基于多源数据协同的SVM 岩性分类研究——以江尕勒萨依地区为例

朱明永， 李炳谦， 付翰泽， 陈川， 高猛

（1. 核工业二一六大队， 新疆 乌鲁木齐830011； 2. 新疆大学， 新疆 乌鲁木齐830047）

遥感技术因视角广、 不受地域限制以及信息丰富的特点， 备受地质工作者的青睐［1-2］。利用遥感影像对地质体进行分类， 是地质填图中对遥感技术应用的重点之一， 而波谱分辨率高， 空间分辨率好的遥感数据更有利于岩性分类［3-4］。 受 瞬 时 视 场的影响， 同一传感器难以同时获得高光谱分辨率及高空间分辨率的数据［5］， 而多源数据的协同恰恰解决了这一问题。

目前， 遥感影像对地质体的分类主要包括人机交互的目视解译方法及基于各类算法的影像自动分类技术。 目视解译易带有解译者的主观色彩， 有可能忽略客观的地质事实，而自动分类已趋 成 熟［6-7］。 其 中SVM 分类 是建立在统计学理论基础上的机器学习方法。可自动寻找对分类有较大贡献的支持向量，由此构造出分类器， 进而将类与类之间的间隔最大化， 因此具有较好的推广性和较高的分类准确性［8-9］。

本文以江尕勒萨依地区为研究区， 通过影像协同处理， 获得空间分辨率较高、 波谱信息丰富的协同数据， 将野外调查所获取的点状数据作为样本数据， 通过SVM 自动分类方法， 进行岩性分类， 细化各类地质体的空间分布位置， 探索研究区多源遥感数据的岩性分类方法。

1 区域地质背景

研究区位于新疆且末县， 大地构造位置属于阿尔金造山带与昆仑造山带相结合的江尕勒萨依-巴什瓦克勒高压变质增生杂岩带，地层划分属江尕勒萨依-安西地层小区。 区内地层大多呈北东-南西走向， 未发现岩浆活动。 以阿尔金北缘断裂为界， 北侧主要为一套中-新生代的陆相盆地沉积及第四系松散堆积物； 南侧为阿尔金岩群， 主要为一些深变质、 强变形的变质岩， 研究区东部有少许长城系贝壳滩组出露， 主要为各类片岩（图1）。

图1 研究区区域地质图（据新疆地矿局修改， 2010）Fig. 1 Regional geology map of the study area

经野外地质调查发现， 研究区岩性主要为石英砂岩、 砂岩、 砾岩、 泥岩、 粉砂岩及冲洪积物， 且前人的岩石单元划分较粗糙，难以满足大比例尺工作需求， 如何将小面积的点状数据推广到整个研究区， 是此次研究的关键。

2 遥感数据源特点及协同处理

2.1 影像数据对比

空间分辨率可以表示为影像数据像元大小， Worldview-2（以下简称WV-2）数据全色及多光谱数据影像的空间分辨率达0.5 m 及2 m， 可有效识别不同纹理特征、 不同层理的岩石。 而Landsat-8 OLI （以下简称L8） 全色及多光谱数据的空间分辨率仅为15 m 及30 m， 空间上仅对于大规模出露且连续性较好的地质体有一定的识别能力（表1）。

从WV-2 数据可以明显看出， 砾岩层理较为清晰， 色调较深， 且为平行密集排列；泥岩多由黏土类矿物构成， 抗风化能力弱，层理模糊； 而粉砂岩可见由差异风化产生的密集排列的层理； 砂岩与石英砂岩因石英含量的差异， 可以看出石英砂岩的层理较为清晰， 多为连续线状平行排列的纹理， 而砂岩纹理大多不连续， 层理相对较为模糊（图2）。

就波谱分辨率而言， 二者在可见光均有覆盖（表1）， 但在短波红外的范围内， L8 则设置有两个波段， 而WV-2 未设置波段。 研究区内需要区分的6 类岩石主要矿物成分为石英、 云母、 长石类及黏土类矿物。 上述各类 矿 物 在2.20 μm 附 近（个别1.50 μm 附近）具有不同程度的吸收特征， 分别对应L8 数据B6 及B7 波段附近， 在短波红外均有不同程度的振动特性， 从而在影像中表现出不同的反射值［10］， 这说明L8 数据拥有更优的光谱分辨率。

表1 L8 及WV-2 主要技术参数表Table 1 L8 and WV-2 spectral characteristics table

图2 岩石影像纹理特征Fig. 2 Texture features of rock images

2.2 协同影像处理

多源影像数据协同可简单的定义为实现波谱分辨率与空间分辨率的互补性融合， 打破了单一传感器难以同时获得高波谱分辨率与高空间分辨率的束缚， 按照一定的算法，将高空间分辨率的数据与高波谱分辨率的数据相融合， 从而得到光谱分辨率较高， 空间分辨率较强的新型数据［11］。

