板桥稀土矿遥感找矿信息提取与矿产预测研究

章钦瑜，张登荣，黄国成，朱 骏

板桥稀土矿遥感找矿信息提取与矿产预测研究

章钦瑜1，张登荣2，黄国成3，朱 骏1

(1.浙江大学地球科学系，杭州 310027;2.杭州师范大学遥感和地球科学研究院，杭州 310027;3.浙江省地质调查院，杭州 310027)

通过对离子吸附型稀土矿成矿规律的分析，从浙江省板桥地区的遥感地质特征研究入手，在研究区地表范围内进行稀土遥感找矿信息的提取。首先利用SPOT图像和DEM数据构建的坡度数据对与稀土成矿相关的地貌单元进行解译;然后通过光谱特征分析和基于ASTER图像的矿物遥感异常提取，获取与成矿相关的高岭土、绢云母、绿泥石等风化特征矿物的分布信息;最后叠合分析地貌、坡度及异常提取结果，进行稀土遥感找矿预测。与地质调查资料及化探数据的对比分析证实，上述方法对圈定1∶5万的大比例尺离子吸附型稀土矿分布范围是有效的，可为更详细的稀土矿产资源潜力评价提供依据。

离子吸附型稀土矿;遥感;地貌解译;异常提取;矿产预测

0 引言

稀土矿作为重要的战略资源，国内外需求量一直很大。我国虽是世界稀土资源大国，但因近年来过度开采，稀土资源量储备已大幅度下降，迫切需要加强新矿产地调查，以保证稀土矿的后备供应［1］。

目前，在江西、福建、广东、广西等南方省份已经陆续发现了一批离子型稀土矿。具有相似成矿环境的浙江省有可能存在稀土矿产的开发潜力。但由于浙江省稀土矿的地质调查工作起步较晚，虽已取得了一定的成果，但工作程度还比较低，大部分地区尚未完成大比例尺的地质勘查［2］。

利用遥感技术提取成矿区域内的地貌、构造、岩性、蚀变等与成矿相关的特征信息，从而为地质找矿提供前期调查资料，一直是国内外学者关注的焦点［3］。迄今为止，遥感在国内的稀土矿产调查中已开展了一些应用，但公开发表的相关技术方法及应用研究成果的文献极少;而遥感技术在具有相似成矿模式的堆积型铝土矿的找矿应用中则取得了很多有效的实际成果［4－7］。

本文利用SPOT，ASTER图像和DEM数据，根据板桥型稀土矿成矿特征，从遥感地质特征入手，开展板桥型稀土矿找矿信息的提取和矿产遥感预测研究。

1 成矿地质背景

到目前为止，浙江省已探明的稀土矿类型以风化壳离子吸附型为主，约占全省已探明稀土矿的64%，均分布于浙江省南部(N28°40'以南)，其中以板桥稀土矿最为典型［2］。

板桥地区离子吸附型稀土矿的形成过程与岩体的风化作用密切相关。首先，含有稀土元素的母岩定位后，受构造抬升影响，盖层被剥蚀殆尽，使岩体大量出露地表，在温暖湿润的气候条件下，逐步遭受风化，并在原地堆积形成风化壳;其次，受化学风化作用的影响，稀土元素被活化，常呈离子态被吸附于粘土矿物的表面;最后，风化壳中的稀土成矿物质在经历了淋溶、解析、迁移、吸附，再淋溶、解析、迁移、吸附的反复作用后，在合适的地质环境下富集，形成具有工业品位的离子吸附型稀土矿床［8］。

2 研究区概况

2.1 自然地理概况

研究区位于浙江省丽水市松阳县东部的板桥乡内，其地理范围为 E119°30'～ 119°45'，N28°19'～28°29'，面积约 421.8 km2(图 1)。

图1 研究区地理位置Fig.1 Location of study area

该地区属于典型的亚热带季风气候区，四季分明，雨量丰沛，空气湿润，年平均气温约17℃，年平均降水量1 500 mm。区内地貌以山地丘陵为主，中部为地势较低的台地，四周为低山丘陵，海拔高度100～1 100 m，平均海拔375 m，植被覆盖密集。

