安徽庐江何家大岭地区岩矿信息提取研究

肖正辉， 刘 琳， 陈有明， 李学良， 杨 娟， 黄 燕

（1.合肥工业大学 化学与化工学院，安徽 合肥 230009；2.安徽农业大学 理学院，安徽合肥 230036；3.安徽省地质调查院，安徽 合肥

230001）

0 引 言

目前，遥感技术已经成为地质填图和找矿的重要技术手段之一。岩性识别、地质解译、矿化蚀变信息提取等工作为区域遥感找矿提供了有力的支持，其中矿化蚀变信息提取工作能为区域找矿、特别是对工作条件低、范围大的区域提供直接的技术参数。常见的矿化蚀变类型，一般都含有Fe2＋、Fe3＋或 OH—、CO2—等离子，这些基团构成的岩石矿物，在可见光—红外光谱区段具有明显的特征反射或吸收，所以在过去的若干年里，国内外学者相继将图像比值、主成分分析等技术用于遥感异常信息提取。ASTER和TM（ETM）数据是普遍采用的蚀变异常提取的数据源，但是它们的分辨率较低，蚀变信息在这些遥感影像上反映出来的是蚀变矿物和各种背景光谱信息的综合信息。文献［1］曾提出去干扰主成分变换的一些参考方案，即先消除植被、水体等干扰，再提取蚀变矿物信息，这种方法在我国西部裸露地区，取得了较好的效果［2］；但是在中东部地区，工业矿体地表线索有限，背景光谱信息复杂，很难找到符合要求的像元，即使有也大多为伪信息，所以简单地去除背景信息难以满足要求。国外学者也提出诸如最小二乘剥离植被等方法，效果不是十分突出，实用性较差，一定程度上制约了它们在遥感蚀变信息提取方面的应用。由此可见，传统的图像分类技术和蚀变矿物提取方法无法达到理想的效果。

地物识别是一种高光谱数据分析方法，它利用地表物质与已知波谱比对，计算出属于某种已知物质的可能性；混合像元分解则通过计算得到每个像元中各种物质的比例，确定混合像元最可能的物质类别，制作物质分布图，为后续工作提供参考。上述方法主要用于高光谱遥感图像处理，类似方法国外有一些应用实例：文献［3］对遥感图像进行线性混合像元分解，制作了埃及南部的岩性图；文献［4］在伊朗南部进行了蚀变矿物填图。但上述实例也多是在成矿条件好的裸露地区。本文的研究区安徽庐江何家大岭地表植被覆盖严重，裸露地表基本上是开采面，岩石矿物混合也较为严重，在这样的地区进行相关工作并不多见。本文以先进星载热辐射与反射辐射计（Advanced Spaceborne Thermal Emission and Reflection Radiometer，ASTER）为数据源，结合多光谱图像掩模技术和高光谱数据分析方法，采用地物识别和线性波谱分离方法分析研究区主要岩石矿物信息，研究上述方法用于ASTER数据分析的可行性，并结合地质资料和研究区实际，分析ASTER数据高光谱分析的效果。

研究区何家大岭位于庐枞火山岩盆地，而庐枞火山岩盆地位于长江下游主要深断裂带。整个火山岩盆地，西邻中—新生代强烈左旋滑动的郯庐断裂带，其东为下扬子破碎带，北靠桐柏－晓天－庐江断裂带，南受第四系覆盖。由于西部受断层切割，分布有中生代火成岩。该盆地继承在中三叠纪—中侏罗世内陆凹陷的基底之上，经过燕山期活动，形成了一套多旋回喷发的中碱性火山岩，总厚约3 000m，不整合于中侏罗统罗岭组之上，根据喷发旋回和岩石组合，盆地火山岩喷发经历了4个旋回，先后为龙门院旋回—砖桥旋回—双庙旋回—浮山旋回。区内岩石普遍受到强烈的热液蚀变，蚀变深度一般在200m左右，每一种蚀变带宽度都比较大。蚀变类型主要有：高岭土化、硅化、黄铁矿化、矽卡岩化、绢云母化、绿泥石化、赤铁矿化、褐铁矿化等。

1 ASTER数据遥感岩矿信息提取

1.1 预处理

（1）基本数据。本文利用ASTER数据，数据等级为LB1，数据景号为008120，已做几何校正及辐射校正，可以直接用于辐射定标等后续处理。所获取的研究区ASTER遥感影像成像时间为2006年4月17日，光照适中，基本没有云雾的干扰。ASTER数据分别位于3个光谱区域：3个可见光—近红外波段VNIR（15m分辨率）可获取过渡族金属元素的特征波谱，如铁和稀土元素（REE）；6个短波红外波段SWIR（30m分辨率）可获取含羟基和碳酸盐化蚀变矿物的特征光谱；另外还有5个热红外波段TIR（90m分辨率）。ASTER对TM（ETM）数据是一种有力的补充，在短波红外部分，ASTER的5、6、7、8、9波段相当于将TM（ETM）数据的7波段细分，使得可识别的岩矿信息的种类更多，对某些矿致异常区分其矿化类型，提取的精度与可靠性进一步改善。

