全约束线性分解的月表虹湾地区矿物含量反演

月表主要矿物含量的定量反演是月球科学领域的重要课题之一,对未来月表矿物信息解译有重要指导意义,因此提出一种对月表高光谱遥感数据线性分解获取矿物含量的方法。首先,利用Hapke辐射传输模型将Relab光谱库中的5种矿物(单斜辉石、斜方辉石、斜长石、橄榄石和钛铁矿)非线性混合的反射光谱转换为线性混合的单次反照率;然后,按照比例随机生成混合像元;最后基于全约束线性光谱分解方法建立上述5种矿物分解含量与真实含量的统计关系模型。利用Apollo登陆采样点实测数据对该模型进行验证的结果表明,辉石、斜长石、橄榄石和钛铁矿的反演结果与实测结果的相关系数分别为0.83,0.86,0.72和0.77。采用上述方法,利用印度探月卫星Chandrayaan-1搭载的月球矿物制图仪(moon mineralogy mapper,M3)高光谱数据得到月表虹湾地区矿物的含量分布图,表明利用全约束线性分解对高光谱矿物识别和含量反演是一种行之有效的方法。     

基于粗糙度的月表虹湾地区地形地貌解译

行星表面粗糙度是表面侵蚀、沉降和隆升等作用在行星表面留下的记录,对其进行的定量分析可以精确地反映其表面地质构造过程.对月球的虹湾地区选取水平方向的12条剖面进行了粗糙度各参数(均方根高程、均方根偏差、均方根坡度、Hurst指数)的计算,结果表明:①在1 km的剖面长度上,虹湾地区均方根高程的平均值在3 m左右;在0.2...     

基于光谱分解的Clementine UV/VIS/NIR数据月表矿物填图

月表主要矿物的空间分布是研究月球起源演化等科学问题的重要基础信息之一。基于Hapke模型与光谱线性分解的矿物提取方法,利用Clementine UV/VIS/NIR数据提取月表单斜辉石、斜方辉石、橄榄石、斜长石及钛铁矿等5类主要矿物的体积百分含量分布,并基于阿波罗（Apollo）月岩（壤）矿物分析数据对提取结果进行评价,对方法和提取结果中存在的问题进行分析,提出了进一步改进的措施。     

顾及月表铁元素含量的次生撞击坑识别

在对月表地质单元定年时,由于月球岩石、土壤和岩心样品数量有限,能够利用这些样品做同位素定年的地质单元范围很小,因此更大范围的月球表面的绝对年龄需要采用撞击坑尺寸频率定年法(crater sizefrequency distribution, CSFD)测定。然而月球表面次生撞击坑的存在会导致CSFD得到的定年结果出现偏差,故在标注撞击坑时有必要对次生撞击坑予以剔除,以便对行星表面的地质单元做较为准确的定年。提出一种顾及月表铁元素含量的次生撞击坑识别方法。使用波段比值法获取月表铁元素含量信息,以次生撞击坑内铁元素含量更接近月壤铁元素含量为假设前提,以撞击坑内与月壤的铁元素含量差值为判据分离主撞击坑和次生撞击坑。以日本月亮女神多光谱成像仪影像为实验数据,验证所提方法的有效性和稳健性。实验结果表明,在依据铁元素含量剔除次生撞击坑后的定年结果与已知定年结果之差小于0.1 Ga,具有较好的一致性;与其他次生撞击坑剔除方法相比,依据月表铁元素信息剔除次生撞击坑的结果更可靠。     

高光谱矿物填图技术与应用研究

回顾和总结了"九五"以来,中国国土资源航空物探遥感中心在高光谱矿物识别和矿物填图领域所取得的成果,包括主要岩矿光谱特征与影响因素分析;矿物的种类识别、丰度反演和成分识别;中—热红外多/高光谱的数据处理和矿物识别;高光谱矿物识别的地质应用模式、矿物填图的工作方法和技术流程、矿物填图的技术体系;矿物填图在区域地质找矿、矿区勘查和成矿与找矿模型、植物地球化学探测、矿山环境监测以及月球和行星探测等方面的应用示范。最后,提出了高光谱矿物填图近期的研究方向。     

