基于特征谱带的高光谱遥感矿物谱系识别 (1)_图文

1、 基于特征谱带的高光谱遥感矿物谱系识别甘甫平1,2, 王润生2, 马蔼乃1(1. 北京大学遥感与地理信息系统研究所, 北京100871; 2. 中国国土资源航空物探遥感中心, 北京100083摘要:、。矿物光谱包含一系列特征吸收谱带。独特波形, 能够指示离子类矿物、CO 232+3+3+, Al OH 和Mg OH 等 的可, 并以美国Cuprite 地区的AV IRIS 数据进行矿, , 取得了, 初步实现利用宏观的手段(遥感技术 进行微观(矿物 的探测。关键词:矿物谱系识别; 识别规则; 特征谱带; 高光谱;AV IRIS中图分类号:P57514; P231文献标识码:A文章编号:1005

2、2321(2003 02044510收稿日期:20021009; 修订日期:20021213基金项目:国家自然科学基金项目(40201034 ; 国家8632103项目(2001AA13602024 ; 国土资源部“十五”重点科研项目(2002206 ; 中国地质调查局重点科研项目(D K9902062作者简介:甘甫平(1971, 男, 博士后, 主要研究方向:遥感技术与应用、高光谱遥感与遥感信息模型。高光谱的光谱识别是高光谱区分于多光谱的主要标准, 也是高光谱的优势所在。目前高光谱岩矿蚀变信息识别与提取的方法主要为基于光谱波形参数15、波谱相似性测度614、混合光谱模型1522等。在具有大量

3、已知地物光谱时这些方法适应性强, 图像地物识别更有用。但明显不足是由于实际地物光谱变异、获取数据受观测角以及颗粒大小的影响而造成光谱变化, 准确匹配比较困难, 造成岩矿识别与分析上的混淆和误差23。事实上, 矿物往往具有其特有、独特的诊断性特征吸收谱带, 这些特征谱带在不同的矿物中具有较稳定的波长位置和较稳定的独特波形, 能够指示离子类矿物、单矿物的存在6,2427。通过这些谱带或其组合, 能够实现对矿物的识别。由此, 本文通过对矿物光谱特征进行分析和总结, 建立基于特征谱带的矿物识别谱系对矿物类或矿物进行识别。该方法在一定程度上可以实现对高光谱岩矿信息的智能识别。1矿物光谱特征在当前光学遥感

4、摄影普遍使用的谱段范围(0. 42. 5m 内, 岩矿标型光谱特征都与碳酸根、水、羟基和铁离子等阴离子基团或一些阳离子有关。矿物吸收特征的差异主要取决于矿物晶体物化属性的不同, 即阴阳离子的化合价、阳离子的配位数目、主要阳离子的质量、键的共价程度、阴阳离子间的距离、晶体对称的不同26。这些特征吸收指的是矿物独特而较稳定的吸收谱带。这些谱带在不同的矿物中有较稳定的波长位置, 具较稳定独特的波形, 指示着某种矿物的存在。一般而言, 阳离子(如Fe 2+, Fe 3+和Mn 3+等 因电子跃迁而在可见光区或近红外具有特征谱带, 阴离子基团(如CO 2-3, H 2O ,OH -与金属-OH 基团等

5、因弯曲振动而在短波红外产生倍频与合频的光谱特征28。1. 1阳离子光谱特征(1 Mn 离子:这里主要分析水锰矿、硬锰矿、菱锰矿、锰铝榴石与锰橄榄石中Mn 的光谱特征。Mn 2+是典型的d 5电子构架, 其谱带主要产生于电子跃迁。在可见光区域(图1 , 锰的特征谱带主要为0. 45m 与0. 55m 以及在0. 360. 41m 附近的3处吸收特征, 或在0. 40. 6m 区域产生的第10卷第2期2003年4月地学前缘(中国地质大学, 北京Earth Science Frontiers (China University of G eosciences ,Beijing Vol. 10No.

