第一次跑高光谱数据结果（高光谱数据处理流程）

大家好！今天让创意岭的小编来大家介绍下关于第一次跑高光谱数据结果的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

• 1、光谱分类技术

• 2、高光谱遥感概述

• 3、成像光谱方法技术

• 4、研究：GEO高光谱红外辐射数据能提升局部强风暴预报质量

一、光谱分类技术

高光谱遥感在地质应用研究中，光谱分类技术亦很重要。用得较多的方法有最大似然性法（MLC），人工神经元网络法（ANN）和高光谱角度制图法（SAM）。

1.最大似然性法（MLC）

MLC法可谓是经典的分类方法，已在宽波段遥感图像分类中普遍采用。它主要根据相似的光谱性质和属于某类的概率最大的假设来指定每个象元的类别。MLC法最大优点是能快速指定被分类象元到若干类之中的一类中去。但对于高光谱数据。如再加上类别数较多时，MLC法的运算速度则明显减慢，且所需的训练样本亦很大。为了减少计算工作量，Jia＆Richards（1994）发现通过将高光谱数据分成几个波长组能够减少处理时间。他们改进的MLC法称简化最大似然性判别函数（SMLDF）。依据所有波段间的相关性分成若干连续的波段组，由这些不同波段组构成每个类别的协方差阵，再从每个波段组计算出判别函数值，最后求所有波段组产生的函数值的和.对每个象元分类。该法与传统的MLC比较，能显著地减少计算时间，特别是对高光谱数据的处理更为明显，同时能保证几乎与传统MLC结果的精度相同。另外，这种方法所要求的每类训练样本数明显地比传统MLC所要求的少。因此可降低准备训练样本的成本。其基本算法简述如下。

传统的MLC算法的判别函数由下式表示：

中亚地区高光谱遥感地物蚀变信息识别与提取

i=1，2，…C

式中：x为象元光谱向量，m_i为第i类均值向量，∑_i为第i类N×N的协方差阵，其中N为总光谱波段数，C是类别数。式（4-9）的判别准则一般如下：对于j（j=1，2，…，C；j≠i），假如g_i（x）＞g_j（x）则

x∈ω_i （4-10）

式中：ω_i为第i类光谱类别。

如前所述，这种方法已被广泛应用在宽波段遥感中，如对MSS、TM及SPOTHRV数据的MLC分类。随着光谱维（波段数）N的增大（如AVIRIS数据的波段数大于200），有两个难题需要解决：一是由于N的增大相应分类时间成平方增长；二是对于一些小类别，为了保证可靠的估计结果，所需要的训练样本可能不够。Jia ＆ Richards（1994）对光谱数据先分成几个波段组再进行分类的技术（SMLDF）就是针对上述两大难题设计的。高光谱数据相邻波段间的相关性一般都比较高，与相隔较远的波段相关性较低。

2.人工神经元网络技术（ANN）

人工神经元网络（ANN）技术能被用于多源数据的综合分析，特别是处理没有一定分布（如正态）、定性或名义的数据（Yang等，1997；Gong，1996；Sui，1994；Peddle等，1994；和Bendikts-son等，1993）。因此这类技术备受重视，已在遥感图像分类（如Civco，1993；Salu ＆ Tilton，1993；Dreyer，1993；Azimi-Ssdjadi等，1993；Kanellopoulos等，1992；Liu＆Xiao，1991）、自然资源分析与预测（如 Gopal＆Woodcock，1996；Gong等，1994；Guan＆Gert-ner，1991a＆1991b；Yin＆Xu，1991）及特征提取（如Fiset等，1996）中得到应用。神经元网络首先要求一定数量的具有已知样本特征的训练样本，然后用训练好的网络结构对待处理样本（象元）进行分类处理。在高光谱地质遥感中，ANN技术被用来识别矿物和成图（如Yang等，1997；Benediktsson等，1995）。ANN技术的不足之处是在高光谱数据分析中由于波段多（输入模式多），常需要很长的迭代时间，且不易找到全局最佳解。另外，不能事先确定ANN的结构参数值，一般需根据具体数据集的实验确定（Gong等，1997）。

3.光谱角度制图法

光谱角度制图法（SAM，即夹角余弦方法）通过计算一个测试光谱（象元光谱）与一个参考光谱之间的“角度”来确定它们两者之间的相似性。参考光谱可以是实验室光谱或野外测定光谱或是从图像上提取的象元光谱。这种方法假设图像数据已被缩减到“视反射率”，即所有暗辐射和路经辐射偏差已经去除。它被用于处理一个光谱维数等于波段数的光谱空间中的一个向量（Knlse等，1993 a；Baugh等，1998）。下面通过两波段（二维）的一个简单例子来说明参考光谱和测试光谱的关系。它们的位置可考虑是二维空间中的两个光谱点。各个光谱点连到原点可以代表所有不同照度的物质。照度低的象元比起具有相同光谱特征但照度高的象元往往集中在原点附近（暗点）。SAM通过下式确定测试光谱t_i与一个参考光谱r_i的相似性：

中亚地区高光谱遥感地物蚀变信息识别与提取

式中：n_b等于波段数。这种两个光谱之间相似性度量并不受增益因素影响，因为两个向量之间的角度不受向量本身长度的影响。这一点在光谱分类上可以减弱地形对照度的影响（它的影响反映在同一方向直线的不同位置上）。结果，实验室光谱可直接用来与遥感图像视反射率光谱比较而达到光谱分类识别的目的。具体应用SAM方法直接实现光谱匹配分类可参考童庆禧等（1997）在总结Board-man（1990）的SAM方法基础上提出的执行流程。利用高光谱数据，这种技术在地质矿物分类成图中的应用较有潜力。例如，Miyatake＆Lee（1997）应用SAM技术和高光谱数据在美国内华达州的北Cuprite和Goldfield 地区编制的交错矿物图。Yang等（1997）和 Baugh等（1998）也利用此法和AVIRIS图像数据分别在美国内华达州Cuprite矿产区和南Cedar山区编制矿产图，获得成功。

