基于WorldView-3數據對輝銅山地區的巖性進行對比分類

解富淵 曾余慶 王海

摘要：巖性填圖是遙感技術在地質領域的重要研究方向。隨著WorldView-3衛星的成功發射，高分辨率的WorldView-3數據給高精度巖性填圖帶來了新的多光譜數據源，本文以甘肅輝銅山為研究區，依據WorldView-3數據的波譜特性，利用波段比、假彩色合成和技術，對研究區巖性進行精細分類。再使用監督分類支持向量機（SVM）對研究區巖性進行機器分類，與原地質圖和波段比巖性分類結果對比，驗證WorldView-3數據監督分類效果，為我國西部地區地質調查和找礦工作提供遙感技術支撐。

關鍵詞：WorldView-3數據；巖性填圖；波段比；假彩色合成；監督分類

1.自然地理概況

1.1地理位置

研究區位于甘肅省瓜州縣柳園鎮，距離柳園鎮約25km，東北距蘭新高鐵柳園站約35km，距312國道約30km，交通方便。區內地形北高南低，主要山脈多呈東西走向，海拔一般在1600m～1900m，相對高差約40m；自然條件十分惡劣，屬于典型大陸性氣候，自然地理屬高原低山丘陵區和戈壁荒漠區，研究區面積約35km2。

1.2輝銅山地質條件

1.2.1地層巖性

研究區屬于古亞洲成礦域，塔里木—北山成礦區，華力西—印支期花牛山銅、金、鎳、鐵、鉛、鋅成礦帶；明金溝—紅山斷裂與柳園—大奇山深大斷裂之間，磁海—紅柳園—白山堂晚古生代陸內裂谷帶內。區內地殼活動頻繁，巖漿巖呈多期次侵入，并且有多期不同程度變質作用，成礦地質條件較為優越。

上巖組主要分布在研究區中西部，主要巖性為片巖夾大理巖、石英巖，墩墩山組主要分布在圖幅中部，主要巖性為流紋巖、安山巖、安山玄武巖、中酸性熔凝灰巖夾薄層大理巖。

紅柳園組分布在圖幅東部一小部分地區，主要巖性為礫巖、含礫粗砂巖、砂巖、灰巖、生物巖屑灰巖，粉砂巖及少量硬砂巖，總體以碎屑巖為主。雙堡塘組分布在圖幅東部，下巖段巖性主要由礫巖及含礫粗砂巖組成；中巖段巖性主要由灰色、深灰色粉砂巖夾少量含礫砂巖、細礫巖、灰巖及玄武巖組成；第四系上更新統中部的山前沖—洪積扇或戈壁灘[1]（圖1）。

1.2.2地質構造

區域內地質構造的活動，自加里東期—華力西期均有不同程度的顯示，并經歷了長期復雜的構造運動。區域性褶皺、斷裂帶走向主要近東西向，構成區域基本構造格架；次級構造以北東向、北北西向為主。

2.遙感數據源及預處理

本研究所選用的遙感數據來源為Worldview-3數據，WorldView-3衛星含有全色波段一個、可見光—近紅外波段八個、短波紅外波段八個，空間分辨率分別是0.5m、2.0m和7.5m，是當前商業成像衛星中分辨率最高的衛星之一。

ASTER數據和ETM數據由于其獲取的開放性和波段設置，被廣泛應用于巖性填圖，但其中等分辨率普遍存在光譜混合現象，其記錄的光譜特征、空間結構和紋理特征無法滿足高精度的巖性分類和復雜區域的地質調查。與此同時，高空間分辨率如國產高分系列覆蓋的波段范圍較窄，缺乏短波紅外波段，無法滿足巖性填圖的需要，而且，遙感巖性填圖仍采用人工目視解譯或人工交互的方式解譯，依賴于先驗知識和專家經驗，應用效率并不高。

基于Worldview-3數據巖性填圖的研究相比較，WorldView-3數據與目前應用較多的ASTER數據和ETM數據相比較，具有更高的空間分辨率和光譜分辨率，而且新增的SWIR波段覆蓋范圍廣、細分程度高[2]。

