基于ASTER遥感影像的西昆仑岩性信息提取方法研究
余健1, 张志1, 李闵佳2, 陈腾1, 何文熹1
1.中国地质大学(武汉)地球科学学院,武汉 430074
2.中国地质大学(武汉)计算机学院,武汉 430074

第一作者简介: 余健(1986-),男,土家族,中国地质大学(武汉)在读硕士研究生,主要从事遥感与地理信息系统、遥感地质等遥感应用方面研究。E-mail: xiao_bai363@hotmail.com

通讯作者: 张志,电话:13545273841,E-mail: zhangz6402@126.com

摘要

基于西昆仑西段布伦口地区各岩性段内岩石样品的矿物组成及其光谱特征分析,提取代表各岩性单元的岩性端元波谱曲线; 对研究区内ASTER可见光(VNIR)和短波红外(SWIR)数据进行匹配滤波处理,成功提取了研究区内9种重要的岩性单元(包括古元古界布仑阔勒群的黑云石英岩、黑云斜长片麻岩、黑云石英片岩和黑云角闪斜长片麻岩,志留系温泉沟群的绿泥石绢云母板岩、黑色千枚岩和绢云母石英片岩,以及石英闪长岩和英云闪长岩)。经已知地质资料和野外查证资料分析证明,用上述方法提取岩性信息的结果可靠,能为岩性填图及矿床勘查工作提供参考。

关键词: ASTER; 西昆仑; 岩性; 匹配滤波
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2012)01-0022-06 doi: 10.6046/gtzyyg.2012.01.05
The Methodology of Lithologic Information Extraction by Using ASTER Data in West Kunlun Mountains
YU Jian1, ZHANG Zhi1, LI Min-jia2, CHEN Teng1, HE Wen-xi1
1.The Faculty of Earth Science, China University of Geosciences, Wuhan 430074, China
2.The Faculty of Computer, China University of Geosciences, Wuhan 430074, China
Abstract

Based on an analysis of mineral composition and spectral characteristics of samples collected in Bulunkou area of West Kunlun Mountains,the authors extracted the end-member spectra of lithologic units by using ASTER data of the study area,and the ASTER VNIR and SWIR data of the study area were processed by matched filtering method, and then nine important litholigic units in the study area were extracted. These lithologic units include biotite quartzite,biotite plagioclase gneiss,biotite quartz schist and biotite hornblende plagioclase gneiss which belong to Palaeoproterozoic Bulunkuole Group (Pt1) and chlorite sericite slate,black phyllite and sericite quartz schist that belong to Silurian Wenquangou Group (SW) as well as quartz diorite and tonalite. An analysis of geological data available and field survey results demonstrate that the method adopted by the authors can extract credible information and supply references to lithologic mapping and mineral exploration.

Keyword: ASTER; west Kunlun mountain; lithology; matched filtering
0 引言

遥感数据能够提供地表各种岩石的矿物学及地球化学信息, 近几十年来已被广泛用于岩性填图、矿床勘查和地表风化特征研究[1, 2]。早期的航天多光谱遥感数据如Landsat MSS, TM和SPOT只拥有4~7个波段。MSS数据主要用于区域性的地形和构造特征研究[3]; TM数据由于在短波红外谱段(SWIR)内具有2个波段, 常被用于识别与金属矿床密切相关的蚀变岩及圈定蚀变带范围[4, 5, 6]。早期的多光谱数据由于覆盖SWIR范围的波段少, 在识别岩石矿物方面有很大的局限性。近10 a以来, 随着星载传感器的不断改进, 遥感数据的光谱分辨率和空间分辨率不断提高, 使遥感在地质应用中占有更加重要的地位, 例如利用AVIRIS, HyMap, Hyperion等高光谱数据, 依托实测波谱数据库(如USGS, JPL和ASU波谱库)在岩性及矿物识别方面取得了显著成果[7, 8, 9]。尽管上述卫星遥感数据的高光谱分辨率能够在岩性及矿物识别上有较高的精度, 但因其波谱覆盖范围有限, 而且空间分辨率和信噪比较低, 目前还不能很好地在地质找矿中推广应用。

