端元匹配的遥感影像地物自适应光谱表征
遥感图像解译与地物分类考核试卷
10.遥感图像的__________校正主要是为了消除地球曲率和大气折射对图像的影响。
答案：__________
四、判断题（本题共10小题，每题1分，共10分，正确的请在答题括号中画√，错误的画×）
1.遥感图像的空间分辨率越高，其覆盖的地理范围越小。（）
答案：__________
A.监督分类
B.非监督分类
C.线状要素提取
D.面状要素提取
17.在遥感图像处理中，以下哪个算法是基于像元的分类方法？（）
A.最大似然法
B.最小距离法
C.支持向量机
D.决策树
18.下列哪种方法通常用于遥感图像的地形校正？（）
A.坡度校正
B.斜率校正
C.地形阴影校正
D.地理编码
19.在遥感图像分类中，以下哪个步骤通常用于选择训练样本？（）
A.红波段
B.近红外波段
C.绿波段
D.蓝波段
5.下列哪种分类方法是基于地物光谱特征相似性的？（）
A.监督分类
B.非监督分类
C.最大似然法
D.最小距离法
6.在遥感图像处理中，以下哪个步骤是进行监督分类前的必要步骤？（）
A.图像增强
B.波段选择
C.图像镶嵌
D.图像裁剪
7.在遥感图像中，以下哪个参数与地物湿度相关性较高？（）
C.微波波段
D.紫外波段
16.以下哪些方法可以用于遥感图像的纹理分析？（)
A.灰度共生矩阵
B.局部二值模式
C.高通滤波
D.低通滤波
17.以下哪些技术可以用于提高遥感图像的分类精度？（）
A.增加训练样本数量
B.选择合适的分类器
C.使用多源数据融合
一种空间自适应的多光谱遥感影像端元提取方法
以 Ｔ 多光谱影像 为例 ， ０米的多光 谱影像有 ６个波段 （ Ｍ ３ 不
包 括热红外 ） ，即使这 ６ 个波段互不相关 ， 求取 的本征维数最
多也就是 ６ ， 维 能提取的端无数 目最 多 ７ 。按照 凸面体分 个 析理论 ， Ｍ 多光谱影像 只能提取少 量的端元 ，如果 再以提 Ｔ
取 的少量端 元去解混 ， 精度受到严 重影响 ，难 以满 足实际应 用中的要求 。
小组分 单元 ” ，即“ 端元”＿ ｊ ｌ 。 在混合像元 分解之 前需要进行端元 提取 。 是进行遥感 这
像， 对于高空问分辨率低光谱分辨率的多光谱影像端 元提取
算法很 少。如何从多光谱影像仅有的儿个波段 ｌ有效 的提取 ｝ １
端元信息 ， 是多光谱遥感影像混合像元 分解 的关 键 。 现行基
光谱和地物参考光谱 的蓖要纽带 ； 并从 另一个角度表 达 了遥 感影像分类和识别 的方法 与思路 。由于现实 中混合像 元的广 泛存在 ，一 方 使 得遥 感 影像 光谱 和地 表 实测 光谱 长期 割 ・ 裂 ，另一方面使得遥感 影像 的分类和识别以及定 量反演 的精 度受到重要影响 ，所以混合 像了 分解理沦在遥感 理解 与信息
于凸锥体分 析法 的端元提取算法 ， 通过求取影像 的本征维数 确定端元 的数 Ｖ。即影像端元数 日等于本 征维数加一【 Ｊ Ｉ 。
影像混合像元分解 的首要 步骤 ， 也足最 关键 的步骤 ，它 直接
影 响混合像元分解 的精度 。现行的端 ＿ 源概括 起来 主要 有 ＝ ） Ｉ ∈ 种ｉ ： １根据野外 波 谱测 量或从 已有 的地 物波 谱信息库 （） 巾选择端 】 通过这种 途径 选择 的端元称 为 “ ， 参考 端元 ” ；
１ ０４ ００ ９
波谱匹配支持的遥感专题地物自适应提取
Ｄ 一 ／ （ ） （ ４ 五一 ）
■—一
（ ２ ）
㈣
分 布 特征考 虑 不足 。此外 ， 有 光谱 库数 据种 类有 现 限 ， 用光 谱 特征 匹配方 法 时难 以普 遍适 用 于不 同 采
地 区。本 文提 出 了具 有 较好普 适 性 、 流程 化 的波谱
×ｚ ５ ｓ
ｃ ｍ ｍｏｎ ｌｔ ｈｅ ｍｅ ｈｏ ｏ ａ ｉｙ ｏｆｔ ｔ ｄ．
Ｋｅ ｒ ｓ ｈ ｍａ ｉ ｏ ｊｃ ｘ ｒ ｃｉｎ；ｓ ｅ ｔａ ｔｈｎ ｙ ｗｏ ｄ ：ｔ ｅ ｔｃ ｂｅ ｔｅ ｔａ ｔ ｏ ｐ ｃｒｌ ｍａｃ ｉ ｇ；ｒ ｍｏ ｅｓ ｎ ｉｇ ｅ ｔ ｅ ｓｎ
专题 地 物 端 元 选 取 、 谱 匹 配 、 像 自动 分 割 、 整 体 一 部 ” 空 间 转换 ， 波 影 “ 局 的 以及 局 部 针 对 性 、 细 化 地 迭 代 逼 近 等 精
一
系列 相 互 衔接 的 算 法 ， 面 、 确 地提 取 遥 感 影 像 上 的 专 题 地 物 。通 过 在 Ｅ 全 准 ＴＭ ＋ 影 像 上 水 体 和裸 地 的 提 取 实
Ｓ Ｉ ）一 ａ （ Ｍ （ Ｄ ）－ Ｓ （ ｋ ） （） １
的模 型 进行 处 理 ， 地 物 表 征通 常具 有 多 样 性 ， 而
这 就 往 往 导致 因其他 地 物 的干 扰 而造 成 专 题 地物 的漏 提和误 提 。并且 ， 提取 过 程 中通 常需要 较多 在 的人工 干 预 和背景 知识 的加 入 ； 对专 题地 物 的空 间
Ｑ ａ ｈ ｎ ， ｏＪａ ｃｅ ｇ ， ｈ ｎＺ ａｆ ｎ ｈ ｈｗｅ ， ｕＸｉｏ ｏ ｇ ｉｏＣ ｅｇ Ｌｕ ｉｎ ｈ ｎ Ｓ ｅ ｈ ｎ ｅｇ ，Ｚ ｕＺ ｉ ｎ” Ｈ ａ ｄ ｎ
高光谱遥感影像端元提取方法对比
Ｊ Ｎ ｅ － ｉｇ ＸＩ Ｉ Ｗ ｎ ｐｎ ＡＯ － ｅ Ｋｅ ｋ
