img

官方微信

遥感技术与应用, 2019, 34(5): 1016-1027 doi: 10.11873/j.issn.1004-0323.2019.5.1016

模型与反演

镁铁质―超镁铁质岩全谱段遥感识别模型

余沐瑶,1, 张志,2, 付杨康3

1. 广东省地图院, 广东 广州 510075

2. 中国地质大学(武汉) 地球物理与空间信息学院, 湖北 武汉 430074

3. 广州地理研究所,广东 广州 510070

Full-spectrum Remote Sensing Identification Model for Mafic-ultramafic Rocks

Yu Muyao,1, Zhang Zhi,2, Fu Yangkang3

1. Map Institute of Guangdong Province, Guangzhou 510075, China

2. Institute of Geophysics and Geomatics, China University of Geosciences (Wuhan), Wuhan 430074, China

3. Guangzhou Institute of Geography, Guangzhou 510070, China

通讯作者: 张志(1964—),男,湖北武汉人,博士,教授,主要从事遥感地质学研究。E⁃mail:171560655@qq.com

收稿日期: 2018-05-04   修回日期: 2019-06-28   网络出版日期: 2019-11-28

基金资助: 中国地质调查局项目“天山—北山重要成矿区带遥感调查”.  12120113099900

Received: 2018-05-04   Revised: 2019-06-28   Online: 2019-11-28

作者简介 About authors

余沐瑶(1992—),女,福建沙县人,助理工程师,主要从事遥感信息提取与分析研究E⁃mail:yumuyaoo@163.com , E-mail:yumuyaoo@163.com

摘要

镁铁质―超镁铁质岩的遥感岩性识别研究一直是遥感岩石学领域的热点之一,其岩石信息对于岩浆型铜镍硫化物矿床的预测十分重要。提出一种综合利用Landsat 8、ASTER和PALSAR-2数据的镁铁质―超镁铁质岩石全谱段遥感识别模型:通过对野外采集岩石样品及光谱库中相关岩石矿物的可见光―热红外谱域的光谱测试与特性分析,结合岩石表面微波散射特性,应用特征空间,贝叶斯线性判别分析、逐步偏最小二乘回归分析等方法,创建镁铁质―超镁铁质岩性指数,并利用提出的岩性指数进行镁铁质―超镁铁质岩的初步提取,再经过基于贝叶斯决策理论的融合处理得到最终的镁铁质―超镁铁质岩石信息。结果表明:该模型能够对镁铁质―超镁铁质岩进行精准定位,识别精度达到94%以上。此外,根据遥感岩性、构造特征的解译与区内已知铜镍硫化物矿床的成矿岩体比较,推断出位于赤石山―小长山―中坡山一带以及小青山附近岩体具有一定的成矿潜力。

关键词: 全谱段遥感 ; 镁铁质―超镁铁质岩 ; 特征空间 ; 贝叶斯决策理论 ; 识别模型

Abstract

Lithological mapping of mafic-ultramafic rocks is a hotspot in remote sensing petrology, and this lithological information is significant for the prediction of magmatic Ni-Cu sulfide ore deposit. This paper proposed a full-spectrum remote sensing identification model based on Landsat-8, ASTER, and PALSAR-2 data to extract mafic-ultramafic rocks. Firstly, mafic-ultramafic rock indices were proposed by feature space model, Bayesian linear discriminant analysis, and stepwise partial least squares regression analysis, based on analysis of the laboratory reflectance and emissivity spectra of field rock samples measured by portable spectrometer and related rocks and minerals spectra from spectral library in the visible to thermal infrared region, combined with the microwave scattering properties of the rock surface. And then these mafic-ultramafic rock indices were used to preliminary obtain the mafic-ultramafic rock information. Finally, the final mafic-ultramafic rock information was obtained after multi-information fusion processing based on Bayesian decision theory. The results show that the full-spectrum remote sensing identification model can accurately locate mafic-ultramafic rocks, and the extraction accuracy of the mafic-ultramafic rock information is above 94%. Furthermore,Based on mafic-ultramafic rock extraction of this identification model and structure interpretation, mineral exploration prospect also infer around Chishishan-Xiaochangshan-Zhongposhan area and Xiaoqingshan area, comparing with metallogenic rock masses of known Ni-Cu sulfide ore deposits in study area.

Keywords: Full-spectrum remote sensing ; Mafic-ultramafic rock ; Feature space ; Bayesian decision theory ; Identification model

PDF (8889KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

余沐瑶, 张志, 付杨康. 镁铁质―超镁铁质岩全谱段遥感识别模型. 遥感技术与应用[J], 2019, 34(5): 1016-1027 doi:10.11873/j.issn.1004-0323.2019.5.1016

Yu Muyao, Zhang Zhi, Fu Yangkang. Full-spectrum Remote Sensing Identification Model for Mafic-ultramafic Rocks. Remote Sensing Technology and Application[J], 2019, 34(5): 1016-1027 doi:10.11873/j.issn.1004-0323.2019.5.1016

