下载掌阅APP，畅读海量书库
立即打开
由于成像光谱系统获得的连续波段宽度一般在10nm以内，因此这种数据能以足够的光谱分辨率区分出那些具有诊断性光谱特征的地表物质。这一点在地质矿物分类及成图上具有广泛的应用前景。而陆地卫星传感器，如MSS和TM，则无法探测这些具有诊断性光谱吸收特征的物质，因为它们的波段宽度一般在100～200nm（远宽于诊断性光谱宽度），且在光谱上并不连续 [8] 。相应地，假如矿物成分有特殊的光谱特征，用这种高光谱分辨率数据也能将混合矿物或矿物像元中混有植被光谱的情形，在单个像元内计算出各种成分的比例。在地物探测和环境监测研究中，利用高光谱遥感数据，可采用确定性方法（模型），而不像宽波段遥感采用的统计方法（模型），其主要原因也是因为成像光谱测定法能提供丰富的光谱信息，并借此定义特殊的光谱特征 [8] 。
由于成像光谱仪能够获得从紫外到热红外光谱区域的上百个连续波段的图像，所以高光谱遥感技术被广泛应用在矿物成分含量识别、植被识别与分类、植物的长势与化学成分估测、大气中各成分含量分析、水域环境污染程度分析、土壤调查，以及城市监测和规划等，并取得了显著成果。
相对于多光谱遥感，高光谱遥感具有更加丰富的地物光谱信息，可以详细反映待测地物细微的光谱属性，其较宽的波谱覆盖范围使得在处理高光谱数据时，可以根据需要选择特定的波段来凸显地物特征，为高光谱数据处理算法提供更多的地物特征数据，使地物光谱信息的精确处理与分析成为可能。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪，在光谱分光方式、空间成像方式和光电转换探测器的研究中不断深入，逐步从地面遥感发展到航空和航天遥感应用平台相结合的阶段，并在地图绘制、资源勘探、农作物监测、精细农业、灾害调查、目标侦查、海洋环境监测和战场环境监测等领域发挥重要的作用。另外，高光谱遥感技术在与全球定位系统融合的过程中，形成新型的地物信息获取与对地信息观测平台，极大地拓展了高光谱遥感技术的应用领域，为地学的研究提供了新的技术支持和科研方法 [9] 。
从20世纪80年代开始，地质调查是地球观测数据最早的产业化应用领域之一。这些年来的研究表明，高光谱遥感能够为地质应用的发展做出重大贡献，尤其是在矿物识别与制图、地表裸露环境下的岩层填图等方面，由此产生的矿物成分分布图及丰度图有助于加深对地质过程的理解 [10, 11] 。实践表明，利用高光谱遥感进行地质调查的成本远远低于传统手段 [12] 。因此，高光谱遥感已经成为新地质调查方法的代表手段，地质调查也因此成为高光谱遥感应用中最成功的一个领域。
高光谱遥感能成功地应用于地质领域（矿物识别和制图）的主要原因是高光谱遥感有许多不同于宽波段遥感的性质。各种矿物和岩石在电磁频谱上显示的诊断性光谱特征（diagnostic spectral feature）可以帮助人们识别不同的矿物成分
[13]
。高光谱数据能反映出多类诊断性光谱特征，矿物成分的光谱曲线图能够显示各自的吸收、反射诊断性光谱特征。矿物光谱研究表明，岩石矿物在0.4μm至2.5μm之间具有一系列可诊断性光谱特征信息，包括金属离子的电子转移和Al-OH、Mg-OH、
等分子团的振动所形成的矿物光谱吸收特征，这些特征的带宽多在10nm至20nm之间，成像光谱图像以其三维谱像信息的特点使得在光谱维上进行矿物成分信息的分析成为可能。这些诊断性光谱特征只有利用高光谱数据才有可能被探测到，而如果利用宽波段遥感（如TM传感器的7个波段）数据，探测这类诊断性光谱特征是不可能的。不同的光谱分辨率在进行矿物识别时，对矿物光谱的反射率特征有显著影响，以水铝矿为例，不同的光谱分辨率对粘土矿物（水铝矿）光谱性质的影响是显著的。一般情况下，具有窄波段吸收特征的水铝矿在4～16nm光谱分辨率下明显反映出双吸收峰（反射低谷）特征，但在1.4μm附近的较宽波段这类特征明显消失了。而高光谱数据的光谱分辨率比宽波段遥感高数十倍（<10nm），在宽波段遥感图像上无法反映的具有诊断性光谱特征的矿物，在高光谱图像上变得很容易识别。
