孫婭琴，田淑芳，王興振，高雅潔

(中國地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院，北京　100083)

?

基于光譜匹配的熱紅外高光譜數(shù)據(jù)巖性分類研究

孫婭琴，田淑芳，王興振，高雅潔

(中國地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院，北京100083)

從巖石光譜出發(fā)，結(jié)合光譜譜帶強(qiáng)度特征和光譜波形特征，針對機(jī)載熱紅外高光譜數(shù)據(jù)(TASI)，在以往算法基礎(chǔ)上，提出一種改進(jìn)的算法——光譜離散能級波形匹配法(SDEM)，并將其運用到巖性分類研究中。SDEM算法能識別巖石光譜間的微小差異，并在充分考慮光譜譜帶強(qiáng)度和波形特征的同時，有效減弱數(shù)據(jù)噪聲。與傳統(tǒng)的巖性分類方法——高光譜角度制圖法(SAM)相比，改進(jìn)的算法能更精確地區(qū)分巖石相似光譜，識別易混淆巖性，對出現(xiàn)“異物同譜”現(xiàn)象的巖石也具有更好的區(qū)分能力。將SDEM、SAM方法應(yīng)用于甘肅柳園地區(qū)TASI數(shù)據(jù)巖性分類研究中，可看出SDEM方法能識別出SAM未識別或識別錯誤的巖性。通過研究區(qū)野外查證，可知SDEM方法所得巖性分類結(jié)果更符合巖石實際分布情況?？梢姽庾V離散能級波形匹配法具有較好的巖性分類效果，能更好地區(qū)分地物。

熱紅外高光譜；光譜特征；光譜離散能級波形匹配法；甘肅柳園地區(qū)；巖性分類

0　引　言

高光譜遙感具有多而窄的連續(xù)光譜，光譜分辨率可達(dá)納米級，可獲得影像中每個像元的精細(xì)光譜，包含了表現(xiàn)地物空間分布特征的空間、輻射和光譜三重信息，具有“圖譜合一”的特點[1]。地物的光譜特性是高光譜遙感的基礎(chǔ)。巖石熱紅外波段發(fā)射率光譜特征與其晶格中原子基團(tuán)的基頻振動有關(guān)，而原子基團(tuán)基頻振動反映了巖石成分、結(jié)構(gòu)的差異，因此，通過分析熱紅外高光譜數(shù)據(jù)的光譜特征，可以獲取相應(yīng)的巖性信息[2]。

地物光譜的差異主要體現(xiàn)在譜帶強(qiáng)度特征和光譜波形特征兩個方面。譜帶強(qiáng)度代表了某個波長的發(fā)射率、反射率或輻射亮度。根據(jù)譜帶強(qiáng)度，邵蕓等使用比值法[3]，甘甫平、楊自安等使用主成分分析法[4-5]，宋晚郊、張緒教等使用主成分分析和礦物指數(shù)方法[6]分別進(jìn)行了巖礦識別；楊波、李京等在波段運算、主成分分析的基礎(chǔ)上提取了巖體和隱伏巖體信息[7]。然而，譜帶強(qiáng)度易受巖石光譜中某個或某幾個強(qiáng)度比較突出的波段的控制，對于譜帶強(qiáng)度相差不大的巖石來說，僅基于譜帶強(qiáng)度進(jìn)行巖性分類的精度較低。光譜波形特征主要指光譜的波形表征參數(shù)，如吸收波段位置、吸收深度、吸收寬度等。Rowan等針對波形特征使用光譜角匹配法進(jìn)行了巖性識別[8]，王青華、王潤生等根據(jù)診斷性吸收特征進(jìn)行了巖性填圖[9]。針對高光譜數(shù)據(jù)，利用波形特征能快速提取地物，但其受地物總體波形或局部波形的影響較大，在提取過程中易丟失地物信息。因此，王欽軍等提出了結(jié)合譜帶強(qiáng)度與波形特征的光譜排序編碼法、光譜能級匹配法和光譜相關(guān)能級匹配法提取巖性信息,均取得了不錯的效果[10-11]。

圖1　光譜離散能級波形匹配法(SDEM)流程圖　Fig.1　The flow chart of spectral divergence energy-level matching method

但是，到目前為止，國內(nèi)外的巖性分類研究較多針對反射率光譜，而針對航空熱紅外發(fā)射率光譜的此類研究甚少，并且以往算法在一定程度上均受噪聲的干擾。因此，提出一種能有效減小或消除噪聲影響且適用于熱紅外發(fā)射率數(shù)據(jù)的巖性分類算法至關(guān)重要。

