基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

梅佳成,刘磊,尹春涛,张群佳,王乐

1) 长安大学地球科学与资源学院,西安,710054;2) 自然资源部黄河上游战略性矿产资源重点实验室,兰州,730046

内容提要：遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。

区域地质调查是地质研究的基础性工作,对于我国西北、西南等人迹罕至的戈壁、高原地区,传统地质填图方法工作难度较大(李隽辉等,2022)。无人机可获得高精度影像,可以满足大比例尺精细填图工作的需要(郑明等,2022)。

而遥感以其宏观、高效、多尺度、多层次等优势,在区域地质调查、矿产资源勘察等方面具有更重要的作用 (邹键等,2022)。

先进星载热辐射与反射辐射计(Advanced Spaceborne Thermal Emission and Reflection Radiometer, ASTER)具有较高空间分辨率及14个波段,在岩性、矿物识别领域具有独特的优势,已被用于区分方解石和白云石(Rowan et al., 2005)、提取矽卡岩化等蚀变异常信息(孟鹏燕等,2016)、识别与沉积岩有关铅锌矿含矿层位(刘磊等,2022)、解译镁铁—超镁铁岩体(Liu Lei et al., 2014)。

机器学习是利用人工智能技术,通过训练样本对数学模型进行训练,然后用训练完成的模型依据特征参数将遥感图像中的像元点进行逐像元分类(Biamonte et al., 2017)。支持向量机(Support Vector Machines, SVM)、极限学习机(Extreme Learning Machines, ELM)、卷积神经网络(Convolutional Neural Network, CNN)等机器学习算法日渐成熟,已被用于遥感岩性分类研究。与最小距离分类法、最大似然分类法、光谱角度制图等传统方法进行对比,SVM算法在岩性分类中可获得较传统方法更高的精度(马德锋等,2008),在印度西北部ASTER数据岩性自动分类研究表明SVM算法分类精度高、分类效果好(Yu et al., 2012)。SVM具有所需参数和训练样本少、分类精度高等优势,但存在参数确定困难、消耗时间长和运行效率低等问题,而ELM作为一种单层前馈神经网络学习算法,在准确性、学习速度和计算可扩展性方面均较SVM更具优势(Heras et al., 2014; Ayerdi et al., 2015; 牟多铎等,2019)。以卷积神经网络(CNN)为基础提出的具有长短期记忆的分层空间—光谱特征提取(HSS—LSTM)模型,在内华达州矿区机载可见光/红外成像光谱仪(AVIRIS)收集的高光谱数据的实验结果表明,HSS—LSTM的分类准确性很高,分类效果较好(Zhao Huijie et al., 2020)。简单线性迭代聚类卷积神经网络(SLIC—CNN)算法,在辽宁省兴城市无人机采集的常规RGB影像数据的分类实验中表现良好,分类准确性较高(Sang Xuejia et al., 2020)。

但是,上述遥感岩性分类方法多仅利用岩石的光谱特征,缺少有效融合岩石空间特征和光谱特征的综合性分析方法。不同岩石在影像上色调、地貌、纹理、表面粗糙度及密度等均存在明显差异,将空间特征与光谱特征结合进行遥感岩性分类可有效提高分类结果精度(王建刚等,2020)。

笔者等以甘肃北山白峡尼山地区为研究区(图1a),以ASTER影像为数据源,融合岩性的空间特征和光谱特征,基于机器学习算法对不同岩性进行自动分类,形成高效、准确的岩性分类方法,为西部基岩裸露区岩性自动填图工作提供技术支撑。