1 引 言

坡北―笔架山地区是新疆北山裂谷带西缘镁铁质―超镁铁质岩体的集中分布区[1],因其赋含铜镍硫化物矿床而得到学者的广泛关注[2,3],并已成为重要的铜镍矿成矿远景区[1]。然而受自然环境和交通条件的制约,该地区传统地质调查工作程度较低,镁铁质―超镁铁质岩研究较为薄弱,导致铜镍矿产资源勘查工作难以取得突破性进展。随着遥感信息处理技术的不断发展,遥感信息作为一种独立的地质资料[4],已被广泛应用于岩性识别[5]、构造探测[6]、地质灾害[7]等领域,尤其是利用遥感影像对岩性的识别与提取,可以快速、宏观、精确地提供丰富的岩石信息。

火成岩的遥感岩性识别研究中,镁铁质―超镁铁质岩提取一直是难点之一,原因在于该类岩石在可见光―近红外及短波红外谱域内不具有反射光谱诊断特征[8]。相比较而言,热红外发射光谱能够探测识别镁铁质―超镁铁质岩中造岩矿物振动光谱特征[9],对可见光―近红外及短波红外反射光谱信息是有效补充。但是,目前基于热红外发射光谱特征所提出的镁铁质―超镁铁质岩性指数[10,11]均属于半定量―半经验模型,受环境背景影响较大,阈值难以确定。实际上,在多光谱遥感中,使用单一岩性指数识别特定岩石时,“异物同谱”现象也是不可避免的问题[12]。微波遥感可通过记录岩石在微波谱段的散射特性来反映其物理特征,提供与可见光―近红外及短波红外、热红外等多光谱遥感手段所不同的特有数据,但岩石表面微波散射特征的影响因素较多,如含水量、地表的几何形态等,仅利用微波散射特征很难推导岩性识别指数,这也是制约微波遥感岩性识别的最主要因素。由此可见,可见光―近红外及短波红外、热红外和微波遥感各具有优势和局限性,三者的协同应用将综合反映目标岩石各个谱域的特征,提高目标岩石的识别精度,从而有效推动遥感岩性识别向精细化定量化发展。

以坡北―笔架山地区为研究区,基于Landsat-8、ASTER和PALSAR-2遥感数据,结合野外岩石实测光谱和ASTER光谱库中相关岩石矿物数据,综合镁铁质―超镁铁质岩在各个谱域中的特性,提出一种镁铁质―超镁铁质岩全谱段遥感识别模型,为今后遥感技术识别镁铁质―超镁铁质岩提供模型指导。

2 研究区与数据

2.1 地质概况

研究区位于新疆维吾尔自治区东部,哈密市南部300 km处,如图1(a)红色框所示,总面积约8 746 km2。该区属于戈壁低山―丘陵区,海拔高度一般为1 000~1 350 m,主要制高点有笔架山、雀儿山、骆驼峰等。其大地构造位于塔里木盆地东端,准噶尔板块和塔里木板块缝合带附近(图1(a)),靠近塔里木板块一侧。区域上受白地洼―淤泥河大断裂和红柳河―依格孜塔格大断裂联合控制,侵入岩较为发育,从超镁铁质、镁铁质至长英质岩均有分布。区内已知铜镍硫化物矿床15处,主要包括红石山铜镍矿(大型)、 坡一铜镍矿(大型)、 坡十铜镍矿(中型)、 罗东铜镍矿(小型)、旋窝岭铜镍矿(小型)等。为了验证镁铁质―超镁铁质岩石信息提取的准确性,从研究区截取两个研究子区Site1和Site2(图1(a)黑色虚线框),并以研究子区的实际地质图 (图1(b)、(c))作为评价参考。研究子区的岩性主要划分为镁铁―超镁铁质岩、石英岩、长英质岩和碳酸盐岩等。其中,镁铁质―超镁铁质岩由橄榄岩、橄榄辉长岩和辉长岩组成;石英岩指的是早石炭世石英片岩;早寒武世灰岩和早石炭世大理岩为研究子区内碳酸盐岩的主要类型;长英质岩代表花岗岩、钾长花岗岩、早石炭世砂岩和流纹岩等。本地区属于干旱气候,非常适合于开展遥感应用研究。

图1

图1   研究区概况

Fig.1   The general situation of the study area


2.2 数据采集与预处理

研究使用的数据主要包括遥感数据、岩石样品实验室光谱数据和ASTER光谱库数据。①遥感数据包括Landsat 8、ASTER和PALSAR-2数据(表1),其波段覆盖了可见光―近红外、短波红外、热红外和微波谱域,组成全谱段遥感数据。对研究区内的全谱段遥感数据进行几何校正、辐射定标、投影变换等预处理后,Landsat 8和ASTER VINR-SWIR影像由大气校正得到地表反射率,ASTER TIR辐射数据利用实地大气补偿算法和温度发射率分离算法转化为热红外发射率数据。最后,将全谱段遥感数据通过差值或重采样统一空间分辨率30 m;②岩石样品实验室光谱数据是利用地物光谱辐射仪从研究区采集43个岩石样品(图2(a))中获取的反射光谱数据。根据岩石样品薄片鉴定结果将43个岩石样品划分成镁铁质―超镁铁质岩、石英岩、长英质岩以及碳酸盐岩4类岩石。图2(b)和图2(c)~(f)分别为部分典型岩石样品实测光谱及其对应的野外照片;③ASTER光谱库的数据包括典型岩石矿物的热红外发射率数据和其对应的氧化物含量,由美国国家航空航天局网站(http://speclib.jpl.nasa.gov/)获得,本研究选取其中35个火成岩样本和15个造岩矿物样本。

