遥感岩性识别分类研究

王建刚，叶发旺，邱骏挺，孟 树，张 川

（核工业北京地质研究院，遥感信息与图像分析技术国家级重点实验室，北京100029）

遥感技术具有观测空间范围广、 无侵入、工作周期短、 获取信息丰富、 投入产出比高、节省人力等特点，在地学领域尤其是小比例尺地质调查中具有得天独厚的优势。 过去半个世纪人类积累了海量的遥感对地观测数据，为开展大面积遥感岩性识别奠定了基础[1-3]。

遥感岩性识别是通过处理分析遥感数据，确定地表岩石类型、 分布范围及状况的技术。对此，前人已经进行了许多相关的研究：刘德长等针对岩石理化差别，使用多源信息复合方法进行了岩性分类[4]；甘甫平等针对成像光谱的光谱特征，使用主成分方法进行了岩性分类[5]；黄颖瑞等针对岩性纹理差异，使用地质统计学区分岩性纹理进行了分类[6]。 总之，有关遥感岩性识别的研究很多，使用的方法有很多种，不同方法基于的原理不同，适用范围不一样，得出的结果也不尽相同。针对不同情况选择合理有效的遥感岩性识别方法，笔者进行了分析和归纳，将岩性识别方法进行了分类和论述，以期给进一步深入研究的学者提供参考。

1 遥感岩性识别分类原理

遥感岩性识别是一个图像分类问题。 具体来说，是将图像中每个像元点划分到若干个类别中的具体一类。 即对具有若干属性的像元指定类别标签，将像素单元的其他属性转换为类型属性的过程[7]。

虽然分类问题的解决途径有很多种，其核心问题依然是分类判据和分类方法的选择。分类判据是指用于分类的信息类型，是一个或多个变量信息。 分类方法是对分类判据进行计算、 处理并输出分类结果的一个或多个方法组合（图1）。

同类目标之间的共性、 不同类目标之间的差异是客观存在的。 通常情况下，同类岩石在遥感影像上具有相同或相似的光谱和空间特征，而不同岩石在影像上的光谱和空间特征往往表现不同。 因此，可将光谱特征或空间特征作为遥感岩性分类判据。 由于遥感影像通常以像元灰度值展示地物，同一类地物在不同波段上的像元灰度值构成了该类地物在光谱维上的特征度量，同一类地物在相邻单元的灰度值变化构成了该类地物在空间维上的特征度量。 因此，不同波段的灰度值或相邻像元的灰度值可作为遥感岩性识别的分类判据。

根据遥感岩性分类问题的特点，其分类方法可分为三大类，即基于光谱特征的分类、基于空间特征的分类和基于多源信息复合的分类[2]。

1.1 基于光谱特征分类

图1 分类判据与及处理流程Fig. 1 Classification criteria and processing procedure

在遥感岩性识别领域，基于当前探测器发展水平，常用的遥感方法还是光学遥感。实际应用型光学遥感是被动遥感，辐射源主要是太阳和地物，其接受的信号主要是地物反射太阳光和自身热辐射。 根据普朗克公式和基尔霍夫定律，太阳（6 150 K）的最强辐射对应波长为470 nm，地表（300 K）最强辐射对应波长9 660 nm。 图2 展示了太阳和地表实际电磁辐射差异。 在 300～2 500 nm 范围内，地表反射的太阳辐射成为地表主要辐射来源，而地表自身发射很弱可以忽略不计；在6～20 μm热红外范围内，主要为地面发射，太阳反射很弱。 同时大气层对电磁波具有吸收、 反射和散射作用，透射率较高的波段——大气窗口的数据更接近真实地物电磁波谱信息。 因此岩性识别能够获取使用的有效波段主要为可见光～近红外波段和热红外波段[8]。

岩石通常包含多种矿物，岩石光谱是各种矿物对电磁波反射、 吸收和发射的综合体现。 在 0.4～2.5 μm 范围 （可见光～近红外～短波红外） 内主要体现为岩石的吸收反射特征，8～14 μm 范围内体现岩石的发射特征[8]。

