发布时间 : 星期一 文章高光谱遥感岩矿识别的研究进展 - 张成业更新完毕开始阅读6491c0a387c24028915fc3a8
第８期
等：高光谱遥感岩矿识别的研究进展 张成业，
４．２ 基于全波形光谱的岩矿识别
２４１１
收特征具有不对称性。为了解决这一问题，王晋年等人于１６年，ＤｅＪｏｎ９９８年通过引入９９ ｇ于１吸收特征的不对称性测度，分别提出了光谱吸收
［３６］
。王）指数（和连续差值波段算法（Ｒ）ＳＡＩＣＩＢ４０］
永［基于波段比值，对龙门山前山带碳酸盐、黏
岩矿化学组分混合造成的光谱漂移和变异对
３６］
，因此，基于光谱单个光谱吸收特征影响很大［
吸收特征参数的岩矿识别方法很容易产生误判。为了充分利用高光谱遥感影像提供的光谱信息，学者们提出了对完整的参考光谱和像元光谱进行对比分析，在一定程度上弥补了基于光谱吸收特征参数进行岩矿识别的劣势。基于全波形光谱的岩矿识别方法将参考光谱和像元光谱作为两个高，维矢量（维数等于影像波段数目）然后计算两者的相似程度，可以分为如下３类方法：
基于距离测度的光谱匹配。最小距离法利１、
用像元光谱与训练样本的平均光谱的欧氏距离进
４３］
。Ｆ行岩矿分类，计算简单［ｅｎｓｔｅｒｍａｋｅｒ等于
土矿物和二价铁矿物等岩矿进行了识别。杨燕杰和赵英俊于２１年指出油气蚀变矿物信息提取０１
４１］
。主要采用的是波段比值的方法［
光谱特征拟合（及其改进算法。参考２、ＳＦＦ）光谱和影像像元均经过包络线去除的基础上，基于目标矿物的光谱吸收位置和吸收深度等信息，利用最小二乘法对参考光谱和影像像元光谱进行
４２］
。光谱特征拟对比计算，得出两者拟合的程度［
合具有突出目标岩矿弱吸收特征的优势，但是原本吸收谷形状不同的光谱在包络线去除以后可能出现相似的光谱吸收特征，造成矿物种类识别的误判
［］４４４３－），对美国１９９４年基于欧氏距离提出相似指数（ＳＩ
内华达地区潜在的矿山尾矿进行了识别。但是欧式距离存在一个明显缺点，即将对比双方的各个
４９］
。指标等权看待，这影响了对岩矿的准确识别［
。针对这一问题，许宁等人于２１年根０１
据矿物特点，在原有算法的基础上通过增加其他光谱特征参量，计算光谱特征综合拟合值，从而在
４４］
。但是该方一定程度上提高了矿物识别精度［
此外，燕守勋等人于２刘汉湖等人于２４年，３０００１年分别对基于最大似然法、马氏距离、平行六面体、二值匹配、交叉相关光谱匹配以及主成分分析的高光谱遥感岩矿识别方法进行了总结，这些方
］５５１０－。法也都利用了完整的光谱波形信息［
法需要根据不同矿物设置不同的光谱特征参量阈值，故仍需继续改进。
基于组合光谱特征参数的岩矿识别。鉴于３、