表1   研究中使用的遥感数据列表

Table 1  The list of remote sensing data

遥感卫星数据标识成像时间
Landsat-8LC81390322015234LGN002015/08/22
ASTERAST00144PRDAT02102003/08/20
AST00144PRDAT01182004/04/02
AST00152PRDAT0262004/08/15
AST00188PRDAT01102002/05/13
AST00188PRDAT01112002/05/13
AST00190PRDAT01122000/09/30
AST00190PRDAT01262000/10/23
PALSAR-2ALOS20484408102015/04/16
ALOS21184527902016/08/02

新窗口打开| 下载CSV


图2

图2   野外采集岩石样品的情况

Fig.2   The information of rock samples collected in the field


3 镁铁质―超镁铁质岩石提取技术流程

利用全谱段遥感数据提取镁铁质―超镁铁质岩石信息过程主要包含:应用Landsat 8、ASTER和PALSAR-2遥感数据、岩石样品实测光谱和ASTER光谱库数据,通过特征空间构建、贝叶斯线性判别分析和偏最小二乘回归等方法,建立可见光―近红外、短波红外、热红外谱段和微波融合热红外的镁铁―超镁铁质岩指数对镁铁质―超镁铁质岩石信息的初步提取;基于贝叶斯决策理论对得到的初步镁铁质―超镁铁质岩石信息进行决策级融合处理得到最终镁铁质―超镁铁质岩石信息。基本技术流程如图3所示。

图3

图3   镁铁质―超镁铁质岩石信息遥感提取流程

Fig.3   Flow chart of mafic-ultramafic rock extraction method


3.1 可见光―近红外及短波红外谱域

3.1.1 构建三维光谱特征空间模型

特征空间判别模型是多特征协同分类的常用方法,由Duda等[13]提出的,通过多特征的综合分析达到识别目标信息的目的。火成岩在可见光―近红外及短波红外谱域的反射率主要取决于岩石矿物组成、化学成分及颜色。随着镁铁质矿物含量的增加,岩石颜色色率逐渐升高,岩石反射率整体呈下降的趋势(图2(b))。从多波段反射特征出发,将43条野外岩石样品的实测光谱数据重采样至Landsat 8和ASTER SWIR后,从Landsat 8波段和ASTER SWIR波段中分别选择3个波段用以构建三维多光谱特征空间(Multi-Spectral Feature Space Model, MSFS)。

选取Landsat 8 的B4、B6和B7及ASTER的 B7、B8和B9,分别建立Landsat 8和ASTER SWIR三维光谱特征空间模型(图4)。从图4可知,镁铁质―超镁铁质岩主要集中在低位,而石英岩、长英质岩和碳酸盐岩分布在中高位,充分说明了这两个MSFS模型具有很强的镁铁―超镁铁质岩识别能力。

图4

图4   可见光-短波红外三维MSFS模型图

Fig.4   Three-dimensional MSFS model based on visible-shortwave infrared reflectance


3.1.2 基于多光谱特征空间的岩石判别分析

线性判别分析是一种根据分类特征有监督方法的算法,在目标识别领域中,该算法具有简单的计算过程和在小样本、低维数数据和少量分类类别等特定条件下的最优分类能力,是目前最为有效的特征提取方法之一[14]。贝叶斯判别分析[15]是典型的线性判别分析算法之一,贝叶斯判别函数表示如下:

Frocktype=aBx+bBy+cBz+d

其中:abcd是系数, BxByBz表示MSFS模型中的x轴,y轴和z轴反射值。Landsat 8和ASTER SWIR多光谱特征空间都对应两个判别函数,分别是镁铁质―超镁铁质岩判别函数(Fm)和其他类岩石判别函数(Fq)。Landsat 8和ASTER SWIR 特征空间的判别函数系数见表2

表2   贝叶斯判别函数系数表

Table 2  Bayes discriminant function coefficients

类别Landsat-8多光谱特征空间ASTER SWIR 多光谱特征空间
B7B6B4常数项B7B8B9常数项
镁铁质―超镁铁质岩337.791―173.178252.776―30.563―3.681―287.126813.231―52.381
其他类岩石588.153―347.371428.715―74.624―8.170―216.663921.509―89.585

新窗口打开| 下载CSV


当像元Fm-Fq>0时,该像元将被识别为镁铁质―超镁铁质岩,Fm-Fq即为镁铁质―超镁铁质岩指数。基于贝叶斯线性判别分析算法的原理,根据公式(1)和表2,由Landsat 8和ASTER SWIR 多光谱特征空间建立的镁铁质―超镁铁质岩指数如式(2)和式(3)所示,在本研究中分别定义为LMI指数和SMI指数。式(2)中B7、B6和B4分别表示Landsat 8第7波段、第6波段和第4波段的反射率,式(3)中B7、B8、B9分别表示ASTER第7波段、第8波段和第9波段的反射率。

LMI=-250.362×B7+174.193×B6-175.939×B4+44.061
SMI=4.489×B7-70.463×B8-108.278×B9+37.204
3.2 热红外谱域
3.2.1 逐步偏最小二乘回归分析