矿物的组分结构相对固定，光谱相对稳定。 岩石的组成复杂，其各种矿物组分的光谱互相会产生影响，同时还受到其他因素的影响，导致其光谱往往各有差异。 但是其组成矿物的强特征还是会在岩石光谱内有所体现，尤其是一些强吸收特征。 地物光谱特征主要表现为：吸收位置、 吸收深度、 吸收面积、 吸收宽度、 吸收对称性、 光谱斜率、 光谱导数、 光谱吸收数目等。 其中，吸收位置、吸收深度和吸收对称性是最重要的岩矿诊断性光谱特征，三者在岩矿识别的应用中也最为广泛[9-10]。

图2 太阳和地表实际电磁辐射差异 （据梅安新，2000）Fig. 2 The difference between the actual electromagnetic radiation of ground surface to the sun emission（After MEI Anxin，2000）

但常见造岩矿物并没有典型光谱特征，只有部分蚀变矿物有一定的反射率光谱特征，部分造岩矿物有一定的热红外发射特征。 前人对多种矿物的反射率、 发射率光谱进行了系统研究（Hunt 等），总结了矿物的反射率、发射率特点。 可见光-近红外范围的地物反射率光谱特征取决于矿物的化学组分和物理结构，其结果主要是电子跃迁和分子振动的结果。 在 300～1 300 nm 范围内，矿物光谱特征主要取决于矿物晶体结构中存在的晶体场效应、 电荷迁移、 导带跃迁等，如过渡性金属元素的电子能级跃迁；1 300～2 500 nm 范围内主要取决于组成矿物结构的阴离子基团震动影响，如水分子（H2O）、 羟基（-OH）、 碳酸根硫酸根等基团的振动[2，10-22]。热红外范围的地物发射率光谱取决于矿物的键位振动，尤其是 Si-O 键的振动，以及等基团基频振动的微小变化（表 1，图 3）[16，23]。

表1 矿物识别波段范围Table 1 Band range for mineral identification

图3 矿物电子特征与振动特征分布及成因图 （据Hunt，1982 修改）Fig. 3 Distribution of electronic features and vibration characteristics of minerals and their genesis（Modified after Hunt，1982）

1.2 基于空间特征分类

如前所述，同一类地物在相邻单元的灰度值变化构成了该类地物在空间维上的特征度量。 对于遥感影像，一定灰度值在相邻像元间的反复变换形成的规则视觉特征就构成了纹理特征。 纹理特征主要有两个体现：异变性和相关性。 不同岩性的岩石纹理特征不同时，可利用纹理特征对岩石进行划分，实际上就是利用纹理的异变性和相关性进行岩性分类。

1.3 基于多源信息复合分类

除光谱和空间特征外，不同岩石还有其他一些理化特征差异，如重力差异、 磁场差异、 放射性差异等。 将遥感数据与其他类型数据叠置到一起，通过叠置分析，能够凸显出不同岩性性质差异，进一步进行岩性区分成为复合分类。 常用的复合信息包括放射性，重力和磁场等[4，6]。

2 遥感岩性识别方法

与识别原理对应的三类识别方法为：基于光谱特征的岩性分类、 基于空间特征的岩性分类和基于多源信息复合的岩性分类[2]。 各类方法及其下属具体方法的情况总结于图4。

2.1 基于光谱特征的岩性分类

基于光谱特征的岩性分类方法主要有五种，即信息增强识别法、 全波形态识别法、 匹配滤波法、 特定指数识别法及光谱解混法[2]。

2.1.1 信息增强识别

信息增强识别是一种信息提取与信息处理方法。 在挑选、 增强光谱信息中的有效信息（如吸收特征信息）后，使用增强的信息作为分类判据，进行分类识别。 实际的遥感影像包含的信息非常多，除了地物的真实信息，还有干扰杂音，因此需要提取增强有用信息。对于岩性识别分类问题，信息增强主要有四种方法，分别是主成分分析（PCA）、 最佳指数因子（OIF）、 最小噪声分离（MNF）、 波段比值法（BR）[10，24-27]。

