TECHNOLOGY RESEARCH ON MINERAL EXTRACTION BY USING CASI/SASI AIRBORNE HYPERSPECTRAL DATA
-
摘要: 能源勘查、岩石矿物识别、矿物丰度制图以及成矿远景区圈定是高光谱技术发展和应用的主要方向。CASI/SASI航空高光谱数据可以在同一平台下同时获取覆盖可见光-近红外-短波红外光谱段的光谱信息, 且光谱分辨率和空间分辨率远远优于多光谱及星载高光谱数据, 所以在矿物蚀变信息提取中具有广泛的应用前景。以柳园研究区为研究对象, 对CASI/SASI航空高光谱遥感矿物过程中的关键技术进行了实验研究, 确定出航空高光谱矿物蚀变信息提取流程, 并对研究区蚀变矿物进行识别、填图。通过与研究区地质资料和前人实地勘探资料对比得出, 研究区CASI/SASI航空高光谱遥感蚀变异常结果与现实状况相当吻合。Abstract: Energy exploration, rock identification, minerals mapping, and metallogenic delineation are the main directions of hyperspectral technology. The spectral information of visible, near-infrared and short-wave infrared can be obtained under the same platform in CASI/SASI airborne hyperspectral data which has higher spectral resolution and spatial resolution than multi-spectral data and spaceborne hyperspectral data and gains broader use in extraction of mineral alteration information. The paper studies the key technologies of mineral extraction and develops the flow of mineral mapping with CASI/SASI airborne hyperspectral data by extracting mineral alteration information such as chlorite, muscovite, montmorillonite, and illite in Liuyuan, Gansu. By comparing geological data and previous exploration data, the extraction results of mineral alteration information are anastomosed to the facts.
-
Key words:
- CASI/SASI /
- data pre-processing /
- mineral identification /
- endmember selection /
- mineral mapping
-
0. 引言
从美国发射第一个陆地卫星至今，遥感技术在遥感平台、传感器、信息处理和应用领域都得到了飞速发展。高空间分辨率、高光谱分辨率和高时间分辨率是当下遥感技术发展的趋势。与传统遥感相比，高光谱遥感具有超多波段、高光谱分辨率等特点。由于其在可见光、近红外、中红外和远红外波段范围可以获取上百个窄光谱波段信息，使得原来在宽波段遥感中不能被识别的物质在高光谱遥感中能被探测，并且可进行定量研究[1~2]。根据搭载平台划分，高光谱遥感可以分为星载高光谱和航空高光谱。由于可以在特定地点、特定时间利用飞机搭载传感器获取数据，航空高光谱数据的获取具有现时、灵活的特点。常见的航空高光谱数据有CASI、SASI、AVIRIS、PHI等。其中CASI/SASI数据可以在同一平台下同时获取覆盖可见光-近红外-短波红外光谱段的光谱信息，且光谱分辨率和空间分辨率远远优于多光谱及星载高光谱数据，具有广泛的应用前景。
热液矿床附近的蚀变矿物在可见光-近红外-短波红外-热红外光谱区间具有不同的波谱特征，并反映在高光谱波段上，这是高光谱提取矿物蚀变信息的理论基础。早在20世纪80年代，美国就已经在地质调查中利用高光谱数据进行了蚀变矿物填图试验。1992—1994年，上海技术物理研究所成功研制出MAIS成像光谱仪，并在新疆阿克苏柯、胜利油田、山东广饶等多个地区开展油气勘查研究，收集的烃类微渗漏地表异常信息与测区内已知化探资料的复合率高达70%以上[3~4]。由于高光谱数据量随着波段增加呈指数上升，相邻波段的高相关性造成信息冗余；加之受到飞行平台坐标、飞行姿态、太阳、大气因素的影响，导致遥感原始图像失真，并在空间上存在误差，所以在应用航空高光谱数据时，需要进行几何校正、大气校正、降维、去噪等处理。现有的航空高光谱遥感矿物填图技术主要采用基于矿物波谱曲线的光谱匹配技术，如光谱角技术、混合像元分解技术和混合调制匹配滤波技术等[5~7]。本文以甘肃柳园地区的CASI/SASI数据为研究对象，利用最小噪声分离变换(MNF)、纯净像元指数(PPI)、光谱角(SAM)等方法开展航空遥感矿物蚀变信息提取，并结合研究区地质资料和前人实地勘探资料对蚀变信息结果进行解译分析。
