高分五号高光谱影像矿物精细识别方法

- 宣扬地学成果，传播勘查技术方法 -

点击上方“覆盖区找矿”， 关注 更精彩！

         

高分五号高光谱影像矿物精细识别

董新丰 ^1,2 ，甘甫平 ^1,2 ，李娜 ^1,2 ，闫柏琨 ^1,2 ，张磊 ³ ，赵佳琪 ³ ，于峻川 ^1,2 ，刘镕源 ^1,2 ，马燕妮 ^1,2

1 中国自然资源航空物探遥感中心

2 自然资源部航空地球物理与遥感地质重点实验室

3 中国地质大学(北京)地球科学与资源学院

         

第一作者： 董新丰 ，工程师，研究方向为高光谱遥感地学应用。

通信作者： 甘甫平 ，研究员，研究方向为遥感地质应用。

         

导读：

矿物识别是 地质填图中最基础工作 ， 高光谱遥感技术具有明显优势 。然而， 光谱分辨率和矿物识别方法 是制约高光谱矿物精细识别的主要因素 。 目前，国产高分五号（GF-5） 已具有超高的光谱分辨率， 解决了高光谱数据源的依赖国外的难题 ； 本文研究成果 提供了矿物精细识别的有效方法 。

本文分析总结了 已有高光谱矿物识别方法 优缺性 ，提出了 综合光谱特征增强匹配度和特征参量的 矿物识别方法 。

文中选取 甘肃柳园 和 美国Cuprite 两个 光谱遥感地学 研究程度较高的地区 ， 基于GF-5卫星数据 开展了已有 机载高光谱数据、矿物精细识别和填图结果的 对比分析研究 。 结果表明： GF-5矿物识别信息分布 与机载HyMap、AVIRIS一致性很好； 相较机载数据GF-5矿物识别 平均正确率优于90% 。 说明本研究提出的矿物识别方法 能够满足GF-5矿物精细识别要求 ， 同时也说明超高的光谱分辨率 GF-5在矿物成分信息识别上便具优势 。

本研究成果为GF-5后续业务化应用 提供了技术支撑 。

         

- ----- 内容提纲- -----

         

1 引言

2 研究区概况

3 研究方法

3.1 数据及预处理

3.2 矿物精细识别方法

4 结果分析

4.1 GF-5矿物填图结果

4.2 对比分析

5 结论

- --------------

1   引言

高光谱遥感技术 具备从空间大尺度上 精细探测和分析地表岩石矿物成分的能力 。其不仅能提供地面宏观影像， 也可在像元级别的细节上确定地质体中矿物种类和丰度 ， 甚至某些矿物的化学成分等信息 。近年来，高光谱遥感技术 在矿物识别、地质填图、蚀变异常分带和找矿预测 等领域都发挥了重要作用 。 但受高光谱数据源的限制 ，严重制约了其在地质领域的推广应用。 当前，针对地质应用的数据 获取仍以 HyMap 、 AVIRIS 、 CASI/SASI 等机载传感器为主 ， 其获取成本大、周期较长。 在地质领域应用效果较好的航天高光谱数据有 Hyperion、TG-1数据 ， 但其幅宽较窄，数据获取能力有限， 多用于科学研究、应用试验、或在重点地段有限地使用， 且目前已无新数据获取 。

2018年5月国产GF-5卫星成功发射 ， 其具有光谱分辨率高、幅宽大的优势 ， 在地质领域应用潜力很大 。 但矿物识别的精细程度 决定了其在地质领域的应用广度和深度。 矿物精细识别也是高光谱遥感的一种技术优势表现， 主要是体现在可实现矿物种类、亚类 ， 乃至光谱特征相似度较高的矿物区分 ，以及矿物成分信息反演等方面。