2.2 地质概况

研究区中部发育燕山晚期靖居包岩体，岩性为中粒石英二长岩、似斑状黑云母石英二长岩。其中主要矿物包括钾长石(占40% ～65%)、斜长石(占20% ～35%)和石英(占5% ～15%)，副矿物主要有磁铁矿、赤褐铁矿、锆石等，含稀土矿物主要为独居石、磷钇矿等。微量元素中，Pb，La，Ce，Y为高度富集元素(富集系数K＞4)。稀土元素呈离子态吸附于粘土矿物中，赋存于完全风化层及半风化层中。

区内风化壳中粘土矿物含量高，矿物成分以高岭土、伊利石为主;风化壳厚度大，平均厚度达10 m以上，最厚达17 m。其中，低缓圆平的山头、平缓的山坡、台地上的风化壳厚度较大，而在沟谷、山脚等部位风化壳厚度较小，甚至尖灭。风化壳发育类型以被盖式为主，少数为帽盖式，兼有癞痢式和裸脚式等特征［9］。

3 稀土遥感找矿信息提取

通过对成矿地质背景及地质特征分析可知，板桥地区稀土矿的形成主要与成矿母岩的岩石系列和地貌条件及风化壳特征密切相关。因此，稀土遥感找矿信息的提取从这些方面入手，着重解译研究区内与成矿有关的地貌特征，并对风化特征矿物遥感异常信息进行提取。

3.1 残坡积地貌信息提取

残坡积地貌是按照第四纪地质成因分类理论、根据地质作用的动力原则划分的地貌类型，是基岩经物理、化学等风化作用后，未经任何搬运而残留于原地较平缓的地表形成底部基岩的覆盖层［10］。由于离子吸附型稀土矿的分布与残坡积地貌有良好的对应关系，因此将遥感解译的残坡积区作为离子吸附型稀土矿分布区预测的一个重要标志。

3.1.1 残坡积地貌遥感识别

本次研究综合考虑外营力作用和成因类型，采用人机交互的目视解译方法，根据研究区影像的形态、纹理和色调特征，并结合区内地形、地势特点等，建立第四系残坡积地貌的遥感影像解译标志，提取残坡积物分布的遥感地貌信息。采用的遥感数据是2009年3月1日获取的SPOT 5图像，分别用B2，(B3·B1+B3)/B4，B3对应R，G，B通道，构成假彩色合成图像(其中B1，B2，B3分别代表SPOT的绿、红和近红外波段)。通过Brovey方法将多光谱波段与2.5 m空间分辨率的全色波段融合，获得融合图像。

在遥感图像上，裸露及植被覆盖较少的残坡积(Qedl)区一般具有不同于植被覆盖区的色调特征，主要表现为棕色、土黄色、灰绿色，总体上呈不均匀的斑块，空间分布零乱。其中，裸露的残坡积区主要呈棕色、土黄色，表面结构较光滑;而植被覆盖较少的残坡积区则呈灰绿色、灰色，色调饱和度较低，影纹结构较复杂。

另外，残坡积区主要分布于侵蚀山区内的地势平缓地区，无明显的山脊线或山体切割浅。影像上一般表现出较高的农业利用程度，多被开垦为梯田、道路等(图2)。从地形地貌来看，残坡积区主要位于经风化侵蚀的地势较平缓的山区(如台地、丘包、馒头山的顶部和上部)，局部位于谷地以及山麓与平原的交接部位［11］。

图2 残坡积地貌的SPOT图像Fig.2 SPOT image of Qedl

依据上述遥感解译标志对研究区内残坡积地貌进行目视解译，共解译出与残坡积地貌有关的图斑46个。图斑面积大小不一，最大的达2.71 km2，最小的仅0.06 km2，平均为0.49 km2;主要分布于研究区中部后塘、塘里源等地区的台地和丘包上，少部分位于大坑等山坡以及谷地中，多呈块状或者不规则椭圆等形状(图3)。

