高光谱遥感作业
高光谱遥感图像预处理实验指导书
高光谱遥感图像预处理实验指导书一、实习目的通过高光谱遥感图像预处理的学习，使学生在课堂教学及实验课教学的基础上进一步将理论与实践相结合，消化和理解课堂所学理论知识，达到初步掌握利用ENVI等软件预处理高光谱遥感图像，并熟悉高光谱遥感图像预处理流程与方法的目的。
二、实习方式学生自学指导书为主，指导教师讲授为辅；利用计算机，结合相应遥感图像及ENVI软件的具体操作进行。
三、练习数据机载高光谱AVIRIS数据。
四、实习内容与要求掌握高光谱遥感图像预处理的理论与方法，利用ENVI中FLAASH大气校正工具和快速大气校正工具对高光谱数据进行大气校正及快速大气校正。
实验一、高光谱FLAASH数据大气校正实验目的：通过实验操作，掌握高光谱遥感图像FLAASH数据的大气校正的基本方法和步骤，深刻理解遥感图像大气校正的意义。
实验内容：ENVI软件中高光谱图像预处理模块下的图像大气校正。
高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气校正。
辐射校正一般由数据提供商完成。
太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。
如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。
操作步骤：1.打开文件File→Open→CupriteAVIRISSubset.dat→打开。
2. FLAASH Atmospheric Correction Module Input Parameters设置在 Toolbox 中打开 FLAASH 工具Radiometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction→双击启动→进入FLAASH Atmospheric Correction Module Input Parameters 面板。
高光谱遥感技术在农业测绘中的应用
高光谱遥感技术在农业测绘中的应用随着科学技术的不断进步，高光谱遥感技术在农业测绘中的应用也越来越广泛。
高光谱遥感技术是指利用可见光、近红外到短波红外等多个波段的光谱信息，通过遥感技术获取地物的光谱特征，并对其进行分析和解译。
由于农业生产中许多问题与光谱特征有关，因此高光谱遥感技术可以帮助农业测绘人员更好地了解农田情况、提高农作物产量，以及监测农业环境的变化。
以下将从土壤检测、水分监测和作物健康评估三个方面探讨高光谱遥感技术在农业测绘中的应用。
首先，高光谱遥感技术在土壤检测中发挥着重要的作用。
土壤是农业生产的基础，了解土壤的性质对于选择合适的耕作措施和施肥措施十分重要。
传统的土壤检测方法通常需要采集土壤样本并送至实验室进行分析，耗时且成本较高。
而高光谱遥感技术通过对地表反射光谱的观测，可以实时获取土壤光谱信息，从而快速测定土壤的化学成分和质地等参数。
借助高光谱遥感技术，农业测绘人员可以更准确地评估土壤的养分状况和酸碱度，为土壤肥力调控提供科学依据。
其次，高光谱遥感技术在水分监测中也有广泛应用。
水分是农田灌溉的关键因素，合理的灌溉控制可以提高作物产量，降低用水量。
传统的水分监测方法通常通过地面观测或人工测量，但这些方法耗时且局限性较大。
高光谱遥感技术通过测量农田表面的反射光谱，可以在大范围、高时空分辨率下获取土壤湿度信息。
借助高光谱遥感技术，农业测绘人员可以对农田的水分状况进行实时监测，及时调整灌溉措施，实现精准灌溉，提高水资源利用效率。
最后，高光谱遥感技术在作物健康评估中也发挥着重要作用。
作物的生长过程受到多种因素的影响，如气候条件、土壤水分、养分供应等。