二、高光谱遥感概述

所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常＜10 nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感（通常＞100nm）且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。

近20年来，高光谱遥感技术迅速发展，它集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体，已成为当前遥感领域的前沿技术之一。

1.2.1 高光谱遥感的起源和发展

随着基础理论和材料科学的不断进步，近20年来，高光谱遥感技术迅速发展，已成为除雷达遥感、激光遥感、超高分辨率遥感等技术以外，当前遥感领域的又一重要研究方向。

1.2.1.1 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。

1.2.1.2 国外高光谱影像分析技术的研究现状

在成像光谱仪快速发展的同时，地物光谱数据库、高光谱影像分析技术研究也得到了迅速发展。

地物光谱数据库技术方面，以美国最为先进，有代表性的主要有JPL标准波谱数据库、USGS波谱数据库、ASTER波谱数据库和IGCP2264波谱数据库。此外，美国空军部门和环保局针对大气污染和空气成分的诊断建立了AEDC/EPA光谱数据库，并针对美国海军研究室研制的HYDICE成像光谱仪建立了森林高光谱数据库等。部分其他国家也展开了光谱数据库技术研究和建设工作，如英国在20世纪90年代初针对海水颜色研究建立了海水光谱数据库。

美国国家航空航天局（NASA）、欧洲航天局（ESA）、日本国家空间发展局（NASDA）和大学及研究所都有专门的高光谱影像应用分析的研究机构。

国外商业遥感图像处理系统，相继增加成像光谱数据处理模块，其中具有代表性的有RSI公司的ENVI，PCI Geomatics公司的PCI，MicroImages公司的TNTmips等。

1.2.1.3 国内高光谱遥感技术发展现状

我国紧密跟踪国际高光谱遥感技术的发展，并结合国内不断增长的应用需求，于20世纪80年代中后期着手发展自己的高光谱成像系统。主要的成像光谱仪有中国科学院上海技术物理研究所研制的推扫式成像光谱仪（PHI）系列、实用型模块化成像光谱仪（OMIS）系列、中国科学院长春光学精密机械与物理研究所研制的高分辨率成像光谱仪（C2HRIS）和西安光机所研制的稳态大视场偏振干涉成像光谱仪（SLPIIS）。中国科学院上海技术物理研究所研制的中分辨率成像光谱仪（CMODIS）于2002年随“神舟”三号发射升空，并成功获取航天高光谱影像，其获取影像从可见光到近红外共30个波段，中红外到远红外的4个波段，空间分辨率为500 m。

2007年10月发射的“嫦娥1号”卫星已携带中国科学院西安光学精密机械研究所研制的干涉成像光谱仪升空，用于获取月球表面二维多光谱序列图像及可分辨地元光谱图，通过与其他仪器配合使用对月球表面有用元素及物质类型的含量与分布进行分析，获得的数据用于编制各元素的月面分布图。

从2007年到2010年，我国将组建环境与灾害监测预报小卫星星座，将携带超光谱成像仪，采用0.45～0.95μm波段，平均光谱分辨率为5nm，地面分辨率为100m。

我国在积极研制具有自主知识产权的成像光谱仪的同时，在地物光谱数据技术、高光谱影像分析技术等方面的研究中也取得了一系列可喜的成果。

20世纪90年代初期，中国科学院安徽光学精密机械研究所、遥感所等单位对大量的典型地物进行了波谱采集，建立了我国第一个综合性“地物波谱特性数据库”。1998年，中国国土资源航空物探与遥感中心建立了“典型岩石矿物波谱数据库”，其中包含了我国主要的典型岩石和矿物500 余种。2000年，中国科学院遥感所基于GIS和网络技术研制了典型地物波谱数据库及其管理系统，记录了10000多条地物波谱，并能动态生成相应的波谱曲线和遥感器模拟波段，实现了波谱数据库与“3 S”技术的链接。

1.2.2 高光谱成像仪简介

1.2.2.1 国外高光谱成像仪系统介绍

（1）航空高光谱成像仪

1983年，世界上第一台成像光谱仪AIS-1（Aero Imaging Spectrometer-1）在美国喷气推进实验室研制成功，并成功应用于植被研究、矿物填图等方面，向世界展示了高光谱成像技术具有的潜力。此后，美国机载先进的可见光红外成像光谱仪（AVIRIS）、加拿大的荧光线成像光谱仪（FLI）和在此基础上发展的小型机载成像光谱仪（AIS）、美国Deadalus公司的MIVIS，GER公司的79波段机载成像光谱仪（ROSIS-10 和 ROSIS-20）、美国海军研究所实验室的超光谱数字图像采集试验仪（HYDICE）先后研制成功（表1.1）。

表1.1 国外主要的机载高光谱成像仪信息

近年来，成像光谱技术在资源调查、农作物长势、病虫害、土壤状况、地质勘查等方面的成功应用让世界各国看到了这项新技术的巨大前景与潜力，世界上一些有条件的国家竞相投入到成像光谱仪的研制和应用中来。各国在研制的同时纷纷参考已有成像光谱仪的先进技术，使得新研制的系统在继承了老系统各种优势的同时，很多方面得到了进一步的提高，在稳定性、探测效率、综合性能等方面均得到了很大的进步。其中，具有代表性的有美国的Probe、澳大利亚的HyMap、美国GER公司为德士古（TEXACO）石油公司专门研制的TEEMS系统等。

Probe-1和Probe-2是Earth Search Sciences公司开发的另一个有影响的航空成像光谱仪系统，该系统在0.4～2.5μm区有128个波段，光谱分辨率为18 nm。