ASTER TIR谱段发射率之间存在普遍的相关性[16],基于热红外发射光谱对岩石氧化物含量进行简单线性回归反演,将导致回归模型估计失真或难以估计准确[17]。偏最小二乘回归(Partial Least Squares Regression,PLSR)是常用的多元统计分析方法,能有效地削弱自变量多重共线性的问题。然而,对于岩石氧化物反演应用来说,偏最小二乘回归模型将所有的自变量都包括在最终的回归方程中使得反演方程变得非常复杂,且并非所有的自变量对岩石氧化物含量都具有很好的解释能力,如果引入变量筛选,在保证回归模型精度的前提下,剔除解释能力较弱的自变量建立的反演方程将会变得简洁实用。因此,本研究对偏最小二乘回归模型引入基于拟合优度的变量筛选算法,通过对比删除某一自变量前后的模型的拟合优度,直到当删除该变量模型的拟合优度降低时,停止自变量的删除,这样能够有效地保留强解释能力的自变量,显著提高反演方程的精度。将这种方法称为逐步偏最小二乘回归分析(Stepwise Partial Least Squares Regression,SPLSR)模型。

回归模型预测结果由拟合优度(R2)和剩余预测偏差(RPD)来评价。R2表示回归模型对观测值的拟合程度,R2的值越接近1,说明回归模型对观测值的拟合程度越好。RPD用于判断回归模型的预测能力,RPD> 3.0表示理想模型;2.5 <RPD≤3.0表示预测精度需要进一步提高的可行模型;RPD <2.5表示无用模型,难以用于该因变量的预测。

3.2.2 SiO2发射率指数

SiO2是地壳的主要成分,其含量是地质体分类及成因演化分析的重要化学参量。绝大多数的超镁铁质岩石都是超基性岩;某些超镁铁质岩如辉石岩、角闪石岩等同镁铁质岩一样,SiO2含量一般为45%~52%,属于基性岩的范畴。研究表明,当火成岩SiO2含量逐渐下降时,热红外区域的发射率光谱中的吸收峰将转移到更长的波长位置[18]。因此,本研究以此作为热红外定量反演SiO2含量的依据,以SiO2含量低于52%范围作为镁铁质―超镁铁质岩石信息提取范围。根据岩石发射光谱特性,将ASTER TIR的5个波段发射率,进行一系列波段比值处理,统计通过0.01显著性水平检验的ASTER TIR波段和波段比值与其对应对的SiO2含量之间的相关系数(图5),选取相关系数的绝对值超过0.8,包括B11×B12B12/B14B10×B12/B14B11×B12/B14B12×B14/B13B13×B14/B12,将其称为SiO2发射率指数。以SiO2发射率指数作为自变量X,将SiO2含量作为因变量Y,进行逐步偏最小二乘回归分析估计SiO2含量。

图5

图5   SiO2含量与发射率光谱的相关性

Fig.5   Correlation of SiO2 content and emissivity spectra


3.2.3 SiO2反演模型的建立

经变量筛选,依次剔除了B12/B13B10×B12/B14B12×B14/B13 3个SiO2发射率指数,利用剩余3个SiO2发射率指数对岩石SiO2含量建立偏最小二乘回归模型,本文将基于SPLSR模型的SiO2含量反演方程称为TMI指数(式4)。式(4)中B11、B12、B13和B14分别为ASTER TIR第11波段、第12波段、第13波段和第14波段的发射率。当像元对应的TMI指数小于52%时,将被识别为镁铁质―超镁铁质岩。

TMI=69.7252-27.0143×B11×B12-24.9014×B11×B12/B14+28.2473×B13×B14/B12

图6为两种回归模型的预测值与实际值的散点图,SPLSR模型的拟合优度R2 = 0.845,RPD 为 2.5398,与PLS模型(R2 = 0.8342,RPD = 2.4558 <2.5)相比, SPLSR模型不仅可以减少自变量的个数,使模型更简洁,而且模型的拟合优度和预测能力也有所提高。

图6

图6   SiO2实际含量与预测含量散点图

Fig.6   Scatter chart of real SiO2 content and predicted SiO2 content


3.3 热红外及微波谱域
3.3.1 岩石表面微波散射特性

Cloude分解[19]是由Cloude和Pottier提出的一种基于相干矩阵的特征矢量和特征值分析的目标极化分散理论,通常也被称为H/A/Alpha分解,H代表散射熵,反映散射过程的随机性;A表示反熵,是散射熵的补充参数;Alpha表示平均散射角,与目标散射过程的物理机制互相联系,由HAlpha组成的散射特征空间可以用来划分地物类型。以研究子区Site1为试验区,结合图1(b)地质简图,选取大量的镁铁―超镁铁岩、石英岩、长英质岩和碳酸盐岩训练样本;基于PALSAR-2数据进行Cloude极化分解,将各类岩石对应的HAlpha组成的特征空间 (图7)。

图7

图7   基于Cloude极化分解的岩石散射特征

Fig.7   Rock scattering characteristics based

on cloude polarization decomposition


图7可知,镁铁质―超镁铁质岩主要分布在Z9,说明该类岩石在研究区出露表面比较光滑、地表粗糙度较低;长英质岩、碳酸岩和石英岩的散射特性比较相似,处在Z6和Z9区内,它们的反射熵H和平均散射角Alpha值域范围较镁铁质―超镁铁质岩广,说明研究区中长英质岩、碳酸岩和石英岩的散射机制多样。尽管镁铁质―超铁镁质岩较其他类岩石具有较低的反射熵H和平均散射角Alpha,但它们相互重叠现象比较严重,由此可见仅用微波散射特征不足以将镁铁质―超镁铁质岩与其他类岩石完全地区分开,需要融合岩石化学特征进行岩性指数的构建。