单一光谱特征参数识别岩矿易出现误判的情况，学者们提出了综合多种因素的矿物识别规则。例如，张宗贵等人于２３年基于多个光谱吸收特征００和多个吸收参数，对新疆东天山地区的岩矿进行
４５］４６］
。甘甫平等人［以美国Ｃ了识别［ｔｅ地区ｕｒｉｐ
基于角度测度的光谱匹配。光谱角制图２、
（算法计算了参考光谱和像元光谱两个矢ＳＡＭ）
量的广义夹角，夹角越小说明像元光谱越接近参
５２］
。Ｓ考光谱［ＡＭ算法不受光谱反射率大小的影
响，但是在实践过程中仍然存在一些问题。Ｃａｒ－ｖａｌｈｏ等于２０００年利用皮尔森相关系数对ＳＡＭ
法进行改进，解决了ＳＡＭ算法正负相关系数的
５０］
。为增加光谱可分性，何中海等于２问题［１０１
为例，建立了高光谱岩矿谱系识别规则。Ｃｒｋｌａ等人
［３５］
开发的Ｔｒａｃｏｒｄｅｒ专家系统也是综合多ｅｔ
［３７］
种光谱特征和算法来提高岩矿识别的准确度。ｅｒＭｅｅｒｖａｎｄ
综合利用吸收深度、吸收位置和
吸收不对称性对碳酸盐和黏土矿物进行了识别，同时提出一种线性插值的方法用以解决影像光谱分辨率低的问题。车永飞等人于２４年提出一０１种基于主次光谱吸收组合特征的高光谱遥感矿物
４７］
。贺金鑫等人于２识别方法［４年提出了一种０１
年提出基于权重光谱角制图的高光谱矿物填图方
５３］
。为了解决光谱多样性的问题，法［ａｎＸｉａＺｈ ｇｙ
等于２并０１４年耦合了平均光谱与平均光谱导数，利用多元参考光谱信息，提出了两种参考光谱的
５４］
。Ｍ移动阈值确定方法［ｏｌａｎ于２０１４年利用“
法”解决了匹配滤波（以后数据处理中的阈ＭＦ）
５５］
，、这对光谱特征匹配（光谱值设置问题［ＳＦＦ）
角制图（等算法中阈值的确定有一定的启ＳＡＭ）发意义。
基于人工智能的岩矿识别。王润生等人于３、
利用岩矿的完全波形光谱９年基于神经网络，１９９
３６］
。基于目标分解的神经网络对岩矿进行识别［
基于朴素贝叶斯分类器的高光谱矿物识别方法，获得了较高的分类识别准确率。该方法综合利用了吸收谷位置、吸收谷反射率、吸收深度、光谱斜
４８］
。率和吸收对称性等光谱特征参数［
２４１２
光学 精密工程
第２３卷
分类能在一定程度上解决高光谱遥感图像目标探
４］
。Ｘ测中同种地物被划分为两类的问题［ｉａｎｆｅｎｇ
区的矿物识别过程中进行了算法验证。Ｎｉｌｌｅｅｖ
６２］
利用约束线性光谱解混对基于Ｓ等［Ｉ和ＦＳ
［３］
ＡＶＩＲＩＳ数据的矿物勘查进行了对比。Ｒｏｅ６ｇｇ
Ｃｈｅｎ等人于２０年利用一种基于规则（ｅ０１ｒｕｌ－）的系统对美国内华达地区矿物进行了识ｂａｓｅｄ最小距离法和最大别，并获得明显比ＳＦＦ、ＡＭ、Ｓ
５６］
。Ｍ似然法更好的结果［ｏｕｎｔｒａｋｉｓ等人于２１０１