基于“嫦娥一号”干涉成像光谱数据的月表虹湾地区FeO及TiO_2含量评估

基于"嫦娥一号"干涉成像光谱数据对月表虹湾地区元素分布进行分析。首先对该数据进行辐射畸变校正、反射率反演和几何校正等预处理;然后基于Apollo月球样品含量的实验室实测数据,建立一套基于"嫦娥一号"干涉成像光谱数据的FeO及TiO2含量反演模型;最后计算获取月表虹湾地区FeO及TiO2含量的分布图,并针对分布结果对虹湾地区的成因提出假设。     

巴伦支海地区生态地球化学填图

1 引言 随着人类活动和工业活动的加剧,对地球生态系统产生的破坏日益严重。而且随着时间的推移,这种破坏的速率还会不断加大。如何通过地质调查研究,特别是通过严重污染地区与无污染地区的对比研究,了解人类活动对地球生态环境的影响,从而为指导经济活动和保持可持续发展提供依据,是地质界不懈努力的方向之一。俄罗斯、挪威     

泰国高光谱矿物填图与矿产数据库建立

高光谱遥感,在成像过程中,它利用成像光谱仪,在可见光、近红外、中红外、热红外波段范围内,获取许多非常窄的连续光谱的影像数据,其成像光谱仪可以收集到上百个非常窄的光谱波段信息,实现了地物的空间信息、辐射信息、光谱信息的同步获取。本文基于遥感平台,对泰国研究区的Hyperion数据进行研究,采用光谱角矿物填图(SAM)方法进行填图,对研究区矿产预测评价起到了良好的辅助效果。在现代地理信息系统学科技术和地理数据库的基础上,将泰国研究区中所获得的地质、遥感、矿产等相关数据资料进行入库,建立泰国国家的数据库。     

基于“嫦娥一号”干涉成像光谱数据的月表虹湾地区FeO及TiO2含量评估

基于＂嫦娥一号＂干涉成像光谱数据对月表虹湾地区元素分布进行分析。首先对该数据进行辐射畸变校正、反射率反演和几何校正等预处理;然后基于Apollo月球样品含量的实验室实测数据,建立一套基于＂嫦娥一号＂干涉成像光谱数据的FeO及TiO2含量反演模型;最后计算获取月表虹湾地区FeO及TiO2含量的分布图,并针对分布结果对虹湾地区的成因提出假设。     

基于二次散射非线性混合模型的矿物填图方法

传统的遥感地质填图方法较少考虑到一个像元中多种地物共生存在的情况,因此所填图件难以反映矿物的分布特征。针对线性混合模型解混精度不高的问题,使用二次散射非线性混合模型对高光谱数据进行光谱解混,并在此基础上,提出了k(k≥2)类地物的填图规则。采用美国内华达州Cuprite地区AVIRIS数据进行填图实验,将其结果与Clark等的填图结果进行对比。实验结果表明:与线性模型的矿物填图相比,基于二次散射非线性混合模型所填图件更加接近矿物的真实分布;使用k(k≥2)类矿物填图规则的填图结果细节丰富,与Clark等人的填图结果吻合度高。     

基于权重光谱解混方法的高光谱矿物填图

提出了一种基于Fisher权重分析的迭代光谱解混方法(WLSMA),该方法首先对高光谱图像进行区域分割,在分割后的各子块中自动提取端元;再次对提取的端元进行聚类,从光谱的整体特征上将不同类别的端元区分开,针对聚类结果中的每一类别各选取几个具有代表性的端元光谱,并对最优光谱进行窗口卷积处理,结合In_CoB指标构建端元光谱样本库;最后对图像进行迭代光谱解混处理,在丰度反演过程中引入基于Fisher准则的补偿权值矩阵以提高反演精度。AVIRIS高光谱数据实验证明,WLSMA不需要大量先验信息,利用Fisher准则和迭代光谱分析理论增强了相似性矿物的可分性,为加强对矿区地表岩性的认识和模拟提供了更大的灵活性和可能性,对高光谱矿物填图有一定的借鉴意义。     