1） 主成分分析法

主成分分析法是一种统计学方法。 其原理是通过对所有信息进行计算，提取出各不相关主成分组分及各波段贡献因子。 在遥感主成分提取中，其计算结果是互不相关的一组主成分数据，每个组分中，各波段的贡献度不同。 前几波段包含的信息占据全部信息中的绝大部分，且越靠前的主成分包含的信息量越大。 因此实际选择主成分时，要选择靠前的主成分，同时与其他波段或主成分进行彩色合成，突出对应具有特征的岩体。 主成分分析法能提取出有效信息，不会因信息重复影响识别精度。 但是主成分分析提取的是主要信息，又可能会将差异信息视作噪音，因此其结果还有待进一步处理[5]。

图4 岩性识别分类方法Fig. 4 Methods of remote sensing identification and classification of lithology

A.Alberti（2000）首次使用主成分分析方法处理分析高光谱数据，对西南安哥拉纳米贝省区地区的超镁铁岩体进行了岩性分类，发现其可行性较好；D.Ren（2006）使用主成分分析（PCA）及其他方法处理 ASTER 数据，识别了蛇绿岩组分[27-28]。

2） 最佳指数因子法

最佳指数因子法是一种波段选择方法。通过选择最佳的三个波段进行假彩色合成，突出目标岩体信息。 选择最佳波段的指标是波段信息量高 （波段标准差够大） 且波段之间的相关性小。 最佳指数因子法能够挑选出最佳波段，但是 “最佳波段” 包含的信息并不一定是有效信息，效果有待探究[26]。

3） 最小噪声分离法

最小噪声分离法是一种二次主成分分析方法，与主成分方法相似，得到的前几个主成分数据具有绝大部分数据特征，后面的成分包含更多噪声。 忽略其他次要成分，使用前几个主成分波段，即可分离噪声，保留主成分。 使用前三个主成分波段进行假彩色合成，通过假彩色合成的影像进行识别。 最小噪声分离法与主成分分析法的优缺点相似[26，29]。

4） 波段比值法

波段比值法是一种凸显吸收特征的方法。由于中低分辨率卫星数据更易获取，更为常用；高光谱分辨率的卫星、 航空数据较少，获取较难，使用较少。 但是中低光谱分辨率的数据，波段数较少，波段较宽，光谱曲线不能描述实际反射率变化情况，吸收峰位置、形态、 深度也很难判定。 但是吸收峰所处波段的反射率值，会比强反射波段的反射率低，因此将具有吸收特征的波段与强反射波段进行相除运算，通过比值高低凸显吸收、 反射特征，判断吸收信息。 波段比值方法可以凸显吸收反射差异，消除地形等因素的影响，提高识别效果。 但是波段比值法要求待识别对象必须有一定的反射、 吸收特征[1，9，30-34]。

Ashraf Emam（2018）对沙漠的岩石类型进行了识别。 选取了埃及东南沙漠研究区，使用OLI 数据和ASTER 数据，通过最佳指数因子，波段比值，主成分分析和最小噪声分离等图像信息增强方式，实现了岩性识别分类。并通过野外验证，评价了分类精度[26]。

2.1.2 全波形态识别法

全波形态识别法是所有波段的信息都参与处理计算，使用的是数据全部信息。 即将像元光谱曲线与样本光谱曲线比较，计算其相似程度，进行类别划分。 相似程度的计算常用方法有基于距离匹配、 基于角度匹配等。

1） 基于距离测度法

基于距离测度法是计算空间内两向量间的空间距离，根据距离远近评价相似程度。常用的距离计算方法有欧氏距离法、 马氏距离法、 曼哈顿距离法和混合距离法等。 基于距离匹配时使用的各参数权重相同，会极大影响识别精度，因此需要对权重进行重新分配[2，35]。