提出一种基于迭代的ＩＳＭＡ线性光谱解混方法，取得了良好效果。Ｈｎ于２０１１年基于单一投ｅｌｅｙ影利用一种新的最小二乘法求解全约束条件下的
６４］
。刘凯等人于２线性光谱混合模型［３年针对０１
年提出的支持向量机等常见机器学习算法也被用
５７］
。张兵等人于于高光谱遥感数据的光谱分析［
高光谱遥感矿物识别，在线性光谱模型的基础上提出了一种基于Ｆｈｅｒ权重分析的迭代光谱解ｉｓ
６５］
。张兵等于２混方法［４年基于粒子群算法对０１
［６］
。ＮＣＭ模型进行了分析６
离散粒子群优１，２０１３年提出利用蚁群算法、２０１化算法以及改进的蚁群算法进行高光谱矿物端元提取，并在美国内华达地区的ＡＶＲＩＳ高光谱影Ｉ
］５６８０－。像上取得成功应用［
４．３ 基于混合像元分解的岩矿丰度制图
通过混合像元分解方法能够同时得到多种矿物在单个像元中所占的比例，从而得到待研究区地表矿物丰度图，这是目前高光谱遥感岩矿识别方法中的研究热点问题。ＳＥ数据库的统计结ＣＩ果显示，近五年来关于光谱解混的研究成果呈现激增的趋势，出版的相关文献数量翻了一番（图）。根据光谱混合模型的不同，光谱解混可以分２
为线性光谱解混和非线性光谱解混。
４．３．２ 非线性光谱解混
事实上，针对自然界地物的混合光谱理论模型多数为非线性的，利用非线性光谱混合模型得
４］
。早在到的结果要优于线性光谱混合模型［
１９８１年，Ｈａｋｅ就提出岩石双向反射率光谱模ｐ
［７］３６］
。Ｐ利用非线性光谱混合模型对型［ｏｕｌｅｔ等６实验室内矿物混合进行了定量分析。闫柏琨等于２年提出统计月表土壤主要矿物组成的非线２０１
６８］
。Ａ性光谱解混方法［ｌｔｍａｎｎ等于２０１３年提出基于多项式的后非线性解混模型，并利用
［９］
。ＨｅｌｅＲＩＳ高光谱影像进行了验证６ｎ于ＡＶＩｙ
指出线性２０１４年对非线性光谱解混进行了总结，
光谱解混的研究已经过剩或将放弃，非线性光谱
７０］。解混在未来将成为一个新的研究热点［
近年来，基于混合像元分解的岩矿识别出现了一个新的研究方向，即用硬件系统取代软件运算来减少光谱解混的运算时间并获得更好的丰度结果，这些方法也在美国Ｃｔｅ地区ＡＶＩＲＩＳｕｒｉｐ
］７４７１－。另外，高光谱影像的岩矿识别上得到验证［
图２ １９９６～２０１４关于光谱解混的每年出版文献数
目（数据来源：Ｅ数据库）ＳＣＩ
Ｆｉ．２ Ｐｕｂｌｉｃａｔｉｏｎｓｏｎｓｅｃｔｒａｌｕｎｍｉｘｉｎｅｒｅａｒ ｇｐｇｐｙ
：ｆｒｏｍ１９９６ｔｏ２０１４（ｄａｔａｓｏｕｒｃｅＳＣＩＥ）
近年来，刘彦丽于２陈圣波等人于２２年，３年０１０１在植被覆盖区的高光谱遥感岩矿识别方面做出了有益的探索，但是仍然存在植被背景－岩矿目标分
