CN106680215B - 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 - Google Patents
一种适合于热红外高光谱遥感的SiO2含量定量计算方法 Download PDFInfo
- Publication number
- CN106680215B CN106680215B CN201510759940.3A CN201510759940A CN106680215B CN 106680215 B CN106680215 B CN 106680215B CN 201510759940 A CN201510759940 A CN 201510759940A CN 106680215 B CN106680215 B CN 106680215B
- Authority
- CN
- China
- Prior art keywords
- sio
- thermal infrared
- content
- infrared high
- emissivity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明属于遥感信息科学技术领域,具体涉及一种适合于热红外高光谱遥感的SiO2含量定量计算方法。本发明的方法包括以下步骤:热红外高光谱遥感数据预处理;热红外高光谱遥感数据大气校正;热红外高光谱数据温度/发射率分离;SiO2含量定量计算经验公式确定;SiO2含量图获取。本发明解决了现有遥感技术对SiO2含量定量计算总体精度不高的技术问题,能够快速精确提取研究区SiO2含量,进而有效寻找高SiO2条带及对应断裂,通过SiO2含量的不同,能够区分出大范围的岩性差异,有利于地质填图的初期工作。
Description
技术领域
本发明属于遥感信息科学技术领域,具体涉及一种适合于热红外高光谱遥感的SiO2含量定量计算方法。
背景技术
遥感领域的SiO2定量计算主要应用于地质学科里的硅化带的寻找。硅化带为热液活动形成的蚀变条带的一种,是热液型矿床的找矿标志,包括金、锡等多金属矿床,也包括热液型铀矿床。
目前,使用遥感技术进行硅化带提取主要分为定性提取和定量提取两大类,其中定量提取方法需要在SiO2定量计算的基础上进行。当前遥感数据SiO2定量计算方法只限于多光谱数据,包括Landsat中的TM、ETM数据和ASTER数据,不涉及热红外波段,因此精确度非常低。
遥感技术识别硅化带的关键是识别出Si-O键振动形成的特征吸收谱带。热红外波段对Si-O键的识别具有非常高的精确性。ASTER数据包含5个热红外波段,因此对SiO2含量的计算具有比较高的精确度。但限于光谱分辨率较低,难以发挥热红外遥感的优势,SiO2含量计算精度难以大幅度提高。
热红外高光谱数据具有非常高的光谱分辨率,能够非常精确地表现出与SiO2含量密切相关的波段范围和特征波段。热红外高光谱遥感对SiO2含量的定量计算是目前硅化带提取的前缘技术,也是遥感技术在地质领域应用的重点技术。因此,亟需充分利用热红外高光谱遥感技术覆盖面广、信息获取快、探测精度高及光谱分辨率高的技术优势,结合地球化学分析数据,开发出面向硅化带定量提取的SiO2含量定量计算方法。
发明内容
本发明需要解决的技术问题为:针对现有遥感技术对SiO2含量定量计算总体精度不高的缺陷,提出一种适合于热红外高光谱遥感数据的SiO2含量定量计算方法。
本发明的技术方案如下所述:
一种适合于热红外高光谱遥感的SiO2含量定量计算方法,包括以下步骤:
步骤1.热红外高光谱遥感数据预处理;
步骤2.热红外高光谱遥感数据大气校正;
步骤3.热红外高光谱数据温度/发射率分离;
步骤4.SiO2含量定量计算经验公式确定;
步骤5.SiO2含量图获取。
步骤1中,包括辐射校正、几何校正、图像镶嵌流程,用于将数个条带拼接成整个研究区遥感图像;
步骤2包括以下步骤:
步骤2.1
对热红外高光谱遥感数据进行大气透过率曲线、上行辐射和下行辐射模拟,得到研究区大气透过率模拟曲线及上下行辐射模拟曲线;
步骤2.2
按照步骤1所采用的热红外高光谱遥感数据波段进行重采样,得到重采样后大气透过率曲线,进而得到热红外高光谱遥感数据大气校正图像;
步骤3中,利用归一化法进行温度/发射率分离,得到发射率图像;
步骤4包括以下步骤:
步骤4.1
通过JHU光谱库中各种岩性的热红外光谱曲线的观察分析,找出与SiO2含量相关的波段范围;
步骤4.2
采集不同岩性的岩石标本进行热红外光谱数据采集;
步骤4.3
将步骤4.2采集到的热红外光谱数据进行重采样,使其与步骤1采用的热红外高光谱遥感数据相匹配,并结合步骤4.1找出SiO2含量密切相关的波段组合;
步骤4.4
对步骤4.2所述岩石标本进行地球化学测试,获取相应的SiO2含量数据;
步骤4.5
将步骤4.3得到的与SiO2含量密切相关的波段组合在不同组合方式下,进行四则运算、对数运算及指数运算,然后结合步骤4.4得到的SiO2含量进行回归分析,获取相关性最高的波段组合形式,即