3.3.2 构建二维物理化学特征空间模型

物理特征指岩石表面散射特征,即HAlpha,化学特征指的是石英矿物指数(QRI)和镁铁质矿物指数(MRI) [20],计算如式(5)和式(6),其中 B10、B12、B13、B14对应的是ASTER TIR第10波段、第12波段、第13波段和第14波段的发射率。

QRI=B10/B12×B13/B12
MRI=B12/B13×B14/B13

根据岩石训练样本对应的HAlphaQRIMRI,构建了4个二维岩石物理化学特征空间,即H⁃QRIH⁃MRIAlpha⁃QRAlpha⁃MRI空间(图8),其中椭圆为镁铁质―超镁铁质岩和其他类岩石训练样本点分布的95%置信椭圆,矩形由四个极值点对应的直线围成。连接两个置信椭圆的虚线表示镁铁质―超镁铁质岩和其他类岩石在特征空间的线性可分性。

图8

图8   岩石训练样本的物理化学特征空间

Fig.8   Physical-chemical feature spaces of rock training samples


图8可知,相比其他空间,H⁃MRI空间中镁铁质―超镁铁质岩训练样本点的分布更加紧密,与其他类岩石的置信椭圆重叠区较少,线性可分性较强。因此,以H⁃MRI空间进行贝叶斯判别分析,得到微波融合热红外的镁铁质―超镁铁质岩指数,称为FMI指数,如式(7)所示,FMI>0的像元即为镁铁质―超镁铁质岩。

FMI=-9.312×H+14.832×MRI+14.57
3.4 全谱段遥感识别模型 3.4.1 岩性指数协同图的生成

由 LMI、SMI、TMI和FMI指数生成镁铁质―超镁铁质岩初步提取二值图像(图9),即镁铁质―超镁铁岩像元的亮度值设为1,非镁铁质―超镁铁质岩像元的亮度值设为0。根据表3的规则,综合像元在每个岩性指数二值图中的亮度值对该像元进行分组,生成岩性指数协同图(图9);然后按像元分组情况,将岩性指数协同图分解成16个子协同图。

图9

图9   岩性指数协同图的生成示意图

Fig.9   Creating a synergy map based on the rule in Table 3


表3   协同图的分组标准

Table 3  Assignment criteria of synergy map

ClassLMISMITMIFMI
11111
21110
31101
41011
50111
61100
71010
81001
90110
100101
110011
121000
130100
140010
150001
160000

注:1表示存在镁铁质―超镁铁质岩;0表示不存在镁铁质―超镁铁质岩

新窗口打开| 下载CSV


3.4.2 基于贝叶斯决策的融合处理

在目标识别问题中,使用贝叶斯决策理论可以使目标识别风险性最小化,其规则依据分类结果的后验概率最大作为决策,从而使决策造成的风险损失达到最小[15]。协同子图中,如果某个像元是镁铁质―超镁铁质岩的概率高于非镁铁质―超镁铁质岩的概率,则将该像元判定为镁铁质―超镁铁质岩;也就是说,如果一个像元是镁铁质―超镁铁质岩的概率大于0.5,那么该像元就被认定为镁铁质―超镁铁质岩。因此,需要计算每个协同子图的后验概率,其表达式如下:

PRi|Ai=Ri/Aii=1,2,16

其中:Ri表示参照实际地质图,第i个协同子图中被正确识别为镁铁质―超镁铁质岩的像元个数;Ai表示第i个协同子图中识别为镁铁质―超镁铁质岩石的像元个数。基于贝叶斯决策理论,将所有后验概率大于0.5的协同子区合并生成最终的镁铁质―超镁铁质岩石信息提取结果,从而使得镁铁质―超镁铁质岩石信息识别风险降到最低。

4 镁铁质―超镁铁质岩提取结果与分析

4.1 全谱段遥感识别模型的实现

研究数据采用的是Site1和Site2两个研究子区的Landsat-8、 ASTER和PALSAR-2遥感数据。利用本文提出的4种镁铁质―超镁铁质岩性指数,得到镁铁质―超镁铁质岩石信息初步提取结果如图10(a)~(d)和图10(g)~(j)所示。通过目视对比可发现,所有岩性指数初步提取的镁铁质―超镁铁质岩与两个研究子区参考镁铁质―超镁铁质岩提取结果(图10(f)、(l))的空间展布大致相同,但是部分地区存在识别不准确或遗漏的现象。因此,需要对初步提取结果进一步的协同处理。在初步提取镁铁质―超镁铁质岩的基础上,遵循图9表3的协同规则创建了岩性指数协同图(图10(e)、(k))。

