个端元。经过发现，此方法的提取效果并不是很好，噪声较多。因此在实际应用中，并不建议使用此方法。

       通过以上对比分析，发现SAM，MTMF，MF三种方法在本地区都比较适合蛇纹石这种矿物的填图，只是MTMF，MF两种方法还需对结果图进行密度分割处理，稍显繁复，但填图效果良好。

       8.6.2.2 白云母矿物的填图及效果分析

       对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库（图8.47）。因为随着白云母中Al含量的减少，Al-OH的谱带位置逐渐向长波方向移动，所以可以分辨出贫铝白云母和富铝白云母的波谱曲线。

       图8.47 白云母波谱匹配图

       用上述五种方法提取蛇纹石的具体位置，填图结果如图8.48所示。

       经过以上五种填图方法的对比分析发现，SAM填图方法效果最佳，不仅明确填出白云母矿物的范围，而且避免了误差引起的填图错误。此外，对光谱特征拟合后的结果图做密度分割等操作，所提取的矿物范围也较好。因此，两种方法均适合进行白云母的矿物填图。

       8.6.2.3 绿帘石矿物的填图及效果分析

       对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.49所示。

       用上述五种方法提取蛇纹石的具体位置，填图结果如图8.50所示。

       经过以上五种填图方法的对比分析，发现SAM填图方法效果最好。但光谱特征拟合、MTMF和MF三种方法对绿帘石也有较好的显示，对他们的结果图做密度分割等操作，也能较好的提取出蛇纹石的范围，因此，以上四种方法都适合蛇纹石矿物的提取填图。

       图8.48 五种填图方法结果对比

       图8.49 绿帘石波谱匹配图

       8.6.2.4 绿泥石矿物的填图及效果分析

       选取HyMap数据，选取USGS标准波谱库中绿泥石的光谱曲线作为参考光谱。利用上面的方法提取绿泥石的具体位置，填图结果如图8.51所示。

       8.6.2.5 多种矿物填图情况

       （1）HyMap数据1情况分析

       依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。

       SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如下（图8.52 ，图5.3）。

       Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比（图8.54 ，图8.55）。实验发现富铝白云母（黄颜色图例）在阈值设置为0.97和0.96时，分类效果变化非常大，由于软件对该阈值的设定只支持小数点后2位，所以不能进一步的精确，对比分析两种阈值的分类效果，得出二进制编码方法对富铝白云母的提取效果不是很好。

       Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.56和图8.57所示。

       Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如下（图8.58至图8.60）。

       （2）HyMap数据2情况分析

       依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。

       SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.61所示。

       最小距离填图：最小距离填图的参数设置及填图效果差异如图8.62和图8.63所示。

       （3）模拟数据情况分析

       依据地面区域地质资料，在模拟的反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。

       图8.50 五种填图方法结果对比

       图8.51 三种填图方法结果对比

       图8.52 局部区域填图效果

       图8.53 整体区域填图效果

       图8.54 填图效果1

       图8.55 填图效果2

       图8.56 局部区域填图效果截图

       图8.57 整体区域填图效果

       图8.58 不同阈值局部地区填图效果

       图8.59 填图效果（Threshold＝0.001）

       图8.60 填图效果（Threshold＝0.005）

       图8.61 SAM 方法填图

       图8.62 参数1下效果图

       图8.63 参数2下效果图

       SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，阈值的设定情况和填图效果如图8.64所示。

       图8.64 SAM 填图效果

       Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，阈值的设定和填图效果情况如图8.65所示。多次试验发现该方法对提取chlorite和chlorite＋serpentine的效果不是很理想。

       图8.65 填图效果

       Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，阈值的设定和填图效果情况如图（其中Max Distance Error＝2000 ，图8.66）。

       图8.66 填图效果

       Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如图8.67所示。

       图8.67 填图效果（Threshold＝0.005）

       8.6.2.6 矿物信息填图结果分析

       综合前面的分析结果，开展了矿物信息提取结果图，为了分析矿物信息填图效果，搜集了前人对此试验区（图8.68）进行的矿物填图结果（图8.69）。

       图8.68 矿物信息研究的区域图

       图8.69 前人的矿物提取结果填图结果

       为开展蚀变矿物识别精度分析，可对比研究区本次提取的蚀变矿物分布图（图8.70）与前人提取的蚀变矿物信息分布图结果，逐像素进行对比（由于分辨率不同需做像素变换），如果研究区总的点数为N，本次与前人矿物分布图的结论相同就认为该点取值1，最后统计结果中1的个数n，这样蚀变矿物识别精度可定义为

       高光谱遥感技术原理及矿产与能源勘查应用

       对比分析本次矿物信息填图结果和前人矿物信息的填图结果，发现其结果并非完全一样。其中蛇纹石的填图效果一致性最高；绿帘石的分布范围一致，但本次数据的填图结果显示的范围较大；白云母的分布范围基本一致，但贫铝白云母和富铝白云母的分布范围有些混淆，经过对比分析，本次数据和前人数据填图范围的一致性达到89%，基本满足高光谱数据的填图要求。对出现误差的主要原因分析如下：

       1）前人数据是机载高光谱数据，空间分辨率可达到3～12m，此处的Hymap数据的空间分辨率为5m，而本次数据是模拟星载高光谱数据，空间分辨率为30m。随着分辨率的降低，单个像元所对应的地面面积将增大，导致每个像元中包含更多的矿物类型，矿物间的影响性也会增加。一方面，由于混合像元的平均效应，目标矿物在像元中的等效丰度会下降，光谱信息减弱。当像元中目标矿物的等效丰度下降到检出限以下时，矿物将不能被识别，而造成矿物分布区的外围含量较低的地段和含量较低分布区填绘面积的减少，点状集群分布区的漏识别，线状分布区的断续分布。这种效应相当于检出限的下降。另一方面，当像元中目标矿物的等效丰度在检出限以上时，会使面状矿物分布区的范围扩大、空洞的充填、相邻小区的连接，点状集群分布区的成片，线状区域的斑点效应。这两种效应的综合作用结果，空间分辨率的减小则会使强异常区（包括高丰度区和光谱反衬度较高的矿物分布区）范围的扩大、小区的相连、点群的结合，而使异常更加醒目，但其细节特征会因此消失；弱异常区（包括低丰度区和光谱反衬度较低的那些矿物分布区）和小异常区面积会缩小或漏检；线状异常可能会形成断续分布的小斑块而使线状特征和其走向变得不清晰。因此，在填图的细致程度上，分辨率越高的数据填图效果越好，这是造成填图效果差异的最主要的原因之一。

       图8.70 本次试验矿物信息提取填图结果

       2）辐射校正的精确程度。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射校正和光谱重建是地物识别不可缺少的环节。由于Hymap数据是机载高光谱数据，Hyperion数据是星载高光谱数据，对两种数据进行辐射校正的参数也是不一致的，因此，得出的反射率数据也是有差异的，这也是造成填图差异的原因之一。

       总之，用本次数据进行矿物填图是可行的，它可以在一定程度上对矿物的种类及分布进行识别。

矿物识别方法和工作流程

       一、ASTER遥感信息提取方法

       （一）图像预处理

       本次研究所采用的ASTER数据产品等级是1B和3A01，数据已进行了传感器相关系数辐射校正。在进行几何精校正过程中，校正控制点主要源于研究区于20世纪70年代完成的1∶100000地形图，地形图的精度不高，因此控制点的总平均误差控制在2个像元内。

       依据《ASTER矿物指数处理手册》的数据处理程序进行暗像元纠正，以消除大气散射对图像的影响。依据直方图找出各波段最小值的像元，像元的每个波段最小值代表或近似于大气辐射的影响，减去最小值的像元即可。ASTER图像经过暗像元处理后相当于进行了一次背景值滤波，使短波红外区间的特征更加明显，有利于提取矿物指数，从而提取岩矿信息。

