地表岩石中三氧化二铁含量的确定方法与流程

本发明涉及地球探测
技术领域：
，尤其涉及一种地表岩石中三氧化二铁含量的确定方法。
背景技术：
：含fe3+离子的矿物在风化岩石和土壤中都广泛存在。在1970-1979年，hunt和salibury等学者做了大量关于岩石矿物在可见光-近红外波段的波谱特征的研究，研究发现由针铁矿、赤铁矿和黄钾铁矾组成的三价铁的铁帽的特征吸收波段集中在850nm和950nm，并指出铜矿床的铁帽的反射光谱特征与赤铁矿相似。他们也发现羟基蚀变的矿物振动吸收特征集中在1400nm，2200nm，2300nm附近。1979年hunt、ashley利用内华达洲金矿区域的含铁岩土样品研究了含铁蚀变矿物的光谱特征，他们研究发现，含铁蚀变矿物的含量对岩土光谱影响非常明显，即使含铁蚀变矿物含量很少，也可以用来区别其他矿物。tunell通过对绢英岩化矿物进行了研究，发现，fe3+通常分布在硅化带比较发育的地带，黄甲铁矾通常出现在蒙脱石等的泥化带中，当黄铁矿和黄铜矿中硫化物减少时，就表示褐铁矿和针铁矿含量在增加，此研究结果对寻找与金或金属硫化物矿床有非常重要的意义。rowan等发现氧化铁富集是由于fe3+在500～1100nm光谱范围内发生了电子的跃迁。后来的工作中利用了一些传感器在2200nm振动吸收特性，来定位与蚀变有关的粘土矿物聚集的岩石。可以得出结论：这两个吸收特征是蚀变的有效指示指标，这种光谱特性的组合在非蚀变区是不会发生的。但是，像铁染的页岩和被风化的花岗闪长岩之类的岩石，同样含有铁氧化物和粘土物质除外。hunt发现岩石和矿物在400～2500nm波段范围内所呈现的反射光谱特征，主要是由组成的阳离子的电子跃迁和阴离子团的分子振动引起，且400～1300nm波段范围内的反射光谱特征主要是由阳离子的电子跃迁所引起的。这些岩石矿物的波谱特征的研究为在可见光-近红外波段范围内进行含fe3+矿物含量的定量反演提供了理论基础。光谱对地物化学成分及结构的细微变化非常敏感，地物细微的化学成分和结构变化将导致地物的吸收位置和吸收深度有很大的变化。1995年ben-dor、banin在实验室测得91个土壤样品的光谱曲线，并利用其反演土壤中的全铁含量(自由铁、结构铁)，并建立了在1075、1025和425nm谱段的全铁含量反演的多元线性回归模型。但是这些研究者都是以研究土壤为背景来研究铁的含量，利用高光谱对岩石中含铁矿物的研究主要是在矿物种类的定性研究，vanruitenbeek等通过测量岩石的微构造，利用高光谱遥感进行矿物填图。bernarde.hubbard和jamesk.crowley利用ali、aster、和hyperion图像在智利和玻利维亚的交界的altiplano地区进行矿物填图。目前利用高光谱遥感数据进行定量岩石中成分含量的反演的研究还比较少。前人已经在利用高光谱遥感监测植被长势、对植物冠层叶绿素含量的反演和土壤重金属污染程度等等做了大量的研究，但是在对岩石中fe3+的研究也仅仅是基于对fe3+的光谱特性等定性方面的研究，因此，需要一种定量地表岩石中三氧化二铁(fe2o3)含量的方法。技术实现要素：为解决上述问题，本申请实施例提出了一种地表岩石中三氧化二铁含量的确定方法。s101，获取地表岩石的原始光谱数据；s102，对所述原始光谱数据进行一阶微分处理；s103，将微分后光谱数据进行小波包分解；s104，根据分解后的光谱数据，采用反演模型确定三氧化二铁含量；所述反演模型中，将相关波段的反射率作为自变量，将三氧化二铁含量作为因变量。可选地，所述s102之后，s103之前，还包括：将所述微分后光谱数据进行去包络线处理；s103包括：将去包络线处理后的光谱数据进行小波包分解。可选地，小波包分解中的小波包为序列{un(x)}；其中，un(x)满足如下双尺度方程：gk＝(-1)kh1-k，gk为低通滤波参数，hk为高通滤波参数，n∈z，z为尺度空间集合，x为分解变量。