高光谱遥感技术范文
时间：2023-12-04 17:57:42
导语：如何才能写好一篇高光谱遥感技术，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
关键词：高光谱遥感；叶面积指数（LAI）；反演模型
Abstract: High spectrum remote sensing technology as the inversion of crop leaf area index ( LAI ) are a powerful tool, in recent years it has been pay more and more attention of both domestic and foreign scholars. The paper systematically summed up the use of hyperspectral remote sensing inversion of LAI value general methods, including experimental field establishment, data acquisition, LAI value, HVI value calculation, determination of inversion model is generated in five steps. Summarizes some common crop optimal LAI value quantitative inversion model for future related research, consulting.
Key words: remote sensing; leaf area index (LAI); inversion model
中图分类号：S127文献标识码：A 文章编号：
引言
遥感技术是指远距离、 在不直接接触目标物体情况下,通过接收目标物体反射或辐射的电磁波,探测地物波谱信息,并获取目标地物的光谱数据与图像,从而实现对地物的定位、 定性或定量的描述。随着遥感技术的不断发展，遥感传感器的数据获取技术趋向于“三多”和“三高”方向发展，“三多”是指多平台、多传感器、多角度获得遥感数据；“三高”则指高空间分辨率、高光谱分辨率和高时相分辨率遥感数据的获取[1]。
现代遥感技术应用于农业生产已经有 20多年的历史,该技术在作物认别、 面积计算、作物长势监测、灾害评估和产量估计等方面取得了重大成绩。高光谱遥感是高光谱分辨率遥感（(Hyper spectral Remote Sensing）的简称，是指利用高光谱传感器以高光谱分辨率获取连续的地物光谱图像的遥感技术，这里的高光谱分辨率是指传感器用于探测地物的电磁波总波段宽度较宽（如MODIS传感器达到了0.4~14.5um）、波段数较多（如美国 Analytical Spectral Devic公司生产的 FieldSpec Pro FR2500型背挂式野外高光谱辐射仪输出波段数多达2150个）、每个子波段的波段宽度较窄（如MODIS传感器的最小子波段宽度为5~10nm）[2]。高光谱遥感与常规遥感的区别在于常规遥感又称宽波段遥感, 每个子波段的波段宽度一般为100 nm,且波段在波谱上不连续,并不完全覆盖整个可见光至红外光 (0.4～2.4μm)光谱范围[3]。高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质在高光谱遥感中能被探测到。
目前，国内外在利用高光谱遥感手段反演植物的绿色叶面积指数，进而控制精准农业生产的技术方面有很多的研究。植物的绿色叶面积指数（LAI）是表征植被光合面积大小和冠层结构的重要参数。它参与许多生物和物理过程，与植物的呼吸蒸腾、太阳光吸收、通风透光、雨水的吸收等密切相关，同时还是作物生产中判断作物长势优劣的重要参数。因此，实时、动态监测作物LAI值状况具有重要意义。而高光谱遥感技术以其快速、无损和大面积探测等特点，正逐步成为LAI值估测的有力工具。
叶面积指数反演的一般建模方法及精度评定
近年来，虽然在高光谱遥感技术反演植物的绿色叶面积指数，进而指导精准农业这一领域的相关研究较多，但综合地总结并指导相关反演模型建立方法的文献却不多。本文在该领域各位先驱研究学者的研究、实践基础上，比较系统地总结出了高光谱植被指数与农作物叶面积指数之间定量模型的建立方法应当包括试验田建立、光谱数据采集、LAI值测定、HVI值计算、反演模型的生成五个步骤，并阐述了反演模型用于实际生产中的农作物LAI值的反演评估情况。
2.1试验田的建立
为了确定农作物叶面积指数（LAI）与农作物光谱特性之间的定量关系，一般需要针对欲研究的农作物建立试验田，试验田要充分模拟自然界中该农作物在各种生长情况下的理化特征，如农作物的正常生长情况、缺少肥料的情况、施肥过量的情况、缺水情况、过渡灌溉情况等等，便于之后采集的农作物高光谱数据具有一般性。
目前国内外主要采取物理胁迫以及化学胁迫的方法对试验田中的农作物作相关处理，使试验田中的农作物尽可能全面的包含在自然界中的各种生长情况。通过胁迫实验使所采集到的农作物光谱数据包含了农作物在各种生长条件下的反射光谱, 可保证之后所建立的定量模型有较广泛的适应性和一般性。
2.2农作物高光谱数据测量
篇2
随着全球环境问题日益突出,环境灾害与环境事故频发,卫星遥感技术在环境监测与管理中得到大量应用,在环境保护中发挥的作用受到国际社会的高度重视。美国、日本及欧洲的一些国家近年来都在大力发展环境遥感监测技术。目前在轨运行的和计划发展的国内外卫星传感器提供数据的空间分辨率已从公里级发展到亚米级,重复观测频率从月周期发展到几小时,光谱波段跨越了可见光、红外到微波,光谱分辨率从多波段发展到超光谱,遥感数据获取技术正走向实时化和精确化,卫星遥感应用正在向定量化和业务化快速发展[1]。当前,我国环境监测任务十分繁重,特别是对基于卫星遥感技术的环境遥感监测有着迫切需求。
1、遥感技术简介
遥感技术(remotesensing,简称rs)是在现代物理学、空间技术、计算机技术、数学方法和地球科学理论的基础上建立和发展起来的边缘科学,是一门先进的、实用的探测技术,目前正进入一个能快速、及时提供多种对地观测及测量数据的新阶段。按遥感平台的高度大体上可分为航天遥感、航空遥感和地面遥感,按所利用的电磁波的光谱段分类可分为可见反射红外遥感,热红外遥感、微波遥感3种类型,按研究对象可分为资源遥感与环境遥感两大类。随着热红外成像、机载多极化合成孔径雷达和高分辨力表层穿透雷达和星载合成孔径雷达技术日益成熟,遥感波谱域从最早的可见光向近红外、短波本文由收集整理红外、热红外、微波方向发展。波谱域的扩展将进一步适应各种物质反射、辐射波谱的特征峰值波长的宽域分布。高光谱遥感的发展,使得遥感波段宽度从早期的0.4μm(黑白摄影)、0.1μm多光谱扫描)到5nm(成像光谱仪),遥感器波段宽度窄化,针对性更强,可突出特定地物反射峰值波长的微小差异;同时,成像光谱仪等的应用,提高了地物光谱分辨力,有利于区别各类物质在不同波段的光谱响应特性。
2、环境遥感基础工作的应用技术
水环境遥感监测方面,初步开展了水环境可遥感指标体系研究,对叶绿素a悬浮物有色可溶性有机物溶解性有机碳水面温度透明度等监测指标的光谱特征和规律进行了研究;初步开展了环境一号卫星在水环境领域中的应用潜力分析研究;初步开展了水环境指标(如叶绿素a悬浮物水温)遥感反演与信息提取的技术流程研究大气环境遥感监测方面,初步开展了大气可遥感指标体系研究,对气溶胶悬浮颗粒物o3,so2,no2,co2,ch4等监测指标的光谱特征和规律进行了研究;初步开展了环境一号卫星在大气环境领域中的应用潜力分析研究以及大气环境指标(如气溶胶光学厚度)遥感反演与信息提取的技术流程研究[2]。
2.1 可见光、反射红外遥感技术
用可见光和反射红外遥感器进行物体识别和分析的原理是基于每一物体的光谱反射率不同来获得有关目标物的信息。该类技术可以监测大气污染、温室效应、水质污染、固体废弃物污染、热污染等,是比较成熟的遥感技术,目前国际上的商业和非商业卫星遥感器多属此类。该类遥感技术用于环境污染监测,目前主要是要提高传感器多个谱段信息源的复合,发展图像处理技术和信息提取方法,提高识别污染物的能力。重点发展其在大气污染、温室效应、水质污染、固体废弃物污染、热污染等监测中的应用。
2.2 热红外遥感技术
自然界中的所有物质,无论白天或夜间,都以一定波长向外辐射能量。在热红外遥感中,所有被观测的电磁波的辐射源都是目标物。目前红外探测器所使用的电磁波段,主要有3～5μm和8～14μm两个波段,对地表常温物体的探测通常使用8～14μm波段。热红外遥感主要探测目标物的辐射特性(发射率和温度),鉴别出物质材料的类型,评价出各种现象根据热辐射特征。
2.3 高光谱遥感技术
高光谱遥感技术的发展是人类在对地观测方面所取得的重大技术突破之一,是21世纪的遥感前沿技术。高光谱遥感数据的特点高光谱分辨率和高空间分辨率,它将传统的图像维与光谱维信息融合为一体,在获取地表空间图像的同时,得到每个地物的连续光谱信息,从而实现依据地物光谱特征的地物成份信息反演及地物识别,因此在环境污染物监测中发挥主要作用。
3、遥感技术在生态环境监测与保护中的应用
我国的生态环境日益恶化,因此,如何在保护和改善生态环境的前提下发展生产已经提到了决策者们的议事日程上来。建立生态监测信息系统已经成为当务之急。这样的生态监测系统集生态环境信息管理、数据库管理、生态环境各要素的实时监测、时间和空间查询分析等多功能为一体,可满足实时动态、分时段监测、查询和分析的要求[3]。
目前,环境污染已成为一些国家的突出问题,利用遥感技术可以快速、大面积监测水污染、大气污染和土地污染以及各种污染导致的破坏和影响。近些年来,我国利用航空遥感进行了多次环境监测的应用试验,对沈阳等多个城市的环境质量和污染程度进行了分析和评价,包括城市热岛、烟雾扩散、水源污染、绿色植物覆盖指数以及交通量等的监测,都取得了重要成果。国家海洋局组织的在渤海湾海面油溢航空遥感实验中,发现某国商船在大沽锚地违章排污事件,以及其它违章排污船20艘,并作了及时处理,在国内外产生了较大影响。随着遥感技术在环境保护领域中的广泛应用,一门新的科学——环境遥感诞生了。
篇3
关键词:高光谱 分类 提取 投影寻踪
1 高光谱遥感概述
高光谱遥感(Hyper spectral Remote Sensing 简称HRS)起步于80年代,发展于90年代,至今已解决了一系列重大的技术问题。它是光谱分辨率在10-2λ的光谱遥感,其光谱分辨率高达纳米(nm)数量级,具有波段数众多,连续性强的特点,其传感器在可见光到红外光的波长范围内(0.4μm～2.5μm)范围内以很窄的波段宽度(3～30nm) 获得几百个波段的光谱信息,相当于产生了一条完整而连续的光谱曲线,光谱分辨率将达到5nm～10nm[1]。高光谱遥感数据的表现可以从以下三个方面来理解[2]:图像空间、光谱空间和特征空间。此外,随着高光谱遥感分辨率的增加,特征空间的维数很高,因而表现不同地物类别的能力也随之不断提高,这也是高光谱遥感之所以能够更精确识别地物的主要原因。
2 高光谱遥感的应用
高光谱影像包含了丰富的地表空间、光谱和辐射的三重信息,它同时表现了地物的空间分布并获得了以像元为目标的地物光谱信息。高光谱遥感技术作为连接遥感数据处理、地面测量、光谱模型和应用的强有力工具,其显著特点是在特定光谱区域以高光谱分辨率同时获取连续的地物光谱影像,其超多波段信息使得根据混合光谱模型进行混合像元分解获取“子像元”或“最终光谱单元”信息的能力得到提高,使得遥感应用着重于在光谱维上进行空间信息展开,定量分析地球表层生物、物理、化学过程和参数,随着成像光谱技术的发展与成熟,遥感技术已经大大拓宽了其原来的应用领域,归纳起来主要包括以下几个方面[5]-[19]:1)在精准农业领域的应用(作物参数反演);2)在林业领域的应用(树种识别、森林生物参数填图、森林健康检测等);3)在水质检测领域的应用(反演水质参数);4)在大气污染检测领域的应用(气溶胶、二氧化氮等的检测与反演);5)生态环境检测领域的应用(检测生物多样性、土壤退化、植被重金属污染等);6)在地质调查领域的应用(矿物添图,岩层识别,矿产资源、油气能源探测等);7)在城市调查领域的应用(城市绿地调查、地物及人工目标识别)。
