多景ASTER遥感数据大气校正与区域性矿物填图方法

摘要

多景ASTER遥感数据大气校正与区域性矿物填图方法，它有九大步骤：(1)ASTER数据读入；(2)基准数据的选定，从多景数据中选取一景数据作为大气校正的基准；(3)基准数据的大气校正，得到基准反射率数据；(4)非基准数据的大气校正，得到非基准反射率数据；(5)计算基准反射率数据与非基准反射率数据重叠区光谱特征差；(6)计算非基准数据大气水汽含量与大气能见度；(7)利用计算的大气水汽含量与大气能见度对非基准数据重新进行大气校正，得到非基准反射率数据；(8)对包括基准数据与非基准数据在内的多景反射率数据进行镶嵌处理；(9)利用光谱指数进行矿物识别与填图，该方法有效消除多景数据之间的镶嵌缝，从而实现区域性矿物填图。

说明书

技术领域

本发明属于地质遥感技术，尤其是一种多景ASTER遥感数据大气校正与区域性矿物填图的方法。

背景技术

ASTER数据是ETM/ETM⁺数据之后的新一代的对地观测卫星遥感数据。该数据可识别与金属矿床成矿作用有关的蚀变矿物，比如绢云母、高岭石、绿泥石、绿帘石等，在资源勘查中应用潜力巨大。然而，该数据处理复杂，传统的ETM/ETM⁺数据的处理方法已难以满足要求。数据处理主要由两大步骤组成：1)大气校正；2)矿物识别与填图。

由ASTER传感器研制团队发布的ASTER数据大气校正的官方算法是，首先利用同时相的MODIS数据提取大气水体含量、气溶胶光学厚度等大气参数，之后利用提取的大气参数对数据进行大气校正，消除大气对光谱的影响。这一方法中利用MODIS数据反演大气廓线参数的算法复杂，且需要获取同时相的MODIS数据，对于普通用户而言，实现的难度很大。另外，在利用多景数据进行区域性矿物填图时，大气参数反演的误差会导致多景数据镶嵌与拼接的困难。

ASTER数据相比ETM/ETM⁺数据，具有更多的波段，在矿物识别与填图时，传统的ETM/ETM⁺数据双波段运算的方法无法充分发挥ASTER数据的优势，需要开发适用于ASTER数据特点的矿物识别光谱指数。

发明内容

本发明的目的是，针对ASTER数据官方大气校正算法的复杂性与多景数据镶嵌与拼接的困难，以及双波段运算方法无法充分发挥ASTER数据优势，相比ETM/ETM⁺数据，具有更多的波段的问题，提出的一种多景ASTER数据大气校正与区域性矿物填图方法，在无需大气参数的情况下不仅可以完成ASTER数据的大气校正，还可以有效消除多景数据间因大气参数不同而导致的矿物填图结果的差异。

本发明的技术解决方案是，包括以下九个步骤：

(1)ASTER数据的读入；

(2)基准数据的选定，从多景数据中选取一景数据作为大气校正的基准；

(3)基准数据的大气校正，得到基准反射率数据；

(4)非基准数据的大气校正，得到非基准反射率数据；

(5)计算基准反射率数据与非基准反射率数据重叠区光谱特征差；

(6)计算非基准数据大气水汽含量与大气能见度；

(7)利用计算的大气水汽含量与大气能见度对非基准数据重新进行大气校正，得到非基准反射率数据；

(8)将包括基准反射率数据与非基准反射率数据在内的多景反射率数据进行镶嵌处理；

(9)利用光谱指数进行矿物识别与填图，得到矿物分布图。

首先进行步骤(1)所述的ASTER数据的读入；

步骤(2)所述的基准数据的选定，其选定为，

选取接近填图区域的中心的数据为基准数据，其它数据包括非基准数据，均以基准数据为基准进行大气校正。

步骤(3)中所述的基准数据的大气校正和步骤(4)中所述的非基准数据的大气校正的方法为：

从地表至大气顶0-100km，将大气分为36层，每一层大气的条件包括温度、压力、各种大气分子浓度等物理、化学参数。大气校正方法采用8流辐射传输模型。大气廓线参数，从0-36层大气参数的变化曲线，由标准大气模式定义。

大气校正完成后，利用影像内的一些地物光谱，白板地、植被、水体判断标准大气模式中定义的大气水汽含量以及气溶胶光学厚度与真实大气参数是否接近，根据二者的差异重新设定标准大气模式中的大气水汽含量与气溶胶光学厚度，并重新利用8辐射传输模型对数据进行大气校正。

步骤(5)所述的计算基准反射率数据与非基准反射率数据重叠区光谱特征差，其方法为：

首先，分别计算基准反射率数据与非基准反射率数据重叠区波段8的吸收深度，波段7与波段9反射率之和与波段8反射率之比，以及波段4与波段3的比值；然后，计算基准反射率数据与非基准反射率数据重叠区差值。

步骤(6)所述的计算非基准数据大气水汽含量与大气能见度，其方法为：

根据波段8吸收深度与大气水汽含量的统计关系以及波段4与3的比值与大气能见度的统计关系，计算非基准数据的大气水汽含量与大气能见度。

步骤(7)所述的利用计算的大气水汽含量与大气能见度对非基准数据重新进行大气校正，得到非基准反射率数据，其方法为：

将步骤(6)计算的大气水汽含量与大气能见度数据输入标准大气模式，利用8流辐射传输模型对非基准数据重新进行大气校正，得到非基准反射率数据。

步骤(8)所述的将包括基准反射率数据与非基准反射率数据在内的多景反射率数据进行镶嵌处理，其方法为：

为了得到色调统一的镶嵌图，要首先进行各波段图像的灰度匹配。根据图像重叠部分具有相同的灰度平均值和方差的原则调整各图像的灰度值，这样可使镶嵌图无明显的拼接缝。

步骤(9)所述的利用光谱指数进行矿物识别与填图，得到矿物分布图，其方法为：

基于光谱指数的矿物识别与填图的基础是矿物识别光谱指数的建立。根据金属矿床常见蚀变矿物的光谱。建立了矿物识别的光谱指数表。实施利用光谱指数进行矿物识别与填图，得到矿物分布图。

本发明的优点是，在无需大气参数的情况下不仅可以完成ASTER数据的大气校正，还可以有效消除多景数据间因大气参数不同而导致的矿物填图结果的差异。

附图说明

图1为本发明的流程图；

图2为ASTER数据大气水汽含量对大气校正结果的影响图；

其中大气能见度为40km，反射光谱对应的：1.大气水汽含量1.4637g/cm²，2.大气水汽含量1.171g/cm²，3.大气水汽含量0.8182g/cm²，4.大气水汽含量0.5855g/cm²，5.大气水汽含量0.2927g/cm²；

图3为ASTER数据大气能见度对大气校正结果的影响图；

其中大气水汽含量为0.9514g/cm²，反射光谱对应的大气：6.能见度60km，7.能见度40km、8.能见度分别为20km；

图4为ASTER数据波段8吸收深度与大气水汽含量的关系图；

其中大气能见度为40km，拟合公式为y＝0.059x+0.9496，相关系数为0.9992；

图5为ASTER数据波段3、4比值与能见度的关系图；

其中气溶胶模式为乡村模式；

图6为金属矿床常见蚀变矿物的光谱图；

从上至下的矿物分别为明矾石、白(绢)云母、黄钾铁矾、高岭石、蒙脱石、白云石、绿帘石、绿泥石、方解石，其中虚线为光谱分辨率为10纳米的光谱，实线为重采样至ASTER数据波段后的光谱。

具体实施方式

为了更好的说明本发明涉及的多景ASTER遥感数据大气校正与区域性矿物填图方法，利用新疆东天山地区三景ASTER进行了矿物填图，实现流程如图1所示，具体步骤如下：

(1)高光谱数据的读入

读入新疆东天山地区三景ASTER，原数据大小为分别为2827(行)×2513(列)×9(波段)(第一景)、2797(行)×2475(列)×9(波段)(第二景)、2826(行)×2512(列)×9(波段)(第三景)。

(2)基准数据的选定

将第一景选定为基准数据。

(3)基准数据的大气校正

从地表至大气顶0-100km，将大气分为36层，每一层大气的条件包括温度、压力、各种大气分子浓度等物理、化学参数。大气校正方法采用8流辐射传输模型。大气廓线参数，从0-36层大气参数的变化曲线，由标准大气模式定义。

大气校正完成后，利用影像内的一些地物光谱，白板地、植被、水体，判断标准大气模式中定义的大气水汽含量以及大气能见度与真实大气参数是否接近，根据二者的差异重新设定标准大气模式中的大气水汽含量与大气能见度，并重新利用辐射传输模型对数据进行大气校正。

分析不同的大气参数对地表反射率反演的影响规律，是判断标准大气模式中定义的大气水汽含量以及大气能见度与真实大气参数是否接近并重新设定标准大气模式中的大气水汽含量与大气能见度的关键。大气水汽含量主要对ASTER数据3、5、6、8、9波段反射率造成影响，其中8、9波段尤甚(附图2)。附图2为试验区，新疆东天山地区内一块均匀白板地在不同大气水汽含量时的反射率反演结果，随大气校正时输入的大气水汽含量的减小，波段3、5、6、8、9反射率呈不同程度的降低。由地面实测光谱可知，白板地光谱在波段8处无明显的吸收特征，与附图2中大气水汽含量为0.8182g/cm²(每平方厘米面积上的大气水汽压力)时的反射率接近，由此可以认为该景ASTER数据获取时的大气水汽含量为0.8182g/cm²。大气校正时大气水汽含量值便可输入0.8182g/cm²。大气能见度主要影响ASTER第3、4波段的反射率(附图3)，波段3、4的反射率变化不会影响后续的矿物识别与填图，只要最大程度的消除多景数据之间的反射率差异即可。对于晴朗无云雾的基准数据，大气能见度一般设为40-60km。确定了基准数据获取时的大气水汽含量与大气能见度后，即可利用8流辐射传输模型实现大气校正。

大气水汽分子浓度值输入为0.8182g/cm²；，大气能见度值输入为40km。

(4)非基准数据的大气校正

从地表至大气顶0-100km，将大气分为36层，每一层大气的条件包括温度、压力、各种大气分子浓度等物理、化学参数。大气校正方法采用8流辐射传输模型。大气廓线参数，从0到36层大气参数的变化曲线，由标准大气模式定义。

(5)计算基准数据与非基准数据重叠区光谱特征差

首先，分别计算基准反射率数据与非基准反射率数据重叠区波段8的吸收深度，波段7与波段9反射率之和与波段8反射率之比，以及波段4与波段3的比值；然后，计算基准反射率数据与非基准反射率数据重叠区差值。

第二景、第三景与第一景重叠区波段8吸收深度之差分别为0.01、0.03，第二景、第三景与第一景重叠区波段4与波段3比值之差分别为0.8565、0.8976。

(6)计算非基准数据大气水汽含量与大气能见度

根据波段8吸收深度与大气水汽含量的关系(附图4)以及波段4与3的比值与大气能见度的统计关系(附图5)，计算非基准数据的大气水汽含量与大气能见度。

第二景、第三景数据的大气水汽含量分别为1.0g/cm²、1.38g/cm²。第二景、第三景数据的大气能见度分别为43km、57km。

(7)利用计算的大气水汽含量与大气能见度对非基准数据重新进行大气校正，得到非基准反射率数据，其方法为：

将步骤(6)计算的大气水汽含量与大气能见度数据输入标准大气模式，利用8流辐射传输模型对非基准数据重新进行大气校正，得到非基准反射率数据。

(8)将包括基准反射率数据与非基准反射率数据在内的多景反射率数据进行镶嵌处理，其方法为：

为了得到色调统一的镶嵌图，要首先进行各波段图像的灰度匹配。根据图像重叠部分具有相同的灰度平均值和方差的原则调整各图像的灰度值，这样可使镶嵌图无明显的拼接缝。

(9)利用光谱指数进行矿物识别与填图，得到矿物分布图，其方法为：

基于光谱指数的矿物识别与填图的基础是矿物识别光谱指数的建立。根据金属矿床常见蚀变矿物的光谱(附图6)，建立了以下这些矿物识别的光谱指数表。

常见矿物识别的光谱指数表

说明：表中数字均表示相应波段的反射率，如光谱指数2/1表示波段2与波段1反射率之比；U表示逻辑“与”。

铁氧化物指褐铁矿、赤铁矿等含铁氧化物，ASTER数据波段2、1与ETM+波段3、1位置接近，波段2与波段1反射率之比与利用ETM+波段3与波段1反射率之比提取铁氧化物的方法相同。硅酸盐铁指赋存于硅酸盐晶格中的铁，主要用于提取辉石、角闪石等暗色造岩矿物以及绿帘石、绿泥石等含铁较高的蚀变矿物，由附图6可知，绿泥石、绿帘石波段5与波段4反射率之比均大于1，而其它矿物则小于，因此将波段5与4的比值作为硅酸盐铁识别的光谱指数。黄钾铁矾的识别的光谱指数为，如果波段6、8反射率均大于7，即可用波段7相对于波段6、8的吸收深度((6+8)*0.5/7)来识别，吸收深度越大，黄钾铁矾含量越高。高岭石的识别主要根据波段5、6处的弱吸收特征，其识别的光谱指数为，如果(表1的If)波段5、7反射率均大于波段6反射率，同时波段5相对于波段4、6存在微弱的吸收，就可用波段6相对于波段5、7的吸收深度((5+7)*0.5/6)来提取高岭石，吸收深度越大，高岭石含量越高，波段5相对于波段4、6的微弱的吸收可用光谱指数(1.082192*4-0.082192*6)＞5来识别，(1.082192*4-0.082192*6)为利用波段4、6内插得到的波段5的反射率。白云母与蒙脱石在ASTER波段上光谱特征极为相似，难以区分识别，识别的光谱指数类似于高岭石，唯一的区别是波段5相对于波段4、6，不存在吸收特征，即(1.082192*4-0.082192*6)＜5，(1.082192*4-0.082192*6)的物理意义同高岭石。明矾石识别的光谱指数为，如果波段4、6反射率均大于5，即可用波段5相对于波段4、6的吸收深度((4+6)*0.5/5)来识别，吸收深度越大，明矾石含量越高。碳酸盐、绿泥石、绿帘石在ASTER波段上光谱特征极为相似，难以区分，其识别的光谱指数为，如果波段7、9反射率均大于8，即可用波段5相对于波段4、6的吸收深度((7+9)*0.5/8)来识别，吸收深度越大，其含量越高。

根据蚀变矿物的光谱特征，设定识别与填图的光谱指数，依据光谱指数完成矿物识别与填图。