基于以上分析，本文在以往算法的基礎(chǔ)上，提出了一種改進(jìn)的光譜特征匹配算法：光譜離散能級波形匹配法(SDEM：Spectral Divergence Energy-level Matching Method)，并通過野外驗證精度，和對比分析該方法與傳統(tǒng)高光譜角度制圖法的巖性分類結(jié)果來評價其巖性分類性能。

1　技術(shù)原理

光譜離散能級波形匹配法(SDEM)是在已有光譜排序編碼法、光譜能級匹配法和光譜相關(guān)能級匹配法等方法的基礎(chǔ)上，通過改進(jìn)譜帶強(qiáng)度相似度、光譜完全波形特征相似度的匹配指數(shù)來識別熱紅外高光譜圖像上的目標(biāo)地物。SDEM算法的改進(jìn)之處在于：在譜帶強(qiáng)度相似度匹配指數(shù)中引入蘭氏距離，結(jié)合光譜信息散度，以保證在充分進(jìn)行譜帶強(qiáng)度匹配時有效減弱噪聲的影響；在光譜波形特征相似性匹配時將光譜差曲線的標(biāo)準(zhǔn)差與光譜排序編碼相結(jié)合，能在波形特征定量化匹配的同時充分考慮譜帶強(qiáng)度，避免出現(xiàn)丟失地物的現(xiàn)象。算法主要流程如圖1所示。

1.1譜帶強(qiáng)度相似性匹配

為了在充分進(jìn)行譜帶強(qiáng)度匹配的基礎(chǔ)上有效減弱數(shù)據(jù)噪聲的影響，本文采用光譜信息散度(SID:Spectral Information Divergence)與蘭氏距離(LD:Lance and Williams Distance)[12]相組合的方法來計算譜帶強(qiáng)度相似性。

光譜信息散度(SID)將每個像元視為一個隨機(jī)變量，并根據(jù)像元之間光譜概率分布行為的差異得到兩像元之間的光譜相似性，其在反映像元光譜特征差異的同時，能有效地保留光譜特征信息，適用于具有多個光譜波段的高光譜遙感圖像[13-14]。式(1)為SID的計算公式：

SID(r, r′)=D(r‖r′)+D(r′‖r)

(1)

其中：

(2)

(3)

(4)

以上各式中：r和r′分別代表像元光譜和參考光譜；p和q分別代表二者的概率質(zhì)量分布；Aj表示像元光譜r中第j個波段的譜帶強(qiáng)度；Bj表示參考光譜r′中第j波段的譜帶強(qiáng)度；N是波段個數(shù)，D(r‖r′)為r′相對于r的相對熵；D(r′‖r)為r相對于r′的相對熵。

光譜信息散度SID表達(dá)了像元光譜與參考光譜譜帶強(qiáng)度的整體相似程度，值越小，光譜之間的相似性越大。然而，光譜信息散度在計算時易受光譜強(qiáng)度比較突出的某個或某幾個波段的控制，對于譜帶強(qiáng)度不大的地物，效果不明顯。為了彌補上述不足，本文引入蘭氏距離LD，結(jié)合光譜信息散度SID，作為光譜譜帶強(qiáng)度相似性匹配指標(biāo)。

蘭氏距離LD對奇異值不敏感，但對數(shù)值較低的對象具有較強(qiáng)的差異刻畫能力，將其運用到遙感影像上不僅可以很好地抑制噪聲，而且能有效地彌補SID的不足，突出譜帶強(qiáng)度較低對象間的差異。LD的定義式如下：

(5)

綜上所述，譜帶強(qiáng)度相似性匹配指數(shù)SE的計算公式如下：

SE(r, r′)=SID(r, r′)+LD(r, r′)

(6)

1.2光譜波形特征相似性匹配

在光譜波形特征相似性匹配方面，使用光譜差曲線(DS：Difference of Spectra)的標(biāo)準(zhǔn)差與光譜排序編碼相結(jié)合的指標(biāo)，以保證定量化描述光譜曲線波形特征差異的同時，充分考慮光譜強(qiáng)度。