3 高光谱遥感图像分类与信息提取
3.1 遥感图像处理
遥感数字图像处理是以遥感数字图像为研究对象,综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术,实现地学专题信息的自动提取[18],要素分类与提取在图像处理过程中占有决定性的地位。遥感图像分类是统计模式识别技术在遥感领域中的具体应用,统计模式识别的关键是提取待识别模式的一组统计特征值,然后按照一定准则做出决策,从而对数字图像予以识别。其主要依据是地物的光谱特征,即地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像的原始特征值。
3.2 高光谱遥感图像分类与提取
目前,高光谱遥感数据分析方法主要有两个方向[19]-[30]:第一是基于光谱空间的分析方法,其基本原理是化学分析领域常用的光谱分析技术;第二个方向是基于特征空间分析技术,该方向的基本思想是把组成光谱曲线的各光谱波段组成高维空间中的一个矢量,进而用空间统计分析的方法分析不同地物在特征空间中的分布规律。
3.2.1 基于光谱空间的分析方法
高光谱遥感技术的最大特点就是:在地物的每一个像元处,可以得到一条连续的光谱曲线,所有的光谱曲线的集合则构成了光谱空间,不同的地物对应于光谱空间中的一条光谱曲线。因此,基于光谱空间的数据分析方法是高光谱数据分析的主要技术之一,其主要思想类似于化学上常用的光谱分析技术,主要是通过对光谱曲线进行特征分析,发现不同地物的光谱曲线变化特征,从而达到识别地物的目的。由于这种分析方法与地物的物理化学属性直接相关,因此可以方便地对分析结果进行物理解释:由于分析过程主要是针对一个像元的光谱曲线,因此,算法往往比较直观和简单。这些特点使得基于光谱空间的分析技术成为引人注目的一种技术,因而,近年来在这方面产生了许多实用的研究结果。
常用的分析方法包括:(1)光谱角填图法(SAM-Spectral Angle Mapping):又称光谱角度匹配法.是以实验室测得的标准光谱或从图像上提取的一直已知点的平均光谱为参考,求算图像中每个像元矢量(将像元n个波段的光谱响应作为n维空间的矢量与参考光谱矢量之间的广义夹角,根据夹角的大小来确定光谱间的相似程度,以达到识别地物的目的。(2)光谱解混技术(Spectral Unmixing):就是假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成,解混的目的就是通过某种分析和计算,估计出光谱混合方式和混合像元包含的光谱成分及相应比例。(3)光谱匹配滤波技术(Matched Filter):是通过部分光谱解混技术求解端元光谱丰度值的技术。由于前面介绍的线性光谱解混技术要求端元光谱足够完全,而实际上很难确定一幅待研究的高光谱图像所包含的全部端元光谱。匹配滤波技术则选定某些感兴趣的端元光谱的情况下,把未知的光谱归为背景光谱(Unknown background),最大化地突出已知端元光谱而同时尽可能抑制背景光谱,这种方法提供了一种快速探测指定地物种类的技术,而不必知道一幅图像中包含的全部端元光谱。(4)光谱特征匹配(SFF-Spectral Feature Fitting):根据电磁波理论,不同的物质有不同的光谱曲线。人们可以通过分析不同地物的光谱吸收表现,达到识别不同地物的目的。首先把反射光谱数据的吸收特征突出出来,然后用仅保留了吸收特征的光谱与参考端元光谱逐个波段进行最小二乘匹配,并计算出相应的均方根误差(RMS-Root Mean Square),消除背景影响的方法主要是包络线法。
3.2.2基于特征空间的分类方法
前面介绍的基于光谱空间的分析方法主要是通过比较待分像元的光谱曲线与参考光谱的光谱曲线之间的相似程度来达到分类判别的目的。这种思想看起来很直观和理想,类似于人的指纹识别一样,每一个人都有不同的指纹,通过与指纹库中的指纹相比较就可以确定人的身份。然而,遥感问题却远远复杂得多,由于太阳辐射、大气、空间分辨率和光谱分辨率,观测噪声,及多种多样难以确定的因素的影响,很难测得所谓“纯”的光谱曲线。尽管有多种多样的光谱解混技术被提出,但多种因素的影响很难被充分估计出来,因而无论何种光谱分析技术都无法完全达到遥感图像辩识的要求。
另一种遥感图像地物辩识的思想则是从统计分布规律出发,在同一幅图像上,不同地物的光谱数据呈现不同的分布状态,比如不同均值和方差,通过分析这种统计分布规律而实现地物识别的技术就是基于特征空间的分类方法。遥感图像上的每个像元对应n个光谱波段反射值。假若把这几个波段值组成的n维矢量看作是n维欧几里德空间中的一个点,则称矢量X=(X1,X2,…,Xn)为像元的特征值,相应的n维欧几里德空间称为特征空间。在特征空间的意义上,遥感图像上的任一像元对应于特征空间中的一个点,因此,分类的方法可以从寻找像元在特征空间中的分布规律入手,也就是在特征空间中进行判别的问题。
常用的分析方法包括:(1)高斯最大似然分类器(MLC):是遥感分类的主要手段,其基本思想是,假设各类样本数据都是高斯分布(正态分布),判别准则为所属类别的分布密度最大。其分类器被认为是一种稳定性、鲁棒性好的分类器。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样木不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。(2)基于Bayes准则的分类器: 基于Bayes准则的判别函数是统计模式识别的参数方法,要求各类的先验概率P(ωi)和条件概率密度函数P(ωi x)已知。p(ωi)通常根据各种先验知识给出或假设它们相等: P(ωi x)则是首先确定其分布形式,然后利用训练样本估计其参数。一般假设为正态分布,或通过数学方法化为正态分布。其判别函数为:Di(X)=P(ωi) P(ωi x),i=1, 2,…,m。若Di(X)Dj(X) j=1,2,…,m,j≠i,则X为ωi类。判别函数集有多种导出形式,如最大后验概率准则、最小风险判决准则、最小错误概率准则、最小最大准则、Neyman-Pearson准则等,是依据不同的规则选择似然比的门限来实现的。(3)最小距离判别法:该方法是最直观的一种判别方法,假设在p维欧氏空间中,把c个不同的类别看成分布在空间中的不同位置,最小距离判别方法的思想就是,对待分类的样本,若与某一类的空间几何距离最近,则判别为属于此类。该方法的关键问题,一是如何定义空间距离;另一问题是,如何计算点到各类别的空间距离。(4)基于模糊集理论的判别分类方法:相邻波段影像间存在较大的相似性表明,它们的分类作用可以相互近似替代。因此,只需利用其中的一幅影像参加分类即可,其它与之相似的光谱波段都可被视为冗余波段。显然,要删除这些冗余光谱波段,应首先对原始波段集合中的光谱波段进行模糊等价划分,然后在每个模糊等价波段组中只选择一个光谱波段(或进行线性融合)。(5)基于人工神经网络的分类法:通过建立统一框架,实现对影像的视觉识别和并行推理,是近年来发展起来的综合数据分类方法之一。其目标是利用人工神经网络技术的并行分布式知识处理手段,以遥感影像为处理对象,建立基于人工神经网络的遥感影像分类专家系统。(6)支持向量机(Support Vector Machine )分类方法:支持向量机是一种建立在统计学习理论基础之上的机器学习方法。其最大的特点是根据Vapnik的结构风险最小化原则,尽量提高学习机的泛化能力,即由有限的训练样本集得到小的误差能够保证对独立的测试集保持小的误差。另外,由于支持向量算法是一个凸优化问题,局部最优解也是全局最优解,这是其它学习算法所不及的。以上介绍了几种分类方法,事实上,随着各学科的发展和交叉影响,基于特征空间的分析方法有许多新的进展。
4高光谱遥感数据分类存在的问题
随着光谱分辨率的提高,高光谱遥感能够提供对地物识别更充分的信息,对基于特征空间的分类而言,理论上说,随着特征空间维数的增加,分类精度将会越来越精确,但实际问题并非如此简单。综合以上高维空间的几何特征和统计特性[31]-[36],可以得出这样的结论:基于统计理论的参数估计若在原始高维空间进行,则需相当庞大的训练样本数才能得到比较满意的估计精度,非参数估计方法所需的样本数量更是不可想象。此外,原始高维数据空间的正态分布特性更是难以保证,而正态分布是许多参数估计方法的基础。因此,高光谱遥感分类的表现并未如人们所期望的那样简单,具体来说,在不讨论客观因素的情况下,影响高光谱遥感分类精度的主要因素主要是以下几条:
(1)训练样本数量问题:根据Hughes的研究结果[37],随着特征空间维数的增加,类别可分性提高,但由于遥感中常用的监督分类方法首先要估计样本的分布函数,或分布函数中的一些参数,随着空间维数的增加,待估参数的个数急剧增加,在训练样本数量一定的条件下,导致分类精度在特征空间的维数增加到一定数量后,反而会随着维数的增加而下降。
(2)特征空间的组成:前一个问题导致基于特征空间的分析方法通常不能在原始空间中直接进行,必须对原始波段空间进行降维预处理,得到一个保持了原始空间全局和局部特征结构的低维空间,然后在低维子空间中进行分类判别。
(3)分类器的选择。
(4)类别可分性:类别可分性是数据集固有的一种性质,是由客观条件造就的数据集内在结构,由于客观因素的影响,待分辨的类别之间可区分的程度会有很大的差异,数据集的这种内在的可分离程度对分类精度的高低有着至关重要的影响。
5 结语
过去几十年高光谱遥感已经在各方面有了很大的应用,高光谱技术从遥感的角度提供了大尺度获取地面光谱数据的手段,为人们宏观分类识别地物提供了基础。但是人们在获取大量高光谱图像数据的同时,也面临着如何最大程度地利用这些海量数据的难题,关于高光谱分类与信息提取的技术,虽然取得了一些进展,但是从总体上仍落后于传感器的发展,因此对于高光谱分类与信息提取还有很大的空间值得去研究。
参考文献
[1] 童庆禧,张兵,郑兰芬.高光谱遥感的多学科应用[M].北京:电子工业出版社,2006:1-54.
[2] 许卫东.高光谱遥感分类与提取技术[J].红外(月刊),2004,28-34.
[3] 薛利红,罗卫红,曹卫星,等.作物水分和氮素光谱诊断研究进展[J].遥感学报,2003,7(1):73-80
[4] 金震宇,田庆久,惠凤鸣,等.水稻叶绿素浓度与光谱反射率关系研究[J].遥感技术与应用,2003,18(3):134-137.
[5] N.H.Younan, R.L.King, H.H.Bennett, and JR. Classification of Hyper spectral Data: A Comparative Study [J], Precision Agriculture, 2004(5):41-53.
[6] 程乾,黄敬峰,王人潮,等.MODIS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究[J].应用生态学报,2004,15(8):1363-1367.
[7] 张良培,郑兰芬,童庆禧,等.利用高光谱对生物变量进行估计[J].遥感学报,1997,1(2):111-114
[8] 赵德华,李建龙,宋子键.高光谱技术提取植被生化参数机理与方法研究进展[J].地球科学进展,2003,18(1):94-99.
[9] 方红亮,田庆久.高光谱遥感在植被监测中的研究综述[J].遥感技术与应用,1998,13(1):62-69.