|ln[B1×B2÷(B3×B4)]|,
其中,B1=B8.60μm,B2=B9.81μm,B3=B8.45-8.61μm或B8.63-8.75μm,B4=B9.25-9.81μm。
B8.60μm表示发射峰为8.60μm的波段的发射率;
B9.81μm表示发射峰为9.81μm的波段的发射率;
B8.45-8.61μm表示发射峰为8.45-8.61μm的波段的发射率;
B8.63-8.75μm表示发射峰为8.63-8.75μm的波段的发射率;
B9.25-9.81μm表示发射峰为9.25-9.81μm的波段的发射率。
步骤4.6
使用最小二乘法对公式系数a、b进行统计分析,得出SiO2含量定量计算经验公式,即SiO2%=a|ln[B1×B2÷(B3×B4)]|+b;
步骤5中,将步骤4.6所述经验公式代入发射率图像,进行波段运算,获取SiO2含量图。
作为优选方案:步骤1中,采用航空热红外高光谱遥感TASI数据。
作为优选方案:步骤4.1中,与SiO2含量相关的波段范围为8.60μm的发射峰和9.25-9.81μm波段范围,其中,8.60μm的发射峰的相对高度与SiO2含量呈正相关关系,9.25-9.81μm波段范围内的曲线上升趋势的大小与SiO2含量呈正相关关系。
本发明的有益效果为:
(1)本发明的一种适合于热红外高光谱遥感的SiO2含量定量计算方法,能够快速精确地提取研究区的SiO2含量,进而能够快速有效地寻找高SiO2条带(包括酸性岩脉和硅化带)及对应的一些断裂;
(2)本发明的一种适合于热红外高光谱遥感的SiO2含量定量计算方法,通过SiO2含量的不同,区分出大范围的岩性差异,有利于地质填图的初期工作。
附图说明
图1为本发明的一种适合于热红外高光谱遥感的SiO2含量定量计算方法的技术流程图;
图2(a)、(b)依次为大气透过率模拟曲线及其重采样后大气透过率曲线;
图3为重采样后上下行辐射模拟曲线;
图4(a)、(b)依次为发射率图像和SiO2含量图像。
具体实施方式
下面结合附图和实施例对本发明的一种适合于热红外高光谱遥感的SiO2含量定量计算方法进行详细说明。
本发明的一种适合于热红外高光谱遥感的SiO2含量定量计算方法,首先利用JHU光谱库的热红外高光谱遥感数据总结与SiO2含量密切相关的波段范围;之后测量不同岩性岩石标本的热红外光谱数据,结合这些标本的SiO2含量总结SiO2含量定量计算的经验公式;最后将经验公式带入热红外高光谱数据分离出的发射率图像中,进行波段运算,获取SiO2含量图像。
如图1所示,本发明的一种适合于热红外高光谱遥感的SiO2含量定量计算方法,具体包括以下步骤:
步骤1.热红外高光谱遥感数据预处理
热红外高光谱遥感数据预处理包括辐射校正、几何校正、图像镶嵌等流程,用于将数个条带拼接成整个研究区遥感图像,具体处理方法为本领域技术人员公知常识。
本实施例中,采用航空热红外高光谱遥感TASI数据,研究区为东准噶尔盆地喀木斯特地区。
步骤2.热红外高光谱遥感数据大气校正
步骤2.1
对热红外高光谱遥感数据进行大气透过率曲线、上行辐射和下行辐射模拟,得到图2(a)所示研究区大气透过率模拟曲线及图3所示上下行辐射模拟曲线。
步骤2.2
按照步骤1所采用的热红外高光谱遥感数据波段进行重采样,得到图2(b)所示重采样后大气透过率曲线,进而得到热红外高光谱遥感数据大气校正图像。
本实施例中,步骤2.1中,利用Modtran4.0进行大气透过率曲线、上行辐射和下行辐射模拟;步骤2.2中,按照步骤1采用的航空热红外高光谱遥感TASI数据波段进行重采样。
所述步骤2中,对研究区大气透过率及上下行辐射模拟的精确性直接会影响到步骤3中发射率图像精确性,进而影响到SiO2含量定量计算的精确性。
步骤3.热红外高光谱数据温度/发射率分离
利用归一化法进行温度/发射率分离,得到图4(a)所示发射率图像。
步骤4.SiO2含量定量计算经验公式确定
步骤4.1
通过JHU光谱库中各种岩性的热红外光谱曲线的观察分析,找出与SiO2含量相关的波段范围,具体为8.60μm的发射峰和9.25-9.81μm范围的光谱特征:其中,8.60μm的发射峰的相对高度与SiO2含量呈正相关关系,9.25-9.81μm范围内的曲线上升趋势的大小与SiO2含量呈正相关关系。
步骤4.2
采集不同岩性的岩石标本进行热红外光谱数据采集。
本实施例中,在研究区喀木斯特及其周边采集得到正长花岗岩、二长花岗岩、流纹斑岩、凝灰质砂岩、硅化带岩石、中基性岩脉及英云闪长岩等不同岩性的岩石标本,采用102f热红外地面光谱测量仪进行热红外光谱数据采集。
步骤4.2中,岩石标本种类越齐全及热红外光谱数据采集越精确,后续步骤中经验公式的系数确定就越准确。
步骤4.3
将步骤4.2采集到的热红外光谱数据进行重采样,使其与步骤1采用的热红外高光谱遥感数据相匹配,并结合步骤4.1找出SiO2含量密切相关的波段组合;
步骤4.4
对步骤4.2所述岩石标本进行地球化学测试,获取相应的SiO2含量数据。
