遥感技术在地质找矿中的应用

余先川，熊利平，张立保，胡 丹，卞珊珊，张远飞

(1.北京师范大学信息科学与技术学院，北京 100875;2.有色金属矿产地质调查中心，北京100012)

0 引言

遥感是指运用现代技术和先进工具，不与目标接触而直接从远距离接收目标物体电磁波谱信息，通过传输、存储和处理，对信息进行分析与解译的一门新兴的综合性科学技术(梅安新等，2001)，是一种快速、有效的大范围信息获取技术。

过去的30～40年间，随着多光谱技术的开发与成像光谱仪的研制成功，遥感实现了从多光谱到高光谱甚至超高光谱的发展，同时也向定量化、精细化和智能化方向演进。遥感数据具有时实性高、覆盖范围广、信息丰富客观等优点，已经被广泛应用于各个领域。

自20世纪70年代起，Hunt(1977)、Cooper等(2002)以及Clark等(1991、1996)深入研究了岩石矿物的光谱特征以及处理技术，为遥感矿产信息提取、使用遥感方法直接识别矿物、计算矿物含量、分析化学成分、以及分析矿物内部晶体结构奠定了理论基础。目前，利用遥感数据进行地质找矿的相关技术已日趋成熟。

传感器的发展使得探测波段不断细分，光谱分辨率不断提高，使地质找矿从定性化向定量化转变。近几十年来，成像光谱技术的发展不断促进地质找矿方法的完善，提高了遥感地质找矿精度。本次研究将从多光谱成像与高光谱成像2个方面介绍相应的找矿方法与找矿应用，论述遥感影像应用与遥感找矿应用的发展趋势，并对目前遥感领域中的相关难点进行总结。

1 遥感找矿技术与应用

不同矿物会表现出不同的光谱吸收特征：在可见光和近红外光谱段(VNIR，0.4～2.5 μm)，矿物的光谱吸收特征主要归因于Fe2+、Fe3+等过渡金属离子的电子跃迁，可识别矿物有Fe、Mn等过渡元素的氧化物及氢氧化物;在短波红外谱段(SWIR)，矿物的光谱吸收特征则主要因为矿物中 Al—OH、Mg—OH、C以及N等基团分子基谐振动的倍频和谐频，可以识别含羟基矿物、碳酸盐矿物以及部分水合硫酸盐矿物;热红外波段(TIR，8～14 μm)和中红外波段(MIR，3～5 μm)在地质研究中同样具有巨大潜力，对于一些矿物(如石英、长石、辉石等)，在可见光以及近红外波段没有明显的波谱特征，但是在TIR波段范围则具有很强的吸收特性。表1列出了可见光—近红外、短波红外以及近红外波段范围内可以识别的矿物。

表1 可见光—红外波段可识别矿物分类Table 1 Classification of identified minerals in visible-infrared wavelengths

光谱成像技术充分利用物质对不同电磁波谱的吸收或辐射特性，可以在可见光、近红外、中红外、短波红外以及热红外区域获取许多窄且光谱连续的图像数据。成像光谱仪是成像光谱技术发展的产物，是用于获取影像信息与光谱信息的光学传感器。根据光谱分辨率和波段数的不同，目前成像光谱仪可以分为多光谱成像仪、高光谱成像仪以及超光谱成像仪。多光谱成像仪获取的波段数在3～12之间，光谱分辨率一般在100 nm左右;高光谱成像仪波段数在100～200之间，光谱分辨率在10 nm左右;超光谱成像仪波段数达到1 000，光谱分辨率在1 nm以下。

遥感地质找矿方法随着遥感成像技术的发展而不断完善，并趋于成熟。在地质找矿领域，主要使用多光谱遥感与高光谱遥感进行信息提取与矿物识别。图1总结了多光谱遥感与高光谱遥感成像技术的发展过程，以及相应的找矿方法。经过几十年的研究，目前多光谱遥感影像可识别的蚀变矿物达到40多种，这对圈定矿化蚀变带、分析蚀变矿物组合、定量或半定量估计相对蚀变强度和蚀变矿物含量，以及追索矿化热液蚀变中心和圈定找矿靶区具有重要意义。当特征光谱的吸收峰或反射峰宽度达到5～50 nm时，影像就能够反映物质之间的差别，光谱分辨率越高，物质识别精度越精细。然而，传统的多光谱遥感数据光谱分辨率一般在几十至几百纳米之间，波段常常不连续，不足以反映地物之间的微小差异，因此识别精度有限，许多地物的吸收等特征不能准确反映，无法满足实际需要。由于多光谱数据波段的局限，限制了蚀变提取方法的选择，很多可以对岩矿进行准确识别的高光谱方法无法适用。随着成像光谱技术的发展，光谱分辨率逐步提高，其可探测识别的蚀变矿物种类不断增多，高光谱遥感可以直接对矿物进行识别，甚至可以进行亚像元识别。目前，美国地质调查局(USGS)波谱库已经建立了481种矿物的光谱，为矿物的识别奠定了基础。

1.1 多光谱遥感影像地质找矿技术与应用

多光谱遥感影像广泛应用在蚀变信息提取中。目前，多光谱影像在地质找矿领域主要经历了2个时代：Landsat卫星系列传感器影像以及ASTER传感器影像研究与应用时代。在多光谱遥感发展的早期，研究者广泛使用Landsat MSS/TM传感器影像，提出了基于波段比值以及主成分分析的方法提取羟基以及氧化物等蚀变信息。随着ASTER传感器的出现，与Landsat MSS/TM相比，波段数量的增加丰富了遥感蚀变信息提取的多样性，通过高级星载热量散射和反射幅计(ASTER，Advanced Spaceborne Thermal Emission and Reflection Radiometer)数据可以提取黏土类、硫酸盐类、碳酸盐类、铁氧化物以及硅类矿物等。

1.1.1 Landsat系列传感器影像在地质找矿中的应用 Landsat为美国陆地探测卫星系统，1972年开始发射第一颗卫星 Landsat－1，最近一颗卫星为Landsat－8，发射于2013年2月。广泛使用的Landsat产品主要有TM、ETM+传感器影像。

图1 多光谱遥感技术与高光谱遥感技术发展图Fig.1 Development of multispectral and hyperspectral remote sensing technologies

利用Landsat卫星传感器影像进行遥感矿化信息提取，其理论和技术都日趋成熟。1981年，Goetz等(1981)首次利用Landsat多光谱扫描仪(MSS)数据，通过可见光和近红外波段(VNIR)提取了铁氧化物比率。Landsat TM影像常用于地质填图与构造提取中。尤其是在矿化蚀变区域，Landsat TM波段7/5一般用于从区域中分离泥化物质，以反映羟基吸收带;波段3/1常用于铁氧化物的填图;R=5/7、G=3/1、B=5的组合方式常用于假彩色合成。大多数蚀变矿物都含有羟基离子(OH－)和3价铁离子(Fe3+)，OH－在TM7波段具有强吸收性;Fe3+在TM1、TM2和TM4波段为强吸收，在TM5波段则为强反射。1999年，Sabins等(1999)利用蚀变矿物光谱特征进行光谱探测，并指出TM影像能够有效地解译地质构造和热液蚀变，同时高光谱影像能够识别铁矿及黏土矿物。Landsat TM数据被广泛应用于地质领域，利用TM数据结合其他地球物理数据、遥感影像数据(Rigol et al，1998;Kettles et al，2000)的影像融合方法(如HIS变换等)已经在广泛使用(Yesou et al，1993)。