目前国内外发展的高光谱矿物识别 物理方法主要有两大类 ， 分别是以重建光谱与标准光谱相似性度量 为基础的光谱匹配方法 和 以光谱吸收谱带参量为基础的模式识别方法 。 常用的光谱匹配方法有距离法 、 光谱角、匹配滤波、光谱信息散度、混合调制匹配滤波 等方法。 光谱匹配 对矿物光谱的微小差异不够敏感，容易受地形、背景等外界干扰 ，无法突出光谱吸收谷谱形在相似性计算中重要性，且受图像的信噪比、光谱定标和光谱重建精度等因素的影响较大。 基于光谱特征参量代表性的方法 有 光谱特征拟合SFF （Spectral Feature Fiting）、 光谱吸收指数SAI （Spectral Absorption Index）和 吸收谱带定位分析AABP （Analysis of Absorption Band Positioning）等。 基于光谱特征参量法相对光谱匹配法，增强了对地物的区分能力， 但在实际应用中， 易受光谱信噪比、矿物混合影响 ，且对矿物特征吸收谱形考虑不充分。 甘甫平等（2018）在总结分析常见光谱匹配法的矿物识别能力基础上， 提出了一种 光谱特征增强的匹配度算法 ， 该算法较其他方法识别矿物信息的检出限更低、正确率更高 。但其主要还是 对矿物大类或光谱特征具有唯一性时，应用效果较好 。对光谱相似矿物， 还需要进一步借助相关特征参量来区分 。因此， 本文依据矿物分层谱系识别思想 ，采用 综合光谱特征增强匹配度和特征参量 开展了GF-5矿物精细识别应用研究 。

本文利用GF-5数据， 结合已有的机载HyMap、AVIRIS高光谱数据 ， 分别选取国内外研究较多的两个研究区 开展矿物精细识别和对比分析工作，国内选取甘肃柳园地区，国外选取美国内华达州Cuprite地区。 旨在评价GF-5高光谱数据矿物精细识别的应用效果， 并为今后开展大区域业务化应用提供技术支撑。

2   研究区概况

选取国内外研究较多的两个研究区开展工作： （1）为了评价GF-5卫星高光谱数据在境内外矿物识别应用能力； （2）两研究区内蚀变矿物种类信息互补， 可拓展其识别矿物广度， 更好评价其矿物精细识别程度； （3）两区域内均有机载高光谱数据， 且相关结果均经过地面验证。

甘肃柳园地区位于北山成矿带中 ， 区内基岩裸露好，地层主要为震旦系和古生代地层， 主要发育变质碎屑岩和碳酸盐建造、中基性火山碎屑岩建造。 区内岩浆—热液活动强烈 ，侵入岩发育，以中酸性为主，呈岩基、岩株和岩脉状产出。区内成矿作用发育， 以Au、Cu、Fe、Ni、Pb、Zn、W等矿化为主 ， 与成矿关系密切的蚀变矿物主要有褐铁矿、绢云母、透闪石、方解石、白云石、绿泥石、绿帘石等 。 该区域有机载HyMap高光谱数据。

Cuprite地区 位于美国内华达州东南部， 区内岩石露头出露良好 ，矿物组合多样， 从20世纪70年代起，就成为美国遥感地质研究的重要试验基地 ， 许多遥感地质研究和矿物波谱研究项目都以该区为试验区 ，如蚀变矿物波谱研究、多光谱岩性识别和蚀变矿物识别研究、蚀变和非蚀变矿物区分技术研究等。 该区主要出露岩层有古生代沉积岩和变沉积岩、新生代火山岩和冲积层 。其中新生代的火山岩热液蚀变广泛发育， 在95号公路两边形成两个南北向拉长的蚀变区 ，主要发育蚀变矿物 有明矾石、地开石、高岭石、绢云母等 。 该区域有机载AVIRIS高光谱数据。

3   研究方法

3.1 数据及预处理

3.1.1 高光谱数据

研究数据源为GF-5高光谱数据， 同时选取机载高光谱数据进行对比分析 。 甘肃柳园地区 选取了机载HyMap数据， Cuprite地区 选取AVIRIS数据，数据参量见表1。