］７７６５－。离的问题［
４．３．１ 线性光谱解混
在线性光谱混合模型中，像元的光谱由组成该像元的各个端元的光谱进行线性叠加而成。经是基于线性光典的混合调制匹配滤波（ＭＴＭＦ）
５０］６１］
。赵欣梅［利用ＭＴＭＦ谱模型发展而来的［
的方法对柴达木盆地油气蚀变矿物进行了识别。
５ 结论与展望
９年指出遥感科学与技术在理论００ 宫鹏于２
７７］
。由本文方面遵循从定性到定量的发展规律［
对高光谱遥感岩矿识别的文献调研和总结也可看出；从２０世纪七八十年代的岩矿样本实验室内光谱特征测量，到后来的基于光谱吸收特征和完全——波形匹配的岩矿识别，再到当前的研究热点—
线性光谱解混的主要过程就是对其光谱混合模型求得约束解的过程，时至今日仍然有很多学者提出线性光谱解混算法，并在美国Ｃｔｅ地ｕｒｉｐ
第８期
等：高光谱遥感岩矿识别的研究进展 张成业，
２４１３
混合像元分解进行岩矿丰度制图，揭示了高光谱遥感岩矿信息提取从定性识别向定量化分析发展的趋势。
作者认为，高光谱遥感岩矿识别的发展方向主要表现为以下方面：
从理论方面讲，利用高光谱遥感进行岩矿信息定量化分析，首先需要解决矿石或岩石的混合光谱分解的问题。矿物的光谱特征主要取决于其化学成分和物理结构，而自然界中矿石和岩石的光谱则表现出不同矿物组分的光谱混合特征。因此，需要深入分析岩石和矿物的化学成分、物理结构以及混合光谱特征之间的相互关系，研究矿石和岩石混合光谱特征响应的物理机理，为高光谱遥感岩矿定量化分析提供理论支撑。在此基础上，进一步研究不同种类和含量的矿物组分混合下的岩矿高光谱遥感物理模型，解决矿石或岩石的混合光谱解混的问题是改善高光谱遥感岩矿探测能力和提升高光谱遥感岩矿识别精度的关键。
从高光谱遥感岩矿识别的数据来源方面看，需要根据矿藏与矿物类型的光谱特性，有针对性地设计并研制新型成像光谱仪，解决高光谱遥感数据源短缺问题。Ｈｉｏｎ传感器、ＣＨＲＩＳ高ｅｒｙｐ光谱数据、１Ａ高光谱数据以及天宫一号高光ＨＪ－谱数据在数据质量、波段范围以及影像获取能力等方面各有不足。因此，当前面向岩矿识别的高光谱遥感面临着星载数据短缺的尴尬局面。在未、来５年内将陆续有ＨｎＭａＨＥＲＯ、ｓＩＲＩＥｐ、ｙｐ
ＰＲＩＳＭＡ以及中国的高分五号等高光谱遥感传感器发射。这些新型传感器虽然在数据质量、光谱分辨率以及幅宽等性能指标方面均有改善，其中部分传感器的模拟数据在岩矿识别中的能力也已经得到了评估，但是这些传感器并不是针对岩
矿识别与岩矿勘查而设计。因此，面向岩矿识别的新型成像光谱仪已成为遥感地质学者关注的一个主要方向。