ASTER(advanced spaceborne thermal emission and reflection radiometer)[10]数据具有较高的空间分辨率、光谱分辨率和辐射分辨率[11], 其波段设置比其他多光谱数据(如Landsat 5 TM, Landsat 7 ETM)具有更好的波谱连续性(尤其在SWIR和TIR波段范围内), 因此ASTER数据在岩性信息提取和矿物识别方面能达到更高的准确率。不少人曾基于ASTER数据进行过诸多岩性填图工作[12, 13, 14]。此外, ASTER的VNIR波段数据具有15 m的高空间分辨率, 其幅宽能达到60 km, 且价格适中。综合考虑以上因素, ASTER数据在矿床勘查和岩性填图方面是非常理想的遥感数据。

本文以ASTER VNIR— SWIR波段数据为数据源, 以ASD(analytical spectral devices)实测样品矿物组成分析及其波谱数据库为技术支撑, 参考研究区地质图等地质资料, 对ASTER数据采用匹配滤波处理方法, 在西昆仑造山带西段布伦口地区开展岩性信息提取研究。

1 研究区地质概况

研究区位于昆仑山西段、帕米尔高原北部, 地处西昆仑地槽中央隆起带。该隆起带是塔里木地台基底的一部分, 因晚古生代昆盖山之裂谷作用而分离; 或者将其作为库地地块的一部分, 即库地地块的基底[15]。山脉走势呈北北西(NNW)向, 山势雄伟, 峰峦叠嶂, 冰峰林立, 地形切割强烈, 平均海拔约4 000 m。公格尔山耸立于研究区西部, 主峰公格尔峰海拔7 649 m, 是西昆仑山脉的第一高峰; 西南部为慕士塔格山, 最高峰海拔约7 546 m。从构造位置上看, 研究区位于中昆仑地块西北部的羌塘微地块, 跨越慕士塔格微陆块(Ⅲ 6)和阿克赛钦古生代陆缘盆地(Ⅲ 7)两个次一级构造单元(图1)。区域构造活动强烈, 以断裂作用为主, 主构造线方向为北西(NW)向。NW向区域大断裂不仅控制着区域地层和岩浆岩的空间展布, 而且与许多重要的内生金属矿床有着成因上的联系。

图1 研究区ASTER影像图及构造位置简图Fig.1 ASTER image and the structural map of study area

区内岩浆活动频繁, 主要为古生代、三叠纪— 古近纪各种俯冲— 碰撞— 后碰撞型花岗岩, 另有少量的基性— 超基性岩和不同时代的中酸性岩脉。区内发育的岩体主要有早三叠世的英云闪长岩和泥盆纪的石英闪长岩, 分别侵入于下古生界志留系地层和古元古界布伦阔勒岩群地层中。

2 主要岩性单元

研究区属西昆仑地层分区的公格尔地层小区, 因冰川和第四系冰碛物、风沙等掩盖, 基岩出露较差; 出露的地层主要有古元古界布伦阔勒岩群和下古生界志留系岩群, 岩体主要为英云闪长岩和石英闪长岩(图2)。

图2 研究区岩性简图 (据河南省地质调查院, 2003)Fig.2 Simplified lithological map of study area (from Henan institute of geology survey, 2003)

布伦阔勒岩群为一套中深变质岩, 岩性为黑云石英片岩、黑云斜长片麻岩和黑云斜长片岩(可分为上、下两段: 下段主要岩性为浅灰色黑云斜长片麻岩和少量黑云石英片岩; 上段主要岩性为浅灰黑色黑云石英岩和黑云角闪斜长片麻岩, 以富含石英、云母矿物为特征。

志留系温泉沟群为菱铁矿赋矿地层, 是一套经受绿片岩相变质作用的碎屑岩、碳酸盐岩建造, 出露于研究区的地层主要岩性为云母片岩夹大理岩、绿泥石绢云母板岩和黑色千枚岩。

求库台岩体主要为黑云母英云闪长岩, 呈灰白色, 风化面黄褐色、铁褐色, 中粒等粒结构, 块状构造。矿物组成包括斜长石、钾长石、石英、黑云母和角闪石, 偶见透辉石。

石英闪长岩体分布于研究区的南部, 呈弧形带状侵位于古元古界布伦阔勒岩群之中。仅有一个岩石单元的岩性为弱片麻状细粒黑云母石英闪长岩。岩石呈深灰色, 细粒半自形结构, 略具定向构造。斜长石含量约为70%, 石英与黑云母约占10%和20%, 另有极少量角闪石(据河南省地质调查院, 2003) 。

3 岩性信息提取
3.1 数据预处理

本研究采用2001年4月30日获取的ASTER数据, 产品等级为L1B。由于该数据在卫星接收时受某种因素干扰存在一定程度的误差, 为了减小误差的影响, 提高岩性信息提取的精度, 应用前需对其进行必要的预处理。