由于成像光谱数据具有多个波段和高光谱分辨率的特点，使得成像光谱技术在岩石矿物识别和制图上有着广泛的应用前景。在实际应用中，各类蚀变矿物往往有很重要的地质指示作用，对它们的识别和探测有着重大的地质意义。正是由于这些岩石、矿物其成分、结构的不同而产生的光谱特性的差异，使得光学遥感技术得以应用。但是这种差异往往非常细微，在宽波段遥感图像上无法反映的具有诊断性光谱特征的矿物，只有在高光谱图像上才变得很容易识别。这从根本上改观了从光学遥感图像上提取地质信息的质量和数量。高光谱遥感以数十至数百个连续且窄的光谱波段描述一个像元。这一点在地质遥感中很重要，因为利用连续的窄波段能探测具有不同诊断性光谱特征（特征波段宽度和位置等）的各种矿物 [8] 。
人们已发现许多地表矿物成分具有非常特殊的诊断性反射光谱特征，植物由于其由一些与地表矿物成分相同的化合物构成，因此亦应有类似的光谱特征。目前已确定的大部分植物的明显光谱特征是由于内含的叶绿素等色素和液态水引起的。在光谱反射率曲线中，植物曲线有明显不同于干土壤和清水曲线的光谱特征。
一般而言，健康的绿色植物的光谱曲线总是呈现明显的“峰和谷”的特征。可见光部分的低谷（0.45μm和0.67μm处的蓝、红光）主要由叶绿素强烈吸收引起。由于色素强烈吸收蓝光和红光而相对反射绿光，因此人们对健康植物的视觉效果是绿色的。假如叶绿素等色素的浓度或含量因故下降，这种绿色视觉效果就会减弱。在可见光区的“蓝边”（蓝过渡到绿）、绿峰、“黄边”（绿过渡到红）、红光低谷及红光过渡到近红外的“红边”是描述植物色素状态和健康状况的重要指示波段。“红边”是植物曲线最明显的特征。近红外高原区（0.7～1.3μm）对于典型植物叶子的反射率一般为40%～50%。这主要是由于植物叶子内部组织结构（细胞结构）多次反射散射的结果。1.3μm以后的三个明显低谷：1.4μm、1.9μm和2.7μm是由于叶子内部的液态水强烈吸收的结果。相应地称这些波长位置为水吸收波段。这些吸收波段间出现两个主要反射峰，位于1.6μm和2.2μm处，这是植物曲线所特有的光谱特征 [14] 。上述描述的是绿色植物的一般光谱特征，这些特征主要由其化学和形态学特征决定，而这些特征与植被的生长发育阶段、健康状况和物候现象密切相关。由于不同植物绿叶之间、同一植物不同部位的绿叶之间色素含量（主要是叶绿素）及水分含量的差异，它们之间的光谱曲线线形存在许多差异，主要差异发生在叶绿素强烈吸收的蓝光、红光区和水吸收的中红外区。即使是同一种植物（如美国梧桐）由于叶子生长部位不同，它们叶绿素吸收引起的可见光曲线形状也明显不同。不同植物种类之间“吸收谷”“反射峰”的差异就更明显了，这种植物绿叶光谱曲线线形除受种类及部位因素影响外，还受物候季相的影响。高光谱遥感技术精细划分10nm左右的细波段能记录丰富的电磁波信息，能详细描述不同植物特有的光谱特征，这是传统多光谱技术所做不到的。它不仅能用于传统多光谱遥感对植被的识别与分类，还能对植物化学成分（指植物体内的）及植物长势等做出评估。
成像光谱仪的出现使从飞机到卫星平台获取高光谱分辨率图像数据成为可能。成像光谱测量是一种非常特殊的光学遥感，它以窄波段、波长连续的辐射抽样方式记录地表物体的光谱信息。多光谱遥感则以波长区域不连续的宽波段方式记录地物光谱，它仅以一个宽波段的单值代表一个相对宽光谱区域的辐射动态。而成像光谱仪（诸如AVIRIS）记录的单个像元的光谱能完整地描述各类地物曲线，因而成像光谱仪能提供近乎连续的光谱信息。这种能提供类似实验室光谱信息的高光谱遥感为我们探测植被形态和活力、监测土地覆盖变化和估计生态系统的生物物理和生物化学参数提供了方便。
植被遥感概念已扩大为生态遥感，它涉及较为广泛的应用研究领域：植被制图、土地覆盖利用变化探测、生物物理和生物化学参数提取与估计等。高光谱植被遥感主要研究生态遥感所涉及的植被类型的识别与分类、植物化学成分的估测、植物生态学评价。这些内容是最近提出的遥感生态测量学的目的之一，它是遥感与传统生态测量学交叉的结果 [15] 。