Nama(2004)使用ETM影像研究Cameroon研究了1999年因火山爆发所形成的线性地质构造信息，与野外考察信息一致，证实可以从ETM影像中提取有效信息。Mostafa等(2005)利用ETM+影像提取构造信息并绘制线性构造密度图，识别出铀矿，证实线性构造在地质构造以及岩矿信息识别方面的重要作用。Zhou等(2011)通过分析ETM+多光谱影像中蚀变矿物的光谱特征，应用基于光谱特征的增强模型、基于PCA和SAM的阈值模型以及MPS模型减小外部干扰，提取出地球化学异常信息和蚀变信息，进行成矿预测。Ciampalini等(2013)利用Landsat ETM+数据，通过对数据进行波段比值、假彩色合成以及主成分分析等增强处理，在非洲西部地区找到铁矿床，并证实多光谱影像在找铁矿床方面的有效性。

随着卫星传感器光谱分辨率、空间分辨率和时间分辨率的提高，极大提升了遥感技术的对地观测能力。但是这些高光谱数据不易获取或获取成本太高，一般用户难以承受。而TM/ETM+数据价格低廉，历史数据积累多，因此依然是当前蚀变信息提取的首要和主要信息源。

1.1.2 ASTER影像在地质找矿中的应用 ASTER是由美国国家航空航天局(NASA)和日本经济产业省(METI)联合研发、安装在Terra卫星上的多光谱成像仪，于1999年12月18日发射升空。基于ASTER数据涵盖的波长范围宽、波段多、性价比合理等因素，使得ASTER数据的研究迅速发展。ASTER遥感影像包括可见光—近红外、短波红外以及热红外波段，理论上能被其识别的蚀变矿物有3类，表2为ASTER波段组合进行相应蚀变可增强矿物。

表2 ASTER影像各波段比值可增强矿物汇总Table 2 List of enhanced minerals by band ratios based on ASTER images

Cudahy等(2002)提出用不同波段的比值对不同矿物进行填图：用波段11/10，11/12，13/10提取硅氧化物，用波段(6+9)/(7+8)提取黑云母等矿物，用波段(6+9)/(7+8)识别镁矿层。Yamaguchi等(2003)使用ASTER短波红外波段的线性组合获取到了内华达州Curprite地区的方解石、明矾石、高岭石以及蒙脱石指数并进行了实地验证，证明了ASTER短波波段(SWIR)用于提取矿物指数方面的有效性。Mars等(2010)对 Curprite以及 mountain Pass 2个蚀变地区的ASTER光谱影像与光谱库进行了比较，匹配的结果表明泥质矿物组合(kaolinite，alunite，dickite)、绢岩化矿物组合(sericite)以及calcite、epidote、chlorite等矿物的组合能够被识别出来;然而实验同时证实要将高岭士与明矾石完全进行区分具有一定的困难。

与Landsat卫星传感器数据相比，ASTER数据在热红外有更多的波段，波谱分辨率更高，尤其是在短波红外和热红外波段，空间分辨率更高。ASTER数据较之ETM+数据在矿化蚀变信息提取中具有更大的优势，可以提取更为准确的遥感异常信息(叶发旺，2009)。ASTER数据除了有可见光与近红外通道外，还增加了专门为地质矿产勘查设置的6个短波红外和5个热红外波段，可以对高岭土、绢云母、蒙脱石、绿泥石等蚀变矿物进行有效区分。然而，ASTER没有蓝色波段，因此不能进行真彩色合成。当前研究一般利用 ASTER遥感数据的可见光—近红外和短波红外波段信息，而没有充分利用热红外波段信息。

1.1.3 多光谱遥感在矿物蚀变信息提取中的技术与应用 热液矿床周围常常伴随着围岩蚀变，蚀变围岩的范围一般大于矿体，因此找到围岩蚀变区域也意味着热液矿床可能存在，围岩蚀变是找矿的重要指标。围岩蚀变与正常围岩相比具有不同的矿物成分、化学成分、岩石组构和颜色，利用蚀变特殊的光谱特征，可以快速圈定找矿靶区，达到快速找矿的目的。多光谱遥感数据可以提取 Mg—OH、Al—OH、C和F离子(基团)信息。热液矿床的蚀变围岩通常含有上述4种离子，它们的波谱特征是蚀变遥感异常提取的理论依据(吕凤军等，2009)。然而，在遥感影像中，蚀变信息仅仅是作为一种弱的信号存在于图像背景中，因此，如何从遥感图像中提取或从背景中分割出蚀变信息是研究的重点和难点(Yu et al，1993)。

主成分分析(Crosta et al，1989)、比值运算法(Kruse et al，1993)等被广泛应用在蚀变信息提取中。Rowan等(1977)指出岩石在短红外波段1.6 μm波谱带以及2.2 μm波谱带之间的反射率比值可以最大限度地半定量区分蚀变围岩和未蚀变岩的区域范围。Loughlin(1991)在美国内华达州成功运用Crosta技术发现了Gold Bar金矿床。Ranjbar等(2002)利用主成分分析法提取伊朗Meiduk地区斑岩铜矿蚀变信息。高景刚等(2008)通过ETM+数据，使用6个波段影像与增强影像(比值影像、主成分分析影像)对蚀变岩分布及地质背景进行像元光谱采样，并分析光谱特征，发现蚀变岩与矿区地层区分的光谱知识，建立基于知识规则的ETM+影像提取蚀变遥感异常信息模型，并进行蚀变异常信息提取，新发现铜矿化带一处。毛晓长等(2005)从分析岩矿光谱特征出发，根据ETM和ASTER数据的光谱特征，采用主成分分析设计了相应的黏土矿化蚀变信息提取方案，成功对安徽铜陵凤凰山矿田进行了信息提取，并指出ASTER数据较之ETM数据在黏土类矿化蚀变信息提取中具有更大优势。刁海等(2011)通过分析蚀变矿物的光谱曲线，首先得出其在ASTER各波段的吸收、反射特征;然后选择特征明显的波段做主成分分析，并依据其光谱特征与特征向量的对应关系，确定出主要包含围岩蚀变信息的主分量，最后对该分量用分形模型计算异常灰度的阈值，来提取蚀变异常信息。

利用遥感进行蚀变异常信息提取，主要针对的是类似于热液成矿作用等由内生成矿作用引起的蚀变岩石的光谱异常信息，在一些基岩裸露区或植被低覆盖区可以定性地评判蚀变范围和种类，往往是一种行之有效的方法。然而蚀变异常信息提取不适用于裸露程度低的区域，以及由外生成矿引起的成矿区域。

