卫星高光谱数据在地质填图中的比较（方法篇一）

在 卫星高光谱数据在地质填图中的比较（数据篇） 中，分别对研究区、不同传感器数据以及数据预处理进行了介绍，本节主要介绍相关研究技术。

1.数据配准

数据配准是将不同来源的数据集精确对齐的过程，以便能够在同一空间参考系下进行直接比较和分析。在其研究中，为了比较来自 HyMap、EnMAP、PRISMA 和 EMIT 传感器的卫星多光谱数据，执行了以下步骤进行数据配准：

1）数据子集选择：首先，对于每个传感器的数据，Rupsa等人选取了与研究区域相对应的子集区域。

2）使用 AROSICS 工具：利用开源图像配准软件（AROSICS，版本 1.11.0）来自动识别可比较的波段之间的关联，并计算用于数据配准的关键点。

2. 全局仿射变换

应用全局仿射变换来调整和重采样数据，以便将所有数据集重新投影到与 HyMap 数据相同的格网上。这一步骤使用了 Rasterio 和 scikit-image 库来完成。

3. 重采样

为了最小化重采样对最终结果的影响，Rupsa等人尽可能在分析流程中的最后一个阶段执行数据重采样操作。

通过以上步骤，确保了不同传感器数据集之间的空间一致性，这对于进行精确的定性和定量分析至关重要。数据配准能够对比不同数据集之间的光谱特征，评估它们在地质填图中的应用潜力，并识别出不同传感器之间存在的一致性和差异性。

4.光谱分析

光谱分析是远程感测领域中用于识别和分类地表物质的一种重要技术。在本研究中，研究者们采用了两种主要的光谱分析方法来比较和评估不同卫星传感器数据在地质填图中的应用。

4.1光谱指数

光谱指数分析可以通过将一波段除以另一波段来生成图像，这种图像对于许多常见的噪声影响（例如大气影响）相对不敏感，因为这些影响通常在除法过程中可以大部分抵消。通常，波段的选择按照：分母代表目标吸收特征的最小值，分子是与一个或两个相邻的波段相关的反射率。这有助于区分矿物类型，因为它可以在大部分相同的波段之间抵消影响，同时增强由矿物吸收引起的局部变化。

Rupsa等人使用了多种已建立的光谱指数来对两个研究区域内的矿物进行分析。在 Epembe，光谱指数用于区分富含钙碳酸盐的岩石沟和周围被改变的主岩。对于 Marinkas-Quellen，光谱指数被用来映射钙碳酸盐和镁碳酸盐岩石的分布。这些公式及其来源如表 1 所述。

光谱指数分析的主要步骤：

（1）选择与目标矿物相关的特定波段。

（2）计算光谱指数值，以增强目标矿物的检测。

（3）使用这些指数值来生成地质特征图。

 表1 研究中使用的光谱指数公式

4.2光谱丰度

光谱解混是指来自光谱像素的信号是端元谱的丰度加权的线性组合。端元是指在图像中的某些纯净像素，它们代表了近似纯物质的光谱特征。通过线性光谱解混，可以估计出图像中各种物质的丰度。这些分丰度可以表示为光谱丰度图，反映了光谱变化的潜在变量（即决定光谱像素变化的隐藏变量）。潜在变量是无法直接观测的量，它代表了数据中的隐藏方面，通过数学建模和可观测变量间的关系来推断。这种方法在某些情况下存在局限性：由于空间分辨率的粗糙，卫星数据中的纯像素可能不常见，而且某些物质也可能以尺度相关的非线性方式混合。然而，将高光谱图像表示为加权的纯像素端元的稀疏组合，提供了一种比较潜在信息的方法。因此，通过为每个研究区域手动定义了固定的端元像素位置，并假设这些位置代表了场景中每种地质类型的典型 “纯谱”，用这些端元位置为每个传感器提取了相应的端元谱库。

Rupsa等人使用了 EnMAP 作为参考，选择了端元像素，因为它采样光谱最为接近，而其他传感器则不然。使用非负最小二乘法进行了线性光谱解混，以便从每个图像中提取出丰度图。由于不同的光谱响应，Rupsa等人在Marinkas-Quellen和Epembe地区选择了不同的光谱子集进行了解混。对于Epembe，考虑了 450 至 1150 nm 的 VNIR 范围和 2000 至 2480 nm 的 SWIR 范围，因为这些范围内存在铁成析物和碳酸盐的特征吸收。对于Marinkas-Quellen，只考虑了 2000 至 2480 nm 的 SWIR 范围，因为这里的主要矿物是碳酸盐。此外，在解混过程中排除了水吸收带，因为在遥感数据中这些带通常具有较高的噪声。

通过这种方式，Rupsa等人生成了丰度图，并使用这些图来比较不同传感器之间的一致性。发现即使在端元谱中存在明显的光谱偏差，各个传感器的丰度图也表现出了相似的地质变化模式。这表明，尽管存在光谱数据之间的一致性问题，但通过解混技术，可以揭示出与地质变化相符的潜在特征。通过这种比较，能够评估不同传感器在捕捉地质特征方面的能力，并识别出哪些传感器更适合用于地质填图。

 参考：[1]:Chakraborty, R.; Rachdi, I.; Thiele, S.; Booysen, R.; Kirsch, M.; Lorenz, S.; Gloaguen, R.; Sebari, I. A Spectral and Spatial Comparison of Satellite-Based Hyperspectral Data for Geological Mapping. Remote Sens. 2024, 16, 2089. https://doi.org/ 10.3390/rs16122089