热红外遥感火星矿物填图方法初步研究及应用

利用热辐射光谱仪（TES）数据,对火星进行热红外遥感矿物填图。通过对几种典型填图方法的简要介绍,结合火星环境及方法的使用条件,对填图结果进行简单比较,初步分析了填图方法的差异性,为火星矿物填图的进一步研究提供了基础,并为方法和模型的进一步改进提供了依据。     

新疆东准噶尔蚀变矿物填图及多元信息找矿

选择Crosta和主成分分析方法对新疆青河、奇台、巴里坤一带进行矿化蚀变信息提取，以μ＋1．64σ～μ＋2σ、p＋2σ～p＋3σ及〉μ＋3σ三级阈值分割遥感异常信息，并按不同色彩叠加于1：20万或1：5万化探数据与遥感数据融合的图像上，经综合分析和部分实地查证，提出青河小萨尔布拉克、科克玉依、喀拉套弧形构造、奇台北塔山牧场场部、乌伦布拉格以及巴里坤大红山及草湖沟等为重要找矿地段。     

成象光谱图象光谱吸收鉴别模型与矿物填图研究

本文提出了一种光谱吸收鉴别模型，拟通过矿物光谱吸收特征的鉴别，在成象光谱上实现矿物直接识别与填图。该模型的核心是光谱吸收指数技术（ＳＡＩ）。从理论上探讨了ＳＡＩ的本质，应用Ｈａｐｋｅ光谱模型讨论了ＳＡＩ与光谱吸收系数（ｄ）以及单散射反照率（ｗ）之间的函数关系，并从成象光谱图象辐射信息传递过程分析了图象ＳＡＩ与光谱吸收深度的关系，而光谱吸收深度与岩石矿物成分含量之间具有定量关系，这显示了ＳＡＩ提取矿物定量遥感信息能力。ＳＡＩ已经成功地应用于ＦＩＭＳ、ＭＡＩＳ和ＧＥＲＩＳ图象处理与矿物填图，本文通过哈图、塔里木、以及澳大利亚松谷的实例研究，表明ＳＡＩ是一种有效的提取矿物类型与丰度信息的方法。     

新疆白杨河铀铍矿区航空高光谱矿物填图及蚀变特征分析

以新疆白杨河铀铍矿区为研究区,通过建立航空高光谱数据CASI/SASI矿物填图处理流程,运用混合调制匹配滤波技术实现了多种蚀变矿物的填图。填图结果的野外验证表明,3种绢云母亚类的准确性高于85%,其他各类矿物的准确性高于90%。叠加研究区铀矿点资料,发现白杨河矿区赤铁矿化和高铝绢云母的空间分布特征与铀矿点分布高度相关,主要位于杨庄岩体与外围火山岩的北接触带附近,呈明显分带性。并且,高、中、低铝绢云母的空间分布指示矿床北部和南部的热液活动温度可能存在差异,区域上存在多期热液活动作用。这为矿区外围找矿预测和区域地质成因研究提供了参考和依据。     

顾及缺失值的因果图时空预测网络

时空预测是地理时空大数据挖掘的基础研究命题。目前,多种模型用于预测未知系统的时空状态。然而,存在的大多数预测模型仅在没有缺失数据的时空数据集上进行测试,忽略了缺失值对预测结果的影响。在真实场景中,由于传感器或网络传输故障,数据缺失是一个不容忽视的问题。鉴于此,本文提出了一种顾及缺失值的因果图卷积网络(causal graph convolutional network considering missing values, Causal-GCNM)模型用于时空预测。Causal-GCNM模型可以自动捕捉时空数据中的缺失模式,使得Causal-GCNM模型在不需要借助额外插值算法的前提下,可以直接完成时空预测任务。本文提出的模型在3种真实的时空数据集(交通流数据集、PM_2.5监测数据集及气温监测数据集)得到了验证。试验结果表明,Causal-GCNM模型在4种缺失条件(20%随机缺失、20%块状缺失、40%随机缺失及40%块状缺失)下仍然具有较好的预测性能,并在预测精度和计算效率两类指标上优于10种存在的基线方法。