2） 基于角度测度法

基于角度测度法是计算向量间角度，根据角度大小判断相似程度。 将光谱的n 个波段视为n 维空间向量，每波段的反射率值视为一个向量维度，计算目标光谱向量与样本光谱向量之间的夹角，夹角越小说明目标与样本越相似。 SAM 方法不会受到反射率强度影响，能消除地形的因素干扰，效果较好。但在实际使用中，仍旧有一些问题，如各波段权重相同，无关波段会影响识别精度[2-3，27-29]。

高慧等（2013）使用了最小噪声分离方法进行了数据处理，分离了噪声，然后使用SAM 方法处理主成分数据，识别了岩性，结果证明识别精度较高[36]。

2.1.3 匹配滤波法

匹配滤波法是信号处理领域最有效的线性检测方法，能有效处理噪声杂音问题。 在遥感分类问题中，该方法能够最大化纯净端元波谱信号，抑制噪声杂音信号，再将光谱与波谱库匹配，识别光谱类型[34，37-40]。

Rowan（2003）使用 Aster 数据，利用可见光、 近红外和短波红外波段，通过匹配滤波处理，识别了灰岩和白云母；利用热红外数据识别了石英类岩石和碳酸盐岩石；Rowan（2004）使用Hymap 数据，通过匹配滤波处理，识别了超基性岩性及邻近岩性[32，41]。

2.1.4 特定指数识别法

特定指数识别法是一种人为规定的度量指数，根据各波段反射率值计算得到能够定量化描述岩矿组分。 在遥感岩性识别领域，最常见使用的是 Ninomiya 等人（2004，2005，2010，2016，2017）提出的矿物指数法[42-47]。 其理论是各种成分含量与波段反射率值有相关关系，使用波段反射率值可反演矿物指数的数值，通过各种矿物指数判断矿物岩性类别。Ninomiya 等研究了一系列指数：二氧化硅指数、 镁铁指数、 碳酸盐指数、 石英指数、 石膏指数等。 通过光谱信息计算特定指数，根据各种指数进行岩性分类评价[48]。

宋晚郊（2013）使用了 ASTER 影像，通过波段比值法和矿物指数法，结合野外查证，进行了岩性识别（图 5）[33]。

2.1.5 光谱解混法

遥感影像像元记录的是一定面积内所有地物光谱信号的混合结果，是混合像元。 混合像元内的所有地物会彼此影响，光谱典型特征被减弱，致使分类精度下降。 光谱解混法能将混合光谱分解，得到组成成分与比例，即所谓的端元与丰度。 使用光谱解混方法能够将岩性的混合光谱解混成矿物或已知岩性的光谱组合，进一步判断岩性类型。 常用的光谱解混方法分为线性解混和非线性解混。线性解混将混合光谱视为几种端元的线性组合，彼此之间没有相互作用；非线性解混认为各种端元之间相互作用，混合光谱并不是简单的线性组合，地物的混合程度、 物理分布都会影响混合效果。 Hapke 模型是近些年使用较多的非线性解混模型，实践证明，该模型解混效果较好[6，12，24，37，49-51]。

图5 岩性解译图 （据宋晚郊，2013）Fig. 5 Lithological interpretation map （After SONG Wanjiao，2013）

Martin Black（2016）在南极半岛的岩石裸露区进行了岩性识别绘图。 通过MNF 变换、像素分割处理后，估算了端元数量，使用端元提取算法（EEA）从图像中提取端元，进行了光谱解混，确定端元的丰度，最后根据端元丰度绘图并标记了岩性。 实验结果表明，虽然有一定噪声和误差，但总体分类情况较好[50]。

余琳使用了Hyperion 数据，在西藏地区进行了基于线性解混的岩性识别。 结果发现使用基于完全约束的最小二乘法线性解混进行岩性分类精度最高，甚至比传统SAM 方法的识别精度更高[52]。

