耦合高光谱数据的多源遥感影像铁尾矿信息提取研究

白 洋，宋唐雷，贾玉娜，李孟倩，康会涛

(1.华北理工大学矿业工程学院，河北 唐山 063210；2.河北省地质矿产勘查开发局第七地质大队，河北 三河 065201)

尾矿库是矿山开采过程中形成的最大危险源之一，严重威胁着尾矿库周围的生态环境及周边居民的生命财产安全[1-3]。因此，实时、快速、高效地掌握尾矿库的分布情况，对提高矿产资源循环利用能力具有十分重要的现实意义。传统的尾矿库监测方法多以实地调查、勘测为主，耗费大量的人力、物力，且监测结果存在一定的主观性和局限性，无法满足大面积尾矿监测。随着遥感技术在空间分辨率、光谱分辨率和时间分辨率方面的显著提升[4-6]，利用遥感技术探测范围广、数据获取快捷、受自然条件约束小等优势，可大大提高尾矿库监测的成效[7-8]。阎永忠等[9]利用遥感技术和GIS技术系统对尾矿库进行监测分析；申彦科等[10]依据TM影像总结出尾矿库增容会对周围的生态环境产生的影响；方雪娟等[11]对陈贵镇小型尾矿库周围的4类地物进行了危害分级分析；南竣祥等[12]对宣威市煤矿开采情况展开遥感解译，提升了尾矿库遥感监测技术的作用；张云英等[13]利用高分一号影像对尾矿库进行目视解译最佳波段组合，为运用遥感影像进行尾矿库研究提供了依据；凌子燕[14]利用GF-1遥感卫星，采取支持向量机(support vector machine，SVM)建立遥感反演模型，提高了尾矿库遥感监测精度；曹兰杰等[15]对典型地区铁尾矿样本进行了光谱测量，并利用SAM(spectral angle mapper)方法和SFF(spectral feature fitting)方法进行匹配，优化了河北省两种矿床类型铁尾矿的识别窗口；郝利娜等[16]从尾砂的光谱、纹理特征等因素考虑，根据WorldView-2遥感影像对鄂东南尾矿库规模进行了尾矿识别因子研究；马国超等[17]集合高分遥感卫星数据和无人机遥感数据，利用其快速排查，精准监控的优势，极大提高了矿山安全监测效率；汪金花等[18-19]对比分析了差异化粒径、干湿状态下的铁尾砂样本光谱特征，拟合确定了铁尾矿高光谱识别的有效窗口，经光谱特征参量及光谱匹配分析获得了铁尾矿特征识别波段，得到了铁尾矿多源信息提取的可行性。多源遥感数据具有一定的优势，但同样存在局限性，如多光谱数据空间信息丰富但无法区分“同物异谱”或“同谱异物”，而高光谱数据光谱信息丰富但数据量大，信息冗余，存在Hughes现象。因此，如何利用高光谱数据和多光谱数据的优势进行尾矿库信息提取尤为重要。

鉴于此，本文以唐山市司家营尾矿库为例，利用实测尾砂波谱信息分别与多光谱Landsat8 OLI影像数据和高光谱珠海一号影像数据的端元波谱进行匹配，并采用光谱角分类的方法进行尾矿信息填图，获取尾矿库的位置信息。

1 研究区概况与数据源

本文研究区域是河北省唐山市滦州市司家营尾矿库，位于滦州市城南10 km处，属于高硅鞍山型铁尾矿。矿体南北长10 km，东西2 km，矿石资源总储量为23.48亿t，属于我国整装特大型铁矿床之一。司家营尾矿库距选矿厂约12 km，尾矿库汇水面积为2.5 km2，平均坡度4.1°。尾矿库由东、西两个沟组成，分别建有初期坝和副坝。尾矿堆积坝最终堆积标高为128 m，总坝高93 m，总库容约8 714万m3[20]。