       由于研究区下垫面影响因子复杂，必须要消除云、雪和植被等下垫面复杂因素对基岩信息的干扰，掩膜图像处理技术可以有效地扣除这些干扰信息。具体处理过程为：首先，在植被、云及雪覆盖的原始图像上提取植被NDVI指数，制作NDVI指数图像，然后做植被0-1掩膜，再进行云和雪0-1掩膜，最后将植被掩膜与云、雪掩膜图像叠加，在此基础上进行有用信息的进一步处理，制作掩膜图像。掩膜图像的效用有两个方面，一是压缩图像处理样本的统计空间，使有用的信息相对得到增强，二是排除干扰信息可能引起的假异常。

       （二）岩石与矿物信息提取方法

       可见光-近红外波段区域对赤铁矿、针铁矿和黄钾铁矾等铁氧化物敏感，而短波红外波段可以探测粘土和层状硅酸岩矿物的特征吸收，实现更为详细的矿物岩石识别。在热红外谱域，8～14μm是最佳大气窗口，由于硅酸盐岩在热红外区间随着SiO2含量的减少，岩石宽缓的吸收带向长波段方向系统位移，从而能够探测SinOk、SO4、CO3、PO4等原子基团基频振动及其微小变化，很容易识别硅酸盐、硫酸盐、碳酸盐、氧化物、氢氧化物等矿物，使困扰遥感地质的岩石识别成为可能，大大拓宽了遥感岩矿识别的广度与深度，从而弥补连续波段高光谱在热红外谱域的不足，使ASTER遥感技术成为岩矿识别的重要补充手段。

       本次试验采用的主要信息提取方法包括基于掩膜图像的主成分分析、矿物指数和光谱角度填图方法等。

       对于所有ASTER数据，常规图像均采用通道7、3、1（红、绿、蓝）假彩色合成，这种合成方案尽管植被的信息比较突出，但有利于后续使用者对照其他信息的图件判别地质体的色调异常与来源于植被的干扰异常。在该类图像中通常的规律是蓝色调大多为碳酸盐，紫色调的地质体二价铁含量相对较高。主成分图像通常采用4～9波段的主成分分析，依照试验结果，选用不同的主成分，其中3、4、5等弱信息的主成分使用较多。

       1.主成分分析

       主成分分析是遥感地质最有效和最常用的图像信息提取方法之一，它是将原始的遥感数据集变换成非常小且易于解译的不相关变量，这些变量含有原始数据中大部分信息，通过正交变换去除多波段图像中的相关信息，使新的组分图像之间互不相关，各自包含不同的地物信息，这是一种重要的图像增强方法。

       在本次研究中，应用预处理后的掩膜图像进行主成分分析，通过将原始图像进行主成分变换，得到SWIR系统4到9波段的5个主成分的影像，将其中的PC3、PC4、PC5主成分分别置于绿、红、蓝影像层，生成主成分合成影像，并将该影像与高空间分辨率的VNIR段影像进行融合，生成新的主成分彩色合成影像。与传统的彩红外合成影像相比，主成分合成影像色差可以识别更细微的岩性差别。

       从图9-6不难看出，对掩膜前后的图像均采用相同的主成分组合方案，但掩膜后的主成分图像细节更加突出，中三叠统闹仓坚沟组（T2n）板岩（蓝色调条带）被突出了。

       2.矿物指数法

       ETM数据只能提供一些铁锰成分异常和羟基蚀变矿物异常等一些笼统的信息，而ASTER的波段划分更精细，能够提供更为明确的矿物信息。常见矿物的特征吸收带集中在2～2.3μm之间（图9-1），即在ASTER的5～9波段之间，而ASTER的第4波段尽管没有特征吸收存在，但它是地质体反射率统计差异最大的遥感窗口。目前，国际上流行的各类矿物指数方法很多，它们主要是基于上述这些矿物特征吸收带的波长位置及其与ASTER波段设置的关系，通过简单的各类比值运算得来，如《ASTER矿物指数处理手册》所收集的澳大利亚科工组织（CSIRO）和美国地质调查局等机构经常使用的一些矿物指数（图9-7）。

       图9-6 温泉水库地区ASTER掩膜主成分分析图像

       （短波红外4～9波段的4、3、5主成分合成图像）

       波段比值是一种经常被用来提取波谱信息的有效手段。根据代数运算的原理，当波段间差值相近但斜率不同时，反射波段与吸收波段的比值处理可增强各种岩性之间的波谱差异，抑制地形的影响，并显示出动态的范围。波段比值通常是在对大气路径辐射或由多光谱传感器产生的叠加偏移进行初步校正的基础上，由两个波段对应像元的亮度值之比或几个波段组合的对应像元亮度值之比获得。通常是选择特定目标的最小或最大反射或辐射波段作为比值波段。一种地物在两个波段上波谱辐射量的差别，常被称为波谱曲线的坡度。不同地物在同一波段上坡度有大有小，有正有负。比值法就是增强不同地物以及岩石间的这种微小差别。因而，以岩矿的特征光谱为基础，选用适当的波段比值进行彩色合成，可增强岩性和蚀变带信息，便于提取蚀变信息。

       我们选取了20个各类矿物比值进行试验应用，在图像处理软件中进行流程式的批量处理，再依据具体地质背景和图像质量进行筛选，获得了较好的应用效果。尤其对粘土类矿物的蚀变和层状硅酸盐矿物的岩性识别非常有效，对巴颜喀拉山群浅变质岩岩性划分具有良好的应用效果。

       所采用的各类遥感矿物指数择要描述如下：

       （1）波段12/波段13比值：基性度指数（BDI）。由澳大利亚科工组织Bierwith提出，BDI与岩石中的二氧化硅含量有很好的负相关，高亮度为基性成分高的地质体，低亮度为酸性地质体，可以很好反映地质体的基性程度。在东大滩铜矿区花岗岩体外接触带及前寒武纪变质岩区，BDI显示出很好的异常及其与铜矿之间的关系。

       （2）波段14/波段12比值：富石英岩类异常。异常效果良好，是硅化蚀变的重要依据。在昆仑山巴颜喀拉山群地层和温泉水库西部的下二叠统中普遍存在该指数的异常，表明均为一套高硅质的浅变质岩系。在卡巴纽尔多南部，沙地表现为高二氧化硅含量的正异常。此外，高山冰缘区土壤湿度存在垂直分带现象，同样会引起基性度指数或二氧化硅指数的假异常，这种异常往往沿等高线分布。

       （3）波段13/波段14比值：碳酸盐岩异常。该比值由于热红外14通道的噪声较大，应用效果并不理想，仅在温泉水库和昆仑山一带有较好的显示。

       （4）波段4/波段5比值：铁矾土异常。Bierwith定义为铁矾土，而Volesky定义为硅酸盐蚀变。高浓度异常的大面积分布通常具有重要的找矿指示意义。

       图9-7 《ASTER矿物指数处理手册》中常用矿物指数汇总

       （5）波段5/波段3+波段1/波段2比值：二价铁异常。该比值需要谨慎对待，尤其在高山区，雪在1波段的高反射常常引起假异常，需要结合常规合成图像具体分析。

       （6）波段4/波段2比值：铁帽异常。试验区图像效果较差，尚未发现有意义的异常，但由于铁帽在找矿中的重要意义，以及其负异常的突出特征，保留这一指数是必要的。

       （7）波段7/波段5比值：高岭土矿物异常，该比值不确定性较强。沟谷中条带状分布的异常可能与表生作用下的风化高岭土有关，大面积的团块状异常才具有内生蚀变矿物的意义。