6、2Apr. 2003 一个较陡的半吸收特征 。图1含锰矿物光谱Fig 11The spectral feature of Mn 2bearing minerals下图为上图的局部放大(2 Fe 离子:在矿物的组成成分中, Fe 是一个非常重要的元素。由晶体场理论可知, Fe 2+的基态D 在四面体场中分裂为较高的五重线能级E g 和较低的五重线能级T 2g ; 由于仅存在一个自旋容许跃迁, 从而在1. 01. 1m 附近产生一个常见的强而宽的谱带; Fe 3+有一个对称的基态S , 在任何晶体场中都不分裂, 到4G 态所形成的更高能级的跃迁均为自旋禁戒, 因而光谱相对较弱, 但在0. 60.

7、9m 间产生强的吸收谱带。对于不同类型铁化合物, 因其分子结构、晶体结构以及透明度的差异, 其特征谱形差别较大。图2为一些含铁矿物的波谱曲线。从光谱曲线可知, 铁硅酸盐矿物的特征谱带位于0. 9m , 呈对称展布于0. 81. 0m 光谱区域。铁的氢氧化合物特征谱带位于1. 0m 附近, 成非对称展布于0. 71. 40m 之间。而铁的碳酸盐矿物吸收谱带呈宽缓平直状展布于0. 81. 5m 之图2铁化合物光谱Fig 12The spectral feature of Fe 2bearing minerals下图纵坐标偏移, 以便能够清楚展示不同铁化合物的光谱特征间。但铁的氧化物和硫化物因矿物颜

8、色的影响, 属于不透明矿物系列, 出现光谱吸收限, 光谱特征被掩446 图3含铝矿物波谱Fig 13The spectral feature of Al 2bearing minerals 上图:Al的氧化物与氢氧化物; 下图:Al的硅酸盐矿物盖, 轻微的氧化或蚀变可能使铁的一些特征波谱显现出来。(3 铝离子(Al 3+ 类矿物光谱:铝离子在大多矿物中均能发现, 尤其是硅酸盐矿物。铝在硅酸盐矿物结构中起着双重作用。一是呈四次配位, 代替部分的Si 4+而进入络阴离子, 形成铝硅酸盐; 二是呈六次配位, 存在于硅氧骨干之外, 起一般阳离子作用, 形成铝的硅酸盐; 或者兼有上述两者的特性。图3为这

9、些矿物的波谱曲线。铝的氧化物波谱为1. 4m 附近的反射峰较强。铝的氢氧化物中, 三水铝石由于所含较强的Al O H 键的伸缩振动的合频或倍频的作用, 在1. 41. 6m 间产生尖锐的由主要的1. 435m 与次要的1. 558m 组成的“二元”吸收特征。硬水铝石因Al 3+充填由O 2-和(OH -形成的1/2的八面体空隙,Al O H 键较弱而在1. 408m 产生较弱的吸收特征 。图2The spectral feature of anorthite and epidote图5高岭石2夕线石光谱Fig 15The spectral feature of kaolinite and si

10、llimanite铝的硅酸盐矿物(图3, 4, 5 的特征光谱与AlO4并不相关, 与AlSi 3O 8相关性也不明显。铝在硅酸盐中的光谱行为主要是铝阳离子的电子跃迁以及Al OH 基团伸缩振动的合频与倍频的作用, 而在短波红外光谱产生特征吸收光谱。随着Al OH 键力的增强与数量的增多, 硅酸盐矿物的特征更多地凸显出OH 基团的尖锐且窄的吸收特征。由于Al OH 基团在不同晶体结构中能级的差异, 其吸收谱带的形态、位置以及次级吸收峰的形态都有所不同。从图3下图可见, 钠长石光谱特征并不明显; 白云母与高岭石均因较强的Al OH 键而表现出较为一致的1. 42m 与2. 15m 的特征吸收峰,