ASTER原始数据在接收时受到的主要干扰之一为传感器的“ 串扰效应” 影响, 导致第4波段接收器光子泄漏到其他短波红外波段而引起光谱异常[16], 因此需对原始数据进行去串扰处理。

研究区的ASTER反射率数据由去串扰处理后的ASTER数据借助野外实测样品波谱曲线反演得到: ①在研究区内均匀选取9个样品, 将其实测波谱曲线重采样到ASTER VNIR— SWIR波段范围; ②通过样品的GPS点提取ASTER影像中相应样品点的波谱曲线; ③将重采样的实测波谱曲线与影像相应点波谱曲线进行比值运算, 得到9条比值波谱曲线; ④取9条比值波谱曲线的平均波谱值, 并与ASTER影像进行逐像元乘积运算, 得到ASTER表观反射率数据。

3.2 主要岩性单元反射光谱特征分析

利用ASTER反射率数据进行岩性识别的基础是岩石的矿物组成及其在各波段光谱反射特征之间的关系。VNIR, SWIR和TIR波段范围的实验室标准波谱对各种矿物及矿物组合进行测试和鉴别的能力早在几十年前就被发现[17, 18, 19], 尤其是一些含羟基矿物和其他硅酸盐矿物分别在SWIR和TIR波段范围内所表现出的诊断性波谱特征[20, 21]。ASTER的VNIR和SWIR波段分别能反映出过渡金属以及碳酸盐和氢氧化物矿物光谱显示出的、与基团合频和倍频谱带相关的分子吸收特征[22, 23]

为了提取研究区不同岩性单元的光谱特征, 需对各岩性单元中典型岩石样品进行矿物组成和光谱测试分析。

3.2.1 岩性单元样品矿物组成

表1中列出各岩性单元中典型岩石样品的矿物组成。

表1 不同岩性单元岩石样品矿物组成 Tab.1 Mineralogical composition of rock samples in different lithological units

3.2.2 岩性单元反射光谱特征分析

布仑阔勒群地层主要包含4种岩性, 即黑云斜长片麻岩、黑云石英片岩、黑云角闪斜长片麻岩和黑云石英岩。经过重采样的4种岩石样品实地光谱数据如图3所示。

图3 研究区主要岩石样品反射光谱曲线示意图Fig.3 Sketch map of the reflectance spectra of rock samples in study area

图3中可以看出, 黑云斜长片麻岩(D011-1)光谱曲线的吸收谷出现在ASTER8波段, 主要由岩石中含Mg— OH的矿物黑云母引起, 次要矿物绿帘石虽然在岩石中所占比例很小, 但也对2.32~2.38 μ m波谱段的吸收带有微弱影响; 光谱曲线的次级吸收特征出现在ASTER6波段, 主要受到岩石中含Al— OH的矿物白云母影响, 造成岩石光谱曲线在2.20 μ m附近的低反射率。

黑云石英片岩(D011-2)光谱曲线在2.33 μ m附近与黑云母相关的Fe和Mg— OH吸收特征表现明显, 主要由岩石中含量较多的黑云母造成; 在2.20~2.25 μ m区间也因受岩石中白云母的Al— OH吸收特征影响而使曲线坡度变缓。黑云角闪斜长片麻岩(D016-3)光谱曲线在2.33 μ m附近的Fe和Mg— OH吸收特征由岩石中的角闪石和黑云母引起; 磁铁矿中的Fe3+造成了光谱曲线在0.85~0.90 μ m波谱区间的吸收特征, 由ASTER2, 3波段间光谱曲线的低斜率特征反映出来。黑云石英岩(D016-4)光谱曲线也因岩石中含有角闪石和黑云母使2.32~2.38 μ m波谱区间的反射率较低, ASTER1— 3波段的低反射率也是由于受到岩石中次要矿物磁铁矿的微弱影响。

出露于本研究区的志留系温泉沟群岩层主要包含3种岩性。绿泥石绢云母板岩(D013-2)中由于Mg— OH矿物绿泥石含量居多, 以ASTER8波段处的吸收谷为优势光谱特征, 岩石中绢云母含量相对较少, 在ASTER6波段处造成的吸收特征只对反射波谱曲线有微弱影响; 黑色千枚岩(D013-5)光谱特征以ASTER6波段的强吸收为主, 主要受岩石中的绢云母影响, 在ASTER8波段的次级吸收特征由岩石中含量相对较少的绿泥石造成; 绢云母石英片岩(D014-2)中含量最多的矿物是绢云母, 造成了ASTER6波段的明显吸收特征, 次要矿物绿泥石和方解石则造成2.30~2.35 μ m光谱区间的吸收特征。

