CN107389571B - 一种矿物组分高光谱遥感精细鉴别方法 - Google Patents

Abstract

本发明公开了矿物组分高光谱遥感精细鉴别方法，将研究区域的矿物粉末进行光谱扫描，获取矿物粉末的光谱曲线；提取并去除矿物粉末的光谱曲线中所包含的异常光谱曲线，并进行算数平均，得到矿物粉末的平均光谱曲线；进行去噪声处理，得到滤除噪声后的光谱曲线；进行标准化处理，获取光谱曲线的吸收峰；得到光谱曲线中含有的所有端元，通过最小二乘法模型，获取最优端元组；根据最优端元组中的端元光谱反射率值以及研究区域遥感测量的光谱反射率值，建立光谱反射率反演方程组并进行求解，获取研究区域遥感测量的光谱曲线中所含有的矿物组分。解决端元的不确定性、光谱噪声去除和矿物光谱解混困难等问题。

Description

一种矿物组分高光谱遥感精细鉴别方法

技术领域

本发明涉及遥感信息提取技术领域，更具体地，涉及一种矿物组分高光谱遥感精细鉴别方法。

背景技术

矿物是指在各种地质作用过程中产生和发展的，在一定地质和物理化学条件处于相对稳定的自然元素的单质和化合物，是组成岩石的基本单元。组成岩石的主要矿物称为造岩矿物，而在成岩、成矿过程中，受温度、压力变化而导致物质成分、结构、构造发生变化的矿物，称为蚀变矿物。矿物的类型与含量能指示成矿时的物理、化学条件，热液性质和演化，以及成矿元素的迁移、富集和矿石沉淀的有关信息，是极其重要的找矿标志之一。它不仅能指示盲矿体的存在，还可根据矿物类型和特征预测矿产的种类、矿体赋存的位置以及矿化富集的程度。因此，准确识别矿物的意义重大。

矿物本身所具有的特征谱的强度和形态，成为矿物精细鉴别的光谱学基础。可见光—近红外波段(0.4-1um)，记录了矿物的反射光谱特征，主要表现为过渡元素(如Fe、Mn、Cu、Ni、Cr)的电子过程；短波红外波段(1-3um)，记录了矿物分子振动的光谱特征，主要表现为氢氧根、水分子和碳酸根的分子振动光谱；热红外窗口区(3-5um，8-14um)则记录了矿物的特征光谱，如硅酸盐、碳酸盐、氧化物、磷酸盐、氢氧根等的光谱特征。由于高光谱测量的是岩矿混合光谱，其光谱曲线受矿物混合、风化、粒度、颜色、地表覆盖、大气状况和地形等多方面的影响，导致基于高光谱反演矿物类型及其含量较为困难。

基于上述原理，研究人员提出了多种矿物组分反演模型，如光谱混合像元分解、光谱角匹配等经典矿物组分信息提取方法。近年来，又发展了光谱能级匹配法、权重光谱角制图法、矿物组分快速定量提取模型等；应用上述模型开展了金矿、铜矿、火星成分和油气渗漏等方面的高光谱勘查工作，并取得了一定成效。

然而，复杂的矿物光谱混合原理、端元的不确定性和光谱噪声等降低了矿物组分的提取精度。

因此，提供一种矿物组分高光谱遥感精细鉴别方法，解决端元的不确定性、光谱噪声去除和矿物光谱解混困难等问题，是本领域亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种矿物组分高光谱遥感精细鉴别方法，解决端元的不确定性、光谱噪声去除和矿物光谱解混困难等问题。

为了解决上述技术问题，本发明提出一种矿物组分高光谱遥感精细鉴别方法，包括：

将研究区域的矿物样品，进行研磨、过筛处理，得到所需粒度的矿物粉末；

将所述矿物粉末置于光谱仪中的样品架上，进行光谱扫描，获取至少两组所述矿物粉末的光谱曲线；

对所述矿物粉末的光谱曲线进行分解，提取并去除所述矿物粉末的光谱曲线中所包含的异常光谱曲线，得到处理后的所述矿物粉末光谱曲线，将处理后的所述矿物粉末光谱曲线进行算数平均，得到所述矿物粉末的平均光谱曲线；

将所述矿物粉末的平均光谱曲线进行去噪声处理，得到滤除噪声后的光谱曲线；

将滤除噪声后的所述光谱曲线进行标准化处理，获取所述光谱曲线的吸收峰；

根据所述光谱曲线的吸收峰，获取所述光谱曲线中含有的所有端元，将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，获取最优端元组；