从技术方法方面讲，岩矿混合光谱特征分离与提取，混合光谱模型构建与匹配以及岩矿目标识别趋于向智能化发展。高光谱遥感岩矿信息提取中的特征分离与提取、模型构建与匹配、岩矿目标识别等过程受先验知识、研究人员的工作基础和工作经验等人为因素的影响较大，这在一定程度上降低了岩矿识别的精度和速度。当前，计算机人工智能算法的发展趋向于精度更高、速度更快，其对人类思维过程和智能行为的模拟降低了数据处理过程中人为主观干扰的影响，通过借鉴并改进这些算法对岩矿混合光谱特征的分离与提取，混合光谱模型的构建与匹配以及岩矿目标的识别，有望解决高光谱岩矿识别中存在的端元光谱确定、光谱多样性以及混合模型求解等问题，并提高识别精度和运算速度。因此，伴随着计算机人工智能领域的不断发展，高光谱遥感岩矿信息提取的智能化将成为研究热点。
从实际应用上来看，利用高光谱遥感识别岩矿信息最主要的目的是矿产资源勘查。然而，目前大型裸露的矿床多数已经被发现，遥感找矿逐步面向植被覆盖区、高山峻岭等地质环境复杂的地区。因此在高光谱遥感岩矿识别的实际应用中，从大噪声背景中提取微弱岩矿信息的应用技术已经成为应用方向。例如在植被覆盖区高光谱遥感找矿面临的如何克服植被强干扰的问题，在高山峻岭等地质环境复杂的地区面临的如何克服山体阴影与风化物光谱强干扰的问题，已经成为主要的关注方向。
参考文献：
［］ＴＺＡＦ Ｈ．Ｓｅｃｔｒｏｓｃｏｉｃｒｅｍｏｔｅｓｉｎｆｏｒ１ＯＥｓｅｎ Ｇ－ｐｐｇ
ｅｏｌｏｉｃａｌａｌｉｃａｔｉｏｎｓ［Ｃ］．ｃｅｅｄｉｎｓＰｒｏｏｔｈｅＳｏ－ ｇｇｐｐｇｆ
ｔｔｏ－ａｌｔｒｕｍｅｎｔａｔｉｏｎ ｅｅｒｓ，ｃｉｅｏＰｈｏＯｔｉｃＩｎｓＥｎｉｎ ｙｆ ｐｇ （）：ＬｏｓＡｎｅｌＵＳＡ：ＳＰＩ２１．１９８ｅｓ，Ｅ，１２６８１７－ ｇ［］２ＯＥＴＺＡ．ＩｍａｉｎｓｅｃｔｒｏｍｅｔｒｆｏｒＥａｒｔｈｒｅｍｏｔｅ Ｇ ｇｇｐｙ
：１ｃｉ９８ｓｅｎｓｉｎＪ］．Ｓｅｎｃｅ，１５，２２８（４７０４）１４７－ｇ［３．１１５
［］３ＥＮＤＲＡＮ Ｔ，ＳＡＮＪＥＥＶＩＳ．Ｈｅｒｉｏｎｉｍａｅ ＭＡＧ ｙｐｇ
ａｎａｌｓｉｓａｎｄｌｉｎｅａｒｓｅｃｔｒａｌｕｎｍｉｘｉｎｔｏｅｖａｌｕａｔｅｔｈｅ ｙｐｇ
，ＥｒａｄｅｓｏｆｉｒｏｎｏｒｅｓｉｎａｒｔｓｏｆＮｏａｍｕｎｄｉａｓｔｅｒｎ ｇｐ］ｌｉＩｎｄｉａ［Ｊ．ｅｄ ＩｎｔＪｏｕｏＡＥａｒｅｒｎａｔｉｏｎａｌｒｎａｌｔｈ ｐｆ ｐＯｂｓｅｒｖａｔｉｏｎｉｎｏｒｍａｔｉｏｎ，４，２６：４１３－２０１ａｎｄ Ｇｅｏ ｆ２６．４
［］张兵，技术与应郑兰芬．高光谱遥感－原理、４ 童庆禧，
用［高等教育出版社，２００Ｍ］．北京：６：１９２８９．－ｅｒ－ＴＯＮＧ Ｑ Ｘ，ＺＨＡＮＧＢ，ＺＨＥＮＧＬＦ．Ｈ ｐｙ：ＨｒａｌｏｔｅｓｉｎｉｉｎｉｈｅｒＥｄｓｅｃｔＲｅｍＳｅｎＭ］．Ｂｅ －ｊｇｇｇ［ｐ，）ｕｃａｔｉｏｎＰｒｅｓｓ２００６．（ｉｎＣｈｉｎｅｓｅ ［］杨媚，张满菊．基于稀疏鉴别嵌入的高光谱遥５ 黄鸿，