图3 研究区残坡积地貌分布(以SPOT影像为背景)Fig.3 Qedlmapped in study area

3.1.2 基于坡度的残坡积提取

由于目视解译方法受解译人员的经验、操作等人为因素影响较大，为了获得更加客观、可靠的残坡积地貌的空间分布信息，本文利用坡度信息对残坡积地貌的目视解译结果进行修正。

本次研究采用空间分辨率为30 m的ASTER DEM数据，利用GIS的地形分析功能提取研究区的坡度空间分布信息。根据以往的地质调查可知，残坡积地貌一般分布在坡度小于20°的丘陵山区［2］。因此，本文按＜10°，10°～20°，＞20°共分3 级，分离出坡度在20°以下的各级坡度信息，并生成坡度分布图(图4)。

图4 研究区坡度分布Fig.4 Slope distribution map of the study area

从图4可以看出，坡度在20°以下的区域主要分布于平缓的山麓坡地、山间台地、低丘顶部、山间谷地、河谷平原以及河道、湖泊、水库等部位。其中，河谷平原以及河道、湖泊、水库等与残坡积地貌无关，其坡度极为平缓，一般低于10°，需要剔除。值得注意的是，由于计算机自动提取，部分图斑零碎杂乱(面积小到仅数个像元大小)，在辅助地貌解译中并无实际意义。因此在数据后期处理中，对碎小的坡度图斑进行了归并处理。

最后，将残坡积区的上述目视解译结果与20°以下的坡度信息及已知的侵入岩体空间分布信息进行叠加分析，进一步确定与成矿相关的残坡积区的空间分布范围，生成最终的残坡积地貌解译图(图5)。

图5 岩体范围内20°坡度以下残坡积地貌分布图Fig.5 Residual talus slope topography map with the slope below 20°in rocks

在岩体的分布范围内，共解译出残坡积区的24个图斑，面积最大的达5.874 km2，面积最小的仅0.005 km2，平均面积为 0.633 km2，多呈不规则块状。解译图斑的外包络线分布范围大致与地质图上的靖居包岩体出露范围相当。在岩体的北部及东部，图斑分布相对较集中、连续性好;南部及西部则较零星、连续性相对较差。

3.2 风化特征矿物遥感信息提取

3.2.1 光谱特征分析

由区域地质调查资料可知，研究区的稀土成矿母岩为一套碱性花岗斑岩。在表生风化作用下，花岗斑岩中的深色矿物常发生分解，形成高岭土、绢云母、绿泥石等矿物［12］。因此，高岭土、绿泥石和绢云母是母岩表生风化作用的特征矿物。此外，独居石是主要的含稀土矿物，由于与稀土成矿呈高度相关，该矿物在一定程度上也可以为研究区稀土成矿分布提供指示信息。因此，本文尝试利用光谱特征分析和异常提取的方法获取高岭土、绢云母、绿泥石和独居石的分布信息。

为了分析上述矿物在ASTER数据的VNIR—SWIR波段的光谱特征，将全波段的实验室光谱数据重采样到ASTER的各个波段(图6)。

图6 特征矿物光谱曲线图Fig.6 Spectral curves of the characteristic minerals

从重采样后的光谱曲线图上可以看出，高岭土和绢云母的光谱吸收特征十分相似，在ASTER6波段处表现为强吸收;在ASTER4波段前，高岭土的反射率要高于绢云母，而在其后的波段则相反。绿泥石的反射率由可见光到近红外是逐步上升的，在ASTER8波段处出现强吸收。独居石在短波红外的特征不明显，而在ASTER3波段表现为强吸收谷。根据这些特征制订了基于ASTER的高岭土、绢云母、绿泥石和独居石的遥感异常信息提取方案。

3.2.2 矿物异常信息提取

本次风化特征矿物遥感异常信息提取采用的数据是ASTER L1B数据，空间分辨率重采样到15 m。由于研究区跨越了多景数据，先对其进行镶嵌拼接、裁剪，然后转换到统一的投影坐标系。