求库台岩体岩性单元的总体光谱特征主要受片麻状英云闪长岩(D005-2)影响, 岩体中主要矿物黑云母、角闪石均在ASTER8波段造成了Mg— OH吸收特征, 英云闪长岩在ASTER6波段的微弱吸收主要受岩石中的白云母影响, 而岩石中长石蚀变为高岭石后也能造成ASTER6波段的吸收特征。

石英闪长岩体岩性单元的光谱曲线(D009-1)以ASTER8波段的吸收谷为主要特征, ASTER2— 5波段的反射值表现出缓慢上升的趋势。岩石光谱曲线中ASTER8波段的吸收谷主要由含Mg— OH矿物黑云母和角闪石引起, 其他矿物对光谱曲线影响微弱, 不能形成特征谱带。

3.3 岩性信息提取

3.3.1 岩性端元选择

遥感影像的像元值是地表多种地物光谱的综合反映, 且各种地物光谱的混合一般认为是复杂的非线性过程。在地物面积较大的情况下, 可以认为进入传感器的光子只与单一的地物发生联系, 这种单一的地物被称为“ 端元” [24]。研究区地层内部岩性单元的岩石矿物组成复杂, 一般很少存在单矿物端元; 然而同一岩性单元内岩石的矿物组成成分及结构相似也会表现出相似的光谱特征, 因此, 研究区内每个岩性单元都有代表性的岩性端元波谱。

对研究区内定标后的ASTER反射率数据采用最小噪声分离(minimum noise fraction, MNF)变换[25]和纯净像元提取, 在提取出的纯净像元所代表的地面岩石中, 一般只有少数矿物具有优势波谱吸收特征; 最后参考已知地质图分析纯净像元波谱特征, 并对纯净像元波谱矢量采用n维可视化技术提取出各岩性单元的端元波谱(图4)。

图4 研究区各岩性单元ASTER端元波谱曲线示意图Fig.4 Sketch map of ASTER endmember spectra of lithological units in study area

被提取出的端元被认为光谱相对纯净, 基本能反映整个岩性段内岩石光谱特征。将提取出的端元波谱曲线与各岩性单元代表性实测岩石样品波谱曲线进行对比分析后发现, 由于ASTER数据在获取过程中受到诸多因素(如传感器误差、大气校正精度、混合像元等)影响, 与理想环境下实测的岩石样品波谱曲线多少有些差异, 岩性端元波谱整体波形稍有变化; 但在其主要组成岩石中, 主要矿物的特征吸收谱带位置仍然能很好地反映出其优势吸收特征。其中, 石英闪长岩、英云闪长岩、绿泥石绢云母板岩和黑云角闪斜长片麻岩的端元波谱曲线与相应岩性段内实测波谱曲线的波形基本一致; 黑云斜长片麻岩、黑云石英片岩、黑云石英岩和绢云母石英片岩端元波谱曲线与实测波谱曲线相比, 在ASTER6, 8波段的吸收强度有所变化, 但整体波形的吻合程度仍较高; 黑色千枚岩端元波谱与实测波谱有较大差异, 主要体现在ASTER4, 5波段之间的波谱曲线的斜率相差较大, 估计是因为受到大气校正精度的影响。

在所选岩性单元岩石样品中, 虽存在不同岩石样品含有相同的具有诊断性波谱特征的矿物(如含Mg— OH矿物黑云母、绿帘石和绿泥石, 含Al— OH矿物白云母和绢云母)的情况, 但在不同岩石中各种矿物的丰度不同、混合方式不同, 直接造成了各种岩石之间的波谱差异。因此可以认为, 本文所选端元能够反映各自岩性段内的岩石整体波谱特征。

3.3.2 匹配滤波处理

匹配滤波(matched filtering)[26]使用局部分离技术获取端元波谱的丰度。该方法将已知端元波谱的响应最大化, 并抑制了未知背景合成的响应, 最后“ 匹配” 已知端元波谱。利用上述选择的岩性端元波谱曲线对ASTER反射率数据进行匹配滤波处理, 在各单波段匹配滤波结果图中, 亮度值越大的像元表示与相应的端元匹配程度越高。一般将单波段统计数据中2~3倍方差之间的值确定为高值, 将各岩性单元匹配滤波结果图中的高值部分显示于图面, 得到各岩性单元的分布范围(图5)。