1. CASI/SASI数据
本研究使用的CASI/SASI数据，由加拿大ITRES公司研制的CASI/SASI/TASI机载成像光谱测量系统(AHIS)获取。该套VNIR-TIR航空高光谱测量系统，主要由CASI-1500和SASI-600两个传感器、ICU中央控制器及一系列精确几何校正和辐射校正仪器(GPS设备、POS AV310、ILS太阳辐射照度测量仪器、三轴稳定平台PAV30和IMU惯道系统)组成，提供380~1050 nm(CASI)和950~2450 nm(SASI)两种数据，波段总数最高达388个，空间分辨率达到亚米级[8]。CASI/SASI的主要技术指标见表 1。
表 1 CASI/SASI的主要技术指标Table 1. Main specifications of CASI/SASI数据类型 光谱范围/nm 每行像元数 连续光谱通道数 光变带宽/nm 帧频(全波段) 总视场角/(°) 瞬时视场角/(°) 信噪比(峰值) 量化水平/位 绝对辐射精度/% CASI-1500 380~1050 1470 288 2.3 14 40 0.028 >1100 14 ±(5~10) SASI-600 950~2450 640 100 15.0 100 40 0.070 >1100 14 ±(5~10) CASI数据采用机载宽阵列近红外可见光(VNIR)高光谱成像系统光谱范围，可自定义有限衍射，主要应用于植被分类、水质监测、湿地、林业、农业、环境影响评估及带状管线制图与监测。SASI数据为机载短波红外(SWIR)高光谱成像系统，内置冷却机，可以与CASI相结合提供从近红外可见光(VNIR)到短波红外(SWIR)的连续光谱，可自定义有限衍射，主要应用的领域有地物分类、地质勘探、水污染查探、管线测图及矿物信息提取等。
2. 航空高光谱矿物蚀变信息提取
本次研究采用的CASI/SASI数据于2010年9月拍摄，其中，CASI数据共36个波段，光谱覆盖范围380~1045 nm，光谱分辨率18 nm，空间分辨率0.9 m；SASI数据共101个波段，光谱覆盖范围950~2450 nm，光谱分辨率15 nm，空间分辨率2.25 m。选取其中影像质量较好且相互对应的CASI/SASI影像10幅。由于每幅影像的拍摄时间、飞行高度不同，所以分别对其进行数据预处理、矿物蚀变信息提取，最后将蚀变信息异常图进行拼接融合，得到整区矿物蚀变信息分布图。
2.1 研究区概况
选取位于甘肃北山的柳园地区作为研究对象。该地区属于北山地区南部陆缘活动带(见图 1)[9]，而北山地区地处甘肃和新疆交界地带，西邻东天山，东接阿拉善，以阿尔金和星星峡两大走滑断层为界，位于一个巨大的构造楔形区。经过长期复杂的构造演化，北山地区的花岗岩类侵位具多期性和复杂性，侵位时间被认为可能从前寒武纪一直延续到中生代，但主要以海西晚期的分布最为广泛[10]。柳园区域上主要的断裂均呈近东西向，出露的地层有前寒武系中—深变质岩、前寒武系浅变质碎屑岩，中奥陶统花牛山组下部为板岩、粉砂岩、玄武岩、大理岩等，上部为粉砂质板岩、英安岩夹流纹岩、大理岩等，厚约2100 m，大理岩透镜体中产有多种化石分子，在柳园南被近东西向的二叠纪裂谷火山-沉积岩系切穿[11~12]。
前人地质调查[9, 13]显示，柳园地区的围岩蚀变主要有褐铁矿化、青磐岩化和绢云母化，蚀变矿物主要有褐铁矿、针铁矿和碳酸盐矿物，主要分布在与印支期正长花岗岩、二长花岗岩紧邻的地层中(见图 2)。
图 2 柳园研究区CASI/SASI影像图及区内蚀变矿物局部图Figure 2. CASI/SASI data and partial alteration minerals in Liuyuan area2.2 CASI/SASI数据预处理
由于受到飞行平台坐标、飞行姿态、太阳、大气等因素的影响，获取的遥感原始图像有失真，并在空间上存在误差，所以在进行矿物蚀变信息提取前，首先要对CASI/SASI数据进行预处理。CASI与SASI数据预处理主要包括空间重采样、波段匹配、几何校正、大气校正4个步骤(见图 3)。
2.2.1 空间重采样
由于CASI/SASI数据空间分辨率不一致，需对CASI数据进行空间重采样，采样至2.25 m。常用的采样方法有3种：最邻近法(Nearest)、双线性内插法(Bilinear Interpolation)和三次卷积法(Cubic Convolution)。本文选取双线性内插法，此种方法得到的结果更光滑，适用于连续数据。
2.2.2 CASI与SASI波段匹配
由于获取的CASI/SASI数据空间定位相差10个像元(2.25 m/像元)，采用选取地面控制点的方法，以CASI数据为基准，利用二次多项式对SASI数据作几何校正；再对CASI、SASI进行波段匹配，生成波谱范围为368.7~2450.0 nm的高光谱数据。
2.2.3 几何校正
基于系统自带的数据参数完成数据的初步几何校正。之后，以工作区ASTER卫星影像为基准，选取控制点，采用二次多项式对高光谱数据作几何校正，重采样方法采用最邻近法。
2.2.4 大气校正