[10] 陈楚群,潘志林,施平.海水光谱模拟及其在黄色物质遥感反演中的应用[J].热带海洋学报,2003,22(5):33-39.
[11] 李素菊,吴倩,王学军,等.巢湖浮游植物叶绿素含量与反射光谱特征的关系[J].湖泊科学,2002,14(3):228-234.
[12] 谭衢霖,邵芸.遥感技术在环境污染监测中的应用[J].遥感技术与应用,2000,15(4):246-251.
[13] 童庆禧,郑兰芬,王晋年.湿地植被成像光谱遥感研究[J].遥感学报,1997,1(1):50-57.
[14] 夏德深,李华.国外灾害遥感应用研究现状[J],国土资源遥感,1996,(3):1-8.
[15] 甘甫平,王润生,郭小方,等.高光谱遥感信息提取与地质应用前景――以青藏高原为试验区[J],国土资源遥感,2000,3:38-44.
[16] 王青华,王润生,郭小方.高光谱遥感技术在岩石识别中的应用[J].国土资源遥感,2000,4:39-43.
[17] 刘建贵,张兵,郑兰芬,等.城乡光谱数据在城市遥感中的应用研究[J].遥感学报,2000,4:221-228
[18] 梅安新,彭望,秦其明,等.遥感导论[M].北京:高等教育出版社.2002.
[19] 荆凤,陈建平.矿化蚀变信息的遥感提取方法综述[J].遥感信息,2005,2:62-65.
[20] 耿修瑞,张兵,张霞,等.一种基于高维空间凸面单形体体积的高光谱图像解混算法[J].自然科学进展,2004,14(7):810-814.
[21] CARL J. LEGLEITER. Spectrally Driven Classification of High Spatial Resolution, Huperspectral Imagery: A Tool for Mapping In-Stream Habitat [J].Environmental Management, 2003, 32(3):399-411.
[22] 甘甫平,王润生,马蔼乃,等.基于光谱匹配滤波的蚀变信息提取[J]. 中国图像图形学报,2003,8(A)(2):147-150.
[23] 李新双,张良培,李平湘.基于小波分量特征值匹配的高光谱影像分类[J].武汉大学学报•信息科学版,2006,31(3):274-277.
[24] P.Goovaerts. Geostatistical incorporation of spatial coordinates into supervised classification of hyperspectral data [J].Geograph Syst, 2002, (4):99-111.
[25] 刘汉湖,杨武年,沙晋明.高光谱分辨率遥感在地质应用中的关键技术及前景[J]. 世界地质,2004,23(1):45-49.
[26] Francesco Lagona. Adjacency selection in Markov Random Fields for high spatial resolution hyperspectral data [J].Geograph Syst, 2002(4):53-68.
[27] 李石华,王金亮,毕艳.遥感图像分类方法研究综述[J]. 国土资源遥感,2005,2:1-6.
[28] 王国明,孙立新. 高光谱遥感影像优化分类波段选择[J].东北测绘,1999,22:21-23.
[29] Allan Aasbjerg Nielsen. Spectral Mixture Analysis: Linear and Semi-parametric Full and Iterated Partial Unmixing in Multi-and Hyperspectral Image Data [J]. Mathematical Imaging and Vision. 2001(15): 17-37.
[30] 修丽娜,刘湘南. 人工神经网络遥感分类方法研究现状及发展趋势探析[J].遥感技术与应用,2003,18(5):339-345.
[31] 张连蓬.基于投影寻踪和非线性主曲线的高光谱遥感图像特征提取及分类研究[D].山东:山东科技大学,2003.
[32] Shailesh Kumar, Joydeep Ghosh and Melba M. Crawford.Hierarchical Fusion of Multiple Classifiers for Hyperspectral Data Analysis [J]. Pattern Analysis & Application, 2002 (5): 210-220
[33] 谭璐,易东云,冯国柱,等.局部不变投影[J].自然科学进展,2004,14(3):282-287.
[34] 李智勇,郁文贤,匡纲要,等.基于高维几何特性的高光谱异常检测算法研究[J].遥感技术与应用,2003,18(6):379-383.
[35] 周晓云,孙志挥,张柏礼. 一种大规模高维数据集的高效聚类算法[J].应用科学学报.2006, 24(4):396-400.
[36] 易尧华. 基于投影寻踪的多(高)光谱影像分析方法研究[D].武汉:武汉大学,2004.
篇4
关键词：遥感水质监测遥感数据
1水体遥感监测的基本理论
1.1水体遥感监测原理、特点。影响水质的参数有：水中悬浮物、藻类、化学物质、溶解性有机物、热释放物、病原体和油类物质等。随着遥感技术的革新和对物质光谱特征研究的深入，可以监测的水质参数种类也在逐渐增加，除了热污染和溢油污染等突发性水污染事故的监测外，用遥感监测的水质数据大致可以分为以下四大类：浑浊度、浮游植物、溶解性有机物、化学性水质指标。
利用遥感技术进行水环境质量监测的主要机理是被污染水体具有独特的有别于清洁水体的光谱特征，这些光谱特征体现在其对特定波长的光的吸收或反射，而且这些光谱特征能够为遥感器所捕获并在遥感图象中体现出来。如当水体出现富营养化时，浮游植物中的叶绿素对近红外波段具有明显的“陡坡效应”，故而这类水体兼有水体和植物的光谱特征，即在可见光波段反射率低，在近红外波段反射率却明显升高。
1.2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（如图）。
图1：遥感监测水质步骤简图
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。
SPOT地球观测卫星系统，较陆地卫星最大的优势是最高空间分辨率达10m。SPOT数据应用于水质研究中，学者们也做了一些研究。如可以利用SPOT数据来估算悬浮物质浓度和估计藻类生物参数。
AVHRR(高级甚高分辨率辐射计)是装载在NOAA列卫星上的传感器，每天都可以提供可见光图像和两幅热红外图像，在水质监测等许多领域广泛应用，如1986年，国家海洋局第二海洋研究所用NOAA数据对杭州湾悬浮固体浓度进行了研究。
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LandsatETM 、EO--1ALI、MODIS，欧空局的EnvlsatMERIS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提高水质遥感监测精度。研究表明利用遥感进行水质参数反演，其反演精度、稳定度、空间可扩展性受遥感波段设置影响较大，利用星载高光谱数据进行水质参数反演，对其上百的波段宽度为10nm左右的连续波段与主要水质参数的波谱响应特性进行研究，确定水质参数诊断性波谱及波段组合，形成构造水质参数遥感模型和反演的核心技术，提高水质监测精度。
3.2.6扩展水质遥感监测模型空间。系统深入的研究水质组分的内在光学特性，利用高光谱数据和中、低分辨率多光谱数据进行水质遥感定量监测机理研究，进行水质组分的
定量提取和组分间混合信息的剥离，消除水质组分间的相互干扰，建立不受时间和地域限制的水质参数反演算法，形成利用中内陆水体水质多光谱遥感监测方法和技术研究低分辨率遥感数据进行大范围、动态监测的遥感定量模型。
3.2.7改进统计分析技术。利用光谱分辨率较低的宽波段遥感数据得到的水质参数算法精度都不是很高，可以借鉴已在地质、生态等领域应用的混合光谱分解技术，人工神经网络分类技术等，充分挖掘水质信息，建立不受时间和地域限制的水质参数反演算法，提高遥感定量监测精度。
3.2.8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]张继贤，乔平林.水资源环境遥感监测与评价[M].北京:测绘出版社，20__.
[2]谢欢，童小华.水质监测与评价中的遥感应用[J].遥感信息，20__.
[3]齐峰，王学军.内陆水体水质监测与评价中的饿遥感应用[J].环境科学进展，1999.
[4]解亚龙，李勃，王星捷等.滇池悬浮物污染丰度的遥感检测分析[J].昆明理工大学学报，20__.
[5]张海林，何报寅.遥感应用于湖泊富营养化评价的研究[J].上海环境科学，20__.
[6]刘灿德，何报寅.水质遥感监测研究进展[J].世界科技研究与发展，20__.
[7]万余庆，张凤丽，闫永忠.高光谱遥感技术在水环境监测中的应用研究[J].国土资源遥感，20__.
[8]周艺，周伟奇，王世新等.遥感技术在内陆水体水质监测中的应用[J].水科学进展，20__.
[9]李嵘.遥感技术在水环境监测中的应用研究[J].江西化工，20__.
[10]顾先冰，司群英.国内外遥感卫星发展现状[J].航天返回与遥感，20__.