图1 甘肃北山地区位置图(a) 以及北山白峡尼山地区地质图(b)(据1∶50000地质图和遥感影像修编)Fig.1 Location map of the study area(a) and geological map of Baixiani Mountain, Beishan Mountains(b) (revised from 1∶50000 geological map and remote sensing image)Q—第四系冲积、洪积砂砾;P2j—二叠系金塔组玄武岩、安山岩;D3dn—泥盆系墩墩山群灰绿色斜长流纹岩;奥陶系花牛山群: O1-2hnc-1—上岩组浅色云母石英片岩, O1-2hnc-2—上岩组深色云母石英片岩, O1-2hnb—中岩组片岩夹大理岩、石英岩;—印支期肉红色花岗岩;印支期砖红色黑云母花岗岩;γ—印支期黑云母花岗岩蚀变岩;π—华力西期肉红色似斑状花岗岩;δ—华力西期花岗闪长岩;δ—华力西期片麻状石英闪长岩、二长闪长岩;华力西期闪长岩;—华力西期浅色辉长岩;—华力西期深色辉长岩;γ—加里东期花岗闪长岩、石英闪长岩;βμ—辉绿岩脉Q—Quaternary alluvial and diluvial gravel; P2j—Permian basalt and andesite of Jinta Group; D3dn—Devonian gray-green plagioclase rhyolite of Dundunshan Group; Ordovician Huaniushan Group: O1-2hnc-1— light mica quartz schist of Upper Rock Formation, O1-2hnc-2—dark mica quartz schist of Upper Rock Formation, O1-2hnb— schist with marble and quartzite of Middle Rock Formation; granodiorite, quartz diorite; βμ—Diabase dike

1 研究区地质概况

北山造山带位于中亚造山带南缘及华北板块、塔里木板块、西伯利亚板块的交汇部位,是研究中亚造山带造山作用和演化的关键部位之一(杨建国等,2012)。甘肃北山地区侵入岩出露广泛,已发现大小镁铁—超镁铁岩体70余个,相对以镁铁岩体占优势,超镁铁岩类大多与镁铁岩呈杂岩体的形式产出(李舢等,2011;刘磊等,2013)。

北山地区岩浆活动频繁,区域构造演化各阶段均有不同规模、不同类型、不同成因的岩浆岩形成,发育有大面积的侵入岩体,岩性主要为辉长岩、闪长岩、花岗闪长岩、花岗岩等。已有锆石年代学研究表明,北山地区古生代存在至少两期基性—中基性岩浆活动,其中均伴随着大量的花岗质岩浆活动(吕新彪等,2012)。区内岩浆岩具有多成因、多期次、复杂等特征,且岩浆岩分布广泛,种类众多。

白峡尼山地区位于北山地区西南部,区内地层有奥陶系中下统花牛山群上岩组、奥陶系中下统花牛山群中岩组、泥盆系上统墩墩山群以及第四系全新统(图1)。区内岩浆岩种类多样(图2),主要有印支期砖红色黑云母花岗岩、肉红色似斑状花岗岩、花岗闪长岩、片麻状石英闪长岩、二长闪长岩,华力西期闪长岩、辉长岩,加里东期花岗闪长岩、石英闪长岩。研究区南部有少量变质岩出露,主要为云母石英片岩和片岩夹大理岩、石英岩(图1)。研究区内构造变形强烈,断层较为发育,以北西西、北东东向断层为主。白峡尼山地区干旱少雨,植被稀少,基岩出露面积大,岩性种类复杂多样,是遥感地质研究的理想区域。

图2 甘肃北山地区安山岩与二长花岗岩界线 (a) 和花岗闪长岩与闪长岩界线(b)Fig.2 Boundary between andesite and monzogranite (a) and between granodiorite and diorite (b) in the Beishan Mountains

2 数据与方法

2.1 数据源

ASTER影像的优势在于14个波段数的设置能够更好的用于地质体识别。其中可见光—近红外(Near Infrared, VNIR)区间有3个波段,空间分辨率为15 m;短波红外(Shortwave Infrared, SWIR)6个波段,空间分辨率为30 m;热红外(Thermal Infrared, TIR)区间5个波段,空间分辨率为90 m(唐淑兰等,2021)。本研究选取的ASTER数据获取于2003年4月7日,数据级别为L1B,将ASTER可见光—近红外和短波红外9波段数据重采样至15 m。

2.2 数据预处理与增强处理

基于野外实测标准地物光谱,采用回归分析法对原始影像数据进行大气校正,消除大气和光照所引起的辐射畸变;利用地形图和野外GPS定位点对影像进行几何校正并将影像裁剪至研究区范围。

根据地物在不同波段反射或发射波谱的差异选取合适的波段进行比值运算,可以增强各岩性间的波谱差异。本研究通过分析各岩性光谱曲线(图3),选取1/4、2/5、8/5波段比值组合进行假彩色合成,该影像中不同岩性差异明显,基于该影像开展遥感地质解译,获得了研究区遥感解译地质图(图1),作为后续分类评价的基准。