可选地，所述s104包括：根据所述分解后的光谱数据，采用如下公式，进行enter线性回归分析，确定三氧化二铁含量：y＝3.946-69.38*b46-92.41*b13+236.61*b50-97.57*b24-40.52*b183-176.84*b194-115.62*b195+175.93*b107-42.78*b27；其中，y为因变量，b46、b13、b50、b24、b183、b194、b195、b107、b27为自变量，b46对应分解后的光谱数据中第46波段的反射率，b13对应分解后的光谱数据中第13波段的反射率，b50对应分解后的光谱数据中第50波段的反射率，b24对应分解后的光谱数据中第24波段的反射率，b183对应分解后的光谱数据中第183波段的反射率，b194对应分解后的光谱数据中第194波段的反射率，b195对应分解后的光谱数据中第195波段的反射率，b107对应分解后的光谱数据中第107波段的反射率，b27对应分解后的光谱数据中第27波段的反射率。可选地，所述s104包括：根据去包络线处理后的光谱数据，采用如下公式，进行偏最小二乘法回归分析，确定三氧化二铁含量：lny＝0.698+0.099*b12+0.097*b14-0.037*b15+1.435*b29-2.081*b46-3.957*b90-1.541*b96+1.759*b205+1.739*b211；其中，y为因变量，b12、b14、b15、b29、b46、b90、b96、b205、b211为自变量，b12对应分解后的光谱数据中第12波段的反射率，b14对应分解后的光谱数据中第14波段的反射率，b15对应分解后的光谱数据中第15波段的反射率，b29对应分解后的光谱数据中第29波段的反射率，b46对应分解后的光谱数据中第46波段的反射率，b90对应分解后的光谱数据中第90波段的反射率，b96对应分解后的光谱数据中第96波段的反射率，b205对应分解后的光谱数据中第205波段的反射率，b211对应分解后的光谱数据中第211波段的反射率。可选地，所述将所述微分后光谱数据进行去包络线处理，包括：根据如下公式对所述原始光谱数据进行去包络线处理：其中，i为微分后光谱数据中的波长标识，λi为微分后光谱数据中第i个波段的波长，r(λi)为微分后光谱数据中第i个波段在吸收谷处的反射率，rc(λi)为微分后光谱数据中第i个波段对应波长处包络线的值，r'(λi)为微分后光谱数据中第i个波段去包络线之后的光谱值。可选地，所述将所述微分后光谱数据进行去包络线处理，包括：根据如下公式对所述原始光谱数据进行去包络线处理：其中，i为微分后光谱数据中的波段标识，λi为微分后光谱数据中第i个波段的波长，r(λi)为微分后光谱数据中第i个波段在吸收谷处的反射率，rc(λi)为微分后光谱数据中第i个波段对应波长处包络线的值，rm(λi)为微分后光谱数据中第i个波段在吸收峰处的反射率，w(λi)为微分后光谱数据中第i个波段的吸收宽度，r'(λi)为微分后光谱数据中第i个波段去包络线之后的光谱值。可选地，所述s102包括：通过如下公式对所述原始光谱数据进行一阶微分处理：其中，s为原始光谱数据中的波段标识，λs-1为原始光谱数据中第s-1个波段的波长，λs为原始光谱数据中第s个波段的波长，λs+1为原始光谱数据中第s+1个波段的波长，λs-1，λs，λs+1为相邻波段的波长，r1'(λs)为波长为λs的一阶微分光谱，r1(λs+1)为波长为λs+1的原始光谱数据在吸收谷处的反射率，r1(λs-1)为波长为λs-1的原始光谱数据在吸收谷处的反射率。可选地，所述s102包括：通过如下公式对所述原始光谱数据进行一阶微分处理：其中，s为原始光谱数据中的波段标识，λs-1为原始光谱数据中第s-1个波段的波长，λs为原始光谱数据中第s个波段的波长，λs+1为原始光谱数据中第s+1个波段的波长，λs-1，λs，λs+1为相邻波段的波长，r1'(λs)为波长为λs的一阶微分光谱，r1(λs+1)为波长为λs+1的原始光谱数据在吸收谷处的反射率，r1(λs-1)为波长为λs-1的原始光谱数据在吸收谷处的反射率。可选地，所述反演模型的确定方法包括：s201，获取样本光谱数据；s202，将所述样本光谱数据以所有样本光谱数据的中心波长进行重采样；s203，将重采样后的样本光谱数据进行一阶微分处理；s204，对微分后的样本光谱数据进行去包络线处理；s205，将微分后的样本光谱数据进行小波包分解；s206，将去包络线处理后的样本光谱数据进行小波包分解；s205，根据重采样后的样本光谱数据、去包络线处理后的样本光谱数据、小波包分解后的样本光谱数据、小波包分解后的去包络线处理样本光谱数据，分别采用偏最小二乘法回归分析方法和enter线性回归分析方法，确定反演模型。