步骤4.5
将步骤4.3得到的与SiO2含量密切相关的波段组合在不同组合方式下,进行四则运算、对数运算及指数运算,然后结合步骤4.4得到的SiO2含量进行回归分析,获取相关性最高的波段组合形式,即
|ln[B1×B2÷(B3×B4)]|。
其中,B1=B8.60μm,B2=B9.81μm,B3=B8.45-8.61μm或B8.63-8.75μm,B4=B9.25-9.81μm。
B8.60μm表示发射峰为8.60μm的波段的发射率;
B9.81μm表示发射峰为9.81μm的波段的发射率;
B8.45-8.61μm表示发射峰为8.45-8.61μm的波段的发射率;
B8.63-8.75μm表示发射峰为8.63-8.75μm的波段的发射率;
B9.25-9.81μm表示发射峰为9.25-9.81μm的波段的发射率。
步骤4.6
使用最小二乘法对公式系数a、b进行统计分析,得出SiO2含量定量计算经验公式,即SiO2%=a|ln[B1×B2÷(B3×B4)]|+b;。
步骤5.SiO2含量图获取
将步骤4.6所述经验公式代入发射率图像,进行波段运算,获取SiO2含量图。如图4(b)所示,亮度较高的区带为SiO2含量较高的区域,即硅化带潜在区带。
图4(b)所示SiO2含量图上根据明暗度明显可以分成3大块,很好的对应了地质图上的花岗岩区、凝灰质砂岩区和砂岩区。花岗岩区内有几条高亮区,对应了几条硅化带和石英粗脉;凝灰质砂岩区内有数十条高亮区对应了区内的酸性岩脉。
以上对本发明的方法实施进行了详细说明,且在野外得到了验证。对于研究区喀木斯特,SiO2含量定量计算经验公式为
SiO2%=280×|ln[B1×B2÷(B3×B4]|+31.8
其中,B1=B8.60μm,B2=B9.81μm,B3=B8.49μm,B4=B9.26μm。
上述经验公式是针对研究区喀木斯特所取样品反演的最优关系式,该关系式的系数不限于上述实例,根据样品数量的增加会有很小幅度的波动,总体不影响SiO2含量的计算。
Claims (3)
1.一种适合于热红外高光谱遥感的SiO2含量定量计算方法,其特征在于:包括以下步骤:
步骤1.热红外高光谱遥感数据预处理;
步骤2.热红外高光谱遥感数据大气校正;
步骤3.热红外高光谱数据温度/发射率分离;
步骤4.SiO2含量定量计算经验公式确定;
步骤5.SiO2含量图获取;
步骤1中,包括辐射校正、几何校正、图像镶嵌流程,用于将数个条带拼接成整个研究区遥感图像;
步骤2包括以下步骤:
步骤2.1
对热红外高光谱遥感数据进行大气透过率曲线、上行辐射和下行辐射模拟,得到研究区大气透过率模拟曲线及上下行辐射模拟曲线;
步骤2.2
按照步骤1所采用的热红外高光谱遥感数据波段进行重采样,得到重采样后大气透过率曲线,进而得到热红外高光谱遥感数据大气校正图像;
步骤3中,利用归一化法进行温度/发射率分离,得到发射率图像;
步骤4包括以下步骤:
步骤4.1
通过JHU光谱库中各种岩性的热红外光谱曲线的观察分析,找出与SiO2含量相关的波段范围;
步骤4.2
采集不同岩性的岩石标本进行热红外光谱数据采集;
步骤4.3
将步骤4.2采集到的热红外光谱数据进行重采样,使其与步骤1采用的热红外高光谱遥感数据相匹配,并结合步骤4.1找出SiO2含量密切相关的波段组合;
步骤4.4
对步骤4.2所述岩石标本进行地球化学测试,获取相应的SiO2含量数据;
步骤4.5
将步骤4.3得到的与SiO2含量密切相关的波段组合在不同组合方式下,进行四则运算、对数运算及指数运算,然后结合步骤4.4得到的SiO2含量进行回归分析,获取相关性最高的波段组合形式,即
|ln[B1×B2÷(B3×B4)]|,
其中,B1=B8.60μm,B2=B9.81μm,B3=B8.45-8.61μm或B8.63-8.75μm,B4=B9.25-9.81μm;
B8.60μm表示发射峰为8.60μm的波段的发射率;
B9.81μm表示发射峰为9.81μm的波段的发射率;
B8.45-8.61μm表示发射峰为8.45-8.61μm的波段的发射率;
B8.63-8.75μm表示发射峰为8.63-8.75μm的波段的发射率;
B9.25-9.81μm表示发射峰为9.25-9.81μm的波段的发射率;
步骤4.6
使用最小二乘法对公式系数a、b进行统计分析,得出SiO2含量定量计算经验公式,即SiO2%=a|ln[B1×B2÷(B3×B4)]|+b;
步骤5中,将步骤4.6所述经验公式代入发射率图像,进行波段运算,获取SiO2含量图。
2.根据权利要求1所述的一种适合于热红外高光谱遥感的SiO2含量定量计算方法,其特征在于:步骤1中,采用航空热红外高光谱遥感TASI数据。