CASI/SASI数据的大气校正主要采用基于大气辐射传输模型FLAASH，设定航带中心地理坐标、数据获取时间、地面高程、飞行高度、大气模式等参数后，完成FLAASH大气校正，得到地表反射率数据。图 4为影像中某矿物经过大气校正前后的波谱曲线，从中可以看出，经过大气校正后，矿物反射率在380~2000 nm波谱区间随波长的增加呈现增加的总体趋势，并在1850 nm附近达到最大值，之后逐渐下降，符合岩石的总体光谱特征。在1300~2000 nm区间，矿物光谱与岩石光谱相差较大，这是由于大气、传感器定标误差等综合作用所致，所以这一谱段一般不用于矿物识别[14]。
图 4 大气校正前后波谱曲线对比Figure 4. Comparison of spectral curve between before and after atmospheric correction2.3 航空高光谱矿物蚀变信息提取
2.3.1 端元光谱选取
CASI/SASI数据中存在噪声，所以需要在进行特征提取时，采用最大噪声分离变换(MNF变换)法将数据与噪声分离，以达到降噪的目的。通过对MNF特征值曲线与各分量图像的质量分析，估计高光谱数据中包含的内在维数，为后续端元光谱提取做准备。国际上已发展了多种高光谱数据端元提取算法[15~24]，如：纯净像元指数(PPI)，最小体积变换(MVT)，顶点成分分析(VCA)，N-Findr，光学实时自适应光谱识别系统(ORASIS)，独立成分分析(ICA)，最小二乘端元提取，综合空间/光谱信息的自动形态学端元提取(AMEE)和空间光谱端元提取(SSEE)算法等。目前在地质领域进行高光谱遥感数据处理时，PPI、N-Findr、SPA是广泛应用的3种典型的端元提取算法。
2.3.1.1 PPI算法
PPI算法的核心思想为凸面几何学，即认为在N维像元特征空间中(N为高光谱数据波段数)，所有像元成散点分布，而那些比较纯的像元(端元)将分布在N维空间中散点分布形成的N+1顶点的凸面体的顶点处。例如在二维空间，端元应位于散点分布形成的三角形的顶点，其余处于三角形内部的像元均为三个端元的混合像元。
如果采用投影方式将所有像元向量投影到某个单位向量上，一些纯像元向量必将投影到单位向量的两端，采用多个随机单位向量进行投影，并统计每个像元投影到这些单位向量两端极值(包括极大值和极小值)的计数，即可获得高光谱数据每个像元的PPI值，PPI值越大说明该像元的纯度越高。
PPI算法处理流程：① 利用最小噪声分离处理获得前p个信噪比最高的主成分待用；② 初始化操作，设置单位随机向量数k为一个足够大的正整数，并随机生成一系列(k个)多维单位向量，称为“skewers”；③ 对于每一个skewer，所有的数据样本点向量(像元向量)都被投影到skewer上，并找到两端极端位置的样本向量，记录下投影到其极端位置的像元；④ 统计影像中每个像元在k个skewers上获得计数的次数，形成PPI指数图像。
2.3.1.2 N-Findr算法
N-Findr算法的基本思想也是在高光谱数据特征空间中，端元处于所有像元形成的单形体的顶点。利用高光谱数据在特征空间中的凸面单形体的特殊结构，通过寻找具有最大体积的单形体从而自动获取图像的所有端元[13]。
在用N-Findr方法进行计算的过程中，需要特定的运算波段数目，而高光谱数据不可能正好满足，因此一般需要对遥感数据进行降维处理。
2.3.1.3 SPA算法
SPA算法以高维空间单形体几何学和正交子空间投影为基础。该算法对端元的获取遵从单形体几何的4个属性：① 端元是那些组成像元云团最大体积的像元，该属性用于检验SPA算法的收敛；② 一个具有最大欧几里得范数的像元肯定位于单形体的顶点，该属性是SPA算法识别单形体顶点的主要步骤；③ 对于单形体中的一点，与之距离最大的点必为单形体的顶点；④ 单形体的仿射变换(如正交投影)仍然为一个单形体，端元仍旧处于新单形体的订单，以此为依据，SPA算法通过正交投影来提取端元。
2.3.1.4 研究区端元选取结果
本文采用PPI算法进行端元选取。在实际操作中利用ENVI中的相关模块对研究区CSAI/SASI数据选取端元。PPI端元选取N维可视化效果图(见图 5)中有明显抱团的4个点集，即4种“纯净像元”。通过比对USGS标准波谱库中的波谱曲线，得到4个像元代表的矿物分别是菱铁矿、蛇纹石、绿泥石和方解石。
2.3.2 矿物识别与填图
常用于矿物识别的光谱匹配方法有距离法(欧式、马氏距离)、光谱角(SAM)、匹配滤波、混合调制匹配滤波、光谱特征拟合等方法。本研究采用技术成熟的SAM法进行矿物识别和填图。
SAM是通过计算参考光谱与测试光谱(像元光谱)之间的“角度”提取蚀变信息或进行矿物填图的方法。它是一种监督分类，每一类别都以一个已知参考光谱为依据。参考光谱可以是实验室或野外工作测定的波谱，亦或是从影像中提取的某像元波谱。这种方法假设影像数据已被缩减到“视反射率”，即所有暗辐射和路径辐射偏差已经去除。计算公式如下：
θ=arccos∑ni=1ti∗ri√∑ni=1t2i∗∑ni=1r2i (1) 式中：n是波段数；ti是第i波段图像的像元光谱；ri为参考端元光谱，该光谱可以通过实验室或野外测量获得，也可以从遥感图像感兴趣区提取，亦或来自已有光谱库。
采用光谱角填图法对异常进行筛选时，利用已知矿床附近蚀变矿物组合的光谱参与光谱角填图是最理想的方法。本次研究由于缺少柳园地区蚀变矿物的光谱特征，所以采用USGS标准波谱库中波谱曲线作为参考。