有益效果如下：对地表岩石的原始光谱数据进行一阶微分处理，然后将微分后光谱数据进行小波包分解，对分解后的光谱数据，通过将相关波段的反射率作为自变量，将三氧化二铁含量作为因变量的反演模型，确定三氧化二铁含量，进而定量地表岩石中三氧化二铁含量。附图说明下面将参照附图描述本申请的具体实施例，其中：图1示出了本申请一实施例提供的一种重采样光谱曲线示意图；图2示出了本申请一实施例提供的一种去包络线处理后的光谱曲线示意图；图3示出了本申请一实施例提供的一种三层分解小波包分析树的示意图；图4示出了本申请一实施例提供的一种微分后的样本光谱数据的小波包分解结果示意图；图5示出了本申请一实施例提供的一种去包络线处理后的样本光谱数据的小波包分解结果示意图；图6示出了本申请一实施例提供的一种重采样后的样本光谱数据与其小波包分解后的光谱相关系数示意图；图7示出了本申请一实施例提供的一种去包络线处理后的样本光谱数据与其小波包分解后的光谱相关系数示意图；图8示出了本申请一实施例提供的一种光谱相关系数示意图；图9示出了本申请一实施例提供的一种fe2o3含量实测值与预测值对比结果示意图；图10示出了本申请一实施例提供的另一种fe2o3含量实测值与预测值对比结果示意图；图11示出了本申请一实施例提供的一种基于小波包分解后的样本光谱数据进行fe2o3含量反演的结果示意图；图12示出了本申请一实施例提供的一种地表岩石中三氧化二铁含量的确定方法流程示意图；图13示出了本申请一实施例提供的一种大兴安岭南段地质示意图；图14示出了本申请一实施例提供的一种实现流程图。具体实施方式本发明提供的地表岩石中三氧化二铁含量的确定方法包括2个大过程，第一个大过程为反演模型的确定过程，第二个大过程为基于反演模型进行地表岩石中三氧化二铁含量确定的过程。下面分别对2个过程进行描述。第一大过程：反演模型的确定过程本过程主要包括如下几个步骤：s201，获取样本光谱数据。在确定反演模型时，以美国地质调查局(usgs)、喷气推进实验室(jpl)和约翰霍普金斯大学(jhu)提供的标准数字光谱库为基础数据。具体的，(1)美国地质勘探局usgs在1993年建立波长范围0.2～3.0μm之间的光谱库。usgs光谱库中包含444个岩石样本，218种矿物样本的498个波谱测试数据，在波长范围0.2～0.8μm内光谱分辨率为4nm，波长范围0.8～2.35μm内光谱分辨率为10nm。(2)jpl美国喷气推进实验室用beckmanuv-5240型号的仪器对160种不同粒度的常见矿物进行了测试，并同时进行了x光测试分析，然后按照小于45μm，45～125μm，125～500μm3种粒度，分别建立了jpl1、jpl2、jpl3这3个光谱库，反映了粒度对反射率的影响。(3)约翰霍普金斯大学(jhu)提供了包含15个子库的光谱库，不同的地物选用不同的分光计进行测试光谱，并用文本介绍了每种地物的详细情况，其中2.03～2.5μm的光谱数据用beckmanuv-5240仪器测试得到，2.08～15μm的光谱数据用ftir仪器测试得到。这三种光谱库中的数据，共计8类，即矿物类(1348种)，岩石类(244种)，土壤类(58种)，月球类(17种)，陨石类(60种)，植被类(4种)，水/雪/冰(9种)和人造材料(56种)。由于，同一物种的光谱数据会受某些因素的影响，产生不同形态光谱特征。因此，在进行反演模型的确定时，从上述三个光谱库中选出35个岩石和矿物样本。s202，将样本光谱数据以所有样本光谱数据的中心波长进行重采样。在得到35个样本光谱数据之后，还会将样本光谱数据，以所有样本光谱数据的中心波长进行重采样。光谱重采样过程是基于前人对岩石反射光谱特征与成分、粒度关系的研究，光谱库中岩石样本选择粒度一致的，均大于60μm，然后将光谱数据重采样到与样本光谱数据对应波段一致的光谱分辨率上。例如得到图所示的重采样光谱曲线。另外，还会对样本光谱数据进行预处理。对fe2o3含量反演时，需要将样本光谱数据的dn值转换成地物的反射率。首先需对遥感影像数据进行一些预处理，包括未定标波段和非正常像元的去除、坏线修复、dn值转绝对辐射值、计算反射率。s203，将重采样后的样本光谱数据进行一阶微分处理。在进行光谱测定时，受到观测的角度、光照强度、样品表面光滑度等一些因素的影响会产生一些噪声。重采样后的样本光谱数据进行一阶微分处理后可以消除基线漂移和平缓背景干扰影响，能使提高原始光谱的分辨率，并使光谱轮廓更清楚。