HyMap即“高光谱制图仪”（hyperspectral mapper）的简称，是以澳大利亚Intergrated Spectronics公司为主研制的。HyMap在0.25～0.45μm光谱范围有126个波段，同时在3～5μm和8～10μm两个波长区设置了两个可供选择的波段，共有128个波段。其数据在光谱定标、辐射定标和信噪比等方面都达到了较高的性能，总体光谱定标精度优于0.5 nm；短波红外波段（2.0～2.5μm）的信噪比都高于500∶1 ，有的波段其信噪比甚至高达1000∶1。

TEEMS是德士古能源和环境多光谱成像仪（Texaco energy ＆ environmental multispectral imaging spectrometer）的简称。这是一台由美国地球物理和环境研究公司（GER）应德士古的技术要求与德士古的专家合作专门研制的具有200 多个波段、性能十分先进的实用型高光谱成像仪。该系统在紫外、可见光、近红外、短波红外、热红外波段等波谱均具有成像能力，从而在石油地质勘探特别是在勘探与油气藏有关的特征中具有很大潜力。

近年来热红外成像光谱仪已有了实质性的进展。最具有代表性的是美国宇航公司研制的空间增强宽带阵列光谱仪系统（spatially enhanced broadband array spectrograph system，SEBASS）。SEBASS有两个光谱区：中红外，3.0～5.5μm，带宽为0.025μm；长波红外，7.8～13.5μm，带宽为0.04μm。它在中波红外区和长波红外区分别有100个、142个波段；所使用的探测器为两块128*128的Si：As焦平面，有效帧速率为120Hz，温度灵敏度为0.05℃，信噪比＞2000。热红外成像光谱仪为更好地反映地物的本质提供了珍贵的数据，已经被应用于探矿、地质填图、环境监测、农林资源制图、植被长势等诸多领域。

（2）航天高光谱成像仪

美国先后研制出中分辨率成像光谱仪（MODIS），EO-1高光谱卫星，并与日本合作研制出的先进星载热发射反射辐射计（advanced satellite thermal emission/reflection radiometer）以及美国军方的“Might-Sat”高光谱卫星，在航天成像光谱技术研究方面一直在世界遥遥领先。

MODIS是EOS-AM1卫星（1999年12月发射）和EOS-PM1（2002年5月发射）上的主要探测仪器——中分辨率成像光谱仪，也是EOS Terra平台上唯一进行直接广播的对地观测仪器。通过MODIS可以获取0.4～14μm范围内的36个波段的高光谱数据，为开展自然灾害、生态环境监测、全球环境和气候变化以及全球变化的综合性研究提供了重要的数据源。

MODIS是搭载在terra和aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用的星载仪器。MODIS可获取0.4～14μm范围内的36个波段的高光谱数据，为开展生态环境研究、自然灾害监测、全球环境和气候变化等研究提供了重要的数据源。

ASTER搭载在Terra卫星上的星载热量散发和反辐射仪，是于1999年12月18日发射升空的，由日本国际贸易和工业部制造。一个日美技术合作小组负责该仪器的校准确认和数据处理。ASTER是唯一一部高分辨解析地表图像的传感器，其主要任务是通过14个频道获取整个地表的高分辨解析图像数据——黑白立体照片。ASTER能在4到16天之内对同一地区进行成像，具有重复覆盖地球表面变化区域的能力。ASTER数据特点之一是基于用户要求的观测，即根据用户提出的要求来随时随地地获取影像。ASTER的宽谱覆盖和高分辨能力给科学家们在诸如监测冰河的前进与退却，对潜在的活火山的监测，鉴别作物能力，对云层形态及物理状况的监测，湿地评估，热污染监测，珊瑚礁的退化，土壤及地质的表面温度绘图，以及测量地表的热平衡等众多学科领域提供了可供鉴定的信息。

美国宇航局（NASA）的地球轨道一号（EO-1）是美国NASA新千年计划的一部分，在2000年11月21日发射。地球观测1号卫星与LandSat-7覆盖相同的地面轨道，两颗卫星对同一地面的探测时间相差约1分钟的时间。EO-1带有三个基本的遥感系统，即高级陆地成像仪（advanced land imager，ALI），高光谱成像仪（HYPERION）以及大气校正仪（liner etalon imaging spectrometer arrey atmospheric correction，LAC）。EO-1上搭载的高光谱遥感器hyperion是新一代航天成像光谱仪的代表，也是目前唯一在轨的星载高光谱成像光谱仪以及唯一可公开获得数据的高光谱测量仪，共有242个波段，光谱范围为400～2500nm，光谱分辨率达到10nm，空间分辨率为30m。

2000年7月，美国发射的MightSat-Ⅱ卫星上搭载的傅立叶变换高光谱成像仪（fourier transform hyperspectral imager，FTHSI）是干涉成像光谱仪的成功典范。

欧洲空间局于2001年10月成功发展了基于空中自治小卫星PROBA小卫星的紧密型高分辨率成像光谱仪（CHRIS），并发射成功。CHRIS在415～1050μm的成像范围内有五种成像模式，不同的模式下其波段数目、光谱分辨率和空间分辨率不等，波段数目分别是18 ，37和62 ，光谱分辨率为5～15nm，空间分辨率为17～20m或者34～40m。CHRIS能够从五个不同的角度（观测模式）对地物进行观测，这种设计使得其能获取地物反射的方向性特征。

欧洲空间局继美国AM-1 MODIS之后于2002年3月又成功发射了Envisat卫星，这是一颗结合型大平台先进的极轨对地观测卫星。其中分辨率成像光谱仪（MERIS）为一视场角为68.5°的推扫型中分辨率成像光谱仪，其地面分辨率为300m，在可见光-近红外光谱区有15个波段，可通过程序控制选择和改变光谱段的布局。