作者简介：
篇5
关键词：土地资源；水质；草原
引言：在上世纪60 年代初期，卫星遥感技术获得了体系化成长，逐渐成为观测技术领域的重要应用。卫星遥感技术的监测主体具有远程性，采取非直接接触形式，完成监测目标性能探测，具有探测结果的高效性、探测数据的准确性、探测应用的成本可控性、探测范围的规模性等优势。
1 在土地资源勘测作业事项中遥感技术应用表现
1.1 土地资源遥感应用范围
土地资源探测工作中融合遥感技术时，主要探测土地资源性能，关注土地资源数据动态变化，加强土地资源数据更新，便于从动态化、多样化等视角，完成土地资源属性探测工作，以期有效提升土地资源遥测工作的有序性、智能性。与此同时，遥测技术在土地质量检测、生态性测评等方面，获得了广泛应用，提升其遥感技术在土地资源相关单位的应用价值，为相关土地资源利用开发工作提供技术支持，提升了土地资源保护效果，加强了土地资源相关决定的准确性。
1.2 获取土地资源信息
针对土地资源开展的遥测工作，以获取土地资源相关信息为重要项目。在获取土地资源信息期间，针对遥感数据实际获得了土地资源信息，比如时间、空间等，依据土地资源属性加以数据归类，提升土地资源信息获取的有效性。在信息处理期间，信息提取的方式，通常表现为两种，第一种方法为“目视归类法”，第二种信息提取方法为“人工智能分类法”。目视归类的提取应用，是以人工智能分类为基础衍生而出的新型应用技术。
此信息提取方法的分析流程为：针对遥感影像加以筛选，开展图像信息分析与甄别，在影像中完成标志设立，开展针对性判断与信息读取，完成数据图绘制与面积比例确定，加强影像图误差消除，综合开展精细化数据分析等。目视归类法，现阶段在全国范围的土地资源相关工作中获得了实践性应用，获取了相关有效的监测成果[1]。
2 在水资源勘测作业事项中遥感技术应用表现
2.1 获取水资源信息
获取水体信息时，遥测信息类别具体表现为：水资源分布情况、水资源面积测算等。针对此类信息获取程序，常用的信息技术包括：
以图像融合相关信息技术为基础，比如色彩设计、IHS与HPH变化、比值测算等，以此提升水体信息显示的直观性。
以光谱关系的应用基础，借助波段组合确定光谱规则的适用性，借助目视判断解读、阈值筛选等程序应用，精准获取水体信息。
以遥感指数法为应用基础，借助亮度、植被等指数遥测技术，在地面径流较少的区域，有效获取水资源信息。
在三种水资源信息获取途径中，遥感指数法的测量效果较为精准，获得了相关水资源行业的广泛认可。
2.2 水质监测
在监测水质情况时，分别从地面、航空等视角，完成水域质量情况探测，诊断水资源结构中的各项表现，比如反射、吸收等，以此确定水污染相关信息。一般情况下，水质遥测技术测定项目具体表现为：叶绿色含量、水体透明程度、悬浮物在区域水环境中的占比、有机物溶解处理效率等。高光谱遥测技术，获取的遥感数据，在水质检测工作中发挥出较为重要的作用。高光谱遥测技术展现的遥测数据，能够以曲线性质表现出水质定量遥感具体情况，为遥测数据获取增加了直观性、精细性。
3 在林草湿地资源勘测作业事项中遥感技术应用表现
3.1 遥测森林资源
针对森林资源开展的监测工作，主要面向森林灾害予以防范。森林灾害主要表现为：火灾、病虫害。在针对火灾安全事故开展遥测工作时，设定了卫星数据方位周期，形成了以气象卫星为基础的监测体系，运行状态稳定。针对病虫害问题开展的森林资源监测工作，是借助光谱反射现象，获取植物可能性产生的病虫害表现。利用机载高光谱完成遥感数据分析工作，能够在光谱曲线特征中确定相关植物种类的病症，比如灵芝茎基腐病。结合光谱曲线获取的遥测数据，精准确定植物健康性，以此完善森林资源防虫害工作体系。
3.2 遥测草原资源
利用第三代实用气象观测卫星、气象卫星程序传感器等技术传输的数据，获取植被、牧草等信息，判断草原资源生长与气象之间存在的关联关系，由此获取区域牧草长势，发挥出遥测技术的应用价值。利用遥感技术，能够完成区域草原分布、长势情况的信息获取，为相关单位绿化建设、环境保护工作提供有效支撑[2]。
3.3 遥测湿地资源
湿地资源在遥测期间，存在的工作障碍为湿地划分依据，相应提升湿地信息处理难度。现阶段，针对湿地资源监测工作，采取的是综合型监测方式，借助空间分辨率、光谱分辨率、遥感影像多种技术，协同完成监测工作，以此获取湿地资源的监测动态性，在神经网络分类法作用下，科学完成森林湿地类型划分，具有划分的精准性。
4 在矿产资源勘测作业事项中遥感技术应用表现
4.1 获取岩矿信息
针对岩矿信息开展的遥感测定工作，能够为地质学发展提供科学依据。在探测期间，采取岩矿信息识别、获取岩矿侵蚀变化情况、建设遥感找矿程序等形式，系统性开展矿产资源探测工作。矿物结构中包含的成分有晶体、阴阳离子等。此类物质在吸收光波后，形成了差异性光谱特征，借助此类光谱特征，采取相似指数、光谱角等形式，判断岩矿信息，提升信息获取的实效性。
4.2 监测矿山资源
监测矿山资源时，旨在为矿山开发相关作业程序提供指导信息。监测项目具体包括：开发区域具体情况，比如适用的开采形式、确定开采区域等；矿山区域地质条件，采场区域确定、统计废弃物数量等。借助高空间分辨率能够完成矿山资源的全面监测，获取可用的遥感数据，加强自动信息分类提取，结合人机数据交互，提升数据可读性，以期直观展现矿山环境的具体情况，为矿山开发相关事业增加科学指导。
结论：综上所述，在信息处理技术发展背景下，遥感技术相应获得了成熟化发展。现阶段，针对自然资源开展的探测工作，尚未制定较为完善的探测标准与行为规范，相关理论与应用研究，尚需深入研究，以期在实践探测活动中检验遥感技术的应用能力，使其应用获得完善，为自然资源相关工作提供技术支持。
参考文献
[1]尤淑撑，何芸.自然资源遥感监测体系建设现状与发展展望[J].无线电工程，2020，50(05):343-348.
篇6
关键词：遥感地质勘查技术；具体应用；研究分析
1 遥感地质勘查技术的概述
1.1 遥感地质勘查技术的基本概念
遥感地质勘查技术指通过遥感器对检测的数据运用电磁、光谱进行扫描识别的技术，由于地质勘查的范围比较广，因此在地质勘查期间主要利用的是飞机和卫星遥感器。遥感地质勘查技术在地质勘查工作中的运用能够有利于深入分析所勘查地质的特性，能够全面而深入的研究所勘查的地质信息和地质特征，同时还能为地质勘查获取更为科学的数据和理论。遥感地质勘查技术与传统的地质勘查技术相比，遥感地质勘查技术的检测数据结果更加的准确，而且检测效率也比较高，因此在地质勘查方面的作用越来越重要。
1.2 遥感地质勘查技术的基本特点
首先，遥感地质勘查技术具有科学性。由于遥感地质勘查主要以数据信息来分析地质状况，因此，需要大量且准确的数据，而遥感地质勘查技术主要使用卫星、飞机等遥感器来对勘查的地质实施科学计算，同时利用电磁技术和光谱技术等，通过计算机技术将勘查的地质情况利用航拍获得信息数据，使我国的遥感地质勘查技术更具科学性[1]。
其次，遥感地质勘查技术也具有精确性。由于地质勘查所运用的技术比较先进，同时，随着人们对矿产资源的需求越来越大，因而在地质勘查中的分工越来越细化，而遥感地质勘查技术可以通过电磁技术和光谱技术进行对勘查的地质进行扫描，根据实际扫描额结果显示，遥感地质勘查技术获得的检测数据具有精确性，因而如今被广泛的运用于地质勘查工作中。
2 遥感地质勘查技术的具体应用研究
2.1 遥感地质勘查技术在地质构造信息获取方面的应用
在地质研究过程中，由于地质结构比较复杂，因而在获取准确有效信息的过程中需要相关的设备技术，遥感技术在勘查找矿的工作中运用比较广泛，工作人员根据空间信息数据分析寻找到矿厂的地质标志，然后在提取空间信息的过程中则运用到遥感技术，并对地质结构进行深入的分析研究，并测绘出相关的线性图像，以及地质构造研究中需要注意方面。
在酸性岩体和火山盆地等地质的研究中，需要运用遥感地质勘查技术，可以将勘查的地质结构以图像的形式展现，为地质勘查工作提供科学有效的数据。但由于遥感技术在成像的过程中受到的影响因素比较多，因此，如果遥感地质勘查技术在使用时受到影响，则形成的图像比较模糊，所以使得地质的线性形迹和地质纹理信息都不能全面清晰的显示出来，工作人员在短时间内无法快速弄明白地质结构，这对地质勘测工作产生严重的影响[2]。为了促使遥感地质勘查技术的广泛使用，同时也为了合理运用遥感地质勘查技术，因此，在实际地质勘查工作中，地质勘查工作人员在地质构造成像中主要采用的是人机交互和目视解译等方式，主要通过获取相关的关键信息，然后制作成图，为地质构造提供参考。
2.2 遥感地质勘查技术能够通过获取植被光谱来确定矿产的具置
由于矿区中的金属或者矿物质对周围植被的生长环境产生一定的影响，并且矿区周围的地下水以及地下微生物等对矿区的结构层产生影响，使得矿区的结构层发生很大的改变，让原来比较规律的矿物质结构层发生错乱，对植被生长的土壤层造成破坏，而生长在土壤中的植物在吸收土壤中的养分时，土壤中的金属元素或者矿物质元素进入植被中，使得植物在生长过程中吸收矿区的金属或矿物质元素，让植被的叶绿素发生改变，并通过植被的反射光谱体现出来。而遥感技术正是通过对植被反射光谱的检测分析、以及确定光谱信息来判断该区域是否有矿物质，由于不同种类的植被在吸收金属元素或者矿物质元素后会在不同的器官位置呈现出不同的特点，因而在使用遥感技术时，需要地址勘查工作人员根据不同的植被光谱信息进行全面分析。为了确保对植被光谱分析判断的准确性，工作人员可以收集大量的植被光谱资料，并对其色调进行研究分析，同时在使用遥感技术时，可以利用遥感技术直接分离提取异常色调，进而分析出金属植被的吸收能力和聚集能力。
2.3 遥感勘查技术能够利用岩矿光谱技术识别岩矿性质和地质类型
在遥感地质勘查技术发展运用过程中，主要运用的是岩矿光谱技术，在地质勘查中运用更多的是多光谱技术和高光谱技术，由于多光谱技术和高光谱技术都是通过提取多光谱蚀变信息进而实现对岩石性质的识别，同时也能够对高光谱的矿物质加以识别。其具体的运用如下：由于多光谱技术具有较低的光谱分辨率，因而光谱特征的表现力也比较弱，所以在实际地质勘查运用期间主要以图像线性信息和图像的灰度变化来分析岩矿的特性[3]。而高光谱技术不仅可以获取到连续光谱信息，而且能对不同的地质类型加以直观的识别判断。根据上述的分析，在实际的遥感地质勘查技术运用中，主要将多光谱技术和高光谱技术综合使用，因此在岩矿性质和岩矿地质类型的分析中都能获取准确有效的信息。
3 提高遥感地质勘查技术应用的具体措施
在遥感地质勘查技术应用过程中，其应用范围比较广泛，为地质勘查工作做了非常大的推动作用，同样，随着社会对矿物质资源的需求越来越大，遥感地质勘查技术在应用过程中也存在许多问题，需要工作人员在遥感地质勘查期间采取合理的措施。
首先，地质勘查工作人员要加强对遥感技术的理论研究，实际地质勘查是对理论的实践研究，而在实际地质勘查期间遇到的问题则需要通过理论研究来解决，因此，需要地质勘查工作人员深入研究大量与遥感技术有关的文献资料，并提出新的理论研究，人们对地质勘查的进一步认识提供有价值的参考。
其次，要加强地质勘查技术方面的支持。目前，遥感地质勘查技术的应用正在不断的扩展，为了提高遥感地质勘查技术的运用范围，一方面要对遥感地质勘查技术保持其先进性，另一方面还要培养一批先进遥感地质勘查技术人才，只有配套的技术人才搭配才能在地质勘查工作中获取高效、高质量的成果。除此之外，还要对遥感地质勘查技术的有效应用进行指导并加以规范，尤其是对遥感地质勘查技术方面的责任制度，要及时解决在实际地质勘查中遇到的问题，并在解决问题的同时提出新的发展方向，进而促进我国遥感地质勘查技术的可持续发展。
在国家经济迅速发展的过程中，国家对矿产资源的需求量不断增加，随着遥感地质勘查技术的运用，一方面提高了地质勘查工作的效率，另一方面解决了社会对地质勘查精确度的高要求。本文主要从遥感地质勘查技术在地质构造信息获取、通过植被光谱确定矿产位置、以及利用岩矿光谱技术进行分别岩矿信息和类型等方面进行深入的研究，从而提出了遥感地质勘查技术在应用方面的具体措施，以此促使遥感地质勘查技术的可持续发展。
参考文献
[1]闫佳 .遥感地质勘查技术与应用研究[J].科技经济市场，2014，06：135.