获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及所述研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值，并进行计算处理，建立光谱反射率反演方程组；

利用最小二乘法对所述光谱反射率反演方程组进行求解，获取所述研究区域遥感测量的所述光谱曲线中所含有的矿物组分。

优选地，将所述矿物粉末的平均光谱曲线进行去噪声处理，得到滤除噪声后的光谱曲线；进一步为：

利用傅立叶变换进行时频变换，在频率域将所述矿物粉末的平均光谱曲线中的噪声与目标信号分离，通过低通滤波器将所述矿物粉末的平均光谱曲线中的噪声信号进行滤除，通过傅立叶反变换将滤除噪声后的光谱由频率域转换为时域信号，在时域内恢复光谱信号，得到滤除噪声后的光谱曲线。

优选地，将滤除噪声后的所述光谱曲线进行标准化处理，获取所述光谱曲线的吸收峰；进一步为：

将滤除噪声后的所述光谱曲线进行连续统去除处理，突出光谱曲线中的吸收和反射特征，对突出的所述光谱曲线特征进行标准化处理，获取所述光谱曲线的吸收峰。

优选地，根据所述光谱曲线的吸收峰，获取所述光谱曲线中含有的所有端元，将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，获取最优端元组；进一步为：

从端元库中选择研究区域的矿物类型及其标准光谱曲线，建立区域端元光谱库；

将所述光谱曲线的吸收峰，与所述区域端元光谱库进行匹配，获取所述光谱曲线中含有的所有端元，将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，进行误差求解，选取最小误差的端元组作为最优端元组。

优选地，获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值，并进行计算处理，建立光谱反射率反演方程组；进一步为：

对研究区域进行遥感测量，获取所述研究区域的遥感测量光谱曲线；

获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值；

利用最小二乘法，将所述端元光谱反射率值作为输入，所述测量光谱反射率值作为输出，建立光谱反射率反演方程组。

与现有技术相比，本发明的一种矿物组分高光谱遥感精细鉴别方法，实现了如下的有益效果：

(1)本发明所述的一种矿物组分高光谱遥感精细鉴别方法，通过建立区域端元库、去除光谱噪声和选取最优端元组等关键技术，使识别结果更符合地质规律、剔除了噪声对矿物识别精度影响并提高了端元选取的可靠性，保证了矿物组分提取的精度，解决了端元选取、光谱去噪和矿物光谱解混困难等问题，能更好地服务于矿产资源遥感勘查事业。

(2)本发明所述的一种矿物组分高光谱遥感精细鉴别方法，利用最小二乘法模型，根据同波段的端元光谱反射率值及测量光谱反射率值，构建光谱反射率反演方程组，并对该反演方程组进行求解，获取所含有的矿物组分含量，通过最小化平方误差和寻找数据的最佳函数匹配，使求解的数据与实际数据之间误差的平方和最小，提高了矿物组分鉴别的精度。

当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1为本发明实施例1提供的矿物组分高光谱遥感精细鉴别方法的流程示意图；

图2为本发明实施例2提供的矿物组分高光谱遥感精细鉴别方法的流程示意图；

图3为本发明实施例2提供的建立光谱反射率反演方程组的流程示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

实施例1

如图1所示，本实施例1所提供的矿物组分高光谱遥感精细鉴别方法，包括如下步骤：

步骤101、将研究区域的矿物样品，进行研磨、过筛处理，得到所需粒度的矿物粉末。

具体地，在研究区域进行矿物样品的采集，为避免固体样本的非均质性对矿物反演结果的影响，将采集到的矿物样品上粘附的诸如杂草、树枝等杂质去除后，将采集到的样品碾成粉末，并进行过筛处理，得到所需粒度的矿物粉末。本实施例中，将碾成的粉末通过100目筛，获取粒度小于等于100目的矿物粉末。

步骤102、将所述矿物粉末置于光谱仪中的样品架上，进行光谱扫描，获取至少两组所述矿物粉末的光谱曲线。

具体地，本实施例中，将粒度小于等于100目的矿物粉末置于样品架上，在美国ASD便携式光谱仪(ASD3)上对多个矿物粉末的样品进行测量，获取矿物粉末样品的光谱曲线，为保证得到的光谱曲线的准确性，每个粉末样品均进行多次扫描，分别获取多组扫描曲线。