图10

图10   研究子区镁铁质-超镁铁质岩石信息初步提取结果

Fig.10   Preliminary extraction of study sub-area


按像元分组情况将两个研究子区的岩性指数协同图分解成16个协同子图,如图11和12所示,然后根据式(8),计算每个协同子区的镁铁质―超镁铁质岩的后验概率(表4)。

图11

图11   Site1研究子区岩性指数协同子图

Fig.11   Sub-synergy maps of region Site1


表4   研究子区的岩性指数协同子区的后验概率

Table 4  Confidence levels of sub-synergy maps

Class12345678
Site10.960.760.690.870.890.130.600.47
Site20.960.820.790.900.840.080.550.02
Class910111213141516
Site10.760.480.840.080.160.580.240.01
Site20.580.390.630.290.090.650.130.00

新窗口打开| 下载CSV


表4可知,两个研究子区的各个协同子图镁铁质―超镁铁质岩的后验概率的值域范围介于0~0.96之间,其中第1、2、3、4、5、7、9、11和14个协同子图在两个研究子区的后验概率均大于0.5,由此充分展现模型为降低目标岩石识别风险而引入贝叶斯决策理论的必要性和可行性。最后,将这8个协同子图叠加得到镁铁质―超镁铁质岩石信息最终提取结果(图13中以绿色显示),参照研究子区实际镁铁质―超镁铁质岩地质界线(图13中以红色框显示),全谱段遥感识别模型提取结果与地质界线基本吻合,较基于单一镁铁质―超镁铁质岩性指数初步提取结果识别效果更好。

图12

图12   Site2研究区岩性指数协同子图

Fig.12   Sub-synergy maps of region Site2


图13

图13   研究子区镁铁质-超镁铁质岩最终提取结果

Fig.13   Final extraction of region Site1 and region Site2


4.2 模型精度指标

根据4种镁铁质―超镁铁质岩性指数初步提取的镁铁质―超镁铁质岩石信息和全谱段遥感识别模型得到的镁铁质―超镁铁质岩石信息提取的最终结果,结合实际地质图的镁铁质―超镁铁质岩参考提取结果进行镁铁质―超镁铁质岩石信息提取精度评价。采用基于混淆矩阵的总体识别精度(Overall Accuracy, OA)、漏分误差(Omission)和错分误差(Commission) 3个评价指标对镁铁质―超镁铁质岩信息提取结果进行精度评定,计算如下。

=
=
=

其中:目标岩石个数指的是镁铁质―超镁铁质岩实际分布的像元个数;正确识别的目标岩石个数指的是镁铁质―超镁铁质岩提取结果中与实际分布结果一致的像元个数;漏分的目标岩石个数为本身属于镁铁质―超镁铁质岩但没有被识别为镁铁质―超镁铁质岩的像元数;错分的目标岩石个数表示被识别为镁铁质―超镁铁质岩的但实际属于非镁铁质―超镁铁质岩的像元数。表5为4种镁铁质―超镁铁质岩性指数初步提取结果及全谱段遥感识别模型最终提取结果的精度评价结果。

表5   镁铁质―超镁铁质岩识别精度评价

Table 5  Accuracy of mafic-ultramafic rock extraction

Site 1Site 2Site1和Site2
OA漏分误差错分误差OA漏分误差错分误差OA漏分误差错分误差
LMI指数74.42%25.58%14.44%85.88%14.12%11.96%85.03%14.97%12.14%
SMI指数71.13%38.87%8.60%78.19%21.81%10.89%77.66%22.34%10.72%
TMI指数77.86%22.14%9.62%90.62%9.38%10.73%89.67%10.33%10.65%
FMI指数79.88%20.12%8.78%92.40%7.60%10.73%91.46%8.54%15.33%
识别模型86.82%13.18%5.76%95.46%4.54%7.62%94.82%5.18%7.48%

新窗口打开| 下载CSV


4.3 结果与讨论

表5可知,本文提出的4种镁铁质―超镁铁质岩性指数具有良好的镁铁质―超镁铁 岩识别能力,在Site1和Site2研究子区的总体识别精度均大于75%。而全谱段遥感识别模型融合全谱段遥感数据的优势,综合镁铁质―超镁铁质岩的反射、发射、散射等物理化学特征,有效地降低了4种镁铁质―超镁铁质岩性指数识别的不确定性,使得镁铁质―超镁铁质岩总体识别精度显著提高,在Site1和Site2研究子区利用全谱段遥感识别模型最终提取结果的总体识别精度94.82%。

对比两个研究子区的识别精度(表5),镁铁质―超镁铁质岩提取的错分误差相差不大,但Site1研究子区的漏分误差明显高于Site2研究子区,这是因为Site1研究子区受物理风化作用强烈,部分镁铁质―超镁铁质岩体受碳酸盐岩坡积物(如图14)的影响在遥感影像上反射特征、发射特征和散射特征发生变化,不易从遥感影像中提取出来,导致Site1研究子区的漏分误差明显高于Site2研究子区。从精度评价结果可以看出,全谱段遥感识别模型不仅可以实现镁铁质―超镁铁质岩石信息有效提取,而且在避免岩石信息漏分错分与提高识别精度方面存在一定的优势。