根据经验可知， 若两类待融合的数据空间分辨率＞20:1， 融合后的数据将缺失大量的有用信息［12］， 因此本次研究工作将L8 数据与WV-2 多光谱数据中的第8 波段， 通过光谱保真度较好的Gram-Schmidt 方法进行融合处理， 最终得到空间分辨率较高、 波谱信息丰富的协同数据。

3 支持向量机的岩性分类

3.1 支持向量机分类方法简介及过程

不同的岩性在遥感影像上无论是宏观的构造， 还是微观的影纹特征、 波谱特征， 均有一定的差异。 SVM 分类是以结构风险最小化为原则， 以训练样本为约束， 提高模型的泛化能力， 求得最优的线性分类面， 从而得到最佳的信息提取结果， 达到岩性分类的目的［4，13］。 本 文 利 用ENVI 软 件classification 模块， 通过Support Vector Machine Classification工具实现支持向量机分类这一过程。

3.2 SVM 岩性分类结果分析

研究区内6 种岩性的矿物组成及影纹特征均具有较大差异， 这是岩性分类的重要依据。将点状数据构建为影像分类的训练样本［14］，分别使用L8、 WV-2 及协同数据， 通过SVM分类方法， 得到岩性分类图， 经一系列噪声去除， 得到3 类影像的岩性分类图（图3）。 由分类结果可知， 3 类影像均能将6 类岩性分离开来， 走向均为北东-南西向， 与前人区域地质资料吻合。 在L8 岩性分类图中， 区内东侧砂岩有一定的分布， 而WV-2 数据很好的分辨出来， 将其分为了冲洪积物和泥岩。 说明该区域泥岩与砂岩的分辨， 主要是依靠二者光谱上的差异。 对于研究区中部的石英砂岩来说， 在L8 影像中呈大规模北东向延伸状态， 而WV-2 数据可见区内的石英砂岩呈明显条带状分布， 局部可见石英砂岩与泥岩的互层。 而协同数据恰巧弥补了两类数据的不足， 避免了分类影像的像素斑块特征， 同时又提高了光谱分辨率。 更多的地质体被有效的分离， 与实际情况对应较好， 更加符合地质事实。

图3 岩性分类图Fig. 3 Lithological classification map

3.3 分类精度评价

目前， 主要使用混淆矩阵法来评估影像的分类精度， 定义如下：

式中： mab—a 类样本中， 被分到b 类的样本个数， 如果矩阵中对角线的值越大， 则表示分类精度高， 质量好， 基于混淆矩阵的评价指标主要包括总体分类精度和Kappa 系数［15］（表2）。

表2 分类精度评价表Table 2 Accuracy evaluation of the classification

由于WV-2 数据波谱分辨率较低， L8 数据空间分辨率较低， 在总体分类精度及Kappa系数上， 都不及协同处理后的影像精度高。因此在研究区内， 波谱信息丰富、 纹理结构清晰的协同影像分类精度更高， 方法更有效，最终得到影像解译图（图4）。

图4 影像岩性解译图Fig. 4 lithological interpretation from remote sensing image

一般情况下， 碎屑岩类的沉积物， 基本不会出现单一岩性的巨厚沉积层， 在影像图中可以看出泥岩、 砂岩， 有互层、 夹层现象，本次并未将其再细化， 仅将其划分为以某类岩性为主的层位。 同时区域上可供参考的资料较少， 上述地质体均未划分至组， 同时也要注意到研究区内西北角的砾岩， 因河水的冲刷搬运， 导致下游河道同样被误分类为砾岩。 因此在实际工作中， 应以基础地质特征为依据， 辅以遥感影像处理技术， 这样遥感技术才能更好的为实际工作所用。

4 结论

1） 本文在对比分析L8 及WV-2 数据的空间分辨率及波谱分辨率的基础上， 利用协同处理， 得到了兼有二者影像优势的协同数据；

2） 通过支持向量机分类， 对比了L8、WV-2 及协同数据对研究区的地质单元的划分结果， 表明协同数据的分类精度更高， 准确性更好；

3） 在前人资料的基础上， 利用影像分类结果， 准确厘定了研究区内各类地质体的空间分布， 实现了影像的快速分类及地质体的精确识别， 表明协同数据的支持向量机分类方法， 在艰险地区的地质填图工作中具有一定的参考意义。