光譜差曲線是將參考光譜與像元光譜逐點相減而得到的一維數(shù)為N(波段數(shù))的新向量。當(dāng)兩條曲線譜形相似時，光譜差曲線近似為一條斜率為0的直線；當(dāng)譜形存在明顯差異時，DS將是一條存在明顯起伏的曲線[15]。基于此，本文使用光譜差曲線的標(biāo)準(zhǔn)差定量化描述光譜曲線波形的相似性,標(biāo)準(zhǔn)差越小，兩條光譜曲線越相似。光譜差曲線的標(biāo)準(zhǔn)差公式如式(7)所示：

(7)

SSE=n/N

(8)

那么，光譜波形特征相似性匹配指數(shù)為：

SF=SSD+(1-SSE)

(9)

由式(9)可見，SF越小，兩條曲線的光譜波形特征越相似。

綜上所述，光譜離散能級波形匹配法(SDEM)的總指標(biāo)為：

S=SE×SF

(10)

由上式及以上論述可知，S越小，兩條光譜的相似性越高。

2　實例應(yīng)用

2.1TASI數(shù)據(jù)簡介

TASI傳感器由加拿大ITRES公司研制，是目前我國引進(jìn)的第一臺航空熱紅外高光譜成像系統(tǒng)，共32個波段，空間分辨率2.25 m，波長范圍為8～11.5 μm，半波寬0.054 8 μm，光譜分辨率0.109 5 μm。本文所用數(shù)據(jù)為經(jīng)過相對輻射校正、大氣校正、溫度與發(fā)射率分離后的TASI發(fā)射率數(shù)據(jù)。

2.2研究區(qū)簡介

本文研究所用數(shù)據(jù)獲取于2010年9月8日下午甘肅柳園地區(qū)，地理坐標(biāo)范圍為：95°10′00″E—95°46′00″E，41°08′00″N—41°16′00″N，面積746 km2。

圖2　研究區(qū)綜合地質(zhì)簡圖Fig.2　The comprehensive geological map of the study area1.全新統(tǒng)；2.上更新統(tǒng)；3.下更新統(tǒng)玉門組；4.上新統(tǒng)苦泉組；5.奧陶系斜長混合巖、角巖、板巖；6.奧陶系千枚巖、泥板巖、結(jié)晶灰?guī)r；7.磚紅色花崗巖；8.紅色花崗巖；9.黑云母花崗巖、鉀長花崗巖；10.花崗閃長巖；11.超基性巖；12.花崗巖脈；13.石英脈；14.輝綠巖脈；15.地質(zhì)界線；16.斷裂；17.研究區(qū)范圍

圖3　23條參考光譜曲線圖Fig.3　Curves of 23 reference spectra

甘肅柳園研究區(qū)位于甘肅北山造山帶中帶，紅柳河—牛圈子—洗腸井早古生代縫合帶南緣，隸屬塔里木—華北板塊一級構(gòu)造單元，敦煌微板塊二級構(gòu)造單元。

研究區(qū)巖性復(fù)雜(圖2)，地層主要包括：中奧陶統(tǒng)花牛山群中巖組千枚巖、泥板巖、泥晶灰?guī)r、變質(zhì)砂巖、黑云二長混合巖、角閃斜長混合巖夾變質(zhì)砂巖、玄武巖等；新近系上新統(tǒng)苦泉組磚紅色砂巖、粉砂質(zhì)泥巖；第四系全新統(tǒng)磚紅色砂巖、粉砂質(zhì)泥巖等。區(qū)內(nèi)巖漿活動頻繁，侵入作用強(qiáng)烈，由老至新有華力西早期、中期和印支期3個巖漿期，以華力西中期巖漿侵入活動最為強(qiáng)烈，巖石類型主要為中酸性、基性—超基性巖體，如橄欖巖、花崗閃長巖、斑狀花崗巖等。

2.3巖性分類結(jié)果評價

結(jié)合已有地質(zhì)資料、野外驗證點、巖石樣本巖礦鑒定結(jié)果以及野外實測波譜，本文選取并定名研究區(qū)共23條典型巖性的發(fā)射率曲線作為參考光譜，如圖3所示。參考光譜所代表的巖性分別為石英巖、中細(xì)粒石英二長巖、陽起黝簾巖、蛇紋巖、黑云斜長變粒巖、粗中粒二長花崗巖、含斑角閃閃長巖、碎裂狀透閃大理巖、二云石英片巖、大理巖、硅板巖、強(qiáng)絹英巖化花崗巖、強(qiáng)蝕變煌斑巖、細(xì)中粒正長花崗巖、細(xì)粒二長花崗巖、堇青黑云長英質(zhì)角巖、綠泥絹云板巖、角巖化陽起透閃硅質(zhì)巖、花崗閃長斑巖、碎裂狀硅質(zhì)蝕變巖、含黑云二長花崗巖、橄欖角閃石巖、輝綠巖。根據(jù)已有地質(zhì)資料、野外驗證結(jié)果及巖石波譜測試結(jié)果可知，所選23種巖性基本上能代表研究區(qū)的巖石類型。