篇7
关键词：土壤重金属；高光谱遥感；估算方法；统计分析；预测精度
中图分类号：TP79；S158；S153.6 文献标识码：A 文章编号：0439-8114（2013）06-1248-06
土壤是人类赖以生存的主要自然资源之一，也是人类生态环境的重要组成部分[1]。随着工业的发展和农业生产的现代化，大量污染物进入土壤环境，其中重金属是重要的污染物质之一[2]。土壤污染中重金属主要指汞、镉、铅、铬以及类金属砷等生物毒性显著的物质，也指具有一定毒性的一般重金属如锌、铜、钴、镍、锡等，目前最令研究者关注的重金属是汞、镉、铅等。土壤重金属污染不仅会造成农作物减产，质量下降，严重者会通过食物链影响人体健康，因此对土壤重金属含量进行监测非常必要。传统的野外采样和室内化学分析方法具有测量精度高、准确性强等优点，但相对费时费力，而且很难获取大面积空间上连续的污染物含量分布信息。遥感技术因其多时相、大面积等特点逐渐被研究者应用于土壤性质的监测，高光谱遥感则以其多且连续的光谱波段特点被应用于监测土壤重金属含量，可以实现大范围、非破坏性和非接触元素的快速测样[3，4]。
由于土壤中重金属含量低，对土壤光谱曲线影响微弱，直接分析土壤样品重金属元素的特征光谱来估算其含量比较困难。通过借助重金属元素与土壤有机质、黏土矿物、铁锰氧化物、碳酸盐矿物之间的吸附或赋存关系，可以间接反演土壤重金属元素含量，反演精度在一定程度上取决于重金属元素与这些组分之间的相关性[5-7]。
近年来国内外学者在土壤重金属遥感反演研究方面已经取得长足进展，多数研究基于实验室的土壤光谱分析。例如有学者基于土壤可见-近红外、近-中红外反射光谱特征，实现了对矿区用地[8，9]、农业用地[10，11]、潮滩[12，13]等研究区土壤重金属元素含量的反演研究。如Kemper 等[8]利用土壤反射光谱反演了Aznalcollar矿区土壤As、Hg、Pb以及Fe元素的含量。国内的Wu等[10]利用实验室土壤的反射光谱模拟Hymap、Aster以及TM影像波段，实现了大面积监测南京江宁地区土壤Hg污染，发现估测土壤中Hg的最佳波段和土壤Fe的吸收波段一致，且相关分析表明土壤Hg的含量与土壤反射率成负相关关系。另外Moros等[12]在研究中发现了土壤重金属元素和有机物质之间的相关性，基于土壤可见-近红外和中红外反射光谱，建立偏最小二乘回归模型，实现了对河滩土壤中As、Cd、Co等元素污染水平的定量监测。
土壤反射光谱特征与重金属元素含量之间的定量反演研究，可为进一步应用空间或航空遥感技术进行高光谱遥感定量监测土壤重金属污染提供技术和理论支持，为土壤中重金属含量的快速监测和大面积的土壤重金属污染评价提供技术支撑。
1 土壤光谱特性及特征波段的提取
土壤光谱信息是土壤表层各种属性的综合反映，其中土壤颜色、质地、有机质含量和各种矿物质成分等对土壤光谱的影响作用较为明显[14]。土壤属性与实验室实测反射光谱的相关关系已得到证实：在可见光和近红外波段，土壤光谱的吸收特征主要是由金属离子的电子跃迁形成，在短波红外区域，土壤的吸收主要归因于有机质、层状硅酸盐、碳酸盐、硫酸盐等矿物质的各类分子团中化学键的伸展、弯曲、变形等振动[7]。
土壤中有机质、氧化铁、黏粒比例的增加，会降低土壤光谱反射率；土壤有机质与反射率较强的相关关系主要反映在可见光波段，而土壤氧化铁和黏粒则在近红外波段可以得到更精确的区分[15]。在可见光波段，土壤光谱曲线斜率较大，429、490 nm附近是土壤氧化铁微弱的吸收峰，470 nm附近则是土壤氧化锰微弱的吸收峰，波长600 nm附近是土壤有机质典型的反射峰，815 nm附近则是有机质的次反射峰，在近红外波段，反射光谱的斜率较小，接近水平。900 nm附近的吸收峰是土壤中3价铁所致，1 000 nm附近的吸收峰是土壤中铁的氢氧化合物特征谱带，1 400、1 900、2 200 nm附近的吸收峰是土壤硅酸盐矿物中水分子羟基伸缩振动和Al―OH弯曲振动的合频谱带，湿度降低了所有光谱段的反射率并在1 400、1 900 nm处产生较强和较宽的吸收带。2 455 nm附近的吸收峰则是土壤碳酸盐中CO32-基团振动产生的谱带[16，17]。图1为土壤样品的原始光谱曲线示意图。
通常土壤反射光谱需要预处理以突出光谱信息中的细微特征，常见预处理方法有光谱反射率的微分、倒数对数和连续统去除等，以此来获得表征不同土壤成分的特征波段。但实际工作中需要针对不同的土壤背景条件，不同的重金属污染类型，更加系统地分析土壤反射光谱特征差异，运用合适的预处理方法和统计方法提取研究区土壤特征波段，建立土壤重金属的光谱特征数据库。土壤重金属特征光谱的确定，可为区域土壤重金属含量反演模型的建立（包括特征波段参数选择）打下基础[11]。
2 土壤重金属含量反演的主要方法
土壤中重金属元素含量很低，在土壤反射光谱的各波段没有明显的吸收特征，且土壤组成成分复杂，每个组分对反射光谱的影响是非线性混合，致使土壤的反射辐射过程复杂。用物理模型进行反演较难，通常采用统计方法分析土壤重金属含量与反射光谱特征之间的相关性，间接实现对土壤重金属元素含量的估算。常用方法主要包括单变量以及多元统计分析方法，多元统计方法较之单变量方法反演精度要高[16，18，19]。也有研究同时采用以上两种方法来计算土壤重金属含量[10，18]。
2.1 单变量统计分析方法
单变量统计法主要运用相关分析方法来探讨土壤重金属含量与光谱反射率之间是否存在较为显著的相关性，选择相关性最显著的波段建立模型来预测土壤重金属含量。根据波段选择方法不同可分为单波段分析方法和波段有效变换后的分析方法。
如李淑敏等[11]利用光谱分析的方法探讨北京地区农业土壤中重金属含量与可见-近红外光谱反射率的相关关系，通过对土样原始反射光谱及其一阶、二阶微分光谱与各土壤重金属含量进行单波段分析，确定了Cr、Ni、Cu等8种土壤重金属的特征光谱，建立了估算土壤重金属含量的回归模型。任红艳[18]研究分析了矿区农田土壤原始反射光谱和经过连续统去除后的光谱信息，确定了土壤光谱反射率与重金属元素含量相关性最大的波段，得到了反演Cu、Cd等重金属元素含量的最佳拟合模型。
由于土壤的高光谱反射率极易受到环境差异的影响，单波段反射率建立反演模型稳定性不足，因此可用敏感波段均值处理或组合等变换后的光谱波段与土壤重金属含量进行相关分析，提高模型的稳定性，达到更高的预测精度。蒋建军等[20]通过对敏感波段511 nm处对应的有机质诊断指数R/R450-750进行间隔10 nm的均值化处理，以敏感范围均值R507-516/R450-750取代敏感波段R/R450-750作为自变量x，建立了有机质含量的预测模型，然后根据有机质含量和重金属含量之间的关系间接反演Cd含量。此外，根据不同波段反射率提供的信息可以互相补充的特点，解宪丽等[7]提出利用波段组合方法能够显著提高光谱变量和重金属含量间的相关性的论点，所建立Pb、Zn等元素的反演模型的可靠性要优于单波段预测方法。
2.2 多元统计分析
多元统计分析是光谱学研究中预测光谱特征物质的常用方法，因其综合使用较多的波谱段，提高了统计预测的精度[18]。多元逐步回归分析、主成分回归（PCR）分析和偏最小二乘回归（PLSR）分析是目前分析土壤组成与反射光谱间关系常用的统计方法[16]。此外，还有研究用人工神经网络方法[9]或多种多元统计分析方法相结合[21，22]来反演土壤重金属含量。
2.2.1 多元逐步回归法 多元逐步回归法是根据土壤重金属含量与土壤反射光谱的相关分析，找出与重金属元素相关性较好的光谱特征波段，对各重金属含量与特征波段的光谱变量进行多元回归分析。根据回归系数和F统计量最高、均方根误差最小的原则，选择土壤重金属高光谱遥感监测的最佳回归模型。多元逐步回归分析方法简单明了，常被用来确定对于某种化学成分敏感的波段，并说明敏感波段值与这种化学成分浓度有较好的相关性，据此可以用这些确定的波长位置来估计化学成分的浓度[19]。
龚绍琦等[17]通过对滨海盐土土壤光谱进行处理，通过对镉、铜、镍等重金属含量与反射光谱变量的相关分析，获得了反演土壤成分的特征波段为429、470、490、1 430、2 398、2 455 nm，利用逐步回归分析方法分别建立了反演上述几种重金属元素的最佳遥感模型。另外王维等[23]运用土壤光谱反射率、一阶微分、倒数对数这3种光谱数据对土壤铜含量进行了多元逐步回归分析，并比较了不同光谱预处理方法对模型精度的影响。
2.2.2 主成分回归法 主成分回归分析是一种多元回归分析方法，被广泛应用在化学与测谱学分析中[22]。它利用全部光谱信息并进行压缩，将高度相关的波长点归于一个独立变量，提取为数不多的独立变量建立回归方程，通过内部检验来防止过度拟合。用预测均方根误差（RMSEP）来评价模型的预测能力。
其中：ym是土壤重金属含量实测值，yp是对应的模型预测值。
部分学者用主成分回归分析方法取得了很好的预测效果。Wu等[10]用 PCR 法建立了室内土壤光谱与Hg含量的反演模型， 二者相关系数R=0.69，均方根误差RMSE=0.15。任红艳等[22]利用在实验室获取的矿区农田土壤可见-近红外反射光谱与土壤As和Fe的浓度数据构建了反演As和Fe的PCR预测模型，并指出其预测能力要优于偏最小二乘回归预测模型。但现有研究也证明PCR预测能力要受重金属种类的影响[24，25]，如Islam等[24]用紫外-近红外-可见光谱反演了农业土壤中Ca、Mg等元素的含量，但对K、Na元素的反演能力就差。
2.2.3 偏最小二乘回归法 偏最小二乘回归方法作为一种有效的光谱分析方法，在光谱数据处理中已得到广泛应用。该方法提供一种多对多线性回归建模的方法，当两组变量的个数很多，且都存在多重相关性，而观测数据的数量又较少时，与传统的多元线性回归分析方法相比，PLSR方法解决了多元线性回归方法所面临的多重共线性问题，可概括提取光谱信息，从而较为准确地定量反演重金属元素含量。而且与主成分回归分析相比，PLSR方法不仅很好地概括光谱信息，而且还要求新生成的成分对因变量（重金属）有最强的解释性。在某种意义上，PLSR模型综合了多元线性回归和主成分分析两种方法。此外，与人工神经网络法（ANN）相比，PLSR 的因子负荷可以形象地揭示自变量与因变量的关系，从而有助于理解利用反射光谱反演无明显光谱特征重金属的机理。基于上述原因，目前研究中广泛采用PLSR来反演土壤重金属元素含量，并取得了很好的反演效果[26-30]。模型的反演能力同样由预测均方根误差来评价。
国外Kooistra等[31]发现利用河滩土壤的反射光谱可以较好地反演土壤重金属Zn、Cd的污染水平，指出利用土壤可见-近红外反射光谱建立的PLSR模型是定量分析河滩土壤成分及重金属含量的有效途径。国内Ren等[32]应用PLSR方法，分析长江口盐沼土壤的反射光谱，定量反演了土壤重金属As和Cu的含量，并取得了极显著相关的结果。郑光辉等[33]用PLSR方法建立反射光谱与土壤As含量之间的模型，通过交叉验证、估算检验建模精度，证明了利用反射光谱反演土壤As含量的可行性。表1列举了用反射光谱定量反演土壤重金属含量的主要统计分析方法。
3 模型精度的影响因素分析
在土壤重金属含量反演模型建立过程中，很多因素会对模型精度产生影响，所以很难全面地估计所建立的光谱模型精度。在不同的研究区域，由于土壤类型[32]、组分和污染水平的不同[34]，模型的应用会受到限制，精度也会受到一定影响。对于同一研究区域，重金属元素种类、样品集数量、元素的分析形态及化学分析误差[9]、高光谱波段范围的选取[35，36]及高光谱数据的处理方法等因素都会对模型的反演精度产生影响。以下主要就高光谱数据处理方法对模型精度的影响进行总结讨论，采取合适的光谱数据处理方法会提高光谱模型的响应预测能力。
3.1 合适的光谱分辨率
合适的光谱分辨率能提高模型反演精度。刘华等[37]通过对光谱采样间隔为1 nm的土壤反射率和EO-1卫星Hyperion高光谱波段建模效果比较发现，不论是比较预测值与实测值的相关系数，还是相对误差，前者所建模型对土壤重金属含量的反演要好于后者，说明光谱分辨率高，对土壤定量反演能力较好。
但研究也证实并不是光谱分辨率越高，重金属预测精度就越高。有些学者通过对重采样后降低了光谱分辨率的数据进行分析也取得了较好的预测精度。因重金属元素光谱特征较宽，不需尖锐的吸收峰，且相对较低的光谱分辨率增强了光谱信噪比， 从而提高了预测精度。郑光辉等[33]采用经过多元散射校正处理后的数据反演土壤砷的含量，进行2、4、6、8、16、32和64 nm重采样，分别进行建模、验证和反演，表明土壤的4 nm分辨率光谱的建模、验证和估算结果最佳。其他研究也得出类似结论，如Kemper等[8]认为宽的采样间隔（10或20 nm）减少了噪声的影响，得出较好的反演结果。但过大的采样间隔也会损失部分光谱信息，降低模型精度。如黄长平等[38]证实在使用经验方法估算没有明显光谱特征的成分时，光谱分辨率不是一个必要条件，这为模拟卫星传感器波段反演土壤重金属含量提供了理论依据。