表1 GF-5、HyMap与AVIRIS数据特征

GF-5可见短波红外高光谱数据波段数330个，光谱范围覆盖400—2500nm， 其中可见近红外（VNIR）光谱 范围390—1029nm， 光谱分辨率为5nm ； 短波红外（SWIR）光谱范围 为1005—2513nm， 光谱分辨率为10nm ， 空间分辨率30m ， 幅宽60km 。本研究柳园地区和Cuprite地区GF-5卫星高光谱数据 分别为2018-09-27和2018-11-01获取 。

机载HyMap高光谱数据获取时间为2016年8月， 光谱范围450—2500nm，139个波段， 光谱分辨率为15nm ， 空间分辨率为4m 。

机载AVIRIS数据 为ENVI上 自带的1995年在Cuprite地区获得地表反射率数据 。AVIRIS包含224个波段，光谱范围400—2500nm， 光谱分辨率近似为10nm，空间分辨率为20m 。

为了与GF-5高光谱数据对比分析， 本次研究中 将机载高光谱数据空间分辨率重采样至30m ， 便于影像同名点对比 。 由于GF-5数据的光谱分辨率最高 ， 且光谱重采样会人为造成光谱吸收特征位置变化， 因此为不改变地物本身光谱特征，本研究中未将3者光谱分辨率重采样一致，其光谱分辨率的差异不影响结果对比分析。

3.1.2 GF-5数据预处理

高光谱遥感影像的像元光谱 是地物光谱反射辐射信息 与地形效应、大气辐射传输效应和传感器扫描系统等 多种因素相互影响、相互作用的综合反映， 其成像过程是地表反射太阳光至传感器 （辐射源—大气—地表—大气—传感器）； 成像光谱数据对地物的识别 主要依赖于地物的光谱特征， 为了从图像中反演地物真实的反射光谱，相关数据的定标与大气校正必须进行。

主要的数据预处理流程为： 波段合成—辐射校正—大气校正。 首先将VNIR和SWIR数据波段进行合成 ，剔除近红外6个重合波段， 生成324个波段文件，光谱覆盖范围为390—2513nm 。 其次，根据每个波段对应的辐射定标系数进行辐射校正。 经检查高光谱辐射校正后数据部分波段存在条纹现象（图1（a））， 采用“全局去条纹”的方法对数据进行条纹修复 ，从图1中可见条纹去除的效果较好（图1（b））。

图1 SWIR（2344nm）原始图像和条纹修复后图像

         

使用FLAASH软件实现大气校正 。FLAASH是一个从高光谱亮度影像提取波谱反射率的大气校正模拟工具，可精确补偿大气影响， 它嵌入了MODTRAN4辐射传输计算方法 ，可以为影像选择标准MODTRAN模型大气和气溶胶类型进行大气校正。 根据研究区影像获取时间、地理信息等信息，最后经FLAASH大气校正软件生成了高光谱反射率数据 。FLAASH大气校正主要参数见表2。

表2 FLAASH大气校正主要参数表

为检验大气校正效果，选取研究区已知典型地物进行光谱对比。 在柳园选择已知碳酸盐岩地质体进行光谱对比。 如图2所示，经GF-5反射率光谱与同名点HyMap对比发现 ， 两者谱形特征基本一致 ，在碳酸盐岩特征谱带范围内 谱形吻合度高，且特征吸收位置一致 （2330nm附近吸收峰）。 Cuprite地区选择高岭石地物进行对比 ，由图3可见，两者谱形特征一致性好， 在高岭石特征谱带范围内谱形吻合度高，且主次吸收特征位置一致 （2210nm、2160nm）。 综上，认为GF-5大气校正后数据 可用于下一步的矿物识别和填图工作 。