图3 甘肃北山地区典型岩性光谱曲线Fig.3 Spectral curves of typical lithology in the Beishan Mountains

2.3 SVM和ELM算法

支持向量机(SVM)是一种有监督的学习模型,为解决线性问题,SVM会在特征空间中两种类别最邻近的训练样本之间,找出一个能使两种类别边缘间隔最大化的分离超平面;对于非线性问题,SVM可通过非线性变换将数据投影至高维特征空间中,转化为高维空间的线性支持向量机求解对偶问题(Ghoddusi et al., 2019; 牟多铎等,2019)。极限学习机(ELM)是由输入层、隐藏层和输出层等简单3层结构所构成的单隐藏层前馈神经网络,只需要设置隐藏层节点的数量,无需改变隐藏层的输入权值和阈值,最终会产生一个最优解,因而极限学习机对新样本适应能力较好,学习速度较快(Huang Guangbin et al. 2008)。SVM和ELM已成为目前机器学习算法中应用最广泛的自动分类方法(Jordan et al., 2015; 牟多铎等,2019)。因此,本研究重点利用SVM和ELM开展ASTER影像岩性分类对比,并融合岩性的空间特征和光谱特征,分析空间特征对岩性分类的作用,最终形成高效、准确的岩性分类方法。

2.4 QS算法

本研究中空间特征采用快速漂移算法(Quick Shift, QS)获取,快速漂移算法能够在影像的空间和光谱联合域进行分割得到便于后续处理的超像素。

快速漂移算法的原理是基于一个迭代的模式搜索,识别模式中的一组数据点。模式被定义为某一特征空间中由所有数据点组成的最密集的位置。给定N个数据点x1,x2,...,xN∈X⊆Rd,快速漂移算法首先计算Parzen密度估计:

(1)

其中k(x)是核函数,D(xi,xj)是数据点xi和xj之间的距离。然后,它将核函数的中心移动到xi的最邻近处,以便将搜索路径扩展到下一个数据点。在该点处存在递增的密度P:

(2)

arg minD(xi,xj)表示要找到使得距离函数D(xi,xj) 取得最小值的(xi,xj)值。当所有数据点彼此连接时,使用阈值来分离模式,然后可以分离数据点的不同聚类(Zhang Sanxing et al., 2020)。

该算法将所有数据点依其概率密度连接为一棵“树”,模态表现为这棵“树”上“长度”(概率密度和距离的函数)超过阈值τ的“树枝”,通过设置τ可以控制模态的选择(图4)。σ参数的选择可平衡“过分割”与“欠分割”现象使得模式搜索更加高效(祝鹏飞等,2011; Tariq et al., 2019)。

图4 Quick Shift算法示意图Fig.4 Schematic diagram of Quick Shift algorithm

3 融合光谱—空间特征的机器学习岩性分类

岩性分类基于Linux系统HypeRvieW软件实现(Garea et al., 2016),分类过程如下:①将ASTER多光谱数据在MATLAB中转换为三维矩阵形式,导入HypeRvieW中作为待分类数据;②将训练样本转换为矩阵形式,导入HypeRvieW中作为训练集;③分别选择SVM和ELM两种分类算法进行基于光谱特征的岩性自动分类;④应用快速漂移算法基于空间特征进行分类,运用最大投票法将基于光谱特征分类和空间特征分类的结果进行结合;⑤运用空间正则化对分类结果进行平滑处理(Ayerdi et al., 2015);⑥基于验证样本对分类结果进行精度评价。

3.1 样本选取

样本选取是进行机器学习岩性分类的前提,需兼顾岩性样本的代表性、完整性和不同类别间的高可分离度。对选取的样本,随机选取70%作为训练集以训练判别函数,30%作为验证集对分类结果进行精度评价(表1)。

利用总体精度(Overall Accuracy,OA)、分配不一致性(Allocation Disagreement,AD)和运行时间对分类结果进行评价。其中,OA是模型在所有类别训练集中预测正确的数量与总数量间的比值,越接近100%表明分类结果越精确。AD为参考图与比较图之间的分配差异量,这种差异是由类别的空间分配中非最佳匹配造成的(Pontius et al., 2011),数值越小表明错分越少,分类精度越高。运行时间用来评价模型的运行效率,如果模型兼具高精度和高效率,则该分类方法更具应用前景。