通过高光谱遥感技术，可以获取作物在不同光谱波段下的光谱特征，从而评估作物的养分状况、病虫害情况以及抗旱能力等。
借助高光谱遥感技术，农业测绘人员可以及时监测作物的生长状态，提供精准的管理建议，有助于提高作物产量和质量。
综上所述，高光谱遥感技术在农业测绘中有着广泛的应用前景。
遥感作业(1)
1.概念遥感：泛指一切无接触的远距离探测，它是一种远距离目标，在不与目标对象直接接触的情况下，通过某种平台上装载的传感器获取其特征信息，然后对所获取的信息进行提取、判定、加工处理及应用分析的综合性技术。
遥感平台：搭载传感器的载体。
电磁辐射：具有能量传递的，且其能量与与其传播的频率成正比的电磁波。
电磁波谱：按照电磁辐射在真空中传播的频率或波长进行递增或递减排列形成一个连续的谱带，这个谱带就是电磁波谱。
大气窗口：指电磁波通过大气层时较少被反射、吸收或散射的透射率较高的波段幅照度：实际物体在单位光谱区间内的辐射出射度与吸收系数的比值辐射通量：单位时间内通过某一面积的辐射能量。
（它是辐射能流的单位，记为φ=dW/dt。
用W（J/s）表示；辐射通量是波长的函数，总辐射通量是各波段辐射通量之和。
（压力)）反射率：地面物体反射的能量占入射总能量的百分比黑体：如果一个物体对于任何波长的电磁辐射都全部吸收，则称物体为黑体。
地物反射波谱：研究地面物体反射率随波长的变化规律瑞利散射：由大气中原子、分子，如氮、二氧化碳、臭氧和氧分子等引起的散射。
（条件：粒子直径比波长小很多）加色法：由三原色混合，可以产生其他颜色的方法。
减色法：减色法是从自然光（白光）中，减去一种或二种基色光而生成色彩的方法。
（一般适用于颜料配色、彩色印刷等色彩的产生。
）光谱色：圆环上把光谱色按顺序标出，从红到紫是可见光谱存在的颜色，每种颜色对应一个波长值空间分辨率：指遥感图像上能够详细区分的最小单元的尺寸或大小，是用来表征影像分辨地面目标细节能力的指标主光轴：通过物镜中心并与主平面（或焦平面）垂直的直线像主点：主光轴与感光片的交点航向重叠：为了使相邻航片之间没有航摄漏洞，也为了做立体观察，应使相邻航片之间有一部分重叠，这一重叠部分就叫航向重叠中心投影：空间任意点（物点）与一固定点（投影中心）连成的直线或其延长线（中心主线）被一平面（像平面）所截，则此直线与平面的交点像点位移：地物反映到航空相片上的像点与其平面位置相比产生位置的移动传感器：获取地面目标电磁辐射信息的装置距离分辨率：侧视方向上的雷达图像分辨率方位分辨率：沿航线方向上的雷达图像分辨率合成孔径雷达：也称侧视雷达，利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达透视收缩：指山上面向雷达的一面在图像上被压缩且表现为较高亮度的现象。
高光谱遥感实验报告影像融合
实验报告
班级：遥感科学与技术2013级1班姓名：文凤平学号：2013043009 一．实验名称
图像融和
二．实验目的
1.熟悉ENVI界面和操作；
2.学会利用ENVI实现高空间分辨率数据和多光谱数据的融合。
三．实验数据
1.搞空间分辨率数据：Bldr_sp.img；
2.多光谱数据：TM_30m.img。
四．实验内容与结果分析（实验主要内容，软件操作的主要过程截图及实验结果截图）
1.Transform->image sharpening->PC spectral sharpening在Select Low Spatial Resolution Band Input Multi Band Input File对话框中选择地空间分辨率的图像也就是多光谱分辨率的TM-30m数据；
2.接下来在Select High Spatial Resolution Input File对话框中选择高空间分辨率的图像Bldr_sp数据，点击ok按钮即可；