为了使ASTER光谱数据更好地匹配地物的真实光谱，减少干扰，需要将其转化为垂直方向的地表反射率。因此，在进行光谱特征提取前，首先对ASTER数据进行预处理。由于所采用的ASTER L 1B数据已经进行过辐射定标，可以直接通过FLAASH大气校正消除大气的影响。鉴于研究区处于山地丘陵地区，相邻像元间的地形变化比较大，像元光谱可能会受到相邻像元的影响，本文还采用了非朗伯体方程进行光谱的地形校正［13］，最后将其校正到垂直方向的地表反射率(图7)。

此外，区内存在大面积的高植被覆盖区，水系也比较发育。为了去除水体和植被的干扰，需要通过掩模运算将二者去掉，从而将地表露头较好的像元单独提取出来。根据水体在ASTER3和ASTER4波段的下降趋势，二者的比值小于1，可作为水体的掩模。采用NDVI指数小于0.3作为植被的掩模。

图7 矿物异常提取流程Fig.7 Flow chart of mineral anomaly extraction

借鉴前人在蚀变矿物异常信息提取中的研究成果，采用比较成熟的波段组合主成分分析方法［14－16］分别提取绢云母和绿泥石矿物异常信息。由于高岭土与绢云母的光谱变化特征相似以及独居石独特的光谱吸收波段，本文使用波段深度法(band depth，BD)来提取高岭土和独居石异常信息。

利用ASTER数据提取粘土类矿物主要采用对ASTER1，3，4，n波段组合进行主成分分析(PCA)的方法(n的选择由目标矿物的波谱特征决定)。绢云母在ASTER6波段表现为强吸收，在ASTER7波段则表现为强反射，因此选择 ASTER1，3，4，6，7 作为PCA的输入。通过PCA变换得到的特征向量如表1所示。

表1 ASTER1，3，4，6，7 波段的 PCA 特征向量Tab.1 PCA eigenvectors of ASTER1，3，4，6，7 bands

从表1中可以看出，对PC5的主要贡献来自绢云母的特征波段，它很好地反映了绢云母在ASTER7的高反射和在ASTER6的强吸收关系。由于高反射一般表示为正的贡献，为了处理的方便，对PC5取反，以便使图像中的高值对应于异常。

根据绿泥石的波段特征，选择 ASTER1，2，3，5，8，9波段进行PCA变换，得到的特征向量如表2所示。从PCA分析结果看，PC5得到的ASTER5，8波段贡献最大，且 ASTER5，9波段和 ASTER2，8波段的符号相反，最符合绿泥石在ASTER5，9的高反射率和在ASTER2，8波段的吸收关系。

表 2 ASTER 1，2，3，5，8，9 波段的 PCA 特征向量Tab.2 PCA eigenvectors of ASTER 1，2，3，5，8，9 bands

根据高岭土在ASTER6波段的吸收谷和在ASTER4，7波段的谷肩，采用波段深度方法，构造波段运算公式(ASTER4+ASTER7)/ASTER2作为波段特征生成高岭土特征图;根据独居石在ASTER3波段的吸收谷和在ASTER2，4波段的谷肩，构造波段运算公式(ASTER2+ASTER4)/ASTER3作为波段特征生成独居石特征图。选择均值加2倍标准差作为异常下限阈值，最后生成高岭土、绢云母、绿泥石、独居石异常分布图(图8)。

由图8可见，通过上述方法提取的特征矿物遥感异常信息主要离散分布于岩体内部及边缘地区，在岩体的北部、中部和南部各有几处异常聚集区。其中，研究区内绿泥石异常的分布面积最大，在各个聚集区均有分布。中部和南部则提取出了较多的独居石异常，而北部仅有零星分布。绢云母和高岭土异常提取的面积相对较小，分布也比较均匀。由于这些特征矿物与稀土矿密切相关，所提取的异常信息可以大致反映稀土矿的分布趋势。