1.2 高光谱遥感影像地质找矿技术与应用

高光谱遥感又称作成像光谱遥感。高光谱遥感能够获得可见光、近红外、短波红外、热红外波段短而窄的连续光谱波段数据，其波段分辨率可以达到5～10 nm，使得原来不可探测的物质在高光谱遥感中可以进行探测。高光谱遥感影像图像信息具有多维性，包含丰富的空间、辐射以及光谱3个维度的信息。

高光谱遥感影像提供了丰富的地球表面信息，在矿物识别与填图研究中具有巨大潜力。高光谱成像光谱仪可以分为星载成像光谱仪和机载成像光谱仪。星载成像光谱仪包括：MODIS、ARIES、Hyperion、HS、FIHSI、COIS、UVISI、VIMS、PRISM(吴培中，1999);机载成像光谱仪包括：AIS、AVIRIS、GER、DAIS、ASDIS、FLI/PM1、CASI、ROSIS、AMSS、HyMap、FIMS、MAIS、OMIS、PHI等(赵英时，2003)。比较常用的几个高光谱扫描仪数据包括AVIRIS、HyMap、Hyperion等，表3列出了这3种高光谱成像光谱仪的一些性能参数。

表3 AVIRIS、HyMap以及Hyperion影像参数对比Table 3 Comparison of imaging parameters for AVIRIS，HyMap and Hyperion images

1.2.1 光谱遥感找矿方法 遥感技术的发展，改善岩矿信息识别与提取的技术条件，极大地增强遥感对地观测能力和对地物的鉴别能力，提高遥感技术的定量化水平，使遥感从对地物的鉴别发展到了对地物的直接识别阶段。

目前，高光谱遥感矿物识别方法主要分为2类，即光谱匹配技术和亚像元方法(Van Der Meer，2006)。

(1)光谱匹配技术。光谱匹配技术是将重建光谱与参考光谱进行比较，以某种测度函数来度量它们之间的相似性或相关程度，从而实现对矿物的识别。相似性测度函数可以为距离函数(欧氏距离、马氏距离)、相关系数、相似系数、光谱信息散度或光谱矢量夹角等。目前主要的光谱匹配方法包括光谱角匹配法、光谱特征拟合、匹配滤波等。

光谱角匹配法(SAM，Spectral Angle Mapper)由Kruse等(1993)提出，该方法将光谱数据视为多维向量空间的矢量，通过计算测试光谱(像元光谱)与参考光谱之间的“角度”来确定两者之间的相似性。其计算公式如下：

式(1)中，ti和ri分别表示测试光谱和参考光谱;nb表示波段数;α表示测试光谱与参考光谱之间的角度，取值范围为0°～90°，α值越小，测试光谱与参考光谱之间的相似度越高。

光谱角匹配法最大的特点是夹角值与光谱向量的模无关，也就是说与图像的增益系数无关，只强调形状上的相似性。使用光谱角匹配法可以快速识别光谱库中的所有已知矿物，2个光谱之间的相似性不受向量长度及增益的影响，因而可以减少地形对照度的影响。但是对于同一大类中的矿物，其光谱矢量间的夹角极为相似，因此光谱角匹配法识别效果有限。

光谱特征拟合方法(SFF，Spectral Feature Fitting)是一种基于光谱吸收特征匹配的方法，由Clark等(1991)提出。在进行匹配之前，需要将影像像元光谱与参考光谱经过包络线消除处理，然后使用最小乘法拟合像元光谱与参考光谱经过连续统去除后的曲线，对于每个像元光谱输出1个拟合值和1个均分根误差(RMS)值。光谱特征拟合后得到1幅比例图像和RMS图像或1幅合成的拟合图像(Scale/RMS)，拟合值越高表明该像元与参照波谱匹配越好。光谱特征拟合方法对噪声和地形有一定的抑制作用。

匹配滤波技术(MF，Matched Filtering)(Mazer et al，1988)起源于数字信号处理中的线性约束最小方差波束形成器，该方法的思想是提取特定方向的信号而衰减其他方向的信号干扰。光谱匹配滤波的结果是一系列灰度图像，每一幅图像对应于1个选定的参考光谱端元，图像中每个像元的浮点值表示该参考端元在像元中的子像元的丰度值。匹配滤波技术可以最大化突出目标信息，压缩背景信息。匹配滤波在选定了某些感兴趣端元光谱的情况下，将未知光谱归为背景光谱，最大化突出已知端元光谱的同时尽可能抑制背景光谱，是一种快速探测指定地物种类的技术而不需要知道一幅影像中的全部端元光谱。由于匹配滤波会产生较多的虚假信号，Boardman(1998)在匹配滤波基础上提出了混合调制匹配滤波，该方法能够减小虚假信号出现的概率。

实际上，由于同谱异物、同物异谱等现象的存在，同时在研究区中，地物的光谱曲线往往具有很大的相似性，特别是对于手工采集的地物反射光谱曲线，仅仅利用地物的光谱曲线信息或单一波段图像的DN值进行矿物识别，往往不能取得满意的效果，容易造成误判或漏分。因此，为提高地物识别分类精度和可靠性，需要综合利用地物的光谱吸收特征、空间几何信息、形状信息等多种信息并辅以地物其他先验知识(如实地调查资料)进行矿物识别。

(2)亚像元光谱识别。遥感影像传感器所获取的地面反射或发射光谱信号是以像元为单位进行记录的，它是像元所对应的地表物质光谱信号的综合。若1个像元仅包含1种地物类型，则该像元称作纯像元;如果该像元包含地物种类不止1种，则称作混合像元。

混合像元的存在，是传统的像元级遥感分类和面积量测精度难以达到要求的主要原因。为提高遥感应用的精度，一种廉价可行的方法就是分解混合像元，使遥感影像的空间分辨率由像元级达到亚像元级。

亚像元方法基本原理是将混合光谱表示为像元中各成分端元光谱和端元在像元中所占比例的某种函数，在像元光谱和另外一些参数(成分端元或端元比例)已知的情况下反演未知参数。亚像元方法包括2类：基于线性混合模型的光谱解混方法以及基于非线性混合模型的光谱解混方法。而线性混合模型包括有监督的光谱解混算法以及无监督的光谱解混算法。有监督的光谱解混方法一般包括端元提取和端元丰度计算2个部分，前者可以获得混合像元内地物种类信息，后者可以计算得到各种地物端元在混合像元中的所占比例;无监督光谱解混方法在获取端元的同时进行丰度计算。

①线性光谱解混。(a)端元提取原理——凸面几何学分析。“端元”被定义为数据中代表类别特征的理想化纯数据。提取高光谱数据中的纯光谱技术称为光谱端元提取，是高光谱数据解混和其他高光谱数据分析实施的前提(Chang et al，2010)。

目前研究最多的端元提取方法是基于凸面单体(Convex Simplex)的方法。Boardman(1993)最先揭示了高光谱数据在其特征特征空间(波段空间)呈现单形体的结构，引入了凸面几何学分析法，成功将凸面单体理论用于端元自动提取，随后国内外学者对基于凸面单体的端元提取方法进行了广泛研究。