本实施例提供的方法，将光谱的差分作为微分的有限近似，其公式如下：其中，s为原始光谱数据中的波段标识，λs-1为原始光谱数据中第s-1个波段的波长，λs为原始光谱数据中第s个波段的波长，λs+1为原始光谱数据中第s+1个波段的波长，λs-1，λs，λs+1为相邻波段的波长，r1'(λs)为波长为λs的一阶微分光谱，r1(λs+1)为波长为λs+1的原始光谱数据在吸收谷处的反射率，r1(λs-1)为波长为λs-1的原始光谱数据在吸收谷处的反射率。另外，在进行一阶微分处理时，还可以考虑第s个波段的波长。即采用如下公式实现：其中，s为原始光谱数据中的波段标识，λs-1为原始光谱数据中第s-1个波段的波长，λs为原始光谱数据中第s个波段的波长，λs+1为原始光谱数据中第s+1个波段的波长，λs-1，λs，λs+1为相邻波段的波长，r1'(λs)为波长为λs的一阶微分光谱，r1(λs+1)为波长为λs+1的原始光谱数据在吸收谷处的反射率，r1(λs-1)为波长为λs-1的原始光谱数据在吸收谷处的反射率。s204，对微分后的样本光谱数据进行去包络线处理。对微分后的样本光谱数据进行去包络线处理可以有效的突出微分后的样本光谱曲线的吸收和反射特征，并将其归一到一致的微分后的样本光谱背景上，以便进一步分析。包络线代表了背景产生的吸收过程，可以通过去除包络线可以有效的分离出独立的吸收过程用于定量分析；包络线即用直线逐点连接凸出的“峰”值点，并使得折线段在“峰”值点的外角大于180°来确定包络节点。如通过入下公式进行去包络线处理：其中，q为微分后光谱数据中的波长标识，λq为微分后光谱数据中第q个波段的波长，r(λq)为微分后光谱数据中第q个波段在吸收谷处的反射率，rc(λq)为微分后光谱数据中第i个波段对应波长处包络线的值，r'(λq)为微分后光谱数据中第q个波段去包络线之后的光谱值。除此之外，考虑到不同的波段其吸收情况不同，去包络线处理的方法还可以考虑吸收峰和吸收谷的反射率，具体为：根据如下公式进行去包络线处理：其中，rm(λq)为微分后光谱数据中第q个波段在吸收峰处的反射率，w(λq)为基础数据中第q个波段的吸收宽度。图2示出了去包络线处理后的光谱曲线。s205，将微分后的样本光谱数据进行小波包分解。s206，将去包络线处理后的样本光谱数据进行小波包分解。s205和s206的小波包分解过程相同，不同之处仅为分解对象不同，s205的分解对象为微分后的样本光谱数据，s206的分解对象是去包络线处理后的样本光谱数据。下面仅以分解对象为微分后的样本光谱数据为例，对小波包分解过程进行描述。对于将去包络线处理后的样本光谱数据进行小波包分解的过程，不再赘述，参照将微分后的样本光谱数据进行小波包分解过程即可。小波包分析是小波分析的延伸，它将频带进行多层次划分，对多分辨率分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征自适应的选择相应频带，使之与信号频谱相匹配，从而提高时频分辨率。参见图3所示的一个三层分解小波包分析树，其中，s代表原始信号，a代表信号的低频部分，d代表信号的高频部分。小波包分解具有如下关系：s＝aaa3+daa3+ada3+dda3+aad3+dad3+add3+ddd3……。考察多分辨分析中的分解空间该表达式表明多分辨分析是按照不同的尺度因子j把空间l2(r)分解为子空间wj(j∈z)之和。其中，z为尺度空间集合，wj为小波子空间，wj是小波函数的闭包。为了提高频率分辨率，本实施例对小波子空间wj进一步细分其频率，如将尺度子空间vj和小波子空间wj用一个新的子空间统一起来表征。令j∈z,则正交分解即可用的分解统一为j∈z。定义子空间为函数un(x)的闭包空间，而是函数u2n(x)的闭包空间，并令un(x)满足下面的双尺度方程：其中，gk＝(-1)kh1-k，即两系数也具有正交关系。特别地，当n＝0时，由以上两式直接得到分别为尺度函数u0(x)与小波函数u1(x)的双尺度方程。利用式与式可以得到如下空间分解：小波包则是由式与式构造的序列{un(x)}(其中n∈z)，称为由基函数确定的小波包。因此，小波包分解中的小波包为序列{un(x)}；其中，un(x)满足如下双尺度方程：gk＝(-1)kh1-k，gk为低通滤波参数，hk为高通滤波参数，n∈z，z为尺度空间集合，x为分解变量，l为滤波参数集合。具体应用时，小波包分解可以在matlab中实现。具体操作是：利用小波包分析进行多层分解，得到近似特征和细节特征均有效分离的各光谱曲线。