4 稀土矿遥感找矿预测与验证

通过对板桥离子吸附型稀土矿成矿规律的上述分析，本文建立离子吸附型稀土矿遥感找矿预测模型为:①母岩分布范围内的第四系残坡积地貌;②母岩分布范围内地形坡度在20°以下的区域;③存在与稀土成矿有关的高岭土、绢云母、绿泥石等风化特征矿物和独居石的光谱信息。根据稀土矿遥感找矿预测模型，综合前述残坡积地貌信息提取和与成矿有关的矿物光谱异常分析，圈定出研究区内的稀土矿预测范围，最后得到稀土矿遥感找矿预测分布图(图9)。

图9 稀土遥感找矿预测分布图Fig.9 Map of rare earth distribution forecasted by remote sensing exploration

为了验证本文提出的离子吸附型稀土矿遥感找矿预测模型的可靠性，利用已有地质调查资料以及研究区内稀土元素的化探数据分别进行了分析比对。从已探明的稀土矿的矿区分布范围图来看，研究区北部的稀土矿遥感找矿预测区分布范围与已知矿区范围基本吻合，且区内发育稀土矿点1处［9］(图9)。此外，通过化探取样分析，可知区内存在化探镧(La)、钇(Y)异常区，均呈北北东向展布，其中La异常内带分布范围与靖居包岩体的展布基本一致(图10(a));而Y异常的高值区主要分布在研究区的西南［9］(图10(b))，这与稀土相关矿物的遥感异常分布范围基本一致。从化探数据与稀土矿遥感找矿预测区的分布情况来看，用遥感找矿预测模式获取的稀土矿分布趋势与化探反映的La的异常分布趋势更相符。

通过对比分析可以看出，采用上述遥感方法提取的稀土矿地表分布信息与已知矿区和化探数据分布基本吻合，说明本文提出的离子吸附型稀土矿遥感找矿预测模型具有较高的可靠性和可适性，可以推广应用于浙南离子吸附型稀土矿的找矿预测。

图10 化探异常分布图Fig.10 Map of geochemical anomaly

5 结论

1)本文选取SPOT遥感图像和DEM数据提取板桥地区与稀土矿有关的残坡积信息，确定了研究区残坡积的分布范围;同时运用ASTER数据的波段组合进行主成分分析(PCA)和波段深度运算(BD)，提取出独居石、高岭土、绢云母和绿泥石遥感异常信息。

2)依据离子吸附型稀土矿的成矿规律，综合遥感地貌解译和风化特征矿物异常信息提取，圈定了板桥地区稀土矿遥感找矿预测区;通过与地质调查资料及化探数据的比对，证实了该方法的有效性，表明使用ASTER和SPOT数据可以提取出1∶5万比例尺下的离子吸附型稀土矿的大致分布信息，从而为进一步的地质勘察工作节省大量人力物力。

3)尝试性地建立了离子吸附型稀土矿的遥感找矿预测模型，为今后进一步开展稀土矿的遥感找矿工作提出了较为系统的方法和建议。

4)根据地质调查资料可知，风化特征矿物在研究区内的分布比较广泛。而在其异常信息的提取中，由于受研究区高植被覆盖影响，获取的异常点相对较少。另外，分割阈值的设置对异常点数量的影响也比较大，目前还缺乏定量化的评判标准。如何有效地去除背景环境影响及更合理地选择分割阈值以突显异常信息，还有待于进一步深入研究。

［1］ 韩晓英，李 平，王 勇，等.中国稀土发展概况［J］.中国有色金属，2010(2):29 －30.

［2］ 斯小军.浙江省风化壳离子吸附型稀土矿产概查地质报告［R］.浙江省区域地质调查大队，1992:10－30.

［3］ 耿新霞，杨建民，张玉君，等.遥感技术在地质找矿中的应用及发展前景［J］.地质找矿论丛，2008，23(2):89 －93.

［4］ 李领军，张云峰，张 蓉，等.几内亚金迪亚地区红土型铝土矿遥感矿化信息与找矿预测［J］.遥感信息，2010(5):93－97.

［5］ 成 功，陈松岭，祝瑞勤，等.平果堆积型铝土矿地质特征及遥感找矿预测［J］.轻金属，2009(8):11－18.