11、 但在2. 02. 5m 之间的吸收峰形态却存在较大的差异, 这是二者识别与区分的标志, 是Al 在晶体结构中不同占位的光谱外在表现。在低温条件下, AlO 4四面体的体积稍大于( ( 447 6of Mg SiO 4四面体。如钙长石Ca Al 2Si 2O 8转变成绿帘石Ca 2(Al , Fe 3O (OH SiO 4Si 2O 7, 使Al 全部处于八面体配位中, 成为最稳定的形式。绿帘石光谱特征(图4 较钙长石复杂, 并具有与高岭石或白云母相同的谱形, 但相对于后二者, 其特征谱带的位置相对向长波方向移动。这主要是由于绿帘石晶体中具有Fe 的类质同象, 影响了Al 在晶体中键力与键长,

12、 从而使能级分裂的大小或OH 基团伸缩弯曲振动的方向发生变化造成的。在高温富Al 环境,AlO4可由六次配位转变为部分的Al 的四次配位。如高岭石Al 4Si 4O 10(OH 8在10001500C 的条件下可部分地转变为夕线石AlAlSiO5。比较二者的光谱特征(图5 可见, 在2. 2m 附近的主要特征吸收差异不大, 主要差别是高岭石中OH 基团振动产生的吸收峰较夕线石尖锐, 次级吸收峰特征较明显。总的来说,Al 离子自身以及硅铝四面体并无特征吸收, 含铝硅酸盐或铝的铝硅酸盐矿物的光谱特征更主要是Al OH 键振动的合频或倍频的结果,这将在金属-OH 的光谱特征中加以进一步论述。1. 2

13、阴离子光谱特征(1 金属OH :由于阴阳离子之间键的共价程度、阴阳离子间的距离造成晶体对称度等的不同, 使金属OH 基团光谱产生一定的差异。图6主要为含Mg OH 键矿物的光谱。该类矿物最为显著的是在2. 30m 附近具有强吸收特征峰。阳起石强吸收谱带位于2315nm 处, 黑云母图7Al OH 特征离子光谱Fig 17The spectral feature of Al -OH bonds2335nm , 水镁石2315nm , 叶蛇纹石2325nm , 纤蛇纹石2325nm , 锂皂石2305nm , 利蛇纹石23152325nm , 金云母2325nm , 滑石2315nm , 透闪石2

14、315nm 。含Mg 2OH 的矿物光谱以23152335nm 的最大吸收谱带为特征, 这也是识别含Mg OH 键矿物的显著标志。图7主要是含Al OH 键矿物的光谱。该类矿物最显著的吸收特征是由位于2. 20m 附近的最大吸收峰以及其两侧的一些次一级吸收峰构成“二元结构”。明矾石的特征吸收谱带位于2165nm 和2325nm 处; 锂绿泥石为2175nm 和2365nm ; 埃洛石为2205nm 和2165nm ; 伊利石为2215nm 和2355nm ; 高岭石为2205nm 和2165nm ; 蒙脱石为2205nm 和2215nm ; 白云母21952225nm 和2355nm ; 叶蜡

15、石2165nm 和2315nm ; 累托石2195nm ; 黄玉2085nm 和2155nm ,2215nm 。可见含Al OH 键的矿物的识别光谱位于2165nm 2215nm 之间。(2 CO 2-3:在碳酸盐CO 3络阴离子中,C 与O 之间为键力强的共价键, 而CO 3与金属阳离子则以离子键为主。在1. 3m 以前, 碳酸盐矿物的光谱特征主要是由金属离子跃迁所决定; 而1. 3m 以后,其光谱特征是基团振动所产生, 即CO 2-3或一些水分子本身的倍频或合频模式振动产生(图8 。在近红外区, 碳酸盐通常出现5个显著的特征谱带:2.55m ,2. 35m ,2. 16m ,2. 0m 和

16、1. 9m , 第、第是较清楚的双重谱带, 强度比其余3个强; 碳酸盐岩矿物最显著的识别特征是2. 32. 4m 之间具448 图8碳酸盐岩矿物光谱特征Fig 18The spectral feature of carbonite minerals下图为上图局部放大; 两图的纵坐标已偏移有单一的特征吸收, 对称性左宽右窄, 有别于其它类矿物光谱特征。同时该类绝大多数矿物也具有2. 12. 2m 以及2. 5m 附近的次一级特征吸收。所含阳离子的不同, 而在0. 41. 2m 区间出现阳离子跃迁的光谱特征, 可用于识别不同类型的碳酸盐岩矿物。2矿物识别谱系与识别规则由以上分析可知, 阴离子诊断谱