高光谱遥感数据能大大地改善对植被的识别与分类精度。单就充分利用植被的光谱信息而言，人们可以从众多的窄波段中筛选出那些对植物类型间光谱差异极为明显的波段，利用少数几个窄波段对植被类型进行识别与分类 [16] ；也可采用一些数据压缩技术，重新组合几个综合波段，充分利用植被的光谱信息，这对植被识别与分类精度的改善必将大有帮助。由于航高的原因，改善空间分辨率有一定难度，但光谱分辨率的提高同样也能改善植物遥感水平。高光谱遥感的出现，使植物化学成分的遥感估测成为可能。因此植物遥感已非局限于对植物类型的识别与分类，而是涉及各种植物化学成分的估测。如对植物叶内的N、P、K、糖类、淀粉、蛋白质、氨基酸、木质素、纤维素及叶绿素等的估测，并为评价植物长势、估计陆地生物量从理论和实践上提供了可靠的保证。在植物生态学研究中应用高光谱遥感数据，主要涉及以下几个方面：植物群落、种类的识别，冠层结构、状态或活力的评价，冠层水文状态的评价和冠层生物化学成分的估计。LAI（叶面积指数）是植物生态学研究中的一个重要指标，LAI与生物量、植物长势均有密切关系。传统的多光谱植被遥感采用由遥感数据（如TM）衍生出的各种植被指数（VI）与LAI的简单关系来估测LAI，精度不高，原因之一是宽波段遥感数据中往往还有相当比例（视单位面积上的LAI大小而定）的非植物光谱（如土壤背景、凋落物等），致使各种VI与LAI的关系不太紧密。而这种非植物光谱在高光谱遥感数据中采用光谱微分技术可以得到抑制，从而提高遥感数据与LAI的相关性。但利用传统的多光谱数据无法施行这种微分技术。利用成像光谱数据可对大部分生物物理和生物化学参数，如LAI、叶绿素含量，进行成图研究，以评价这些参数在空间上的差异。
高光谱遥感技术的研究与应用是农业遥感领域重要前沿课题之一，它充分利用了高光谱图谱合一的优点，能够精准监测作物长势，为精准农业服务。在农业遥感应用中，特别是作物长势评估、灾害监测和农业管理等方面，利用高光谱遥感数据能准确地反映田间作物本身的光谱特征以及作物之间光谱差异，可以更加精准地获取一些农学信息，如作物含水量、叶绿素含量、叶面积指数（LAI）等生态物理参数，从而方便地预测作物长势和产量。随着高光谱遥感技术的迅速发展，它已经能够准确、快速地提供各种地面遥感数据。农业遥感要求农业资源监测应用和管理有效地结合起来，这就要求在作物长势监测、灾害预测、产量估产及精准农业管理等方面有更好和更高精度的技术，高光谱遥感技术在很大程度上正好满足了该技术的需求 [17] 。目前，高光谱遥感技术在农业遥感应用中的研究取得了较大进展，主要包括以下7个方面：①作物叶片光谱特征研究；②作物分类与识别；③作物生态物理参数反演与提取；④作物养分诊断与监测；⑤作物长势监测与产量预测；⑥农业遥感信息模型研究；⑦农业灾害监测。
（1）作物叶片光谱特征研究
作物的叶片光谱特征与作物生长状况有直接的关系，包括光谱反射率变化对作物化学组分敏感性变化、土壤水分胁迫下与正常条件下作物光谱特征变化及对作物生长状况的影响、作物光谱中红边位置与作物叶绿素含量之间关系等。作物叶片光谱特征研究对于应用高光谱遥感技术监测作物病虫害，以及了解农田养分供应状况，采取有效增肥措施和加强农田管理具有积极意义。
（2）作物分类与识别
在农业遥感应用中，作物精准分类与识别是进行农业灾害监测和产量评估的重要环节。多时相高光谱数据能区分作物更细微的光谱差异，探测作物在更窄波谱范围内的变化，从而能够准确地对作物进行详细分类与信息提取。目前最流行、应用最广的高光谱作物分类方法有光谱角分类、决策树分层分类等。
光谱角分类是通过计算测定光谱和参考光谱之间的“夹角”来表征两者之间的相似程度，从而实现光谱匹配分类。夹角越小说明两者相似性越好，地物的识别和分类也就越可靠。光谱角方法对太阳辐照度、地形和反照率等因素不敏感，可以有效地减弱这些因素的影响。
决策树是一种把一个数据集循环地划分到越来越小的子集中去的方法。树由节点组成，一组中间节点和一组末端节点（叶子）组成一个决策树。决策树中的节点中只有一个父节点和两个或者多个子节点，决策树分为单变决策树、多变决策树和混合决策树三种。利用决策树分层分类可以分级分出作物详细的每一种类。