高光谱图像中每个像元可以近似认为是图像中各个端元的线性混合。凸面几何分析是基于线性混合模型的，线性混合模型的一般描述如式(2)—(4)所示。

式中，N表示端元数;p指图像中任意一个L维光谱向量(L为图像波段数);E表示L×N矩阵，其中的每列均为端元向量，E=［e1，e2，…，eN］;c为系数向量，c=(c1，c2，…，cN)T;ci是元p中端元ei所占的比例;n为误差项。

高光谱图像中的每个像元都是其L维特征空间中的一个点，其中由一些称之为端元的点构成了高光谱图像的基本元素，图像中的所有像元都可以由这些端元线性组合而成(省去误差项n)。而满足式(2)—(4)所有点的集合正好构成1个n－1维空间的凸集，这些端元则坐落于凸面单形体的顶面上。

(b)线性光谱解混方法。线性光谱解混方法可以分为有监督的光谱解混与无监督的光谱解混。目前研究最广泛的是有监督的光谱解混方法，有监督的光谱解混方法其端元提取与丰度估计分2步实现，即先从数据集中提取出端元，再使用丰度求解方法进行丰度估计。

目前，端元提取方法大多是基于凸面单体约束(李二森等，2011)，基于凸面单体的方法，其目的就是要高效准确地求取凸面单体的顶点。Boardman等(1995)提出像元纯度指数算法(PPI，Pixel Purity Index)，该方法将凸面几何与子空间投影的像元纯度指数相结合，将具有最多投影的向量作为端元。由于PPI方法对噪声非常敏感，需要预先对高光谱数据进行去噪以及降维处理，因此纯像元指数法是一种人工干预的半自动方法。纯像元指数法其端元数量以及最大循环次数完全由用户自定义，投影向量需要随机产生，所获取的端元不稳定。Winter(2004)提出了N－FINDR法，该方法将具有最大体积的单体顶点作为端元，具有高效率、高精度、高稳定性等特点，N－FINDR法在求取端元前同样需要对高光谱数据进行预处理。Nascimento等(2005)提出顶点成分分析法(VCA，Vertex Component Analysis)，它将所有影像上的像素投影到随机方向上，并将具有最大投影的像素作为第一个端元，通过迭代将光谱数据投影到与由已提取端元构成的子空间正交的方向上的方法来提取其余端元。

将单个像元作为1个端元，使得这类算法对局外点(Outlier)极其敏感。为了克服局外点问题，Neville等(1999)提出了迭代误差分析(IEA，Iterative Error Analysis)算法，将与凸锥顶点光谱夹角很小的多个像元的平均光谱作为端元光谱;Araújo等(2001)提出序列投影算法(SPA，Successive Projection Algorithm)，该方法建立在凸面几何与正交投影基础上，在端元候选像素空间邻接性上包含一个限制，以降低局外点像素的影响，产生实际的端元。

基于凸面单体的方法一般假定影像中各端元至少存在1个纯像元，而实际影像中并不能保证各类地物在影像上均存在对应的纯像元，因此这些端元提取算法提取的端元一般是混合度最低的像元。针对实际影像中一般不存在相应纯像元的问题，Ifarranguerri等(1999)提出凸锥分析法(CCA，Convex Cone Analysis)，将基于遥感图像物理特性得到的凸锥角点作为端元，获得了很好的实验效果。Plaza等(2002)提出自动形态学端元提取算法(AMEE，Automated Morphological Endmember Extraction)，利用数学形态学算法结合空间信息自动地提取端元;Berman等(2004)提出迭代限制端元(ICE，Iterated Constrained Endmember)算法，将单体端点方差和最小化应用于端元迭代提取中。

上述端元提取算法中端元数目大多是已知的，而事实上端元数目很难准确确定，通过目视判读影像获取端元数目的方法存在较大偏差，并且结果因人而异，因而学者们致力于研究端元数目的估计算法。Harsanyi等(1993)提出 HFC(Harsanyi Farrand Chang)方法用于确定AVIRIS高光谱图像数据中的端元数目，该方法对样本相关矩阵和样本协方差矩阵中对应的特征值进行比较，将大小不同的特征值数目作为端元数目。Chang等(2004)对 HFC方法进行改进，提出了NWHFC(Noise－whitened HFC)方法，增加了噪声白化处理操作，消除了噪声对特征值对比的影响。HFC和NWHFC均将估计的影像虚拟维度(VD，Virtual Dimensionality)作为端元数目，但得到的VD一般比实际端元数目大。

在进行端元提取之后，可以实现丰度估计，以求出每个纯地物在混合像元内的比例。从20世纪90年代起，学者们都在探讨如何估计丰度，早期的丰度求解方法都面临着计算复杂的问题(Boardman，1993)。Bioucas等(2001)对全约束最小二乘法进行了深入研究，提出了一种非监督的全约束最小二乘方法(FCLS，Fully Constrained Least Squares)，用非负约束(ANC)以及和为1约束(ASC)全约束，计算速度快，是目前最为常用的丰度估计方法;刘凯等2013年提出了基于权重光谱解混方法的高光谱矿物填图方法(WLSMA)，在丰度求解过程中引入基于Fisher准则的补偿权值矩阵以提高反演精度。

基于无监督的光谱解混算法其丰度估计与端元提取过程是同步实现的。Gruninger等(2004)提出了连续最大角凸锥模型(SMACC，Sequential Maximum Angle Convex Cone)，该模型在进行端元提取的同时进行丰度计算，并可以用于波段选择。近年来，许多学者将独立成分分析和非负矩阵分解应用于光谱解混理论的研究，取得了较满意的效果。Miao等(2007)提出的最小体积约束 NMF算法(MVCNMF)，将体积限制与最小二乘法及凸面几何结合起来，在不假设纯像元存在的情况下进行高光谱混合像元解混。Jia等(2009)提出受限的NMF方法，该方法使用离散自适应马尔可夫随机场模型产生的自适应函数描述平滑约束，同时使用非平滑NMF以及稀疏约束的NMF算法量化丰度的稀疏度，最后基于梯度优化方法进行求解，该方法能够有效地进行无监督的光谱解混。Luo等(2010)将独立成分分析方法用在光谱解混中，使用成分全局相关最小化的约束，进行并行ICA计算，取得了较好的解混效果。

基于无监督的光谱解混算法计算量大、效率低，但获取的端元及其精度相对更高。

②基于非线性模型的光谱解混算法。前面介绍的方法均基于线性混合，当混合像元内物质元素尺寸比较小、入射光存在多次反射或折射时，将会与多种物质发生作用，导致非线性混合。目前，亚像元方法一般都使用线性混合模型，实际在大多数情况下，各种地物的光谱信息是通过非线性形式混合的。