（ｃ ｏ ｌ ｆ ｅ ｓｉｎ ｅａ ｄＩｆ－ ｈ ｓ ｓ Ｃ ｎｒ ｌ ｏ ｔ Ｓ ｈ ｏ ｏ ｏｃｅ ｃ ｎ ｏ Ｐ ｙｉ ， ｅ ｔａ Ｓ ｕｈ删 ｖ ｒｉ ， ｈ ｎ ｓａＨｕ ａ ， １０ ３ Ｃｈｎ ） Ｇ ｎ ｃ ｅｓ ｙ Ｃ ａ ｇｈ ｎ ｎ ４ ０ ８ ， ｉａ ｔ
Ｏ ・ 言 引
高光谱遥感技术丰 富的空 间维 、 光谱维 信息受到 国际研
究者的广泛关 注 ， 具有广阔的发展应 用前景【 ｌ １ 。目前已在地质
计特征基础上 的多变量正交线性变换。通过去掉 那些相对较
小 的变换 系数而又 不会损失太 大 的信 息量达 到有效 地降低 维数 的 目的， 是对均方误差最小而言 的最佳 变换 。特征提 取
要 】 文在 Ｓ Ａ Ｃ法和 Ｐ Ｉ 本 Ｍ Ｃ Ｐ 法端元提取 基础 上， 得到高光谱遥 感影像端元丰度 图， 用 Ｓ Ｍ法进 行分类。通过 分 之后 Ｖ
类结果精度 来评价端元提取的优劣。 实验 结果表 明， 基于 Ｐ Ｉ Ｐ 的线性混合像元分解得到的丰度图用 Ｓ Ｍ分类效果最佳 ， Ｖ 整体精
ｗ ｒ ｅ ｉｅ ｒ ｍ ｎ ｍｅ ｅ ｓｗｅ ｅ ｃａ ｓｆ ｄ ｂ ＶＭ ｔ ｏ ． ａ ｔ， ｖ ￣ｅ ｈ ｕ ｌ ｙ ｏ ｎ ｍｅ ｅ ｘｒ ｃ ｉｎ ｍｅｈ ｄ ｙ ｅ ｅ ｄ ｒｖ ｄ ｆｏ ｅ ｄ ｍｂ ｒ ｒ ｌｓ ｉ ｅ ｙ Ｓ ｉ ｍｅ ｈ ｄ Ａｔ ｓ ｗｅ ｅ Ｍｕ ｄ ｔ ｅ ｑ ａ ｉ ｆｅ ｄ ｍｂ ｒｅ ｔ ｔ ｔ ｏ ｓｂ ｌ ｔ ａ ｏ ｃａ ｓｆ ａ ｉｎ ｐ ｅ ｉｉｎ Ｔ ｅ ｒ ｓ ｈ ｈ ｗ ｔ ａ ｈ Ｐ － ＶＭ ｓｔ ｅ ｂ ｓ ｔｏ ｎ ｈ ｖ ｒ ｌ ｐ ｅ ｉｉｎ ｉ ８ ．９ ｗｈ ｌ ｈ ｔ ｆｔ ｅ ｌｓ ｉ ｃ ｔ ｒ ｃ ｓｏ ． ｈ ｅ ｕ ｓｓ ｏ ｈ ｔｔ ｅ Ｐ Ｉ Ｓ ｉ ｏ ｉ ｅ ｔｍｅ ｄ ａ ｄ ｔ ｅ ｏ ｅ ａｌ ｒ ｃ ｓｏ ｓ ７ ５ ％ ｈ ｈ ｉ ｔ ａ ｈ ｅ ｏ
基于局部端元提取的遥感影像波段模拟
２ ０ １ ３年 １ ２月
光
谱
学
与
光
谱
分
析
Ｖ ｏ １ ． ３ ３ ， Ｎ ｏ ． １ ２ ， ｐ ｐ ３ ３ ４ ９ — ３ ３ ５ ３
Ｄｅ ｃ ｅ ｍｂ ｅ ｒ ，２ ０ １ ３
Ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐ ｙ ａ ｎ ｄ Ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ
基 于局 部 端 元提 取 的遥 感影 像 波段 模拟
周亚男 。 ， 骆 剑承 ， 沈占 锋 ， 程 熙 ， 胡 晓东
１ ．中国科学院遥感与数字地球研究所 ， 北京
２ ．中 国科 学 院 大 学 ，北 京 １ ０ ０ ０ ４ ９
１ ０ ０ １ ０ １
摘
要
针对“ 波谱库 影像” 多光谱遥感影 像波段模拟方法 中波谱库 以矿 物质 类别为主 、忽略大 气环境和成
基础上 ，通过分析波段 间 的相关性 ， 模 拟其他 波段 。通 过波
法通过学习参考影像中像元样本波段关系来模 拟 目标影像波 段， 如沈金祥等 以 ＴＭ５ 影像 为参 考 （ 本刊 ３ １ 卷 ９期） ， 利用 Ｂ Ｐ神经网络模 拟 Ｓ Ｐ ＯＴ的真彩色影像 。然而在 Ｒ Ｉ － Ｉ 方法 中， 像元 光谱 以混合像 元形 式存 在 ， 增加 了地物波谱 间关系 的不 确定 性 ， 压缩 了地物预测空间＿ － ５ ；并且参考影 像和 目标影像 像元 空问分辨率 的不 同引发像元 尺度效应 ， 降低 了方法 的准
关键词 聚类分 割 ； 端元提取 ； 波段模拟 ；真彩色
文献 标 识 码 ：Ａ Ｄ ＯＩ ：１ ０ ． ３ ９ ６ ４ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ — ０ ５ ９ ３ （ ２ ０ １ ３ ） １ ２ — ３ ３ ４ ９ — ０ ５
遥感影像处理知识
1.几何校正：几何校正是利用地面控制点和几何校正数学模型来矫正非系统因素产生的误差，同时也是将图像投影到平面上，使其符合地图投影系统的过程。
2.图像镶嵌：指在一定的数学基础控制下，把多景相邻遥感影像拼接成一个大范围、无缝的图像的过程。
3.图像裁剪：图像裁剪的目的是将研究之外的区域去除。
常用方法是按照行政区划边界或自然区划边界进行图像裁剪。
在基础数据生产中，还经常要进行标准分幅裁剪。
按照ENVI 的图像裁剪过程，可分为规则裁剪和不规则裁剪。
4.图像分类：遥感图像分类也称为遥感图像计算机信息提取技术，是通过模式识别理论，分析图像中反映同类地物的光谱、空间相似性和异类地物的差异，进而将遥感图像自动分成若干地物类别。
5.正射校正：正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程。
6.面向对象图像分类技术：是集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类，以高精度的分类结果或者矢量输出。
7.DEM：数字高程模型是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
8.立体像对：从两个不同位置对同一地区所摄取的一对相片。