（3）作物生态物理参数反演与提取
作物生态物理参数主要包括作物水分、叶绿素含量等表征农学信息的参量。目前，高光谱遥感数据反演与提取作物生态物理参数主要有三类方法：①利用多元回归方法建立高光谱数据（原始反射率、光谱微分等）与作物农学信息参数之间的关系；②构建基于光谱特征的光谱指数与作物含水量等农学信息之间的经验方程；③建立物理模型来反演与提取作物参数。对农作物影响较大、目前研究广泛的是作物水分和叶绿素含量（代表性的生态物理参数）两类参数的反演。
作物水分胁迫状况能够在光谱反射率数据中体现出来，这是高光谱遥感反演与提取作物水分的理论基础。目前作物水分反演方法主要有三种：①利用遥感反演的生态物理参数（如叶绿素含量）与作物含水量建立关联关系。一般来说，作物叶绿素与含水量存在正比关系。②建立作物冠层温度变化与作物含水量的关系。③基于作物光谱吸收特征反演与提取作物水分。植被光谱波段特征中，1530nm和1720nm波段适合对植被水分的估算。
叶绿素含量是作物生物量的重要标志之一。很多研究表明：光谱红边位置（REP）与作物（如小麦、玉米等）叶绿素积累量具有较强的相关性。红边位置（REP）为680～750nm波长范围内光谱反射率一阶导数最大值对应的波长。红边特征参量包括红边斜率（Srg）和红边面积（Arg）等。
（4）作物养分诊断与监测
作物养分主要包括氮、磷、钾等元素，如果缺乏会导致作物光合作用能力和产量降低。近几十年，利用遥感进行作物养分（尤其是氮）实时监测和快速诊断一直是农业应用研究的热点。作物氮、磷、钾等含量的变化会引起作物叶片生理和形态结构变化，造成作物光谱反射特性变化，这是高光谱遥感获取作物养分信息的理论依据。作物养分高光谱诊断与监测使用最广泛的方法是多元统计回归方法诊断作物养分含量。这种方法的前提条件是作物叶片光谱是作物中各养分的加权吸收特性之和。许多研究证明：作物反射与氮积累量之间相关性非常显著，可以采用逐步回归方法分析作物氮的含量。
大量研究表明，高光谱遥感技术可以对作物的养分进行准确诊断和监测，为变量施肥提供了依据，可以节省农业资源投入。高光谱养分诊断与监测模型在农业生产中有较高的应用价值和广阔的应用前景。
（5）作物长势监测与产量预测
作物长势是作物生长发育状况评价的综合参数，长势监测是对作物苗情、生长状况与变化的宏观监测。构建时空信息辅助下的高光谱遥感信息与作物生理特性及作物长势之间的关系模型便于作物长势监测，高光谱监测作物长势可分为植被指数及结合GIS技术的动态监测等方法。高光光谱遥感可以利用植被指数（Normalized Difference Vegetation Index，NDVI、Difference Vegetation Index，DVI等）进行农田地表覆盖类型分类和作物长势监测分析。例如，可以利用高光谱数据，通过分析NDVI和DVI，建立农田区域性覆盖指数模型，反映出区域性作物覆盖分异状况和随季节变化规律。此外，海量高光谱遥感数据，结合GIS技术、GPS技术、网络技术和计算机技术，建立服务于农业领域的农情监测系统，对作物长势实现动态监测，对农情灾害以及粮食产量进行快速预报和准确评估。
作物产量高光谱遥感预测是通过搭载在卫星上的高光普遥感器，来获取作物各生长时期的光谱特征数据，对其反映的产量进行预测。多数研究集中于作物种植面积遥感预测和单产预测。作物种植面积遥感预测算法分为直接算法和间接算法两种。直接算法一般通过建立作物指数与面积之间回归模型进行求解；而间接算法是利用绿度-麦土比模式求出麦土比值作为已知值，然后利用土地面积乘上已知值求解作物种植面积 [18] 。单产预测是以作物生长状况在高光谱遥感光谱特征中得到表征为理论支撑的。基于作物各生长期不同植被指数组合方法开展产量估算是最为常见的方法。著名的绿度植被指数（Green Index）由Kauth和Thomas针对多光谱MSS数据提出的，对作物生长状况监测较为敏感。