利用ENVI5.3FLAASH模塊進行大氣校正，可有效消除大氣對數據的影響，之后將SWIR圖像重采樣到2m空間分辨率，與VNIR圖像保持一致，并進行圖層疊加。

3.巖性信息增強

根據WorldView-3數據與以往地質資料，采用兩種不同的圖像處理技術：波段比（BR），假彩色合成（FCC）繪制暴露巖石的巖性單元。BR是巖性測繪中最重要和最合適的技術之一，同時可以用于突出在原始條帶中看不到的某些特征或材料。在這種方法中，波段的選擇取決于它們的光譜反射率和被映射礦物的吸收波段的位置[3]。采用假彩色合成（FCCs）的波段組合和比率進行增強區分不同巖石單元。FCC圖像的解譯取決于如何將這些波段分配到用于圖像顯示的三種主要顏色RGB，而RGB又取決于巖石的光譜特征[4]。光譜特征分析有助于比值法中選擇最佳波段。選擇三個波段最合適的組合可以從統計學上進行（通過一個最佳的指數因子），也可以參考大量的文獻，并考慮到該地區的巖性，最終得到一個充分的底圖[5]。

現階段，遙感巖性填圖的主要方法是結合多元數據進行協同處理來彌補單一數據源的不足，再者是利用先進的算法對一個或多個數據源進行全面的、深部的診斷特征的挖掘實現巖性信息的精細提取。

支持向量機（SVM）技術是由瓦普尼克提出的。它是從統計學習方法發展而來的有監督非參數方法，用于解決多光譜和高光譜數據中復雜的分類。SVM在遙感界受到越來越多的關注。它已成功用于巖性填圖。但將此技術應用在WorldView-3數據上的研究還有很大的空白。

本研究選用WorldView-3影像的BRs（SWIR8/SWIR5，SWIR5 /SWIR3，SWIR7 /SWIR8為RGB）用于區分磚紅色黑云母花崗巖、輝長巖、輝綠巖和石英閃長巖等（圖2）。

對假彩色合成后的影像，使用ENVI5.3里的支持向量機（SVM）對其進行監督分類，首先對處理后的八種巖性選擇訓練區域，采用某一巖性類型的所有樣本光譜的平均光譜作為參考光譜。對于支持向量機（SAM），將每個巖性單元類的訓練樣本的光譜平均，構建最終的分類光譜。訓練樣本和測試樣本。根據波段比假彩色合成后的遙感影像和輝銅山1∶5萬地質圖進行選擇。此外，利用野外數據和WorldView-3圖像的目測解譯結果，編制了輝銅山地區地質圖。巖性填圖的支持向量機（SVM）分類結果如圖3所示，

4.討論和結果

本研究利用遙感資料和野外地質資料的綜合解譯，對研究區進行了巖性填圖。影像解譯與制圖第一階段包括WorldView-3影像與地質圖數據的綜合實證分析。利用1∶5萬比例尺地質圖和影像處理技術，在新的野外工作開始前，已編制了一份臨時地質圖。本節利用地質填圖的BR方法和FCC圖像對輝銅山地區不同巖性進行區分。我們應用了各種已被證實為探測地質填圖的有用比值的BRs。將BR圖像集成到FCC圖像中，并用于繪制研究區域的地質圖。因此，利用不同的BRs組合更新了輝銅山地區的地質圖。

WorldView-3影像BRs（SWIR8/SWIR5，SWIR5/SWIR3，SWIR7/SWIR8為RGB）的結果表明研究區磚紅色花崗巖、暗綠色輝長、暗綠色輝綠巖、土黃色似斑狀花崗巖、華力西中期深灰色閃長巖、閃長巖、火山巖、第四系也有較好的區分，但是研究區南部原1∶5萬地質圖里的淺灰色閃長巖和深灰色石英閃長巖沒有得到很好的區分。