日本继ADEOS-1之后于2002年12月发射了后继星ADEOS-2 ，其上搭载了日本宇宙开发事业团的两个遥感器（AMSR和GLI）和国际或国内合作者提供的三个遥感器（POLAR，ILAS-Ⅱ，Sea Winds）。GLI在可见光-近红外和短波红外分别有23个、6个波段，而在中红外和热红外则有7个波段。到目前为止，已发射的具有代表性的星载成像光谱仪如表1.2所示。

表1.2 国外主要星载高光谱成像仪

1.2.2.2 我国高光谱成像仪系统介绍

（1）航空高光谱成像仪

我国成像光谱仪的发展经历了从多波段扫描仪到成像光谱扫描，从光机扫描到面阵CCD探测器固态扫描的发展过程。

“八五”期间，新型模块化航空成像光谱仪（modular aero imaging spectrometer，MAIS）的研制成功标志着我国的航空成像光谱仪技术和应用取得了重大突破。此后我国自行研制的推扫型成像光谱仪（PHI）和实用型模块成像光谱仪系统（OMIS）在世界航空成像光谱仪大家庭里占据了重要的地位。

（2）航天高光谱成像仪

我国于2002年3月发射的神舟3号无人飞船中就搭载了一个中分辨率的成像光谱仪（CMODIS），该仪器共有34个波段，波长范围在0.4～12.5μm。此外，环境减灾卫星搭载了115个波段的高光谱遥感器。“风云-3”气象卫星搭载的中分辨率成像光谱仪具有20个波段，成像范围包括可见光、近红外、中红外和热红外；“嫦娥一号”卫星搭载了我国自行研制的干涉成像光谱仪来探测月球物质。

1.2.3 高光谱遥感成像特点与数据表达

高光谱成像获取的图像包含了丰富的空间、辐射和光谱三重信息。其主要特点是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。高光谱数据是一个光谱图像的立方体，它由空间图像维、光谱维（从高光谱图像的每一个像元中可以获得一个“连续”的光谱曲线）和特征空间维（高光谱图像提供的是一个超维特征空间，挖掘高光谱信息需要深切了解地物在高光谱数据形成的N维特征空间中分布的特点与行为）。

1.2.4 高光谱遥感的主要应用领域

由于高光谱遥感能提供更多的精细光谱信息，有些学者将高光谱遥感的研究从最开始的矿物识别扩展到了水体、植被与生态、环境资源勘探等方面，但目前主要集中在地质、植被和水环境等研究领域。

1.2.4.1 在植被监测中的应用

高光谱遥感由于其具有超高的光谱分辨率，为植被参数估算与分析，植被长势监测及估产等方面提供了有力的支撑。

1）植物的“红边”效应：“红边（REP）”是绿色植物叶子光谱曲线在680～740nm之间变化率最快的点，也是一阶导数光谱在该区间内的拐点。“红边”是植物光谱曲线最典型的特征，能很好地描述植物的健康及色素状态。当“红边”向红外方向移动时，一般可以判定绿色植物叶绿素含量高、生长活力旺盛；相反，当“红边”向蓝光方向移动时，一般可能是植物处于缺水等原因造成叶片枯黄等不健康状态。当植物覆盖度增大时“红边”的斜率会变陡。

2）植被指数：植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况，是利用遥感光谱数据监测地面植物生长和分布、定性、定量评估植被的一种有效方法。根据不同的研究目的，人们已经提出了几十种植被指数，如比值植被指数RVI，归一化植被指数NDVI，差值环境植被指数DVIEVI，垂直植被指数PVI，土壤调整植被指数SAVI等。

1.2.4.2 在农业中的应用

高光谱遥感在农业中的应用，主要表现在快速、精确地进行作物生长信息的提取、作物长势监测、估算植被（作物）初级生产力与生物量、估算光能利用率和蒸散量及作物品质遥感监测预报，从而相应调整物资的投入量，达到减少浪费，增加产量，改善品质，保护农业资源和环境质量的目的。使用高光谱遥感数据估计作物的农学参数主要有两类方法：一是通过多元回归方法建立光谱数据或由此衍生的植被指数与作物农学参数之间的关系；二是通过作物的红边参数来估计作物的物候性状及其农学参数。

1.2.4.3 在大气和环境方面的应用

高光谱遥感凭借其超高的光谱分辨率可以识别出宽波段遥感无法识别的因大气成分变化而引起的光谱差异，使人们利用高光谱遥感对周围的生态环境情况进行定量分析成为可能。利用高光谱技术可以探测到污染地区的化学物质异样，从而确定污染区域及污染原因；高光谱图像也可用来探测危险环境因素，例如，精确识别危险废矿物，编制特殊蚀变矿物分布图，评价野火的危险等级，识别和探测燃烧区域等。

1.2.4.4 在地质方面的应用

地质矿产调查是高光谱遥感应用中最成功的一个领域。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帮助人们识别不同矿物成分。在地质方面主要利用其探测岩石和矿物的吸收、反射等诊断性特征，从而进行岩石矿物的分类、填图和矿产勘查。

1.2.4.5 在军事上的应用

由于高光谱影像具有丰富的地面信息，可用于精确识别地物种类，在军事侦察、识别伪装方面得到了成功的应用。美国海军设计的超光谱成像仪可在0.4μm～2.5μm光谱范围内提供210 个成像光谱数据，可获得近海环境目标的动态特征，例如海水的透明度、海洋深度、海洋大气能见度、海流、潮汐、海底类型、生物发光、海滩特征、水下危险物、油泄露、大气中水汽总量和次见度卷云等成像数据，对近海作战有十分重要的支撑意义。