同时有研究结果表明，不同重金属元素最佳采样间隔不同[39]。在实际工作中要根据重金属种类、土壤理化性质来选取合适的光谱分辨率而提高模型的精度。
3.2 不同光谱预处理方法
为了提高模型预测精度，建模之前先对初始反射光谱进行预处理。研究证实最佳预测结果与光谱预处理方法有关，土壤光谱数据预处理可以消减光谱中因受随机因素影响而产生的误差，增强相似光谱之间的差别、突出光谱的特征值，提高重金属含量的响应能力、回归模型的稳定性和预测能力[40，41]。然而并非所有的预处理方法都可以取得理想的预测结果。目前常用的光谱预处理方法有一阶微分（FD）、二阶微分（SD）、光谱倒数对数[log（1/R）]、连续统去除（CR）和多元散射校正（MSC）等。
微分光谱是光谱分析中常用的预处理方法，可消除基线漂移或平缓背景干扰的影响，并可提供比原始光谱更高的分辨率和更清晰的光谱轮廓变换，增强土壤重金属的光谱信息，提高模型的精度。如王维等[23]证实应用一阶微分处理后的光谱逐步回归表现较好，预测精度高于原始反射率和光谱倒数对数的处理方法。但Wu 等[39]认为一阶微分不能明显提高估算精度，未经任何处理的原始光谱同样可以表达土壤属性。Kooistra等[13]研究发现，导数变换并不能显著提高预测效果，与Volkan等[42]的研究结果一致。
光谱的倒数对数处理方法也具有较理想的处理效果。土壤反射率经对数变化后，不仅增强可见光区的光谱差异（可见光区的原始光谱一般偏低），而且趋向于减少由于光照条件、地形等变化引起的随机因素影响，提高模型精度。王璐等[16]对天津污灌区土壤光谱特征预测土壤重金属含量的能力进行了分析和评价，结果表明光谱的倒数对数log（1/R）是估算土壤重金属元素含量较理想的指标，尤其是对Cd和Pb，检验精度R2超过0.8。
多元散射校正方法由于可以有效去除散射影响，提高信噪比，也可以得到最佳建模、验证和反演结果。任红艳等[22]利用主成分回归方法研究矿区农田土壤砷含量与反射光谱的关系时发现多元散射校正可显著提高模型的估算能力。邬登巍等[35]通过对样品的中红外（MIR）漫反射光谱进行多种预处理，结果表明，依次经平滑、基线校正、多元散射校正预处理能显著提高中红外光谱数据的反演精度。
4 高光谱模型在模拟多光谱数据方面的应用
利用现有多光谱遥感传感器可以进行土壤重金属元素的监测。不少研究建立了土壤重金属含量与模拟HyMap、TM、ASTER以及 Quickbird 光谱的关系，虽然模型精度比高光谱数据模型精度略低，但可以进行大面积监测。
王璐等[16]采用PLSR方法对模拟的TM和ASTER多光谱数据进行分析，发现土壤重金属Cd、Hg和Pb都与TM数据的第三波段（661 nm）和ASTER的第二（658 nm）、第四（1 655 nm）、第五（2 166 nm）波段有较高的相关性，而这些波段与土壤中有机质、氧化铁以及黏土矿物对光谱的影响波段较接近。同样李巨宝等[43]通过对土壤样品重金属含量和ETM+数据的模拟光谱数据STM进行相关分析，发现位于短波红外的TM7波段是预测土壤Fe、Zn、Se含量的最佳波段。另外刘华等[37]也用不同的模型进行了土壤室内光谱与相关高/多光谱数据波段匹配模拟的研究。
光谱模拟数据是理想状态下的结果，实际遥感应用中土壤光谱特征成分（总铁、有机质以及黏土矿物等）在高/多光谱遥感数据上的表现必然受到植被及大气等背景信息的干扰和影响。从模拟光谱层次的研究到遥感影像层次的应用还需要考虑更多因素的影响。但以上研究同样可以为利用遥感技术快速、大面积、有效地进行土壤重金属动态监测提供理论依据和技术途径。
5 土壤重金属含量遥感反演中出现的问题及研究前景
近年来在应用高光谱数据定量反演土壤重金属含量的研究取得了较大的进展，但存在建模形态单一，特征光谱数据库数据不足及准确性不高，应用范围较窄及降噪程度不够等原因造成的对目标物定量反演准确度不高等方面的问题。总体来说，运用高光谱技术估算土壤中重金属元素含量，其模型拟合总体精度能达到75%～80%，平均相对误差30%～40%，验证精度60%～70%[15]。
因野外获取反射光谱或者高空遥感应用会受到很多因素影响，如地表状况（粗细度、土壤湿度、植被覆盖等）、大气吸收和光照情况等，目前用遥感手段对土壤重金属理化特性研究的工作多局限于实验室的光谱分析。以实验室反射光谱预测研究为基础，介于实验室反射光谱和高空遥感应用之间的野外土壤反射光谱研究将是未来研究重点。随着遥感技术的不断创新，遥感反演土壤重金属含量的方法也越来越多。建立更适合于现有遥感技术的模型来反演土壤重金属含量以及提高模型的模拟精度将是未来研究的主要目标。
参考文献：
[1] 林凡华，陈海博，白 军.土壤环境中重金属污染危害的研究[J].环境科学与管理，2007，32（7）：74-76.
[2] 陈兴兰，杨成波.土壤重金属污染、生态效应及植物修复技术[J]. 环境整治，2010（3）：58-62.
[3] 吴健生，宋 静，郑茂坤，等.土壤重金属全量监测方法研究进展[J].东北农业大学学报，2011，42（5）：133-139.
[4] 李湘洲.重金属铅和镉对土壤与作物的危害及防治[J]. 经济林研究，2000，18（4）：12-13.
[5] 贺军亮，蒋建军，孙中伟，等.土壤重金属含量光谱估算模型的初步研究[J].农机化研究，2009（9）：22-25.
[6] WU Y Z， CHEN J， JI J F， et al. A mechanism study of reflectance spectroscopy for investigating heavy metals in soils[J].Soil Science Society of America Journal，2007，71（3）：918-926.
[7] 解宪丽，孙 波，郝红涛.土壤可见光-近红外反射光谱与重金属含量之间的相关性[J]. 土壤学报，2007，44（6）：982-993.
[8] KEMPER T， SOMMER S. Estimate of heavy metal contaminationin soil after a mining accident using reflectance spectroscopy[J]. Environmental Science and Technology，2002，36（12）：2742-2747.
[9] SIEBIELEC G， MCCARTY G W， STUCZYNSKI T I， et al. Near-and mid-infrared diffuse reflectance spectroscopy for measuring soil metal content[J]. Journal of Environmental Quality， 2004， 33（6）：2056-2069.
[10] WU Y Z， CHEN J， JI J F， et al. Feasibility of reflectance spectroscopy for the assessment of soil mercury contamination[J]. Environmental Science & Technology，2005，39（3）：873-878.
[11] 李淑敏，李 红，孙丹峰，等.利用光谱技术分析北京地区农业土壤重金属光谱特征[J].土壤通报，2011，42（3）：730-735.
[12] MOROS J， DE VALLEJUELO S F， GREDILLA A， et al. Use of reflectance infrared spectroscopy for monitoring the metal content of the estuarine sediments of the Nerbioi-Ibaizabal River（metropolitan bilbao， bay of biscay， basque country）[J]. Environmental Science & Technology，2009，43（24）：9314-9320.
[13] KOOISTRA L， WEHRENS R， LEUVEN R， et al. Possibilities of visible-near-infrared spectroscopy for the assessment of soil contamination in river floodplains[J]. Analytica Chimica Acta， 2001，446（1-2）：97-105.
[14] 汪善勤，舒 宁.土壤定量遥感技术研究进展[J]. 遥感信息，2007（6）：89-93.
[15] 孙 华.土壤重金属污染修复及其遥感评价研究概述[J]. 浙江师范大学学报（自然科学版），2005，28（4）：446-450.
[16] 王 璐，蔺启忠，贾 东，等.基于反射光谱预测土壤重金属元素含量的研究[J].遥感学报，2007，11（6）：906-913.
[17] 龚绍琦，王 鑫，沈润平，等.滨海盐土重金属含量高光谱遥感研究[J]. 遥感技术与应用，2010，25（2）：169-177.
[18] 任红艳.宝山矿区农田土壤――水稻系统重金属污染的遥感监测[D].南京：南京农业大学，2008.
[19] 吴昀昭. 南京城郊农业土壤重金属污染的遥感地球化学基础研究[D]. 南京：南京大学，2005.
[20] 蒋建军，徐 军，贺军亮，等.基于有机质诊断指数的土壤镉含量反演方法研究[J].土壤学报，2009，46（1）：177-182.
[21] JANIK L J， FORRESTER S T， RAWSON A. The prediction of soil chemical and physical properties from mid-infrared spectroscopy and combined partial least-squares regression and neural networks （PLS-NN） analysis[J]. Chemometrics and Intelligent Laboratory Systems，2009，97（2）：179-188.
[22] 任红艳， 庄大方， 邱冬生， 等. 矿区农田土壤砷污染的可见-近红外反射光谱分析研究[J]. 光谱学与光谱分析，2009，29（1）：114-118.
[23] 王 维，沈润平，吉曹翔. 基于高光谱的土壤重金属铜的反演研究[J]. 遥感技术与应用，2011，26（3）：348-354.
[24] ISLAM K， SINGH B， MCBRATNEY A. Simultaneous estimation of several soil properties by ultra-violet， visible， and near-infrared reflectance spectroscopy[J]. Australian Journal of Soil Research，2003，41（6）：1101-1114.
[25] CHANG C W， LAIRD D A， MAUSBACH M J， et al. Near-infrared reflectance spectroscopy-principal components regression analysis of soil properties[J]. Soil Science Society of America Journal，2001，65（2）：480-490.
[26] VISCARRA ROSSEL R A， WALVOORT D J J， MCBRATNEY A B， et al. Visible， near-infrared， mid-infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties[J]. Geoderma，2006，31（1-2）：59-75.
[27] VAN GROENINGEN J W， MUTTERS C S， HORWARTH W R， et al. NIR and DRIFT-MIR spectrometry of soils for predicting soil and crop parameters in a flooded field[J]. Plant Soil，2003，250（1）：155-165.