17、带位于22. 5m 光谱区域, 一般为络阴离子弯曲振动的合频或倍频的吸收特征谱带或叠加在OH 基团伸缩振动光谱之上的复合谱带; 而Fe 2+,Fe 3+和Mn 2+诊断谱带一般位于0. 41. 2m 光谱区域, 为电子跃迁吸收特征谱带。由此, 将矿物识别光谱划分为两个区域,即小于1m 的光谱区和大于2m 的光谱区。在这两个光谱区域中分别进行不同光谱机制矿物离子化合物的识别。在大于2m 光谱区域提取含Al OH 和CO 2-3矿物类; 在1m 光谱区提取含Fe 2+, Fe 3+和Mn 2+的矿物类。例如, Fe 2+在1000nm 附近的产生特征谱带,CO 2-3在2300nm 处的产生特征吸

18、收,Al OH 在2200nm 附近产生特征吸收等。利用阴阳离子特征谱带或其谱带组合大致可以对矿物进行识别。例如, 同时具有Fe 2+在1000nm 与CO 2-3在2300nm 附近的特征谱带, 便大致确定为该矿物为菱铁矿。由于类质同象替代系列的存在以及离子光谱的敏感性而产生混淆, 如Fe 2+Zn 2+、Ca 2+Fe 2+等阳离子的部分替代, 可形成FeCO 32ZnCO 3、Ca CO 32Fe CO 3等的不完全类质同象系列。这样, 在对矿物的精确识别时, 除了利用阴阳, , 上, 建立分层识别矿物谱系(Spectral Identification Tree (SIT , 对矿物或

19、矿物类别从大类到矿物逐层进行识别(图9 。(1 特征谱带识别:主要用于对含离子大类矿物进行识别:含Al OH 矿物:诊断谱带一般位于21652205nm 附近; 含CO 2-3矿物:诊断谱带一般位于23352386nm 区间; 含Fe 2+矿物:诊断谱带一般位于10001100nm 附近; 含Fe 3+矿物:诊断谱带一般位于600900nm 附近; 含Mn 2+矿物:诊断谱带一般位于450600nm附近。(2 谱带组合识别规则:以主吸收谱带和次要吸收谱带的组合识别单矿物, 并考虑到吸收谱带在不同岩石中的漂移。这里以Al -OH 键的矿物, 如明矾石、蒙脱石和白云母为例, 建立的组合光谱识别规则

20、:明矾石:两个特征吸收分别位于2175nm (21652175nm , 10nm 和2325nm ; 蒙脱石:位于2215nm (22052215nm , 10nm 的主要特征吸收伴随有一个2440nm 的次级吸收; 白云母:位于2205nm (21952215nm , 20nm 的主要特征吸收伴随有3个次级吸收峰, 分别位于2355nm ,2440nm 和2115nm ; 高岭石:位于2205nm (21852235nm , 20nm 的主要特征吸收伴随有3个次级吸收峰, 分别位于2165nm ,2315nm ,2386nm 。(3 全谱带光谱分解识别:为避免光谱变异和光谱混合效应, 以整个

21、光谱曲线作参量, 利用光谱分解模型进行矿物精细识别。光谱分解模型是建立在Hapke 29(1981 双向反射理论以及不同地物对光谱响应的差异之上构造的光谱模型30,X =M f +e(1 ( ( 449 这里, f =(f 1, f 2, f 3, , f c T 表示端员丰度矢量, X =(x 1, x 2,. . . , x n T为像元的数字值矢量, M 是参考端员光谱矢量, e 为误差向量, 且满足E (e =0与E (ee T=N (2 光谱分解模型需限制c n +1, 且ci =1f i =1以上为线性分解模型。但在一个像元内, 地物光谱并非为纯像元的线性混合, 而更多地表现为非线

