本次试验采用的主要信息提取方法包括基于掩膜图像的主成分分析、矿物指数和光谱角度填图方法等。 对于所有ASTER数据，常规图像均采用通道1（红、绿、蓝）假彩色合成，这种合成方案尽管植被的信息比较突出，但有利于后续使用者对照其他信息的图件判别地质体的色调异常与来源于植被的干扰异常。
光谱分析：通过分析遥感图像的光谱特性，可以提取出地表的物质组成、植被覆盖、水体等信息。 纹理分析：通过分析遥感图像的纹理特性，可以提取出地表的地形、建筑物、道路等信息。以上各种方法有各自的优点和适用情况，通常在实际应用中需要根据具体的任务和数据特性选择合适的方法。
综上所述，遥感信息提取的过程实质是应用知识概念模型，对影像空间模型属性进行逻辑推陈出新理论的过程。应用好逻辑规律（知识发现）构建“公理体系”，即可做到事半功倍的效果。
常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。
高光谱分辨率遥感在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术（Lillesand&Kiefer2000）。其成像光谱仪可以收集到上百个非常窄的光谱波段信息。
高光谱分辨率，必然导致空间分辨率的相对降低，限制了高空间分辨率要求的相关应用。
多光谱与高光谱遥感技术在数据采集、处理及应用方面存在显著差异。多光谱遥感技术通常采用3至10个波段对地面目标进行拍摄，适用于土地利用、NDVI计算及水体质量监测等。数据处理主要包含辐射校正与大气校正，以去除数据中的噪声和误差。
经验方法的建模问题通常转化为回归问题，依据选择的特征变量数量，模型可以是简单回归或多元回归。在建模过程中，选择的特征变量作为自变量，目标参数作为因变量。模型验证是确保结果准确性的关键步骤，这需要对模型进行评估和检验。总结而言，遥感反演的逻辑并不复杂，关键在于结合专业背景知识进行深入分析。
经验方法和处理逻辑是反演的核心部分，主要包括：常用数据类型多光谱、高光谱成像和微波雷达数据是反演过程中的常见数据来源，同时，高光谱非成像数据在某些情况下也被使用。反演步骤预处理： 遥感数据的预处理至关重要，通常包括辐射校正、几何校正等，可通过ENVI/ArcGIS等软件进行。
一般反演可以用经验模型法和物理模型法，经验模型法相对简单，不用考虑物理过程，而物理模型法则必须先把遥感机理搞清，然后才有反演的问题，而且建立起物理模型再去反演，就涉及到数学当中的最优化、正则化的大量算法，而经验模型法用到的数学知识，这涉及到回归分析、统计学等。
地表温度反演 地表温度是评估能源平衡和气候变化的关键指标，通过遥感反演方法如大气校正法、单窗算法和单通道法，结合Landsat8 TIRS数据，反演地表温度，为气象、水文、地质、生态、城市环境和灾害监测提供数据支持。火情监测API利用遥感反演技术，实现全国疑似火点准实时监测。
传统的定量遥感方法，如依赖于大量数据的最小二乘法，虽然在处理数据密集型问题上较为成熟，但对于陆地遥感反演而言，其核心问题在于处理的是用少量观测数据去推测复杂的地表系统状态，这本质上是一个反演难题，因为数据量远远少于需要估计的参数。
而反演就好像是解方程或解方程组的问题，显然建立方程与解方程是两个不同性质而又密切相关的问题。所谓反演就是基于模型知识基础上，依据可测参数值云反推目标的实时状态参数。要实现反演一般需要获得足够的信息量，数学语言可表达为独立方程数必须等于或大于未知参数数目。所谓独立就是指正交。
1、所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常10 nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感（通常100nm）且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。
2、高光谱分辨率遥感，简称Hyperspectral Remote Sensing，是一种先进的地球观测技术。它专注于在电磁波谱的多个关键区域获取数据，包括可见光、近红外、中红外和热红外波段（Lillesand & Kiefer， 2000）。
3、高光谱遥感卫星概述 高光谱遥感卫星是一种能够获取地表高光谱分辨率遥感数据的卫星。它们可以观测地表的细微变化，提供丰富的光谱信息，广泛应用于地质、农业、气象等领域。地球观测高光谱遥感卫星 这些卫星通常拥有较高的光谱分辨率和成像能力，能够捕捉到地表的各种细微变化。
4、高光谱遥感是一种集光学、电子学、数学和计算机科学于一体的新技术。与传统的单一波谱遥感相比，高光谱能够提供连续的、多光谱带的图像数据。它的波长范围覆盖紫外、可见光、近红外、短波红外到热红外波段，涉及物理世界的多个尺度层次。
5、高光谱遥感，作为20世纪70年代初期多光谱遥感技术的进阶，是空间成像与光谱技术融合的产物。它的核心在于对目标进行成像时，通过色散技术将每个空间像元分解为数十乃至数百个窄波段，形成连续的光谱覆盖，形象地说，就像构建了一个“图像立方体”。
光谱分辨率：多光谱遥感：多光谱遥感通常具有相对较低的光谱分辨率，即每个光谱波段的带宽相对较宽。这意味着在每个波段上获得的光谱信息是相对较粗略的，可能无法捕捉到某些细微的光谱特征。高光谱遥感：高光谱遥感具有相对较高的光谱分辨率，即每个光谱波段的带宽相对较窄。
高光谱遥感和多光谱遥感的区别：波段不同：高光谱的波段较多，谱带较窄（比如hyperion 有242个波段，带宽10nm）；多光谱相对波段较少（比如ETM+，8个波段，分为红波段、绿波段、蓝波段、可见光、热红外（2个）、短波红外和全波段）。
高光谱遥感和多光谱遥感的区别如下：高光谱的波段较多，普带较窄。（Hyperion有233~309个波段，MODIS有36个波段）多光谱相对波段较少。如ETM+，8个波段，分为红波段，绿波段，蓝波段，可见光，热红外，近红外和全色波段。
多光谱与高光谱遥感技术在数据采集、处理及应用方面存在显著差异。多光谱遥感技术通常采用3至10个波段对地面目标进行拍摄，适用于土地利用、NDVI计算及水体质量监测等。数据处理主要包含辐射校正与大气校正，以去除数据中的噪声和误差。
1、高光谱影像的谐波分析以离散像元为处理单元，下面以单个像元点的变换过程简述其原理。
2、高光谱遥感的巨大内涵和独特之处在于它可以从数据的高维空间特性入手，基于地物本身的物理属性，进行更有效的目标探测和分类处理。基于此，近年来发展了很多目标探测算法。
3、以实验区AVIRIS高光谱影像像元点为计算单元，取h＝0，L＝137，根据式（3）中计算谐波余项A0/2；取h＝1，2，3；L＝137，根据式（2）、式（3）计算影像谐波分析的1～3次谐波振幅C1～C3和谐波相位Φ1～Φ3。
4、HA）和自适应神经网络（Adaptive Neural Network，ANN）等现代数学理论对光谱曲线进行深层次的变换处理，因而在噪声分离、同谱异物与同物异谱处理、微量（弱）信息识别等方面存在很大的不足。因此，很有必要开展基于现代数学理论的高光谱遥感数据变换处理、信息提取与分析应用研究。
5、输入因子的设计 本节利用谐波分析技术提取高光谱影像的能量谱特征成分，并以此作为输入参数，以探索该技术在高光谱影像精细分类中的应用。本节实验分析部分设计的因子为3次谐波分析产生的谐波余项、1～3次谐波振幅、1～3次谐波相位。