3.在PC Spectral sharpening paraments设置参数如下：
4.融合后的波段数据与TM数据对比：。
高光谱遥感实验指导书
（2） 选择 cup95eff.int 文件，默认 Spatial Subsetting, Spectral Subsetting, 和 Masking，然后点击 OK，打开 Forward MNF Transform Parameters 的对话框；
实验内容
1、 MNF变换 cup95eff.int是本次实验使用AVIRIS的高光谱影像，已经经过消
光和大气校正。在ENVI中打开该影像，按照下列步骤进行MNF变换处 理：
（1） 从 ENVI 的主菜单按照下列之一的方式打开 MNF 的对话框
a) Transform → MNF Rotation → Forward MNF → Estimate Noise Statistics From Data
6
实验三 地物光谱测量与成像
实验目的
1、 了解地面高光谱数据获取的一般方法和测量过程 2、 了解地物光谱仪的一般工组原理 3、 理解地物光谱测量是定量遥感建模的重要内容
实验内容
1、了解野外便携式地物光谱仪的原理、使用和操作 2、使用野外便携式地物光谱仪测量典型地物（水，土，作物）的 光谱曲线
预备知识
I
实验一 高光谱遥感数据获取
实验目的
高光谱遥感数据的具有较高的光谱分辨率，每个波段的范围小 （窄波段），通常具有数十个至 200 多个窄波段。本次实验的目的是 利用 ENVI、Erdas 等软件观察 TM、AVIRIS 和 Hyperion 等遥感数据或 者实验室使用 Headwall 高光谱相机拍摄的高光谱图像数据，认识高 光谱数据的图谱合一的特点。
高光谱遥感6
• 植被冠层在的反射率主要由植被的两个属 性决定： • （1）冠层的结构属性，LAI； • （2）可见光－近红外波段冠层的生物化学 属性，叶绿素等； • （3）短波红外谱段冠层的水分含量。
• LAI直接测量方法 (1) 直接采样测量 (2) 点接触和穿刺 (3) 落叶收集 • 利用光学仪器通过辐射传输测量计算LAI，目前可用的仪 器包括： • Li-Cor LAI-2000 Plant Canopy Analyzer • CID Digital Plant Canopy Imager • Decagon Sunfleck Ceptometer • Demon • TRAC
• 影响植物光谱的因素
从上图植物的典型波谱曲线来看，控制植物反射率的主 要因素有植物叶子的颜色、叶子的细胞结构和植物的水分等。 – 叶子的颜色：不同颜色的叶子，其反射光谱曲线也不同。
– 植物含水量 植物叶子含水量的增加，将使整个光谱反射率降 低，反射光谱曲线的波状形态更为明显，尤其是在近红 外波段，几个吸收谷更为突出。
• 不同植物由于叶子的组织结构和所含色素不同，具 有不同的光谱曲线特征。
在可见光区，没有栅状组织和 海绵组织的草本植物的反射率最 低，没有海绵组织的针叶树次之， 具有栅状组织和海绵组织的阔叶树 的反射率最高； 在近红外区，则草本植物的反 射率迅速增高，而阔叶树叶片中的 海绵组织使得它在近红外光区的反 射明显高于美欧海绵组织的针叶树。 因此，利用0.8～1.1μm的近红外影 像，可以有效地区分出针叶树、阔 叶树和草本植物。 根据植物的物候期差异来区分 植物，例如，冬季落叶树由于叶子 凋谢而无影像，但常绿树仍保持反 射光谱曲线特征，易辨别。
植物生长状况的解译