2 数据源介绍与预处理

2.1 数据源介绍

Landsat8卫星于2013年2月发射成功，是目前世界范围内应用领域最广的民用对地观测卫星，本次数据选用采集于2019年10月29日的一幅OLI影像，共9个波段，包括8个30 m的多光谱波段和1个15 m的全色波段。珠海一号高光谱卫星于2018年4月发射成功，其采集的数据空间分辨率达到10 m，光谱分辨率达到2.5 nm，共256个波段，均在400～1 000 nm之间。本文使用的60个尾砂样本均取自河北省滦州市司家营尾矿库，由ASD Field Spec Pro光谱仪对各样本进行测量，每个样本均测量5次，每5 min测一次，白板进行校正，最终得到60个样本的平均波谱曲线。

2.2 数据预处理

根据数据源的具体情况，对Landsat8 OLI影像数据进行了辐射定标、大气校正等预处理，提高了影像的定位精度、空间分辨率及光谱分辨率，有利于进行尾矿库的精准识别。以研究区的Landsat8 OLI影像文件和珠海一号影像文件为基准，对去除包络线后的波谱曲线进行重新采样，确保实测波谱与影像波谱范围相同，方便后续开展实测波谱与端元波谱的匹配。

3 光谱匹配实验

影像数据经最小噪声分离(minimum noise fractions，MNF)达到降维和去噪目的，通过MNF特征值曲线选择信息量较大的几个分量，进行纯净像元指数(PPI)计算，通过PPI求得的端元信息，在N维可视化中找到紧密抱团的端元，并绘制其特征波谱曲线，经与实测的尾矿自定义波谱库进行匹配，并进行尾矿库填图。

3.1 端元波谱提取

端元波谱是地物识别分类中十分重要的参考光谱，端元波谱的质量直接影响地物识别结果的精度。预处理后的影像进行MNF变换后可以得到各波段的特征信息，如图1和图2所示。从图1和图2中可以看出沿X轴方向各特征数包含的特征信息逐渐递减。图1为Landsat8 OLI影像波段经过MNF变换后的特征图，其中前3个分量的特征值比较大，第4分量以后特征曲线的特征值几乎都在5以下，因此，选取前3个特征波段进行PPI计算。图2为珠海一号影像的特征曲线，其中前4个波段涵盖了大部分的图像信息，从第5分量开始曲线基本保持平稳，后面波段的影像信息几乎全部为噪声，所以后续PPI计算时只选取了前4个波段，以大幅度减少处理工作量和处理时间。

图1 Landsat8 OLI MNF变换特征曲线Fig.1 MNF transformation characteristic curve of Landsat8 OLI

图2 珠海一号MNF变换特征曲线Fig.2 MNF transformation characteristic curve of Zhuhai-1

纯净像元指数(pixel purity index，PPI)是在数据降维处理后进行纯净像元提取的过程，PPI越大，说明与之对应的像元越纯净，对应的PPI结果图就越亮。在影像进行MNF变换之后，经过多次实验对Landsat8 OLI影像进行PPI计算采用了10 000次迭代，阈值系数设置为2.5，珠海一号影像迭代次数为10 000次，阈值系数设置为2.5，如图3和图4所示，其中，高亮区域为PPI提取后的极值像元的分布位置，这些纯净像元多聚集在尾矿库中央的位置，还有一些零散的分布在尾矿库的外围。

图3 Landsat8 OLI影像PPI结果图Fig.3 PPI results of Landsat8 OLI images

图4 珠海一号影像PPI结果图Fig.4 PPI results of Zhuhai-1 images

将MNF和PPI计算后的结果输入到N维可视化中，选取不同的波段进行旋转，找到多个独立的点集群，如图5(a)和图6(a)所示，图中有明显聚集的4个团簇，这4个团簇代表了4种“纯净像元”，以此定义为端元，图5(b)和图6(b)为得到的4种端元的波谱曲线，通过现场采集的尾砂样本制作的自定义波谱库可以识别出这4种像元代表的物质和分布的区域。