[28] MOROS J， MARTNEZ-SANCHEZ M J， PEREZ-SIRVENT C， et al. Testing of the region of murcia soils by near infrared diffuse reflectance spectroscopy and chemometrics[J]. Talanta，2009，78（2）：388-398.
[29] SUMMERS D， LEWIS M， OSTENDORF B， et al. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties[J]. Ecological Indicators，2011，11（1）：123-131.
[30] CHODAK M， NIKLINSKA M， BEESE F. Near-infrared spectroscopy for analysis of chemical and microbiological properties of forest soil organic horizons in a heavy-metal-polluted area[J]. Biol Fertil Soils，2007，44（1）：171-180.
[31] KOOISTRA L， WANDERS J， EPEMA G F， et al. The potential of field spectroscopy for the assessment of sediment properties in river floodplains[J]. Analytica Chimica Acta，2003，484（2）：189-200.
[32] REN H Y， ZHUANG D F， SINGH A N， et al. Estimation of As and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy： a case study[J]. Pedosphere，2009，19（6）：719-726.
[33] 郑光辉，周生路，吴绍华.土壤砷含量高光谱估算模型研究[J].光谱学与光谱分析，2011，31（1）：173-176.
[34] DONG Y W， YANG S Q， XU C Y， et al. Determination of soil parameters in apple-growing regions by near and mid-infrared spectroscopy[J]. Pedosphere，2011，21（5）：591-602.
[35] 邬登巍，吴昀昭，马宏瑞. 基于中红外漫反射光谱的土壤重金属元素含量预测研究[J]. 光谱学与光谱分析，2010，30（6）：1498-1502.
[36] SONG Y X， LI F L， YANG Z F， et al. Diffuse reflectance spectroscopy for monitoring potentially toxic elements in the agricultural soils of Changjiang River Delta， China[J]. Applied Clay Science，2012，64：75-83.
[37] 刘 华，张利权.崇明东滩盐沼土壤重金属含量的高光谱估算模型[J]. 生态学报，2007，27（8）：3427-3434.
[38] 黄长平，刘 波，张 霞，等.土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究[J]. 遥感技术与应用，2010， 25（3）：353-341.
[39] WU Y Z，CHEN J，WU X M，et al. Possibilities of reflectance spectroscopy for the assessment of contaminant elements in suburban soils[J]. Applied Geochemistry，2005，20（6）：1051-1059.
[40] GALVEZ-SOLA L， MORAL R， PEREZ-MURCIA M D， et al. The potential of near infrared reflectance spectroscopy （NIRS） for the estimation of agroindustrial compost quality[J]. Science of the Total Environment，2010，408（6）：1414-1421.
[41] 李民赞.光谱分析技术及其应用[M].北京：科学出版社，2006.
篇8
关键词 地质矿产勘测；高科技技术；应用研究
中图分类号P5 文献标识码A 文章编号 1674-6708（2014）114-0126-02
地质矿产勘测技术发展至今，已经有非常久的历史了，勘测技术也可以说是各式各样，伴随着我国经济的迅猛发展，工业领域对矿产资源的需求量越来越大，而我们要更加注重的就是要把传统的勘测技术与现代的先进的新型勘测技术相结合，以提高矿产的勘测工作效率，进而促进我国经济的发展。
1 中国地质矿产勘测的现状
我国是一个地大物博的国家，总的矿产储备量居全世界前几位，其中有些矿产的储备量更是居世界第一位，可是我国的人口基数大，人均矿产资源的占有率低于世界平均水平，并且矿产的使用率不高，造成了资源的浪费，这也就加剧了我国对于矿产的迫切需求。自建国以后，我国的矿产勘测技术突飞猛进，为我国的经济建设做出了卓越的贡献。不过，我们应该清醒的认识到，虽然我国的矿产储备量很高，但是还有个别种类的矿产资源满足不了我国的经济建设需求，仍需要从外国进口，这就要求我们要不断的改进勘测技术，使用高科技技术，找到更多的矿产资源。
2 新形势下高科技在地质矿产勘测中的应用
2.1 GPS在地质矿产勘测中的应用
2.1.1 GPS含义和原理
全球定位系统（英语：Global Positioning System）通称GPS，它是一个中距离的原型轨道卫星导航系统，可以为地球表面的绝大部分地区提供准确的定位、测速和高精度的时间标准。该系统包括太空中的24颗GPS卫星；地面上1个主控站、3个数据注入站和5个监测站及作为用户端的GPS接收机。它需要各个部分的协调工作，才能确保定位的准确从而获得比较精确地数据。
GPS的工作原理，是对卫星所发出的信号进行处理和汇总，将汇总的数据和信息进行整合，最后对正确的空间位置进行定位。DPS技术应用于全球各个领域，尤其对于地质的勘测有极大的帮助，它具有一定的定位功能，发出的信号和提供的数据具有实时性。GPS对于外界的干扰具有很好的抵制作用，抗干扰能力强，而且对于数据具有保密的功能。GPS主要由九个部分组成，分别是五个监控站、三个注入站和一个主控站。主控站主要是对卫星发出的信号和数据进行分析和整合，然后传输到注入站，注入站再将这些信息和数据输送到存储器中，然后GPS将定位的结果呈现出来。
2.2 GPS在地质矿产勘测工作中的具体应用步骤
2.2.1 GPS进行野外采集的准备工作
首先将GPS进行初始化，使GPS不留原始的数据，这样才能更准确地定位。在初始化完成后，相关的工作人员要建立横向和纵向的测量系统，在用GPS进行定位时，最好使用两台或两台以上的GPS，以其中的一台作为基准，另外两台作为数据的参考，找出这三台GPS在定位中存在的误差，最后综合这三台GPS的定位状况，做出合理分析，得出最终的结论。需要注意的是，在进行野外定位之前，需要对每一台GPS进行初始化设定，从而使三台GPS达到同步的标准。
2.2.2 对GPS野外站点进行位置的选择
通常进行地质勘测的地区都位于山区，山区的树木茂盛，通视条件一般都比较差，于是，在进行野外站点的选择时，要根据当地的实际状况，尽量选择通视条件较好，视野相对开阔的地方，这样有利于卫星对当地数据的收集，提高GPS定位的精确度。
2.2.3 GPS野外站点的数据采集工作
GPS在进行数据采集的时候，数据的精确度受到卫星的高度、当地对卫星干扰的大小等方面的影响。所以，在信息采集的时候，要保持卫星信号的良好，进行数据采集时要保持15分钟以上，根据距离的长度，相应的增加数据采集的时间。如在定位的距离大于5000时，数据的采集工作要持续30分钟以上。如果定位的距离大于10千米时，数据采集工作要持续45分钟以上。
2.2.4 GPS对观测到的数据进行处理
将三台GPS所收集的数据进行整合，得出最准确的数据信息。在进行结算的时候，各项数据都要进行准确的输入，否则都会使整个地质勘测工作无法正常的运行，数据要保留小数点后的四位，尽量地提高数据结算的精确度。
2.3 遥感技术在地质勘测工作中的应用
2.3.1 遥感技术对矿产资源的识别作用
岩石的类别和组成成分是矿物质形成的基础条件，遥感通过对一类岩石的类型和组成成分进行分析，进行数据的整合，发现岩石中是否有矿物质或预测这类岩石是否有成矿的可能性。遥感技术对岩石类别的识别主要通过图像的增强效果、图像的变换和进行图像分析的方法，通过增强岩石在图像中的色调、颜色和纹理，从而更清晰地观察岩石的类别。遥感技术在矿产勘测的工作中发挥着重要的作用。
遥感技术对岩石类型的识别主要依靠光谱和空间特征的差异，高光谱下的遥感技术具有分辨率高、数据精确等特点，近年来被广泛应用于地质矿产的勘测工作。高光谱的遥感可以有效地区分岩石的含矿量，提高矿产勘测的效率。
2.3.2 遥感技术在矿产勘测工作中可以提供矿化蚀变信息
岩石蚀变信息的收集与提取是矿产勘测工作中的一项重要内容，岩石蚀变的类别与岩石的化学成分、相关的矿床类别是密切相关的、岩石蚀变的范围通常大于岩石矿化的范围，因此，岩石蚀变可作为矿产勘探一个重要方法，有助于进行矿产的勘测工作。
岩石蚀变时，其在种类、颜色、结构等方面与其他周围的岩石具有一定的差别，这些差别用遥感技术鉴别时体现出光谱的差异。光谱的差异为遥感技术提取矿物信息提供了有力的保障，因此，可以通过遥感技术进行矿产的勘测工作。
2.3.3 遥感技术对地质构造信息的提取
遥感技术对地质构造信息的提取是矿产勘测工作中的一项重要内容。通过矿产专家的多年实践，矿化蚀变带是有规律可循的，它总是沿着一定地质构造分布。遥感技术对地质构造信息的获取主要呈现出线性的影像和环行的影像，根据不同的成矿条件，可以得出不同的成矿信息。
有些岩石区域的成矿纹理比较模糊，遥感技术使岩石的线性行迹、纹理等信息变得清晰，通过遥感技术对呈现的影像进行相关的处理，如增强边缘的线条、通过比值的分析，使构造的轮廓清晰地展现出来。遥感技术通过对线性和环行的影像进行分析和统计，确定矿物的构造和分布情况，确定矿产分布的规律，对地质矿产的勘测工作具有重要意义。
4 结论
20世纪以来，一系列高科技技术已经被广泛的应用于地质矿产勘测的工作中，新技术、新理念的应用大大提高了地质矿物勘测工作的效率，扩大了矿产资源的开采。加强矿产资源的勘测与开发，获取更多的矿产勘测信息，需要更精准的高科技技术的支持。
参考文献
篇9
关键词：航空遥感技术、现状、应用、趋势、成就
中图分类号：TP7文献标识码： A 文章编号：
一、航空遥感的发展现状