图5 研究区各岩性单元匹配滤波结果Fig.5 The matched filtering result of lithological units in study area

通过与已知地质资料的对比分析发现, 匹配滤波结果图中的各岩性单元分布范围与已知地质图(图2)的吻合程度较高。其中, 英云闪长岩在志留系绢云母石英片岩(图5中A)中的侵入范围与已知地质资料相比要更大; 志留系绿泥石绢云母板岩夹黑色千枚岩层(图5中B)出露较好的地区提取效果较好, 但被第四系严重覆盖地区的岩性信息不能被很好地识别; 古元古界地层中黑云斜长片麻岩与黑云石英片岩虽然都含有具诊断性波谱特征的矿物黑云母和白云母, 但这些矿物在两种岩石中的丰度和混合方式的不同导致了各自波谱曲线在ASTER6, 8波段的吸收强度及整体波形的不同, 因此两种岩性的端元波谱能很好地区分出各自所代表的岩性单元, 黑云斜长片麻岩与黑云石英片岩的互层关系在结果图中也表现明显(图5中C); 石英闪长岩和黑云石英岩矿物组成十分相似, 但由于其波谱曲线在ASTER 9, 2, 3波段有较大差异(图4), 因此能够区分各自代表的岩性(从结果图可以看到, 两种岩性单元分布界线明显)。

4 结论

1)通过对利用实地样品ASD实测反射率波谱曲线定标后的ASTER数据进行的分析处理表明: 结合对反射率数据的光谱分析得到的岩石组成成分信息, 基于从ASTER反射率数据中提取岩性端元后进行的匹配滤波处理, 能够有效地提取研究区内各岩性单元信息。因此, 借助ASTER数据可见光— 短波红外波段对岩石矿物的识别能力, 只需要对研究区进行有限的野外工作, 便能够完成研究区内的岩性填图工作。

2)在ASTER数据的像元范围内, 研究区在自然条件下几乎不存在单一的矿物集合, 所以基于ASTER遥感数据提取的岩性端元只是相对的纯净像元, 其反射率波谱曲线反映了多种矿物的综合光谱特征; 而利用这种相对纯净的端元进行匹配滤波处理, 得到的结果也不是单一矿物的分布, 而是特定的几种矿物在岩石内以一定组合方式分布的特征。因此, 这种方法在岩性信息提取方面具有独特的优势。

The authors have declared that no competing interests exist.