图5 Landsat8 OLI影像N维可视化图Fig.5 N-dimensional visualization of Landsat8 OLI images

图6 珠海一号影像N维可视化图Fig.6 N-dimensional visualization of Zhuhai-1 images

3.2 光谱匹配算法

在端元提取出来之后，还不能明确各端元代表哪种地物类型，需要通过波谱分析对端元进行识别，同时要修改波谱曲线分辨率的缩放系数，使端元波谱与波谱库具有相同的分辨率，此次研究分别使用光谱角度匹配(spectral angle match，SAM)和波谱特征拟合(spectral feature fitting，SFF)2种方法进行识别。

3.2.1 光谱角度匹配法

光谱角度匹配(spectral angle match，SAM)是将待验证光谱和参考光谱均作为高维向量，通过计算二者的夹角大小来确定匹配程度[21]，夹角越小说明相似程度越高，是同类地物的可能性越大。

计算夹角通常通过两个向量的余弦来求得，公式见式(1)。

(1)

式中：X*为像元光谱的向量；Xi为参考光谱的向量。

3.2.2 波谱特征拟合法

波谱特征拟合(spectral feature fitting，SFF)是一种利用波谱曲线的吸收特征对像元波谱和参考波谱进行匹配的方法，使用最小二乘法逐次迭代以评价两者相似程度[22]。SFF会对输入的像元波谱进行包络线去除、删去背景信息、增强特征波段的吸收特性，比较吸收谷的位置和深度，将参考波谱与像元波谱相匹配。

4 匹配结果与分析

4.1 端元匹配结果

N维可视化后的端元波谱需要通过波谱分析与已知物质的波谱进行匹配，方可得知哪一个端元最能代表需填图的地物类型，并用最终得分的高低来衡量匹配的可信度，分值越高匹配度越好。本研究使用两种方法参与权重分析，分别是光谱角度匹配(SAM)和波谱特征拟合(SFF)，表1为Landsat8 OLI数据得到的4种端元与实测光谱的识别结果。从表1中可以看出n-D Class #1与尾矿实测波谱的匹配程度最高达到1.618，因此，确定端元n-D Class #1为尾矿波谱。表2为珠海一号影像数据得到的4种端元与实测光谱的识别结果。从表2可以看出n-D Class #1与尾矿实测波谱的匹配程度最高达到2.069，因此，确定端元n-D Class #1为尾矿波谱。从综合波谱匹配的结果来看珠海一号影像数据的匹配精度要优于Landsat8 OLI影像。

表1 Landsat8 OLI影像端元波谱与实测波谱的匹配得分表Table 1 Matching score of end element spectrum and measured spectrum of Landsat8 OLI images

表2 珠海一号影像端元波谱与实测波谱的匹配得分表Table 2 Matching scores of end element spectrum and measured spectrum of Zhuhai-1 images

4.2 尾矿识别填图

针对Landsat8 OLI影像数据进行尾矿地物识别，确定影像分类阈值分别为0.10、0.13、0.15，图7中深色区域为识别出的尾矿库，其中阈值为0.10时，在非尾矿库区域识别出的深色区域最少，即错分最少；阈值为0.15时，尾矿位置的识别面积最大，此时识别尾矿位置的像元数量最多。针对珠海一号影像数据识别的结果如图8所示，最优阈值分别为0.28、0.29、0.30，都取得了较为精准的识别结果，基本覆盖整个尾矿库。对比Landsat8 OLI影像和珠海一号影像数据尾矿识别结果，提取的尾矿空间分布基本一致，珠海一号影像数据填图结果优于Landsat8 OLI的填图结果。

图7 Landsat8 OLI数据尾矿识别填图Fig.7 Tailings identification mapping of Landsat8 OLI data

图8 珠海一号数据尾矿识别填图Fig.8 Tailings identification mapping of Zhuhai-1 data

5 结 论

本文对实测高光谱数据重采样后，利用多源遥感影像进行尾矿库识别研究，得到结论如下所述。

1) 依据影像波段范围对实测波谱进行重采样，在降低数据维数的同时，还能确保在相同波谱范围开展波谱匹配实验。

2) 对比高光谱数据尾矿识别结果，Landsat8 OLI影像能够有效识别尾矿信息且空间位置基本一致，从精度来说，高光谱影像识别尾矿库的解译效果更接近真实地物。