（6）农业遥感信息模型研究
农业遥感信息模型是应用遥感信息和地理信息影像化的方法，集成农学模型、数理模型和地学模型建立起来的一种模型。常见的农业遥感信息模型包括土壤含水量遥感信息模型、作物旱灾估算遥感信息模型等。随着作物生长动力模拟模型的发展，遥感信息与作物生长模型相结合研究也逐步展开，著名的作物模型（ARID CROP模型、CERES模型等）与遥感数据同化研究为农业资源监测与预测提供了好的研究方法。
当前，基于多光谱遥感数据源为主流的遥感信息模型在农业领域已经取得了较好的应用效果。鉴于高光谱数据的昂贵价格及数据处理的复杂性，这方面研究较少，但是随着高光谱遥感数据的迅猛发展，基于高光谱的遥感信息模型将会在农业应用中大有作为。
（7）农业灾害监测
目前，遥感农业灾害监测已经广泛用于农业干旱监测、病虫害监测等多个方面。高光谱遥感的高光谱分辨率、大面积同步观测等特点为区域性农业灾害监测与评估带来了福音。
干旱是一种潜在的自然现象，它的发生过程复杂，通常表现为一种变化缓慢的自然灾害，至今干旱还没有一个统一的定义。常用的遥感农业干旱监测方法分为植被指数-地表温度法、热惯量法等。植被指数-地表温度法是综合利用可见光、近红外和热红外波段信息提取表征农业干旱的生态物理参数如植被指数、地表温度等，构建这些参数组成的光谱特征空间模型进行干旱监测。植被指数-地表温度法虽然简单、灵活，但是经验性太强，监测精度受到一定的限制。热惯量法利用不同物质之间热惯量不同的特性，以土壤水分与土壤温度变化的关系为指导思路建立干旱监测模型。热惯量法虽然精度较高，但是所需参数较多，只适用于裸土或者很低植被覆盖区域。此外，作物缺水指数（Crop Water Stress Indices，CWSI）、微波遥感等方法在农田干旱监测中也越来越得到重视。
高光谱遥感特有的光谱匹配和光谱微分技术使其在农业病虫害监测中得到研究者的青睐。其中，基于波谱波长位置变量分析方法是农业病虫害监测的主要方法，国内外许多学者基于高光谱影像分析了作物病害光谱响应，利用红边参数、迭代自组织、二项式分析等方法开展了小麦等作物条锈病光谱信息探测与识别研究，病虫害识别效果较好。随着海量高光谱遥感数据的获取，区域性农业病虫害监测研究也越来越完善。
在水域环境系统研究中，成像光谱仪可被用来测量分析具有吸收和散射特性诸因素。这些因素主要包括在沿海、江河、湖泊中的叶绿素、众多浮游生物种类、不可溶解有机质、悬浮沉淀物、基底物质组成、半淹没水生植物等 [9] 。利用光谱数据和湖泊中的实测数据可研究这些因素的分布 [19] 。利用遥感监测水质被称为水色遥感。水色遥感主要用于水色因子包括浮游植物色素、无生命悬浮物和黄色物质及相关水质参数的定量探测。根据水色遥感的研究对象不同，可以分为大洋开阔水体遥感（1类水体）、近岸水体遥感和内陆水体（2类水体）遥感。水色遥感最初用于1类水体叶绿素的探测，1类水体即大洋开阔水体，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 [12] 。从目前水色遥感的效果来看，对1类水体叶绿素含量的反演精度较高，海洋水色遥感中一般使用具有较低的空间分辨率（如1km）和中等光谱分辨率的航天遥感器，如SeaWiFS（美国）、MODIS（美国）、MERIS（欧空局）和CMODIS（中国）等。除1类水体外的其他水体通常称为2类水体，主要包括近岸水体和内陆水体，2类水体的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，因而光学特性复杂多变。针对1类水体的海洋水色遥感，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2类水体的内陆和近岸水环境遥感的前面，海洋水色遥感已经步入实用化阶段，而近岸内陆水体的遥感监测始终是一个技术难点 [12] 。