22、性。对于单散射, 可作为线性模型分解; 多散射则认为非线性混合。利用算子(3 可以通过单散射反照率(SSA 转换将非线性“线性化”5, 再利用式(2进行光谱分解。W =(3r +6 r/2( 其中W , 物类识别, , 再利用组合谱带识别规则识别矿物, 进一步地利用全谱带光谱特征进行矿物种类精细识别。3矿物分层识别提取(1 试验区地质概况:以1998年获取的美国Cuprite 地区的航空高光谱A VIRIS 数据进行试验。该区主要出露岩层有寒武系沉积岩和变沉积岩、第三系火山岩和第四系冲积层。第三系火山岩热液蚀变广泛, 在95号公路两边形成两个南北向拉长的蚀变区, 明显可分为硅化带、蛋白石化带和

23、泥化带, 从中部向外呈同心圆状分布31。硅化区主要蚀变矿物为石英和少量的方解石、明矾石和高岭石; 蛋白石化带分布广泛, 主要为明矾石、浸染状蛋白石、方解石置换的蛋白石和高岭石; 泥化带主要有高岭石、蒙脱石和少量由火山玻璃生成的蛋白石32。本区露头出露良好, , 从20世纪70, 就成为美国, , 蚀变33。(2 矿物识别:在Cuprite 地区, 利用前述所建立的矿物谱系识别规则对Al OH ,Mg OH ,CO 2-3, Fe 2+,Fe 3+和Mn 2+类矿物作识别试验, 识别结果见图10。图中亮度值表示该类矿物分布的相对丰度。从这6类离子矿物类识别结果分析, 该区中部以含Al OH 键的

24、矿物为主, 含Mg OH 键的矿物分布较少。结合CO 2-3与Fe2+的分布分析认为, 在该区西南部可能有菱铁矿存在, 在矿区中部偏东部存在高价铁矿物, 如黄钾铁钒、赤铁矿等。 进一步利用掩图9基于矿物识别谱系集成Fig 19Spectral Identification Tree (SIT for mineral extraction based on spectral characteristic of mineral450( ( 451 膜技术, 在Al OH 离子类矿物区域中, 进一步根据组合谱带识别规则识别明矾石、蒙脱石、白云母和高岭石, 结果如图11。(图12 。4结论将识别结果与

25、Clark 和Swayze 34的结果相比较, 两个近于一致。Clark 和Swayze 利用的是Tri 2corder 软件, 基于UN IX 操作平台, 以大量的地物光谱数据库, 大气辐射转换模型和地面定标目标为基础, 采用波形匹配和全波段谱形的最小二乘拟合进行矿物识别。其识别结果都是经X 2射线衍射分析等技术和野外检查进行了验证, 准确性较高, 可作为地面实况对比分析的基础。对比结果说明, 本次所建立的有关矿物的谱系识别规则符合实际、简单易行, 可以从大类到具体矿物, 再到矿物类质同像系列或同质多像变体, 高效地用于提取岩矿成因信息。矿物准确识别的前提是高光谱数据的信噪比较高, 辐射标定

26、与大气校正准确可靠, 能再现地物光谱特征。随着高光谱仪技术性能(比如傅立叶分光高光谱仪 的改进与提高, 将改善高光谱物质识别的精度, 推动高光谱物质识别的智能化与定量化, 并将在一定程度上实现利用宏观的手段进行微观的探测。感谢美国NASA 提供Cuprite 地区航空高光谱AVIRIS 数据。R eferences参考文献:1KRUSE F A. Use of airborne imaging spectrometer data to mapminerals associated with hydrothermally altered rocks in the, and California

27、J .Envi 2EY J K , L C. Airborneof the Ruby Mountains , Montana :mineral discrimination using relative absorption band 2depth im 2agesJ.Remote Sens Envi ron , 1989,29:1212134.3WAN GJ , ZHEN G L , TON G Q. The spectral absorption identi 2fication model and mineral mapping by imaging spectrometer data