亚像元方法的优点是基于知识，而缺点是有些端元容易被忽略掉，因为影像获取以及处理过程中会出现计算误差。Foody等(1997)首次提出非线性混合问题并提出了一种非线性混合模型，同时利用这些模型进行了分解。许多学者开始利用非线性光谱混合模型来实现混合像元分解。Carpenter等(1999)研究了 ARTMMAP神经网络模型的混合像元分解技术，取得了一定的实验效果。Penn(2002)利用模拟退火和遗传算法在解空间中搜索最优解，对随机搜索方法在非线性光谱解混中的应用进行了研究。Huang等(2003)提出了基于非线性逐步回归模型的混合像元分解方法，使用MODIS数据进行了验证，证明了该方法的有效性。Kwon等(2005)利用核空间理论将混合像元光谱矢量从低维空间影射到高维特征空间，使得在特征空间中构造的线性混合模型对应于原始空间的非线性光谱混合模型，揭示了典型地物光谱间的高阶特性。余先川等(2013，2014)提出了基于二次散射模型进行高光谱解混以及矿物填图，该模型是一种非线性混合模型，对美国内华达州的Cuprite数据进行矿物填图，结果较线性模型更符合实际。除此之外，许多学者开始将支持向量机用于端元提取，获得了较好的实验结果(Bovolo et al，2010)。

非线性光谱混合模型的分解精度可能高于线性光谱混合模型，但是由于自然界岩石矿物的组成、性状和波谱特征非常复杂，而且真实获得的影像会受到诸多外界因素的影响，非线性混合模型的建立具有一定困难，目前线性光谱混合模型仍是研究最多、应用最广泛的混合像元分解模型。

1.2.2 高光谱遥感在矿物识别与填图中的应用目前，国内外应用最广泛的高光谱遥感数据有机载高光谱成像仪AVIRIS(Airborne Visible/Infrared Imaging Spectrometer，航空可见光/红外光成像光谱仪)、机载成像光谱仪HyMap以及星载高光谱传感器Hyperion。

AVIRIS数据广泛应用在矿物研究及填图领域。Clark等(1996)根据OH、CO2－3、和SO2－4矿物晶体内部在2.0～2.5 μm之间的振荡吸收特征，利用AVIRIS影像数据编制内华达州赤铜矿分布图。Kokaly等(1998)利用 USGS的光谱库和专家系统软件将AVIRIS影像中每个像元的光谱与 USGS光谱库中300多种物质(包括矿物、矿物混合物、植被、水、雪和人造材料)的光谱进行对比和判别分类，对美国黄石国家公园的 AVIRIS影像进行生物和矿物填图。Swayze等(2004)研究了AVIRIS影像对含有蛇纹石、超基性岩等石棉类矿物的光谱识别能力。研究区位于美国 Dorado和 Plumas县3 km宽的条带上，成功编制了透闪石、阳起石及滑石的矿物分布图(局部植被覆盖度高达70%)。研究表明，在植被严重覆盖的区域，从 AVIRIS影像上提取的矿物丰度比实际的要低，用 AVIRIS影像编制的矿物分布图可以补充野外填图的成果，但是不能替代野外填图。目前，AVIRIS数据常常用于研究目的，提供的商用数据很少。

HyMap数据于1997年开始应用于商业勘探领域，尤其在地质勘探领域特别是矿物填图方面得到了广泛应用。Bierwirth等(2002)利用HyMap影像对Pilbara中部Indee区域进行蚀化信息提取，用HyMap数据填矿物分布图。Ellis等(2004)利用HyMap高光谱影像在陶土分布区进行遥感调查，将陶土的原始蚀变花岗岩和系列高岭土(高岭石、蒙脱石、绿泥石、白云母、黄玉及其过渡类型矿物)作为端元组分参与分类识别，绘制了高岭土丰度图。国土资源航空物探遥感中心和澳大利亚合作(王润生等，2005)，利用航空成像光谱HyMap数据在新疆东天山编制了工作区1∶5万约3 000 km2的矿物分布图和1∶1万的重点区段矿化蚀变异常分布图。澳大利亚地质调查局利用 HyMap航空成像光谱矿物填图技术，在澳大利亚西部Panorama地区通过填制和研究相互叠加的绿泥石化和绢云母化的分布，找出相对富铝绢云母和贫铝绢云母在空间分布的规律性，在贫铝绢云母分布区所指示的热液上升带发现新矿化。HyMap数据空间分辨率高，适合进行商业应用。

国内外许多学者使用Hyperion数据开展了地质方面的研究。王润生等(2012)应用 EO－1卫星的高光谱传感器Hyperion数据，对西藏驱龙地区的蚀变矿物进行了初步识别，识别出高铝和低铝绢云母化矿物、高岭石矿物以及绿泥石和孔雀石化矿物组合;在鄂尔多斯盆地东胜地区利用Hyperion数据进行了蚀变矿物填图，圈定了与含矿层有关的高岭土化的范围。Cudahy等(2002)使用Hyperion数据对澳大利亚西部Panorama进行了热岩蚀变研究，填图结果与该地区HyMap填图结果具有一致性。Gersman等(2008)使用Hyperion数据进行热岩蚀变填图，取得了较好的填图效果。Hyperion适合进行地质应用，但是由于其幅宽较窄，仅7.5 km，在一定程度上使其实用性受到限制。

高光谱数据的信噪比大小会影响应用精度，Kruse等(2003)使用 Hyperion数据并且将之与AVIRIS数据进行了比较，结果说明具有高信噪比的数据填图结果可靠性更高，指出高光谱传感器可以提供丰富的矿物信息，但同时未来的传感器必须提高信噪比;Hubbard等(2003)研究了 ALI、ASTER、Hyperion数据填图，同样支持这个结论。因此，在使用高光谱数据进行应用研究时需要考虑高光谱传感器的信噪比。

2 遥感技术在地质找矿中的应用趋势

遥感影像数据在地质领域应用广泛。笔者统计了近10年中国知网数据库(CNKI)以及Web of Science数据库中上述5种影像数据(ASTER、TEM、AVIRIS、Hyperion、HyMap)相关应用的论文数量，结果如图2所示。多光谱卫星ASTER、ETM数据使用量总体呈上升趋势，而高光谱卫星的使用增辐较小，总体呈平稳趋势。就数据的获取难易程度而言，多光谱数据比较容易获取，Landsat系列卫星原始数据甚至可以免费下载;而高光谱数据获取难度较大，价格比较昂贵，同时高光谱影像的预处理过程比较复杂，在一定程度上限制了高光谱数据的使用。

图2 CNKI库、Web of Science库中近10年各卫星研究趋势图Fig.2 Research trends of satellite data in the recent decade in the databases

多光谱数据与高光谱数据的结合应用已经成为热点。Bedini等(2011)结合HyMap数据以及ASTER数据各自的优点，在格凌兰岛中东部地区进行矿产勘测，指出：HyMap数据能够有效绘制蚀变矿物的空间分布，ASTER数据可以充分利用其空间及光谱信息对矿物进行探测，并且基于零均值正态分布的热波段假彩色合成波影像能够有效显示岩性信息。随着各种遥感卫星的发射以及传感器的发展，遥感技术日趋成熟。利用遥感技术的优点进行信息提取，在地质找矿方面有着巨大的潜力。它在岩矿识别、地质构造解译、矿化蚀变信息提取等方面应用广泛，为矿产资源勘查提供了重要信息。