3.2 基于光谱特征的分类实验

3.2.1支持向量机分类实验

SVM分类需设置γ值和惩罚参数C,γ值是高斯径向基核函数(Radial Basis Function, RBF)自带的超参数,表示单个训练样本点的影响半径,惩罚参数C代表的是软间隔非线性支持向量机中对误差的宽容程度(Garea et al., 2016),经多次实验对比研究发现,当γ值设为0.125惩罚参数设C为128时,分类效果较好。图5b为SVM分类结果,与遥感解译结果(图5a)对比表明玄武岩与安山岩,片岩夹大理岩与石英岩,砖红色黑云母花岗岩,片麻状石英闪长岩与二长闪长岩,浅色辉长岩以及深色辉长岩的空间展布与解译结果高度吻合;浅色云母石英片岩,深色云母石英片岩,石英闪长岩,闪长岩以及肉红色花岗岩的空间展布与解译结果基本吻合,略有差异;花岗闪长岩与肉红色似斑状花岗岩的空间展布则与解译结果有较大差异。

图5 甘肃北山地区遥感影像及分类结果图: (a)遥感影像图[RGB(1/4、2/5、8/5)],(b)支持向量机分类结果图,(c)极限学习机分类结果图,(d)极限学习机+快速漂移算法分类结果图Fig.5 Remote sensing image and the classification results of the Beishan Mountains: (a) remote sensing image [RGB(1/4、2/5、8/5)]; (b) support vector machine classification result; (c) extreme learning machine classification result; (d) classification result of extreme learning machine with quick shift drift algorithmQ—第四纪冲积、洪积砂砾;P2j—二叠系金塔组玄武岩、安山岩;D3dn—泥盆系墩墩山群灰绿色斜长流纹岩;奥陶系花牛山群: O1-2hnc-1—上岩组浅色云母石英片岩, O1-2hnc-2—上岩组深色云母石英片岩, O1-2hnb—中岩组片岩夹大理岩、石英岩;—印支期肉红色花岗岩;γ—印支期砖红色黑云母花岗岩;γ—印支期黑云母花岗岩蚀变岩;π—华力西期肉红色似斑状花岗岩;δ—华力西期花岗闪长岩;δ—华力西期片麻状石英闪长岩、二长闪长岩;—华力西期闪长岩;—华力西期浅色辉长岩;华力西期深色辉长岩;γ—加里东期花岗闪长岩、石英闪长岩;βμ—辉绿岩脉Q—Quaternary alluvial and diluvial gravel; P2j—Permian basalt and andesite of Jinta Group; D3dn—Devonian gray-green plagioclase rhyolite of Dundunshan Group; Ordovician Huaniushan Group: O1-2hnc-1—light mica quartz schist of Upper Rock Formation, O1-2hnc-2—dark mica quartz schist of Upper Rock Formation, O1-2hnb—schist with marble and quartzite of Middle Rock Formation; granodiorite, quartz diorite; βμ—Diabase dike

SVM分类结果的OA为89.17%,总体而言分类效果较好、分类精度较高,但是也存在一些的问题。首先,分类图中存在非常多的离散点和小斑块,部分小斑块会对较大且连续的岩体进行切割,使得图面显得较为凌乱。其次,对花岗闪长岩的分类结果也不够理想,以目视解译结果相比,支持向量机将大面积花岗闪长岩错分为其他类型,可能是由于花岗闪长岩与云母石英片岩光谱较为相似导致的,如图6a和图6b所示。与目视解译进行对比,支持向量机对云母石英片岩、石英闪长岩和片麻状石英闪长岩、二长闪长岩的区分能力较弱,出现较多错分和漏分现象,如图6d和图6e所示。最后,支持向量机分类所需要的时间也较长,需要128.9410 s。

图6 分类结果局部对比图(图例参见图5): (a) 目视解译西侧局部图; (b) SVM西侧局部图; (c) ELM西侧局部图; (d) 目视解译东侧局部图; (e) SVM东侧局部图; (f) ELM东侧局部图Fig.6 Comparison among the geologic map and classification results for local areas (Refer to Fig.5 for the legend): (a) visually interpret the west side partial map; (b) the west side partial map of SVM; (c) the west side partial map of ELM; (d) visually interpret the east side partial map; (e) the east side partial map of SVM; (f) the east side partial map of ELM