健康的绿色植物的 光谱曲线具有明显的特 征，当植物生长状况发 生变化时，其波谱曲线 的相态也发生很大的变 化，如植物叶子枯黄凋 落，受到病虫害，缺乏 营养和水分，叶子的组 织结构受到破坏，叶子 的色素发生变化等等， 就使得光谱曲线的两个 吸 收 谷 不 明 显 ， 0.55μm 处 的 反 射 峰 根 据植物叶子被损伤的程 度而变低、变平。近红 外光区的变化更为明 显，峰值被削低，甚至 消失，整个反射光谱曲 线的波状特征被拉平。 因此，根据受损植物与 健康植物的光谱曲线的 比较，可以确定植物受 伤害的程度。
高光谱遥感技术在环境监测中的应用
高光谱遥感技术在环境监测中的应用高光谱遥感技术是一种通过获取地面物体的光谱信息，并通过光谱分析来推断物体的性质和组成的遥感技术。
它具有高精度、高分辨率、大范围、实时性强等优势，在环境监测中得到了广泛的应用。
本文将深入探讨高光谱遥感技术在环境监测中的应用。
首先，高光谱遥感技术可以用于水质监测。
水质是生态环境的重要组成部分，对人类和生态系统都具有重要影响。
通过高光谱遥感仪器获取水体反射谱线，可以分析出水体的透明度、浊度、富营养化程度、水色等关键指标。
通过对水体光谱的分析，可以实现对水体中悬浮物、藻类和溶解有机物等的监测，为水质改善和保护提供科学依据。
其次，高光谱遥感技术也可以应用于土壤监测。
土壤是农田和森林生态系统的重要组成部分，对农作物生长和生态恢复至关重要。
高光谱遥感技术可以获取土壤的反射光谱，并通过光谱分析来评估土壤的质地、含水量、养分含量等关键参数。
根据这些参数的测量结果，可以精确地制定土壤肥力调整和施肥方案，提高农作物的产量和质量，实现可持续农业发展。
同时，高光谱遥感技术在植被监测中也具有重要应用。
植被覆盖是环境监测和生态恢复的重要指标之一。
通过高光谱遥感技术获取植被反射谱线，可以分析出植被的生理状态、叶绿素含量、植被类型等关键信息。
这些信息可用于评估植被的健康状况、植被覆盖度以及生物量，为植被保护、生态恢复和生态系统管理提供科学依据。
另外，高光谱遥感技术还可以应用于大气污染监测。
大气污染对人们的健康和生态系统都具有严重危害，因此对大气污染的监测和预警非常重要。
通过高光谱遥感技术，可以获取大气中的颗粒物和气体的反射、散射光谱，通过光学模型分析得出大气中的颗粒物浓度、气体浓度等关键参数。
这些数据可以用于评估大气质量、掌握污染源分布和变化情况，为大气污染治理和应急响应提供指导。
最后，高光谱遥感技术在城市环境监测中也具有重要应用。
城市化进程快速推进，城市环境问题日益突出。
高光谱遥感技术可以获取城市地表的光谱信息并进行分析，识别并定量监测城市地表的构成元素、城市扩张规模、建筑物高度等关键参数。
高光谱与高空间分辨率遥感实习课件
数据质量评价
01
数据完整性
检查获取的数据是否完整，是否存 在缺失或异常值。
辐射与几何精度
对数据的辐射和几何精度进行评估 ，确保数据质量可靠。
03
02
精度评价
通过与已知地物信息进行对比，评 估分类与识别的精度。
应用效果评价
将处理后的数据应用于实际应用场 景，评估其效果和价值。
04
04
案例分析与实践操作
高光谱遥感的应用领域
高光谱遥感广泛应用于环境监测、资源调查、城市规划等领 域。
在环境监测方面，高光谱遥感可用于检测大气污染、水体污 染和土壤污染等；在资源调查方面，可用于调查土地利用、 森林覆盖、矿产资源等；在城市规划方面，可用于城市扩张 监测、城市绿化监测和城市环境质量评估等。
02
高空间分辨率遥感基本原 理
高空间分辨率遥感图像能够准确监测土地 资源的利用状况和变化情况，为土地管理 和治理提供依据。
环境保护和治理
灾害监测与救援
通过高空间分辨率遥感图像的监测，可以 及时发现和评估环境问题，为环境保护和 治理提供决策支持。
高空间分辨率遥感图像能够快速获取灾区 地形地貌和灾情状况，为灾害监测、救援 和恢复提供重要信息。