三、成像光谱方法技术

一方面，高光谱分辨率的成像光谱遥感技术是对多光谱遥感技术的继承、发展和创新，因此，绝大部分多光谱遥感数据处理分析方法，仍然可用于高光谱数据；另一方面，成像光谱技术具有与多光谱技术不一样的技术特点，即高光谱分辨率、超多波段（波段＜1000，通常为100～200个左右）和甚高光谱（Ultra Spectral）分辨率（波段＞1000，主要用于探测大气化学成分）的海量数据。因此，常规多光谱数据处理方法不适合于成像光谱数据的定量分析，于是成像光谱数据处理和分析技术应运而生。在成像光谱数据处理和分析方法中，关键性的技术问题是地物光谱重建，光谱特征的量化及提取，混合像元的分解和定量分析及模型识别。

2.3.2.1 光谱重建技术

按照不同的模型及算法，从成像光谱数据中把地物的光谱特性反演出来的过程就是地物光谱重建技术。根据不同的工作情况及条件，采取不同反演模型来重建地物光谱，是实现成像光谱数据遥感定量化分析的第一步。若对其不进行反演，则没有一个统一物理量进行对比。目前，光谱反演模型大体可分为三大类型：基于大气传输理论的大气传输模型，基于统计分析的统计模型以及基于地面地物同步观测的经验回归模型。

2.3.2.1.1 基于大气传输理论的模型

该模型实质上就是用理论模型消除大气中气体分子、水蒸气、气溶胶及尘埃等分子颗粒对地反射辐射能量吸收与散射以及大气程辐射效应，并将其还原成地物的反射辐射光谱。这是一种比较复杂的同时必须进行地物光谱及大气参量测量的绝对反射率生成方法，也就是对成像光谱数据进行绝对辐射标定的再反演。在这一反演过程中，关键是建立大气传输的模型。自1960年，Chndrasekhar提出了辐射传输理论以来，相继发展了许多方法，如Ordinate方法和Variational方法等来解决辐射传输问题。目前，常见的大气传输模型有5 S（the Simulation of the Satellite Signal in the Solar Spectrum）、6S（the Second Simulation of the Satellite Signal in the Solar Spectrum）、LOWTRAN 7及MODTRAN（Teillet，P.M.，1989；Vermote，E.，Tanṙen，D.，Deuże，J.L.et al.，1994，1996；Bo⁃Cai Gao，K.B.Heidebrecht and A.F.H.Goetz，1997；Z.QIN，A.Karnieli and P.Berliner，2001）。其中，6S模型是由法国Tanré等人研究开发的，是目前世界上发展比较完善的大气辐射校正模型算法之一。该算法既能合理地处理大气散射、吸收，又能产生连续光谱，避免在光谱反演中较大的定量误差。它还充分利用了分析表达式和预选大气模式，使计算时间大大缩短。许多遥感专家使用此模式进行地物光谱反演后认为，该模型较其他模型计算精度高。不足之处是必须开展试验区典型地物光谱反射率观测以及大气环境参量实测，如：大气光学厚度、温度、气压、水蒸气含量、大气分布状况等。相对来说，尽管LOWT⁃RAN 7和MODTRAN模型计算精度低一些，但它不需要地面实测典型地物的反射率。这些模型一般用于对传感器选定标定场，开展数据绝对辐射标定。

2.3.2.1.2 基于统计分析的模型

该模型的建立是在分析不同地物光谱遥感信息在不同光谱波段的传输特点基础上，利用计算机对典型地物的光谱特性进行统计分析后，得到的地物光谱特性反演模型。对成像光谱数据进行地物光谱反演常用模型有平滑域反射率模型 FFR（Flat Field Reflectance）（Goetz and Srivastava，1985；Conel，1985；Crowley at al.，1988；Rast et al.，1991），内在平均相对反射率模型IARR（Internal Average Relative Reflectance）（Kruse et al.，1985；Kruse，1988；Mackin and Munday，1988；Zamoudio and Atkinson 1990），对数剩余模型LRC（Logarithm Residual Correction）（Green，R.O.etal.，1985；Gower，J.F.R.etal.，1992）。在这3种模型中，FFR模型是在图像上选取光谱和地貌特征都均匀平滑（平滑性是指地物无光谱吸收谱带，光谱曲线平直）的地物平均值，来消除大气辐射衰减和仪器的零响应；White模型是根据整幅图像的平均光谱曲线平均值对图像归一化处理，然后计算每个像元光谱曲线与平均光谱曲线的比值，也就是地物光谱特性；LRC模型是经Lyon和Lanze修正后，对太阳辐射衰减、大气效应及地形影响都有所消除。Green和Graige提出的对数剩余纠正公式如下：

lg（R_ij）=lg（DN_ij）-lg（aveDN_i）+lg（DN_i）+lg（DN_g）（2-3-1）

这里R_ij是第i波段、第j个像元的剩余值；DN_ij是第i波段、第j个像元的亮度值；DN_i是第i波段所有像元数据的平均值；DN_j是第j像元在所有波段上数据的均值；DN_g是所有波段及所有像元的均值。该方法完全基于图像本身特征，不需要野外地物光谱测量。在前两种模型中，FFR模型优于IARR模型，它克服了IARR模型因受像福强吸收特征的影响而出现的假反射峰的弱点，而且计算量较小。