3.根据权利要求1所述的一种适合于热红外高光谱遥感的SiO2含量定量计算方法,其特征在于:步骤4.1中,与SiO2含量相关的波段范围为8.60μm的发射峰和9.25-9.81μm波段范围,其中,8.60μm的发射峰的相对高度与SiO2含量呈正相关关系,9.25-9.81μm波段范围内的曲线上升趋势的大小与SiO2含量呈正相关关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510759940.3A CN106680215B (zh) | 2015-11-10 | 2015-11-10 | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510759940.3A CN106680215B (zh) | 2015-11-10 | 2015-11-10 | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106680215A CN106680215A (zh) | 2017-05-17 |
CN106680215B true CN106680215B (zh) | 2019-08-13 |
Family
ID=58864380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510759940.3A Active CN106680215B (zh) | 2015-11-10 | 2015-11-10 | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106680215B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956482A (zh) * | 2017-05-27 | 2018-12-07 | 核工业北京地质研究院 | 一种火山热液活动中心的高光谱遥感快速识别方法 |
CN109187356A (zh) * | 2018-08-30 | 2019-01-11 | 南京都宁大数据科技有限公司 | 基于卫星遥感数据的大豆长势预测方法 |
CN110388986B (zh) * | 2019-08-05 | 2020-11-27 | 北京绿土科技有限公司 | 基于tasi数据的土地表面温度反演方法 |
CN111044478A (zh) * | 2019-12-20 | 2020-04-21 | 核工业北京地质研究院 | 一种热红外高光谱遥感识别高纯度石英砂岩的方法 |
CN111044476A (zh) * | 2019-12-20 | 2020-04-21 | 核工业北京地质研究院 | 一种利用热红外高光谱遥感进行酸性岩脉的识别方法 |
CN111044477A (zh) * | 2019-12-20 | 2020-04-21 | 核工业北京地质研究院 | 一种快速区分硅化带和酸性岩脉的遥感方法 |
CN111044480A (zh) * | 2019-12-31 | 2020-04-21 | 核工业北京地质研究院 | 一种热红外高光谱遥感识别花岗岩区硅化蚀变信息的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353616A (zh) * | 2013-07-05 | 2013-10-16 | 吉林大学 | 一种基于高光谱遥感数据快速识别油气微渗漏的方法 |
CN103499815A (zh) * | 2013-09-10 | 2014-01-08 | 李云梅 | 一种基于氧气和水汽吸收波段的内陆水体大气校正方法 |
-
2015
- 2015-11-10 CN CN201510759940.3A patent/CN106680215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353616A (zh) * | 2013-07-05 | 2013-10-16 | 吉林大学 | 一种基于高光谱遥感数据快速识别油气微渗漏的方法 |
CN103499815A (zh) * | 2013-09-10 | 2014-01-08 | 李云梅 | 一种基于氧气和水汽吸收波段的内陆水体大气校正方法 |
Non-Patent Citations (1)
Title |
---|
花岗岩铀矿热红外遥感信息提取技术研究;王俊虎等;《图像图形技术研究与应用》;20101231;第3-5节 |
Also Published As
Publication number | Publication date |
---|---|
CN106680215A (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106680215B (zh) | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 | |
CN107991244A (zh) | 一种适合于热红外高光谱遥感的石英含量定量计算方法 | |