］：感影像分类［Ｊ．光学精密工程，２０１３，２１（１１）
２４１４
２０．２９２２９３－ 光学 精密工程
第２３卷
ｎｓｏｒｅｍｏｔｅｅｎｓｉｎｉｎｅｒａｌｓｏｎｔａｉｎｉｎｔｉｏ ｆ ｒ ｓ ｃｇｇ ｍｃｈｅｍｉｃａｌｌａｎｄｈｓｉｃａｌｌａｂｓｏｒｂｅｄｗａｔｅｒ［Ｊ］． ｙｐｙｙ
ＨＵＡＮＧ Ｈ，ＹＡＮＧ Ｍ，ＺＨＡＮＧ ＭＪ．Ｈｅｒｓｅｃ －ｙｐｐｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｉｍａｅｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｔ ｇｇ ，２：ＳＤＥ［Ｊ］．Ｏｔ．ＰｒｅＥｎ０１ｃｉｓｉｏｎ ３，２１（１１）ｐｇ．）２９２２０．（ｉｎＣｈｉｎｅｓｅ２９３ －［］罗甫林，黄鸿，等．应用相关近邻局部线性６ 刘嘉敏，
］嵌入算法的高光谱遥感影像分类［Ｊ．光学精密工（）：程，４，２２６１６６８６．２０１１６７－ＬＩＵＪＭ，ＬＵＯＦＬ，ＨＵＡＮＧ Ｈ，ｌａｓｓｉｆｉｅｔａｌ．．Ｃ －ｉｏｎｏｆｈｅｒｓｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｉｍａｅｓｕｓｉｎｃａｔ ｙｐｐｇｇｇ
ｏｕｅｏｈｓｅｓ９８ｒｎａｌｉｃａｌｅａｒｃｈ，１３，８８：ＪｏＧＲ ｐｙｆ １０６３５－１０６４４．
［］１４ＦＦＥＹＳＪ．Ｓｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｏｆｃａｒｂｏｎａｔｅ ＧＡ ｐ
２．ｍｉｎｅｒａｌｓｉｎｔｈｅｖｉｓｉｂｌｅａｎｄｎｅａｒｉｎｆｒａｒｅｄ（０．３５－ ）：］５５ｍｉｃｒｏｎｓａｎｈｄｒｏｕｓｃａｒｂｏｎａｔｅｍｉｎｅｒａｌｓ［Ｊ． ｙ
ｒｎａｌｉｃａｌｅａｒｃｈ，１７，９２：ＪｏｕｏＧｅｏｈｓＲｅｓ９８ ｆ ｐｙ１４２９－０．１４４
［］刘素红．遥感原理与应用［科１５Ｍ］．北京： 李小文，
学出版社，８：２３１．２００
ｒｅｃｏｒｒｅｌａｔｉｏｎｎｅｉｈｂｏｒＬＥ［Ｊ］．Ｏｃｉｓｉｏｎｔ．Ｐ Ｌｇｐ，（）：）Ｅｎ２０１１６７４，２２６１６６８６．（ｉｎＣｈｉｎｅｓｅ－ ｇ．［］陈纳，何勇，等．近红外高光谱成像技术快７ 鲍一丹，