报告撰写
撰写实习报告，总结实习过程、 方法、成果和经验教训，为后续 实践提供参考。
05
实习总结与展望
实习收获与体会
掌握高光谱与高空间分辨 率遥感技术的基本原理和 应用方法。
学会使用相关软件和工具 进行遥感数据处理和分析 ，如ENVI、ERDAS Imagine等。
ABCD
了解遥感数据处理和分析 的流程，包括数据预处理 、特征提取和分类识别等 。
特征提取
从遥感图像中提取地物光谱、纹理、形状等特征 ，为后续分析提供依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
高光谱遥感读书报告在研究生的第一学期，我们研究小组在课外时间阅读了一些与高光谱相关的文献资料，其中我又是以水体遥感为主，下面，我将在本文中介绍我在有关水体遥感文献中所学的内容。
1.研究意义随着水质污染问题的日渐严重, 水质监测已成为社会经济可持续发展必须解决的重大问题。
遥感技术以其独特的优势为水质监测和研究开辟了新的途径, 它可以实现水质快速、大范围、低成本、周期性动态监测。
然而, 由于内陆水体的光学特性比较复杂, 与大洋水体遥感研究相比, 内陆水体的遥感监测始终是一个技术难点。
当前内陆水质遥感监测的一个重要发展趋势就是高光谱遥感图像数据的越来越广泛的应用。
内陆和近岸水体光谱特性复杂多变, 只有高光谱分辨率的遥感数据才能更加有效地捕捉这些光谱信息, 从而提高内陆水质监测的精度。
利用遥感数据反演水质参数通常有三种方法, 即经验方法、半经验方法和基于生物光学模型(水中辐射传输模型) 的分析方法。
与经验和半经验方法相比,分析方法具有明确的物理意义, 其通用性和反演的精度要更高。
不过, 分析方法的建立需要大量水面实测数据的支持, 而且模型中仍然有一些假设和有待完善的地方。
在我所看的第一篇文献中，他们是以富营养化污染比较严重的太湖梅梁湾为试验区, 在16个水面采样点测量了水面光谱, 并采集水样后送到实验室内测量水质参数和固有光学量。
在分析、总结了太湖梅梁湾水体表观光学特性和固有光学特性的基础上, 建立了同时反演三种典型水质参数—叶绿素、悬浮物和黄色物质的基于生物光学模型的分析方法, 并取得了较好的反演精度。
从文献中的试验表明, 在内陆水质参数遥感监测中, 高光谱遥感数据是最佳的数据, 基于生物光学模型的分析方法是反演算法的发展趋势。
2.研究现状利用光学遥感监测水质常被称为水色遥感根据水色遥感的研究对象, 可以分为大洋开阔水体遥感、近岸水体遥感和内陆水体遥感川. 水色遥感最初用于大洋开阔水体叶绿素的探测, 其光学特性主要是由浮游植物及其降解物决定的, 光学特性相对简单。
近岸水体尤其是内陆水体与大洋水体相比要复杂的多, 其光学特性不仅受浮游植物的影响, 而且还受到无生命悬浮物和黄色物质的影响, 在水比较浅的情况下, 还要考虑水底物质对水体光学性质的影响。
海洋水色遥感无论在专用航天遥感器的研发还是在算法模型的研究方面都明显走在针对于内陆水体遥感的前面。
海洋水色遥感已经步入实用化的阶段, 但内陆水体的遥感监测却始终是一个技术难点。
遥感在水质监测中的效果很大程度上取决于遥感数据源的特点。
到目前为止, 经常被应用到内陆水质监测中的卫星遥感数据主要包括地球资源卫星数据和海洋水色卫星数据，然而, 这些卫星遥感数据都不能很好的满足内陆水质监测的需求。
内陆水体光学特性复杂多变, 只有高光谱分辨率遥感数据才能捕捉其光谱特征; 内陆水体空间尺度小, 而且水质参数分布空间变化大, 只有高空间分辨率遥感数据才能获取水质参数精确的空间分布特征。
航空高光谱遥感器的出现刚好满足了内陆水质监测的要求, 以为AISA、CASI、AVIRIS代表的航空高光谱遥感器在内陆水质监测中发挥了巨大作用, 不但提高了水质监测的精度, 也为水质监测算法的发展奠定了基础。