28、J.Remote Sens Envi ron (Chi na , 1996, 11(1 :20231(in Chinese . 王晋年, 郑兰芬, 童庆禧. 成像光谱图象光谱吸收鉴别模型与矿物填图研究J.环境遥感,1996,11(1 :20231. 4dE JON G S M. Imaging spectrometry for monitoring tree dam 2age caused by volcanic activity in the Long Valley Caldera , Cali 2forniaJ.I TC Journal , 1998, 1:1210.5LON GHI I

29、, SCAV ETTI M , CHIARI R , et al. Spectral analy 2sis and classification of metamorphic rocks from laboratory re 2flectance spectral in the 0. 42. 5m interval :a tool for hyper 2spectral data interpretationJ.Int J Remote Sensi ng , 2001,22(18 :376323782.6BAU GH W M , KRUSE F A , WILL IAM W , et al.

30、Quantita 2tive geochemical mapping of ammonium minerals in the Southern Cedar Mountains , Nevada , using the airborne visible/infrared imaging spectrometer (AVIRIS J .Remote Sens Envi ron , 1998, 65:2922308.7FENSTERMA KER L K , MILL ER J R. Identification of Flu 2vially redistributed mill tailings u

31、sing high spectral resolution air 2craft data J.Photogram met ric Engi neeri ng &Remote Sens 2i ng , 1994, 60(8 :9892995.8BEN 2DOR E , KRUSE F A. Surface mineral mapping ofMakhtesh Ramon Negev , Israel using GER 63channel scanner dataJ.Int J Renote sensi ng , 1995,16(8 :352923553.9CROSTA A P , SABIN

32、 E C , TARANIK J V. Hydrothermal al 2teration mapping at Bodie , California , using AVIRIS hyperspec 2tral dataJ.Remote Sens Envi ron , 1998,65:3092319.10DRA KE N A , MACKIN S , SETTL E J J. Mapping vegetation ,soil , and geology in semiarid shrublands using spectral matching and mixture modeling of

33、 SWIR AVIRIS imagery J.RemoteSens Envi ron , 1998,68:12225.11YU HAS R H , GEO TZ F H A , BOARDAM J W. Discri mi na 2452 tion A mong Semiari d L andscape Endmembers Usi ng the S pec 2t ral A ngle M apper (S A M A lgorithm C .Summaries of theThird Annual J PL Airborne G eoscience Workshop ,1J une 1992

34、, Pasadena , CA :JPL Publication 92214,1472149.12FERRIER G. Application of image spectrometer data in identi 2fying environmental pollution caused by mining at Rodaquilar SpainJ.Remote Sens Envi ron , 1999, 68:1252137.13VAR DER MEER F , BA KKER W. Cross correlogram spectralmatching :Application to s

35、urface mineralogical mapping by using AVIRIS data from Cuprite ,NevadaJ.Remote Sens Envi ron , 1997,61:3712382.14GAN F , WAN G R , J IAN G S , et al. Discrimination techniquefor rocks or ore deposits based on the feature of full spectral shape using hyperspectral remote sensing and its applicationJS

36、cientia Geologica Si nica ,2000(3in .甘甫平, , J, ,35(3 :376215ADAMS J B , SMITH M O , JOHNSON P E. Spectral mixturemodeling :a new analysis of rock and soil type at the Viking Lan 2der 1site J .Journal of Geophysical Research , 1986, 91(B8 :809828112.16MUSTARD J F , PIETERS C M. Abundance and distribu

37、tion ofultramafic microbreccia in Moses Rock Dike :quantitative appli 2cation of mapping spectroscopyJ.Journal of Geophysical Re 2search , 1987, 92(B10 :10376210390.17ROBERTS D A , GARDN ER M , CHURCH R , et al. Mappingchaparral in the Santa Monica Mountains using multiple end 2member spectral mixin

38、g models J .Remote Sens Envi ron . , 1997,65:2672279.18SABOL D E , JOHN J R , SMITH M O. Quantitative subpixelspectral detection of targets in multispectral imagesJ.Journalof Geophysical Research , 1992, 97(E2 :265922672.19SETTL E J J , DRA KKE N A. Linear mixing and the estimationof ground cover pr