步骤103、对所述矿物粉末的光谱曲线进行分解，提取并去除所述矿物粉末的光谱曲线中所包含的异常光谱曲线，得到处理后的所述矿物粉末光谱曲线，将处理后的所述矿物粉末光谱曲线进行算数平均，得到所述矿物粉末的平均光谱曲线。

具体地，在对矿物粉末进行扫描时，由于外界环境干扰或者样品未铺满而扫描到样品架，致使扫描得到的光谱曲线中含有异常光谱。本实施例通过对矿物粉末的光谱曲线进行分解，提取并去除所述矿物粉末的光谱曲线中所包含的异常光谱曲线，进而保证了矿物粉末光谱曲线的准确性；得到处理后的所述矿物粉末光谱曲线，将处理后的所述矿物粉末光谱曲线进行算数平均，得到所述矿物粉末的平均光谱曲线，进一步提升后期矿物组分提取的精确度。

步骤104、将所述矿物粉末的平均光谱曲线进行去噪声处理，得到滤除噪声后的光谱曲线。

具体地，在对矿物粉末样品进行扫描，获取光谱曲线时，易受化学成分、含量波动、测量环境以及传感器材料等噪声因素的影响，尤其在短波红外波段的剧烈噪声对矿物的分析和识别造成严重影响，因此对获取的光谱曲线进行去噪声处理至关重要，可进一步保证矿物组分鉴别的精度。

步骤105、将滤除噪声后的所述光谱曲线进行标准化处理，获取所述光谱曲线的吸收峰。

具体地，光谱吸收峰是高光谱矿物精细鉴别的基础，基于滤除噪声后的光谱数据，提取光谱吸收峰。通过对比吸收峰与其周围吸收肩的光谱反射率，确定光谱吸收峰的位置。

步骤106、根据所述光谱曲线的吸收峰，获取所述光谱曲线中含有的所有端元，将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，获取最优端元组。

具体地，光谱曲线中通常是由多个不同端元的光谱曲线叠加而成，基于光谱吸收峰提取的结果，根据光谱吸收峰的位置和个数，确定端元的类型和数量；依据排列组合法选取多组端元组合，并将这些端元组合逐次带入最小二乘法模型，利用最小二乘法求解误差，选择最小误差的端元组合作为最优端元选取结果。

步骤107、获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值，并进行计算处理，建立光谱反射率反演方程组。

具体地，获取多组同波段的端元光谱反射率值和测量光谱反射率值，进行计算，构建光谱反射率反演方程组，为矿物组分的精细鉴别提供依据。

步骤108、利用最小二乘法对所述光谱反射率反演方程组进行求解，获取所述研究区域遥感测量的所述光谱曲线中所含有的矿物组分。

具体地，利用最小二乘法求解并反演矿物组分含量。通过最小化平方误差和寻找数据的最佳函数匹配，使求解的数据与实际数据之间误差的平方和最小，提高了矿物组分鉴别的精度。

实施例2

如图2所示，本实施例2所提供的矿物组分高光谱遥感精细鉴别方法，包括如下步骤：

步骤201、将研究区域的矿物样品，进行研磨、过筛处理，得到所需粒度的矿物粉末。

具体地，在研究区域进行矿物样品的采集，为避免固体样本的非均质性对矿物反演结果的影响，将采集到的矿物样品上粘附的诸如杂草、树枝等杂质去除后，将采集到的样品碾成粉末，并进行过筛处理，得到所需粒度的矿物粉末。本实施例中，将碾成的粉末通过100目筛，获取粒度小于等于100目的矿物粉末。

步骤202、将所述矿物粉末置于光谱仪中的样品架上，进行光谱扫描，获取至少两组所述矿物粉末的光谱曲线。

具体地，本实施例中，将粒度小于等于100目的矿物粉末置于样品架上，在美国ASD便携式光谱仪(ASD3)上对多个矿物粉末的样品进行测量，获取矿物粉末样品的光谱曲线，为保证得到的光谱曲线的准确性，每个粉末样品均进行多次扫描，分别获取多组扫描曲线。

步骤203、对所述矿物粉末的光谱曲线进行分解，提取并去除所述矿物粉末的光谱曲线中所包含的异常光谱曲线，得到处理后的所述矿物粉末光谱曲线，将处理后的所述矿物粉末光谱曲线进行算数平均，得到所述矿物粉末的平均光谱曲线。