一九六零年美国的学者就提出了遥感这一概念，这是一项FQ综合技术，将其定义为以摄影方式或以非摄影方式获得被探测目标的图像或数据的技术，是为了更加全面的描述这种技术和方法，从现实的意义来分析，通常我们把它称为一种远离的目标，通过非直接接触而判定、测量并分析目标性质的技术。一九七二年第一颗地球资源卫生发射升空，一直以来，法国、美国、俄罗斯、日本、印度以及中国等国家陆续发射了对地观测的卫星，并且越来越多。如今，大气窗口的全部都已被卫星遥感的多传感器技术所覆盖，光学遥感包含以下几种：近红外、见光及短波红外区，以探测目标物的反射和散射热红外遥感的波长可从8／an到14Inn，以射率和温度等辐射特征，微波遥感的波长是从1mm到100cm的范围，其中被动微波遥感主要是以目标的散发射率与温度的探测为主，主动微波遥感通过合成孔径雷达探测目标的反向散射特征。微波遥感能够全天时、全天候的对地进行观测，雷达干涉的测量多数采用两付天线同步成像，或者是一付天线需要隔一段时间之后重复成像，利用同名像点的相位差对地面目标的三维坐标进行测定，精度可以达到5In～10In，差分干涉测量定相对位移量的精度更高，在自动获取数字高程模型的精度上得到很大的提高。航空航天遥感对地定位不依赖地面的控制，也就是对影像目标的实地位置能够确定，过去的一个世纪中取得的重大成果中就包括从空中和太空观测地球获取影像，体出了多平台多传感器航空航天遥感数据获取技术趋向于三高。多平台多传感器航空航天遥感数据获取技术有着非常快速的发展，并趋向于高空间分辨率、高光谱分辨率及高时向分辨率。在二零零一年卫星遥感的空间分辨率有了快速的提高，而时间分辨率的提高则是由于小卫星技术的快速发展，传感器与小卫星星座的大角度倾斜可以以1d～3d的周期获得感兴趣地区的遥感影像。
因为具有全天候全天时的特征，以及应用INSAR和东一INSAR进行高精度三维地形及其变化测定的可能性，因此，全世界各国家都在普遍关心的就是SAR雷达卫星。在机载和星载SAR传感器以及应用研究方面我们国家还处于形成体系的阶段，如今，我们国家将把遥感数据获取的方法全面推进，从而形成自主的高分辨率资源卫星、雷达卫星、测图卫星和对环境与灾害进行实时监测的小卫星群。
二、航空遥感技术的应用
从遥感科学的本质来分析，就是通过对地球表层的遥感，如岩石圈、大气圈、水圈以及生物圈都属于地球表层。根据遥感仪器所选用的波谱性质遥感技术可以分为以下几种，声纳遥感技术、电磁波遥感技术、物理场遥感技术等。电磁波遥感技术是利用各种物体或物质反射出不同的特性的电磁波而进行遥感。包括见光、微波及红外等遥感技术。按照感测目标的能源作用可以分为以下两种技术，包括：被动式遥感技术、主动式遥感技术。如果按照记录信息的表现形式来分的话，可以分为图像方式以及非图像方式，若按遥感器使用的平台来分，可以分为航空遥感技术、航天遥感技术、地面遥感技术等三种技术。从遥感的应用领域来分的话，可以分为环境遥感技术、地球资源遥感技术、海洋遥感技术以及气象遥感技术等。遥感应用具体包括：土地资源调查、陆地水资源调查、植被资源调查、城市遥感调查、地质调查、海洋资源调查、环境资源调查以及考古调查与规划管理等。
三、我国航空遥感技术的发展趋势
科学技术在不断的进步，光谱信息逐渐趋向成像化，雷达成像向多极化发展，光学探测多向化，地学分析也越来越智能化，环境研究也向动态化发展，资源研究方面也趋于定量化，这对遥感技术的实时性有很大的提高，并且对遥感技术的运行性也起到很大的提高作用，使它向多频率、多尺度、全天候的方向发展，与此同时，还要向高效快速以及高精度的目标发展下去。其一、随着高性能新型传感器研制开发水平的不断提高，以及环境资源遥感对高精度遥感数据的要求越来越高，高光谱分辨率以及高空间已经成为卫星遥感影像获取技术的未来发展方向。遥感传感器的改进与突破重点体现在像光谱仪和雷达上，高分辨率的遥感资料对地质勘测以及海洋陆地的生物资源调查都有非常显著的效果。其二、全天候全天时获取影像并穿透地物是雷达遥感具有的能力，并且在对地观测领域有很大的优势。无论是干涉雷达技术，还是被动微波合成孔径成像技术，还是三维成维技术及植物穿透性宽波段雷达技术都在发挥着越来越重要的作用，并且也是实现全天候对地观测的非常主要的技术，使环境资源的动态监测能力得到很大的提高。其三、不断开发陆地表面温度及发射率的分离技术，并使其得以完善，对陆地表面的能量交换进行定量估算并进行监测，除此之外，还要对平衡过程进行监测，这会在全球气候变化的研究中起到更大的作用。其四、由航空、航天与地面观测台站网络等组成的并且以地球作为研究对象的综合对地观测数据获取系统，不但具有提供定性、定位、定量的能力，而且还具有提供全天候、全空间及全时域的数据能力，为资源开发、地学研究、环境保护及区域经济的持续发展提供科学数据，同时提供信息服务。
四、我国在航天遥感技术方面已取得的巨大成就
在对地观测系统中一项重要的组成部分就是航空遥感，无论是在灾害应急响应监测方面，还是在高精度地表测量中以及矿产资源探测等领域都发挥着非常重要的作用。有了863计划等国家科技计划的支持，我们国家一直坚持自主创造并不断创新，在无人机遥感、高精度轻小型航空遥感、高效能航空SAR遥感等领域都自主研发了红外、可见光、激光、合成孔径雷达等航空遥感传感器，技术非常先进并且实用性很强，把国外的技术垄断与技术壁垒彻底打破了，研发出一系列的软件及硬件产品，并且是适合我们国家国情的产品，形成独具特色的全国航空遥感网，应用领域包括地矿、测绘、环保、农业、水利、减灾、交通、军事以及一些重大的工程建设，并且发挥出了非常重要的作用。如今，我们国家的遥感技术在国际中处于领导者的地位。
由高精度小型化POS、高精度轻型组合宽角数字相机、稳定平台、轻小型机载LIDAR、超轻型飞机（或无人机）和相应软件组成了高精度轻小型航空遥感系统。此系统与国外一些同类的产品相比，具有以下优点：重量轻、体积水、成本低、功能全并且操作起来非常方便，更重要的是拥有自主知识产权，主要应用于大比例尺测绘、高分辨率对地观测、数字城市建设以及重大自然灾害应急响应等方面，不但可以节省大量的人力、物力以及财力，而且对于遥感工作效率及效益有很大的提高。
高效能航空SAR遥感应用系统不但突破了系统总体与系统集成、X波段干涉SAR、P波段极化SAR技术，而且还突破了地形测图处理技术，技术指标要满足测图精度的要求，这样才能有利于技术流程及标准的形成，把国外技术的封锁彻底打破了，使国内的空白得到了填补，使我国成为世界上第三个拥有先进航空SAR遥感系统的国家。
参考文献：
［1］马蔼乃．遥感概论．北京：科学出版社，1984
［2］浦瑞良，宫鹏．高光谱遥感及其应用．北京：高等教育出版社，2OO0
篇10
关键词:遥感技术 信息提取 找矿
遥感技术(Remote Sensing)即遥远的感知,是20世纪60年代兴起并迅速发展起来的一门综合性探测技术,它是在航空摄影测量基础上,随着空间技术、信息技术、电子计算机技术等当代高新技术的迅速发展,以及地学、环境等学科发展的需要,逐步形成发展的一门新兴交叉科学技术。具有宏观、动态、综合、快速、多层次、多时相的优势。在新技术迅猛发展的今天,遥感技术伴随着航空、航天技术的发展而不断提高与完善,服务领域不断扩展,受到普遍重视,显示出极其广泛的应用价值、良好的经济效益和巨大的生命力。
1、遥感信息提取
全球变化的研究涉及一系列重大全球性环境问题,提出了大量关系到地球的重要科学问题。由于涉及的范围极其广泛,因而具有高度综合和交叉学科研究的特点。叶笃正先生曾指出,“全球环境是一个不可分割的整体,任何区域的环境变化都要受到整体环境变化的制约;反过来,整体环境的变化又是各区域相互影响着的环境变化的综合体”。遥感作为获取地球表面时空多变要素的先进方法,是地球系统科学研究的重要组成部分,是对全球变化进行动态监测不可替代的手段。陈述彭先生指出,没有遥感,就提不出全球变化这样的科学问题。所以遥感对地理信息学科具有巨大的推动作用,就像望远镜对天文学和物理学的推动作用一样。遥感科学的意义在于:对传统地理学来说,遥感要求从定性到定量描述;对传统物理学来说,遥感要求在像元尺度上对局地尺度上定义的概念、推导出的物理定律、定理的适用性进行检验和纠正,而这种纠正是与像元尺度上的地学定量描述密不可分的。
1.1 遥感图像掩膜处理
卫星遥感图像处理,尤其是提取矿化蚀变等微弱遥感信息,需要针对工作区选取尽可能小的图像范围,同时要对工作区范围内图像中的云雾、水体、冰雪、植被、大面积风成土壤等干扰进行掩膜等处理,然后才能进行图像处理。
1.2 去相关拉伸
去相关拉伸变换是原始光谱波段的一种线性变换,这种变换通常是原始光谱波段的加权总和与差。研究表明该方法对一些遥感图像数据有效,能产生好的图像效果和提供新的洞察点;利用这种图像处理方法主要目的是提取一些方法不能提取的一些重要矿化蚀变、侵入体及构造等遥感信息。
1.3 卷积增强
遥感图像上的线性特征,特别是和地质构造和成矿环境有关的线性体和断裂构造的增强处理和分析是遥感图像处理和研究的一个重要方面。对数字图像而言,线性体信息提取目前主要有梯度阈值法、模板卷积法、超曲面拟合法、曲线追踪和区域生长等,地质遥感线性体信息提取采用模板卷积滤波算法效果较好,它是一种邻域处理技术,即通过一定尺寸的模板(矩阵)对原图像进行卷积运算来实现的。
2、遥感技术在地质找矿中的应用现状
长期以来,地质工作者迫切希望能有一种目的性明确、“窥一斑而知全豹”的理论和方法来指导找矿。因此遥感技术以其独有的特点在地质找矿中的作用显得尤为重要。应用遥感与地质资料进行综合分析、预测区域成矿远景等已取得了很多成果。遥感技术在地质找矿中的应用主要表现在两个方面:(1)通过研究遥感影像上的地质构造与成矿的关系,认识成矿规律并圈定找矿远景区。(2)是通过对遥感图像进行增强处理,综合分析,提取一定的地质信息,从而为成矿预测提供有用资料。遥感图像早已非常成功地应用于农、林、水利和交通等部门的调查和规划。在我国最早使用遥感图像的是地质行业,其主要任务就是用于地质找矿。
3、遥感技术信息提取在找矿中应用的相关技术
3.1 遥感图像分析找矿
遥感图像分析找矿是利用各种航天与航空遥感图像进行目视判读,分析已知矿产地质的图像特征,结合地质背景、成矿条件及物化探异常,根据类比的原则从已知推未知,可进行一定的成矿预测。使用大比例尺航空像片,尤其是彩色和红外彩色像片,能直接识别原生矿体及矿化地区的露头,尤其是金属矿床及露头的特异彩色形成良好的找矿标志。例如在彩色航片上磁铁矿、锰矿、煤矿等呈深灰色或黑色;赤铁矿、斑铜矿为红色;孔雀石、铜矿、次生铀矿、次生铬矿为绿色;风化的铁帽常呈褐色;盐矿、石英脉矿呈白色等。由于矿体露头与围岩抗风化、抗侵蚀能力不同,形成岩墙或沟谷,也可直接识别。此外,人工开采区的采矿场、竖井、平峒、废石堆、尾砂等在图像上也能直接识别。
3.2 遥感图像提取矿产信息进行成矿预测
遥感图像提取矿产信息进行成矿预测是利用遥感图像处理技术对遥感图像进行处理,提取矿床、矿化有关信息,如蚀变带、氧化带、铁帽等含矿地质体或某元素地球化学异常区,直接显示在图像上,从而达到找矿的目的。
3.3 遥感图像地质综合分析找矿
遥感图像地质综合分析找矿是以区域地质演化与成矿规律分析为基础,确定出调查区内主要的成矿模式与控矿的地质要素,根据控矿地质要素的遥感信息特征(包括的与隐伏的)选取一定的图像处理方案,进行有关地质信息的增强或提取处理,同时结合物化探资料进行目视图像分析。物化探资料的图像化及用数学地质与遥感地质相结合的方法进行成矿预测,是遥感地质综合找矿向纵深发展的新趋势。
4、结语
目前遥感已成为地质调查和资源勘查与监测的重要技术手段。应用范围已由区域地质、矿产勘查、水文地质、工程地质、环境地质勘查扩大到农业地质、旅游地质、国土资源、土地利用、城市综合调查、环境监测等许多领域。应用技术方法水平随着遥感和计算机技术的发展也有了很大的提高,应用效果和社会经济效益也愈来愈明显。
参考文献
[1]陈述.遥感技术与遥感数字图像分析处理方法、解译制图及其综合应用实务全书[M].银川:宁夏大地音像出版社,2005.9:90-92.