图2 碳酸盐岩GF-5反射率曲线与同名点HyMap对比图

图3 高岭石GF-5反射率曲线与同名点AVIRIS对比图

         

3.2 矿物精细识别方法

光谱特征增强匹配算法 主要是将参考光谱与影像光谱均应首先去连续统 ，然后再对影像光谱进行增强之后计算匹配度。 基于光谱特征增强的匹配度算法 较常用匹配滤波等算法 具有矿物信息检出限更低、正确率更高等优势 ，可消除由矿物含量差异 引起的影像光谱与参考光谱匹配度结果变化影响， 同时可突出矿物信息，抑制背景噪音 。该方法虽然提高了矿物识别的正确性， 但主要针对矿物大类或光谱特征具有唯一性时 ， 应用效果较好 。自然界中很多矿物具有相似的光谱特征， 而不同类质同象矿物其光谱特征相似度更高 （图4）， 这为矿物精细识别带来了较大困难。 如地开石和高岭石矿物， 其主要特征吸收谱带均在2200nm附近，主吸收特征位置均在2209nm， 两者的光谱特征差异主要表现在次级吸收的位置 （图4）。

图4 典型矿物光谱曲线图

         

甘甫平等（2003）分析了矿物光谱的变化规律 ，评价了光谱参量的敏感性与稳定性， 提出了建立矿物识别谱系的思想 ，参照或借鉴矿物学的分类方法， 在可见—短波红外光谱区间 ，分别以主要 吸收谱带、谱带组合特征、谱带精细特征和谱带变异特征 为基础，对矿物进行 “类—族—种—亚种”逐层识别 ，构成判别决策过程的树状结构。

依据该矿物分层谱系识别思想， 采用综合光谱特征增强匹配度和特征参量信息提取方法 ， 将有助于在矿物大类识别的基础上 ，进一步实现矿物的精细识别。本研究 首先利用光谱特征增强的匹配算法实现矿物大类、族识别 ，然后结合不同矿物种类或亚类的局部光谱特征差异， 计算相关特征参量，用于实现相似矿物或类质同象矿物的精细区分 ， 信息识别技术流程见图5 。例如， 对于明矾石类矿物识别， 先利用其在2210—2350nm谱段特征， 进行大类提取，然后根据不同明矾石在2210nm附近的次级光谱特征差异 ，计算相应特征参量 ，比如吸收位置，斜率、对称度等参量 ， 进而将不同明矾石进行精细区分 。

图5 本研究矿物精细识别流程

4   结果分析

4.1 GF-5矿物填图结果

通过上述填图方法， 在甘肃柳园地区 识别出了白云石、方解石、高铝绢云母、中铝绢云母和低铝绢云母、镁绿泥石、绿帘石/镁铁绿泥石、铁绿泥石、高岭石、闪石、褐铁矿等 11种矿物信息（图6）。 根据绢云母Al含量的不同， 在2210nm附近的特征 吸收位置会随着Al含量的增加 ， 向短波方向漂移 ，反之，则向长波漂移。因GF-5光谱分辨率更高， 本文在实现传统的高、中、低铝绢云母区分的同时， 进一步对绢云母成分信息进行了精细反演 （图7）。本研究中高铝绢云母向低铝绢云母的成分变化， 在光谱上表现为其特征吸收位置由 2193nm→2201nm→2209nm→2218nm→2226nm逐渐变化 。从图7中可见绢云母成分信息被识别出5种， 突破了传统高光谱的三端元分法， 进而实现了矿物成分信息的精细刻画， 为进一步地质应用研究分析提供了重要参考 。

图6 柳园地区GF-5卫星高光谱矿物分布图

图7 柳园地区GF-5卫星高光谱绢云母成分图

         