美國地質調查局（USGS）的巖石形成礦物光譜庫也被用來評價研究區巖性單元的WorldView-3圖像光譜特征結果。其中區分了八類，與野外觀測和地質圖對比表明，深棕色為磚紅色黑云母花崗巖，淺綠色為華力西中期暗綠色輝長巖，粉色為第四系，青色為酸性、基性火山巖，淺棕色為閃長巖。從支持向量機巖性分類效果與1∶5萬地質圖上對比來看第四系和土黃色花崗巖沒有得到很好的區分；淺灰色閃長巖、深灰色石英閃長巖和華力西中期深灰色閃長巖也沒有得到較好的區分。

該方法可以有效地用于未勘探地區的地質填圖和勘探。根據以往的地質圖和WorldView-3數據進行目視解譯，并加上野外調查，繪制了該地區的局部地形圖。通過對研究區遙感影像解譯和輝銅山1∶5萬比例尺地質圖的初步分析，表明這個地區的巖性可以通過衛星圖像識別。結果表明，SWIR波段具有較高的巖性識別能力。

分類結果通過詳細的精度評估和目視判讀進行評價。顯示了使用SVM方法對每個類的生產者和用戶的準確性。WorldView-3數據分類的總體準確率較高，結果表明，該分類圖具有較好的精度，反映了分類圖與真實參考數據之間的一致性。

野外觀測結果表明，該地區巖石單元的分布與遙感結果基本一致。通過對輝銅山地區主要巖石單元的目視解譯與分析結果對比，也證實了其較高的分類精度。巖性圖的準確性通過獨立的驗證樣品、野外工作和地質圖來評價。在輸出分類圖的繪制和精度評價中，使用以往地質圖來選擇驗證是相當重要的。將分類后的綜合結果與地質圖進行可視化比較，可以看出總體上具有較好的對應關系。結果表明，利用支持向量機（SVM）對研究區巖性填圖和巖石單元劃分具有重要的指導意義。

5.結論

本研究的目的是利用WorldView-3數據和綜合遙感解譯技術對輝銅山地區的巖性單元進行繪制，并通過一系列野外調查和以前的巖性圖對結果進行確認。利用各種圖像處理技術如BR、FCC和SVM，根據巖性判別生成包含增強信息的導數數據集。利用基于不同BRs的FCCs圖像繪制了變質巖、火山碎屑巖和花崗巖類巖性單元。利用不同的BRs組合編制了輝銅山地區的初步地質圖。在本文的研究工作中，應用支持向量機方法得到的結果表明，各類巖性分類準確率較高。顯示了很好的整體性和分類精度。結果表明，SVM分類方法得到的地形圖總體精度基本符合分類要求。野外調查證實了輝銅山地區主要巖石單元的最高分類精度。結果還表明，該圖像處理方法可以為利用WorldView-3數據鑒別不同巖石類型提供詳細的信息。結合遙感數據的光譜識別，在稀疏精細地質填圖的情況下加快了輝銅山地區的調查。通過圖像分析得到的最終巖性圖有助于識別研究區夕卡巖類型等經濟礦床。

參考文獻：

[1]李立.甘肅輝銅山外圍銅礦體空間展布特征研究[D].新疆大學， 2019.

[2]Sun Y ， Tian S， Di B. Extracting mineral alteration information using WorldView-3 data. Geoscience Frontiers， 2017， 8（5）：1051-1062.

[3]Rajendran， S.， Thirunavukkarasu， A.， Balamurugan， G.， & Shankar， K. （2012）. Discrimination of iron ore deposits of granulite terrain of Southern Peninsular India using ASTER data. Journal of Asian Earth Sciences， 41， 9 9–106.

[4]brahim， W. S.， Watanabe， K.， & Yonezo， K. （2016）.Structural and litho- tectonic controls on neoproterozoic base metal sulfide and gold mineralization in North Hamisana shear zone， South Eastern Desert， Egypt：The integrated field， structural， landsat 7 ETM+and ASTER data approach. Journal of Ore Geology Reviews，79，62–77.

[5]Puertas， O.L.； Brenning， A.； Meza， F.J. Balancing misclassification errors of land cover .