分别对10幅影像进行上述操作，得到每条带影像所在区域矿物蚀变信息图(见图 6)。由于受到拍摄时间、飞行高度、地形等因素的影响，相邻影像在重叠区域提取的矿物有可能存在误差；多种伴生矿物也会对提取结果产生一定的影响，所以在进行提取结果拼接、融合时，还需要结合地形、地质资料综合分析，最终得到全区矿物蚀变信息分布图(见图 7)。
从图 7可以看出：
① 绿泥石在西部、中部地区主要沿地层片状分布，为地层成岩或区域变质作用的产物。
② 针铁矿与褐铁矿主要分布于研究区西部斑状花岗岩体中发育的断裂构造，空间上受断裂构造控制，呈条状分布。此外，在研究区东南部也有成块状分布的针铁矿，附近有蒙脱石-高岭石出现。
③ 碳酸盐蚀变岩方解石主要分布于西南部和北部，是碳酸盐地层受后期热液改造重结晶的产物。研究区东南部的方解石分布于印支期正长花岗岩、二长花岗岩外围地层中，周围可见有块状分布的针铁矿。
④ 高岭石主要分布在西部和中部地区，主要是由富含铝硅酸盐的火成岩和变质岩在酸性介质环境下风化作用或低温热液交待变化的产物，条带状分布在西部的原生高岭石与褐铁矿-针铁矿伴生。
⑤ 硅酸盐蚀变矿物闪石和透辉石片状分布在中部和南部地区，常常与绿泥石、方解石等蚀变矿物共生。
综上所述，研究区蚀变矿物主要有绿泥石、方解石、闪石、透辉石、针铁矿和褐铁矿，分布情况与地质调查结果一致。此外被识别出的少量白云母主要位于西部地区，呈条带状分布，与针铁矿伴生。
3. 结论
高光谱技术广泛应用于环境监测、大气、农林业、军事等领域，尤其在矿产、油气资源勘探中的作用不可替代，已成为高光谱应用和发挥效益的重要支撑点。机载航空高光谱数据CASI/SASI可以在同一平台下同时获取可见光-近红外-短波红外光谱段的光谱信息，光谱分辨率空间分辨率远远优于多光谱及星载高光谱数据，所以具有广泛的应用前景。
本文以柳园地区的CASI/SASI数据为研究对象，对航空高光谱遥感矿物过程中的关键技术进行了实验研究，总结出航空高光谱矿物蚀变信息提取流程。通过采用BI空间重采样、波段匹配、几何校正、FLAASH大气校正等方法得到地表反射率数据，之后选用纯净像元指数(MNF)、最大噪声分离变换(PPI)和光谱角(SAM)等技术方法进行蚀变矿物识别、填图。通过与柳园地区地质资料和前人实地勘探资料对比得出，研究区蚀变矿物主要有绿泥石、方解石、闪石、透辉石、针铁矿和褐铁矿，分布情况与实际状况吻合很好，验证了在该地区利用航空高光谱数据进行矿物蚀变信息提取的有效性。
-
图 2 柳园研究区CASI/SASI影像图及区内蚀变矿物局部图
Figure 2. CASI/SASI data and partial alteration minerals in Liuyuan area
图 4 大气校正前后波谱曲线对比
Figure 4. Comparison of spectral curve between before and after atmospheric correction
表 1 CASI/SASI的主要技术指标
Table 1. Main specifications of CASI/SASI
数据类型 光谱范围/nm 每行像元数 连续光谱通道数 光变带宽/nm 帧频(全波段) 总视场角/(°) 瞬时视场角/(°) 信噪比(峰值) 量化水平/位 绝对辐射精度/% CASI-1500 380~1050 1470 288 2.3 14 40 0.028 >1100 14 ±(5~10) SASI-600 950~2450 640 100 15.0 100 40 0.070 >1100 14 ±(5~10) 
下载: 导出CSV
-
[1] Clark R N, Swayze G A, King T V V. Imaging spectroscopy: Earth and planetary remote sensing with the USGS tetracorder and expert systems[J]. Journal of Geophysical Research, 2003, 1008(E12): 5131. http://cat.inist.fr/?aModele=afficheN&cpsidt=15473253 [2] 唐攀科, 李永丽, 李国斌, 等.成像光谱遥感技术及其在地质中的应用[J].矿产与地质, 2006, (4):160~164. http://www.cnki.com.cn/Article/CJFDTOTAL-KCYD200602012.htmTANG Pan-ke, LI Yong-li, LI Guo-bin, et al. Imaging spectrometry remote sensing technology and its applications in geology[J]. Mineral Resources and Geology, 2006, (4): 160~164. http://www.cnki.com.cn/Article/CJFDTOTAL-KCYD200602012.htm [3] 冯孝良, 管仕平, 牟传龙, 等.西藏甲马铜多金属矿床的岩浆热液交代成因:地质与地球化学证据[J].