Velden et al. | The impact of multispectral GOES-8 wind information on Atlantic tropical cyclone track forecasts in 1995. Part I: Dataset methodology, description, and case analysis | |
CN103454693B (zh) | 一种白岗岩型铀矿勘查成矿要素遥感图谱特征识别方法 | |
CN104050252B (zh) | 一种高光谱遥感蚀变信息提取方法 | |
CN104748857A (zh) | 一种城市地表温度反演方法及系统 | |
CN103353616B (zh) | 一种基于高光谱遥感数据快速识别油气微渗漏的方法 | |
CN107192673B (zh) | 基于aster和地下岩芯光谱测量技术的一体化地质填图方法 | |
Black et al. | Automated lithological mapping using airborne hyperspectral thermal infrared data: A case study from Anchorage Island, Antarctica | |
CN107589094B (zh) | 基于光谱特征的鞍山式铁矿石类型确定方法 | |
CN108956482A (zh) | 一种火山热液活动中心的高光谱遥感快速识别方法 | |
Gürsoy et al. | Detecting of lithological units by using terrestrial spectral data and remote sensing image | |
Chan et al. | Exploring and monitoring geothermal and volcanic activity using Satellite Thermal Infrared data in TVG, Taiwan | |
KR100785630B1 (ko) | 황사 계측 방법 | |
CN111044480A (zh) | 一种热红外高光谱遥感识别花岗岩区硅化蚀变信息的方法 | |
CN102445712B (zh) | 面向岩矿的特征窗口加权相关光谱匹配方法 | |
CN109839356A (zh) | 基于WorldView-3卫星数据的矿化蚀变信息提取方法 | |
Xu et al. | Application of CASI/SASI and fieldspec4 hyperspectral data in exploration of the Baiyanghe uranium deposit, Hebukesaier, Xinjiang, NW China | |
Ye et al. | Simultaneous estimation of land surface and atmospheric parameters from thermal hyperspectral data using a LSTM–CNN combined deep neural network | |
del Moral et al. | Reflectance spectroscopy in combination with cluster analysis as tools for identifying the provenance of Neolithic flint artefacts | |
CN101573606A (zh) | 通过热响应的地质材料的鉴定 | |
Bartholomew | Comparing the success rate of Raman spectroscopy and powder XRD for routine mineral identification | |
Dong et al. | Progress and prospectives on engineering application of hyperspectral remote sensing for geology and mineral resources | |
Zhao et al. | Research on the impact of absorption feature extraction on spectral difference between similar minerals | |
Magendran et al. | A study on the potential of satellite image-derived hyperspectral signatures to assess the grades of iron ore deposits |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |