中国科学论文引文数据库收录哪些期刊

中国科学引文数据库（CSCD）分为核心库和扩展库，其中，核心库期刊:669种(以号为标记); 扩展库期刊:378种。CSCD已被中国科学院院士主席团指定为中国科学院院士推选人查询库，被国家自然科学基金委员会列为国家杰出青年基金申请项目、基金资助项目后期绩效评估、国家重点实验室评估等指定查询库。

A

Acta Mathematica Scientia Applied Mathematicsseries B:A journal of Chinese universities

Acta Mathematica SinicaEnglish Series 癌变畸变突变 Acta Mathematicae Applicatae Sinica 癌症 Acta Mechanica Sinica 安徽大学学报自然科学版 Acta Pharmacologica Sinica 安徽农业大学学报自然科学版 Advances in Atmospheric Sciences 安徽农业科学 Algebra Colloquium 氨基酸和生物资源 B

Biomed Environl Sci 北京理工大学学报 半导体光电 北京林业大学学报

半导体技术 北京师范大学学报自然科学版 半导体学报 北京医学

爆破 北京邮电大学学报 爆破器材 北京中医药大学学报 爆炸与冲击 表面技术

北方交通大学学报 冰川冻土 北京大学学报医学版 兵工学报 北京大学学报自然科学版 兵器材料科学与工程 北京工业大学学报 病毒学报 北京航空航天大学学报 波谱学杂志 北京化工大学学报 玻璃钢/复合材料 北京科技大学学报

C

Cell Research 蚕业科学 Chem Res Chin Univ 草地学报 Chin Ann Math B 草业科学 Chin Geograph Sci 草业学报 Chin J Aeronaut 测绘科学 Chin J Astronomy Astrophysics 测绘学报 Chin J Cancer Res 测井技术 Chin J Chem Eng 测控技术

Chin J Lasers B 茶叶科学 Chin J Mech Eng 长安大学学报自然科学版 Chin J Nuclear Physics 长江科学院院报 Chin J Oceanol Limnol 长江流域资源与环境 Chin J Polym Sci 肠外与肠内营养 Chin Phys 沉积学报 Chin Phys Lett 沉积与特提斯地质 Commun Theor Phys 成都理工学院学报 材料保护 城市规划汇刊 材料导报 城市环境与城市生态 材料工程 传感技术学报 材料科学与工程 传感器技术 材料科学与工艺 纯粹数学与应用数学 材料热处理学报 磁性材料及器件

材料研究学报 催化学报 D 大地测量与地球动力学 地质找矿论丛 大地构造与成矿学 第二军医大学学报

大豆科学 第三军医大学学报 大连海事大学学报 第四纪研究 大连理工大学学报 第四军医大学学报 大连水产学院学报 第一军医大学学报 大气科学 电波科学学报 大庆石油学院学报 电池 d道学报 电镀与环保 d箭与制导学报 电镀与涂饰 导d与航天运载技术 电工电能新技术 低温工程 电工技术学报 低温物理学报 电化学 低温与超导 电机与控制学报 地层学杂志 电力电子技术 地理科学 电力系统及其自动化学报 地理科学进展 电力系统自动化 地理学报 电路与系统学报 地理学与国土研究 电气传动 地理研究 电网技术 地球化学 电源技术 地球科学 电子测量与仪器学报 地球科学进展 电子技术应用 地球物理学报 电子科技大学学报 地球物理学进展 电子器件 地球信息科学 电子显微学报 地球学报 电子学报 地学前缘 电子与信息学报 地震 电子元件与材料 地震地质 东北大学学报自然科学版 地震工程与工程振动 东北林业大学学报 地震学报 东北农业大学学报 地震研究 东北师范大学学报自然科学版 地质地球化学 东华大学学报自然科学版 地质科技情报 东南大学学报自然科学版 地质科学 动力工程 地质力学学报 动物分类学报 地质论评 动物学报 地质通报 动物学研究 地质学报 动物学杂志 地质与勘探 锻压技术

E Entomologia SinicaF 发光学报 分子植物育种 防灾减灾工程学报 粉末冶金技术 纺织学报 福建林学院学报 飞行力学 福建农林大学学报自然科学版 非金属矿 福建师范大学学报自然科学版 分析测试学报 福州大学学报自然科学版 分析化学 辐射防护 分析科学学报 辐射研究与辐射工艺学报 分析试验室 腐蚀科学与防护技术 分析仪器 复旦学报医学版 分子催化 复旦学报自然科学版 分子科学学报 复合材料学报 G 干旱地区农业研究 功能高分子学报 干旱区地理 古地理学报 干旱区研究 古脊椎动物学报 干旱区资源与环境 古生物学报 甘肃工业大学学报 固体电子学研究与进展 甘肃农业大学学报 固体火箭技术 感光科学与光化学 固体力学学报 钢铁 管理工程学报 钢铁研究学报 管理科学学报 高等学校化学学报 管理评论 高等学校计算数学学报 管理世界 高电压技术 灌溉排水 高分子材料科学与工程 光电工程 高分子通报 光电子激光 高分子学报 光电子技术 高技术通讯 光谱实验室 高能物理与核物理 光谱学与光谱分析 高校地质学报 光散射学报 高校化学工程学报 光通信技术 高校应用数学学报 光通信研究 高血压杂志 光学技术 高压物理学报 光学精密工程 高原气象 光学学报 给水排水 光子学报 工程勘察 广东微量元素科学 工程热物理学报 广西大学学报自然科学版 工程设计学报 广西农业生物科学 工程数学学报 广西植物 工程塑料应用 广州化学 工程图学学报 硅酸盐通报 工业工程 硅酸盐学报 工业工程与管理 贵金属 工业建筑 贵州农业科学 工业水处理 桂林工学院学报 工业微生物 国防科技大学学报 工业卫生与职业病 果树学报 功能材料 过程工程学报 功能材料与器件学报

遥感(RS)简介

遥感是以航空摄影技术为基础，在本世纪60年代初发展起来的一门新兴技术。开始为航空遥感，自1972年美国发射了第一颗陆地卫星后，标志着航天遥感时代的开始。经过几十年的发展，目前遥感技术已广泛应用于资源环境、水文、气象，地质地理等领域，成为一门实用的，先进的空间探测技术。

遥感是利用遥感器从空中来探测地面物体性质的，它根据不同物体对波谱产生不同响应的原理，识别地面上各类地物，具有遥远感知事物的意思。也就是利用地面上空的飞机、飞船、卫星等飞行物上的遥感器收集地面数据资料，并从中获取信息，经记录、传送、分析和判读来识别地物。

（一）遥感技术主要特点

1．可获取大范围数据资料。遥感用航摄飞机飞行高度为10km左右，陆地卫星的卫星轨道高度达910km左右，从而，可及时获取大范围的信息。例如，一张陆地卫星图像，其覆盖面积可达3万多km2。这种展示宏观景象的图像，对地球资源和环境分析极为重要。

2．获取信息的速度快，周期短。由于卫星围绕地球运转，从而能及时获取所经地区的各种自然现象的最新资料，以便更新原有资料，或根据新旧资料变化进行动态监测，这是人工实地测量和航空摄影测量无法比拟的。例如，陆地卫星4、5，每16天可覆盖地球一遍，NOAA气象卫星每天能收到两次图像。Meteosat每30分钟获得同一地区的图像。

3．获取信息受条件限制少。在地球上有很多地方，自然条件极为恶劣，人类难以到达，如沙漠、沼泽、高山峻岭等。采用不受地面条件限制的遥感技术，特别是航天遥感可方便及时地获取各种宝贵资料。

4．获取信息的手段多，信息量大。根据不同的任务，遥感技术可选用不同波段和遥感仪器来获取信息。例如可采用可见光探测物体，也可采用紫外线，红外线和微波探测物体。利用不同波段对物体不同的穿透性，还可获取地物内部信息。例如，地面深层、水的下层，冰层下的水体，沙漠下面的地物特性等，微波波段还可以全天候的工作。

遥感技术所获取信息量极大，其处理手段是人力难以胜任的。例如Landsat卫星的TM图像，一幅覆盖185km×185km地面面积，象元空间分辨率为30m，象元光谱分辨率为28位的图，其数据量约为6000×6000=36Mb。若将6个波段全部送入计算机，其数据量为：

36Mb×6=216Mb

为了提高对这样庞大数据的处理速度，遥感数字图像技术随之得以迅速发展。

目前，遥感技术已广泛应用于农业、林业、地质、海洋、气象、水文、军事、环保等领域。在未来的十年中，预计遥感技术将步入一个能快速，及时提供多种对地观测数据的新阶段。遥感图像的空间分辨率，光谱分辨率和时间分辨率都会有极大的提高。其应用领域随着空间技术发展，尤其是地理信息系统和全球定位系统技术的发展及相互渗透，将会越来越广泛。

遥感（Remote Sensing），从广义上说是泛指从远处探测、感知物体或事物的技术。即不直接接触物体本身，从远处通过仪器（传感器）探测和接收来自目标物体的信息（如电场、磁场、电磁波、地震波等信息），经过信息的传输及其处理分析，识别物体的属性及其分布等特征的技术。

通常遥感是指空对地的遥感，即从远离地面的不同工作平台上（如高塔、气球、飞机、火箭、人造地球卫星、宇宙飞船、航天飞机等）通过传感器，对地球表面的电磁波（辐射）信息进行探测，并经信息的传输、处理和判读分析，对地球的资源与环境进行探测和监测的综合性技术。

当前遥感形成了一个从地面到空中，乃至空间，从信息数据收集、处理到判读分析和应用，对全球进行探测和监测的多层次、多视角、多领域的观测体系，成为获取地球资源与环境信息的重要手段。

遥感在地理学中的应用，进一步推动和促进了地理学的研究和发展，使地理学进入到一个新的发展阶段。

遥感信息应用是遥感的最终目的。遥感应用则应根据专业目标的需要，选择适宜的遥感信息及其工作方法进行，以取得较好的社会效益和经济效益。

遥感技术系统是个完整的统一体。它是建筑在空间技术、电子技术、计算机技术以及生物学、地学等现代科学技术的基础上的，是完成遥感过程的有力技术保证。

（二）遥感的原理与实践

--以上海市第三轮航空遥感调查为例

在人类即将告别20世纪，并迈步跨入21世纪之际，上海市人民政府要求: 对20世纪末的上海城市发展状况，作一次全面的航空遥感调查，这是继1988年和1994年前两轮航空遥感调查之后的上海市第三轮航空遥感调查。本次航空遥感调查的目的是：运用现代信息技术手段，将20世纪末的上海城市发展状况，以数字化的形式真实、详细地记录下来，建立相应的遥感影像资料数据库，并对这些数据充分加以分析和利用，以便为未来的上海城市发展提供信息服务和决策参考。

一、遥感的基本原理

（一）基本概念

遥感一词来源于英语“Remote Sensing”，其直译为“遥远的感知”，时间长了人们将它简译为遥感。遥感是20世纪60年代发展起来的一门对地观测综合性技术。自20世纪80年代以来，遥感技术得到了长足的发展，遥感技术的应用也日趋广泛。随着遥感技术的不断进步和遥感技术应用的不断深入，未来的遥感技术将在我国国民经济建设中发挥越来越重要的作用。 关于遥感的科学含义通常有广义和狭义两种解释: 广义的解释: 一切与目标物不接触的远距离探测。 狭义的解释: 运用现代光学、电子学探测仪器，不与目标物相接触，从远距离把目标物的电磁波特性记录下来，通过分析、解译揭示出目标物本身的特征、性质及其变化规律。

（二）系统的组成

遥感是一门对地观测综合性技术，它的实现既需要一整套的技术装备，又需要多种学科的参与和配合，因此实施遥感是一项复杂的系统工程。根据遥感的定义，遥感系统主要由以下四大部分组成：

1、信息源 信息源是遥感需要对其进行探测的目标物。任何目标物都具有反射、吸收、透射及辐射电磁波的特性，当目标物与电磁波发生相互作用时会形成目标物的电磁波特性，这就为遥感探测提供了获取信息的依据。

2、信息获取 信息获取是指运用遥感技术装备接受、记录目标物电磁波特性的探测过程。信息获取所采用的遥感技术装备主要包括遥感平台和传感器。其中遥感平台是用来搭载传感器的运载工具，常用的有气球、飞机和人造卫星等; 传感器是用来探测目标物电磁波特性的仪器设备，常用的有照相机、扫描仪和成像雷达等。

3、信息处理 信息处理是指运用光学仪器和计算机设备对所获取的遥感信息进行校正、分析和解译处理的技术过程。信息处理的作用是通过对遥感信息的校正、分析和解译处理，掌握或清除遥感原始信息的误差，梳理、归纳出被探测目标物的影像特征，然后依据特征从遥感信息中识别并提取所需的有用信息。

4、信息应用 信息应用是指专业人员按不同的目的将遥感信息应用于各业务领域的使用过程。信息应用的基本方法是将遥感信息作为地理信息系统的数据源，供人们对其进行查询、统计和分析利用。遥感的应用领域十分广泛，最主要的应用有: 军事、地质矿产勘探、自然资源调查、地图测绘、环境监测以及城市建设和管理等。

（三）遥感原理

振动的传播称为波。电磁振动的传播是电磁波。电磁波的波段按波长由短至长可依次分为: γ-射线、X-射线、紫外线、可见光、红外线、微波和无线电波。电磁波的波长越短其穿透性越强。遥感探测所使用的电磁波波段是从紫外线、可见光、红外线到微波的光谱段。 太阳作为电磁辐射源，它所发出的光也是一种电磁波。太阳光从宇宙空间到达地球表面须穿过地球的大气层。太阳光在穿过大气层时，会受到大气层对太阳光的吸收和散射影响，因而使透过大气层的太阳光能量受到衰减。但是大气层对太阳光的吸收和散射影响随太阳光的波长而变化。通常把太阳光透过大气层时透过率较高的光谱段称为大气窗口。大气窗口的光谱段主要有: 紫外、可见光和近红外波段。 地面上的任何物体（即目标物），如大气、土地、水体、植被和人工构筑物等，在温度高于绝对零度（即0°k=-27316℃）的条件下，它们都具有反射、吸收、透射及辐射电磁波的特性。当太阳光从宇宙空间经大气层照射到地球表面时，地面上的物体就会对由太阳光所构成的电磁波产生反射和吸收。由于每一种物体的物理和化学特性以及入射光的波长不同，因此它们对入射光的反射率也不同。各种物体对入射光反射的规律叫做物体的反射光谱。遥感探测正是将 8幸瞧魉�邮艿降哪勘晡锏牡绱挪ㄐ畔⒂胛锾宓姆瓷涔馄紫啾冉希�佣�梢远缘孛娴奈锾褰�惺侗鸷头掷唷U饩褪且8兴�捎玫幕�驹�怼nbsp;

（四）遥感的分类

为了便于专业人员研究和应用遥感技术，人们从不同的角度对遥感作如下分类: 1、按搭载传感器的遥感平台分类 根据遥感探测所采用的遥感平台不同可以将遥感分类为: 地面遥感，即把传感器设置在地面平台上，如车载、船载、手提、固定或活动高架平台等；航空遥感，即把传感器设置在航空器上，如气球、航模、飞机及其它航空器等; 航天遥感，即把传感器设置在航天器上，如人造卫星、宇宙飞船、空间实验室等。 2、按遥感探测的工作方式分类 根据遥感探测的工作方式不同可以将遥感分类为: 主动式遥感，即由传感器主动地向被探测的目标物发射一定波长的电磁波，然后接受并记录从目标物反射回来的电磁波; 被动式遥感，即传感器不向被探测的目标物发射电磁波，而是直接接受并记录目标物反射太阳辐射或目标物自身发射的电磁波。 3、按遥感探测的工作波段分类 根据遥感探测的工作波段不同可以将遥感分类为: 紫外遥感，其探测波段在03～038um之间; 可见光，其探测波段在038～076um之间; 红外遥感，其探测波段在076～14um之间; 微波遥感，其探测波段在1mm～1m之间; 多光谱遥感，其探测波段在可见光与红外波段范围之内，但又将这一

（五）遥感技术的特点

遥感作为一门对地观测综合性技术，它的出现和发展既是人们认识和探索自然界的客观需要，更有其它技术手段与之无法比拟的特点。遥感技术的特点归结起来主要有以下三个方面: 1、探测范围广、采集数据快 遥感探测能在较短的时间内，从空中乃至宇宙空间对大范围地区进行对地观测，并从中获取有价值的遥感数据。这些数据拓展了人们的视觉空间，为宏观地掌握地面事物的现状情况创造了极为有利的条件，同时也为宏观地研究自然现象和规律提供了宝贵的第一手资料。这种先进的技术手段与传统的手工作业相比是不可替代的。 2、能动态反映地面事物的变化 遥感探测能周期性、重复地对同一地区进行对地观测，这有助于人们通过所获取的遥感数据，发现并动态地跟踪地球上许多事物的变化。同时，研究自然界的变化规律。尤其是在监视天气状况、自然灾害、环境污染甚至军事目标等方面，遥感的运用就显得格外重要。 3、获取的数据具有综合性 遥感探测所获取的是同一时段、覆盖大范围地区的遥感数据，这些数据综合地展现了地球上许多自然与人文现象，宏观地反映了地球上各种事物的形态与分布，真实地体现了地质、地貌、土壤、植被、水文、人工构筑物等地物的特征，全面地揭示了地理事物之间的关联性。并且这些数据在时间上具有相同的现势性。

（一）GIS支持下的遥感图像处理

GIS常常与遥感图像处理手段结合起来使用，更有效的增强与提取遥感信息。这主要表现在两个方面。

一方面是GIS作为重要的辅助手段用于遥感影像的目视解译，以提高解译精度。具体做法是将那些有助于图像解译的矢量专题图层（比如地质图、地形图、土地利用图及植被覆盖、水系发育等等）与待解译的影像叠加显示，前提是这些矢量图层必须先与影像进行过坐标配准，具有统一的坐标。这可以用于人机交互的影像解译，直接在屏幕上画出影像解译结果，还可用于在影像的监督分类前进行选取正确的训练样区以便提高分类精度。在这方面的应用中，同时还要注意这些专题图层与影像的时间差，比如植被覆盖与时相的相关性很大，另外如果时间相差较长，要充分考虑到一些客观条件上的变化，如土地利用类型、建筑物、道路等的变化。

GIS与遥感图像处理结合应用的另一方面表现在：在GIS技术支持下，地学及其他知识直接参与遥感图像的处理中，比如遥感图像的分类中可以将DEM、NDVI等知识直接作为遥感影像的新增波段，与其他波段一起进行分类，这样分类结果中就将反映出这些专题信息的分布。还比如专家系统的应用也是GIS与遥感技术结合应用的成果。

（二）GIS支持下的专题信息提取

1遥感专题信息提取方法研究的发展

遥感专题信息提取（thematic information extraction）是从遥感影像资料中获取某种特定地物特征的信息，其目的是区别图像中所含的专题目标。分类也是一种专题信息提取的方法，但专题信息提取和一般意义上的遥感图像分类有所不同，先定目标，然后有意识地专门面向对象进行识别，而分类是就图像中即有的像元给予类别的归属与划分。它的方法随着遥感技术的改进及遥感应用的深入也在不断地改进，经历了目视解译、自动分类、光谱特性的信息提取及光谱与空间特征的信息提取等多个阶段。

目视解译是最初的图像识别方式。现在的图像识别沿着两个方向发展，一是由计算机的出现带来的信息识别自动化，二是沿着遥感信息传输的本质而探寻信息识别的高精度。它们没有严格的界限，随着各自的发展而相互渗透。现有的计算机自动分类方法，都只是利用了图像数据，没有自动加入其他方面，如地学的知识，没有充分利用人脑在分析图像时所应用的知识，因此不会达到很高的精度。基于知识及专家系统的分类对分类的精度有所改善。同样，专题信息提取的最初是分析特定目标的光谱特征，形成规则，对图像进行 *** 作。计算机领域中人工智能的出现使基于知识或信息的专题信息提取成为可能。遥感成像是从多到少的映射，是个确定过程，影像解译是从少到多的映射，是个不确定过程。因此在遥感解译时，包含一个重要的地学处理过程，它包括两个方面，一是把遥感未带回的信息再补上去，即补充地学相关信息，二是根据影像信息进行地学分析，来推断出影像上未反映的信息，这都需要地学知识强有力的支持。如何把地学专家用于目视解译的知识定量化表达，让它来参与计算机处理，从根本上实现知识参与的自动提取，这是目前专题信息自动提取研究的焦点问题。

计算机自动分类前，先对训练区进行训练，实际上是一个统计的过程。这个统计过程只是就这幅图像而言。然后利用统计结果进行回归，建立一个基本适于该图像的类别确定模型。专题信息提取时，一般是先有一套遥感信息模型，而后根据具体图像的实际情况来不断地修改，实质是对模型参数的调整，最终使模型适用于该影像。遥感信息模型是在现有地面实验基础上提炼出来的地物的反演模型，而地物在卫星图像上的反映并非与地面实测数据一一对应，原因很多，使图像数据具有很大的随机性，这就又涉及到光谱辐射校正的问题。因此，需要把遥感信息理论和实际图幅影像有效地结合在一起来进行专题信息的提取。

2遥感地质专题信息提取

当今，遥感卫星“群星闪烁”，遥感数据空前丰富，然而，遥感信息被利用的比率却极低。其原因是我们缺少遥感专题信息提取的方法和模型。相对与土地利用/土地覆盖遥感信息提取来说，遥感地质信息提取的难度更大些。概括地说，遥感信息提取的方式主要有3种：目视判读提取、基于分类的信息提取和基于知识发现的遥感信息提取。遥感地质专题信息提取的方式也不外乎这三种。

（1）目视判读提取

早期从遥感影像中提取信息的主要方法是目视判读提取。由于目视判读能综合利用地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等影像特征知识，以及有关地物的专家知识，并结合其他非遥感数据资料进行综合分析和逻辑推理，从而能达到较高的专题信息提取的精度，尤其是在提取具有较强纹理结构特征的地物时更是如此，它是目前业务化生产的一门技术，与非遥感的传统方法相比，具有明显的优势。尽管该方法较费工费时，但由于遥感地质信息计算机自动提取的难度，仍将在遥感地质信息提取中长期存在。

（2）基于分类方法的遥感信息自动提取

在遥感信息自动提取方面，分类方法的研究历史最长久，其核心是对遥感图像的分割，其方法有无监督分类和有监督分类。就无监督分类而言，有 K-MEANS 法、动态聚类型法、模糊聚类法以及人工神经网络法；在有监督分类方面，有最小距离法、最大拟然法、模糊分类法以及人工神经网络法。最大拟然法需要各类型的先验知识及其概率，特别是需要假定各类型的分布属于正态分布，因而它是一种有参数的分类器，在具有先验性概率知识以及各类型满足正态分布的条件下，它具有较好的分类效果，该分类器具有分类速度快的优点。模糊分类是根据模糊数学所构建的一种分类器。它是建立在假设一个像元是由多个类型所组成的基础上，只是各类型的隶属度不同。在对分类器训练时，需要确定训练样本像元中各类型的隶属度，它不需要各类型的先验概率知识，也不要求各类型服从正态分布，它是一种无参数的分类器。但是对训练像元中各类型隶属度的确定比较困难。该方法适用于亚像元信息的提取。人工神经网络分类器是利用人工神经网络技术所构造的分类器，人工神经网络是近几年得到迅速发展的一门非线性科学，它是模拟生物神经网络的人工智能技术，已广泛地用于趋势分析和模式识别以及遥感图像的分类等方面。人工神经网络器不需要各类型的先验性概率知识，也不要求各类型一定要服从正态分布，它是一种无参数的分类器。尽管利用分类器进行分类时所需要的时间很短，但是在对分类器进行训练时，所需要的时间却很长。

就无监督分类而言，其所分的结果，需要专家进行判读和类别的归并，并最终确定其所属的类型。就有监督分类而言，需要选取大量的训练样区，而训练样区的选取不仅费工、费时，训练样区选择的好坏还直接影响分类的效果；同时，分类是对整个图像进行分割，它所要求的是总体的精度最高，这样就不可能完全保证我们所需专题信息的精度一定最高。分类是建立在数理统计基础之上，而没有建立在对遥感信息机理分析的基础上，也没有建立在知识挖掘的基础上，这样就使得它难以实现遥感图像专题信息提取的全自动化。同时，基于光谱特征的分类难以解决异物同谱的问题。在分类中所获取到的知识通常既不可传递，也难以解释。这也是我们对所分结果知其然，而不知其所以然的原因。我们对在任何时候，任何地点的图像，都必须重复选取训练样区的工作。这样，显然就大大限制了遥感信息提取的自动化。为此，基于知识发现的遥感专题信息提取将成为另一个最有前途的方向。

3基于知识发现的遥感专题信息提取

基于知识发现的遥感专题信息提取是遥感专题信息提取的发展趋势之所在。其基本内容包括知识的发现、应用知识建立提取模型，利用遥感数据和模型提取遥感专题信息。在知识发现方面包括从单期遥感图像上发现有关地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识。其中，空间结构与形态知识包括地物的空间纹理知识、形状知识以及地物边缘形状特征知识；从多期遥感图像中，除了可以发现以上知识外，还可以进一步发现地物的动态变化过程知识；从GIS数据库中可以发现各种相关知识。在利用知识建立模型方面，主要是利用所发现的某种知识、某些知识或所有知识建立相应的遥感专题信息提取模型，如图3-8所示。在利用遥感数据和模型提取遥感专题信息时，应从简单到复杂，从单知识、单模型的应用到多知识、多模型的集成应用。从单数据的使用到多数据的综合使用。

4基于光谱知识的遥感专题信息提取

地物的光谱知识是遥感专题信息提取中最重要的知识。对地物光谱特征的研究，长期以来都得到各国的高度重视。我国对地物光谱开展了深入的研究，并出版了《中国典型地物波谱及其特征分析》《遥感反射光谱测试与应用研究》等书。周成虎、杜云艳根据对水体光谱特征的分析，建立了有效的NOAA AVHRR水体提取模型。陈铭臻根据对水稻和背景的光谱特征分析，建立了水稻种植面积的提取模型（TM4/TM1，TM4/TM3，TM4/TM2）。Helmut Mayer Carsten Steger通过对道路光谱知识的分析，探讨了从遥感图像上提取道路的方法，Jinfei Wang，Paul MTreitz和Philip JHowarth探讨了利用梯度方向剖面分析法从SPOT PAN图像中提取新修道路，并将其用于更新城区GIS数据库中的道路网。VLacroix，MAcheroy利用了约束梯度法提取了房屋拐角。

RMHaralick，SWang，GShapiro，JBCampbell，探讨了利用一致性标记技术提取河网及其流向。Moller-Jenson提出利用NOAA AVHRR的 CH4＜45，CH5＜35 建立水体提取模型。Jupp等曾提出利用 TM7波段，通过阈值法可以将水体提取出来。

图3-8 基于知识发现的遥感专题信息提取模型

发现光谱知识的方法有典型采样法、光谱曲线法和光谱剖面线法。下面还以新疆瓦石峡地区的美国陆地卫星遥感影像为例，影像大小为512×512 像元，主要典型地物有裸露岩石、雪、阴影等。为了利用这些地物的光谱知识，首先对这几种典型地物进行了光谱采样，光谱采样结果见图3-9。从中可以发现这几种地物具有明显的光谱差。

我们通过对比可以发现，岩石裸露区、冰雪覆盖区及山体阴影的光谱特征明显不同：

（1）总体上看，岩石裸露区的反射率较高，阴影的反射率较低，雪盖区位于中间岩石裸露区在TM1、TM2、TM3、TM4波段上比雪盖区稍高或相近，但在TM5、TM7波段上远高于雪盖区。

（2）雪盖区在 TM1、TM2、TM3、TM4 波段上较阴影为高，在 TM5、TM7 波段上与阴影相近或稍高。

图3-9 瓦石峡地区典型地物光谱采样曲线

（3）岩石裸露区在TM1～TM7波段上都远高于阴影区。

（4）从谱间关系上看，阴影区的反射率从TM1到TM7有逐渐降低的趋势，即TM1＞TM2＞TM3＞TM4＞TM5＞TM6＞TM7。从谱间关系上看，岩石裸露区在TM4上是峰值，即TM3＜TM4，TM4＞TM5；雪盖区的谱间关系也很明显，即由TM4到TM5有一个明显的下降趋势。

通过以上波谱分析，分别对裸露岩石、雪、阴影建立基于光谱知识的提取模型：

雪：

1∶25万遥感地质填图方法和技术

阴影：

1∶25万遥感地质填图方法和技术

岩石：

1∶25万遥感地质填图方法和技术

按照上述模型可提取出雪、阴影和裸露岩石。

基于光谱知识的专题信息提取，需要地物与背景之间在光谱上是可分的，与背景之间存在着较少的同谱现象，并且地物内部的光谱最好要一致。当地物内部光谱不一致时，可以借助于地物内部的特征成分光谱进行提取。当地物内部成分的光谱与背景之间存在着较多同谱现象时，得借助于地物的其他知识进行提取。

5基于地物纹理知识的专题信息提取

当地物组成复杂，且大于传感器的空间分辨率时，就可能遥感到地物的结构和组成。其影像就存在着明显的纹理特征。当存在着有别于背景地物的纹理结构特征时，当只靠基于光谱特征知识的提取难以完全解决专题信息的提取问题时，就必须将地物的光谱知识与纹理知识一起用来提取专题信息。纹理是指灰度值在空间上的变化，它是由一些纹理基元按照不同的空间配置形式所构成的一种图案。纹理基元的空间配置可以是随机的、确定的、概率的和函数的。纹理可分为结构性纹理和非结构性纹理，非结构性纹理又叫随机纹理。在目视判读中，纹理一般用粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等术语来描述和表达。在通过纹理识别地物时，需要将某专题的纹理特征与周围地物的纹理特征进行比较分析。在ERDAS IMAGINE中主要有4种纹理识别的算法：平均欧氏距法（一阶）、方差法（二阶）、斜度（三阶）和峰度（四阶）。它们的计算方法如下：

（1）平均欧氏距法（一阶）

1∶25万遥感地质填图方法和技术

式中：xijλ——多波段图像λ波段（i，j）像元的数字值；

xcλ——活动窗口中心像元的λ波段数字值；

n——窗口中的像元数。

（2）方差法（二阶）

1∶25万遥感地质填图方法和技术

式中：xij——像元（i，j）的数字值；

n——活动窗口的像元数；

M——活动窗口的平均值。

（3）斜度（三阶）

1∶25万遥感地质填图方法和技术

式中：xij——像元（i，j）的数字值；

n——活动窗口的像元数；

M——活动窗口的平均值；

V——方差。

（4）峰度（四阶）

1∶25万遥感地质填图方法和技术

式中：xij——像元（i，j）的数字值；

n——活动窗口的像元数；

M——活动窗口的平均值；

V——方差。

另外，常见的纹理探测方法还有共生矩阵法。

本项目主要利用ERDAS IMAGEINE软件二阶方差法来计算影像的纹理特征。计算时采用的移动窗口，为5×5。从新疆瓦石峡地区TM影像的纹理图中可以发现，岩石裸露区纹理指数（二阶方差）较高，图像中显得较亮，而非岩石裸露区纹理指数较低，图像较暗。采用合适的阈值，提取岩石裸露区，可以发现结果大体符合实际情况。

6基于地物形状知识的专题信息提取

有时，地物与背景之间，不仅在光谱特征上相同或相近，而且在纹理特征上也比较相似。在这种情况下，就得依据地物的形状知识进行深一步的提取。对于地质岩性来说，不同的岩性常常具有不同的空间特征：

（1）侵入岩

侵入岩一般具有比较规则的平面几何形态，如：圆、椭圆、透镜状、脉状等，多数缺少层理影像特征。出露规模较大的侵入岩在图像上常具有环状、放射状等类型的水系、节理或岩脉群。

（2）沉积岩

平面形态为条状或带状，具有明显的层理影像特征。一组有序分布的沉积岩常构成颜色各异的层状影像特征。

（3）变质岩

变质岩的影像特征一般与原岩组分及变质过程新物质的加入和结构的变化有关。如果它是正变质岩，影像特征类似岩浆岩；如果它是负变质岩，其影像特征则与沉积岩的影像特征相类似。

发现地物的形态知识的方法有基于周长和面积的方法、基于面积的方法以及基于面积和区域长度的方法。

基于周长和面积的方法

形状指数

1∶25万遥感地质填图方法和技术

对于圆形而言，k大于025，对于正方形而言，k等于025，对于长方形而言，k小于025。线形地物如道路、机场和河流，其k值很小。对于非规则物体而言，其形状越复杂，其k越小。

圆度：

1∶25万遥感地质填图方法和技术

紧凑度：

1∶25万遥感地质填图方法和技术

瘦度率：

1∶25万遥感地质填图方法和技术

基于面积的测度

紧凑度指数：

1∶25万遥感地质填图方法和技术

1∶25万遥感地质填图方法和技术

基于面积和区域长度

形状率

1∶25万遥感地质填图方法和技术

椭圆指数

1∶25万遥感地质填图方法和技术

以上所有式中：

A——物体的面积；

AC——最小外切圆面积；

P——地物周长；

L——长轴长度。

形状知识，可用于地物的定位或定性提取。在用于定位定性提取时，首先，增强地物之间的边界，提取出边界；然后，进行形状指数的测定，从而达到定性定位提取。在用于定性提取时，主要是对所提取的专题信息再进一步肯定其属性。

（三）GIS支持下的多源信息综合分析

在遥感地质专题信息提取中，除了利用遥感数据外，一般还要利用大量的相关数据，如地质图件，物、化探数据等等。在对这些数据的利用方面，有两个步骤：第一步，需要挖掘知识；第二步，将这些知识用来将图形数据与遥感影像联系起来，以支持专题信息的提取。这些知识是一些正相关知识和反相关知识。对这两种知识而言都还可以进一步分为确定性知识和概率性知识。

21世纪卫星遥感将以多光谱、多时相、多分辨率、多传感器以及全天候为地学研究提供对地观测数据，促进遥感应用更广泛、更深入。然而，纵观过去的二三十年，地学思维引导着遥感技术的发展方向；而同时遥感应用的水平却滞后于空间遥感技术的发展。突出表现在：卫星发回的遥感数据未能得到充分利用，而信息提取水平的滞后使遥感数据中隐藏着的丰富知识远远没有得到充分的发掘与利用，造成了遥感信息资源的巨大浪费及其应用价值的降低。因此，信息提取的能力与效率将成为未来遥感应用面临的突出问题之一。

出现于20世纪80年代末并在近年来得到迅速发展的数据开采（Data Mining——DM）与知识发现（Knowledge Discovery from Database——KDD）的技术理论是人工智能、机器学习与数据库技术相结合的产物。它区别于简单地从数据库管理系统检索和查询信息，而强调“从数据库中发现隐含的、先前不知道的潜在有用的信息”、“从数据中鉴别出高效模式的非平凡过程。该模式是新的、可能有用的和最终可理解的”，其目的是把大量的原始数据转换成有价值的知识。而这正是目前以及未来卫星遥感信息处理的瓶颈问题。借鉴数据开采与知识发现的理论和技术将有助于解决遥感数据急剧增长与人们对数据处理和理解困难之间的矛盾。

1空间数据挖掘与知识发现

KDD和DM技术的产生与发展是基于这样一个事实：一方面，数据和数据库急剧膨胀；另一方面，现今数据库的应用仍然停留在查询、检索阶段，数据库中隐藏着的丰富知识远远没有得到充分的发掘和利用。数据库的海量增加与人们对数据库处理和理解困难之间形成了强烈的反差。KDD这个术语首先出现在1989年8月在美国底特律召开的第11届国际人工智能联合会议的专题讨论会上，1991年、1993年和1994年又接着继续举行KDD专题讨论会。随着参加会议人数的增多，从1995年开始，每年都要举办一次KDD国际会议。除了理论研究外，也出现了相当数量的KDD产品和应用系统，并在实际应用中获得了一定的成功。

按照 Fayyad等的定义，KDD 是“从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程”。KDD 的一般过程（图 3-10）包括数据准备（data preparation）、数据挖掘（data mining），以及结果的解释评估（interpretation and evaluation）。

图3-10 KDD过程示意图

数据准备包括数据选取（data selection）、数据预处理（data preprocessing）和数据变换（data transformation）。数据选取的目的是确定发现任务的 *** 作对象，即目标数据（target data），它是根据用户的需要从原始数据库中抽取的一组数据。数据预处理的目的是去除噪声等。当数据挖掘的对象是数据仓库时，一般来说，数据选取和数据预处理已在生成数据仓库时完成。数据变换的主要目的是消减数据维数或降维（dimension reduction），即从初始特征中找出真正有用的特征以减少数据挖掘时要考虑的特征或变量个数。

数据挖掘阶段首先要确定挖掘的任务或目的是什么，考虑决定使用什么样的挖掘算法。同样的任务可以用不同的算法来实现，选择实现算法有两个考虑因素：一是不同的数据有不同的特点，因此需要用与之相关的算法来挖掘；二是用户或实际运行系统的要求，如准确性与可理解性之间的偏好等。

2数据挖掘与知识发现的主要类型和方法

一般统计数据库的数据挖掘出现得最早，也最为成熟。一般而言，数据挖掘和知识发现可分为如下几种类型（Fayyad，1997）：

（1）分类：将数据项映射到一个或若干已定义的类的学习函数。

（2）回归：将数据项映射到实值预报变量的学习函数。

（3）聚类：寻找有限的类别来描述数据集的方法。

（4）概括（或称泛化）：寻找描述各数据子集共性的方法。

（5）依赖模式：寻找描述变量间显著依赖关系的模式。

（6）变化和偏离检测：从与以前数据对比中发现显著变化。

目前在数据挖掘和知识发现的研究中出现了大量的新方法及各种方法的结合，其中比较著名的方法有如下几种：

（1）基于决策树（decision tree）分类的ID3和C45方法。

（2）用于概括的AQ15和CN2方法。

（3）解决不精确、不确定知识的粗糙集（Rough Set）方法。

（4）大量人工神经网络方法，如经典的反向传播［BP］算法，自组织映射（SOM）和自适应谐振理论（ART）等。

（5）贝叶斯概率网络学习方法。

（6）用于产生关联规则的Apriori的方法。

作为目前国外的热门研究课题之一，数据开采和知识发现既是人工智能学者的研究热点，也是数据库专家的探索对象，其工作涵盖了医学、机器学习、人工智能、数学、市场营销等诸多领域。获得了许多有用的知识。迄今为止，国内从事这方面研究的单位还不多，把KDD和DM技术应用于卫星遥感的信息处理，更是一项崭新的课题。

3遥感影像中的数据挖掘与知识发现

卫星遥感数据库作为数据库的一种，对于赋存其中的信息的处理与识别，自然可以借鉴一般意义上的DM和KDD技术；而作为一类特殊的数据库——图像数据库，有着区别于一般关系数据库和事务数据库的信息内容，隐含着丰富的时间、光谱和空间信息。因而，就这类库中的知识发现而言，数据开采也应具有特殊的过程和方法。

根据上述DM和 KDD 的技术流程示意图（图 3-11）并考虑到卫星遥感数据特殊性，中科院的何国金等人提出了针对地质应用的卫星遥感数据开采和知识发现的理论与技术框架。在此框架中，数据开采占了极为重要的地位。它包括遥感数据的时相选择、应用预处理、特征分析、信息识别与知识解释。现实生活中，许多遥感应用者忽略了该过程的特殊作用，直接把原始遥感图像的解释结果作为应用的基础（虽然在解译过程中也加入了人的知识），因而获得的知识往往是肤浅的、表面化的、不精确的。遥感数据开采过程只有充分考虑原始数据的波谱、空间和时间特征，才能更好地实现针对遥感应用的有价值的、较精确的、较高水平的知识发现。

图3-11 卫星数据遥感挖掘和知识发现

一方面，高光谱分辨率的成像光谱遥感技术是对多光谱遥感技术的继承、发展和创新，因此，绝大部分多光谱遥感数据处理分析方法，仍然可用于高光谱数据；另一方面，成像光谱技术具有与多光谱技术不一样的技术特点，即高光谱分辨率、超多波段（波段＜1000，通常为100～200个左右）和甚高光谱（Ultra Spectral）分辨率（波段＞1000，主要用于探测大气化学成分）的海量数据。因此，常规多光谱数据处理方法不适合于成像光谱数据的定量分析，于是成像光谱数据处理和分析技术应运而生。在成像光谱数据处理和分析方法中，关键性的技术问题是地物光谱重建，光谱特征的量化及提取，混合像元的分解和定量分析及模型识别。

2321 光谱重建技术

按照不同的模型及算法，从成像光谱数据中把地物的光谱特性反演出来的过程就是地物光谱重建技术。根据不同的工作情况及条件，采取不同反演模型来重建地物光谱，是实现成像光谱数据遥感定量化分析的第一步。若对其不进行反演，则没有一个统一物理量进行对比。目前，光谱反演模型大体可分为三大类型：基于大气传输理论的大气传输模型，基于统计分析的统计模型以及基于地面地物同步观测的经验回归模型。

23211 基于大气传输理论的模型

该模型实质上就是用理论模型消除大气中气体分子、水蒸气、气溶胶及尘埃等分子颗粒对地反射辐射能量吸收与散射以及大气程辐射效应，并将其还原成地物的反射辐射光谱。这是一种比较复杂的同时必须进行地物光谱及大气参量测量的绝对反射率生成方法，也就是对成像光谱数据进行绝对辐射标定的再反演。在这一反演过程中，关键是建立大气传输的模型。自1960年，Chndrasekhar提出了辐射传输理论以来，相继发展了许多方法，如Ordinate方法和Variational方法等来解决辐射传输问题。目前，常见的大气传输模型有5 S（the Simulation of the Satellite Signal in the Solar Spectrum）、6S（the Second Simulation of the Satellite Signal in the Solar Spectrum）、LOWTRAN 7及MODTRAN（Teillet，PM，1989；Vermote，E，Tanṙen，D，Deuże，JLet al，1994，1996；Bo⁃Cai Gao，KBHeidebrecht and AFHGoetz，1997；ZQIN，AKarnieli and PBerliner，2001）。其中，6S模型是由法国Tanré等人研究开发的，是目前世界上发展比较完善的大气辐射校正模型算法之一。该算法既能合理地处理大气散射、吸收，又能产生连续光谱，避免在光谱反演中较大的定量误差。它还充分利用了分析表达式和预选大气模式，使计算时间大大缩短。许多遥感专家使用此模式进行地物光谱反演后认为，该模型较其他模型计算精度高。不足之处是必须开展试验区典型地物光谱反射率观测以及大气环境参量实测，如：大气光学厚度、温度、气压、水蒸气含量、大气分布状况等。相对来说，尽管LOWT⁃RAN 7和MODTRAN模型计算精度低一些，但它不需要地面实测典型地物的反射率。这些模型一般用于对传感器选定标定场，开展数据绝对辐射标定。

23212 基于统计分析的模型

该模型的建立是在分析不同地物光谱遥感信息在不同光谱波段的传输特点基础上，利用计算机对典型地物的光谱特性进行统计分析后，得到的地物光谱特性反演模型。对成像光谱数据进行地物光谱反演常用模型有平滑域反射率模型 FFR（Flat Field Reflectance）（Goetz and Srivastava，1985；Conel，1985；Crowley at al，1988；Rast et al，1991），内在平均相对反射率模型IARR（Internal Average Relative Reflectance）（Kruse et al，1985；Kruse，1988；Mackin and Munday，1988；Zamoudio and Atkinson 1990），对数剩余模型LRC（Logarithm Residual Correction）（Green，ROetal，1985；Gower，JFRetal，1992）。在这3种模型中，FFR模型是在图像上选取光谱和地貌特征都均匀平滑（平滑性是指地物无光谱吸收谱带，光谱曲线平直）的地物平均值，来消除大气辐射衰减和仪器的零响应；White模型是根据整幅图像的平均光谱曲线平均值对图像归一化处理，然后计算每个像元光谱曲线与平均光谱曲线的比值，也就是地物光谱特性；LRC模型是经Lyon和Lanze修正后，对太阳辐射衰减、大气效应及地形影响都有所消除。Green和Graige提出的对数剩余纠正公式如下：

lg（Rij）=lg（DNij）-lg（aveDNi）+lg（DNi）+lg（DNg）（2-3-1）

这里Rij是第i波段、第j个像元的剩余值；DNij是第i波段、第j个像元的亮度值；DNi是第i波段所有像元数据的平均值；DNj是第j像元在所有波段上数据的均值；DNg是所有波段及所有像元的均值。该方法完全基于图像本身特征，不需要野外地物光谱测量。在前两种模型中，FFR模型优于IARR模型，它克服了IARR模型因受像福强吸收特征的影响而出现的假反射峰的弱点，而且计算量较小。

23213 经验线性回归模型

利用该方法重建地物光谱技术实质就是通过开展典型地物的同步反射率观测，根据成像光谱数据DN值与地面实测地物反射率值，经最小二乘法求出回归方程Rij=Aj·DNij+Bj（这里Aj，Bj是传感器第j波段的线性回归系数），然后，根据此方程反演地物的反射光谱。这种模型的数学和物理意义明确，方法简便，运算量少，应用广泛（Roberts et al，1985；Conel et al，1988；Elvidge，1988；Green et al，1988；Kruse et al，1990；Zamoudio and Atkinson 1990）。例如：美国JPL的Abrams利用该模型在美国Nevada州的Cuprite矿区进行矿物学填图；美国科罗拉多大学的Zamudio等人，利用该模型在美国 Nevada 州东部进行矿物识别和岩相分析；日本Pasco公司的Mochizuki，利用该模型在美国Navada州进行蚀变矿物的反射光谱研究等。该模型的不足之处是要开展野外地物光谱观测，成本比较高，回归精度的高低依赖于对野外概实测的精度。

除上述这些典型光谱重建模型之外，还有 UA RT Code，JPL Code，连续内插波段比算法（CIBR），背景法等模型（De Jong，1998）。

2322 岩矿光谱特征的量化、提取，定量分析及识别模型

成像光谱数据经过光谱重建模型处理后，获得了地物的光谱特征谱线。不同地物光谱具有不同的诊断特征谱带，如吸收谱带，特征谱线的微积分变化，波形变化等等。如何有效地开展地物特征定量分析和识别地物，首先要弄清楚如何去量化及提取地物的光谱特征。因此，开展基于地物特征谱的量化提取是十分必要的。

23221 地物光谱特征度量、提取与匹配识别模型

（1）就地物光谱特征（这里指地物反射辐射光谱）而言，不外乎两大类型：吸收谱带（或反射谷）和光谱曲线的斜率变化（含波形变化）。针对这两类光谱特征的形态、结构，分别采取不同的度量方式。目前，对吸收谱带的分析度量方法是外壳系数法，它通过把光谱曲线归一化后去测量吸收谱带的波长位置（position）、吸收深度（depth）、吸收宽度（FWHM）和对称性（sym⁃metry）（Lyon et al，1985；FAKruse，ABLefkoff，1993）。这种外壳系数法可以由外壳凸形曲线与光谱之比来表示，也可以由外壳值去减相应波长上的光谱反射率值来求得。由于吸收峰的非对称性，采用RBD方法难以准确描述其特征。连续插值小组段算法（CIBR，Continuun interpolated band algorithm）（De Jong，1998）和光谱吸收指数图像（SAI，spectral absorption index image）（王晋年等，1996）与相对吸收深度图方法类似，但引入了对称度因子，使其对吸收特征的描述更为合理。除了这些测量参数外，对植被光谱有多种度量参量，如植被、绿度指数等等。对于光谱曲线斜率变化的特征，表征和提取的方法有基于地物光谱的总体波形特征度量，如傅里叶变换的波形分析方法是利用有限级次的谐波振幅和初位相度量地物波谱特征；基于切比雪夫多项函数的波形分析是利用多项式函数对地物光谱曲线进行拟合，提取有限项的系数来表示或组合特征，或用其比值来表示地物光谱波形特征的参量；基于波形相似性（总体或分段）分析的光谱角度量；还有光谱曲线特征的微分度量、积分度量及二值度量等等。当然，对吸收谱带及斜率特征度量还可以用统计特征量去表征度量，如均值、方差、协方差矩阵、特征值、特征向量、特征因子及组内离差等。

（2）光谱匹配识别模型不同于多光谱的模式识别，它是根据光谱特征度量参数来进行匹配识别的，是成像光谱数据处理分析的特色之一。这种特色模型在处理过程中往往是采用可视化的交互式的图像与光谱、光谱与标准光谱形式进行的。目前，光谱匹配识别模型有：编码匹配识别法（均值编码匹配法，坡向编码匹配法，比值编码匹配法L吸收峰编码匹配法、波形匹配法和光谱角匹配法等等。在这些匹配识别模型中，编码匹配基本上都是按二值（0和1）进行编码、匹配与识别的；吸收特征编码匹配是根据外壳系数法归一化后，对每个特征的吸收深度与波长位置进行编码；波形匹配包括相似度、傅里叶变换参量，切比雪夫等方法。近几年发展起来的小波变换分析在成像光谱数据分析处理中应用相当多，尤其是对原始信号按不同小波尺度，分解成不同的小波进行波形分析，突出低频弱信息，有利于信息增强，比如用小波变换进行图形图像插值、融合及混合像元分解等。

23222 成像光谱数据的定量分析及识别模型

定量化分析及识别模型化是当今遥感技术的发展方向之一，应用于成像光谱数据处理。定量化分析与识别模型，除了不断完善和改进已有基于统计分析的定量化及识别模型（如：改进的主成分分析、最佳波段组合、改模型最大似然法、基于决策边界特征矩阵的变换和正交子空间投影），其他学科的新思想、新方法也在不断地引人遥感数据分析和理解之中，如人工智能的专家系统，模糊逻辑映射，证据推理、神经网络、分形和分维等。

人工智能专家系统技术是目前比较流行的信息处理技术，尤其对比较复杂问题的解决有独到之处，Gotting和Lyon在1986年就已建立的光谱信息专家识别系统用于分析实验室和野外光谱，它是结合已有的地物光谱特征知识，由专家确定判别规则决策树（Decision Tree）以达到识别地物或地物类别目的。决策树这一基于知识的判别准则层次是建立专家系统成败的关键。通过这个系统进行编码匹配，他们成功地从大量的实验室光谱中识别出11种矿物。1993年，美国地球空间研究中心（CSES）和美国环境科学研究所的FAKruse和ABLefkoff研制了基于知识的成像光谱地质制图专家系统。选定各种特征在识别过程中的作用并赋予相应的权值，或根据专家对判别知识和经验建立判别准则进行识别。

目前，神经网络模型在遥感地物分析和识别方面备受青睐，有着广泛的应用（Golen Giser，1996；Giles，MFet al，1995；郭小方，1998；王润生等，2000）。由于神经网络分类规则对训练样本的数量及分布特征没有特定要求，因而可以在特征空间形成非线性判别边界，并且还有一定的抗噪声、抗干扰和自适应能力，适用于大数据量的分类研究，最为常用的分类准则是后向传播（BP）网络模型。

目前，从成像光谱遥感数据分析与识别的各种新理论、新方法的引入来看，大多数模型的研究和应用还是一种尝试，在如何将模型与成像光谱数据相结合的研究方面，分析不够深入。

2323 混合像元分解模型

由于空间分辨率不高的原因，在图像像元内会出现不同成分（end member）的地物，即混合像元。不同的地物具有不同光谱特征，因此需要通过混合光谱分解技术来提高识别精度。混合像元问题是遥感技术的研究难点和热点。由于成像光谱技术的光谱分辨率已从微米（μm）提高到纳米级（nm），因此，其混合像元分析、分解及其模型研究就显得更为重要。

目前，开展高光谱遥感混合像元研究的方法技术，首先从实验着手，进行地物混合光谱的测试、分析、数字模拟、分解模型开发研究，然后将其外推到遥感图像上，进行典型地物混合像元分析，主要包括空-地同步观测获取典型地物（或可通过人工布标）数据，经模型分析后，对混合像元的地物进行分解，或混合光谱模拟合成。在实验室里，通过对不同矿物光谱混合含量测试发现，不透明矿物或暗色矿物，其光谱按比例混合到其他矿物中，混合的反射率急剧下降，而不是逐渐下降，说明其混合光谱与其混合的端员矿物光谱是非线性关系（磁铁矿和橄榄石）。当两种矿物的色调相近时，实验测试的混合光谱与线性模型合成的混合光谱都呈线性逐渐变化，说明混合光谱可以按线性模型分解端员矿物光谱，如橄榄石和紫苏辉石，且吸收谱带的波长位置也是逐渐从一个波长位置逐渐过渡到另一波长位置。不仅如此，还发现在可见光、近红外这一波长上，低成分端员混合时呈线性趋势，当成分增加时，线性关系剧烈变成非线性关系。在这三种情况中，第一种非线性关系是由于组合混合光谱的端员成分之间互相作用、互相影响后光谱被光谱仪检测到；第二种线性关系是由于各端员成分之间无互相影响作用，各自独立地反射电磁波能量贡献于混合光谱；第三种情况是两种关系都存在，二者之间存在临界条件（边界条件）。目前，有关此方面的研究极少。根据这些分析，混合像元分解模型大体分为线性模型和非线性模型。在遥感混合像元中，绝大多数反射率相似的地物，可以用线性模型来分解端员成分，如：土壤与植被、不同含水量的耕地、岩石露头与草地、荒地等等。在一幅图像中，事先知道有N种端员（地物种类），并且也知道各种端员的光谱反射率，那么就可以用线性模型：

成像光谱岩矿识别方法技术研究和影响因素分析

这里DNc是波段C上混合像元的DN值或反射率；Fi是第i种端员在混合像元中所占比例（或权系数）；DNi，c是C波段上第i种端员的DN值（或反射率）；Ec是C波段上拟合误差。对每个像元都按照最小二乘法解方程，进行分解。在图像中，端员的DN值（或反射率值）要么可以从训练区取值，要么在地面实测。端员成分的确定过程实质上是一个迭代过程，迭代结果使M个波段上总误差ε最小（且N≤M）。

成像光谱岩矿识别方法技术研究和影响因素分析

求得版中各种端员成分之后，就可以定量或半定量地对端员丰度制作丰度等专题图件。

用非线性模型开展混合像元分解不多见，但已有这方面的研究，如模糊分割模型（Jin Ⅱkim，1996），概率鹏模型，几何光学模型（Charles Ichoku，1996）及基于神经网络模型的混合像元分解（王喜鹏，张养贞等，1998）等等。

目前开发的模型有：

——光谱吸收指数模型SAI（王晋年，童庆禧等，1996）：

SAI=∑fiSAIi，∑fi=1，fi＞0 （2-3-4）

——高斯模型法MGM：该模型是基于矿物和岩石的反射、吸收光谱性质模拟反射光谱的各种模拟方法。它是一种确定性的而不是统计性的方法。高斯改进模型MGM 是近几年在分析反射光谱的基础上发展起来的分析技术（Cloutis，1989，Veverka，Jet al，2000）。

m（x）=Sexp（-（xn-μn）2/2σ2）， （2-3-5）

通常取n=-1。

光谱识别与分类技术（Spectral Classification）：主要是利用地物高光谱特征的量化参数，结合其在图像空间上分布进行提取有利的信息，达到分类的目的。主要的分类方法有：

——最大似然法MLC：

g（x）=-ln｜∑i｜+（x-mi）t∑i-1（x-mi），（2-3-6）

——人工神经网络技术ANN：一般采用前馈网络模型，即第一隐层的节点输入等于输入层诸节点输出的加权和。迭代的次数以系统的平均误差为最小时为准。

成像光谱岩矿识别方法技术研究和影响因素分析

——光谱角制图法SAM（Spectral Angle Mapper）：该方法是通过计算测试样本光谱矢量（像元光谱）与参考光谱矢量（训练的端员样品光谱，或标准光谱库的光谱），在n维空间（n波段）上的角度来确定它们两者的相似度。一般两矢量之间的角度越小，两光谱向量越相似，进而可识别两种地物为同类，否则视为异类。数学模型是：

成像光谱岩矿识别方法技术研究和影响因素分析

这里i=1，2，3，……，n，n为波段数。

——光谱维特征提取法（Spectral Dimension Feature Extraction）：在高光谱遥感分类中，使用该方法对多波段、高相关、数据冗余度高的数据进行降维处理。相关的有统计方法，如主成分、典型变量及改进的PCA法等。

——光学模型（Optical Modeling）：除了前述的数据分析及模型外，植被因其特有反射性质，还有独特分析模型（光学模型）。该模型主要利用高光谱遥感数据预测或估计植被的多种生物物理、化学参量，如叶面指数LAI、总生物量、覆盖度等；叶绿素、水分、N、P、K含量等。该模型也属于经验性的统计模型方法。一般性通用模型为：

S=f（λ；θs，Φs；θv，Φv；С）， （2-3-9）

这里S为预测的生物物理、化学参数；λ是波长；θs，Φs，θv，Φv是入射光和传感器探测几何位置参数，C是描述植被冠层为特性参数。依靠法的模型有叶子光学性质光谱模型PROSPECT，叶子的任意斜散射模型SAIL，即生化参量反演的LIBERTY模型等。

高光谱在植被应用中除了生物、化学参量的反演分析外，还注重利用植被光谱特性谱线的蓝边、反射峰、黄边、红光吸收谷、红边、近红外反射高原区等变化及数据的归一化、对数、微分等变换，来监测植被的长势及病虫害，进行森林识别、分类、制图（Clark，RN，RoushTL，1984）。

2324 光谱数据应用处理分析软件

通过开展岩矿高光谱特性测试分析和成像光谱方法技术及应用分析研究，已发展并开发了如下数据处与分析软件：

23241 光谱数据库及分析软件（400～2500φ）

国外：美国地质调查所USGS和JPL的标准矿物光谱库（含机载光谱）及光谱分析管理软件SPAM，IRIS，日本地调所的岩石矿物光谱库等（>

国内：中国科学院安徽光学研究所、中国科学院遥感应用研究所、原地质矿产部航空物探遥感中心等科研单位都已建自己的光谱库（王润生等，2000）。

23242 图像处理分析软件

目前国内外常用的光谱图像处理分析软件有：Erdas、PCI、ENVI等。其中PCI和ENVI都有高光谱分析处理功能（ENVI User’s Guide，2000）。此外，还有像Tetricorder（Clark，RN，GASwayze，KELivo，2003）。国内通过高光谱遥感方法技术及示范应用研究，中国科学院遥感应用研究所、国土资源部航空物探遥感中心相继建立了成像光谱数据分析处理系统，如：HIPAS，ISDPS等。

遥感的对地观测系统是一个信息流交换的过程：电磁波与地表物体相互作用形成地表信息交流。而遥感影像信息提取技术就是最大限度地从遥感图像上的光谱信息反演出目标地物本身的属性特征信息。进而可对地球表层资源与环境进行探测、分析，并揭示其要素的空间分布特征与时空变化规律。遥感影像信息的提取技术是建立在对地物规律有充分的了解的基础之上的，其综合物理手段、数学方法和地物状态识别等认识，通过对影像的处理与分析，获得能反映区域内地物的分布规律和变化过程的有效信息的技术方法。

遥感地物识别主要依赖于地物的光谱和空间特征的差异。多光谱由于光谱分辨率低，地物的光谱特征表现不充分，地物识别主要依赖地物的空间特征，包括灰度、颜色、纹理、形态和空间关系。信息处理和信息提取主要是应用图像增强、图像变换和图像分析方法，增强图像的色调、颜色以及纹理的差异，达到最大限度地区分地物的目的。随着成像光谱仪研制成功以及其产业化的发展，遥感地物信息提取也随之进入了一个崭新的时代。成像光谱对地物的识别主要是依赖于地物的光谱特征，是直接利用岩石矿物的光谱特征进行地物识别，定量分析地物信息。下面从多光谱和高光谱遥感信息处理两方面来加以论述。

1多光谱方法研究进展

多光谱的信息提取主要集中于：色调信息提取，纹理信息提取，信息融合。

（1）色调信息提取

对于色调信息提取，主要是采用一些增强处理，扩大图像中地物间的灰度差别，以突出目标信息或改善图像效果，提高解译标志的判别能力，如反差扩展、彩色增强、运算增强、变换增强等，这些传统的图像处理方法在一定程度上满足了应用的需要。近年来发展了一系列的以主成分变换为主的信息提取技术，在岩矿信息提取中发挥了重要的作用。如张满郎（1996）提出修正的直接主成分分析提取铁氧化物信息。OF 变换（Maxium Noise Fraction Transformation）（Kruse，1996，Creen，et al，1988），NAPC（Noise-adjust Principal Components Transform）（Lee，et al，1990）、分块主成分变换（Jia，et al，1999）、基于主成分的对应分析（Carr，et al，1999），以及基于主成分分析的空间自相关特征提取（Warner，et al，1997）、子空K投影（Harsanyl，et al，1997）和高维数据二阶特征分析（Lee，et al，1993；Haertel，et al，1999）等，也是基于主成分分析进行信息特征选择与特征提取。同时，根据模式识别的原理，提出并设计出监督分类与非监督分类方法：以及利用决策树进行分类识别（Wrbka，et al，1999；Friedl，et al，1999；Hansen et al，1996），这些技术与方法是建立在图像灰度特征之上，利用数理统计的知识进行地物分类与信息提取。

（2）纹理信息提取

遥感影像的边缘和纹理信息对线环构造的识别具有一定作用，但却似乎无助于岩性的识别。边缘信息提取通常采用滤波算子或锐化的方法进行（Gross，et al，1998；Varbel，2000）。纹理信息提取通常采用共生矩阵、傅立叶功率谱和纹理谱等方法。

（3）信息融合

多源数据融合研究也非常普及与深入，其技术方法涉及不同的数理知识（Jimen，et al，1999；Pohl，1998；Robinson，et al，2000；Price，1999；Gross et al，1998），比如小波信息融合。应用面涉及非遥感数据（王润生，1992；朱亮璞，1994），如遥感数据与地化数据、物探数据的叠置与融合。这些方法一方面开阔了遥感的应用视野，另一方面也扩展了遥感的应用能力。

总的来说，多光谱遥感岩矿信息提取主要是基于图像灰度特征，即基于岩矿的反射率强度差异，采用一些数学变换方法，增强或突出目标信息，使之易于目视解译。在数据处理中，由于波段有限，未能有效地导入岩矿类别的光谱知识，其结果精度更多地取决于研究人员的经验。

2高光谱方法研究进展

成像光谱技术是多光谱技术发展的飞跃，它是在对目标对象的空间特征成像的同时，对每个空间象元经过色散或分光形成几十个乃至几百个窄波段以进行连续的光谱覆盖。形成的遥感数据可以用“图像立方体（三维）”来形象描述，其中两维表示空间，另一维表征光谱。这样，在光谱和空间信息综合的三维空间内，可以任意地获得地物“连续”的光谱以及其诊断性特征光谱，从而能够基于地物光谱知识直接识别目标地物，并可进一步地获取定量化的地物信息。在地质应用中，矿物识别和信息处理技术可分为：①基于单个诊断性吸收的特征参数；②基于完全波形特征以及③基于光谱知识模型三大类型。

岩石矿物单个诊断性吸收特征可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（w），吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作一完整地表征。根据端元矿物的单个诊断性吸收波形，从成像光谱数据中提取并增强这些参数信息，可直接用于识别岩矿类型。如IHS编码与吸收波段图（Kruse，1988）是利用连续法去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像以及波段半极值宽度图像，并分别赋予HS I 空间的明度（H）、强度（l）和饱和度（S），然后逆变换到RGB色度空间。从而根据色调差异进行矿物直接识别。在描述岩矿单个诊断性吸收特征参数中，吸收深度是一非常重要的特征指标而受到重视。如相对吸收深度图（RBD image，Relative absorption Band-depthimage）（Crowley，et al，1989）采用比值运算来增强识别端元的吸收深度，即根据要识别端元的单个诊断性吸收峰的两侧肩部反射率之和，除以其谷中心邻近两侧对应波长的反射率之和的商图像，来表征端元矿物诊断性吸收峰的相对吸收深度。不同端元矿物的RBD图像，除象元本身比值大小代表了端元矿物存在的可能性外，通过进一步地诸如PC变换分析进行特征增强与选择来识别端元矿物。由于吸收峰的非对称性，采用RBD方法难以准确描述其特征。连续插值波段算法（CIBR，continuum interpolated band algorithm）（De Jong，1998）和光谱吸收指数图像（SAI，spectral absorption index image）（王晋年等，1996）与相对吸收深度图方法类似，但引入了对称度因子，使其对吸收特征的描述更为合理。CIBR是利用诊断性光谱吸收谷中心的辐射值，除以左右肩部的辐射值与吸收特征对称度因子之积的和，产生相应的商图像，用以增强不同矿物的诊断性吸收深度，进行矿物识别。SAI方法与CIBR类似，也是对单个吸收波形肩部的特征增加了对称度因子。上述方法类似于常规比值或彩色增强处理。与常规增强处理最大不同之处在于有机地融入端元矿物的光谱特征这一先验知识，针对性、目的性更明确。由于大气辐射对遥感数据中波谱特征的影响、光谱混合形成的光谱漂移和变异对单个波形的影响，使识别结果含有较大的干扰。

成像光谱最大的优势在于利用有限细分的光谱波段，去再现象元对应物的波谱曲线。这样，利用整个光谱曲线进行矿物匹配识别，可以在一定程度上改善单个波形的不确定性影响（如光谱漂移、变异等），提高识别的精度。基于整个波形的识别技术方法是在参考光谱与象元光谱组成的二维空间中，合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度。例如，光谱匹配（SM，Spectral matching）（Baugh，et al，1998）利用岩矿光谱矢量的欧氏距离测度函数，即求图像象元光谱与参考光谱在光谱空间中的差异大小。距离愈小，表示图像端元光谱或待识别的端元光谱与来自实验室或野外实测的参考光谱之间拟合程度愈高。类似地，相似指数（SI，similarity index algorithm）（Fenstermaker，et al，1994）是基于欧氏距离侧度，根据已知地物类型的图像象元平均光谱与未知图像象元光谱的波段差值平方和的均值大小来识别地物。以上两种方法比基于单个吸收波形参数识别技术可靠。但往往由于光谱数据分辨率的影响，其光谱的差异不明显，同时又因欧氏距离测度固有的缺陷而难以对地物进行准确分类与识别。光谱角识别方法（SAM，spectral angle mapper）（Ben-Dor，et al，1994；Crosta，et al，1998；Drake，et al，1998：Yuhas，et al，1992）是在由岩矿光谱组成的多维光谱矢量空间，利用一个岩矿光谱矢量的角度测度函数求解岩矿参考光谱端元矢量（r）与图像象元光谱矢量（t）的相似程度。参考端元光谱既可来自实验室、野外测量，也可来自已知类别的图像象元光谱。根据两者相似程度大小，识别与提取矿化蚀变信息。该方法的难点在于如何合理地选择阈值进行信息分割。不过，从已有应用的角度看，该方法简单易行、比较可靠。交叉相关匹配（Fer-rier，et al，1999；Varder Meer，et al，1997）是使用一个相关因子（r）作为相似性指数，通过逐象元交叉相关匹配进行矿物识别。当参考光谱与检验光谱完全匹配时，其位置m=0；参考光谱向长波方向移动时，其m＜0。反之，m＞0。在RGB空间，分别赋予斜度（skewness），t检验值与相关因子以R，G，B；若在“0”匹配位置，其斜度、t检验值与相关因子（r）均接近于“1”而显示为白色，从而识别出端元矿物。对于矿物的智能识别，往往也采用完全谱形。例如，Tetracord矿物识别软件是基于UNIX平台，利用光谱数据库中的光谱与图像光谱拟合从而自动进行识别矿物；王润生等（1999）根据矿物的完全波形，利用神经网络进行矿物自动识别。以上方法在具有大量已知地物光谱时适应性强。对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，对于整体光谱特征差别不太大的地物，准确匹配比较困难，造成岩矿识别与分析上的混淆和误差。

基于光谱模型的识别的技术方法是建立在一定的光学、光谱学、结晶学和数学理论之上的信号处理技术方法。它不仅能够克服上述方法存在的缺陷，而且在识别地物类型的同时精确地量化地表物质的组成和其他的物理特性。例如，建立在Hapke光谱双向反射理论基础之上的线性混合光谱分解模型（SMA/SUM）（Adams，et al，1986；Mustard，et al，1987；Roberts，et al，1997；Sabol，et al，1992；Settle，et al，1993；Shipman，et al；1987：Shimabukuro，et al，1991；Smith，et al，1985），可以根据不同地物或者不同象元光谱反射率响应的差异，构造光谱线性分解模型。一个象元内并非存在单一类型地物，而更多地由不同类型地物组成。因此，在大多数情况下，象元光谱并非为纯地物光谱的线性混合，而更多地表现为非线性。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。由于平均单散射反照率丰度主要依赖于成分含量不同而可以认为是线性混合（Mustard，et al，1987）。这样，通过单散射反照率（SSA）转换，即可以利用算子W=（3r+6）r/（1 +2r）2，将非线性“线性化”，再进行光谱分解。Tompkins（1996）提出修正的光谱混合分析（MSMA）模型。该模型利用虚拟端元，采用一个阻尼最小二乘算法，根据一定的先验知识，有效地并最终可以选择亚像端元进行光谱分解，提高了SMA实用性。与SMA相比，MSMA最大的不同表现在：①端元以及其丰度均作为未知变量；②对数据组中所有象元同时求解。对于能量约束最小模型（CEM，constrained en-ergy minimization technique）（Farrand，et al，1997；Farrand，et al，1996；Resmini，et al，1997）是在成像光谱图像序列中，运用一个目标区域（或ROI区域，region of insteresting）与象元光谱（ri）相关的权系数wk来描述象元向量的数字值y，从而进行特征选择与分解进行地物识别与信息提取。与混合光谱分解模型一样，该分解结果在一定程度上，不仅代表了识别象元的类型信息，而且有机地表示了其丰度比值。与混合光谱分解模型不同的是，该方法更多地依赖于目标区域的统计特征，但结果更精确。总之，这些方法更多地依赖光谱学知识与数理方法，在实际应用中由于难以确定特征参数或难以准确地描述光谱模型而限制了该类技术方法的应用。不过，由于该类方法在识别地物的同时量化物质组成，因此就其发展趋势而言，随着一系列技术的成熟与光谱学、结晶学等知识的深入发展，识别精度的改善与量化能力的提高，其应用将会越来越广泛。

国内也相继开展了一些成像光谱进行矿物直接识别应用试验，但由于国产传感器的性能尚不够完善，数据信噪比较低。但在定性岩矿识别方面取得了一定的收获。如甘甫平等（2000）利用基于波形特征组合的主成分分析有效地对河北张家口后沟金矿区进行了岩性划分；刘庆生（1999）利用对应分析提取出内蒙古某矿区的含金蚀变。在直接定量矿化识别、识别模型和识别谱系等方面都落后于美国等发达国家，相比还存在一定差距。

总之，岩矿光谱学机理研究、遥感信息提取基础与遥感信息提取方法技术研究，三者之间相辅相成，具有一定的对应关系。

遥感地物光谱应用基础与遥感影像信息提取技术研究随着遥感光谱成像技术的发展而发展，两者研究方向与趋势都主要集中在光谱特征知识与地物物理化学属性的关联以及光谱物理模型两大方面。对地物物化属性与光谱特征的相关性和对光谱物理模型的深入分析与研究可从不同的角度为遥感直接识别矿物、提取地物的分布规律、属性、物化性质以及进行地物深层次信息挖掘等提供理论基础支撑，推动遥感应用技术的发展。遥感地学应用的实用化与产业化是遥感地物光谱应用基础与遥感地物影响信息提取技术研究相互促进的结果。

地物光谱学机理研究、遥感信息提取基础与遥感信息提取方法技术研究的发展将导致三者的结合，并最终综合于遥感应用模型和技术集成中，以便充分利用各自的优势，提高遥感应用能力并增强对地质应用的理解，以及模拟、评估和预测地学发展的规律。

dc两个峰怎么说呢，现在没在大学了进不去数据库没有－CH2Br的数据了，要不然可以算出来，我用的－CH2Cl代替的，可能有点误差。不过是这个东西肯定没跑，dc峰自己斟酌一下。

近年来，随着空间技术和计算机技术的发展，遥感技术取得了巨大发展。新的传感器使遥感技术应用的领域进一步拓宽，监测精度不断提高;计算机的运算速度和容量不断提升，数据库技术和网络技术不断发展，人工智能应用为分析处理大量遥感数据创造了有利条件，未来世界范围内遥感信息科学呈现出以下几方面的发展趋势:

(1)进行地面、航空、航天的多个层次的遥感，建立综合对地观测数据获取系统。该系统是一个全天候、全方位的综合系统，将由航天、航空、地面观测台站等子系统组成，具有提供定位、定性、定量数据的综合性技术系统。这其中微波遥感技术是当前国际遥感技术发展的重点之一，其全天候性、穿透性和纹理特性是其他遥感方法不具备的，利用这些特性解决我国海况监测，恶劣气象条件下的灾害监测，冰雪覆盖区、云雾覆盖区、松散层掩盖区及国土资源勘查等问题，将有重大作用。此外，小卫星群计划将成为现代遥感的另一发展趋势。所谓小卫星，是指质量小于500kg的小型近地轨道卫星，其地面分辨率可达5m，甚至1m。由于其研制和发射成本低，近年来发展非常迅速。IKONOS-2是美国SpaceImaging公司于1999年9月成功发射了第一颗高分辨率商业小卫星，并已开始出售数据;Orbview-3，4卫星是美国Orbimage公司研制和即将发射的小型卫星，其空间分辨率为1m(全色)和4～8m(多波段)，其中Orbview-4还是一个拥有200个波段高光谱传感器的卫星。高分辨率小型卫星具有较高的空间分辨率和高频率的、立体的观测能力，其数据将是近年来商业服务最为活跃的数据源，在大比例尺图件制作、GIS制图和DEM立体图形制作等方面，均能产生良好的应用效果。除此之外，机载和车载遥感平台，以及超低空无人机载平台等多平台的遥感技术与卫星遥感相结合，将使遥感应用呈现出一派五彩缤纷的景象。

为了满足上述要求，传感器向电磁波谱全波段覆盖，以及高分辨力、高灵敏度、高光谱方向发展。目前，传感器在近年来已有长足的发展，波谱域从最早的可见光(04～076μm)、近红外(076～1μm)、短波红外(1～3μm)、热红外(8～14μm)、微波(1mm～10m)、紫外发展，扩展到了电磁波谱的相当宽的波谱域。波段域从早期的黑白摄像、3波段、4波段、7波段(TM)，直到现在利用的100～200个波段，利用傅立叶光谱分析技术可达到上千个以上的波段。波段宽度也从最初的04μm(黑白摄影)、01μm(MSS)到5nm(成像光谱仪)。空间分辨率从15cm到1m，5m，20m，30m，80m，…，1km等，形成一个完整系列。时间分辨率从半小时、2天到30天形成不同时间分辨率的系列。高光谱分辨率传感器是未来空间遥感发展的核心内容，既能对目标成像又可以测量目标物波谱特性的光学传感器。其特点是光谱分辨率高、波段连续性强。其传感器在04～25μm范围内可细分成几十个，甚至几百个波段，光谱分辨率将达到5～10nm。1999年美国发射的EOSTerra卫星上装载的中分辨率成像光谱仪具有36个波段，而最近几年可能发射的澳大利亚资源信息和环境卫星(ARIES)将有105个波段。人们希望通过高光谱遥感数据对矿物、岩石的类型，农作物、森林的种类，环境中各种污染物质的成分进行遥感定量分析，未来遥感技术发展趋势中，高光谱和超高光谱传感器的研制和应用将是重要方向。表1-2为目前已发射和即将发射的部分商用高分辨率卫星系统。

(2)以高速、大容量和高精度为目标，建设遥感与地理信息数据处理系统也成为未来遥感信息科学发展的主要趋势。目前，空间遥感技术不断发展，导致传感器空间分辨率、光谱分辨率的大幅提高，这些传感器投入运行的结果将使卫星影像的数据量和计算机处理运算量大幅增加。据初步统计，原来需要百万次级计算机解决的遥感影像识别问题，到20世纪90年代末期，发展为需要由10亿～170亿次计算机完成。因此，如果遥感数据在处理速度、精度和处理能力等方面的问题不解决，将造成大量的遥感数据积压，处于数据爆炸状态，无法发挥遥感技术所具有的宏观、快速和高精度、综合的优势。建立遥感地理数据处理信息系统，引进人工神经网络、小波变换、分形技术、模糊分类与专家系统等技术和理论，进行自动分类与模式识别是未来遥感信息科学的重要趋势。

表1-2已发射的部分商用高分辨率卫星

(3)“3S”技术的联合应用在未来将大大拓宽遥感技术的应用范围，占领更广阔的市场。“3S”技术是指地理信息系统(GIS)、遥感(RS)、全球定位系统(GPS)的合称。GIS是以采集、存储、管理、分析、描述和应用整个或部分地球表面与空间和地理分布有关数据的计算机系统，GIS各种软件可以进行空间数据的插值、叠加、空间缓冲及建立模型等分析功能，实现动态监测、质量评估、适宜性评价和选点定址等功能。RS主要用于提供信息源、获取信息，利用RS观测范围广、获取信息量大、速度快、实时性好及动态性强等特点，可以节约大量的人力、物力、资金和时间，以较少的投入获取常规方法下难以获得的资料，并且这些资料受人为因素的影响较少，比较可靠。GPS主要用于实时定位，为遥感实况数据提供空间坐标，用于建立实况环境数据库及同时对遥感数据发挥校正、检核的作用。以上“3S”技术各具特色，在实际工作中单独使用时各自存在缺陷。如GPS可在瞬间产生目标定位坐标，却不能给出点的地理属性;RS可快速获取区域信息，但又受光谱波段限制，而且还有众多地物特征不可遥感;GIS具有较好的查询检索、空间分析计算和综合处理能力，但数据录入与获取始终是个瓶颈问题。未来，“3S”一体化集成系统将显示出更为广阔的应用前景，可实现对各种空间信息和环境信息的快速、机动、准确、可靠的收集、处理与更新。

复习思考题

1叙述遥感及遥感地质学的基本含义。

2简述遥感技术的主要特点。

3遥感依据不同的分类标准有哪些类型

4简述我国遥感技术发展概况。

5简述未来遥感技术的主要发展趋势。

以上就是关于中国科学论文引文数据库收录哪些期刊全部的内容，包括:中国科学论文引文数据库收录哪些期刊、有关遥感方面的问题。、集成系统支持下的信息提取等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！