依据光谱曲线，可以得出土壤质地和土壤水分市影响低频系数的主要因素，而原始光谱的噪声和微小的吸收特征是影响高频系数的主要因素。利用db5小波函数对原始光谱曲线进行3层小波包分解得出其低频部分和高频部分，图4为微分后的样本光谱数据的小波包分解结果，图5为去包络线处理后的样本光谱数据的小波包分解结果。其中，图4(a)是微分后的样本光谱数据曲线，图4(b)为微分后的样本光谱数据曲线小波包分解低频部分光谱曲线，图4(c)为微分后的样本光谱数据曲线小波包分解高频部分光谱曲线，图4(d)为微分后的样本光谱数据曲线小波包分解后保留的特征光谱。图5(a)为去包络线处理后的样本光谱数据曲线，图5(b)为包络线处理后的样本光谱数据曲线小波包分解低频部分光谱曲线，图5(c)为去包络线处理后的样本光谱数据曲线小波包分解最高频光谱曲线，图5(d)去包络线处理后的样本光谱数据曲线小波包分解保留的特征光谱曲线。s205，根据重采样后的样本光谱数据、去包络线处理后的样本光谱数据、小波包分解后的样本光谱数据、小波包分解后的去包络线处理样本光谱数据，分别采用偏最小二乘法回归分析方法和enter线性回归分析方法，确定反演模型。经过上述过程，会从光谱库中筛选的35个样本，在对样本光谱预处理时，已经对样本光谱数据以样本数据波段的中心波长进行了重采样，得到了可用波段162个，并对这162个波段进行一阶微分，去包络线，小波包分解高频、低频，等一些变换。本步骤会用偏最小二乘法回归分析方法和enter线性回归分析方法分别进行建模，确定第二大过程中所用的反演模型。1)光谱数据的单相关性确定将岩石中fe2o3含量与根据重采样后的样本光谱数据、去包络线处理后的样本光谱数据、小波包分解后的样本光谱数据进行相关分析，相关系数曲线如图6-图8所示。图6为重采样后的样本光谱数据(图6中的原始光谱即重采样后的样本光谱数据)与其小波包分解后的光谱相关系数示意图，图7为去包络线处理后的样本光谱数据(图7中的去连续统高频即去包络线处理后的样本光谱数据)与其小波包分解后的光谱相关系数示意图，图8为不同变形的光谱相关系数示意图。从图6可以看出，岩石中fe2o3含量与岩石的反射率呈一定的负相关关系。但对重采样后的样本光谱数据进行小波包分解后，虽然没有明显的提高其相关系数，但岩石中fe2o3含量与岩石的反射率呈不断的正负变化，这能有效的区分不同波段对fe2o3含量影响。从而为后面的含量反演建模所需的特征波段提供选择依据，并且可以看出高频部分的相关性明显高于低频部分。表1示出了不同光谱变换与fe2o3含量最大相关波段分析结果表1其中，不同波段对应不同的波长，例如第38波段(也可以写为b38，或者，b38)对应的波长为1650nm。每个波段对应何种波长可以查表获得，本实施例不再赘述。从图6-图8可以看出，对重采样后的样本光谱数据进行一阶微分后光谱与fe2o3含量相关性最高，相关系数范围在[-0.6,0.6]，其次是去包络线处理后的样本光谱数据高频部分的一阶微分、重采样后的样本光谱数据高频部分取对数，相关系数范围在[-0.5,0.6]。岩石中fe2o3含量与反射率的相关性相比与经过反射率变换后的相关性较强，呈负相关，范围[-0.6,-0.4]，重采样后的样本光谱数据反射率与fe2o3含量相关性曲线比较平缓，即因变量对自变量的变化不敏感。但经过小波包分解后，显著水平有明显的改观。经过小波包变换和一阶微分变换后，相关性曲线出现频率抖动极大的现象，即自变量的细微变化就能引起因变量fe2o3含量的极大变化。这对岩石中fe2o3含量在很小时，通过微分处理和小波包变化处理来提高反演模型的精度是相对有效些。2)确定fe2o3含量的反演模型的建立首先，利用相关分析结果中相关性较好的波段光谱反射率作为自变量，有机质含量作为因变量进行回归分析，选用偏最小二乘法回归分析方法和enter线性回归分析方法建立线性回归方程。模型的稳定性则通过判定系数r2和调整判定系数r2来检验。分别用重采样后的样本光谱数据、去包络线处理后的样本光谱数据、小波包分解后的样本光谱数据、小波包分解后的去包络线处理样本光谱数据反射率光谱作为自变量，有机质含量作为因变量，进行多元回归分析，经过多次试验后得到了回归效果较好的16个方程。如表2示出的enter线性回归分析方法确定fe2o3含量的效果和表3示出的偏最小二乘法回归分析方法确定fe2o3含量的效果。