研究中針對TASI發(fā)射率數(shù)據(jù)，應(yīng)用光譜離散能級波形匹配法(SDEM)進(jìn)行巖性分類研究，并在此分類基礎(chǔ)上進(jìn)行野外驗證。研究區(qū)野外驗證點共176個，均勻分布于研究區(qū)內(nèi)，如圖4所示。

圖4　研究區(qū)野外驗證點分布圖Fig.4　The field validation points of the study area

表1為SDEM方法巖性分類結(jié)果野外驗證精度表，從表中176個野外驗證點驗證結(jié)果可見，該方法巖性分類精度在75.0%以上，其中陽起黝簾巖、蛇紋巖、硅板巖、強(qiáng)蝕變煌斑巖、堇青黑云長英質(zhì)角巖、綠泥絹云板巖、碎裂狀硅質(zhì)蝕變巖等的精度達(dá)100%，巖性分類結(jié)果與巖石野外實際分布情況基本一致。可見光譜離散能級波形匹配法能在較大程度上識別地物的光譜信息，對相似光譜或者具有“異物同譜”特征的地物，具有較好的識別效果。 而高光譜遙感識別巖石或礦物的技術(shù)方法有很多，如高光譜角度制圖法、最大似然分類法、人工神經(jīng)網(wǎng)絡(luò)分類法、光譜微分技術(shù)、混合光譜分解技術(shù)等，其中在巖性填圖方面，高光譜角度制圖法效果相對較好。因此，本文同時使用高光譜角度制圖法對研究區(qū)進(jìn)行巖性分類，并對比分析兩種方法的巖性分類效果。兩種方法均使用圖3所示的23條光譜作為參考光譜。

圖5、圖6、圖7、圖8分別為研究子區(qū)兩種方法巖性分類結(jié)果對比圖，從圖中可見兩種方法的巖性分類結(jié)果整體上是一致的，但SDEM方法在細(xì)節(jié)方面，特別是對相似光譜的區(qū)分上，具有更好、更精細(xì)的分類效果，而高光譜角度制圖法則相對易出現(xiàn)錯分或漏分現(xiàn)象。

圖5中D159為輝綠巖野外驗證點，從圖3中可見輝綠巖與橄欖角閃石巖具有相似的發(fā)射率光譜，SDEM方法在D159處提取出了輝綠巖，而高光譜角度制圖法因未能區(qū)分出相似光譜間的細(xì)微差別而將此處的輝綠巖誤填為橄欖角閃石巖。

表1SDEM方法巖性分類結(jié)果野外驗證精度

Table 1Field validation precision of SDEM lithology classification results

分類巖性野外驗證正確點數(shù)錯誤點數(shù)驗證總數(shù)正確率/%石英巖1011190.9中細(xì)粒石英二長巖1231580.0陽起黝簾巖303100.0蛇紋巖202100.0黑云斜長變粒巖821080.0粗中粒二長花崗巖1211392.3含斑角閃閃長巖1341776.5碎裂狀透閃大理巖62875.0二云石英片巖303100.0大理巖41580.0硅板巖404100.0強(qiáng)絹英巖化花崗巖61785.7強(qiáng)蝕變煌斑巖202100.0細(xì)中粒正長花崗巖1131478.6細(xì)粒二長花崗巖61785.7堇青黑云長英質(zhì)角巖404100.0綠泥絹云板巖303100.0角巖化陽起透閃硅質(zhì)巖41580.0花崗閃長斑巖51683.3碎裂狀硅質(zhì)蝕變巖303100.0含黑云二長花崗巖1752277.3橄欖角閃石巖41580.0輝綠巖61785.7

圖5　兩種方法巖性分類結(jié)果對比圖(輝綠巖對比)Fig.5　Contrast of lithology classification results of the two methods(diabase)(a)高光譜角度制圖法；(b)光譜離散能級波形匹配法(SDEM)

圖6　兩種方法巖性分類結(jié)果對比圖(含斑角閃閃長巖對比)Fig.6　Contrast of lithology classification results of the two methods(hornblende diorite bearing porphyry)(a)高光譜角度制圖法；(b)光譜離散能級波形匹配法(SDEM)