2.2 基于空间特征的岩性分类

基于空间特征的岩性分类方法有三类：统计提取法、 模型提取法及频域变换法[51，53]。

2.2.1 统计提取法

统计提取法是以计算灰度值作为特征，通过稳定的灰度值特征情况判断区域内灰度变化。 常用计算方法有变差函数法、 灰度共生矩阵法、 灰度级行程长度法、 自相关函数法。 这几种方法都能对局部内的灰度信息进行统计，揭示空间变化情况。 该类方法只需按公式计算即可，较为简单便捷，且适用性强；但是与实际视觉效果吻合一般，效果并不很好[53]。

黄颖端（2003）、 李培军（2004）使用地质统计学中的对数变差函数，计算了遥感图像的纹理，并结合光谱信息，实现了岩性分类。结果发现结合纹理信息识别能提高分类精度[6，53]。

2.2.2 模型提取法

模型提取法是根据计算模型算法进行提取。 主要方法有分形模型法、 马尔可夫随机场模型法。 分形模型是根据分形理论指导实现的，该理论认为自然界中的几何图案虽然在整体上不规则，但是在不同尺度上具有自相似性。 可以通过计算分形维度，量化描述纹理结构的相似度[54]。

赵建华（2004）使用 TM 数据，采用分形方法计算了纹理信息，然后使用纹理信息进行分类，结果证明分类精度较好[51]。

潘蔚（2009）提出了基于遥感图像的地形结构-岩性组分分解的岩性多重分形研究。 通过对不同地区二长花岗岩体和沉积变质岩的ETM 影像、 地形结构图像及岩性组分图像对比分析，发现图像分解后，岩性与地形结构多重分形谱有相关性。 因此提出了遥感图像的地形结构-岩性组分模型和分离算法，研究证明该方法可以有效地区分岩石类型[55]。

2.2.3 频域变换法

频域变换法主要是通过频域变换处理进行信号信息转换。 主要处理方法有傅里叶分析法、 小波分析法。 傅里叶分析法是对能量谱纹理进行变换，最终提取纹理的尺度和方向；小波分析法能够在时间-频率方面和时间-尺度方面进行分析，得到高频信息，体现图像空间特征[56]。

Perez 等人（2011）使用多向主成分分析法提取光谱特征，小波纹理分析计算纹理特征，将两种数据结合，并运用 SVM （支持向量机）方法进行分类，取得了良好分类效果[57]；D. Ren（2006）获取了 ASTER 数据，使用 主成分分析，快速傅里叶变换（FFT）和冗余小波变换（RWT） 方法，提取了主成分，抑制了噪声，增强了图像信息与对比度，识别了蛇绿岩。

2.3 基于多源信息复合的岩性分类

基于多源信息复合的岩性分类方法，其本质是GIS 方法空间分析中的叠置分析方法，将多重信息叠置分析，使用逻辑交、 并、 差等运算，筛选识别出满足条件的所有区域。常用的复合识别方法主要是光能谱集成法和重磁放数据复合法。

光能谱集成法，即将多元数据信息，如多光谱遥感、 雷达遥感、 高光谱遥感、 航空放射性伽马能谱等多种信息复合，融合形成新的 MR、 MSR、 HSR 融合图像。 在此基础上，同时使用重磁放数据复合法，将融合图像分别与重力、 磁场、 地球化学、 地质等其他地学信息进行复合分析，形成多源地学信息图像数字综合技术，结合掩膜 （Mask）、 主成分（PCA）和色度空间变换（HIS）等处理，提取岩性信息[58]。 刘德长等利用该技术在植被覆盖的花岗岩、 火山岩和沉积盆地地区进行了地质填图和铀矿找矿应用，取得了较好的应用效果[59-61]。

多源信息复合识别方法使用的放射性信息、 重磁信息对地表状况没有要求，可以使用航空物探方法获取，不受地表条件限制，经济快捷高效。 但是与遥感光谱信息相似，重磁放信息也会有同物异谱的问题，同时风化蚀变等理化作用会使岩石性质变化，导致重磁放信息丢失等。 因此重磁放信息不能单一使用，需要多种信息配合使用[58]。

