14.10. 成像光谱仪产品示例；多传感器分析¶
到目前为止，设计用于测试和使用成像分光计的数百个任务已经完成，从数据中产生了许多令人印象深刻的图像。其中最成功和最具启发性的是美国宇航局在内华达州丘比特的阿维里斯飞行。丹佛美国地质调查局的JPL和光谱学小组减少并操纵了数据。
铜矿区位于内华达州的托诺帕附近，位于该州的西南部。从这里开采黄金和铜已有一个多世纪了。由于指示蚀变和其他矿化的多样性，该区域是评估遥感（尤其是高光谱数据集）进行矿产勘探的宝贵地质研究场所。
13-28: Comment on the "purity" of the above two images compared with those of Landsat. `ANSWER <answers.html#13-28>`__
下一幅图像（分辨率相当模糊）显示了阿维里斯场景（底部）的一部分，颜色编码为四种矿物分类，主题映射器波段比（r=5/7；g=3/1；b=2/4）相同区域的图像，以及每个系统可获得的光谱曲线图：
|显示赤铁矿、针铁矿和黄铁矾分布的红铜矿现场的Aviris分类。|
通过明智地选择延伸到吸收带的通道，这些通道是特定矿物种类或组的指标，我们已经确定并绘制了大多数与蚀变有关的铜矿石矿物。下一张地图扩展了含铁矿物的位置，这些矿物的许多诊断带在400到1200纳米范围内。
这张图不同于前一张（上图），它根据结晶度对赤铁矿和针铁矿进行了细分，并将其他铁矿物显示为可区分的化学相。
我们可以利用2000-2500纳米范围内的条带识别出更为多样的矿物组合。Aviris图片显示了一大组硅酸盐、碳酸盐和硫酸盐，如图所示。
|阿维瑞斯铜矿现场的分类，显示了大量硅酸盐、碳酸盐和硫酸盐的分布。|
13-29: Compare the above three images that show variations in certain elements that are then translated into their mineral variations with the natural and false color composites towards the page top. Do you see evidence in those latter two images of these mineral variations? `ANSWER <answers.html#13-29>`__
因为图像来自互联网，它的分辨率只有每英寸72点（dpi），这模糊了传说中矿物的名称。但是，特别感兴趣的是以紫红色（桃红色）显示的矿物新芽岩，它出现在地图上的一些地方。钠长石是一种罕见的钾长石类矿物。铵离子NH3+部分取代钾离子K+。这张地图是高分辨率高光谱数据的一个令人兴奋的例子，它揭示了蚀变带和新鲜岩石中矿物的显著多样性，而且细节上可能需要多年的野外地图复制。
现在以其他学科和主题的例子为例，我们展示了一些涉及这些学科和主题的图片，并且只做了很少的评论。
下面的Aviris图像显示了圆形和矩形田地中的一组作物。该地区靠近科罗拉多州的Summitville。请注意，所识别的作物与第13-6页所示的作物相对应，如图所示，显示了一系列作物的光谱曲线，首先是同一系列作物的连续删除图。它们来自用于生成此图像的相同数据集。
|科罗拉多州Summitville地区的Aviris分类。|
13-30: What do you think is meant by "nothing mapped"? `ANSWER <answers.html#13-30>`__
在下一张图片中，我们展示了怀俄明州Greybull附近大角盆地农田的自然和假彩色图像。中间的偏移光谱与放大图中出现的用字母标记的几种作物和特征相匹配，但此图像的来源无法识别作物。
接下来的两张图片中出现了专注于水特征的Aviris观测结果。顶部是一幅自然色的图片，描绘了佛罗里达州基韦斯特的一部分，以及周围覆盖珊瑚礁的浅水区。下面是华盛顿州西北部雷尼尔山的雪景（黄色）和水汽景（蓝色，但下面的土地特征依然存在），覆盖着雷尼尔山。
如前所述，DAIS仪器具有热通道以及可见光和短波红外（SWIR）通道。这是一个有趣的空中斜视系统，显示了一个自然色图像的左边和一个瑞士热图像的右边，在西西里岛的埃特纳山，在其活跃期之一。烟雾掩盖了自然图像中火山特征的一些细节，这些特征在太古热红外再现中“闪耀”。
13-31: What does the thermal image tell you that is not evident in the visible image? `ANSWER <answers.html#13-31>`__
在结束这一强调成像分光计使用迅速增长的小节之前，我们简单地提到了另一个新兴的、松散相关的遥感领域。我们现在称之为“多传感器分析”，这个术语指的是将航天器上的一种以上传感器或（更常见的是）不同航天器上的传感器获得的数据组合起来。例如，我们可以通过Landsat、Sir-C、Tims、Spot、Moms和Aviris在不同时间对研究区域进行成像。当然，我们可以独立地检查每个数据集，以及由此产生的图像。或者我们可以将视觉产品并排放置。从这个多集中，我们可以通过简单地查看场景内容的各个方面来解释场景。这一过程是常规照片解释的标准程序。
或者，正如我们在本教程其他地方显示的几个图像中看到的，我们可以合并或注册两个或多个数据集，以形成由组合图像组成的单个图像。陆地卫星和雷达数据就是很好的例子。陆地卫星提供地表覆盖物的彩色再现，雷达提供地形或起伏感。另一个例子使用数字高程图地形数据，以数字格式，创建一个点场景的准三维透视图。
更复杂的方法是使用每个传感器数据集作为分类的输入。因此，我们可以将来自Aviris的可视波段和Swir波段与TIMS热数据相结合，从而使10到12个或更多的波段值有助于多元分析，从而导致分类场景或地图，可能提高了准确性。当然，我们也可以通过使用航空摄影或专题地图（见第15节地理信息系统回顾）来数字化和组合其他类型的数据。
进行有意义的多传感器分析的诀窍在于正确注册各种数据集。这些数据集可能来自安装在多个平台上的传感器，这些传感器会产生多维数据，这些数据具有不同的像素大小、查看几何图形、轨道或飞行路线、一年中的时间、照明角度等特点。多年来，图像登记技术不断发展。一个例子叠加了多时间陆地卫星数据。另一个结合了昼夜HCMM图像（从相互倾斜的轨道）。我们现在可以方便地进行自动多传感器注册，使用基于计算机的算法，注册到一个共同的地理编码基地，集成连接点特征，进行几何校正（校正），并重新采样像素到一个共同的大小。
我们清楚地注意到，随着传感器及其平台（卫星）在空间的扩散，在各种波长、尺度和时间条件下获取的数据的系统组合将导致对每个操作系统提供的宝贵数据集的强烈协同使用。