近年来，高光谱遥感技术特别是成像光谱技术的发展使遥感器的光谱分辨率大大提高，可见光的光谱分辨率达10nm级，甚至高达5nm，可以捕捉到近岸和内陆2类水体复杂的光谱特性，而且机载高光谱遥感数据，如AVIRIS（美国）、CASI（加拿大）、AISA（芬兰）、HyMap（澳大利亚）、OMIS（中国）等和星载高光谱遥感数据，如HYPERlON（美国）、CHRIS（欧空局）都具有相对较高的空间分辨率，这为中小尺度的近岸和内陆水体水色遥感带来契机，使有效探测内陆水体水色因子的光谱特征及提高光学水质参数反演精度成为可能，同时也对水质参数的反演算法提出了更高的要求 [12] 。
利用高光谱遥感数据反演水质参数主要有两种方法：半经验方法和分析方法。半经验方法是随着高光谱遥感技术在水环境监测中的应用发展起来的。半经验方法根据水质参数的光谱特征选择估算水质参数的最佳波段或波段组合，然后选用合适的数学方法建立遥感数据和水质参数间定量关系的经验性算法。半经验方法是自20世纪90年代以来最常用的水环境遥感监测方法。但半经验算法往往只适用于当时的条件，对于不同季节和地域的水质参数估算，需要进行相应的参数校正。分析方法的基础是根据水中光场的理论模型来确定吸收系数与后向散射系数之比与表面反射率的关系。这种关系确定后，可由遥感测得的反射率值计算水中实际吸收系数与后向散射系数的比值，与水中组分的特征吸收系数、后向散射系数相联系，就可以得到水中各组分的含量。该方法与生物光学模型相结合具有明确的物理意义，且具有普遍适用性，因此是当前内陆水体水质参数反演算法的发展趋势。不过，由于理论基础尚不成熟，模型中仍然有一些假设和有待完善的地方。目前已经发展的分析方法主要包括：代数法、矩阵反演法、非线性优化法、神经网络法等。
随着对物质光谱特征研究的深入、算法的改进以及遥感技术本身的不断革新，遥感监测水质从定性发展到定量，且可通过遥感预测的水质参数种类逐渐增加，包括悬浮颗粒物、水体透明度、叶绿素a，以及有色溶解性有机物CDOM（Colored Dissolved Organic Material）、水温、水中入射与出射光的垂直衰减系数，和一些综合污染指标如营养状态指数等。此外，利用高光谱遥感进行水体中主要藻类的定性鉴别和定量探测已经有了一定的研究。在沿海环境条件下，有研究者利用AVIRIS和CASI图像数据编制沿海海草分布图 [20] 。AVIRIS和CAST在湖泊测深、湖底制图方面亦有很大应用潜力 [21, 22] 。AVIRIS在400～1000nm光谱范围的高信噪比和绝对定标将有助于沿海和内陆水环境新课题的研究。Carder等（1993）利用AVIRIS数据研究美国佛罗里达Tampa海湾的可溶性物质和微粒成分 [23] 。遥感数据应用在海洋和沿海地区将会面临几大难题。一是水体的低反射率；二是大气对蓝紫短波光谱有严重的散射影响，从而导致这部分波长区域的辐射观测值受大气影响颇大；第三是至少对近海环境而言，来自海水中可溶性物质和微粒成分的光谱信号是复合混杂的，它由这些物质本身的反射、散射和荧光性质决定，这种复合混杂性亦与不同深度和反照率的海底物质有关。由于每个光谱通道上记录的信号微弱，增加了成像光谱技术用于沿海水域调查的难度。因此，为了分离不同成分的影响及精确定标，对大气吸收和散射知识的掌握就显得非常重要。
水深、海底反射率、柱水光学性质（散射、吸收和荧光辐射）及亮度状况的结合决定了沿海海水离水光谱辐射的性质。Sandidge和Holyer[1998]分析了AVIRIS光谱数据并运用神经元网络建立水深和高光谱数据间的定量、经验性关系。他们分析的AVIRIS光谱数据取自美国佛罗里达州的Tampa海湾和Keys海岸地区。运用神经元网络算法从41个AVIRIS波段数据估计沿海0～6m水深区合理的光学水深 [24] 。George[1997]用CASI数据测量和绘制英国Windermere深谷湖湖底地形图。采用的CASI数据覆盖430～870nm光谱范围，地面空间分辨率为2～10m。经研究对比多种用于海洋和淡水湖光谱测深的算法，发现和水深强烈相关的波段在红端，而不在蓝端。在深、浅水区光谱最大差异发生在780～820nm，而当波长短于680nm时，深、浅水区光谱差异就非常小了 [21] 。