张万良等使用遥感与航空放射性信息集成进行岩性识别研究，认为放射性元素的能谱不受植被影响，有利于识别植被覆盖区的岩性[61]。

Bahiru（2016）使用了 TM 数据，同时结合数字高程模型，进行了全色波段图像融合，成功进行了岩性识别[58]。

刘德长等（1992，1993）提出了以航放信息为主的多源地学信息图像数字综合技术，研究了航放数据与遥感数据结合的成矿预测与岩性识别方法。 并在辽宁连山关地区进行了成矿预测试验性研究。 通过对岩体航放数据的分析，制作了岩体的铀钍比值影像图，将传统认识上的连山关产铀岩体划分为两个不同部分，并证明两部分属不同时代的两个岩体[59-60]。

3 讨论

3.1 影响因素

遥感岩性识别的结果会受到很多因素的影响，常见影响因素包括大气环境、 地形起伏、 表面颗粒大小、 粗糙程度、 岩石风化以及其他岩性变化等[10，13，62-63]。

大气环境对岩性识别效果能产生很大影响。 常用的遥感数据并不是原始获得的亮度值，而是经过辐射定标、 大气校正的反射率值。 传统大气校正方法如FLAASH，对于地理条件相同的区域，会设定相同的参数，进而使用相同的校正方程与校正系数，进行大气校正。 但实际情况中，大气情况复杂多变，即使是地理条件相同的区域，其大气状况亦常不相同，各种大气成分对光线产生的吸收、散射等效果也不同，并不是一个模型就能很好的模拟实际大气情况。 因此通过大气校正获得的反射率与实际地表测量的反射率有一定差别，而这些差别会对识别效果产生影响[64]。

地形的高低起伏、 地势的走向、 岩石产状会对遥感岩性识别产生影响。 高低地形、岩石的走向、 倾角、 倾向、 产状会产生阴影，阴影区域入射光减少，通过统一模型大气校正得到的反射率会极大的减弱。 因此在同一区域，即使是同种岩性，大气校正得到的山体阳面和阴面的岩性的光谱也并不相同，因此也会对岩性识别效果产生较大影响。

表面颗粒大小与粗糙程度都会直接影响反射率强弱。 相对而言，岩石表面颗粒越大，越粗糙，反射率越低，漫反射越强；表面颗粒越小，越光滑，反射率越高，镜面反射越强。 反射率高低不同会导致光谱曲线的差异，进而影响识别效果。

岩石风化会直接改变地表裸露岩石表面物质状况、 岩石颗粒大小、 粗糙程度等，直接影响反射率强弱与识别效果。

除此之外，遥感岩性分类方法，还有一些其他方面的问题。 主要集中在数据质量等方面。 不管是遥感光谱数据还是重磁放数据，由于空间分辨率的关系，一定会存在混合像元问题，混合像元的混合光谱会严重影响分类识别效果；其次，由于空间尺度的关系，地表纹理信息受言行类别影响不大。 此外，遥感岩性识别方法，在北方无植被覆盖区效果较好，在南方告知被覆盖区，很难发挥识别效果。

实际自然界中的其他岩性变化。 在实际复杂的地质环境下影响岩性识别效果的因素会更多，蚀变作用、 生物作用以及人文活动影响等都会对岩石的组成成分、 物理结构产生影响，影响其岩性组分，影响光谱特征，进而影响岩性分类结果。

3.2 存在的问题

目前使用的三类主流岩性识别方法，虽然许多研究证明各种方法均具有可行性，但是同时也暴露出各种方法的一些问题。

基于光谱信息的岩性分类，其实很多还是沿用的遥感矿物提取方法。 矿物的组成成分单一，蚀变矿物存在典型光谱形态峰位特征；岩石的组成成分复杂，并没有典型光谱信息和吸收峰，缺乏诊断性光谱特征，所以仅使用光谱信息进行提取的效果一般。