表2表3需要说明的是，表2和表3回归方程中的bxx，bxxx，bxx’，bxxx’分别代表对应光谱变换后的光谱数据中第xx/xxx/xx’/xxx’波段的反射率。图9示出了小波包分解后的样本光谱数据通过y＝2.07+0.21*b12+0.735*b17+0.313*b27+0.56*b28-1.736*b53-0.627*b84+2.95*b146+1.38*b211-0.78*b214进行fe2o3含量实测值与预测值对比折现图。图10示出了小波包分解后的样本光谱数据采用lny＝0.698+0.099*b12+0.097*b14-0.037*b15+1.435*b29-2.081*b46-3.957*b90-1.541*b96+1.759*b205+1.739*b211进行fe2o3含量实测值与预测值对比折现图。在用偏最小二乘法建立回归模型时，小波包分解后的样本光谱数据中高频部分建立的模型精度最高；对因变量去对数后，模型的精度有所提高，因此对于小波包分解后的样本光谱数据采用lny＝0.698+0.099*b12+0.097*b14-0.037*b15+1.435*b29-2.081*b46-3.957*b90-1.541*b96+1.759*b205+1.739*b211进行反演，其fe2o3含量反演结果如图9所示。enter线性回归分析方法在spss软件中实现，建模精度通过调整的判定系数(adjustedr2)，总均方根误差(rmse)的大小来判断，选择y＝3.946-69.38*b46-92.41*b13+236.61*b50-97.57*b24-40.52*b183-176.84*b194-115.62*b195+175.93*b107-42.78*b27方程作为最优回归模型作为确定地表岩石中fe2o3含量的反演模型。偏最小二乘法回归建模是在simca-p软件中实现，建模精度也是通过调整的判定系数(q2)，预测平均误差(rmsee)的大小来判断。通过lny＝0.698+0.099*b12+0.097*b14-0.037*b15+1.435*b29-2.081*b46-3.957*b90-1.541*b96+1.759*b205+1.739*b211方程的精度最高，将其作为最优的为确定地表岩石中fe2o3含量的反演模型。另外，岩石中fe2o3含量与反射率的相关性相比与经过反射率变换后的相关性较强，呈负相关，范围[-0.6,-0.4]，但若直接从岩石反射率值去反演岩石中fe2o3含量效果并不佳。但经过小波包分解后，建模精度有了显著的提高。对所建立的16个回归方程进行分析，可以得出：(1)小波包方法可以提高fe2o3含量反演模型的精度，而且高频部分的模型精度要明显高于低频部分的模型精度。(2)连续统去除处理对于光谱波形较平缓的地物效果不太明显。(3)用enter线性回归分析比偏最小二乘法回归分析精度高。但是用enter线性回归方程中变量波段间存在很大的相关性性。以y＝3.001-160.937*b38+63.196*b44-104.568*b25+300.749*b28-3.073*b215-100.675*b24为例，该方程中自变量的系数与自变量对方程的影响程度正负不一致。表4所示，enter线性回归模型有很大的矛盾性。方程中自变量b24b25b28b38b44b215相关系数-0.544-0.545-0.537-0.552-0.547-0.414回归系数-100.675-203.345281.072-142.14761.473-2.8至此，第一大过程结束，反演模型为，对于分解后的光谱数据，采用y＝3.946-69.38*b46-92.41*b13+236.61*b50-97.57*b24-40.52*b183-176.84*b194-115.62*b195+175.93*b107-42.78*b27，进行enter线性回归分析，确定三氧化二铁含量。对于去包络线处理后的光谱数据采用lny＝0.698+0.099*b12+0.097*b14-0.037*b15+1.435*b29-2.081*b46-3.957*b90-1.541*b96+1.759*b205+1.739*b211，进行偏最小二乘法回归分析，确定三氧化二铁含量。第二大过程：基于反演模型进行地表岩石中三氧化二铁含量确定的过程基于第一大过程的结论，本过程的实现方式如图12所示。s101，获取地表岩石的原始光谱数据。如图13所示的大兴安岭南段的地表岩石。