9.遥感动态监测：从不同时间或在不同条件获取同一地区的遥感图像中，识别和量化地表变化的类型、空间分布情况和变化量，这一过程就是遥感动态监测过程。
10.高光谱分辨率遥感：是用很窄而连续的波谱通道对地物持续遥感成像的技术。
在可见光到短波红外波段，其波谱分辨率高达纳米数量级，通常具有波段多的特点，波谱通道多达数十甚至数百个，而且各波谱通道间往往是连续的，因此高光谱遥感又通常被称为"成像波谱遥感"。
11.端元波谱：端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱，与监督分类中的分类样本具有类似的作用，直接影响波谱识别与混合像元分解结果的精度。
12.可视域分析：可视域分析工具利用DEM数据，可以从一个或多个观察源来确定可见的地表范围，观测源可以是一个单点,线或多边形13.三维可视化：ENVI的三维可视化功能可以将DEM数据以网格结构、规则格网或点的形式显示出来或者将一幅图像叠加到DEM数据上。
常见混合像元分解方法简介二
端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息，根据多光谱或高光谱的高光谱分辨率可以提取出来。
端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。
混合像元分解(2011-06-10 14:46:57)转载▼分类：ENVI/IDL学习标签：杂谈混合像元是指在一个像元内存在有不同类型的地物，主要出现在地类的边界处。
混合像元的存在是影响识别分类精度的主要因素之一,特别是对线状地类和细小地物的分类识别影响较为突出，在土地利用遥感动态监测工作中,经常遇到混合像元的难题，解决这一问题的关键在于通过一定方法找出组成混合像元的各种典型地物的比例。
线性混合像元分解由于线性模型是应用最广泛，也是研究最多的算法，下面重点介绍基于线性模型的混合像元分解算法。
一般而言，混合像元分解算法包括数据降维、端元选取和反演三个步骤。
１.数据降维尽管数据降维不是混合像元分解算法的一个必需步骤，但由于大多数算法都将其作为一个流程，我们也将其当作一个步骤。
常用的降维算法有主成分分析（Principle Component Analysis，PCA）、最大噪声比变换（Maximum Noise Fraction，MNF）和奇异值分解（Singular Value Decomposition，SVD）。
(1) 主成分分析：遥感图像各波段之间经常是高度相关的，因此所有的波段参加分析是不必要的。
PCA就是一种去除波段之间相关性的变换。
PCA通过对原数据进行线性变换，获得新的一组变量，即主成分。
其中前几个主成分包含了原数据主要方差，同时各个主成分之间是不相关的。
(2) 最大噪声比变换：最大噪声比变换（Maximum Noise Fraction，MNF）[24]由Green等（1989）提出，该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。
基于局部端元光谱表征的地表水体遥感自适应提取
能够取得较好 的效果 。 然而现实应 用中 ，由于水体 中悬浮物
质、 化学成分 、物理性 质等理 化特性 的不 同，在遥感 影像 上
中图分类号 ： Ｔ Ｐ ７ ５ １ ． １
表现 出较大 的光谱差 异 。以湖泊为例 ，有淡 水湖泊 、微咸 水
引 言
通过遥感技术准确地获取陆地表层水体的分布信息是揭 示 区域生 态环境演变 的重要技术 手段 ，对水资 源调查 、流域 综合 治理 、 水利规划等领域具有重要 的意义 。国内外 学者很
Ｏ ＵＭＡ等口 在 ＮＤ ＷＩ 基础 上 结 合湿 度 指数 发 展 了水 体 指 数； 徐涵秋等 Ⅲ ８ 提 出的改 进 的归一 化差 异水体 指 数 （ ＭＮＤ － ＷＩ ） ； 骆剑承等Ｌ ９ ］ 提 出了一种 分步迭代 的 自动化 水体提 取方
１ 实验部分
本文综合 考虑 了不 同水体 的光谱特征差异 以及水体 空间 分布异质性的特点 ， 设计 了“ 全局一 局部 ” 迭代算法 ， 通过局部
取。 通过不 同类型湖泊水体提取实验表明 ， 该方法要优 于传 统的全局水 体光谱指数 阈值 分割法 ，能够准确 、 自动地提取遥感影像上水体分布信息 ， 几乎不受水体光谱特征差异的影响 。
关键词 端元 ；光谱表 征 ； 水体提取 ；自适应
文献标识码 ： Ａ Ｄ Ｏ Ｉ ：１ ０ ． ３ ９ ６ ４ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ — ０ ５ ９ ３ （ ２ ０ １ ３ ） ０ ６ － １ ６ ７ ０ — ０ ８
高光谱在遥感技术的应用
高光谱在遥感技术的应用高光谱遥感技术（Hyperspectral Remote Sensing）的兴起是20世纪80年代遥感技术发展的主要成就之一.作为当前遥感的前沿技术，高光谱遥感在光谱分辨率上具有巨大的优势。
，随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛。
本文主要阐述高光谱遥感的特点和主要应用。
1 高光谱遥感孙钊在《高光谱遥感的应用》中提到，高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。