（2）大气纠正。对于研究地物定量遥感等问题，大气纠正是不可缺少的步骤，纠正前、后波谱曲线变化很大，对于能否将某种地物区别开来具有决定意义，所以首先对于遥感数据进行了相应的处理。利用ENVI软件中的ASTER Radiance功能完成ASTER数据辐射定标，采用ENVI的大气校正模块FLAASH进行大气校正处理。通过FLAASH大气校正前、后波谱的对比可知，校正后可见光范围的反射率降低，短波红外范围的反射率升高，曲线更接近地物的实际波谱。

（3）掩膜获取子区。由文献［5］可知，当一景图像包含多个地理景观区域时，分区提取有助于提高精度。由于研究区范围只是该景的一小部分且不规则，所以以研究区边界对于图像进行掩膜处理，减少了植被等其他地物对于信息提取的影响。

1.2 ASTER数据纯净像元提取与波谱分析

本文首先将USGS（United States Geological Survey）波谱库重采样至ASTER波段分辨率，作为分析的参考波谱。接着在ENVI平台上，对图像进行最小噪声分离（Minimum Noise Fraction，MNF）变换，选择得到合适的维数6，计算纯净像元指数（Pixel Purity Index，PPI）并进行阈值切割，将切割得到的像元进行N维可视化，在N维可视化器上选择犄角处像元，取其平均波谱，得到如图1所示波谱曲线［6－7］。6个端元的波谱曲线分别用1～6进行标识。1号和5号端元与高岭土、明矾石的吸收特征相似——5、6波段为吸收谷，3、4和7波段为反射峰；2号和6号端元则呈现出8波段为吸收谷的特征。

运用ENVI Spectral Analyst工具，将波谱角、波谱吸收特征匹配的权重分别选取0.40，二进制编码法选择的权重为0.20，即权重总和为1，对于图1各波谱曲线进行打分，得到一系列最可能的岩石类型，即研究区纯度较高的岩石主要是高岭石、明矾石、石英、辉石等。

1号和5号端元由于与高岭石、明矾石的吸收特征相近，波谱分析得到高岭石、明矾石具有高分值，分别为0.882和0.879；2号和3号端元与辉石吸收特征相近，同样波谱分析辉石得到较高的分值，即0.730。4号、6号端元则得到石英较高的分值。通过波谱分析，确定研究区主要岩石矿物有石英、高岭石、明矾石、辉石等，与已知蚀变类型高岭土化、硅化、矽卡岩化、绢云母化、绿泥石化等吻合。Spectral Analyst工具初步给出了研究区主要岩石矿物类型，为进一步的分析奠定了基础。

图1 研究区提取的端元波谱曲线

1.3 ASTER数据混合像元分解

Spectral Analyst工具只能初步给出主要岩石矿物类型，但是不能给出进一步的含量和分布相关信息，要想得到更为详细的信息，就要解决普遍存在的混合像元问题，即混合像元解混。

混合像元分解模型中的线性模型的原理最简单，也最容易实现，该模型要求所选取的终端单元应为研究区域内大多数像元的有效组成成分，而且要求其个数小于等于波段数［8］。线性光谱混合模型是指像元在某一波段的反射率是由构成像元基本组分的反射率以其所占像元面积比例为权重系数的线性组合，公式为：

其中，ρ为m行1列的像元波谱矢量，m为波段数；C为m行n列的端元波谱矩阵，n为端元组分数量；X为n维矢量，其各分量为对应像元组分含量；e为残差。

为使（1）式结果有意义，还要有如下2个约束：

通过上述公式根据最小二乘法原理就可求解出每种组分的丰度。

很多研究表明，线性光谱混合模型有很好的拟合能力和一定的理论基础，计算结果可达一定的精度［9－10］。

本文运用Matlab的非负最小二乘算法进行线性波谱分离计算，运用图1中6种端元波谱，代入模型计算每个像元中6种地物所占的比例（丰度），理论上要求所有丰度非负且丰度总和等于1。研究区残余均方根误差（root meam square error，RMSE）和丰度总和分布图如图2所示。本文计算得到6种丰度数值均非负，由图2b可知，6种物质丰度总和绝大部分等于1，由图2a可知RMSE也较小，绝大部分小于0.04，说明本文提取的端元和 采用的计算方法所得的计算结果是有效的。