       （8）（波段4+波段6）/波段5比值：明矾石和高岭土指数。在纳赤台万保沟群中大面积出现这种异常，但实地考察属硅化大理岩异常。

       （9）波段7/波段6比值：白云母异常。白云母在2.2μm附近的特征吸收（ASTER第6波段）较强，实践证明该指数较为敏感，对板岩类有良好的识别能力。

       （10）（波段5×波段7）/（波段6×波段6）比值：粘土矿物蚀变异常。具有明确的找矿指示意义，在水泥厂东北部存在这种异常。

       （11）（波段7+波段9）/波段8比值：碳酸盐-绿泥石-绿帘石组合异常。主要分布在1∶5万水泥厂幅东北部和温泉水库西部。可以与波段13/波段14比值图像碳酸盐异常对比，进一步区分碳酸盐异常和绿泥石-绿帘石异常。

       （12）波段5/波段6比值：多硅云母异常。

       （13）（波段5+波段7）/波段6比值：绢云母-白云母-伊利石组合异常。该组矿物高浓度异常具有明确的找矿指示意义，但大面积异常通常意味着变质岩区的片岩，如内蒙古狼山地区的大面积异常与该地区伟晶岩化、云母片岩、板岩等区域变质或侵入接触变质作用有关。在东昆仑试验区也具有很好的效果，昆仑山巴颜喀拉山群和温泉水库西部的下二叠统均有大面积的该类矿物异常。

       必须指出的是，实际信息提取过程中，白云母和高岭土异常经常在空间上相伴生，在昆仑山和1∶250000填图区北部出现这种情况，很有可能仅仅是一种异常。在变质岩区有可能仅仅是白云母，而非高岭土。从图9-1不难看出，高岭石和白云母的特征吸收带都出现在ASTER的第6通道，波长位置的细微差别有可能是ASTER矿物指数方法容易产生混淆的原因。在1∶50000填图区东北部的异常也同样出现类似状况，绿帘石、绿泥石、角闪石和碳酸盐均出现异常。实际上这种异常均出现在第8通道附近，这几种矿物均存在较强的吸收带。这种情况可能仅仅是碳酸盐，但它们与典型的碳酸盐（731为蓝色调）又有明显的区别。

       尽管如此，矿物指数方法在实际应用中也存在一些问题，从典型矿物曲线和ASTER波段的对比中不难看出有可能出现几种易混淆的矿物组：如高岭土-白云母和方解石-白云石-绿帘石-绿泥石-角闪石等矿物组。因此，集中在第6和第8通道的异常仅仅说明具有显著的某种矿物类的异常，而不能明确说明是何种矿物。在复杂条件下只能明确矿物类，可以在此基础上进行野外验证，从而确定矿物种类。

       在热红外区间，岩石的二氧化硅含量与Si-O2振动强吸收带的波长位置呈现反比的系统位移规律，这是ASTER识别硅酸盐岩的基本依据。此外，碳酸盐岩在ASTER的14波段的强吸收也是识别该岩类的基本依据，但14通道红外辐射能量最弱，噪声大，应用效果不理想。

       3.光谱角度填图方法

       光谱角度填图方法（SAM）是Boardman开发的一种算法程序，一般用于超光谱图像的监督分类。该方法给出一系列光谱记录来逐一定义每个岩石类型，将每个像元看作n维图像数据库空间的一个向量，并计算与光谱数据库中光谱数据记录（参考光谱）之间的向量夹角。像元光谱与光谱记录（参考光谱）的光谱角度相匹配，即可分类为该类岩石。SAM方法的优越性在于只考虑像元光谱与参考光谱的相似性，不考虑像元相对亮度的影响，这在一定程度上改善了阴影，或者土壤湿度的干扰，因为角度的匹配不考虑向量模的大小。

       该方法应用的条件是图像数据必须进行反射率反演，使像元的“视反射率”能够与光谱数据库中的参考光谱进行匹配。但实际应用中，由于大气条件和图像质量等各方面的原因，较难完成反射率反演这道科学程序，从而限制了该方法的实际应用。因为ASTER的数据质量不理想，参考光谱选用的是典型的像元光谱。

       光谱角度填图方法试验区选在纳赤台北部的东昆中断裂带附近的花岗岩内外接触带（图9-8）。试验中选取的典型岩类有5个，构成参考光谱数据库。提取的像元光谱是1～9波段，依照这组波段曲线，它们的光谱角度最大差异的区间分布在4～9波段的近红外-短波红外谱段，因此将其作为SAM处理的6维向量空间，角度匹配的阈值为5度。从结果中能够看出，SAM方法不仅可以克服花岗岩中不同亮度值对分类的影响，能够进行阴影中的分类，而且能够区分常规合成图像中容易混淆的 白云石（蓝色）和高岭土（**）。但万保沟群中的部分岩性段被归入花岗岩体（红色），说明该方法还不能区分“同谱异质”的地质体。

       图9-8 纳赤台北部ASTER数据4～9通道光谱角度填图

       上图—光谱角度填图结果；中图—ASTER7、3、1常规合成图像；下图—基于像元的分类参考光谱

       说明：横轴为ASTER1-9波段；纵轴为像元视反射率。

       二、IRS-P6遥感矿物指数试验

       IRS-P6在地质上的应用国内外少有报道，主要原因是它波段分布有限，尤其缺少短波红外区间的设置，因此缺乏对羟基类地质体信息的识别能力（表9-7），但它的地面分辨率高于ETM，在ETM数据缺乏或者质量不佳的情况下也不失为一种可以替代的数据资源。本次试验也对其在地质填图中的应用效果进行了比值指数的初步应用。

       表9-7 IRS-P6和ETM的波段设置对比

       在可见和近红外区间，铁的特征吸收占光谱的主导因素。依据常见铁氧化矿物的吸收特征，针对0.9μm附近三价铁的宽缓吸收带，波段2和波段3良好地反映了该处的吸收特征。因此选用CH2/CH3作为三价铁氧化矿物的指数。如果没有铁氧化矿物存在，吸收带就不存在，这个比值将会是很低的。所使用几个比值指数如下：三价铁氧化矿物CH2/CH3；二价铁或暗色岩系CH1/CH4平的特征；碳酸盐岩CH1/CH2，依据碳酸盐岩一般缺乏铁矿物，缺少铁族矿物在近紫外区间很强的电子跃迁引起的吸收。

       但在卡巴纽尔多南部局部地区，采用了4/3.2/3和1/2几种比值组合，完全是针对该区广泛分布的砂板岩，依据试验效果的一种选择。

       IRS-P6的应用效果不如ETM，但应用上述比值合成的假彩色图像在解译应用中也能够与ETM图像取长补短。如温泉水库西部，IRS-P6有更加概括的岩性信息，而ETM由于短波红外信息的加入，图斑细碎，不宜于解译成图。

       三、Hyperion遥感信息提取方法

       由于高光谱遥感具有多个波段和高光谱分辨率的特点，高光谱的窄波段可以有效地区别矿物的吸收特征，利用各种矿物和岩石在电磁波谱上显示的诊断性光谱特征可以识别矿物，使矿物识别和区域地质制图成为高光谱技术主要的应用领域之一。

       为了实现研究区内岩矿高光谱遥感的识别和分类，并考虑到研究区复杂的地质、地貌、气候和地表覆盖等特点对所采用的遥感图像的影响，在高光谱岩矿填图中采用地面光谱和图像光谱相结合的处理分析方法。