参考文献
[1] Rowan L C, Goetz A F H, Ashley R P. Discrimination of Hydrothermally Altered and Unaltered Rocks in Visible and Near Infrared Multispectral Images[J]. Geophysics, 1977, 42(3): 522-535. [本文引用:1]
[2] Goetz A F H, Rock B N, Rowan L C. Remote Sensing for Exploration: an Overview[J]. Economic Geology, 1983, 78(4): 573-590. [本文引用:1]
[3] Sultan M, Arvidson R E, Sturchio N C, et al. Lithologic Mapping in Arid Regions with Land sat Thematic Mapper data: Meatiq Dome, Egypt[J]. Geological Society of America Bulletin, 1987, 99(6): 748-762. [本文引用:1]
[4] Podwysocki M H, Mimms D L, Salisbury J W, et al. Analysis of Land sat-4 TM Data for Lithologic and Image Mapping Purpose[C]//Barker J. Land sat 4 Science Investigations Summary, Greenbelt, 1984. [本文引用:1]
[5] Okada K, Segawa K, Hayashi I, et al. Removal of the Vegetation Effect from LANDSAT TM and GER Imaging Spectroradiometer Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1993, 48(6): 16-27. [本文引用:1]
[6] Abdelsalam M G, Stern R J, Berhane W G. Mapping Gossans in Arid Regions with Land sat TM and SIR-C Images: the Beddaho Alteration Zone in Northern Eritrea[J]. Journal of African Earth Sciences, 2000, 30(4): 903-916. [本文引用:1]
[7] Hubbard B E, Crowley J K. Mineral Mapping on the Chilean—Bolivian Altiplano Using Co-orbital ALI, ASTER and Hyperion Imagery: Data Dimensionality Issues and Solutions[J]. Remote Sensing of Environment, 2005, 99(1/2): 173-186. [本文引用:1]
[8] Rowan L C, Mars J C. Lithologic Mapping in the Mountain Pass, California Area Using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Data[J]. Remote Sensing of Environment, 2003, 84(3): 350-366. [本文引用:1]
[9] 时丕龙, 付碧宏, 二宫芳树. 基于ASTER VNIR—SWIR多光谱遥感数据识别与提取干旱地区岩性信息——以西南天山柯坪隆起东部为例[J]. 地质科学, 2010, 45(1): 333-347. [本文引用:1]
[10] 朱黎江, 秦其明, 陈思锦. ASTER遥感数据解读与应用[J]. 国土资源遥感, 2003(2): 59-63. [本文引用:1]
[11] Yamaguchi Y, Kahle A B, Tsu H, et al. Overview of Advanced Spaceborne Thermal Emission and Reflection Radiometer(ASTER)[J]. IEEE Transaction on Geoscience and Remote Sensing, 1998, 36(4): 1062-1071. [本文引用:1]
[12] 张玉君, 姚佛军. 应用多光谱ASTER数据对ETM遥感异常的定性判别研究——以东昆仑五龙沟为例[J]. 岩石学报, 2009, 25(4): 963-970. [本文引用:1]
[13] Gad S, Kusky T. ASTER Spectral Ratioing for Lithological Mapping in the Arabian-Nubian Shield, the Neoproterozoic Wadi Kidarea, Sinai, Egypt[J]. Gondwana Research, 2007, 11(3): 326-335. [本文引用:1]
[14] Ninomiya Y, Fu B H. Extracting Lithologic Information from ASTER Multispectral Thermal Infrared Data in the Northeastern Pamirs[J]. Xinjiang Geology, 2003, 21(1): 22-30. [本文引用:1]
[15] 关剑宇, 赵祖应. 新疆西昆仑地区切列克其—卓木吉勒尕富铁富铜矿床地质特征及成因类型探讨[J]. 新疆有色金属, 2002(2): 1-4. [本文引用:1]
[16] Iwasaki A, Fujisada H, Akao H, et al. Enhancement of Spectral Separation Performance for ASTER/SWIR[C]//The International Society for Optical Engineering. Proceedings of SPIE, 2001: 1-35. [本文引用:1]
[17] Hunt G R, Ashley R P. Spectra of Altered Rocks in the Visible and Near Infrared[J]. Economy Geology, 1979, 74(7): 1613-1629. [本文引用:1]
[18] Lyon R J P, Burns E A. Analysis of Rocks and Minerals by Reflected Infrared Radiation[J]. Economic Geology, 1963, 58(2): 274-284. [本文引用:1]
[19] Vincent R K, Thomson F. Spectral Compositional Imaging of Silicate Rocks[J]. Journal of Geophysical Research, 1972, 77(14): 2465-2472. [本文引用:1]
[20] Clark R N, King T V V, Klejwa M, et al. High Spectral Resolution Reflectance Spectroscopy of Minerals[J]. Journal Geophysical Research, 1990, 95(B8): 12653-12680. [本文引用:1]
[21] Grove C I, Hook S J, Paylor E D. Laboratory Reflectance Spectra of 160 Minerals, 0. 4 to 2. 5 Micrometers[D]. SUA: JPL Publication, 1992. [本文引用:1]
[22] Hunt G R, Salisbury J W, Lenhoff C J, et al. Visible and Near Infrared Spectra of Minerals and Rocks: V. Halides, Phosphates, Arsenates, Vanadates and Borates[J]. Modern Geology, 1972(3): 121-132. [本文引用:1]
[23] Knipling E B. Physical and Physiological Basis for the Reflectance of Visible and Near-infrared Radiation from Vegetation[J]. Remote Sensing of Enviroment, 1970(1): 155-159. [本文引用:1]
[24] Roberts D A, Smith M O, Adams J B. Green Vegetation, Nonphotosynthetic Vegetation, and Soils in AVIRIS Data[J]. Remote Sensing of Enviroment, 1993, 44(2/3): 255-269. [本文引用:1]
[25] Boardman J W, Kruse F A. Automated Spectral Analysis: a Geological Example Using AVIRIS Data, North Grapevine Mountains, Nevada[C]//ERIM. Tenth Thematic Conference on Geologic Remote Sensing. Environmental Research Institute of Michigan, 1994: 1407-1418. [本文引用:1]
[26] Harsanyi J C, Chang C. Hyperspectral Image Classification and Dimensionality Reduction: an Orthogonal Subspace Projection Approach[J]. IEEE Transactions on Geosience and Remote Sensing, 1994, 32(4): 770-785. [本文引用:1]