图14

图14   受碳酸盐岩坡积物覆盖的镁铁质-超镁铁质岩

Fig.14   Mafic-ultramafic rocks covered byslope deposit of carbonate rocks


利用本文提出的全谱段遥感识别模型对整个研究区进行镁铁质―超镁铁质岩石信息定量化提取,如图15所示。结果表明,研究区的镁铁质―超镁铁质岩非常发育,出露面积约1 043 km2,约占研究区总面积的11.9%。研究区北部的镁铁质―超镁铁质岩呈明显东西向的条带状排列,而南部的镁铁质―超镁铁质岩集中分布于中坡山以北1.7 km的范围内,镁铁质―超镁铁质岩空间展布与已知铜镍硫化物矿床关系非常密切,所有的矿床均位于在镁铁质―超镁铁质岩体内。从成矿构造分布来看,叠加遥感线性构造解译结果可发现,大型线性构造带的附近以及多期构造的交汇处,尤其近EW向构造与NE向构造的交汇部位,是研究区内铜镍硫化物矿床的有利产出部位。在赤石山―小长山―中坡山一带、以及小青山附近等地区存在多个镁铁质―超镁铁质岩体,与已知含矿岩体的走向与规模十分相似,同样位于在构造上位于成矿有利部位,因此推断这些区域具有较好的找矿潜力,在下一步找矿工作中应引起重视。综上所述,本文所提出的镁铁质―超镁铁质岩全谱段遥感识别模型能够对镁铁质―超镁铁质岩体进行精确的定位,对于寻找与镁铁质―超镁铁质岩体有关的铜镍硫化物矿床具有重要的应用价值。

图15

图15   坡北—笔架山地区镁铁质—超镁铁质岩石信息最终提取结果

Fig.15   Mafic-ultramafic rock final extraction of Pobei-Beacon Hill


5 结 语

通过本文研究得出以下结论和认识:

(1)由于岩石的镁铁质矿物与氧化物含量的差异可引起光谱反射率与发射率的响应,野外采集岩石样本实测光谱反射率数据和ASTER光谱库中有关岩石矿物发射率数据证明镁铁质―超镁铁质岩较其他类岩石在可见光―近红外和短波红外谱域的反射率偏低的特点,以及ASTER TIR谱带与SiO2含量具有极强的相关性;由于镁铁质―超镁铁质岩,尤其是含矿岩体,氧化程度较高,岩石出露表面的地表粗糙度较低,导致该类岩石相比其他类岩石,具有较低的反射熵H和平均散射角Alpha的微波散射特性。这些显著特征可适用于镁铁质―超镁铁质岩石信息提取与识别。

(2)综合利用全谱段遥感数据,根据镁铁质―超镁铁质岩的反射、发射和散射特征,创建LMI、SMI、TMI和FMI指数。基于这些镁铁质―超镁铁质岩性指数的定量化提取算法初步提取镁铁质―超镁铁质岩石信息,通过贝叶斯决策的协同处理得到最终镁铁质―超镁铁质岩石信息。从中可以看出利用本文的镁铁质―超镁铁质岩性指数以及全谱段遥感识别模型能够有效地提取干旱―半干旱地区镁铁质―超镁铁质岩石信息,尤其是全谱段遥感识别模型的总体识别精度高达94.82%。

(3)依据坡北―笔架山地区的镁铁质―超镁铁质岩遥感岩性识别与解译出的区域线性构造空间分布特征,并结合已知铜镍硫化物矿床特征,推断赤石山―小长山―中坡山一带镁铁质―超镁铁质岩体以及小青山附近的镁铁质―超镁铁质岩体很可能是未来的成矿潜力区,下一阶段可进一步开展野外调查与验证。

研究结果表明全谱段遥感识别模型有效地精准地探测坡北―笔架山地区镁铁质―超镁铁质岩体,全面提高遥感影像识别镁铁质―超镁铁质岩的能力,有效推动遥感岩石识别精细化、定量化的发展,并且这一模型的提出对于寻找与镁铁质―超镁铁质岩体有关的铜镍硫化物矿床具有重要的应用价值,为该地区铜镍矿产勘探和预测提供前期技术支撑。

参考文献

Chen Jiang,Xu Yongbo,Wang Fang,et al.

Mafic-ultramafic Nickel⁃copper Metallogenic Regularity of Xinjiang Pobei-beacon Hill

[J]. Xinjiang Geology, 2013,31(2): 184-189.

陈疆

,徐永波,王芳,.

新疆坡北―笔架山地区基性―超基性岩铜镍矿成矿规律

[J].新疆地质,2013,31(2): 184-189.

[本文引用: 2]

Chai Fengmei, Xia Fang, Chen Bin, et al.

Platinum Group Elements Geochemistry of Two Mafic-ultramafic Intrusions in the Beishan Block, Xinjiang,NW China

[J].Acta Geologica Sinica,2013,87(4):474-485.

柴凤梅

,夏芳,陈斌,.

新疆北山地区两个含铜镍镁铁—超镁铁质岩体铂族元素地球化学研究

[J].地质学报,2013,87(4):474-485.

[本文引用: 1]

Wang Heng, Wang Peng, Li Jian, et al.

A Tentative Discussion on Features of Mafic-ultramafic Rocks and Exploration Methods in Pobei Area of Ruoqiang, Xinjiang

[J].Geology in Chin, 2015,42(3):777-784.

王恒

,王鹏,李建,.

新疆若羌坡北地区镁铁-超镁铁质侵入岩含矿特征及找矿方法探讨

[J].中国地质,2015,42(3):777-784.

[本文引用: 1]

Zheng Shuo,Fu Bihong.

Lithoogical Mapping of Granitiods in the Western Junggar from ASTER SWIR-TIR Multispectral Data:Case Study in Karamay Pluton,Xinjiang

[J].Acta Petrologica Sinica, 2013,29(8): 2936-2948.