[1]高光谱遥感具有较高的光谱分辨率，通常达到10～2λ数量级。
[2]1.1 高光谱遥感特点综合多篇关于高光谱的期刊文章，总结高光谱具有如下特点：（1）波段多，波段宽度窄。
成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。
[3]与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。
[4]（2）光谱响应范围广，光谱分辨率高。
成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。
[5]成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm 左右。
精细的光谱分辨率反映了地物光谱的细微特征。
（3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。
在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。
（4）数据量大，信息冗余多。
高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。
（5）数据描述模型多，分析更加灵活。
高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。
rs解释
可见光和近红外地物反射光谱测试的作用：①传感器波段的选择、验证、评价的依据；②建立地面、航空和航天遥感数据的定量关系；③将地物光谱数据直接与地物特征进行相关分析并建立应用模型
遥感器:遥感器又称为传感器，是接收、记录目标电磁波特性的仪器。常见的传感器有摄影机、扫描仪、雷达、辐射计、散射计等。
遥感数字图像:以数字形式表示的遥感影像，便于计算机存储、处理和使用，常用多维矩阵来表示。
遥感数字图像的计算机分类:根据地物的分类特征建立统计识别模式，利用建立的识别模式或算法对遥感数字图像进行类型识别的过程，以实现地学专题信息的智能化获取。
扫描成像:依靠探测元件和扫描镜对目标地物以瞬时视场为单位进行逐点、逐行取样，以得到目标地物电磁波特性信息，形成一定谱段图像的成像方式。
摄影成像:依靠光学镜头及放置在焦平面的感光记录介质（胶片or CCD）来记录物体的影像的成像方式
水体的光谱特征：水面性质、水体中悬浮物的性质和含量、水深水底的性质
空间滤波：通过像元与其周围相邻像元的关系，采用空间域的邻域处理方法（开窗卷积运算），以重点突出图像上某些特征的图像处理方法。常用算法：平滑、锐化。平滑的效果：去除尖锐“噪声”、平缓图像亮度。锐化的效果：突出边缘和线状目标
气象卫星和海洋遥感的特点：【气象卫星】的特点： 高时间分辨率（短周期）； 扫描范围广、探测面积大；数据连续、实时性强；成本低廉；【海洋遥感】需高空平台，以便大面积同步覆盖观测；以微波为主，实现全天候全天时实时观测；海面实测资料校正，协同发挥作用 。
遥感envi实验报告
2018年6月11日至6月18日学习进展教材学习：学习二章上机实习：上机实验三编程实习：每天晚上坚持两个小时学习编程上机实习：三特征选择和特征提取一实验数据二实验内容1 打开cup95_at.int文件，以193波段进行灰度展示2 打开usgs_min.sli光谱库，并对其中所有的alunite和kaolinite光谱在两个窗口中分别展示3 对影像中以下点位光谱采用Spectral Analyst功能进行分析，利用usgs_min.sli确定其类别4 将260,613点位光谱与其在光谱库中最接近的光谱在同一窗口中展示5 将4中光谱按包络线去除效果进行展示1 打开cup95_at.int文件，以193波段进行灰度展示2 打开usgs_min.sli光谱库，并对其中所有的alunite和kaolinite光谱在两个窗口中分别展示打开Spectral Library Viewer,并打开文件usgs_min.sli光谱库，并将所有的alunite和kaolinite光谱在两个窗口中分别展示。
3 对影像中以下点位光谱采用Spectral Analyst功能进行分析，利用usgs_min.sli确定其类别高光进行谱地物识别：可以1、从标准波谱库中选择端元，进行物质识别2、从图像上选择某个像素波谱或ROI的平均波谱，进行物质识别（注：识别方法选择波谱角方法），本次对像素波谱进行物质识别。
首先，显示对应坐标的像素光谱，在go to中输入坐标，在Display中选择剖面profiles,在打开的光谱曲线面板中找到相应的像素点，查看光谱。
之后将其收集成端元，即在工具箱中找到分类Classification,endmember Classification，在打开的面板中选择import，From plot windows,即在打开的窗口设为端元同时，打开工具箱中的Spectral Analyst分析工具，在打开的光谱分析选择面板中选择usgs_min.sli文件，作为地物分析文件。
遥感图像处理考试重点整理
名词解释:1.图像：是对客观对象一种相似性的描述或写真，它包含了被描述物体或写真对象的信息，是人们最主要的信息源。