2.3.2.1.3 经验线性回归模型

利用该方法重建地物光谱技术实质就是通过开展典型地物的同步反射率观测，根据成像光谱数据DN值与地面实测地物反射率值，经最小二乘法求出回归方程R_ij=A_j·DN_ij+B_j（这里A_j，B_j是传感器第j波段的线性回归系数），然后，根据此方程反演地物的反射光谱。这种模型的数学和物理意义明确，方法简便，运算量少，应用广泛（Roberts et al.，1985；Conel et al.，1988；Elvidge，1988；Green et al.，1988；Kruse et al.，1990；Zamoudio and Atkinson 1990）。例如：美国JPL的Abrams利用该模型在美国Nevada州的Cuprite矿区进行矿物学填图；美国科罗拉多大学的Zamudio等人，利用该模型在美国 Nevada 州东部进行矿物识别和岩相分析；日本Pasco公司的Mochizuki，利用该模型在美国Navada州进行蚀变矿物的反射光谱研究等。该模型的不足之处是要开展野外地物光谱观测，成本比较高，回归精度的高低依赖于对野外概实测的精度。

除上述这些典型光谱重建模型之外，还有 UA RT Code，JPL Code，连续内插波段比算法（CIBR），背景法等模型（De Jong，1998）。

2.3.2.2 岩矿光谱特征的量化、提取，定量分析及识别模型

成像光谱数据经过光谱重建模型处理后，获得了地物的光谱特征谱线。不同地物光谱具有不同的诊断特征谱带，如吸收谱带，特征谱线的微积分变化，波形变化等等。如何有效地开展地物特征定量分析和识别地物，首先要弄清楚如何去量化及提取地物的光谱特征。因此，开展基于地物特征谱的量化提取是十分必要的。

2.3.2.2.1 地物光谱特征度量、提取与匹配识别模型

（1）就地物光谱特征（这里指地物反射辐射光谱）而言，不外乎两大类型：吸收谱带（或反射谷）和光谱曲线的斜率变化（含波形变化）。针对这两类光谱特征的形态、结构，分别采取不同的度量方式。目前，对吸收谱带的分析度量方法是外壳系数法，它通过把光谱曲线归一化后去测量吸收谱带的波长位置（position）、吸收深度（depth）、吸收宽度（FWHM）和对称性（sym⁃metry）（Lyon et al.，1985；F.A.Kruse，A.B.Lefkoff，1993）。这种外壳系数法可以由外壳凸形曲线与光谱之比来表示，也可以由外壳值去减相应波长上的光谱反射率值来求得。由于吸收峰的非对称性，采用RBD方法难以准确描述其特征。连续插值小组段算法（CIBR，Continuun interpolated band algorithm）（De Jong，1998）和光谱吸收指数图像（SAI，spectral absorption index image）（王晋年等，1996）与相对吸收深度图方法类似，但引入了对称度因子，使其对吸收特征的描述更为合理。除了这些测量参数外，对植被光谱有多种度量参量，如植被、绿度指数等等。对于光谱曲线斜率变化的特征，表征和提取的方法有基于地物光谱的总体波形特征度量，如傅里叶变换的波形分析方法是利用有限级次的谐波振幅和初位相度量地物波谱特征；基于切比雪夫多项函数的波形分析是利用多项式函数对地物光谱曲线进行拟合，提取有限项的系数来表示或组合特征，或用其比值来表示地物光谱波形特征的参量；基于波形相似性（总体或分段）分析的光谱角度量；还有光谱曲线特征的微分度量、积分度量及二值度量等等。当然，对吸收谱带及斜率特征度量还可以用统计特征量去表征度量，如均值、方差、协方差矩阵、特征值、特征向量、特征因子及组内离差等。

（2）光谱匹配识别模型不同于多光谱的模式识别，它是根据光谱特征度量参数来进行匹配识别的，是成像光谱数据处理分析的特色之一。这种特色模型在处理过程中往往是采用可视化的交互式的图像与光谱、光谱与标准光谱形式进行的。目前，光谱匹配识别模型有：编码匹配识别法（均值编码匹配法，坡向编码匹配法，比值编码匹配法L吸收峰编码匹配法、波形匹配法和光谱角匹配法等等。在这些匹配识别模型中，编码匹配基本上都是按二值（0和1）进行编码、匹配与识别的；吸收特征编码匹配是根据外壳系数法归一化后，对每个特征的吸收深度与波长位置进行编码；波形匹配包括相似度、傅里叶变换参量，切比雪夫等方法。近几年发展起来的小波变换分析在成像光谱数据分析处理中应用相当多，尤其是对原始信号按不同小波尺度，分解成不同的小波进行波形分析，突出低频弱信息，有利于信息增强，比如用小波变换进行图形图像插值、融合及混合像元分解等。

2.3.2.2.2 成像光谱数据的定量分析及识别模型

定量化分析及识别模型化是当今遥感技术的发展方向之一，应用于成像光谱数据处理。定量化分析与识别模型，除了不断完善和改进已有基于统计分析的定量化及识别模型（如：改进的主成分分析、最佳波段组合、改模型最大似然法、基于决策边界特征矩阵的变换和正交子空间投影），其他学科的新思想、新方法也在不断地引人遥感数据分析和理解之中，如人工智能的专家系统，模糊逻辑映射，证据推理、神经网络、分形和分维等。

人工智能专家系统技术是目前比较流行的信息处理技术，尤其对比较复杂问题的解决有独到之处，Gotting和Lyon在1986年就已建立的光谱信息专家识别系统用于分析实验室和野外光谱，它是结合已有的地物光谱特征知识，由专家确定判别规则决策树（Decision Tree）以达到识别地物或地物类别目的。决策树这一基于知识的判别准则层次是建立专家系统成败的关键。通过这个系统进行编码匹配，他们成功地从大量的实验室光谱中识别出11种矿物。1993年，美国地球空间研究中心（CSES）和美国环境科学研究所的F.A.Kruse和A.B.Lefkoff研制了基于知识的成像光谱地质制图专家系统。选定各种特征在识别过程中的作用并赋予相应的权值，或根据专家对判别知识和经验建立判别准则进行识别。