［6］ 高光明，周利霞，黄宝华.波罗芬高原红土型铝土矿遥感影像特征及信息提取［J］.图像处理与模式识别，2007(3):73－75.

［7］ 罗允义.广西铝土矿遥感综合成矿预测及资源总量估算［J］.地质与勘探，2003，39(3):58 －62.

［8］ 朱安庆，张永山，陆祖达，等.浙江省金属非金属矿床成矿系列和成矿区带研究［M］.北京:地质出版社，2009:10.

［9］ 樊锡银，吕新前.浙江省松阳县板桥稀土矿区普查地质报告［R］.杭州:浙江省第七地质大队，1995.

［10］周 翔，刘玉英，王敏龙，等.地貌学及第四纪地质学基础［M］.北京:地质出版社，2007.

［11］范 敏，黄 洁，刘 智，等.基于遥感数据的西南地区第四纪残坡积层分布与利用—以四川省盐源盆地为例［J］.国土资源遥感，2010(增刊):204－208.

［12］徐耀鉴，徐汉南，任锡刚.岩石学［M］.北京:地质出版社，2007.

［13］ Mishra V D，Sharma J K，Singh K M，et al.Assessment of Different Topographic Corrections in Waifs Satellite Imagery of Himalaya Terrain［J］.Journal of Earth System Science，2009，118(1):11 －26.

［14］ Bertoldi L，Massironi M，Vison D，et al.Mapping the Buraburi Granite in the Himalaya of Western Nepal:Remote Sensing Analysis in a Collisional Belt with Vegetation Cover and Extreme Variation of Topography［J］.Remote Sensing of Environment，2011，115:1129－1144.

［15］张玉君，杨建民，陈 薇.ETM+(TM)蚀变遥感异常提取方法研究与应用——地质依据和波谱前提［J］.国土资源遥感，2002(4):30－34.

［16］张玉君，曾朝铭，陈 薇.ETM+(TM)蚀变遥感异常提取方法研究与应用——方法选择和技术流程［J］.国土资源遥感，2003(2):44－50.

The Remote Sensing Prospecting Information Extraction and Mineral Resources Prognosis in the Banqiao Rare Earth Mineral Deposit

ZHANG Qin－yu1，ZHANG Deng－rong2，HUANG Guo－cheng3，ZHU Jun1
(1.Department of Earth Sciences，Zhejiang University，Hangzhou 310027，China;2.Institute of Remote Sensing and Earth Sciences，Hangzhou Normal University，Hangzhou 310027，China;3.Zhejiang Institute of Geological Survey，Hangzhou 310027，China)

In this paper，the prospecting information of the rare earth resources on Earth’s surface was extracted by analyzing the metallogenic regularity and geological remote sensing features of the study area.Firstly，the distribution of geomorphic units of Qedlwas interpreted based on SPOT imagery and slope map obtained from DEM data.Then，the distribution of characteristic minerals closely related to rare earth deposits such as kaolin，sericite and chlorite was extracted by using remote sensing alteration anomaly extraction methods in the study area.At last，the potential rare earth ore districts were predicted by using overlap analysis of geomorphic units of Qedlas well as slope and abnormal extraction results.A comparison with the results of geological and geochemical survey shows that the remote sensing methods proposed in this paper are effective and reliable in prognosis of rare earth mineral distribution at the scale of 1∶50 000 and can provide useful suggestions for more detailed potential evaluation of rare earth mineral resources.

ion adsorption type rare earth;remote sensing;geomorphologic interpretation;abnormal extraction;mineral prediction

TP 79

A

1001－070X(2012)01－0120－07

10.6046/gtzyyg.2012.01.21

2011－06－20;

2011－07－14

中国地质调查局全国矿产资源潜力评价浙江省矿产资源潜力评价项目(编号:1212010813010)和浙江省城市湿地与区域变化研究重点实验室基金项目(编号:KZ11107)共同资助。

章钦瑜(1986－)，女，硕士研究生，主要研究方向为遥感地质应用。E－mail:yean333@gmail.com。

(责任编辑:刘心季)