Clark等[1997]亦利用CASI数据编绘和测量热带沿海环境。选择具有丰富地面资料的小研究区（10km 2 ），在CASI图像上可以提取详细的定量信息，如栖息地范围和结构、水深、海草生物量、红树林郁闭度等以及将这些信息填图 [20] 。Hamilton等[1993]利用AVIRIS数据研究美国加州内华达州的Tahoe湖的叶绿素浓度和湖底深度制图。他们利用沿不同湖水深度的断面测得的湖水表面光谱辐射值作为输入变量，以拟合湖水深度的线性回归模型。拟合得到的回归系数再应用到AVIRIS图像数据上，最后得到该湖浅水区的深度图，并与公开出版的湖底地形图比较，发现两者有较好的一致性，这说明对沿海水域水色图像纠正海底光谱反射率是可能的 [22] 。
由成像光谱仪记录的光谱信息能够确定与灾害环境直接或间接相关的表面结构性质。国外学者在利用高光谱图像进行灾害环境监测方面已经有了较为深入的研究。例如，在美国科罗拉多州Leadvill获取的AVIRIS光谱被用来编制酸性矿物分布图 [25] 。在Leadvill地区，酸水和活性重金属是一类环境污染物质，AVIRIS光谱已被用来评价危险废矿物通过冲积过程顺溪沟的搬运情况。对具体应用而言，光谱测量数据可用来精确地识别危险废矿物并与自然发生的背景矿物区分开。Swayze等利用覆盖美国西部Cascade山区火山大部分区域的AVIRIS光谱图像编制了特殊蚀变矿物分布图。这种蚀变矿物和火山山坡脆弱区有关，因而是一些不稳定坡和潜在崩塌危险区的指示物。随着火山山坡附近社会的发展，研究和理解这种险坡是非常重要的。
利用高光谱手段还可对植被的重金属污染进行监测。金属矿物或元素、油气渗漏等污染可引发植物的异常和植物光谱的变异。高光谱技术的发展为用遥感方法定量探测植物的光谱变异和植物异常，进而探测和分析环境污染成为可能。土壤受到污染，特别是受到金属污染会使植物金属含量增高而引起植物重金属中毒现象，影响植物的生长状态和长势，从而使植物的光谱特征，如绿峰、红谷、红外反射坪等的强度和位置发生改变，并可引起红边和蓝边斜率的变化和位置的偏移。在可见光和反射红外区主要表现为：①高重金属含量常会使植物发生“缺绿症”，使叶绿素含量下降，叶黄素含量增高，叶绿素a与叶绿素b的比值增大，造成红谷变浅；②高重金属含量会改变或破坏叶细胞结构，造成红外反射坪的增高；③造成光谱红边的斜率和位置发生变化。叶绿素含量的减少会造成红边向短波方向位移，称为“蓝移”，而叶绿体受损则形成“红移”。
Kaufman等[1998]在他们的SCAR-B（烟、云和辐射-巴西）实验中，利用多种航天航空遥感资料（NOAA-AVHRR、航空模拟MODIS（MAS）和AVIRIS等）探测与生物量燃烧现象有关的地表生物量，如火、烟气溶胶、痕量气体、云的辐射特性信息。利用常规遥感数据，如AVHRR数据，在识别生物量燃烧地区已非常成功。目前，高光谱分辨率数据在识别和测量燃烧地区时，只是利用它本身的高空间分辨率。图像空间分辨率决定了能被探测到的火点数量及大小，因为大部分燃烧明火或暗火区域较小（许多小于1km 2 ）。根据火灾发生数量分布（Kaufman等[1998]），火灾发生的面积大小主要集中在0.005km 2 左右。所以利用高空间分辨率遥感数据，诸如AVIRIS和航空模拟MODIS（MAS），探测火灾的发生地点是有潜力的。
用高光谱遥感手段还可以测量生物量燃烧燃料、火烧过程、燃烧残存物和火后生物量更新等特性信息 [26] 。从生态和植被的研究角度看，AVIRIS光谱图像可以用来提取植被类型、丰度和叶子水分信息。在燃烧过程中，火作为温度的光谱函数会激发电磁辐射。利用AVIRIS图像数据，就是利用这种电磁辐射测量温度和燃烧面积。生物量燃烧产生的烟雾对区域和全球环境的影响既有短期的又有长期的。烟雾及其云性质可以从定标的AVIRIS光谱图像中提取。在AVIRIS图像上可以测量和监测生物量燃烧的后果、地表组成及更新情况。在1995年巴西的试验中，AVIRIS测量到1000多幅含有许多正在燃烧的光谱图像，为研究和分析生物量燃烧灾害后果提供了大量有价值的数据。