       （一）岩石光谱测量

       为了最大限度地满足光谱测量精度的要求，在本次野外光谱测量中所采用的仪器为美国ASD公司的最新产品FieldSpec FR便捷式地物波谱仪（图9-9），该仪器主要参数见表9-8。此仪器不仅具有携带方便、速度快、高信噪比、高可靠性、高重复性、操作简单和软件包功能强劲等特点，而且还可以进行实时测量和观察辐射、辐射度、CIE颜色、反射和透射。

       图9-9 野外光谱采集

       数据采集软件采用的是美国ASD公司的FieldSpec FR数据采集分析软件包，该软件具有速度快、实时测量、操作界面简单、灵敏度高和功能强大等优点，另外它所获取的数据可以直接被ENVI软件读取，极大地促进了后期数据处理进程。

       由于研究区域特殊地理位置和复杂的气候条件，而且气候多变，考虑到诸多不利因素对光谱采集质量的影响，我们于2008年7月进行了野外光谱数据采集，此时该地区的大气、空气湿度、风、光照和云层覆盖等条件适宜于野外光谱数据采集，而且采集到的数据和选用的遥感图像数据时间匹配性好，满足研究精度要求和填图需要。

       为了最大限度地满足高光谱遥感矿物填图的要求，采用了野外和室内测量相结合的测量方法。另外，在研究区域内还选择了多个具有代表性的开阔地带作为平场并进行了多次重复测量。

       野外完成了包含花岗岩、变质岩、流纹岩、千枚岩、大理岩、板岩、页岩、铁矿石、铜矿石、金矿石、铅矿石、锌矿石等多达100多种不同类型以及同种类型不同状态（如岩矿石的风化面、新鲜面等）的岩矿石的光谱数据室内和野外采集工作，并且经过系统编号整理建立了各种岩矿石与其光谱数据的对应表（图9-10），为图像解译和填图工作提供了较为完备的基础数据。

       表9-8 FieldSpec FR便捷式地物波谱仪相关参数

       图9-10 野外实测光谱数据库

       （二）矿物光谱测量

       采用南京地质调查中心研发的BJKF-III型便携式近红外矿物分析仪，对矿化样品进行光谱曲线测量，得到典型蚀变矿物光谱曲线，其矿物包括方解石（图9-11a）、高岭石（图9-11b）、绿泥石（图9-11c）和孔雀石（图9-11d）等。黄铜矿为铜的硫化物矿石，具有不透明矿物的典型特征，遥感较难识别，而孔雀石存在二价铜离子引起的特征吸收带。

       图9-11 东大滩铜矿典型矿物光谱曲线图

       通过驼路沟钴金矿床野外调查取样，利用便携式近红外矿物光谱仪对样品进行光谱测量，进一步验证了遥感图像提取孔雀石和黄钾铁矾等矿物信息（图9-12）。同时，在驼路沟矿区断裂带内还检测出遥感图像未能解译出的石膏等矿物（图9-12d）。

       （三）数据预处理

       Hyperion高光谱数据经过斑点去除、回波纠正、背景去除、辐射纠正、坏像元恢复以及图像质量检查等一系列处理过程，用户拿到的数据应该不再有坏像元或条纹，但实际上却仍然存在，在进行图像应用之前，必须对图像进行预处理，纠正不正常的像元。预处理主要包括去除未定标及受水汽影响的波段、绝对辐射值转换、坏线修复及误差条带的去除、反射率定标和大气校正等。

       1.去除未定标及受水汽影响的波段

       Hyperion数据的242个波段中，经过辐射定标的独立波段实际上只有196个，但有些波段受水汽影响非常严重，无法应用，经去除处理后只有158个波段可用（表9-9）。

       2.绝对辐射值转换

       Hyperion的L1产品数据集以有符号的整型数据记录，数值范围为-32767～+32767。但实际上地物的辐射值非常小，产品生成时对VNIR和SWIR波段都采用了扩大因子，系数分别为40和80。因此，需要把图像的亮度值转换为绝对辐射值，将VNIR和SWIR波段分别除以40和80，生成绝对辐射值图像。

       图9-12 驼路沟钴金矿典型矿物光谱曲线图

       表9-9 剔除和保留的波段

       3.坏线修复及误差条带的去除

       由于Hyperion传感器的个别通道存在坏的探测元，致使图像存在着不正常数据，DN值为零或者非常小的称为死像素列，即坏线。对坏线用相邻行或列的平均值进行修复，坏线修复前与修复后效果见图9-13。

       Hyperion光谱仪采用推扫式的对地观测方式，所以系统中CCD的排列方式垂直于航迹方向。由于不同行中的传感器对光谱响应值不同，在光谱入射时会导致在每个谱段上出现竖条纹，即列向条带噪声。条纹严重影响图像的质量及实际应用，应用时需要对条纹噪声进行去除处理。

       本项目采用ENVI软件中的傅里叶变换及联合概率滤波平滑方法去除影像的条纹噪声，并用MNF进行效果评价。修复效果见图9-14。

       图9-13 VNIR第56波段坏线修复前后图像

       图9-14 垂直条纹去除前后图像对比

       4.反射率定标

       高光谱遥感数据定标的首要任务就是对成像光谱仪定标，将遥感器探测到的数据变换为绝对亮度或与地表反射率、表面温度等物理量有关的相对值的处理过程。通过原始图像提取的波谱曲线为太阳辐射与大气辐射共同作用的结果，这些波谱剖面曲线都是相似的，表示的是辐射亮度曲线，而不是反射率波谱曲线。因此，需要将辐射亮度曲线转换为反射率波谱曲线，以消除大气吸收、散射、地形起伏及传感器本身误差所带来的各种失真对数据的影响，恢复地物光谱数据的原貌。将影像的辐射亮度值转换成表观反射率的过程，称为反射率定标或地物光谱重建。

       主要校正定标的方法有平场域定标、内部平均相对反射率定标以及经验线性定标。本次研究针对星载高光谱数据，主要采用了基于大气辐射传输理论的FLAASH定标模型，并进了分析总结，得到了比较好的应用效果。

       5.大气校正

       遥感卫星传感器接收到的目标物反射及发射能量辐射在传输过程中需要通过大气层，使高光谱遥感影像记录的是包含地面反射光谱信息和大气辐射传输效应引起的地面反射辐照度变化等综合信息。大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地表的真实物理模型参数，如地物反射率、辐射率和地表温度等。图像是否需要进行大气校正，主要取决于图像的质量及用途。对于空间分布均匀的影像，如果只是用单时像的数据分类，由于大气对分类的影响是一致的，就没有必要进行大气校正。对于空间分布不均匀的影像，如有些区域有雾或者下雨等现象，就有必要纠正大气的影响。因此，将表示反射率亮度的原始遥感影像DN值数据转换为反射率数据，对正确利用遥感数据进行定量分析及信息提取十分关键。由于本次研究利用实测地物光谱与美国USGS光谱库标准光谱相结合的方法进行识别分类，所以需要进行大气校正。

       目前，基于大气辐射传输理论的辐射校正模型主要包括：5S、6S、ATREM、MODTRAN、ACORN和FLAASH等。针对Hyperion高光谱数据的特点，本项目主要利用ENVI软件中的FLAASH模块进行大气校正处理。

       为了验证FLAASH大气校正的效果，分别使用了校正前后的雪、岩石及水体的混合波谱曲线进行对比见图9-15，并采用野外实测波谱曲线与校正后的图像的波谱曲线进行对比，总的效果较好。

       图9-15 大气校正前后雪、岩石和水体的波谱曲线对比

       6.几何纠正

       图像预处理的最后一步工作为图像的几何纠正。本研究采用了1∶100000纳赤台幅地形图，应用二次多项式和双线性内插重采样方法，共选取了117个控制点，对高光谱数据进行了几何精度校正。