］速鉴别国产咖啡豆品种［５，Ｊ．光学精密工程，２０１（）：２３２３４９３５５．－ＢＡＯＹＤ，ＣＨＥＮ Ｎ，ＨＥＹ，ａｉｄｉｄｅｎｔｉｆｉｅｔａｌ．．Ｒ －ｐｎｅａｒｉｎｆｒａｒｅｄｈｅｒｂｉｏｎｏｆｃｏｆｆｅｅｂｅａｎｖａｒｉｅｔｃａｔ －ｙｐｙｙ Ｊ］．Ｏｒａｌｉｍａｉｎｔｅｃｈｎｏｌｏｃｉｓｉｏｎｓｅｃｔｔ．Ｐｒｅ ｇｇｇｙ［ｐｐ （）：），０５５，２３２３４９ｉｎＣｈｉｎｅｓｅＥｎ２１３５．（ －ｇ．［］，８ＬＤＥＲＶＬ，ＤＥＢＲＵＩＮＳ，ＷＥＹＥＲＭＡＮＮＪ ＭＵ
ｌｉＬＩＸ Ｗ，ＬＩＵＳＨ．ｃａｔｉｏｎＰｒｉａｎｄ Ａｏｎｃｉｌｅ ｐｐｆｐ：Ｓ，ｅｍＭ］．ＢｅＳｅｎｏｔｅｓｉｎｉｉｎｃｉｅｎｃｅＰｒｅｓｓＲ ｊｇｇ［）２００８：２３１．（ｉｎＣｈｉｎｅｓｅ
［］１６ＬＡＲＫＲ Ｎ，ＫＩＮＧＴ Ｖ Ｖ，ＫＬＥＪＷＡ Ｍ，ｅｔ Ｃ
ｉｈｓｅｃｔｒａｌｒｅｓｏｌｕｔｉｏｎｒｅｆｌｅｃｔａｎｃｅｓｅｃｔｒｏｓａｌ．．Ｈ －ｇｐｐ］ｆｍｉｎｅｒａｌｓ［Ｊ．ｒｎａｌｉｃａｌｃｏｏＪｏｕｏＧｅｏｈｓＲｅ－ ｐｙｆ ｐｙ ：ｒｃｈ－ｉｄ ｔｈｎｅｔｓ，０，９５（ｓｅａＳｏｌＥａｒａｎｄ Ｐｌａ１９９Ｂ８） ２５３－８０．１２６１６
［］１７ 朱振海，王文彦，彭希龄．遥感技术直接探测烃类
微渗漏的方法研究［Ｊ］．科学通报，１９９０，１６：１２５７０．１２６－ｏｎＺＨＵＺＨ Ｈ，ＷＡＮＧ Ｗ Ｙ，ＰＥＮＧＸＬ．Ｓｔｕｄ ｙ ｔｈｅｄｉｒｅｃｔｄｅｔｅｃｔｉｏｎｏｆｈｄｒｏｃａｒｂｏｎｍｉｃｒｏｌｅａｋａｅｕ －ｙｇ］Ｊ．ｅｍｏｔｅｓｅｎｓｉｎｎｅｓｅｅｎｃｅｌｅｔｉｎ，ｓｉｎｒＣｈｉＳｃｉＢｕｌ ｇ［ｇ ）０，１６：１２５７－０．（ｉｎＣｈｉｎｅｓｅ１９９１２６
［］矿）石波谱特征的初步研１８ 常青．甘肃北山南带岩（
］（）：究［６．Ｊ．甘肃地质学报，１９９９，８１４９５－ＣＨＡＮＧ ｏｎｓｅｃｔｒｕｍｆｅａｓｔｕｄＱ．Ｐｒｅｌｉｍｉｎａｒ －ｙｐｙ ）ｔｕｒｅｓｏｆｒｏｃｋｓ（ｏｒｅｓｆｒｏｍｓｏｕｔｈｅｒｎｂｅｌｔｏｆｂｅｉｓｈａｎ ］ＡｃｔＧｅｏＧａｎａｒｅａｉｎａｎｓｕｒｏｖｉｎｃｅ［Ｊ．ａ ｌｏｉｃａ ｓｕ， ｇｐｇ（）：）１９９９，８１４９－ｈｉｎｅｓｅ５６．（ｉｎＣ
［］陈骏，等．基于主成分分析的反射田庆久，１９ 吴昀昭，
］光谱在岩石学中的应用—以哈密地区为例［Ｊ．岩（）：石学报，２００３，１９４７６１７６６．－，，ＷＵ ＹＺＨ，ＴＩＡＮ ＱＪＣＨＥＮＪｌｉｃａｅｔａｌ．．Ａ －ｐｐｔｉｏｎｏｆｒｏｃｋｌａｂｏｒａｔｏｒｉａｌｒｅｆｌｅｃｔａｎｃｅｓｅｃｔｒａｉｎＨａｍｉ ｐａｒｅａｂａｓｅｄｏｎｒｉｎｃｉａｌｃｏｍｏｎｅｎｔａｎａｌｓｉｓ［Ｊ］． ｐｐｐｙ：ＡｃｔＰｅｔＳｉｎ２００７６６．ａ ｒｏｌｏｉｃａｉｃａ，３，１９（４）７６１ －ｇ（）ｉｎＣｈｉｎｅｓｅ
［］２０Ｄ］．武 陈明．基于分形理论的岩矿光谱模型研究［