土壤调查或监测对于土壤科学家来说是一个比较困难的问题。土壤在时空上的变异是连续的。自然和人为活动（如农业、放牧）可以以不同的方式改变土壤的性质，这种不同的方式可以产生累积的环境效应。高光谱分辨率遥感作为一种手段可以用来提供土壤表面状况及其性质的空间信息，亦可用来评价探测土壤性质细微差异的潜力 [9] 。
Stone和Baumgardner[1981]在实验室用光谱仪在0.52～2.32μm光谱范围测定取自美国39个州和巴西境内的485个土样的二向性反射光谱，并将这些光谱归纳和描述为5类土壤反射光谱曲线 [27] 。分析结果表明这5类土壤反射光谱曲线可以代表土壤性质变化很广的多种自然发生的表面土壤类型的光谱性质。这些曲线类型主要根据曲线形状和吸收波段出现与否来鉴别；同时也说明土壤光谱的实验室控制测量对于描述土壤光谱特征、土壤分类、发生学和调查是有意义的。
利用高光谱数据进行土壤退化、侵蚀调查是成像光谱技术的又一用途。De Jong（1992）分析高光谱数据用于地中海地区侵蚀土壤板结和土壤类型成图研究。在地中海地区，土壤退化所具有的普通特征是面状侵蚀、溪沟侵蚀和形成地表根结。地表板结是由于大量的雨水冲刷、地表径流引起并可描述为土壤颗粒的固结。De Jong（1992）的研究结果表明，成像光谱学通过光谱的吸收特征的分析可鉴别出主要的土壤类型，进而通过板结与无板结之间反照率的差别也能在NIR和SWIR上将土壤表面有无板结区分开 [28] 。
Palacios-Orueta和Ustin[1996]运用多元统计分析方法，利用实验室土壤光谱测量数据和AVIRIS图像光谱数据，评价高光谱数据用于判别三种理化性质非常相似的土壤类型（或是三种土壤发育阶段）的能力 [29] 。他们研究发现实验室测定的野外土样光谱和AVIRIS测量的光谱相关性很高。虽然估计误差相对较高，但他们证明AVIRIS和实验室光谱数据是统计相关的，这两类光谱数据在重要波段、分布和土壤类型的光谱距离都表现出类同性，说明ARVIRIS传感器用于识别土壤变异的能力可与实验室光谱分析类比。他们还发现使用SDA（逐步判别分析）后应用PCA（主成分分析）是非常有效的，这种方法很容易利用少数几个综合变量判别土壤并编制土壤分布图。然而由于土壤变异的连续性，其他方法，诸如光谱混合分析方法将可能更适用。
城市下垫面由于人类的社会活动使得组成成分复杂多样，其光谱特性也复杂多样，这给运用常规遥感手段进行城市地物的检识带来困难。利用高空间分辨率、高光谱分辨率数据，通过光谱识别技术，能将光谱特征非常相似的城市地物和人工目标物加以区分和精细分类。城市地物和人工目标主要包括水体、柏油（水泥）路面、屋面材料、建筑物阴影、植被种类及土壤等。成像光谱技术应用于城市研究尚不多见，但根据高光谱技术对光谱细分的原理，城市地物和人工目标物的检识应该有潜在的应用价值。刘建贵（1999）基于相对测量原理，认为在两个类别间进行对比分类比直接从多个类别中进行分类容易，因此提出了“分级掩膜”用于城市地物识别的分类策略。结合特征提取技术和光谱特征分析方法，在每个分类节点上进行下一级细分时采用不同的分类方法和特征，将多个类别逐步分离出来，最后将它们复合处理产生一张总的分类图。实验结果证明利用高光谱数据这种分类方法非常有效 [30] 。
在都市环境和人类基础设施中存在的不同分子和散射成分形成了应用成像光谱遥感数据的基础。光谱方法能用于处理高空间频率并伴随混合光谱特征的问题。例如，在都市环境下，利用不透水表面的光谱特性可以将其从自然的植被覆盖的混杂表面中区分出来；测量火灾危险区屋面的结构也是一种非常复杂的城市事务；通信和交通线路的光谱特性可在高光谱图像上量测；利用高光谱图像数据可探测基础设施及被破坏的自然环境并对其成图；在城乡景观的空间复杂性比较中，利用高光谱数据产生的结论比用陆地卫星图像产生的结论更符合客观实际。成像光谱测量法这一高度概括的手段用于城市和邻近环境地表物质成图将有助于城市发展、监测和规划。