2.数字图像：指用计算机存储和处理的图像，是一种空间坐标和灰度均不连续、以离散数学原理表达的图像。
3.遥感系统：是一个从地面到空中乃至整个空间，从信息收集、存储、传输、处理到分析、判读、应用的技术体系，主要包括遥感试验、信息获取（传感器、遥感平台）、信息传输、信息处理、信息应用等5个部分。
4.传感器：又称为遥感器（remote sensor），是收集和记录电磁辐射能量信息的装置，是信息获取的核心部件，如航空摄影机、多光谱扫描仪、成像仪等。
传感器搭载在遥感平台上，通过传感器获取遥感数字图像数据。
5.元数据（meta data）:是关于图像数据特征的表达，是关于数据的数据。
6.直方图规范化：又称为直方图匹配，这种方法经常作为图像镶嵌或应用遥感图像进行动态变化研究的预处理工作。
通过直方图匹配可以部分消除由于太阳高度角或大气影像造成的相邻图像的色调差异，从而可以降低目视解译的错误。
7.辐射校正：消除图像数据中依附在辐亮度中的各种失真的过程成为辐射量校正（radiometric calibration），简称辐射校正。
8.辐射通亮：单位时间内通过某一表面的辐射能量称为辐射通量（radiant flux），单位为W。
9.辐照度：指单位时间内单位面积上接受的辐射通量，单位为W/m^2。
10.辐亮度：和辐射度两个概念的含义相同，指的是沿辐射方向、单位面积、单位立体角上的辐射通量，单位为W/（m2.sr）。
11.反射率：是反射能量与入射能量的比值。
12.吸收率：是吸收能量与入射能量的比值。
13.透射率：是透射能量与入射能量的比值。
在介质内部，反射率吸收率和透射率的和为1。
14.反照率：不同于反射率，指的是界面反射的辐照度与内部的反射的辐照度之和与入射的辐照度的比值。
15.几何精纠正：又称为几何配准（registration），是把不同传感器具有几何精度的图像、地图或数据集中的相同地物元素精确地彼此匹配、叠加在一起的过程。
基于高分5号高光谱数据遥感影像分类
基于高分5号高光谱数据遥感影像分类1. 概述遥感技术是一种非常有效的方式，能够用来获取大量的地表信息。
高光谱遥感影像是其中一种重要的遥感数据类型，它包含了丰富的光谱信息，可以用来进行更精细的地物分类和识别。
高分5号卫星是我国自主研发的高分辨率遥感卫星，其高光谱数据对于地表覆盖的详细信息提供了极大的帮助。
本文将探讨基于高分5号高光谱数据进行遥感影像分类的相关问题。
2. 高光谱数据和遥感影像分类高光谱数据是一种在可见光、红外和短波红外波段上有数百个连续光谱波长的数据，它比普通遥感影像包含更丰富的光谱信息。
这使得高光谱数据在地物分类和识别上具有更高的灵敏度和精确度。
遥感影像分类是利用遥感数据进行地物类型划分和识别的过程，高光谱数据在这一过程中能够提供更详细的光谱信息，有助于识别地物的种类和特征。
3. 基于高分5号高光谱数据的影像分类方法基于高分5号高光谱数据进行影像分类的方法通常包括以下几个步骤：（1）预处理：高光谱数据需要进行大气校正、辐射校正等预处理工作，以提高数据的质量和准确性。
（2）特征提取：从高光谱数据中提取合适的光谱和空间特征，用于地物的分类和识别。
（3）分类算法：选择合适的分类算法，将提取的特征用于地物分类，常用的算法包括支持向量机、随机森林等。
（4）后处理：对分类结果进行后处理，包括去除噪音、填充空洞等，提高分类的精度和准确性。
4. 高光谱数据在地物分类中的优势（1）更丰富的光谱信息：高光谱数据可以捕获更多的光谱信息，能够更准确地识别地物的种类和特征。
（2）更高的分类精度：相比于普通遥感影像，高光谱数据在地物分类上具有更高的灵敏度和分类精度，能够实现更精细的地物分类和识别。
（3）更好的应用前景：高光谱数据在农业、环境监测、城市规划等领域具有广泛的应用前景，可以为相关领域提供更精细的地表信息。
5. 高分5号高光谱数据遥感影像分类的应用案例高分5号高光谱数据在地物分类领域有着广泛的应用，例如：（1）农业监测：利用高光谱数据可以更准确地识别不同作物类型和健康状况，为农业生产提供精准的监测和管理。
高光谱遥感理论基础课件
CHAPTER
02
高光谱遥感的基本原理
电磁波与光谱辐射基础
电磁波的波长和频率
电磁波的波长范围从极长波到极短波，包括无线电波、微波、红外线、可见光 、紫外线、X射线和伽马射线等。不同波长的电磁波具有不同的特性和应用。
光谱辐射与光谱响应
物体对不同波长的电磁波具有不同的吸收、反射和透射特性，这种特性决定了 物体在光谱上的表现。光谱响应是指传感器在不同波长上的测量能力。
详细描述
高光谱遥感能够通过分析地物光谱特征，监 测植被的生长状况、种类分布以及生态系统 的健康状况。同时，高光谱遥感还能用于水 质监测，如水体污染物的分布和扩散情况。 此外，土壤状况的监测也是高光谱遥感的重 要应用之一，如土壤肥力、盐碱化程度等。
城市规划与建设管理
总结词
高光谱遥感在城市规划与建设管理中发挥着重要作用，能够提供丰富的地表信息，为城 市规划和建设提供科学依据。
详细描述
在环境监测方面，高光谱遥感可以用于检测大气污染 、水体污染和土壤污染等环境问题；在城市规划方面 ，高光谱遥感可以用于城市绿化、城市交通和城市空 间布局等方面的监测和规划；在资源调查方面，高光 谱遥感可以用于土地利用、矿产资源和水资源的调查 和评估；在农业管理方面，高光谱遥感可以用于农作 物生长监测、病虫害预警和产量预测等方面。