3.2.2极限学习机分类实验

极限学习机算法由Linux系统中的HypeRvieW软件实现(Garea et al., 2016),极限学习机只需设定隐藏层神经元的数目,即可以计算输出矩阵和输出层权值,得到该情况下分类的最优解。为研究隐藏层神经元数目对分类准确度的影响,从OA、AD和时间这3个不同的角度对分类结果进行对比和评价,其结果如图7所示。

图7 极限学习机参数寻优Fig.7 Parameter optimization of extreme learning machine

图7为极限学习机参数寻优结果图,从图7中可以看出,当隐藏层神经元数目小于120或大于500的时候,OA较低,而且AD较高,分类精度不理想。当隐藏层神经元数目在200到400之间时,OA高于92%,而且AD小于4%,分类精度较为理想。随着隐藏层神经元数目增加,分类所需要的时间大致呈线性增加。综合考虑以上情况,将隐藏层神经元数目选择为360,既有很高的分类精度,而且分类时间也较短。

图5c为ELM分类结果,与遥感解译结果(图5a)对比表明二者分类界线轮廓几乎完全一致,每一个岩性单元的空间展布极为相似。与支持向量机相比,极限学习机的分类准确度提高显著,如表2所示,OA提高了近8%,AD则下降近5%,显然极限学习机相对于支持向量机而言,具有更高的制图准确度。

表2 SVM算法与ELM算法分类结果对比表Table 2 Comparison of classification results between SVM algorithm and ELM algorithm

而且,对于支持向量机所存在的问题,极限学习机都有了不小的改善。首先图面中的离散点和小斑块明显减少。其次,对于花岗闪长岩的分类结果与目视解译结果基本一致,错分现象明显减少(图6c)。最后,极限学习机分类所需要的时间更是大大减少,仅仅需要22.78 s,速度提高了将近六倍。但是极限学习机分类结果图中的离散点和小斑块数量仍然很多,这与实际不符,而且会明显降低图面的协调性和美观性(图5c)。

3.3 引入空间特征的分类实验

为解决极限学习机存在的问题,引入快速漂移算法,利用快速漂移算法对遥感影像的空间特征进行分类。快速漂移算法有σ值和τ值两个参数,增加σ值会产生较为粗略的分类图,增加τ值会增加每个区域的平均大小。对比研究发现,选取σ值为6和τ值为2时,对影像的分类效果最好。

在完成对空间特征的分类之后,引入快速漂移算法对空间特征进行分类,并结合最大投票法将极限学习机分类结果与之结合,最终分类的结果的准确度稍有下降,但是从整体图面效果来看,图面中的小斑块减少了很多,图面更加整洁美观。而且,快速漂移算法和最大投票法所需时间仅有小幅度的增加,引入空间特征,即提升了岩性制图的效果又兼顾了制图效率。

图5d为ELM+QS分类结果,与ELM分类结果(图5c)对比表明二者整体一致,仅仅在小部分区域有微小差异;将二者与遥感解译结果(图5a)对比表明ELM+QS分类结果不仅整体空间展布与解译结果极为相似,而且在细节方面吻合度更高(图8),在ELM+QS分类结果图中,图面中的离散点基本消失,小斑块数量也显著减少,与解译图相似度更高。如表3所示,ELM+QS分类结果与ELM分类结果相比,ELM+QS分类结果的OA稍有降低,但是整体制图效果与遥感解译结果更为相似,而且总处理时间只有小幅度增长。

表3 ELM算法与ELM+QS算法分类结果对比表Table 3 Comparison table of classification results between ELM Algorithm and ELM+QS Algorithm

图8 ELM与ELM+QS局部图(图例参见图5): (a) ELM算法结果局部; (b) ELM+QS算法结果局部Fig.8 Partial diagram of classification results of ELM and ELM+QS (See figure 5 for the legend): (a) the result of ELM algorithm is local; (b) the result of ELM+QS algorithm is local

3.4 结果验证

为验证岩性自动分类的准确性,在甘肃北山白峡尼山地区进行实地验证,对研究区内22个典型点位进行验证,其中21个点位的岩性与自动分类结果一致,仅1个点位岩性与自动分类结果有差别。部分验证点信息如图9所示,验证点位置见图6。验证点R4为石英闪长岩与北侧深色云母石英片岩的界线,实地照片如图9a所示;验证点R26被分类为深色云母石英片岩,实地验证其岩性为云母石英片岩,实地照片如图9b所示。验证结果表明,解译的地质界线是客观存在的,而且与ELM+QS分类结果基本一致,基于光谱—空间的自动分类方法准确度较高。