根据Dekker(1993)的定义, 利用遥感器观测得到的光谱数据反演水质参数通常有三种方法, 即经验方法、半经验方法和基于生物光学模型(水中辐射传输模型) 的分析方法。
经验方法一般通过建立遥感数据与地面监测的水质参数值之间的统计关系来外推水质参数值, 水质遥感初期使用的宽波段数据多采用这种方法, 不过这种方法建立的水质参数与遥感数据之间的关系往往缺乏理论依据, 因而通用性差。
半经验方法是随着高光谱遥感在水质监测中的应用而发展起来的, 它是将已知的水质参数的光谱特征与统计模型结合, 例如选择特定的光谱区和合理的波段或波段组合的辐射值作为相关变量, 不过半经验算法往往只适用于一定的条件, 应用于不同季节或地域的水体时往往需要进行参数校正。
分析方法(张兵,李俊生等，2005)是建立在水中辐射传输模型基础上的, 其物理意义明确、适用性强、反演精度高, 而且可以同时反演几种水质参数, 是当前内陆水体水质参数反演算法的发展趋势。
3.水质反演[4]3.1生物光学模型法[1]在张兵的文章中，介绍了生物光学模型的水质反演法，该方法主要描述的是水体成分与辐照度比之间的关系。
为了能够详细说明生物光学模型法，文章主要先从基础的概念讲起，在逻辑上层层递进，最后通过实例来说明文章所叙述的方法的优势。
下面本文将简单的介绍在张兵文章中所学得的内容。
3.1.1 固有光学量在文章中，首先讲的是几个基本的概念，即固有光学量(这在后文中半经验模型法介绍中也会提到)。
固有光学量是一个不随入射光场变化而变化的光学量，它仅仅与水体成分有关，事实上，它与内陆水中的叶绿素a 的浓度、TTS(悬浮物质)浓度、CDOM(黄色物质)浓度有关。
当上述物质的浓度发生变化时，水体固有光学属性也会发生变化，因此，在水体遥感中，固有光学量也就可以成为水体成分的指示量。
在介绍完固有光学量之后，还需引入三个新的概念，即吸收系数α、反射系数b 、散射系数b b 。
这三个系数是后文中无论是生物光学模型法，还是半经验模型法都会经常用到的三个系数。
内陆水体的吸收主要有这几个部分，纯水的吸收、黄色物质的吸收、悬浮植物的吸收、悬浮物质的吸收。
而散射与反射则主要集中于纯水和悬浮物质。
它们的关系见下面的公式： )(~)(~)()()()()()(p b b w b b b p b w b b d a cdom a ph a w a a bp bw b +=+=+++= 在上述的公式中，a(w)是纯水的吸收系数，a(ph)是悬浮植物的吸收系数，a(cdom)则是黄色物质的吸收系数，a(d)是悬浮物的吸收系数。
同理，b(w)是纯水的说散射系数，而b(p)则是悬浮物质的散射系数，而bw b ~则是纯水的后向散射[2]比例系数，bp b ~则是悬浮物质的后向散射比例系数。
因此，在上述公式的基础上，文章又把它表示成浓度与单位系数乘积的形式，具体形式可以见下面的公式：bw s bp b Wcdom cdom s d chla ph b C b b a a a C a C a a +=+++=*****)440(3.1.2 表观光学量表观光学量就是随着入射光场变化而变化的光学量，表观光学量主要有遥感反射率、水下辐射照度比、离水辐射照度等。
在其中，水下辐射照度比就是一个比较关键的光学量，在后文中的介绍中，是通过水下辐射照度比来联系固有光学量和表观光学量的。
即：b b b a b f R +=-)0( (1)在此之后，文章中将吸收系数的表达式和散射系数的表达式代入其中，就可以得到一个方程如下所示：w cdom cdom s d chla ph bw s bp bws bp a a a C a C a b C b b C b f R ++++++=-)440(),0(******λ在这里，张兵的文章假设水体中的各散射系数、吸收系数都是可以知道的(因为可以野外采样并在实验室中测得)，所以说，真正的未知数就只有三个：黄色物质的浓度、叶绿素a 的浓度、以及悬浮物质的浓度。
