ASTER与worldview-2影像协同应用提取岩性信息方法研究的综述报告随着卫星遥感技术的不断发展，遥感影像已经成为全球岩性信息获取的主要方式。ASTER和WorldView-2卫星遥感技术是应用较广泛的两个卫星平台，结合其高分辨率和多光谱数据优势，可实现在地表矿物和岩性多样性植被覆盖程度和类型的基础上，对岩石类型、矿物含量、地形地貌等信息进行提取和识别。本文将针对ASTER和WorldView-2卫星遥感影像协同应用提取岩性信息方法进行综述。一、遥感影像特性ASTER（AdvancedSpaceborneThermalEmissionandReflectionRadiometer）是由美国航空航天局（NASA）和日本宇宙航空研究开发机构（JAXA）合作开展的遥感卫星项目，于1999年发射。ASTER传感器主要有3个缅甸像和14个波段，覆盖了光学、热红外和高光谱范围。而WorldView-2卫星则由DigitalGlobe公司所发射，于2009年10月发射。WorldView-2传感器包括8个缅甸像，可以提供更高的光谱分辨率和更多的光学能力，具有更高的时空分辨率，覆盖更广泛的光谱范围，可以提供更好更详细的地表信息。二、岩性信息提取方法1.光谱特征法光谱特征法是根据不同岩石和矿物在光谱范围内的反射率和吸收率不同，对遥感影像进行分析的一种方法。利用ASTER卫星所提供的光学光谱、热红外光谱和高光谱数据，可以利用多光谱参数提取岩性信息。而WorldView-2卫星具有更高的空间光谱分辨率和更多的光学能力，可以实现更精细的光谱特征提取。2.纹理特征法纹理特征法主要是根据岩石和矿物之间的纹理特征进行提取的。在ASTRA和WorldView-2的影像处理过程中，可采用各种纹理分析方法，例如数学形态学、傅立叶变换、小波变换等，来实现岩性信息的提取。3.深度学习方法深度学习方法是较新的一种岩性信息提取方法，是利用神经网络和机器学习来识别岩石类型和矿物。利用遥感影像的信息，结合机器学习算法和卷积神经网络（CNN），可以在不需要太多先验知识的情况下，实现对岩石类型和矿物的识别和分类。三、案例分析1.ASTER卫星影像在岩性信息提取方面的应用以塔里木盆地为例，利用ASTER卫星影像进行岩性信息提取。首先针对岩性特征，通过使用高光谱数据和多尺度纹理分析方法，在地形、地物等空间背景下提取了14维、45维、100维纹理特征，然后基于归一化差值植被指数（NDVI）方法，对影像进行分类，判定土地覆盖类型，提取地物岩性信息。2.WorldView-2卫星影像在岩性信息提取方面的应用以哈密地区为例，针对WorldView-2卫星影像信息，结合神经网络方法进行岩性信息提取。首先提取影像数据的位置和尺度特征，建立卷积神经网络并进行训练。然后通过重建学习得到的判别函数，对图像进行分类，进而提取出地表岩性信息。四、总结ASTRA和WorldView-2卫星遥感技术协同应用在岩性信息提取方面具有较好的优势。通过对影像特征进行提取分析，结合深度学习等技术手段，可以实现对不同类型的岩石进行识别和分类。这为采矿勘探、地质灾害预测和资源开发等领域提供了科学的技术手段和决策支持。