       （四）图像镶嵌与裁剪

       本项目共定购东大滩地区5景Hyperion数据，其中KL2与KL3景在夏天获取，KL4-KL6在冬天获取，所以地物色调相差较大，进行镶嵌时必须进行调色处理。由于Hyperion数据覆盖面积宽7.7km，长85km，南北向覆盖区域较长，应用时需做剪裁处理。经过镶嵌与剪裁之后数据的覆盖范围见图9-5。

       （五）信息提取

       经过去除未定标和受水汽影响的波段、进行绝对辐射值转换、坏线及条纹修复、smile效应去除、大气校正和几何精度校正等过程，得到反射率数据。利用波谱分析工具Spectral Analyst进行波谱分析鉴别矿物，选择美国地质调查局波谱库，该库包括近500种矿物波谱，波长范围0.4～2.5μm。本次岩矿蚀变信息提取主要应用USGS波谱库作为端元波谱，结合野外实测光谱曲线，应用纯净像原指数法（PPI）作为辅助方法提取端元波谱，最后利用光谱角（SAM）填图法和波谱特征拟合法（SFF）成图。

       本项目各类遥感图像覆盖面积达18850km2。除受风成黄土、植被、雪被、草甸土、阴影以及冰缘冻融作用所产生的碎屑坡积物等因素干扰不能有效提取信息外，其他地区均提取出大量岩石、构造和矿化蚀变信息。野外验证表明，不同的遥感数据均可有效地提取地质信息，但是适用范围和提取信息量存在差别。本项目选择温泉水库地区和玉珠峰巴颜喀拉山群分布区进行ASTER遥感岩性填图与纳赤台地区Hyperion高光谱矿物填图试验，评价国内目前尚未普及、但极具应用前景的ASTER和Hyperion等遥感信息在岩性与矿物填图中的应用潜力。

高光谱遥感的原由

       目前，矿物识别制图的方法是特征谱带识别和基于相似性测度的识别：①利用岩石矿物的特征谱带构造识别技术，该方法相对直观，简单可行，但是单一的特征往往造成岩石矿物的错误识别，其精度难以达到工程化应用的需求，同时对成像光谱数据的信噪比、光谱重建的精度要求较高；②从岩石矿物光谱的整体特征出发，与成像光谱视反射率数据进行整体匹配、拟合或构造模型进行分解，这也是目前研究的重点，能有效地避免因岩石矿物光谱漂移或光谱变异而造成的单个光谱特征的不匹配，并能综合利用弱的光谱信息，避免局部性特征（如单一特征构建的识别方法）造成识别的混淆，识别的精度高。

       对于成像光谱上百个波段而言，数据量非常之大，尤其在目前无论是航空成像光谱数据，如AVIRIS、CASI、HyMap等，还是在轨的航天成像光谱数据，如Hyperion航带都普遍比较窄，一般在3～10km，给大面积应用带来很多不便，增加了大面积数据处理的难度，并使工作量在目前微机配置的条件下成倍增加。因此，无论是从岩石矿物光谱的局域特征还是整体特征开展对矿物的识别，在保证识别精度要求的条件下进行工程化的处理，必须探索新的技术流程。

       在对成像光谱数据特征与识别方法的比较研究中，结合工作实际以及进行工程化处理的初步要求，在确保识别精度的条件下，设计出标准数据库光谱+光谱-特征域转换+矿物识别方法的技术流程。该流程的主要作用：

       （1）直接开展蚀变矿物的识别与信息提取：在对试验区岩石类型、构造、热液活动以及矿产综合研究的基础之上，提炼与矿化关系密切的蚀变矿物，利用标准库的光谱或野外实测光谱作为参考光谱。

       （2）进行光谱域与特征域的转换，实现数据减维与数据压缩，降低工作量，提高工作效率：成像光谱数据波段上百，不同的航带宽度与记录长度使单次处理的数据量达1Gbytes，中间过渡文件单航带可达10Gbytes；在以前的处理中常常将航带分割成较小的区域进行处理后再进行拼接，利用MNF技术可以将整个光谱域空间转换到特征域空间，消除原有光谱向量间各分量之间的相关性，从而去掉信息量较少噪声较高的向量，使数据处理从成百的光谱域集中到去噪的特征域中进行，减低数据量，缩短数据处理时间，提高数据处理的效率。

       （3）特征分离，增加不同矿物的可分性，提高矿物识别的精度：在成像光谱数据MNF变换并剔除噪声波段的特征域空间中，不同的波段被赋予了不同的物理或数学意义，地物的光谱特征在特征域发生分离，地物的细微特征得到放大，增加了数据的可分性。

       4.4.2.1 光谱特征域转换

       光谱分辨率的提高，一方面提高了数据的分类识别的精度以及应用能力，另一方面，增加了数据的容量，也使数据高冗余高相关。有效的数据压缩与特征提取势在必行。一般地，利用传统的主成分变换进行相应的变化，衍生出一系列的成像光谱数据压缩与特征提取方法，如MNF变换（Kruse，1996；Green et al.，1998），NAPC（Lee et al.，1990）、分块主成分变换（Jia et al.，1998）以及基于主成分的对应分析（Carr et al.，1999）等。空间自相关特征提取（Warner et al.，1997）、子空间投影（Harsanyi et al.，1994）和高维数据二阶特征分析（Lee et al.，1993；Haertel et al.，1999）也得到相应的重视。利用非线形的小波、分形特征（Qiu et al.，1999）也在研究之中。

       主成分分析（PCA）是根据图像的统计特征确定变换矩阵对多维（多波段）图像进行正交线性变换，使变换后新的组分图像互不相关，并且把多个波段中有用信息尽可能地集中到少数几个组分图像中（图4-4-1）。一般地，随着主成分阶次的提高，信噪比逐渐减小。但在波段较多时并不完全符合这一规律。

       为改善主成分在高光谱维中的数据处理能力，相应地利用最大噪声组分变换（MNF）的方法（甘甫平，2001；甘甫平等，2002～2003）。该方法是利用图像的噪声组分矩阵（ΣNΣ-1）的特征向量对图像进行变换，使按特征值由大到小排序的变换分量所包含的噪声成分逐渐减小，而图像质量顺次提高。Σ为图像的总协方差矩阵，ΣN为图像噪声的协方差矩阵。MNF相当于所有波段噪声方差都相等时的主成分分析，因此可分为两步实现，第一步先将图像变换到一个新的坐标系统，使变换后图像噪声的协方差矩阵为单位阵；第二步再对变换后的图像施行主成分变换。此改进的算法称为“噪声调节主成分变换（NAPC）”。

       对P波段的高光谱图像

       Zi（x），i=1，2，…，p （4-4-1）

       可以假设

       Z（x）=S（x）+N（x） （4-4-2）

       这里，ZT（x）=｛Z1（x），…，Zp（x）｝，S（x）和N（x）分别为Z（x）中不相关的信息分量和噪声分量。因此，

       Cov｛Z（x）｝=∑=∑S+∑N （4-4-3）

       ∑S和∑N分别为S（x）和N（x）的协方差矩阵。因此，可以定义第i波段噪声分量，

       Var｛Ni（x）｝/Var｛Zi（x）｝ （4-4-@4）

       选择线形转换，MNF变换可以表示为

       成像光谱岩矿识别方法技术研究和影响因素分析

       在变换中，确保

       成像光谱岩矿识别方法技术研究和影响因素分析

       同时，为使噪声与信息分离，S（x）分别与Z（x）和N（x）正交。

       图4-4-1 MNF变换的特征值曲线

       MNF有两个重要的性质，一是对图像的任何波段作比例扩展，变换结果不变；二是变换使图像矢量、信息分量和加性噪声分量互相垂直。乘性噪声可通过对数变换转换为加性噪声。变换后可针对性地对各分量图像进行去噪，或舍弃噪声占优势的分量。MNF变换的特征值曲线如图4-4-1。