地质地球化学, 2001, 29(4):40~48. http://www.cnki.com.cn/Article/CJFDTOTAL-DZDQ200104006.htmFENG Xiao-liang, GUAN Shi-ping, MU Chuan-long, et al. Geological characteristics and genesis of the Jiama copper polymetallic deposit in Tibet[J]. Geology Geochemistry, 2001, 29(4): 40~48. http://www.cnki.com.cn/Article/CJFDTOTAL-DZDQ200104006.htm [4] 崔廷伟, 马毅, 张杰.航空高光谱遥感的发展与应用[J].遥感技术与应用, 2003, 18(2):118~122. doi: 10.11873/j.issn.1004-0323.2003.2.118CUI Ting-wei, MA Yi, ZHANG Jie. The development and applications of the airborne hyperspectral remote sensing[J]. Remote Sensing Technology and Application, 2003, 18(2): 118~122. doi: 10.11873/j.issn.1004-0323.2003.2.118 [5] 甘甫平, 王润生, 马蔼乃.基于特征谱带的高光谱遥感矿物谱系识别[J].地学前缘, 2003, 10(2):445~454. http://www.cnki.com.cn/Article/CJFDTOTAL-DXQY200302033.htmGAN Fu-ping, WANG Run-sheng, MA Ai-nai. Spectral Identification Tree (SIT) for mineral extraction based on spectral characteristics of minerals[J]. Earth Science Frontiers, 2003, 10(2): 445~454. http://www.cnki.com.cn/Article/CJFDTOTAL-DXQY200302033.htm [6] 燕守勋, 张兵, 赵永超, 等.高光谱遥感岩矿识别填图的技术流程与主要技术方法综述[J].遥感技术与应用, 2004, 19(1):52~63. http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS200401012.htmYAN Shou-xun, ZHANG Bing, ZHAO Yong-chao, et al. Summarizing the technical flow and main approaches for discrimination and mapping of rocks and minerals using hyperspectral remote sensing[J]. Remote Sensing Technology and Application, 2004, 19(1): 52~63. http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS200401012.htm [7] 王润生.高光谱遥感的物质组分和物质成分反演的应用分析[J].地球信息科学, 2009, 11(3):261~267. http://www.cnki.com.cn/Article/CJFDTOTAL-DQXX200903002.htmWANG Run-sheng. Spectral identification and inversion of composition and component of objects with hyperspectral remote sensing[J]. Geo-information Science, 2009, 11(3): 261~267. http://www.cnki.com.cn/Article/CJFDTOTAL-DQXX200903002.htm [8] 叶发旺, 刘德长, 赵英俊.CASI/SASI航空高光谱遥感测量系统及其在铀矿勘查中的初步应用[J].世界核地质科学, 2011, 28(4):231~236. http://www.cnki.com.cn/Article/CJFDTOTAL-GWYD201104010.htmYE Fa-wang, LIU De-chang, ZHAO Ying-jun. Airborne hyper-spectral survey system CASI/SASI and its preliminary application in uranium exploration[J]. World Nuclear Geoscience, 2011, 28(4): 231~236. http://www.cnki.com.cn/Article/CJFDTOTAL-GWYD201104010.htm [9] 赵泽辉, 郭召杰, 王毅.