图2 研究区EMS和丰度总和分布图

线性波谱分离得到的6种物质丰度如图3所示，丰度图上较亮的像元含该物质比例较大，而图像明暗的对比可以反映某物质的分布，即丰度图上明亮的部分该物质比例大，是该地区的主要分布地物，反之则比例小或少有分布［11－14］。由图3知，端元1主要分布在西北、东北地区，端元5分布最广，除中心地带偏少外，基本遍布整个地区，因为端元1、5被判作高岭石或明矾石，说明高岭石或明矾石基本遍布整个地区；端元4、6含量均较少，主要成分为石英，主要分布在边缘；端元3主要分布在中北部，而端元2主要分布在中部地区，因为端元2、3主要成分是辉石，所以认为辉石的分布主要在中北部地区。

将各种岩石矿物的分布情况与该区域实际情况进行比对，分布图显示岩石矿物分布信息与实地分布总体一致。

图3 研究区各端元组分丰度图

2 讨 论

本文首先利用ASTER数据对于研究区矿物进行提纯得到端元，运用ENVI software软件的Spectral Analyst工具分析端元主要成分，分析出的可能物质是高岭石、石英、明矾石、辉石等，且分值较高，分析结果与研究区地质资料吻合，说明利用ASTER数据在高度混合地区识别精细矿物是可能的。接着使用线性波谱分离方法对主要岩石矿物含量和分布进行解算，制作出了大致的岩石矿物分布图，也与实地情况吻合。研究表明，利用物质识别、波谱解混等高光谱数据处理方法处理ASTER数据取得了较好的效果。

由于ASTER数据光谱和空间分辨率相对较低，运用上述方法分析矿物及其分布仍然存在一定的问题。例如更进一步分析发现，从主要诊断性光谱特征上看，ASTER数据的吸收特征与波谱库中波谱吻合的只有2～3个，即诊断性光谱特征吻合较少；有的甚至只是总体趋势相近，如本研究中的石英，说明ASTER数据中虽然可以提取到岩石的有关信息，但有可能是组合特征信息，具体类别需进一步求证，可靠性也需进一步验证。正是由于ASTER可见光到近红外部分只有9个波段，即提取出的端元波谱仅有9个数据点，可利用的信息非常有限，ASTER数据对于很多微小吸收特征不能反映出来，不能准确地识别物质，所以制约了它的应用。同时，30m的空间分辨率造成地物的严重混合，也使得它难以分辨出精细的岩石矿物。也就是说，ASTER数据还不能满足对于岩石矿物精确识别的需要，但是，可以预见，随着更高空间分辨率和光谱分辨率的高光谱数据的出现，将可以更好地解决岩矿信息提取这一类的问题。

［1］ 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，2002，54（4）：30－37.

［2］ 张宗贵.成像光谱岩矿识别方法技术研究和影响因素分析［D］.北京：中国地质大学，2004.

［3］ Qiu F，Abdelsalam M，Thakka P.Spectral analysis of AS－TER covering part of the Neoproterozoic Allaqi－Heiani suture，Southern Egypt［J］.Journal of African Earth Sciences，2006，44（2）：169－180.

［4］ Hosseinjani M，Tangestani M H.Mapping alteration minerals using sub－pixel unmixing of ASTER in the Sarduiyeh area，SE Kerman，Iran［J］.International Journal of Digital Earth，2011，4（6）：487－504.

［5］ 罗小波.遥感图像智能分类及其应用［M］.北京：电子工业出版社，2011：220－240.

［6］ 樊风雷.基于线性光谱混合模型（LSMM）的两种不同端元值选取方法应用与评价［J］.遥感技术与应用，2008，23（6）：272－275.

［7］ 薛 绮，匡纲要，李智勇.基于RMS误差分析的高光谱图像自动端元提取算法［J］.遥感技术与应用，2005，20（2）：278－282.

［8］ 徐元进，胡光道，张 献.基于穷举法的高光谱遥感图像地物识别研究［J］.武汉大学学报：信息科学版，2008，33（2）：124－127.

［9］ 许卫东，尹 球，匡定波.地物光谱匹配模型比较研究［J］.红外与毫米波学报，2005，24（4）：296－300.

［10］ 陈有明，刘 琳，肖正辉，等.线性波谱分离在城市土地覆盖影像研究中的应用［J］.合肥工业大学学报：自然科学版，2013，36（3）：365－368.

［11］ Pour A B，Hashim M.Identification of hydrothermal alteration minerals for exploring of porphyry copper deposit using ASTER data，SE Iran［J］.Journal of Asian Earth Sciences，2011，42：1309－1323.

［12］ Rajendran S，Thirunavukkarasu A，Balamurugan G，et al.Discrimination of iron ore deposits of granulite terrain of southern Peninsular India using ASTER data［J］.Journal of Asian Earth Sciences，2011，41：99－106.

［13］ Melendez－Pastor I，Navarro－Pedre～no J，Koch M，et al.Applying imaging spectroscopy techniques to map saline soils with ASTER images［J］.Geoderma，2010，158：55－65.

［14］ Gabr S，Ghulam A，Kusky T.Detecting areas of high－potential gold mineralization using ASTER data［J］.Ore Geology Reviews，2010，38：59－69.