详细描述
高光谱遥感技术通过获取地物在不同光谱波段的反射或发射信息，能够识别和区分不同类型的地物，并揭示其内 在的光谱特征。由于其高光谱分辨率的特点，高光谱遥感能够提供更丰富的地表信息，为地物识别、环境监测、 资源调查等领域提供了强有力的支持。
高光谱遥感技术的发展历程
总结词
高光谱遥感技术自20世纪80年代诞生以来，经历了初期探索、技术发展和成熟应用三个阶段，目前 已经成为遥感领域的重要分支。
遥感复习资料
遥感复习资料第⼀章绪论1、遥感的定义⼴义的概念：⽆接触远距离探测(磁场、⼒场、机械波）狭义的概念：在遥感平台的⽀持下，不与⽬标地物相接触，利⽤传感器从远处将⽬标地物的地磁波信息记录下来，通过处理和分析，揭⽰出地物性质及其变化的综合性探测技术我们通常理解的遥感，主要是指空对地的遥感，对地⾯进⾏探测，为地球科学提供具有全球性、周期性、数字化的第⼀⼿资料，它是对地观测系统的重要组成部分。
2、遥感的分类按遥感平台分：地⾯遥感、航空遥感、航天遥感、航宇遥感按探测波段分：紫外遥感、可见光遥感、红外遥感、（发射红外遥感、热红外遥感）微波遥感、多光谱遥感、⾼光谱遥感按⼯作⽅式分：主动遥感、被动遥感按是否成像分：成像遥感、⾮成像遥感按覆盖区域分：全球遥感、区域遥感、城市遥感按研究领域分：陆地遥感、海洋遥感、⼤⽓层遥感、外空间遥感按应⽤领域分：资源遥感、环境遥感、农业遥感、林业遥感、渔业遥感、地质遥感、⽓象遥感、⽔⽂遥感、⼯程遥感、灾害遥感、军事遥感等3、遥感的特点⼤⾯积同步观测、时效性、数据的综合性和可⽐性、经济性、局限性第⼆章遥感的电磁辐射原理1、⿊体：对任何波长的电磁辐射都全吸收的假想的辐射体。
α (λ,T)≡1 α与λ⽆关普朗克辐射定律(Plank):描述了⿊体辐射源的辐射出射度与波长、温度的关系(Plank公式) 玻尔兹曼定律(Stefan-Boltzmann)：描述了⿊体的总辐射出射度与温度的定量关系：M =∫M λ(λ)dλ—— M =σ T4维恩位移定律(Wien’s)：描述了⿊体的辐射峰值与温度的定量关系λmax · T = b⿊体辐射性质：（1）⿊体辐射出射度随波长连续变化。
每条曲线只有⼀个最⼤值。
（普朗克定律）（2）温度愈⾼，⿊体的辐射出射度也愈⼤。
不同温度的曲线是不相交的。
绝对⿊体的总辐射出射度与⿊体温度的4次⽅成正⽐。
（斯玻定律）（3）⿊体辐射光谱中，最强辐射的波长与⿊体绝对温度成反⽐。
8专题高光谱数据的处理与分析
1.2 大气校正（一、起源）
• 太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感 器
• 原始影像包含物体表面，大气，以及太阳的信息 • 如果想了解某一物体表面的光谱属性，就必须将它的反射信息从
大气和太阳的信息中分离出来。
示意图
大气散射
邻接反射
直接反射
1.2 大气校正（二、校正方法）
• 遥感图像的大气校正方法很多。这些校正方法按照校正后的结果 可以分为2种： - 绝对大气校正方法：将遥感图像的DN(Digital Number)值转 换为地表反射率、地表辐射率、地表温度等的方法。 - 相对大气校正方法：校正后得到的图像，相同的DN值表示相 同的地物反射率，其结果不考虑地物的实际反射率。
称SMACC）的端元自动提取。
4、高光谱图像物质识别
4 物质识别
• ENVI提供许多波谱分析方法，包括：二进制编码、波谱角分类、 线性波段预测（LS-Fit）、线性波谱分离、光谱信息散度、匹配 滤波、混合调谐匹配滤波（MTMF）、包络线去除、光谱特征拟合 、多范围光谱特征拟合等
4 物质识别
• 专题内容： - 用波谱角分析方法从高光谱图像中识别物质
• ENVI下FLAASH大气校正工具 - 基于MODTRAN4+辐射传输模型 - 支持高光谱和多光谱数据
1.2 大气校正（三、练习）
• 专题内容： - 用FLAASH对AVIRIS航空高光谱数据进行大气校正
• 数据： - “18-高光谱数据的处理与分析\1-大气校正”
2、波谱库
2.1 标准波谱库（一）
• 步骤 - 输入波长范围 - 波谱收集 - 保存波谱库
2.3 波谱库交互
•波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样 式、添加注记、优化显示曲线等
混合像元分解技术的研究进展与主要问题
混合像元分解技术的研究进展与主要问题陈晋陈学泓地表过程与资源生态国家重点实验室(筹) ，北京师范大学，北京，100875摘要：遥感影像中一个像元常常覆盖超过一种地物类型，这种包含几种地物光谱信息的像元被称为混合像元。
混合像元在遥感影像中普遍存在，解决该问题对遥感定量解译具有重要的意义，是遥感由定性向定量化发展中不可回避的问题。
因此，在过去几十年中，遥感学者们开展了不少对混合像元问题的研究。
但是混合像元分解技术仍然存在一些不确定性和误差。
本文从以下四个方面综述当前关于混合像元分解的研究成果：(1)混合模型的建立；(2)线性混合模型中端元选取方法；(3)端元内光谱异问题；(4)混合像元分解精度评价。
并总结了现存的主要问题与可能的研究方向。