目前，神经网络模型在遥感地物分析和识别方面备受青睐，有着广泛的应用（Golen Giser，1996；Giles，M.F.et al.，1995；郭小方，1998；王润生等，2000）。由于神经网络分类规则对训练样本的数量及分布特征没有特定要求，因而可以在特征空间形成非线性判别边界，并且还有一定的抗噪声、抗干扰和自适应能力，适用于大数据量的分类研究，最为常用的分类准则是后向传播（BP）网络模型。

目前，从成像光谱遥感数据分析与识别的各种新理论、新方法的引入来看，大多数模型的研究和应用还是一种尝试，在如何将模型与成像光谱数据相结合的研究方面，分析不够深入。

2.3.2.3 混合像元分解模型

由于空间分辨率不高的原因，在图像像元内会出现不同成分（end member）的地物，即混合像元。不同的地物具有不同光谱特征，因此需要通过混合光谱分解技术来提高识别精度。混合像元问题是遥感技术的研究难点和热点。由于成像光谱技术的光谱分辨率已从微米（μm）提高到纳米级（nm），因此，其混合像元分析、分解及其模型研究就显得更为重要。

目前，开展高光谱遥感混合像元研究的方法技术，首先从实验着手，进行地物混合光谱的测试、分析、数字模拟、分解模型开发研究，然后将其外推到遥感图像上，进行典型地物混合像元分析，主要包括空-地同步观测获取典型地物（或可通过人工布标）数据，经模型分析后，对混合像元的地物进行分解，或混合光谱模拟合成。在实验室里，通过对不同矿物光谱混合含量测试发现，不透明矿物或暗色矿物，其光谱按比例混合到其他矿物中，混合的反射率急剧下降，而不是逐渐下降，说明其混合光谱与其混合的端员矿物光谱是非线性关系（磁铁矿和橄榄石）。当两种矿物的色调相近时，实验测试的混合光谱与线性模型合成的混合光谱都呈线性逐渐变化，说明混合光谱可以按线性模型分解端员矿物光谱，如橄榄石和紫苏辉石，且吸收谱带的波长位置也是逐渐从一个波长位置逐渐过渡到另一波长位置。不仅如此，还发现在可见光、近红外这一波长上，低成分端员混合时呈线性趋势，当成分增加时，线性关系剧烈变成非线性关系。在这三种情况中，第一种非线性关系是由于组合混合光谱的端员成分之间互相作用、互相影响后光谱被光谱仪检测到；第二种线性关系是由于各端员成分之间无互相影响作用，各自独立地反射电磁波能量贡献于混合光谱；第三种情况是两种关系都存在，二者之间存在临界条件（边界条件）。目前，有关此方面的研究极少。根据这些分析，混合像元分解模型大体分为线性模型和非线性模型。在遥感混合像元中，绝大多数反射率相似的地物，可以用线性模型来分解端员成分，如：土壤与植被、不同含水量的耕地、岩石露头与草地、荒地等等。在一幅图像中，事先知道有N种端员（地物种类），并且也知道各种端员的光谱反射率，那么就可以用线性模型：

成像光谱岩矿识别方法技术研究和影响因素分析

这里DN_c是波段C上混合像元的DN值或反射率；F_i是第i种端员在混合像元中所占比例（或权系数）；DN_i，c是C波段上第i种端员的DN值（或反射率）；E_c是C波段上拟合误差。对每个像元都按照最小二乘法解方程，进行分解。在图像中，端员的DN值（或反射率值）要么可以从训练区取值，要么在地面实测。端员成分的确定过程实质上是一个迭代过程，迭代结果使M个波段上总误差ε最小（且N≤M）。

成像光谱岩矿识别方法技术研究和影响因素分析

求得版中各种端员成分之后，就可以定量或半定量地对端员丰度制作丰度等专题图件。

用非线性模型开展混合像元分解不多见，但已有这方面的研究，如模糊分割模型（Jin Ⅱkim，1996），概率鹏模型，几何光学模型（Charles Ichoku，1996）及基于神经网络模型的混合像元分解（王喜鹏，张养贞等，1998）等等。

目前开发的模型有：

——光谱吸收指数模型SAI（王晋年，童庆禧等，1996）：

SAI=∑f_iSAI_i，∑f_i=1，f_i＞0 （2-3-4）

——高斯模型法MGM：该模型是基于矿物和岩石的反射、吸收光谱性质模拟反射光谱的各种模拟方法。它是一种确定性的而不是统计性的方法。高斯改进模型MGM 是近几年在分析反射光谱的基础上发展起来的分析技术（Cloutis，1989，Veverka，J.et al.，2000）。

m（x）=S*exp（-（xⁿ-μⁿ）²/2σ²）， （2-3-5）

通常取n=-1。

光谱识别与分类技术（Spectral Classification）：主要是利用地物高光谱特征的量化参数，结合其在图像空间上分布进行提取有利的信息，达到分类的目的。主要的分类方法有：

——最大似然法MLC：

g（x）=-ln｜∑_i｜+（x-m_i）t∑_i-1（x-m_i），（2-3-6）

——人工神经网络技术ANN：一般采用前馈网络模型，即第一隐层的节点输入等于输入层诸节点输出的加权和。迭代的次数以系统的平均误差为最小时为准。

成像光谱岩矿识别方法技术研究和影响因素分析

——光谱角制图法SAM（Spectral Angle Mapper）：该方法是通过计算测试样本光谱矢量（像元光谱）与参考光谱矢量（训练的端员样品光谱，或标准光谱库的光谱），在n维空间（n波段）上的角度来确定它们两者的相似度。一般两矢量之间的角度越小，两光谱向量越相似，进而可识别两种地物为同类，否则视为异类。数学模型是：

成像光谱岩矿识别方法技术研究和影响因素分析

这里i=1，2，3，……，n，n为波段数。

——光谱维特征提取法（Spectral Dimension Feature Extraction）：在高光谱遥感分类中，使用该方法对多波段、高相关、数据冗余度高的数据进行降维处理。相关的有统计方法，如主成分、典型变量及改进的PCA法等。