       4.4.2.2 特征分离

       在MNF变换后的特征域中不同波段具有不同物理与数学意义。比如变换后的第1波段表示地物的亮度信息，第7 波段或第8 波段表示地形信息。在MNF变换中，通过信号与噪声分离，使信息更加集中于有限的特征集中，一些微弱信息则在去噪转化中被增强。同时在MNF转换过程中，使光谱特征向量集汇聚，增强分类信息。

       图4-4-2是一些矿物光谱通过MNF变换前后的曲线剖面图，从右图可见信息与噪声分别有序地集中在一些有限的波段内。通过舍弃噪声波段或其他处理，相应地降低或消除噪声的影响。同时信息也比原始数据更易区分。

       4.4.2.3 矿物识别

       矿物识别主要选用光谱相似性测度的方法。基于整个谱形特征的相似性概率的大小，能有效地避免因岩石矿物光谱漂移或光谱变异而造成的单个光谱特征的不匹配，并能综合利用弱的光谱信息。

       图4-4-2 矿物光谱MNF变换前后特征比较

       基于整个光谱形特征的识别方法主要有光谱角技术、光谱匹配滤波、光谱拟合与线形分解等。利用大气校正后的重建光谱数据，可选择性地利用上述矿物识别技术开展端元矿物的识别。光谱角方法可直接选择端元矿物进行匹配，最终生成二值图像，简单易行，在阈值合理可靠的前提下能够获取较高的识别精度。

       在成像光谱岩矿地质信息识别与提取方法中，光谱角技术是一种较好的方法之一（王志刚，1993；刘庆生，1999）。光谱角识别方法是在由光谱组成的多维光谱矢量空间，利用一个岩矿矢量的角度测度函数（θ）求解岩矿参考光谱端元矢量（r）与图像像元光谱矢量（t）的相似性测度，即：

       成像光谱岩矿识别方法技术研究和影响因素分析

       这里，‖*‖为光谱向量的模。参考端元光谱可来自实验室、野外测量或已知类别的图像像元光谱。θ介于0到π/2，其值愈小，二者相似度愈高，识别与提取的信息愈可靠。通过合理的阈值选择，获取矿化蚀变信息的二值图像。

       4.4.2.4 阈值的选择与航带间信息的衔接

       无论是光谱角技术还是光谱匹配以及混合光谱分解，都存在对非矿物信息的分割，因此阈值的选择是一个必须面临的重要问题。这不仅关系到所识别矿物的可靠度，也关系到矿物分布范围大小的界定。同时由于是分航带提取，不同航带间因大气校正的误差和噪声的影响而使同一地物的光谱特征存在差异，可能使所提取的矿物空间展布特征在航带之间所有诊断和一致性，增加了制图的困难。因此对于阈值的选择，需遵循以下原则：在去除明显假象信息、保留可靠的矿化蚀变信息情况下考虑整体的一致性以及航带的过渡性。

       4.4.2.5 技术流程

       结合成像光谱数据预处理，根据实际应用情况，可以总结出成像光谱遥感地质调查工作的技术流程，如图443所示。

       编辑于 2020-01-19

       TA的回答是否帮助到你了?

       能够帮助到你是知道答主们最快乐的事啦!

       有帮助,为TA点赞

       无帮助,看其他答案

       金融与管理优选「时代华商」金融投资班

       值得一看的金融与管理相关信息推荐

       解决企业资本发展，实现金融投资与商业模式创新金融与管理选时代华商金融与管理助你企业实现产品与金融与管理的双引擎发展，为企业插上资本的翅膀!

       本月126人已拨打电话咨询问题

       咨询

       广州时代华商人才培训股份有限...广告

       浙江荣阳工程评估咨询有限公司，安全风险评估

       值得一看的风险评估相关信息推荐

       荣阳咨询安全风险评估建立了一套完善的咨询体系，从现状评估，解决方案，研发设计

       ideal-link.cn广告

       矿物识别方法和工作流程

       专家1对1在线解答问题

       5分钟内响应 | 万名专业答主

       马上提问

       garlic 正在咨询一个职场问题

       — 你看完啦，以下内容更有趣 —

       FRM认证相当于硕士学位

       获得FRM认证，加入全球风险管理精英社群。千里之行始于足下，登录了解认证详情。

       广告2021-04-19

       任务了解矿物鉴定的工作过程

       一、矿物样品的采集 样品采集是矿物鉴定的基础工作，是为了获得工作对象。采集样品时应注意其代表性、典型性及目的性。样品的采集要根据其分布情况及均匀程度选取适当的大小规格，以便研究矿物的宏观及微观特征、结构构造特点以及共生、变化关系，并注意颗粒大小及嵌布关系等特征。此外，还需要采集用于测定化学成分、内部结构、形态及物理性质等方面的样品。根据对矿物研究的目的性及矿物在岩石或矿石中的分布状况决定采集样品的数量。对于晶形完善或晶面复杂的矿物晶体，在采集时必须小心谨慎，切勿随意损坏。 二、矿物的分选方法 在对某种矿物进行成分、结构或物性研究时，常常需要把这种单矿物从集合体中挑选出来。试样的纯净与否，是决定研究结果是否正确的关键，而从矿物集合体中选取极为纯净的单一矿物是非常复杂的工作，往往因为分选对象的不同而采用不同的方法。 在分选之前，常常必须进行“碎样”。也就是将矿物集合体进行破碎，以便使所需的矿物与其他矿物分开。数量多时可采用破碎机破碎，数量不多也可用铁钵人工破碎。破碎粒度主要视矿物单体的粒度而定，一般情况下需要粉碎至0.2～0.4mm之间。在粉碎的同时，必须用适当的筛网过筛，以便进行粒度分级并防止“过粉碎”。在通常情况下，过筛后0.2mm以上的样品需达1千克或更多些，以便保证从中提取足够数量的单矿物。 样品破碎后，接着就是把所需矿物从碎样中分选出来。如需要的试样数量不多，则可在双目镜下用针逐粒挑选；如需要的试样数量比较多，并且手选困难又费时，则可用其他仪器进行分选。主要方法有下列几种: 重力分选 根据矿物密度的不同，可以采用淘洗和重液分离 (有时需用离心机分离); 磁力分选 根据矿物的磁性强弱不同，利用磁铁、电磁铁进行分选; 浮游分选 根据矿物对浮油剂的不同吸附性进行分选； 介电分选 根据矿物的介电常数 (ε)不同来分离矿物，例如黑钨矿 (ε=15)、铌钽铁矿 (ε=20)、方解石 (ε=6.3)、无色透明石英 (ε=4.5)等分选效果良好； 形态分选 根据矿物的形态不同 (如呈片状、柱状或粒状)来分离矿物。 矿物分选工作，尽管目前已经有许多方法，但仍不能解决矿物分选的全部问题。特别对细小矿物及高密度矿物的分选尚属困难。 近年来，电磁重液分选、高频介电分选、超声波浮选、重力分选 (矿泥摇床)和重液变温分选等方法得到推广使用。其中电磁重液分选法可将非磁性矿物按密度进行分离，它甚至可使密度大的金和铂分开；高频介电分选目前只限于对数十种矿物的分离，要求矿物最小粒度大于15～20μm；重力分选仪所分离的矿物最细可达10μm；超声波浮选主要是利用超声波产生空蚀现象使细小矿物崩解，同时利用适当捕集剂，以产生浮游分选矿物的目的；重液变温分选主要用于分离某些物理性质较相近或同一种矿物之不同世代个体的分选上。 经上述种种方法分选出的单矿物样品，为了保证其纯净度，最后必须经过双目镜下的检查和挑纯。 三、矿物的肉眼鉴定 矿物的肉眼鉴定是借助肉眼和放大镜、体视显微镜以及一些简单的工具 (如小刀、磁铁、条痕板等)对矿物的外表特征 (如晶形、颜色、光泽、条痕、透明度、解理、硬度、密度等)进行观察，从而鉴定矿物的简便方法。一个具有鉴定经验的人，利用肉眼鉴定方法，就能正确地把上百种常见矿物初步鉴定出来。肉眼鉴定法对于结晶粗大，并具显著特征的矿物，效果较好。 肉眼鉴定看起来简单，但要达到快速准确，需要经过一定的训练。特别是对细粒矿物的晶形、解理的观察，需要反复实践和对比，积累经验，才能熟练掌握。肉眼鉴定矿物有一定的局限性，某些特征相似的矿物，或者是颗粒很细小的矿物和胶态矿物，往往难以鉴别，必须采用其他方法。但是肉眼鉴定仍然是进一步鉴定和研究的基础。因为通过肉眼鉴定，可以初步估计出矿物的种或族，由此决定选用什么方法进行精确的鉴定和研究。因此，肉眼鉴定矿物是一个地质工作者必须熟练掌握的基本技能。 四、仪器鉴定 用肉眼鉴定仍然确定不了的矿物，就需要借助一定的仪器设备进行鉴定。借助仪器对矿物进行鉴定的方法很多，应根据研究目的，按照有效、准确和快速的原则进行选择。 借助仪器鉴定矿物的方法包括: 1)检测矿物化学成分的方法:简易化学试验、光谱分析、原子吸收光谱分析、激光光谱分析、X射线荧光光谱分析、极谱分析、化学分析和电子探针分析； 2)通过测定矿物某种物性或晶体结构数据从而可定出矿物种属的方法:密度测定、热分析、显微镜观察、电子显微镜观察、X射线分析、红外光谱分析、穆斯堡尔效应； 3)研究矿物形貌的方法:测角法、电子显微镜观察； 4)其他专门方法:包裹体研究、稳定同位素研究等。