从图6可见， 该地区绢云母信息分布最广，其中又以中铝绢云母最多 ，且中铝绢云母多分布在低铝绢云母周边， 显示出两者具有一定的成因关系 ，高铝绢云母在区内分布较少。 绿泥石/绿帘石信息主要分布在区内绿泥石/绿帘石化基性火山岩中 ，以绿帘石/镁铁绿泥石为主，铁、镁绿泥石分布较少。 方解石和白云石主要分布在北部， 与区内碳酸盐岩地层分布范围一致。 在区内识别出少量的闪石信息， 其主要分布在区内基性火山岩中和碳酸盐岩地层周边，前者闪石信息代表着地层中角闪石信息， 而后者多与碳酸盐岩矽卡岩化关系密切，且区内闪石多与白云石空间分布关系密切 ， 这对在区内开展寻找矽卡岩型矿床提供了重要信息。 呈面状和带状分布的褐铁矿信息 多发育在区内中酸性岩体/脉中 ，而零星分布的褐铁矿信息则与区内已知矿床/点空间分布一致， 由此可见褐铁矿在区内具有重要的找矿指示作用 。高岭石在区内分布较少，呈一条小脉状分布，为花岗岩脉高岭石化形成。

在Cuprite地区， 主要是对其广泛发育， 且柳园地区不发育的明矾石、高岭石、地开石矿物进行了有针对性的识别 。而且这3种矿物在找矿预测中 是比较重要的蚀变矿物 。明矾石根据K-Na元素置换，其又有K-明矾石、Na-明矾石端元之分。 在Cuprite地区对K-明矾石、Na-明矾石、高岭石、地开石4种矿物进行了识别 。从图8填图结果中可见， 区内主要发育K-明矾石和高岭石 ，Na-明矾石和地开石相对较少， 这与区内地质背景一致 。明矾石、高岭石、地开石蚀变矿物的组合存在表明其形成于酸性环境中， 同时这些矿物组合也显示出高级泥化蚀变特征 ，特别是明矾石矿物是低—高硫型矿床中高级泥化蚀变的重要组成部分，它们的分布和组成反映了成矿热液条件的位置和强度。 通常Na-明矾石相较K-明矾石更多发育在高温环境 ，从该地区明矾石识别结果上看， 大量发育的K-明矾石， 可能指示出其形成时的热液温度相对较低。

图8 Cuprite地区GF-5卫星高光谱矿物分布图

4.2 对比分析

为验证GF-5数据矿物识别效果， 首先将其填图结果与机载高光谱数据填图结果进行了对比分析 。在柳园地区，将相同范围的GF-5和HyMap矿物识别结果进行了对比分析， 从图9可见，两者识别出的矿物种类一致 ， 且每种矿物信息对应的分布趋势一致性很好。 图9中HyMap填图结果较GF-5的稀疏，是由原始空间分辨率差异造成的。 将HyMap空间分辨率由原始的4m重采样至30m ，其过程是将原始数据按一定的间距抽稀， 然后再将每个像元空间分辨率重采样至30m， 像元的光谱特征未改变，像元间未发生光谱混合 ， 重采样后的像元光谱（30m）为抽稀后保留的像元光谱（4m） 。 而GF-5原始空间分辨率就是30m， 地物混合现象较HyMap更加明显 ，因此其填图结果较HyMap更加稠密。

图9 GF-5与HyMap矿物填图结果对比

         

为进一步验证分析GF-5矿物识别结果 ， 将GF-5影像光谱与同名点的HyMap、AVIRIS影像光谱，以及USGS标准光谱进行对比分析 （图10），为避免由于原始空间分辨率的不同造成的矿物信息不对应， 光谱验证点多选择具有一定分布面积，且为均一地物上 （图6和图8）。 从图10中可看出，GF-5和HyMap、AVIRIS不同矿物对应的同名点影像光谱曲线一致性较好 ，对应矿物吸收特征位置基本一致。与USGS标准矿物光谱对比， 三者整体谱形特征相似度高，特征吸收位置一致性好。 由此可见， GF-5矿物精细识别结果准确性较 好。