——光学模型（Optical Modeling）：除了前述的数据分析及模型外，植被因其特有反射性质，还有独特分析模型（光学模型）。该模型主要利用高光谱遥感数据预测或估计植被的多种生物物理、化学参量，如叶面指数LAI、总生物量、覆盖度等；叶绿素、水分、N、P、K含量等。该模型也属于经验性的统计模型方法。一般性通用模型为：

S=f（λ；θs，Φs；θv，Φv；С）， （2-3-9）

这里S为预测的生物物理、化学参数；λ是波长；θs，Φs，θv，Φv是入射光和传感器探测几何位置参数，C是描述植被冠层为特性参数。依靠法的模型有叶子光学性质光谱模型PROSPECT，叶子的任意斜散射模型SAIL，即生化参量反演的LIBERTY模型等。

高光谱在植被应用中除了生物、化学参量的反演分析外，还注重利用植被光谱特性谱线的蓝边、反射峰、黄边、红光吸收谷、红边、近红外反射高原区等变化及数据的归一化、对数、微分等变换，来监测植被的长势及病虫害，进行森林识别、分类、制图（Clark，R.N.，Roush.T.L.，1984）。

2.3.2.4 光谱数据应用处理分析软件

通过开展岩矿高光谱特性测试分析和成像光谱方法技术及应用分析研究，已发展并开发了如下数据处与分析软件：

2.3.2.4.1 光谱数据库及分析软件（400～2500φ）

国外：美国地质调查所USGS和JPL的标准矿物光谱库（含机载光谱）及光谱分析管理软件SPAM，IRIS，日本地调所的岩石矿物光谱库等（http://speclib.jpl.nasa.gov；http://speclab.cr.usgs.gov；Kruse F A et al.1993）。

国内：中国科学院安徽光学研究所、中国科学院遥感应用研究所、原地质矿产部航空物探遥感中心等科研单位都已建自己的光谱库（王润生等，2000）。

2.3.2.4.2 图像处理分析软件

目前国内外常用的光谱图像处理分析软件有：Erdas、PCI、ENVI等。其中PCI和ENVI都有高光谱分析处理功能（ENVI User’s Guide.，2000）。此外，还有像Tetricorder（Clark，R.N.，G.A.Swayze，K.E.Livo，2003）。国内通过高光谱遥感方法技术及示范应用研究，中国科学院遥感应用研究所、国土资源部航空物探遥感中心相继建立了成像光谱数据分析处理系统，如：HIPAS，ISDPS等。

四、研究：GEO高光谱红外辐射数据能提升局部强风暴预报质量

据外媒报道，自20世纪50年代气象卫星时代开始以来，遥感仪器的不断改进提高了地球科学的水平并显著增加了可用的大气观测。同样，科学家在了解地球的大气、气候和环境方面也取得了相当大的进步。

近20年来，随着大气科学的进一步发展，低地球轨道卫星上搭载的基于卫星的红外(IR)探测仪提供了高光谱IR辐射。这些探测仪可以确定反射的红外波长的微小差异，而这有助于识别大气中的不同目标。这些数据显著改善了全球数值天气预报(NWP)的模拟和预报。

尽管覆盖全球，但每台近地轨道测深仪每天仅为某一特定地点提供两次观测。然而来自地球静止轨道(GEO)卫星的高光谱红外探测仪可以提供更高分辨率的4-D温度（包括时间）、湿度和动态运动信息，这些信息需要初始化或启动模型仿真。为了准确反映整个24小时内的大气变化，低地轨道卫星可以提供更频繁的数据更新以供NWP模型使用。

科学家正在为NWP模型开发数据同化方法以提高卫星初始化数据的质量。观测系统模拟实验(OSSE)旨在利用数据同化研究未来大气观测系统的潜在影响。传统的OSSE过程需要大量的工作来计算、模拟和校准信息，然后同化数据来产生预测。因此，模型气象学家正在努力使这一过程更加有效。

“我们研究了使用混合OSSE方法的GEO高光谱红外探测仪的附加价值，”威斯康辛大学麦迪逊气象卫星合作研究所的科学家Jun Li说道。

跟传统的OSSE相比，在混合OSSE中，除了新传感器的观测数据经常通过小网格、高分辨率的全球大气分析或再分析进行模拟外，大部分数据都是真实观测数据。在《Advances in Atmospheric Sciences》上发表的一篇新论文中则包含了混合OSSE应用的详细建议，这也是《风云气象卫星：数据、应用和评估(Fengyun Meteorological Satellites: Data, Application and Assessment)》特刊的一部分。

在评估新方法的影响之前，Li教授及其团队必须验证新GEO高光谱红外传感器的模拟辐射以验证模拟新的传感器数据可以在混合OSSE系统中工作。他们利用2018年和2019年在大平原和美国中西部发生的两场当地严重风暴案例评估了GEO高光谱红外数据的增值影响。

“我们很高兴发现大气温度、湿度和降水预报都有所改善，另外风力预报也有所改善。”Li教授表示。

总体而言，该团队的影响研究具有附加价值，当使用GEO高光谱IR数据代替LEO数据时可以减少5%的均方根误差(RMSE)。这表明了GEO高光谱红外探测仪的潜在应用，它可能可以改善当地的强风暴预报。

以上就是关于第一次跑高光谱数据结果相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

杭州有哪些技术学院（杭州第一技师学院有哪些专业）

漫画软件排行榜第一名（漫画软件排行榜第一名）

微商卖零食第一步怎么做

室内景观设计怎么入行工作（室内景观设计怎么入行工作内容）

厂区车位景观设计规范（厂区车位景观设计规范最新）