具体地，在对矿物粉末进行扫描时，由于外界环境干扰或者样品未铺满而扫描到样品架，致使扫描得到的光谱曲线中含有异常光谱。本实施例通过对矿物粉末的光谱曲线进行分解，提取并去除所述矿物粉末的光谱曲线中所包含的异常光谱曲线，进而保证了矿物粉末光谱曲线的准确性；得到处理后的所述矿物粉末光谱曲线，将处理后的所述矿物粉末光谱曲线进行算数平均，得到所述矿物粉末的平均光谱曲线，进一步提升后期矿物组分提取的精确度。

步骤204、利用傅立叶变换进行时频变换，在频率域将所述矿物粉末的平均光谱曲线中的噪声与目标信号分离，通过低通滤波器将所述矿物粉末的平均光谱曲线中的噪声信号进行滤除，通过傅立叶反变换将滤除噪声后的光谱由频率域转换为时域信号，在时域内恢复光谱信号，得到滤除噪声后的光谱曲线。

具体地，在对矿物粉末样品进行扫描，获取光谱曲线时，易受化学成分、含量波动、测量环境以及传感器材料等噪声因素的影响，尤其在短波红外波段的剧烈噪声对矿物的分析和识别造成严重影响，因此对获取的光谱曲线进行去噪声处理至关重要，可进一步保证矿物组分鉴别的精度。

常用的滤波方法分为：时域和频率域两类；其中，时域滤波的设计简单，但是滤波器的选择对滤波效果影响较为明显；而傅立叶滤波可以在频率域内方便的设计低通、带通或高通滤波器进而对光谱进行噪声滤波。鉴于此，本实施例利用傅立叶转换进行时域和频率域之间的转换，在频率域通过低通滤波器进行噪声信号的滤除，然后在时域恢复光谱信号，最终得到滤除噪声的光谱曲线。

步骤205、将滤除噪声后的所述光谱曲线进行连续统去除处理，突出光谱曲线中的吸收和反射特征，对突出的所述光谱曲线特征进行标准化处理，获取所述光谱曲线的吸收峰。

具体地，光谱吸收峰是高光谱矿物精细鉴别的基础，基于滤除噪声后的光谱数据，提取光谱吸收峰。通过对比吸收峰与其周围吸收肩的光谱反射率，确定光谱吸收峰的位置。

步骤206、从端元库中选择研究区域的矿物类型及其标准光谱曲线，建立区域端元光谱库；将所述光谱曲线的吸收峰与所述区域端元光谱库进行匹配，获取所述光谱曲线中含有的所有端元，将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，进行误差求解，选取最小误差的端元组作为最优端元组。

具体地，通过收集资料，重点分析研究区的成矿类型、成矿条件、岩性及其造岩矿物组合、蚀变矿物类型及其分带特征等。在此基础上，建立研究区典型矿床成矿模型和遥感找矿标志。通过在美国地质调查局矿物光谱端元库(USGS)中，选择研究区的矿物类型及其标准光谱曲线，建立区域端元库。光谱曲线中通常是由多个不同端元的光谱曲线叠加而成，基于光谱吸收峰提取的结果，根据光谱吸收峰的位置和个数，确定端元的类型和数量；依据排列组合法选取多组端元组合，并将这些端元组合逐次带入最小二乘法模型，利用最小二乘法求解误差，选择最小误差的端元组合作为最优端元选取结果。

步骤207、获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值，并进行计算处理，建立光谱反射率反演方程组。

具体地，获取多组同波段的端元光谱反射率值和测量光谱反射率值，进行计算，构建光谱反射率反演方程组，为矿物组分的精细鉴别提供依据。

在一些可选的实施例中，如图3所示，获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值，并进行计算处理，建立光谱反射率反演方程组；进一步包括如下步骤：

步骤2071、对研究区域进行遥感测量，获取所述研究区域的遥感测量光谱曲线。

步骤2072、获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值。

步骤2073、利用最小二乘法，将所述端元光谱反射率值作为输入，所述测量光谱反射率值作为输出，建立光谱反射率反演方程组。

步骤208、利用最小二乘法对所述光谱反射率反演方程组进行求解，获取所述研究区域遥感测量的所述光谱曲线中所含有的矿物组分。

具体地，利用最小二乘法求解并反演矿物组分含量。通过最小化平方误差和寻找数据的最佳函数匹配，使求解的数据与实际数据之间误差的平方和最小，提高了矿物组分鉴别的精度。

通过以上各个实施例可知，本发明的一种矿物组分高光谱遥感精细鉴别方法，存在的有益效果是：

(1)本发明所述的一种矿物组分高光谱遥感精细鉴别方法，通过建立区域端元库、去除光谱噪声和选取最优端元组等关键技术，使识别结果更符合地质规律、剔除了噪声对矿物识别精度影响并提高了端元选取的可靠性，保证了矿物组分提取的精度，解决了端元选取、光谱去噪和矿物光谱解混困难等问题，能更好地服务于矿产资源遥感勘查事业。