图9 甘肃北山白峡尼山地区验证照片: (a) 验证点R4处火成岩与北侧变质岩颜色明显差异;(b)验证点R26处深色石英闪长岩Fig.9 Field verification photos of Baixiani Mountain, Beishan Mountains: (a) obvious color difference between igneous rock at verification point R4 and metamorphic rock on the north side; (b) dark quartz diorite at verification point R26

4 讨论

为了对比机器学习方法与传统分类方法间岩性分类精度的优劣,本研究应用最大似然分类法、最小距离分类法等传统方法进行岩性分类,并与SVM、ELM分类方法进行对比分析。结果表明传统分类方法由于算法较为简单,对云母石英片岩、片岩夹大理岩、花岗闪长岩、闪长岩和石英闪长岩等岩性差异较小的岩性类别区分能力较弱(图3),分类准确性较低。其中最小距离分类法计算速度快,但是因为其只考虑每一类样本的均值,而忽略类别内部的方差,因此分类效果较差,总体分类精度为37.32%,仅对岩性差别较大的辉长岩、黑云母花岗岩和玄武岩具有较好分类能力,对其它岩性分类能力较差。最大似然分类法不仅考虑每一类样本的均值,而且还考虑方差等参数,因此分类效果相对较好,总体分类精度可达84.01%。但是对云母石英片岩、花岗闪长岩、石英闪长岩等岩性差异较小的类别区分能力较弱。

SVM对大多数类别岩性的区分能力强,制图结果的准确度很高,其总体分类精度接近90%,但是对云母石英片岩、石英闪长岩等岩性差异较小的类别区分能力较弱,出现较多错分和漏分现象。ELM表现更优,不但对岩性差异较明显的岩性区分能力强,而且对岩性差异较小的云母石英片岩、石英闪长岩等同样具有很强的区分能力,分类准确度更高,其总体分类精度高达96.70%,与SVM相比,ELM所需要设置的参数更少,分类准确性更高。

但是上述分类方法只考虑影像的光谱特征,忽略了影像的空间特征,所以分类结果中存在大量错分小斑块,快速漂移算法会根据影像的色调、纹理、表面粗糙度等空间特征进行图像分类,这使得ELM+QS分类结果中错分小斑块几乎完全消失,各个类别内部均一性较好,分类结果与目视解译结果吻合最优。目前,融合空间特征的机器学习分类方法在遥感岩性分类领域应用较少,但已有的实验表明,融合光谱和空间特征的ELM+QS分类模型在遥感岩性分类领域具有很高的可行性和实用性,且高效、准确,在西北基岩裸露地区具有广阔的应用前景。

5 结论

本研究运用极限学习机算法依据遥感影像的光谱特征进行分类,不但对岩性差异较明显的片岩夹大理岩、黑云母花岗岩、闪长岩、辉长岩等岩性区分能力强,对岩性差异较小的云母石英片岩、石英闪长岩、片麻状石英闪长岩和二长闪长岩同样具有较强的区分能力,总体分类精度达96.70%,分类准确度很高,但是分类结果图中会存在大量错分小斑块。引入遥感影像中地物的空间特征,运用快速漂移算法对空间特征进行分析和分类,结合最大投票法,将空间特征与光谱特征结合,分类结果图中错分小斑块几乎完全消失,在保证分类准确性的同时,提高了分类结果与目视解译结果、地质图的一致性,且分类所需时间仅小幅度增加。

研究表明将基于光谱特征的极限学习机分类与基于空间特征的快速漂移算法结合,可获得较高的岩性分类精度,为后续的精细填图和找矿工作提供准确、客观和可靠数据支撑,在西部基岩出露区具有较好的应用前景。

本研究中采用的ASTER影像空间分辨率为30 m,且在可见光—近红外范围内只有9个波段,难以开展大比例尺、精细的岩性制图工作。后续可以将本研究中的方法用于空间分辨率和光谱分辨率更高的WorldView-3数据及GF-5等高光谱影像,进行更加细致的岩性、矿物分类研究。