圖7　兩種方法巖性分類結(jié)果對比圖(中細(xì)粒石英二長巖對比)Fig.7　Contrast of lithology classification results of the two methods(medium-fine adamellite)(a)高光譜角度制圖法；(b)光譜離散能級波形匹配法(SDEM)

圖8　兩種方法巖性分類結(jié)果對比圖(巖性界線對比)Fig.8　Contrast of lithology classification results of the two methods(lithologic boundary)(a)高光譜角度制圖法；(b)光譜離散能級波形匹配法(SDEM)

圖9　兩種方法巖性分類結(jié)果對應(yīng)色卡圖例Fig.9　The color illustrations legend of lithology classification results of the two methods

圖6中D37點野外驗證為含斑角閃閃長巖，從圖3中可見含斑角山閃長巖與黑云斜長變粒巖具有相似的發(fā)射率光譜，SDEM方法在此點的分類結(jié)果為含斑角閃閃長巖，而高光譜角度制圖法卻將其誤提取為黑云斜長變粒巖。

圖7所示橢圓中，橄欖角閃石巖中含有少量中細(xì)粒石英二長巖，SDEM方法將石英二長巖提取出來了，而高光譜角度制圖法出現(xiàn)了漏提現(xiàn)象，未能識別出此處的石英二長巖。

此外，因為SDEM方法能在較大程度上挖掘地物的光譜信息，解讀不同巖性光譜之間的微弱差異，故在其分類結(jié)果中相鄰巖性的界線也更加截然。如圖8為研究區(qū)局部地區(qū)巖性分類結(jié)果對比圖，可見SDEM方法的巖性界線相對高光譜角度制圖法更清晰。

綜上可見，針對熱紅外高光譜數(shù)據(jù)，SDEM方法能在較大程度上區(qū)分地物光譜，特別是相似光譜，從而更好地識別地物。相對于傳統(tǒng)基于光譜匹配的分類方法，其在對熱紅外高光譜數(shù)據(jù)進(jìn)行巖性識別方面具有更好的效果。

3　結(jié)　論

本文從高光譜影像具有豐富的光譜信息出發(fā)，基于譜帶強(qiáng)度特征和光譜波形特征相結(jié)合的原則，提出了一種改進(jìn)的算法——光譜離散能級波形匹配法(SDEM)，進(jìn)行巖性分類研究。從甘肅柳園地區(qū)野外驗證結(jié)果可見，該方法巖性分類精度在75.0%以上，最高達(dá)100.0%，其分類結(jié)果與巖石野外實際分布情況基本一致。通過對比分析研究區(qū)的TASI熱紅外高光譜數(shù)據(jù)的巖性分類試驗結(jié)果，可見針對高光譜數(shù)據(jù)，SDEM方法能有效地表現(xiàn)出不同巖性光譜，特別是相似光譜之間的差異，且能在一定程度上抑制圖像噪聲，使巖性分類結(jié)果更趨近地物真實分布情況。相對于高光譜角度制圖法而言，SDEM方法具有更好的分類效果，能有效地識別出高光譜角度制圖法未能識別出或識別不完全的地物，且其在地物邊界上也具有更好的表現(xiàn)力，相鄰地物之間的界線相對更清晰。在地質(zhì)應(yīng)用方面，如巖性填圖、礦物填圖等，光譜離散能級波形匹配法表現(xiàn)出一定的優(yōu)勢，具有良好的應(yīng)用前景。

光譜離散能級波形匹配法在不同地物或者具有“異物同譜”現(xiàn)象的地物之間具有較好的表現(xiàn)力，但對于解決因其他因素(如地形、陰影等)的影響所出現(xiàn)的“同物異譜”現(xiàn)象，SDEM算法還有待進(jìn)一步改進(jìn)。

[1]童慶禧，張兵，鄭蘭芬. 高光譜遙感——原理、技術(shù)與應(yīng)用[M]. 北京：高等教育出版社，2006：38-51.

[2]CHRISTENSEN P R，BANDFIELD J L，HAMILTON V E，et al. A thermal emission spectral library of rock-forming minerals[J]. Journal of Geophysical Research，2000，105(E4)：9735-9739.

[3]邵蕓，朱亮璞，崔承禹. 航空多光譜遙感識別沉積巖地層巖性的應(yīng)用研究[J]. 環(huán)境遙感，1989，4(2)：145-153.

[4]甘甫平，王潤生，馬藹乃，等.光譜遙感巖礦識別基礎(chǔ)與技術(shù)研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，2002，17(3)：140-147.