关键词：混合像元分解；光谱混合模型；端元提取；端元内光谱差异；精度评价Review of advancement and prospects of Spectral MixtureAnalysisChen Jin Chen Xueh ongState Key Laboratory of Earth Surface Processes and Resource Ecology,Beiji ng Normal Uni versity, Beijing 100875, Chi naAbstract: The phe nomenon that in dividual pixel covers more tha n one gro und cover type commonly exists in remotely sensed images. This is called as mixed pixel, which not only results in lower accuracy for the land cover discrim in ati on and classificati on, but also greatly hin ders the developme nt of qua ntitative remote sensing. In past decades, a nu mber of algorithms for Spectral Mixture An alysis(SMA) have bee n developed to solve this problem. However, there are still some un certa in ties in the research of Spectral Mixture An alysis. This paper reviewed four issues of the SMA: (1) Establishment of spectral mixture model; (2) Endmember identification in linear spectral mixture model; (3) Effect of en dmember spectral variability; (4) Accuracy assessme nt of SMA. In the end, a summary about the problems and the prospective studies in the SMA was con cluded.Keywords: Spectral Mixture An alysis; Spectral Mixture Model; En dmember Determ in ati on; En dmember Spectral Variability; Accuracy Assessme nt*本研究得到国家高技术研究发展计划（863计划）（2006AA12Z103资助。
典型地物反射波谱测量与特征分析演示教学
典型地物反射波谱测量与特征分析一、实验目的与要求1.实验意义：（1）对光谱测量仪器的认识：ASD野外光谱分析仪FieldSpecPro是一种测量可见光到近红外波段地物波谱的有效工具，它能够快速扫描地物，光线探头在毫秒内得到地物的单一光谱。
FieldSpec分光仪主要由附属手提电脑，观测仪器，手枪式把手，光线光学探头以及连接数据线组成。
通过连接电脑，可实时持续显示测量光谱，使得测量者可以即时获取需要的测量数据。
（2）对课堂内容的认识：地物反射光谱是指某种物体的反射率或反射辐射能随波长变化的规律，以波长为横坐标，反射率为纵坐标所得到的曲线即为反射波谱特性曲线。
影响地物波谱变化的因素：太阳位置（太阳高度角和方位角）。
不同的地理位置，海拔高度不同。
时间、季节的变化。
地物本身差异、土壤含水量、植被病虫害。
2.实验目的：（1）地物波谱数据获取需要使用地面光谱仪，通过该实验学会地面光谱仪的原理与使用方法。
（2）通过对地物光谱曲线分析，比较相异与相似地物反射光谱特征。
认识并掌握典型地物反射光谱特征。
二、实验内容与方法1.实验内容（1）典型地物反射波谱测量选择典型地物类型，使用地物光谱仪，开展地物光谱测量，获得典型地物可见光近红外波段（0.4-2.5微米）的反射光谱曲线。
地物类型：植被（草地、灌丛），水体（不同水深，有无植被），土壤（裸土、有少量植被覆盖土壤），不透水地面（水泥地面、沥青路面、大理石地面）。
（2）地物波谱特征分析a)标准波谱库浏览b)波谱库创建c)高光谱地物识别●从标准波谱库选择端元进行地物识别●自定义端元进行地物识别2.实验方法（1）ASD光谱仪简介FieldSpec Pro型光谱仪是美国分析光谱设备(ASD)公司主要的野外用高光谱测量设备。
整台仪器重量7.2公斤，可以获取350~2500nm 波长范围内地物的光谱曲线，探测器包括一个用于350-1000nm的512像元NMOS硅光电二极管阵列, 以及两个用于1000-2500nm的单独的热电制冷的铟-镓-砷光电探测器。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｄ ｐｉｅｓｅ ｔａ ｅ ｒｓｎａｉｎｏ ｅ ｔ ｅ ｓ ｇｏ ｊｃｓ ａ ｔ ｐ ｃｒｌ ｐ ｅｅ ｔｔ ｆ ｍｏｅｓｎ ｉ ｂｅ ｔ ｖ ｒ ０ ｒ ｎ
