植被的剔除

研究区山地起伏较大，有着一般630～1230m的相对比高，坡度也大多在20°～40°，在夏季，海拔约2900m以下的区域分布大量的高山草甸型植被，也有着一些林场的分布。

a.研究方法

首先考虑冰川覆盖的严重干扰，因此把遥感影像的成像时间选择在夏季，主要是尽量减少冰川信息，但这同时又带了大量的植被信息干扰。利用野外实地调查获取的数据对影像数据中植被信息进行了波谱特性分析研究。

研究区的植被在ETM+数据的3波段和ASTER数据的2波段有吸收谷，这对应的是红色波段；在ETM+数据的4波段和ASTER数据的3波段是强反射，这对应的是近红外波段；在绿色波段对应的ETM+数据的2波段和ASTER数据的1波段都有微弱反射峰；在短波红外谱段内没有明显的光谱特征，总的特点是ETM5>ETM7，ASTER4>ASTER5> ASTER6> ASTER7>ASTER8>ASTER9。由于在可见光的绿色波段和短波红外谱段内，植被的光谱特性与一些蚀变矿物的光谱特性有相同之处，因此植被对蚀变信息的提取构成了一定的干扰，必须剔除。

根据植被所表现出来的光谱特性，一般常用各种植被指数法来增强植被信息，以达到提取植被的目的，如常用的归一化植被指数NDVI。植被指数是运用各种波段比值或是混合比值进行运外来突显植被信息的亮度，抑制其他的背景地物，但运算往往过于简单化，运算结果对地而植被的覆盖度变化比较敏感，同时结果也破坏原先波谐的意义，不能很好地做出光谱意义解释。

采用Crosta和Loughlin提出并完善的选择性主成分分析( principal components analysis, PCA )方法来增强植被信息，然后运用最优密度分割法确定阈值来剔除植被信息。利用主成分分析法增强植被信息时，主要需考虑植被的光谱特征和它们在遥感数据上拥有的“纯”信息量，该方法对于实际地面的植被覆盖度的变化反映不敏感，这有别于一般的植被指数增强法，缺点主要是受混合像元信息和一些噪声的影响。混合像元信息使突显植被信息能力下降，噪声会干扰增强的植被信息。

根据Loughlin的研究，有目的地仅对一定的波段组合进行主成分分析可将特定的信息聚集到单一的主成分中。按对植被信息在两种影像数据中的光谱特征分析，选择了剔除冰川后的ETM+数据的波段34组合和ASTER数据的波段23组合进行主成分分析。

两组主成分变换后所得到的第二主分量PC₂都主要是由近红外波段(ETM4和ASTER3 )的加信息和红色波段(ETM3和ASTER2)的减信息贡献构成，这与植被在两种影像数据上所表现出的光谱特性相致，也就是在两组PC2图像中，植被信息都被增强和突显了出来。因此，利用变换得到的两组PC₂图像来进行最优密度分割法处理，以便分别确定阅值提取ETM+和ASTER数据中的植被信息，从而再做反向模板来剔除两种数据中的植被信息。

最优密度分割法是根据Fisher在1958年提出一种最优分割方法，分类的依据是离差平方和，即基于类间方差最大类内方差最小化的原则，能够定量地确定出图像内提取植被信息的阈值。通过最优密度分割法，确定出研究中ETM+影像的PC2图像中提取植被信息的阈值为0.0016，ASTER影像的PC2图像中提取植被信息的阈值为0.8546,利用确定出的阈值制作模板剔除植被，最后分别得到两种影像数据剔除冰川和植被后的结果。

b.结果分析

从得到的两种影像数据剔除植被信息后的结果来分析，所提出的选择性主成分分析法+最优密度分割阈值法来增强剔除植被信息的方法，针对研究区能够达到良好的效果，该方法既能较大限度地剔除植被信息，又能较好地保留蚀变信息。