基于遥感影像的线性构造和遥感蚀变异常信息可以作为找矿预测的标志，遥感技术在地质找矿的直接应用包括构造信息的提取、蚀变信息提取以及岩石矿物识别等(钱建平等，2013)。遥感技术可以运用各种图像处理技术增强和提取与成矿有关的构造信息和蚀变信息，以达到识别矿床的目的(Rajesh，2008)。高光谱遥感的发展，可以实现对矿物的直接识别。图3是近10年来遥感技术在构造信息的提取、蚀变信息提取以及岩石矿物识别等方面应用的趋势图，统计数据来源于CNKI库以及Web of Science数据库。可以看出，国内在构造信息、蚀变信息提取与岩矿识别3个方面的研究都较多，而国外总体上在岩矿识别上研究较多，而在构造信息与蚀变信息提取方面的研究较少，可见国内由于在找矿应用上的大量投入而趋向于找矿勘察的研究，而国外则趋向于基础地质的研究。随着成像光谱技术的发展，其在地质找矿各个领域的应用将越来越广泛。

图3 CNKI库、Web of Science库中近10年找矿应用研究趋势图Fig.3 Research trends of remote sensing application in geological prospecting in the recent decade of the databases

3 结论

多光谱数据和高光谱数据在地质找矿中广泛使用，并且在蚀变信息提取以及矿物识别等方面取得了较好的效果。从多光谱遥感影像、高光谱遥感影像在地质找矿中的应用2个方面进行论述，并对其发展趋势进行了研究，得出如下结论。

从遥感影像方面，应用多光谱影像进行找矿占主要部分;找矿应用方面，国内外找矿重点不同，国内则趋向于找矿勘查研究，而国外则偏重于基础地质研究;找矿方法方面，多光谱影像找矿技术已经相对成熟，而高光谱影像基础研究比较成熟，但实际地质勘察应用仍然需要重大突破。

由于一些技术与现实条件的限制，遥感找矿仍然存在一些困难，体现在以下几个方面。

(1)研究工作主要在矿物裸露地区开展，在非裸露地区进行矿物识别非常困难。研究一直关注于裸露地区，在植被覆盖的非裸露地区研究较少，植被的覆盖加大了遥感地质找矿的难度。Carlson等(1997)提出植被覆盖指数，并广泛用来度量植被覆盖程度;Crippen等(2001)提出“Forced invariance”方法，以减少植被干扰，增强影像中潜在的矿物信息，但是在地质找矿领域仍然较难满足实际需求。

(2)光谱解混算法主要是基于线性混合模型，非线性混合模型研究较少。尽管实验研究表明，非线性光谱混合模型的分解精度可能高于线性光谱混合模型，但是线性光谱混合模型仍是目前研究最多、应用最广泛的混合像元分解模型。随着遥感技术的发展，非线性光谱混合模型会得到越来越多的关注。

(3)在地质找矿中，蚀变矿物组合和蚀变分带比单一的蚀变矿物更具有指导和决策意义。矿物识别目前主要关注于单一矿物识别模式，在组合矿物识别模式方面仍需深入研究。同类型岩石中的矿物组分，不同矿种、不同成因类型矿床的矿物生成序列，矿物的共生和伴生组合，蚀变类型和蚀变矿物组合及分带、标型矿物等都有一定的内在规律(王润生等，2012)。

(4)结合多种分辨率融合技术(高光谱分辨率，高时间分辨率，高空间分辨率)的面向对象的精细矿物填图和遥感地质填图是遥感技术的发展方向，是传统地质填图技术的升级换代。

刁海，张达，狄永军，等.2011.基于主成分分析和分形模型的ASTER蚀变异常信息提取［J］.国土资源遥感，23(2)：75－80.

高景刚，薛春纪，吴淦国，等.2008.基于知识的蚀变遥感异常信息快速提取及找矿应用实践［J］.遥感学报，(1)：186－192.

吕凤军，郝跃生，石静，等.2009.ASTER遥感数据蚀变遥感异常提取研究［J］.地球学报，(2)：271－276.

李二森，朱述龙，周晓明，等.2011.高光谱图像端元提取算法研究进展与比较［J］.遥感学报，(4)：659－679.

梅安新，彭望禄.2001.遥感导论［M］.北京：高等教育出版社.

毛晓长，刘文灿，杜建国，等.2005.ETM+和ASTER数据在遥感矿化蚀变信息提取应用中的比较：以安徽铜陵凤凰山矿田为例［J］.现代地质，19(2)：309－314.

钱建平，张渊，赵小星，等.2013.内蒙古东乌旗遥感构造和蚀变信息提取与找矿预测［J］.国土资源遥感，25(3)：109－117.

王润生，丁谦，张幼莹，等.1999.遥感异常分析的协同优化策略［J］.地球科学：中国地质大学学报，24(5)：488－502.

吴培中.1999.星载高光谱成像光谱仪的特性与应用［J］.国土资源遥感，3(41)：31－39.

王润生，甘甫平，王青华，等.2005.成像光谱技术在资源勘查中的应用研究［R］.北京：中国国土资源航空物探遥感中心.

王润生，熊盛青，聂洪峰，等.2012.遥感地质勘查技术与应用研究［J］.地质学报，85(11)：1699－1743.

叶发旺.2009.ASTER数据与ETM数据蚀变信息提取的对比研究：以巴会布拉克铀矿区油气还原蚀变分析为例［J］.地球信息科学学报，11(3)：274－281.

余先川，李建广，徐金东，等.2013.基于二次散射的高光谱遥感影像光谱非线性混合模型［J］.国土资源遥感，25(1)：18－25.

余先川，熊利平，徐金东，等.2014.基于二次散射非线性混合模型的矿物填图方法［J］.国土资源遥感，26(2)：60－68.

赵英时.2003.遥感应用分析原理与分析［M］.2版.北京：科学出版社.

ARAÚJO M C U，SALDANHA T C B，GALVÃO R K H，et al.2001.The successive projections algorithm for variable selection in spectroscopic multicomponent analysis［J］.Chemometrics and Intelligent Laboratory Systems，57(2)：65－73.

BOARDMAN J W.1990.Inversion of high spectral resolution data［C］//Proc SPIE，Imaging Spectroscopy and Terrestrial Environment.Orlando，FL，USA：SPIE，1298：222－223.

BOARDMAN J W.1993.Automating spectral unmixing of AVIRIS data using convex geometry concepts［C］//Summaries 4th Annual JPL Airborne Geoscience Workshop，AVIRIS Workshop.Pasadena，CA：JPL，1：11－14.

BOARDMAN J W，KRUSE F A，GREEN R O.1995.Mapping target signatures via partial unmixing of AVIRIS data［C］//Summaries of the 15th JPL Airborne Earth Science Workshop：JPL Publication 95－1.Pasadena，CA：JPL，1：23－26.