ｂ ｓｄ ｏ ｎ ｍ ｅ ｂ ｒｍ ａｃ ｉｇ ａｅ ｎ ｅ ｄ ｍ ｅ ｔｈｎ
Ｑ Ａ ｈｎ ， Ｌ Ｏ Ｊ ｎＣ ｅ ｇ ， Ｓ Ｎ Ｚ ａ — ｅｇ ， Ｈ ｉ — ｏ ｇ ， Ｘ Ａ ＬｅＧ ｎ Ｉ Ｏ Ｃ ｅ ｇ， Ｕ ｉ ． ｈｎ ａ ＨＥ ｈ ｎＦ ｎ Ｕ Ｘａ Ｄ ｎ ｏ Ｉ ｉ ａｇ’ —
ｆｒ， ｎａａｔ ｅｓｅｔ ｌ ｅｒｓｎａｉ ｔｏ ｆ ｅ ｔ ｓｎｉｇｏｊｃｓｂｓｄｏ ｎ ｍｅ ｅ ｔ ｉｇｉ ｐｏｏｅ ． ｏｅ ａ ｄｐ ｖ ｐｃ ａ ｒｐｅｅ ｔ ｏ ｍｅ ｄＯ ｍｏｅ ｅｓ ｂ ｔ ａｅ ｎ ｅｄ ｍｂｒｍａ ｈ ｓ ｒｐ ｓｄ ｉ ｒ ｔｎ ｈ ｒ ｎ ｅ ｃｎ
ＤＯ ：０ ３２ ／ Ｐ Ｊ１ １ ．０２ ０ ４９ Ｉ１ ．７４ Ｓ ．．００ ２ １ ．０ ４
端 元 匹 配 的遥 感 影 像 地 物 自适 应 光 谱 表 征
乔 程 ， 骆 ， 剑承 ， 一 沈占 锋， 胡晓 夏 钢 ， 东， 列
（ ． 国科 学 院 遥 感 应 用 研 究 所 ， 京 １中 北 １０ ０ ；． 国科 学 院 研 究 生 院 ， 京 ０ １ １２ 中 北 １０ ４ ） ０ ０９ 摘 要 ： 谱 信 息是 遥 感 识别 地 物 的 依 据 ， 目前 已发 展 的典 型 地 类 的 光 谱 指 数 模 型有 限 ， 谱 库 中 的标 准 地 物 类 型 光 而 波 及 其 普 适 性 也 是 有 限 的． 于 此 ， 出 一种 端 元 匹 配 的地 物 自适 应 光 谱 表 征 方 法 ， 过 选 取 贴 合 影 像 本 身 的端 元 ， 鉴 提 通 并综合光谱角和距 离度量对 影像 和端 元光谱 进行 综合 匹配． 通过 Ｅ Ｍ ＋（ ｎａ ｃｄＴ ｅ ａｃＭａｐｒ 影像 上对植 Ｔ Ｅ ｈｎ ｅ ｈ ｍ ｔ ｐｅ） ｉ
第 ３ 卷第 ５期 １
２１ａ ｅ ｉ ｉ ． Ｗ ａ ｅ ． ｎ ｒｒｄ Ｍ ｌｍ ｌ ｖｓ
Ｖ ｏ ． ３１，Ｎｏ． １ ５ Ｏ ｃｏ ｒ， ０１ ｔｂｅ ２ ２
、
文 章 编 号 ：０ １ ９ １ （０ ２ ０ ０ ４ ０ １０ — ０４ ２ １ ）５— ４ ９— ６
ｈ ｖ ａ ｔ ｕ ａ ｄ ｃ ｓａｅ ｒ ｔ ｅ ｅ ，ａ ｄ ｓ ｅ ｔａｔ ｐ ｓｏ ｐ ｃｒ ｂ ａｙ ａ ｄ ｔ ｅｒｕ ｉ ｅ ｓ ｉ ｅ ｌ ｔｄ ｅ ｔ ｅ ．Ｔｈ ｒ — ａ ｅ ｐ ｒ ｃ ｌｒｉ ｉ ｅ ａｈ ｒｆ ｗ ｉ ｎ ｒ ｎ ｐ ｃ ｒ ｅ ｆｓ ｅ ｔａ ｌ ｒ ｒ ｎ ｉ ｎ ｖ ｒ ａ ｔ ａ ｍｉ ｉ ｒ ｙ ｌ ｉ ｈ ｌ ｙｒ ｉ ｅ ｈ ｅ ｅ
ｏｆｓ ｃｒ ｆｔ ｅ ｉｔｒ ｔｄ ｐｉ ｌａ ｄ ａ ｓ ｃ ｆｃ ｅ ｍ ｅ ｂ ｒ，ａ ｅ ｂｏｈ ｏｎ ｉ ｅ ｅ ｏ ｆ ｒ ｅ ｗ ａ ｒｃ ｍ ｐ ｅ ｅ ｉ ｅ ｐｅ ｔａ ｏ ｎ ｅｅｓｅ ｘｅ ｈ ｎ ｐｅ ｉ ｎｄ ｍ ｅ ｒ ｔ ｃ ｓｄ ｒ ｄ ｔ ｏ ｉ ｍ ａ ｎ ｗ ｙ ｆ ｏ ｒ ｈ ｎｓｖ ｏ
ｓｅ ｔ ｌ ｔ ｉｇ ｘ ｅ ｍｅ ｔ ｏ ｅ ｅａ ｏ ｄｗ ｔ ｒ ｄ ｐｅ ｐ ｃ ａ ｍａ ｈｎ ．Ｅ ｐ ｒ ｎｓ ｆ ｇ ｔｔ ｎａ ａ ｒ ｒ ｃ ｉ ｖ ｉ ｎ ｅ ｗｅｅ ｏ ｔｄｉ ａ ｎ
＋ （ ｎ ａ ｃ ｄＴ ｅ ｔ ｐ ｅ ）ｉ ｇ ｓ Ｅ ｈ ｎ ｅ ｈ ｍａ ｃＭａ ｐ ｒ ｍａ ｅ ， ｉ
Ｐ ｏ ｅ ｎ ｍｅ ｅ ｆｉ ｇ ｒ ｔ ｌ ｅ ｅ ｔ ｄ ｐ ｃ ａ ｎ ｌ ｄ ｄ ｓ ｎ ｅ，ｗｈ ｃ ｓ ｂ ｔ ｅ ｈ ｈ ａ ｔ ｒ ｔ ｅ ｔｒ ｒ ｐ ｒｅ ｄ ｍｂ ｒ ｏ ｍａ ｅ ｉ ｅ ｆｉ ｓ ｌ ｃｅ ．Ｓ ｅ ｔ ｌａ ｇ ｅ ａ ｉｔ ｃ ｙ ｓ ｓ ｒ ｎ ａ ｉｈ ｉ ｅｗｅ ｎ ｔ ｅ ｃ ａ ｃｅ ｓｉ ｖ ｃｏ ｓ ｒ ｉ ｃ
（ ．ｎｔｕｅｏ ｅ ｔ ＳｎｉｇＡ ｐｉａｏ ｓＣ ｉｅｅＡｃｄｍｙｏ ｃ ｎｅ ， ｅ ｉｇ １０ ０ ， ｈｎ ； １ Ｉｓｔｔ ｆ ｍｏｅ ｅｓ ｐ ｌ ｔ ｎ ， ｈｎｓ ａｅ ｆ ｉ ｃｓＢ ｉｎ ０ １ １ Ｃ ｉａ ｉ Ｒ ｎ ｃｉ Ｓｅ ｊ ２ Ｇ ａｕｔ Ｕ ｉｅｓｙｏ ｈｎｓ ｃｄｍｙｏ ｃ ｎ ｅ， ｅ ｉｇ １０ ４ ， ｈｎ ） ． ｒｄａｅ ｎｖｒ ｔ ｆＣ ｉ ｅＡ ａｅ ｆ ｉ ｃｓＢ ｉｎ ０ ０ ９ Ｃ ｉａ ｉ ｅ Ｓｅ ｊ Ａｂｔａｔ Ｓ ｅｔ ｌｎｏｍａ ｏ ｓ ｎｉ ｒ ｂｅｔ ｒｃ ｇｉｏ ｎｒｍｏｅｓｎｉｇｉ ｇｒ．Ｈｏ ｅｅ ， ｂｅｔ ｗ ｉ ｓ ｃ ： ｐｃ ａ ｉｆｒ ｔ ｎｉ ｅｓ ｔｌ ｏ ｊｃｓ ｅｏ ｎｔ ｎｉ ｒ ｒ ｉ ｓ ｅ ａｆ ｏ ｉ ｅ ｔ ｅｓ ｍａｅｙ ｎ ｗ ｖｒ ｏｊｃｓ ｈｃ ｈ
被、 水体 与美国地 质调查局（ ｎｔ ｔｔ ｅｌｇ ａ Ｓｒｅ ， Ｓ Ｓ 波谱 库及 归一化植被／ Ｕ ｉ ｄＳａ ｓＧ ｏｏｉ ｌ ｕｖｙ Ｕ Ｇ ） ｅ ｅ ｃ 水体 指数 的对 比实验 ， 及 阴影、 裸地 等的验证实验 ， 实 了该 方法的有效性和普适性． 证
关 键 词 ： 感 ； 谱表征 ； 遥 光 自适 应 ； 端元 选 取 中 图分 类 号 ：Ｐ ５ ． 文 献 标 识 码 ： Ｔ７ １１ Ａ