       9浏览2020-01-16

       面对一种不知名的矿物你从哪些方面进行观察，用什么方法研究

       肉眼鉴定矿物主要是根据矿物的颜色、光泽、条痕、解理、硬度的特点来进行鉴定工作。那么肉眼鉴定矿物所需的简易工具有：瓷板（用来刻划条痕）、小刀（用来刻硬度）、放大镜（用来看解理特点等）。有时还可以随身带一小瓶盐酸、小磁铁。 肉眼鉴定矿物所需的简易工具：小刀、放大镜、磁铁、瓷板。 绝大多数矿石是多种矿物紧密连生的混合物，在手标本上鉴别较困难，往往不可能全部识别清楚。因此，矿石中矿物的鉴定、矿物粒度测定、矿物解离度测定、矿石结构分析以及选矿产物的矿物学分析等工作常用显微镜来完成。 在选矿过程中大部分脉石矿物在可见光中透明，而大多数重要的金属矿物经常是不透明的。在鉴定和研究透明矿物工作中，应用最广泛且成熟而有效的方法就是根据透明矿物晶体光学原理，利用偏光显微镜进行研究。这种研究法是将矿石或岩石磨成0．03mm厚的薄片，在镜下观察可见光通过晶体时所发生的折射和干涉现象，测定矿物晶体的光性常数，如晶形、颜色、解理、突起、干涉色、双折射率、消光类型和消光角、延长符号、双晶、轴性、光性正负、光轴角等，并有成套完整的光性数据可供查阅，从而达到鉴定矿物，研究矿石的结构和构造等目的。 在鉴定和研究不透明金属矿物时，应用最多的是反光显微镜又称矿石显微镜或矿相显微镜，其类型较多，各有特点，新型显微镜不仅可偏、反两用，并附有许多供定量测定使用的附件。反光显微镜的主体结构和基本原理与偏光显微镜相同，但前者带有一个垂直照明器。 用反光显微镜鉴定矿物，要将矿石磨制成光片，置于镜下，光源通过照明器内的反射器，将光线向下反射到矿石光片表面上，再从光片表面向上反射到目镜，即可观察和鉴定不透明矿物的光学性质。如观察晶体的形态和结晶习性、解理和裂理、双晶、环带构造、连晶、粉末颜色、硬度、塑性、颜色及多色散、反射率、双反射效应、均质性和非均质性、偏光色、内反射、旋转性质以及对标准浸蚀试剂的反应和各种元素的显微化学试验等。

       27赞·746浏览2017-09-01

       如何利用矿物鉴定矿物？

       物理方法：用矿物的一些物理性质来区分矿物，这是最简单实用的方法，是我们在野外鉴定的主要方法，这些物理性质主要有：1）形状：片状、肾状、鲕状、菱形、立方状、板状、致密状、短柱状等。2）颜色 矿物的颜色是最容易引起注意的。分为三种：自色—矿物本身所固有的颜色。它色—矿物中混入杂质，带色的气泡所导致的颜色。假色—由矿物表面氧化膜、光线干涉等作用引起的颜色。3）条痕：矿物粉末的颜色。将矿物在白瓷板上刻划后留下粉末的颜色。它可以消除假色，减弱他色，保存自色，但矿物硬度一定要小于白瓷板。具体简单的物理方法区别，准备2个道具，第一是一把小刀，第二是一块白色瓷砖。石英：玻璃光泽 透明，解理较好，硬度比小刀大，小刀划不出明显的痕迹出来长石:玻璃光泽 比石英硬度稍小 比较常见，主要是钠长石和钾长石滑石：白色，半透明，硬度很低，可以用指甲画出痕迹出来，放在舌头上还有种粘的感觉。萤石：具很强荧光，用小刀可以刻出明显痕迹。长石分两大类——正长石（钾长石）和斜长石，二者区别在于两组解理的夹角，正长石等于90度，斜长石小于90度 一般颜色多样，有些正长石显肉红色，是由于含有铁的原因黄铁矿：浅黄铜**，表面常具黄褐色锖色。放在白色瓷砖上划出的条痕绿黑或褐黑。强金属光泽菱铁矿：一般为晶体粒状或不显出晶体的致密块状、球状、凝胶状。颜色一般为灰白或黄白黄铜矿：很容易和金矿混淆。从它的颜色和条痕当中鉴别出来，它和黄铁矿相像，但是硬度不如黄铁矿。鉴定时，指甲刻不出明显痕迹，但如果是金矿的话，指甲可以划出痕迹。