[5]楊自安，徐國端，鄒林，等. 化探與遙感信息在青海兩蘭地區(qū)找礦預(yù)測中的應(yīng)用[J]. 地質(zhì)與勘探，2003，39(6)：42-45.

[6]宋晚郊，張緒教，高萬里，等. 東昆侖造山帶巴顏喀拉山群ASTER巖性信息提取[J]. 現(xiàn)代地質(zhì)，2013，27(1)：119-122.

[7]楊波，李京，陳云浩，等. 甘肅鷹嘴山地區(qū)巖體和隱伏巖體遙感信息提取研究[J]. 現(xiàn)代地質(zhì)，2005，19(3)：467-469.

[8]ROWAN L C，MARS J C. Lithologic mapping in the Mountain Pass，California area using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data[J]. Remote Sensing of Environment，2003，84(3)：350-366.

[9]王青華，王潤生，郭小方. 高光譜遙感技術(shù)在巖石識別中的應(yīng)用[J]. 國土資源遙感，2000，46(4)：41-43.

[10]王欽軍，藺啟忠. 一種巖性提取新方法——光譜排序編碼法[J]. 地質(zhì)與勘探，2006，42(3)： 91-96.

[11]王欽軍. 高/多光譜遙感目標(biāo)識別算法及其在巖性目標(biāo)提取中的應(yīng)用[D]. 北京：中國科學(xué)院遙感應(yīng)用研究所，2006：33-68.

[12]王珂，顧行發(fā)，余濤，等. 基于頻譜相似性的高光譜遙感圖像分類方法[J]. 中國科學(xué)：技術(shù)科學(xué)，2013，43(4)：407-416.

[13]DU Y，CHANG C I，REN H，et al. New hyperspectral discrimination measure for spectral characterization[J]. Optical Engineering，2004，43(8)：1777-1786.

[14]董廣軍，張永生,戴晨光，等. 基于信息散度特征的高光譜影像識別技術(shù)[J]. 儀器儀表學(xué)報，2006，27(6)：2091-2093.

[15]劉偉，徐水平，袁軍，等. 基于差曲線信息熵的光譜相似性測度改進(jìn)方法[J]. 測繪通報，2010(增刊)： 239-242.

An Improved Lithological Classification Method for Thermal Infrared Hyperspectral Data Based on Spectral Matching

SUN Ya-qin, TIAN Shu-fang, WANG Xing-zhen, GAO Ya-jie

(SchoolofEarthSciencesandResources,ChinaUniversityofGeosciences，Beijing100083，China)

Feature spectral characteristics are the base of hyperspectral remote sensing technology. Based on rock spectral characteristics, for the purpose of classifying lithology by using Thermal Infrared Airborne Hyperspectral Imager (TASI) data, an improved lithological classification algorithm-spectral divergence energy-level matching (SDEM)-is presented in this paper. SDEM can identify tiny differences between any two different spectra. Also, this method takes both spectral band intensity and spectral waveform into account, and can effectively reduce the impact of image noises. Compared with the traditional lithological classification method-high spectral angle mapping (SAM), the improved algorithm can distinguish those similar but different spectra more precisely, and can identify those easily confused lithology. This method is also good at distinguishing the lithology known as “different features with similar spectra”. Using the TASI data of Liuyuan region in Gansu Province, we compared the lithological classification results of SDEM and SAM methods, and found that the SDEM method can identify the lithology that SAM can’t identify or wrongly identified. Based on our field validation work, the classification result by SDEM is more accordant with the actual distribution of rock, and is also more detailed.

thermal infrared hyperspectra; spectral characteristic; spectral divergence energy-level matching (SDEM); Liuyuan region in Gansu Province; lithological classification

2015-07-07；改回日期：2015-10-15；責(zé)任編輯：樓亞兒。

中國地質(zhì)調(diào)查局項目“熱紅外高光譜礦化蝕變礦物提取方法研究與應(yīng)用示范”(12120113099600)。

孫婭琴，女，碩士研究生，1991年出生，資源與環(huán)境遙感專業(yè)，主要從事熱紅外高光譜遙感、地質(zhì)遙感研究。Email: 763847773@qq.com。

田淑芳，女，副教授，1963年出生，資源與環(huán)境遙感專業(yè)，長期從事遙感、GIS的教學(xué)與科研工作。

Email: sftian@cugb.edu.cn。

P627；TP79

A

1000-8527(2016)01-0239-08