所以，在理论上，我们只需知道三个波长的数据就可以进行解算，如果使用的是大于三个波长的数据，则可以使用最小二乘来解算。
3.2 半经验模型法3.2.1 文章简介[5]这篇外文文献的主题是利用感光色素、叶绿素a 和藻蓝素通过高光谱影像来反演出蓝藻的浓度。
这篇文章的目的是通过野外的高光谱数据采集和实地的水体采样以此来扩展和验证Simis 于05年发表的关于半经验模型的改进，最终目的则是映射出蓝藻的相关浓度。
通过使用藻蓝蛋白的光学特性，研究人员已经成功估计了基于野外实测数据来决定藻蓝蛋白色素浓度并最终估算蓝藻丰度的这个方法的可行性。
现有的方法，即野外实地采样收集，实验室分析，鉴别并枚举藻蓝蛋白，这将会花去数周的时间。
这些个方法与高光谱的方法相比既花费时间成本又有人工成本。
在过去的研究中，研究者提出了各种关于叶绿素a 的浓度反演的方案，而在这篇文章中，作者则是使用的是藻蓝素，这个对于内陆蓝藻而言只是个辅助色素的成分，使用它来做为印第安纳州的Morse 湖和Geist 湖的水华指标。
3.2.2 半经验模型[3]半经验方法是将已知的水质参数光谱特征与统计模型相结合，选择最佳的波段或波段组合作为相关变量估算水质参数值，是伴随着高光谱遥感数据应用于水质监测而发展起来的一种目前最常用的方法。
3.2.3 方法论与生物光学模型方法相似的是，这篇文章的作者也想到使用吸收系数和散射系数。
在这篇文章中，同样的使用到了上文所提到公式(1),所以，为了能够得到藻蓝素[6]的吸收系数，本文需要先将叶绿素a 的浓度求出来，并把叶绿素a 的浓度做为后来估计藻蓝素浓度的改正。
在下面的两个经验模型中，使用到了藻类最大散射波长与最大吸收波长的关系，然后这两个模型是用来估计叶绿素a 的浓度的，从而可以达到估计藻蓝素浓度的目的，下面是两个经验模型的公式：叶绿a ： )620()709(R R 藻蓝素(Phycocyanin):)620()709(R R 对于上述公式的说明：之所以选择665波段和620波段，是因为叶绿素a 的浓度变化和藻蓝素浓度的变化分别对于这两个波段较为敏感。
在这两个波段中色素浓度的细微变化而引起的反射波谱变化可以用来预测叶绿素a 和藻蓝素的变化。
下面的公式则是用来推导出叶绿素a 和藻蓝素吸收系数的公式：在引入上述公式之后，作者又假设水体的散射系数和吸收系数与水体组分的浓度存在着线性的关系，在这个假设前提下，我们感兴趣的水体成分的吸收系数与特殊吸收系数)(*λi a ，它是单位吸收系数。
与张兵文章不同的是不管是叶绿素a 浓度和藻蓝素浓度，它的浓度公式如下所示： )()(][*λλi i i a a Pigment = 这个公式就是这篇外文的水体反演的核心公式。
下面简单的介绍下测区，因为本文的作者以及其科研团队是来自印第安纳州立大学和普渡大学的学者，它们是基于保护和监测印第安纳州的Morse 和Geist 水库来做的研究，他们在Morse 湖设立了28个观测点，在Geist 则是设立了27个观测点，总的示意图如下：图一(在图a 为Morse 水库，其中有27个测量点，图b 为Geist 水库，有28个观测点) 数据分析：下图是在两个水库处藻蓝素浓度与叶绿素a 浓度的关系图：图中方形代表的是Morse 湖水库,而圆形的图代表的是Geist 水库。
对于所得到的数据，我们首先需要进行的是色素提取错误的分析，当采样品与复制品的百分误差大于百分之三十的时候，我们不会选取这个数据。