甘肃北山柳园地区花岗岩类的年代学、地球化学特征及构造意义[J].岩石学报, 2007, 23(8):1847~1860. http://www.cnki.com.cn/Article/CJFDTOTAL-YSXB200708006.htmZHAO Ze-hui, GUO Zhao-jie, WANG Yi. Geochronology, geochemical characteristics and tectonic implications of the granitoids from Liuyuan area, Beishan, Gansu Province, northwest China[J]. Acta Petrologica Sinica, 2007, 23(8): 1847~1860. http://www.cnki.com.cn/Article/CJFDTOTAL-YSXB200708006.htm [10] 江思宏, 聂凤军.北山地区花岗岩类成因的Nd同位素制约[J].地质学报, 2006, 80(6):8261~842. http://www.cnki.com.cn/Article/CJFDTOTAL-DZXE200606005.htmJIANG Si-hong, NIE Feng-jun. Nd-isotope constraints on origin of granitoids in Beishan Mountain area[J]. Acta Geologica Sinica, 2006, 80(6): 8261~842. http://www.cnki.com.cn/Article/CJFDTOTAL-DZXE200606005.htm [11] 左国朝, 刘义科, 刘春燕.甘新蒙北山地区构造格局及演化[J].甘肃地质学报, 2003, 1(12):1~15. http://www.cnki.com.cn/Article/CJFDTOTAL-GSDZ200301000.htmZUO Guo-chao, LIU Yi-ke, LIU Chun-yan. Framework and evolution of the tectonic structure in Beishan area across Gansu Province, Xinjiang Autonomous Region and Inner Mongolia Autonomous Region[J]. Acta Geologica Gansu, 2003, 1(12): 1~15. http://www.cnki.com.cn/Article/CJFDTOTAL-GSDZ200301000.htm [12] 赵泽辉, 郭召杰, 韩宝福, 等.新疆东部—甘肃北山地区二叠纪玄武岩对比研究及其构造意义[J].岩石学报, 2006, 22(5):1279~1293. http://www.cnki.com.cn/Article/CJFDTOTAL-YSXB200605019.htmZHAO Ze-hui, GUO Zhao-jie, HAN Bao-fu, et al. Comparative study on Permian basalts from eastern Xinjiang-Beishan area of Gansu Province and its tectonic implications[J]. Acta Petrologica Sinica, 2006, 22(5): 1279~1293. http://www.cnki.com.cn/Article/CJFDTOTAL-YSXB200605019.htm [13] 梅华林, 李惠民, 陆松年, 等.甘肃柳园地区花岗质岩石时代及成因[J].岩石矿物学杂志, 1999, 18(1):14~17. http://www.cnki.com.cn/Article/CJFDTOTAL-YSKW901.002.htmMEI Hua-lin, LI Hui-min, LU Song-nian, et al. The age and origin of the Liuyuan granitoid, northwestern Gansu[J]. Acta Petrrologica Et Mineralogica, 1999, 18(1): 14~17. http://www.cnki.com.cn/Article/CJFDTOTAL-YSKW901.002.htm [14] 王润生, 甘甫平, 闫柏坤, 等.高光谱矿物填图技术及应用研究[J].