大兴安岭南段在晚古生代—早中生代早期，处于华北板块与西伯利亚板块之间的缝合带—造山带。(1)区域地层：研究区出露地层主要有中生代白垩纪梅勒图组、侏罗纪白音高老组—新民组、及古生代二叠纪大石寨组、哲斯组、林西组。(2)研究区构造特征：研究区主要形成于西伯利亚板块和华北板块拼和过程中产生的，主要表现为：基底断裂成北东向展布。研究区内不同时代的沉积岩分布特征及接触关系，证明了区域构造的多期次活动的特征。(3)岩浆岩：研究区出露地层主要为侏罗纪中段新民组的杂色酸性火山碎屑岩、火山碎屑沉积岩夹碎屑岩及煤层为主，次为花岗岩，中酸性火山熔岩、凝灰岩、细碧岩等。其地壳岩石主要为晚古生代海相火山岩及火山碎屑沉积岩。矿区岩浆岩主要为中生代花岗岩，脉岩不发育。s102，对原始光谱数据进行一阶微分处理。一阶微分处理过程与第一大部分中的s203过程相同，此处不再赘述。例如，通过如下公式对原始光谱数据进行一阶微分处理：其中，s为原始光谱数据中的波段标识，λs-1为原始光谱数据中第s-1个波段的波长，λs为原始光谱数据中第s个波段的波长，λs+1为原始光谱数据中第s+1个波段的波长，λs-1，λs，λs+1为相邻波段的波长，r1'(λs)为波长为λs的一阶微分光谱，r1(λs+1)为波长为λs+1的原始光谱数据在吸收谷处的反射率，r1(λs-1)为波长为λs-1的原始光谱数据在吸收谷处的反射率。再例如，通过如下公式对原始光谱数据进行一阶微分处理：其中，s为原始光谱数据中的波段标识，λs-1为原始光谱数据中第s-1个波段的波长，λs为原始光谱数据中第s个波段的波长，λs+1为原始光谱数据中第s+1个波段的波长，λs-1，λs，λs+1为相邻波段的波长，r1'(λs)为波长为λs的一阶微分光谱，r1(λs+1)为波长为λs+1的原始光谱数据在吸收谷处的反射率，r1(λs-1)为波长为λs-1的原始光谱数据在吸收谷处的反射率。s103，将微分后光谱数据进行小波包分解。小波包分解的过程与第一大部分中的s205类似，此处不再赘述。小波包分解中的小波包为序列{un(x)}。其中，un(x)为尺度函数，un(x)满足如下双尺度方程：gk＝(-1)kh1-k，gk为低通滤波参数，hk为高通滤波参数，n∈z，z为尺度空间集合，x为分解变量。另外，本步骤除了直接将微分后光谱数据进行小波包分解，还可以先将微分后光谱数据进行去包络线处理，再将去包络线处理后的光谱数据进行小波包分解。1)将微分后光谱数据进行去包络线处理的过程与第一大部分中的s204类似，此处不再赘述。例如，根据如下公式对原始光谱数据进行去包络线处理：其中，i为微分后光谱数据中的波长标识，λi为微分后光谱数据中第i个波段的波长，r(λi)为微分后光谱数据中第i个波段在吸收谷处的反射率，rc(λi)为微分后光谱数据中第i个波段对应波长处包络线的值，r'(λi)为微分后光谱数据中第i个波段去包络线之后的光谱值。再例如，根据如下公式对原始光谱数据进行去包络线处理：其中，i为微分后光谱数据中的波段标识，λi为微分后光谱数据中第i个波段的波长，r(λi)为微分后光谱数据中第i个波段在吸收谷处的反射率，rc(λi)为微分后光谱数据中第i个波段对应波长处包络线的值，rm(λi)为微分后光谱数据中第i个波段在吸收峰处的反射率，w(λi)为微分后光谱数据中第i个波段的吸收宽度，r'(λi)为微分后光谱数据中第i个波段去包络线之后的光谱值。2)将去包络线处理后的光谱数据进行小波包分解的过程也与第一大部分中的s205类似，此处不再赘述。小波包分解中的小波包为序列{un(x)}。其中，un(x)为尺度函数，un(x)满足如下双尺度方程：gk＝(-1)kh1-k，gk为低通滤波参数，hk为高通滤波参数，n∈z，z为尺度空间集合，x为分解变量。s104，根据分解后的光谱数据，采用反演模型确定三氧化二铁含量。反演模型中，将相关波段的反射率作为自变量，将三氧化二铁含量作为因变量。反演模型通过第一大过程得到。即s201，获取样本光谱数据。s202，将样本光谱数据以所有样本光谱数据的中心波长进行重采样。s203，将重采样后的样本光谱数据进行一阶微分处理。s204，对微分后的样本光谱数据进行去包络线处理。s205，将微分后的样本光谱数据进行小波包分解。s206，将去包络线处理后的样本光谱数据进行小波包分解。s205，根据重采样后的样本光谱数据、去包络线处理后的样本光谱数据、小波包分解后的样本光谱数据、波包分解后的去包络线处理样本光谱数据，分别采用偏最小二乘法回归分析方法和enter线性回归分析方法，确定反演模型。