郑硕,付碧宏

.

基于ASTER SWIR-TIR多光谱数据的西准噶尔花岗岩类岩性信息提取与识别——以克拉玛依岩体为例

[J].岩石学报,2013,29(8):2936-2948.

[本文引用: 1]

Tang Chao,Shao Longyi.

Algorithm of Object Recognition from Hyperspectral Remote Sensing and Its Application in Lithologic Feature Extraction

[J].Remote Sensing Technology and Application,2017,32 (4):691-697.

唐超,邵龙义

.

高光谱遥感地物目标识别算法及其在岩性特征提取中的应用

[J].遥感技术与应用,2017,32 (4):691-697.

[本文引用: 1]

Qi Xin, Liu Guangning, Huang Changsheng.

Remote Sensing Investigation for Active Characteristics of Macheng—Tuanfeng Fault Zone Segmentation

[J].Remote Sensing for Land and Resources,2018,30(1):121-127.

齐信,刘广宁,黄长生

.

麻城—团风断裂带分段活动特征遥感调查

[J].国土资源遥感,2018,30(1):121-127.

[本文引用: 1]

Wang Futao,Wang ShixinZhou Yi,et al.

High Resolution Remote Sensing Monitoring and Assessment of Secondary Geological Disasters Triggered by the Lushan Earthquake

[J].Spectroscopy and Spectral Analysis, 2016,36(1):181-185.

王福涛

,王世新,周艺,.

高分辨率多光谱的芦山地震次生地质灾害遥感监测与评估

[J].光谱学与光谱分析,2016,36(1):181-185.

[本文引用: 1]

Hunt G R, Salisbury J W, Lenhoff C J.

Visible and Near-infrared Spectra of Minerals and Rocks: IV. Sulphides and sulphates

[J]. Modern Geology, 1971, 3:1-14.

[本文引用: 1]

Fu Binhong,Xiaowei Chou.

Extraction and Recognition of Rock and Mineral Information by Using Thermal Infrared Multispectral Remote Sensing Technique

[J]. Remote Sensing Technology and Application, 1994,9(1):56-61.

付碧宏,丑晓伟

.

利用热红外多光谱遥感技术提取和识别岩石、矿物信息

[J].遥感技术与应用,1994,9(1):56-61.

[本文引用: 1]

Ding C, Liu X, Liu W, et al.

Mafic–ultramafic and Quartz-rich Rock Indices Deduced from ASTER Thermal Infrared Data Using a Linear Approximation to the Planck Function

[J]. Ore Geology Reviews, 2014, 60(3):161- 173.

[本文引用: 1]

Wei J, Liu X, Ding C, et al.

Developing a Thermal Characteristic Index for Lithology Identification Using Thermal Infrared Remote Sensing Data

[J]. Advances in Space Research, 2017, 59(1):74-87.

[本文引用: 1]

Li Shu,Liu Yong.

Land Use/Cover Classification of Remotely Sensed Imagery based on Multi-features at The Southeastern Marginal Area of the Tengle Desert

[J]. Remote Sensing Technology and Application, 2006,21(2):154-158, 173.

李述,刘勇

.

基于多特征的遥感影像土地利用/覆盖分类—以腾格里沙漠东南边缘地区为例

[J].遥感技术与应用,2006,21(2):154-158, 173.

[本文引用: 1]

Duda R O, Hart P E, Stork D G.

Pattern Classification(2nd Ed)

[J].Pattern Analysis and Applications,2001,1(4):119-131.

[本文引用: 1]

Jing Z, Wang G, Zhang S, et al.

Building Tianjin Driving Cycle based on Linear Discriminant Analysis

[J]. Transportation Research Part D Transport & Environment, 2017, 53:78-87.

[本文引用: 1]

Harrington P.

Machine Learning in Action

[M]. Greenwich:Manning Publications, 2012:58-73.

[本文引用: 2]

Ding C, Liu X, Liu W, et al.

Mafic–ultramafic and Quartz-rich Rock Indices Deduced from ASTER Thermal Infrared Data Using a Linear Approximation to the Planck Function

[J]. Ore Geology Reviews, 2014, 60(3):161- 173.

[本文引用: 1]

Chen Jiang,Wang Anjian.

The Pilot Study on Petrochemistry Components Mapping with ASTER Thermal Infrared Remote Sensing Data

[J].Journal of Remote Sensing, 2007, 11(4):601-608.

陈江, 王安建

利用ASTER热红外遥感数据开展岩石化学成分填图的初步研究

[J]. 遥感学报, 2007, 11(4):601-608.

[本文引用: 1]

Cooper B L, Salisbury J W, Killen R M, et al.

Midinfrared Spectral Features of Rocks and Their Powders

[J]. Journal of Geophysical Research, 2002, 107(E4):1-17.

[本文引用: 1]

Cloude S R, Pottier E.

A Review of Target Decomposition Theorems in Radar Polarimetry

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2):498-518.

[本文引用: 1]

Ninomiya Y, Fu B, Cudahy J.

Detecting Lithology with Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Multispectral Thermal Infrared “Radiance-at-sensor” Data

[J]. Remote Sensing of Environment, 2005, 99(1-2):127-139.

[本文引用: 1]

/