国土资源遥感, 2010, (1):1~13. doi: 10.6046/gtzyyg.2010.01.01WANG Run-sheng, GAN Fu-ping, YAN Bai-kun, et al. Hyperspectral mineral mapping and its application[J]. Remote Sensing for Land & Resources, 2010, (1): 1~13. doi: 10.6046/gtzyyg.2010.01.01 [15] Chaudhry F, Wu C C, Liu W M, et al. Pixel purity index-based algorithms for end member extraction from hyperspectral imagery[J]. Transworld Research Network37/661 (2), FortP.O., Trivandrum-695 023, Kerala, India.2006. [16] Bateson A, Curtiss B. A method for manual endmember selection and spectral unmixing[J]. Remote Sensing of Environment, 1996, 55: 229~243. doi: 10.1016/S0034-4257(95)00177-8 [17] Craig M D. Minimum-volume transforms for remotely sensed data[J]. IEEE Transaction on Geoscience and Remote Sensing, 1994, 32(3): 542~552. doi: 10.1109/36.297973 [18] Nascimento J M P, Dias J M B. Vertex component analysis: A fast algorithm to unmix hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43: 898~910. doi: 10.1109/TGRS.2005.844293 [19] Winter M E. Comparison of approaches for determining end-members in hyperspectral data[C]//IEEE Aerospace Conference Proceedings. IEEE, 2000: 305~313. [20] Bowles J H, Palmadesso P J, Antoniades J A, et al. Use of filter vectors in hyperspectral data analysis[C]//Strojnik M, Andresen B F. Infrared Spaceborne Remote Sensing: Proceedings of SPIE. San Diego. SPIE, 1995: 148~157. [21] Berman M, Kiiveri H, Lagerstrom R, et al. ICE: A statistical approach to identifying endmembers in hyperspectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42: 2085~2095. doi: 10.1109/TGRS.2004.835299 [22] 吴波, 汪小钦, 张良培.端元光谱自动提取的总体最小二乘迭代分解[J].武汉大学学报:信息科学版, 2008, 33(5):457~460. http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH200805006.htmWU Bo, WANG Xiao-qin, ZHANG Liang-pei. Iterative abstraction of endmember based on Total Least Square for Mixture Pixel Decomposition[J]. Geomatics and Information Science of Wuhan University, 2008, 33(5): 457~460. http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH200805006.htm [23] Plaza A, Martinez P, Perez R, et al. Spatial/spectral endmember extraction by multidimensional morphological operations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40: 2025~2041. doi: 10.1109/TGRS.2002.802494 [24] Roggea D M, Rivard B, Zhang J, et al. Integration of spatial-spectral information for the improved extraction of endmembers[J]. Remote Sensing of Environment, 2007, 110: 287~303. doi: 10.1016/j.rse.2007.02.019 -
下载:
下载:
计量
- 文章访问数: 245
- HTML全文浏览量: 265
- PDF下载量: 20
- 被引次数: 0