在得到反演模型之后，s104的实现过程根据确定三氧化二铁对象的光谱数据不同，采用不同的反演模型为：如果三氧化二铁对象的光谱数据为分解后的光谱数据，则根据分解后的光谱数据，采用如下公式，进行enter线性回归分析，确定三氧化二铁含量：y＝3.946-69.38*b46-92.41*b13+236.61*b50-97.57*b24-40.52*b183-176.84*b194-115.62*b195+175.93*b107-42.78*b27。其中，y为因变量，b46、b13、b50、b24、b183、b194、b195、b107、b27为自变量，b46对应分解后的光谱数据中第46波段的反射率，b13对应分解后的光谱数据中第13波段的反射率，b50对应分解后的光谱数据中第50波段的反射率，b24对应分解后的光谱数据中第24波段的反射率，b183对应分解后的光谱数据中第183波段的反射率，b194对应分解后的光谱数据中第194波段的反射率，b195对应分解后的光谱数据中第195波段的反射率，b107对应分解后的光谱数据中第107波段的反射率，b27对应分解后的光谱数据中第27波段的反射率。如果三氧化二铁对象的光谱数据为去包络线处理后的光谱数，则根据去包络线处理后的光谱数，采用如下公式，进行偏最小二乘法回归分析，确定三氧化二铁含量：lny＝0.698+0.099*b12+0.097*b14-0.037*b15+1.435*b29-2.081*b46-3.957*b90-1.541*b96+1.759*b205+1.739*b211。其中，y为因变量，b12、b14、b15、b29、b46、b90、b96、b205、b211为自变量，b12对应分解后的光谱数据中第12波段的反射率，b14对应分解后的光谱数据中第14波段的反射率，b15对应分解后的光谱数据中第15波段的反射率，b29对应分解后的光谱数据中第29波段的反射率，b46对应分解后的光谱数据中第46波段的反射率，b90对应分解后的光谱数据中第90波段的反射率，b96对应分解后的光谱数据中第96波段的反射率，b205对应分解后的光谱数据中第205波段的反射率，b211对应分解后的光谱数据中第211波段的反射率。需要说明的是，本步骤中选取效果最好的反演模型确定地表岩石中三氧化二铁含量，若选表2或表3中其他反演模型确定地表岩石中三氧化二铁含量也可。本实施例不对反演模型最终选择进行限定。在具体实施时，本实施例所提供的方法可以采用图14所示的流程实现。岩石中fe2o3含量虽然很少，但是可以通过它来判定褐铁矿、赤铁矿等矿物在岩石中的分布情况，而这些矿物又经常与金和金属硫化物矿床关系密切。本文从usgs、jpl和jhu光谱库中选出35个岩石样本为基础数据，将其光谱波段重采样到hyperion波段上，对其开展基于原始光谱反射率、小波包分解的高频和低频部分、去连续统后小波包分解高频和低频部分进行fe2o3含量与光谱的相关性分析，运用多元逐步回归法、偏最小二乘回归建模，建立了fe2o3含量的16个高光谱反演模型，并选择最优模型基于hyperion数据进行地表岩石中fe2o3含量的反演。①地表岩石中fe2o3含量与岩石光谱之间的关系很复杂，具有一定的不确定性。本实施例分别基于原始波段反射率、基于小波包分解的高频和低频部分、基于去连续统后小波包分解高频和低频部分建立了fe2o3含量的多个高光谱反演模型。建模方法分别为多元逐步回归法建模和偏最小二乘法建模；②连续统去除后的光谱比原始光谱建立的模型效果好，而小波分析处理的光谱建立的模型的预测能力和精度均比未进行小波分析光谱的反演模型高，其中高频信号的效果要优于低频信号的效果；③岩石光谱本质上是矿物的混合光谱，但其光谱特征也会受岩石结构、构造和岩石表面光滑程度等影响；虽然吸收特征是最有效的诊断参数，但这些吸收带因受植被等环境因素的影响而复杂化，它们的形状和位置都可能有变化。本发明提供的方法，对地表岩石的原始光谱数据进行一阶微分处理，然后将微分后光谱数据进行小波包分解，对分解后的光谱数据，通过将相关波段的反射率作为自变量，将三氧化二铁含量作为因变量的反演模型，确定三氧化二铁含量，进而定量地表岩石中三氧化二铁含量。需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页12