参考资料：

地质学基础

       443浏览2019-11-08

       矿物标本资源整理技术规程

       前言 为提高矿物标本的可用性,特制定《矿物标本资源整理技术规程》,用以规范化国家科技基础条件平台标本资源的整理工作,使标本整理同标本的科学研究紧密结合起来。 本规程对矿物标本的整理提出了从去包装、清理、观察、研究、鉴定、定名到资料整理过程的共14项内容,对各项内容的工作方法作了简要说明,内容较全面并具有较强的实用性。 本规程附录A—附录C为规范性附录,附录D为资料性附录。 本规程由国家自然科技资源共享平台提出。 本规程起草单位:中国地质大学(北京)。 本规程起草人:何明跃。 本规程由国家岩矿化石标本资源共享平台负责解释。 1 范围 本规程规定了矿物标本整理的内容、步骤和方法。 本规程适用于自然科技资源平台建设矿物标本资源的整理。 2 规范性引用文件 下列文件中的条款,通过本规程的引用而成为本规程的条款。凡是注日期的引用文件,其随后所有的修改单(不包括勘误的内容)或修订版不适用于本规程,然而,鼓励根据本规程达成协议的各方研究是否使用这些文件的最新版本。凡是不注日期的引用文件,其最新版本适用于本规程。 GB/T9649.9—2009 地质矿产术语分类代码 第9部分:结晶学及矿物学 GB/T17366—1998 矿物岩石的电子探针分析试样的制备方法 北京分析仪器厂,北京师范大学物理系.核磁共振波谱仪及其应用.北京:科学出版社,1974 陈允魁.红外吸收光谱法及其应用.上海:上海交通大学出版社,1993 迪安JA.分析化学手册.北京:科学出版社,2002 李哲,应育浦.矿物穆斯堡尔谱学.北京:科学出版社,1996 潘兆橹.结晶学及矿物学.北京:地质出版社,1993 (苏联)索洛多夫尼柯娃著,邓常思译.矿物鉴定指南及鉴定表.北京:地质出版社,1957 王嘉荫.普通矿物鉴定.北京:商务印书馆,1952 王濮,潘兆橹,翁玲宝等.系统矿物学.北京:地质出版社,1982 谢广元.选矿学.徐州:中国矿业大学出版社,2001 袁耀庭.野外矿物鉴定手册.北京:煤炭工业出版社,1958 曾广策.简明光性矿物学.武汉:中国地质大学出版社,1989 张国栋.材料研究与测试方法.北京:冶金工业出版社,2001 中国科学院地质研究所编.薄片内透明矿物鉴定指南.北京:科学出版社,1970 Criddle A J,Stanley C J.Quantitative data file for ore minerals,3rd ed.Chapman ﹠ Hall, London,1983 Dunn P J,Mandarino J A.Formal definitions of type mineral specimens.Mineralogy and Petrology,1998,38,(1),77～79 Ernest H Nickel,Joel D Grice.国际矿物学协会新矿物及矿物命名委员会关于矿物命名的程序和原则.岩石矿物学杂志,1999,18(3):273～285 Joseph A Mandarino.矿物标本类型(形式)的正式定义.岩石矿物学杂志,1987,6(4):372～373 3 术语和定义 下列术语和定义适用于本规程: a.矿物(mineral):主要是由地壳及其邻层中化学元素通过地质作用形成的(也包括宇宙中形成的)天然单质或化合物。它们具有一定的化学组成和内部结构,在一定的物理化学条件范围内稳定,是组成岩石和矿石的基本单元。 b.矿物标本的整理(mineral specimen neaten):是矿物标本收集(主要是采集)后,为了进一步对标本进行科学研究的准备工作。根据矿物标本资源描述标准将矿物标本分为标本、薄片、光片、模型(模具)及其他。 c.新矿物的矿物标本(type mineral specimen):用以确定矿物种的考证样品。新矿物的标本称为标准标本。可根据所提供测试数据的情况分为以下三种: ——全型标本(holotype):由作者提出的单一标本,该标本能取得所有原始描述中的数据。 ——附型标本(cotype):由作者确定的,可以取得原始描述中的定量级数据的那些标本。附型标本只是用以提供定量数据,而不是所有必须的数据。 ——补型标本(neotype):当全型及附型标本遗失后,虽经一切办法找原标本仍无结果时,修订者或重新研究者所选定的标本,用以代表失落的标本,即使该标本经过实验研究与原有全型与附型标本化学式及晶胞常数有微细差别,但只要确定属于同种,也可作为补型标本。所有补型标本须经国际矿物学协会新矿物及矿物命名委员会(CNMMN)、国际矿物学会(IMA)批准。 4 矿物标本的整理 4.1 概念 对获得的矿物标本进行整理的工作包括标本的清理、修复、编号、登记、建档以及与该标本有关的图像、资料的收集归档工作。 4.2 整理工具 手套、刷子、小錾子、尖针、小铁锤、小号水枪、放大镜、摩氏硬度计、未上釉的瓷板、磁针、小刀、黏结剂、记录本、记录笔、编目卡片。 4.3 标本编号的工具 油漆、油漆刷、胶布、编号笔。 4.4 标本盛放的材料 ——软纸、海绵和棉花:包装材料,避免矿物原始晶体受到损坏,亦可作为细小完整晶体的包装用。 ——标本盒:盛放矿物标本。 ——玻璃瓶:主要用于存放易潮解、易氧化的矿物标本及较小的矿物标本。 4.5 工作环境的要求 整理标本的场地要有足够的空间、相应的工作台,可以将标本展开摆放,同时整理室还要有良好的通风和采光设备。 4.6 整理的内容与方法 4.6.1 去包装 拆除包装箱,顺序拿出每件标本,对照装箱登记单,核对每件标本包装上的编号及野外记录号,按序排放。 4.6.2 清理标本 用细软的刷子清除标本表面的灰尘、泥土等附着物(可利用小錾子、尖针等剔除)。再把标本清洗干净,将原始标签一同放入托盘内。 4.6.3 标本观察与研究 利用肉眼(可借用放大镜、双目镜)观察和研究矿物的形态、表面物性特征,共生及伴生矿物之间的时空分布特点。选定切光(薄)片的部位以及测试方法。若所选测试方法是对单矿物进行分析,则需要选单矿物,单矿物样品纯度越高越好,步骤包括破碎和分选,后者可分为手选、重选、浮选、磁选及电选等。 4.6.4 标本鉴定和研究 将一个矿物标本正确无误定名,鉴定工作需要运用各种矿物鉴定方法并结合野外定名或原始资料,与已知矿物查对,正确定名。对未知矿物提出进一步鉴定方案。鉴定报告需

       高光谱遥感的原由介绍如下：

       高光谱遥感涉及通过机载或星载传感器获得的辐射从地球表面的物体或场景中提取信息。

       一般来说，高光谱成像是现代成像系统和传统光谱技术的结合。机载和卫星高光谱传感器技术的发展已经克服了多光谱传感器的限制，因为高光谱传感器将可见光、近红外(NIR)、中红外和短波红外部分的多个窄光谱带组合在一起。

       国外的高光谱成像仪研制情况

       由于高光谱遥感在地物属性探测方面的巨大潜力，成像光谱技术得到了普遍重视。

       （1）机载高光谱成像仪

       1983年，第一幅高光谱影像由美国研制的航空成像光谱仪（AIS-1）获取，标志着第一代高光谱成像仪的面世。1987年，美国宇航局（NASA）喷气推进实验室（JPL）研制成功航空可见光/红外成像光谱仪（AVIRIS），这标志着第二代高光谱成像仪的问世。

       （2）星载高光谱成像仪

       在航天领域，由美国喷气推进实验室研制的对地观测计划中的中分辨率成像光谱仪（MODIS），随TER2RA卫星发射，成为第一颗在轨运行的星载成像光谱仪，从2000年开始向地面传送图像。

       2000年，NASA发射的EO21卫星上搭载的高光谱成像仪（Hyperion），地面分辨率为30m，已在矿物定量填图方面取得了很好的应用效果。2002年美国的海军测绘观测（NEMO）卫星携带的海岸海洋成像光谱仪（COIS）具有自适应性信号识别能力，满足军用和民用的不同需求。另外，2007年6月交付美Kirtland空军基地的高光谱成像传感器将通过Tac2Sat23卫星载入太空。

       目前，许多国家都在积极研制自己的高光谱传感器，已明确有发射计划的有德国环境监测与分析计划的EnMAP，南非的多传感器小卫星成像仪MSMI和加拿大高光谱环境与资源观测者HERO。

       好了，关于“hyperion高光谱”的话题就到这里了。希望大家通过我的介绍对“hyperion高光谱”有更全面、深入的认识，并且能够在今后的实践中更好地运用所学知识。