39、oportionsJ.Int J Remote Sensi ng , 1993, 14(6 :1159|1177.20SHIPMAN H , ADAMS J B. Detectabilit y of minerals on DesertAlluvial Fans using reflectance spectraJ.Journal of Geophysi 2cal Research , 1987,92(B10 :1039121042.21SHIMABU KURO Y E , SMITH J A. The least-squares mixingmodels to generate fracti

40、on derived from remote sensing multi 2spectral data J .I EEE T rans Geos Remote Sens , 1991, 29(1 :16220.22SMITH M O , JOHNSON P E , ADAMS J B. Quantitative de 2termination of mineral type and abundances from reflectance spectra using principal components analysisJ.Journal of Geo 2physical Research

41、, 1985,90(Suppl :7972804.23GAN F , WAN G R , MA A , et al. The development and ten 2dency of both basis and techniques of discrimination for minerals and rocks using spectral remote sensing dataJ.Remote Sensi ngTechnology and A pplication , 2002, 17(3 :1402147(in Chi 2nese . 甘甫平, 王润生, 马蔼乃, 等1光谱遥感岩矿识

42、别基础与技术研究进展J.遥感技术与应用,2002,17(3 :1402147. 24CLAR K N R. Spectroscopy of rocks and minerals , and principlesof spectroscopy EB/OL .http :/speclab. cr. usgs. gov , 1999(last revised J une 25,1999 .25CLAR K R N , KIN G TVV , K L E J WA M , et al. High spectralresolution reflectance spectroscopy of minera

43、ls J.Journal ofGeophysical Research , 1990,95:26spectra for the de 2of ., 1978, 63:F. Investigation on Pri nciples and Techniques of Ext ract 2i ng Inf ormation of Rocks and Mi nerals Usi ng Remote Sensi ng Data D.Beijing :China University of G eosciences ,2001. 甘甫平. 遥感岩矿信息提取基础与技术方法研究D .北京:中国地质大学, 2

44、001. 28Institute of G eological Intelligence. Monograph f or RemoteSensi ng (1 C .Beijing :G eological Publishing House ,1980(inChinese . 地质矿产部地质情报所. 遥感专辑(1 C.北京:地质出版社,1980. 29HAPKE B. Bidirectional reflectance spectroscopy ,1, TheoryJ.Journal of Geophysical Research , 1981,86:303923054.30ICHO KU C

45、, KARNIEL I A. A review of mixture modelingtechniques for sub 2pixel Land cover Estimation J .RemoteSensi ng Reviews , 1996, 13:1612186.31SWA YZE G A , CLAR K R N , GOETZ A F H , et al. Usi ngI magi ng S pect roscopy to Better U nderstand the Hydrothermal and Tectonic History of the Cuprite Mi ni ng

46、 Dist rict , NevadaC.Summaries of the Seventh J PL Airborne Earth Science Workshop , January 12216,1998,Pasadena ,CA :J PL Publication 97221,3832384.32ASHL EY R P , ABRAMS M J. Alteration mapping using multi 2spectral images 2Cuprite Mining district , Esmeralda county , NevadaA .U. S. Geological S u

47、rvey Open File Report R .1980. 802367.33HOO K S J , RAST M. Mi neralogic M appi ng Usi ng A i rborneV isible Inf rared I magi ng S pect rometer (A V IRIS S hort w ave Inf rared (S W IR Data Acqui red over Cuprite , Nevada C .Presented in the 2nd AVIRIS Worshops , 425J une , 1990, Pasadena ,CA :JPL P

48、ublished , 1990. 1992207.34CLAR K R N , SWA YZE G A. Evolution in Imaging Spec 2troscopy analysis and sensor Signal 2to 2Noise :An examination of how far we have come ,1996. http :/speclab. cr. usgs. gov/pub/Cuprite.( (453 SPECTRAL IDEN TIFICA TION TREE (SIT FOR MIN ERALEXTRACTION BASED ON SPECTRAL CHARACTERISTICS OF MIN ERAL SG AN Fu 2ping 1,2,WAN G Run 2sheng 2,MA Ai