汉：华中科技大学，２０１０．
ＣＨＥＮ Ｍ．ｄｒａｌｅｌｋｓＳｔｕｏｎｔｈｅｓｅｃｔｍｏｄｏｒｏｃ ｙｐｆ ：Ｈｒａｃａｎｄ ｅｒａｌｓｅｄｔａｌ［ｈａｎｕａｍｉｎｂａｓｏｎＤ］．Ｗｕ －ｆ，ｚｈｏｎｎｉｖｅｒｓｉｔｆｃｉｅｎｃｅｎｄｅｃｈｎｏｌｏ Ｓ ａ Ｔｇｙｇｙ Ｕ ｏ）２０１０．（ｉｎＣｈｉｎｅｓｅ
［］李曦，周清，等．氧化铁对有机质光谱特性的２１ 彭杰，
ｅｔａｌ．．Ｃｈａｒａｃｔｅｒｉｚｉｎｒｅｉｏｎａｌｓｏｉｌｍｉｎｅｒａｌｃｏｍｏｓｉ － ｇｇｐ ］ａｎｄｅｏｓｔａｔｉｓｔｉｃｓ［Ｊ．Ｒｓｅｃｔｒｏｓｃｏｎｕｓｉｎｔｉｏｅ－ ｇｐｐｙｇ ０１ｍｏｔＳｅｎｏＥｎｖｅｓｉｎｉｒｏｎｍｅｎｔ，２３，１３９：４１５－ ｆ ｇ ４２９．
［］ＤＥＲ ＭＥＥＲＦＤ，ＶＡＮＤＥＲ ＷＥＲＦＦ Ｈ Ｍ９ ＶＡＮ
Ａ，ＶＡＮ ＲＵＩＴＥＮＢＥＥＫＦＪＡ，ｕｌｔｉｅｔａｌ．．Ｍｎｄ －ａ：Ａｒｅｖｉｅｗｅｒｓｅｃｔｒａｌｅｏｌｏｉｃｒｅｍｏｔｅｓｅｎｓｉｎｈ ｐｐｇｇｇｙ
［］ｎｔｏｕｌｉａｒｂ－Ｊ．ｅｒｎａｔｉｏｎａｌｒｎａｌｅｄ ｔｈ ＩＪｏＡＥＯ ｐｆ ｐ：ｓｅｒａｎｄ Ｇｅｏ２０１ｖａｔｉｏｎｉｎｏｒｍａｔｉｏｎ，２，１４（１）１１２－ ｆ１２８．
［］高光谱遥感矿物识别１００．３５～２５ｍ） 田丰．全波段（μ
和定量化反演技术研究［中国地质大学Ｄ］．北京：（，北京）０．２０１
ｕａｎＴＩＡＮＦ．ｎｔｉｉｃａｔｉｏｎｔｉｔａｔｉｖｅｒｉｖａｌＩｄｅａｎｄｒｅｔ ｑｆｏｅｒａｌｓｍａｔｉｏｎｅｒａｔｉｎｍｉｎｉｎｏｒｉｎｔＶＩＳ－ＮＩＲ－ ｆ ｇｇ ｆｓｅｃｔｒａｌａＭＩＲ－ＴＩＲ（０．３５～２５ｅｒｄａｔｍ）ｈ ｐｙｐμ［：ＣＤ］．ＢｅｉｉｎｈｉｎａＵｎｉｖｅｒｓｉｔｏｆＧｅｏｓｃｉｅｎｃｅ ｊｇｙ （），）Ｂｅｉｉｎ２０１０．（ｉｎＣｈｉｎｅｓｅ ｊｇ
［１１］ＴＧＲ．Ｓｅｃｔｒａｌｓｉｎａｔｕｒｅｓｏｆａｒｔｉｃｕｌａｔｅ ＨＵＮ ｐｇｐ
，］ＧｅｏｈｓｉｃｓｍｉｎｅｒａｌｓｉｎｖｉｓｉｂｌｅａｎｄｎｅａｒＩＲ［Ｊ． ｐｙ（）：１９７７，４２３５０１－５１３．
］［２ＴＧＲ．Ｎｅａｒｒａｒｅｄ（１．３ｕ１ｉｎｆ２．４Ｍｓｅｃ ＨＵＮ －－－Ｍ）－ｐ
ｆａｌｔｅｒａｔｉｏｎｍｉｎｅｒａｌｓｎｔｉａｌｆｏｒｕｓｅｉｎｒｅｏｔｅｔｒａｏ －ｐ－：，１ｅｓｉｎＪ］．Ｇｉｃｓ９，４４（１２）ｍｏｔｓｅｎｅｏｈｓ９７－ｇ［ｐｙ１１９８９７４－６．
［１３］ＬＡＲＫＲ Ｎ．Ｓｅｃｔｒａｌｒｏｅｒｔｉｅｓｏｆｍｉｘｔｕｒｅｏｆ Ｃ ｐｐｐ
：ｍｏｎｔｍｏｒｉｌｌｏｎｉｔｅａｎｄｄａｒｋｃａｒｂｏｎｒａｉｎｓＩｍｌｉｃａ－ ｇｐ