BOARDMAN J W.1998.Leveraging the high dimensionality of AVIRIS data for improved sub－pixel target unmixing and rejection of false positives：mixture tuned matched filtering［C］//Summaries of the Seventh Annual JPL Airborne Geoscience Workshop.Pasadena，CA：JPL Pub，55－56.

BIOUCAS J M，HEINZ D C，CHANG CHEINI.2001.Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，39(3)：529－545.

BIERWIRTH P，HUSTON D，BLEWETT R.2002.Hyperspectral mapping of mineral assemblages associated with gold mineralization in the Central Pilbara，Western Australia［J］.Economic Geology，97(4)：819－826.

BERMAN M，KIIVERI H，LAGERSTROM R，et al.2004.ICE：A statistical approach to identifying endmembers in hyperspectral images：Learning from Earth's shapes and colors［J］.IEEE Transactions on Geoscience and Remote Sensing，42(10)：2085－2095.

BOVOLO F，BRUZZONE L，CARLIN L.2010.A novel technique for subpixel image classification based on support vector machine［J］.IEEE Trans Image Process，19(11)：2983－2999.

BEDINI E.2011.Mineral mapping in the Kap Simpson complex，central East Greenland，using HyMap and ASTER remote sensing data［J］.Advances in Space Research，47(1)：60－73.

CROSTA A P，MOORE J M M.1989.Geological mapping using Iandsat Thematic Imagery in Almeria Province，southeast Spain［J］.International Journal of Remote Sensing，10(3)：505－514.

CLARK R N，SWAYZE G A，GORELICK G.1991.Mapping with imaging spectrometer data using the complete band shape least－squares algorithm simultaneously fit to multiple spectral features from multiple materials［C］//Proceedings of the Third Airborne Visible/Infrared Imaging Spectrometer(AVIRIS)Workshop：JPL Publication 91 －28.Pasadena，CA：JPL，2－3.

CLARK R N，SWAYZE G A.1996.Evolution in imaging spectroscopy analysis and sensor signal－to－noise：An examination of how far we have come［C］//GREEN R O.Summaries of the 6th Annual JPL Airborne Earth Science Workshop.Pasadena，CA：JPL，49－53.

CARLSON T N，RIPLEY D A.1997.On the relation between NDVI，fractional vegetation cover，and leaf area index［J］.Remote sensing of Environment，62(3)：241 －252.

CARPENTER G A，GOPAL S，MACOMBER S，et al.1999.A neural network method for mixture estimation for vegetation mapping［J］.Remote sensing of Environment，70(2)：138－152.

CRIPPEN R E，BLOM R G.2001.Unveiling the lithology of vegetated terrains in remotely sensed imagery［J］.Photogrammetric engineering and remote sensing，67(8)：935 －946.

CUDAHY T J，BARRY P S.2002.Earth magmatic－seawater hydrothermal alteration revealed through satellite－borne Hyperion imagery at Panorama，Western Australia［C］//Proceedings IEEE 2002 International Conference on Geoscience and Remote Sensing.Toronto，CA：IEEE，1：590－592.

CUDAHY T，HEWSON R.2002.ASTER geological case histories：porphyry－skarn－epithermal，iron oxide Cu － Au and Broken Hill Pb － Zn － Ag［J］.Communication in the Workshop Mapping the Earth with ASTER，14(2)：28－32.

COOPER B L，SALISBURY J W，KILLEN R M，et al.2002.Midinfrared spectral features of rocks and their powders［J］.Journal of Geophysical Research：Planets，107(E4)：1－17.

CLARK R N，SWAYZE G A，LIVO K E，et al.2003.Imaging spectroscopy：Earth and planetary remote sensing with the USGS Tetracorder and expert systems［J］.Journal of Geophysical Research：Planets，108(E12)：1－44.

CROSTA A P，DE SOUZA FILHO C R，AZEVEDO F，et al.2003.Targeting key alteration minerals in epithermal deposits in Patagonia，Argentina，using ASTER imagery and principal component analysis［J］.International Journal of Remote Sensing，24(21)：4233－4240.

CHANG CHEINI，DU QIAN.2004.Estimation of number of spectrally distinct signal sources in hyperspectral imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，42(3)：608－619.

CHANG CHEINI，WU CHAOCHENG，LO CHIENSHUN，et al.2010.Real－time simplex growing algorithms for hyperspectral endmember extraction［J］.IEEE Transactions on Geoscience and Remote Sensing，48(4)：1834－1850.

CIAMPALINI A，GARFAGNOLI F，ANTONIELLI B，et al.2013.Remote sensing techniques using Landsat ETM+applied to the detection of iron ore deposits in Western Africa［J］.Arabian Journal of Geosciences，6(11)：4529 －4546.

ELLIS R J，SCOTT P W.2004.Evaluation of hyperspectral remote sensing as a means of environmental monitoring in the St.Austell China clay(kaolin)region，Cornwall，UK［J］.Remote sensing of environment，93(1)：118 － 130.

FOODY G M，LUCAS R M，CURRAN P J，et al.1997.Nonlinear mixture modelling without end－members using an artificial neural network［J］.International Journal of Remote Sensing，18(4)：937－953.

GOETZ A F H，ROWAN L C.1981.Geologic remote sensing［J］.Science，211(4484)：781 －791.

GRUNINGER J H，RATKOWSKI A J，HOKE M L.2004.The sequential maximum angle convex cone(SMACC)endmember model［J］.Proceedings of the SPIE，5425：1 －14.

GERSMAN R，BEN－DOR E，BEYTH M，et al.2008.Mapping of hydrothermally altered rocks by the EO－1 Hyperion sensor，Northern Danakil Depression，Eritrea［J］.International Journal of Remote Sensing，29(13)：3911－3936.

HUNT G R.1977.Spectral signatures of particulate minerals in the visible and near infrared［J］.Geophysics，42(3)：501 －513.

HARSANYI J C，FARRAND W H，CHANG C I.1993.Determining the number and identity of spectral endmembers：An integrated approach using Neyman－Pearson eigenthresholding and iterative constrained RMS error minimization［C］//Proceeding of the 9th Thematic Conference of Geologic Remote Sensing.Michigan，USA：Environmental Research Institute of Michigan，395－408.

HUANG C，TOWNSHEND J R G.2003.A stepwise regression tree for nonlinear approximation：applications to estimating subpixel land cover［J］.International Journal of Remote Sensing，24(1)：75－90.

HUBBARD B E，CROWLEY J K，ZIMBELMAN D R.2003.Comparative alteration mineral mapping using visible to shortwave infrared(0.4 ～ 2.4 μm)Hyperion，ALI，and ASTER imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，41(6)：1401－1410.

IFARRAGUERRI A，CHANG CHEINI.1999.Multispectral and hyperspectral image analysis with convex cones［J］.IEEE Transactions on Geoscience and Remote Sensing，37(2)：756－770.