基于空间信息的岩性分类，其问题主要在于，地表岩性的空间纹理特征复杂多样，在低空间分辨率上来看，每种岩性并没有典型对应的纹理特征，地表纹理与地形起伏、地表分布状况有很大关系，同时还会受到其他地物因素的影响，导致地表纹理不能真实反映岩性类别信息，因而使用纹理信息进行分类的效果也是一般。

基于多元信息复合的岩性分类，该方法的确能从多个维度刻画岩性信息，但是仅仅是在重磁放信息存在异常的区域，识别效果较好，对重磁放普通的地区——尤其是没有重磁放异常的区域，效果可能不太理想；另外使用多源信息复合识别方法，需求的数据较多，前期投入较大，可能代价较为高昂。

三类遥感岩性分类方法是根据其分类原理进行区分的，因而其优缺点均与其原理息息相关。 另外在实际工作中，亦会受到实际情况的约束——不同遥感数据的分辨率不同，如高光谱数据的光谱分辨率更高，光谱曲线能够准确刻画地物光谱特征，使用基于全波形态方法可能更好；高空间分辨率遥感数据的空间分辨率更高，对地物纹理反映更清晰，因此使用基于空间信息的岩性分类方法更合适。

3.3 发展前景

遥感岩性识别分类，目前很多研究人员已经有了很多成果，要想进一步发展，使遥感岩性识别具有普适性和高精度，必须从理论、 技术方法、 实际应用方面加大投入力度，进行深入研究。 同时，各种遥感岩性识别分类方法都是遥感发展的新技术在岩性识别方面的应用，因此，遥感岩性识别技术的新发展与遥感技术本身的发展息息相关。

从理论上讲，理论辐射传输模型虽然能模拟实际状况，但在精度上还是与实际情况有一定差异，因此需要进一步进行理论研究，优化辐射传输模型、 光学几何模型，深入分析岩性理化性质与光谱信息之间的关系，理解光谱响应机理，为定量化提供理论支撑，从定性向定量方向发展。

从方法上讲，应向智能化方向发展。 数据处理、 光谱特征提取、 样品选择、 分类方法都受到先验知识、 工作人员经验、 理论缺陷影响，这在一定程度上影响了分类精度。当前大数据、 人工智能方法正随计算机性能提升而越加完善，其方法高速高效，记忆能力强，且没有人为主观因素影响，计算效果较人工有一定提升，且智能化方法正在向各个领域推广应用，遥感岩性分析也是图像处理的一个方向，遥感岩性智能化识别将成为一个重要的技术领域。

从实际应用领域来看，遥感岩性识别方法，常用于地质调查领域。 然而地表许多地方都被植被覆盖，遥感技术表现不佳，导致遥感岩性识别的应用范围、 效果一般。 与此同时，地下钻探、 深钻成为人类认识地球的新方法。 将遥感岩性识别方法应用到钻孔信息提取领域，使用遥感光谱分析方法识别钻孔岩心的岩性，快速进行岩心编录，是遥感岩性识别新的发展方向。

4 结语

遥感技术为大范围岩性识别分类提供了现代化高效率的方法，为地质资源勘查、 地理国情普查提供了切实可行的解决思路。 本文对遥感岩性识别分类方法进行了总结梳理，工作成果如下：

1） 总结了遥感岩性识别在现阶段的主流方法，提出根据分类原理差异进行类别划分，将现有的遥感岩性分类方法划分为三类：基于光谱信息的岩性分类、 基于空间信息的岩性分类和基于多源信息复合的岩性分类；解释了各类方法的具体方法，共3 大类10 小类具体19 种方法，并描述了各种方法的原理及优缺点；

2） 认为遥感岩性识别效果会受到大气环境、 地表起伏、 风化等多因素干扰，同时也会受到数据质量、 数据类型、 光谱分辨率、空间分辨率的影像，因而在实际使用时，需根据实际情况具体选择适合的方法；

3） 在未来发展方面，提出应加强辐射传输模型、 光学几何模型、 岩性理化特征等多方面的理论研究，认为研究方法应向智能化、自动化方向发展，建议遥感岩性识别的应用领域可向地质钻孔岩心编录方向发展。