图10 同名点GF-5、HyMap、AVIRIS影像光谱与USGS光谱对比图

         

为定量分析评价GF-5数据矿物填图效果 ，在柳园和Cuprite地区共选择了208个光谱对比验证点， 验证点也涵盖无矿物分布区 （图6和图8）。因部分验证点同时存在两种矿物，所以最终矿物验证点数为217个（表3）。 将这些验证点的光谱与同名点的HyMap和AVIRIS光谱进行对比。 由于研究区内不同的矿物分布范围不同，验证点数量也不同， 因此为客观评价GF-5填图结果，统计了所有矿物的整体正确率 ， 经计算GF-5相较HyMap和AVIRIS机载数据矿物识别平均正确率为90.32% 。 从表3中可见GF-5矿物识别整体正确性高 ， 误识别多发生在矿物亚类的区分上 ，这可能与3者原始空间分辨率不同造成， 空间分辨率越低 ，光谱混合也明显， 地物精细区分程度也相对较差 。另外， 从表3中可看出，因卫星传感器较机载获得的反射能量低 ，使得GF-5相较机载数据 对含量相对较低的矿物信息有一定漏识别 。本次研究中光谱验证点相对较少，且矿物种类有限，同时三者原始空间分辨率的不同等因素， 因此该定量评价结果仅作为参考 。

表3 矿物填图结果验证

注：褐铁矿—LI；白云石—DO；方解石—CA；高铝绢云母—HM；中铝绢云母—MM；低铝绢云母—LM；镁绿泥石—MC；绿帘石/镁铁绿泥石—EP；铁绿泥石—FC；闪石—AM；K-明矾石—KA；Na-明矾石—NA；高岭石—KL；地开石—DI；无矿物特征光谱目标—NONE。

5   结论

GF-5高光谱数据 是目前在350—2500nm谱段范围内光谱分辨率最高的 ， 其在矿物识别上具有独特的技术优势。 本文在总结分析常用光谱匹配和光谱特征参量高光谱矿物识别方法优缺性的基础上， 结合各矿物光谱特征，提出了一种综合光谱特征增强匹配度和特征参量的高光谱矿物识别方法， 旨在提高高光谱数据矿物精细识别能力。 选取中国甘肃柳园和美国内华达州Cuprite两个典型区域， 利用GF-5数据进行了矿物精细识别应用研究 。 结合已有机载HyMap和AVIRIS填图结果对比表明， 本文采用的矿物识别方法 能够实现GF-5数据矿物精细识别， 不仅矿物识别正确性高，而且对矿物成分信息反演更加精细 。 为今后在境内外重要成矿区带或重点地区 开展GF-5矿物填图提供了技术支撑 。

由于GF-5空间分辨率 较机载HyMap、AVIRIS低 ，其地物光谱混合现象更加明显， 在一定程度上影响了其矿物识别精度评价 。 针对GF-5光谱混合现象， 今后还需进一步结合GF-5影像光谱特征和地物分布情况 ，开展相应的野外光谱测试，提高对GF-5光谱特征理解，进而实现亚像元、弱信息识别。

- ----END-----

原文来源： 董新丰，甘甫平，李娜，闫柏琨，张磊，赵佳琪，于峻川，刘镕源，马燕妮.2020.高分五号高光谱影像矿物精细识别.遥感学报，24（4）：454-464

导读评论和排版整理 ： 《覆盖区找矿》公众号.

推荐读者 下载、阅读和引用原文！

------往期 精彩 回顾------

1. 遥感方法：含锂伟晶岩脉识别与找矿预测

2. 遥感技术在西北地质调查中的应用及展望

3. 许强等：滑坡隐患类型与对应的物探遥感识别方法

--- 关注 “覆盖区找矿”，拥有更多新方法 ---

宣讲 成果 ， 助力 转化 ， 激励 创新 ！