(2)本发明所述的一种矿物组分高光谱遥感精细鉴别方法，利用最小二乘法模型，根据同波段的端元光谱反射率值及测量光谱反射率值，构建光谱反射率反演方程组，并对该反演方程组进行求解，获取所含有的矿物组分含量，通过最小化平方误差和寻找数据的最佳函数匹配，使求解的数据与实际数据之间误差的平方和最小，提高了矿物组分鉴别的精度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (5)

1.一种矿物组分高光谱遥感精细鉴别方法，包括：

将研究区域的矿物样品，进行研磨、过筛处理，得到所需粒度的矿物粉末；

将所述矿物粉末置于光谱仪中的样品架上，进行光谱扫描，获取至少两组所述矿物粉末的光谱曲线；

对所述矿物粉末的光谱曲线进行分解，提取并去除所述矿物粉末的光谱曲线中所包含的异常光谱曲线，得到处理后的所述矿物粉末光谱曲线，将处理后的所述矿物粉末光谱曲线进行算数平均，得到所述矿物粉末的平均光谱曲线；

将所述矿物粉末的平均光谱曲线进行去噪声处理，得到滤除噪声后的光谱曲线；

将滤除噪声后的所述光谱曲线进行标准化处理，获取所述光谱曲线的吸收峰；

根据所述光谱曲线的吸收峰，获取所述光谱曲线中含有的所有端元；

其特征在于，所述矿物组分高光谱遥感精细鉴别方法还包括：

将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，获取最优端元组；

获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及所述研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值，并进行计算处理，建立光谱反射率反演方程组；

利用最小二乘法对所述光谱反射率反演方程组进行求解，获取所述研究区域遥感测量的所述光谱曲线中所含有的矿物组分。

2.根据权利要求1所述的矿物组分高光谱遥感精细鉴别方法，其特征在于，将所述矿物粉末的平均光谱曲线进行去噪声处理，得到滤除噪声后的光谱曲线；具体为：

利用傅立叶变换进行时频变换，在频率域将所述矿物粉末的平均光谱曲线中的噪声与目标信号分离，通过低通滤波器将所述矿物粉末的平均光谱曲线中的噪声信号进行滤除，通过傅立叶反变换将滤除噪声后的光谱由频率域转换为时域信号，在时域内恢复光谱信号，得到滤除噪声后的光谱曲线。

3.根据权利要求1所述的矿物组分高光谱遥感精细鉴别方法，其特征在于，将滤除噪声后的所述光谱曲线进行标准化处理，获取所述光谱曲线的吸收峰；具体为：

将滤除噪声后的所述光谱曲线进行连续统去除处理，突出光谱曲线中的吸收和反射特征，对突出的所述光谱曲线特征进行标准化处理，获取所述光谱曲线的吸收峰。

4.根据权利要求1所述的矿物组分高光谱遥感精细鉴别方法，其特征在于，根据所述光谱曲线的吸收峰，获取所述光谱曲线中含有的所有端元，将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，获取最优端元组；具体为：

从端元库中选择研究区域的矿物类型及其标准光谱曲线，建立区域端元光谱库；

将所述光谱曲线的吸收峰与所述区域端元光谱库进行匹配，获取所述光谱曲线中含有的所有端元，将所述端元进行排列组合，形成至少两个端元组，将所述端元组依次带入最小二乘法模型，进行误差求解，选取最小误差的端元组作为最优端元组。

5.根据权利要求1所述的矿物组分高光谱遥感精细鉴别方法，其特征在于，获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值，并进行计算处理，建立光谱反射率反演方程组；具体为：

对研究区域进行遥感测量，获取所述研究区域的遥感测量光谱曲线；

获取所述最优端元组中端元吸收峰位置的波段对应的端元光谱反射率值以及研究区域遥感测量的光谱曲线中相同波段对应的测量光谱反射率值；

利用最小二乘法，将所述端元光谱反射率值作为输入，所述测量光谱反射率值作为输出，建立光谱反射率反演方程组。