JIA SEN，QIAN YUNTAO.2009.Constrained nonnegative matrix factorization for hyperspectral unmixing［J］.IEEE Transactions on Geoscience and Remote Sensing，47(1)：161－173.

KRUSE F A，LEFKOFF A B，BOARDMAN J W，et al.1993.The spectral image processing system(SIPS)：interactive visualization and analysis of imaging spectrometer data［J］.Remote Sensing of Environment，44(2/3)：145 －163.

KOKALY R F，CLARK R N，LIVO K E.1998.Mapping the biology and mineralogy of Yellowstone National Park using imaging spectroscopy［C］//GREEN R O.JPL Publication 97－21：Proceedings of the 7th Annual JPL Airborne Earth Science Workshop.Pasadena，CA：JPL，235－244.

KETTLES I M，RENCZ A N，BAUKE S D.2000.Integrating Landsat，geologic，and airborne gamma ray data as an aid to surficial geology mapping and mineral exploration in the Manitouwadge Area，Ontario［J］.Photogrammetric Engineering and Remote Sensing，66(4)：437－445.

KRUSE F A，BOARDMAN J W，HUNTINGTON J F.2003.Comparison of airborne hyperspectral data and EO－1 Hyperion for mineral mapping［J］.IEEE Transactions on Geoscience and Remote Sensing，41(6)：1388－1400.

KWON H，NASRABADI N M.2005.Kernel RX－algorithm：A nonlinear anomaly detector for hyperspectral imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，43(2)：388－397.

LOUGHLIN W P.1991.Principal component analysis for alteration mapping［J］.Photogrammetric Engineering and Remote Sensing，57(9)：1163－1169.

LUO WENFEI，ZHONG LIANG，ZHANG BING，et al.2010.Independent component analysis for spectral unmixing in hyperspectral remote sensing image［J］.Spectroscopy and Spectral Analysis.30(6)：1628－1633.

MAZER A S，MARTIN M，LEE M，et al.1988.Image processing software for imaging spectrometry data analysis［J］.Remote Sensing of Environment，24(1)：201 －210.

MOSTAFA M E，BISHTA A Z.2005.Significance of lineament patterns in rock unit classification and designation：a pilot study on the Gharib－Dara area，northern Eastern Desert，E－gypt［J］.International Journal of Remote Sensing，26(7)：1463－1475.

MIAO LIDAN，QI HAIRONG.2007.Endmember extraction from highly mixed data using minimum volume constrained nonnegative matrix factorization［J］.IEEE Transactions on Geoscience and Remote Sensing，45(3)：765－777.

MARS J C，ROWAN L C.2010.Spectral assessment of new ASTER SWIR surface reflectance data products for spectroscopic mapping of rocks and minerals［J］.Remote Sensing of Environment，114(9)：2011 －2025.

NEVILLE R A，STAENZ K，SZEREDI T，et al.1999.Automatic endmember extraction from hyperspectral data for mineral exploration［C］//Proceedings of the 4th International Airborne Remote Sensing Conference and Exhibition/21st Canadian Symposium on remote Sensing.Ottawa，Ontario，CA：ERIM International Inc，21－24.

NAMA E E.2004.Technical note：Lineament detection on Mount Cameroon during the 1999 volcanic eruptions using Landsat ETM［J］.International Journal of Remote Sensing，25(3)：501－510.

NASCIMENTO J M P，BIOUCAS－DIAS J M.2005.Vertex component analysis：A fast algorithm to unmix hyperspectral data［J］.IEEE Transactions on Geoscience and Remote Sensing，43(4)：898－910.

PENN B S.2002.Using simulated annealing to obtain optimal linear end－member mixtures of hyperspectral data［J］.Computers＆ Geosciences，28(7)：809－817.

PLAZA A，MARTINEZ P，PÉREZ R，et al.2002.Spatial/spectral endmember extraction by multidimensional morphological operations［J］.IEEE Transactions on Geoscience and Remote Sensing，40(9)：2025－2041.

ROWAN，L C，GOETZ A E H，ASHLEY R P.1977.Diserimination of hydrothermally altered and unaltered rocks in visible and near infrared multispectral images［J］.Geophysics，42(3)：522－535.

RIGOL J P，CHICA－OLMO M.1998.Merging remote－sensing images for geological－environmental mapping：application to the Cabo de Gata－Níjar Natural Park，Spain［J］.Environmental Geology，34(2/3)：194－202.

RANJBAR H，HONARMAND M，MOEZIFAR Z，et al.2002.Application of the Crosta technique for porphyry copper alteration mapping，using ETM+data：A case study of Meiduk and SAR Cheshmeh areas，Kerman，Iran［J］.Exploration and Mining Geology，11：43－48.

RAJESH H M.2008.Mapping Proterozoic unconformity－related uranium deposits in the Rockhole area，Northern Territory，Australia using Landsat ETM+［J］.Ore Geology Reviews，33(3)：382－396.

SETTLE J J，DRAKE N A.1993.Linear mixing and the estimation of ground cover proportions［J］.International Journal of Remote Sensing，14(6)：1159－1177.

SABINS F F.1999.Remote sensing for mineral exploration［J］.Ore Geology Reviews，14(3)：157 －183.

SWAYZE G A，HIGGINS C T，CLINKENBEARD J P，et al.2004.Preliminary report on using imaging spectroscopy to map ultramafic rocks，serpentinites，and tremolite－actinolite－bearing rocks in California［J］.US Geological Survey Open－File Report，1304：1 － 20.

VAN DER MEER F.2006.The effectiveness of spectral similarity measures for the analysis of hyperspectral imagery［J］.International Journal of Applied Earth Observation and Geoinformation，8(1)：3－17.

WINTER M E.2004.A proof of the N－FINDR algorithm for the automated detection of endmembers in a hyperspectral image［C］//SHEN S S，LEWIS P E.Proc SPIE 5425：Algorithms and Technologies for Multispectral，Hyperspectral，and Ultraspectral Imagery X.Orlando，FL，USA：SPIE，31－41.

YESOU H，BESNUS Y，ROLET J.1993.Extraction of spectral information from Landsat TM data and merger with SPOT panchromatic imagery：a contribution to the study of geological structures［J］.ISPRS Journal of Photogrammetry and Remote Sensing，48(5)：23－36.

YU XIAOLI，REED I S，STOCKER A D.1993.Comparative performance analysis of adaptive multispectral detectors［J］.IEEE Transactions on Signal Processing，41(8)：2639－2656.

YAMAGUCHI Y，NAITO C.2003.Spectral indices for lithologic discrimination and mapping by using the ASTER SWIR bands［J］.International Journal of Remote Sensing，24(22)：4311－4323.

ZHOU KEFA，ZHANG QING，ZHANG NANNAN，et al.2011.Research on the method of extracting alteration information and metallogenic prediction based on multi－information［C］//GAO WEI，JACKSON T J，WANG JINNIAN，et al.Proc SPIE 8156：Remote Sensing and Modeling of E－cosystems for Sustainability VIII.San Diego，California，USA：SPIE，36.