面向火星表面层状硅酸盐识别的模型研究

张 霞,吴 兴,2*,杨 杭,陈圣波、林红磊,2

1. 中国科学院遥感与数字地球研究所,北京 100101 2. 中国科学院大学,北京 100049 3. 吉林大学,吉林 长春 130012

面向火星表面层状硅酸盐识别的模型研究

张 霞1,吴 兴1,2*,杨 杭1,陈圣波3、林红磊1,2

1. 中国科学院遥感与数字地球研究所,北京 100101 2. 中国科学院大学,北京 100049 3. 吉林大学,吉林 长春 130012

层状硅酸盐是火星表面含水矿物的主要存在形式之一、也是比较火星不同沉积物和水蚀作用程度的指示矿物、因此构建其识别模型对研究火星的地质演化极其重要。短波红外和热红外谱段对矿物的基团、离子光谱响应机理不同、具有不同的识别优势、然而国内外联合两者识别层状硅酸盐矿物则鲜有研究。基于USGS光谱库数据、面向火星探测器紧凑型侦查成像光谱仪(CRISM)和热辐射成像系统(THEMIS)、在层状硅酸盐的光谱响应机理研究基础之上、分别构建短波红外识别模型与热红外模型、进而结合短波红外和热红外谱段、基于Fisher判别分析构建层状硅酸盐的综合识别模型。交叉验证表明、综合模型识别精度优于短波红外模型和热红外模型、对90.6%的矿物样本正确识别、有效提高了层状硅酸盐的识别精度。

高光谱； 短波红外； 热红外； 层状硅酸盐； 火星

引 言

层状硅酸盐是一种含水硅酸盐、易于在多种地质作用中形成。层状硅酸盐是火星表面过去液态水独特的记录[1]、也是比较不同火星沉积物和蚀变程度的指示矿物[2]。因此构建其光谱识别模型对研究火星的地质演化极其重要。

地物波谱信息是遥感识别地物的关键依据。在短波红外谱段、层状硅酸盐的光谱特征主要由H2O或OH-相关的特征控制。H2O的吸收位置主要在1.4和1.9 μm附近、OH-与特定阳离子结合产生的振动在2.165～2.5 μm区域出现诊断特征[3]。在热红外谱段、层状硅酸盐主要为Si—O键伸缩振动光谱、吸收特征位于9.5 μm附近、在9～10 μm为强吸收带。

国外学者利用这些诊断性光谱在火星层状硅酸盐矿物探测方面进行了一系列成功的探索。在短波红外谱段、火星紧凑型侦查成像光谱仪(CRISM)数据具有高光谱、空间分辨率及较高的信噪比、在矿物填图方面已得到广泛的应用。Bishop等基于CRISM数据探测到Mawrth Vallis地区层状硅酸盐广泛分布[4]。Gurunadham等使用CRISM数据研究火星Gale撞击坑的层状硅酸盐分布[5]。在热红外谱段、热辐射成像系统(THEMIS)以较高的空间分辨率广泛应用于火星岩矿信息提取。Bandfield(2008)利用去相关拉伸的THEMIS发射率图像6-5-4波段假彩色合成识别Hellas Basin西部的高二氧化硅沉积物[6]。McDowell等基于THEMIS探测到Nili Fossae地区存在层状硅酸盐[7]。目前研究大多局限于单一谱段、联合短波红外与热红外光谱识别层状硅酸盐矿物则鲜有研究。

在层状硅酸盐的光谱响应机理研究基础之上、采用USGS光谱数据库、提出基于Fisher判别分析构建层状硅酸盐的综合识别模型、并运用交叉验证的分析方法对模型的精度予以评价。结果表明、本研究提出的综合识别模型切实有效、对火星表面层状硅酸盐识别具有很大的潜力。

1 实验部分

1.1 USGS光谱库数据

USGS(美国地质调查局)光谱库汇集了矿物、岩石、土壤、植被等自然和人工地物的反射率光谱数据、其波长覆盖紫外到远红外谱段。USGS光谱库已广泛应用于光谱识别与定量反演研究。

火星表面除层状硅酸盐外、还有其他造岩矿物(如长石、辉石、角闪石、石英等)、铁氧化物、硫酸盐矿物等。本研究据此从USGS标准矿物光谱库选取69种矿物共计149条矿物光谱曲线、其中层状硅酸盐包括云母族、蒙脱石族、高岭石族、蛇纹石族、绿泥石族共54条光谱； 其他矿物包括碳酸盐、硫酸盐、硼酸盐、氧化物、以及链状、岛状、架装硅酸盐矿物共95条光谱。这些矿物光谱利用Nicolet光谱仪、在干燥条件下通过双锥反射测量获得。剔除数据缺失的波段、波长范围为1.5～14.98 μm、涵盖短波红外到热红外谱段。由于光谱数据记录的是样品的反射率、在热红外谱段运用基尔霍夫热辐射定律近似求得矿物发射率。

1.2 光谱重采样

为探测火星地质岩矿分布信息、近年来美国、欧洲空间局先后发射多颗火星探测器、其中以CRISM和THEMIS性能最佳。CRISM在目标探测模式下可获取544个波段、波长范围0.362～3.92 μm、涵盖短波红外谱段、光谱间隔6.55 nm、空间分辨率为18/36 m[8]。在热红外探测器中、THEMIS以较高的空间分辨率广泛应用于火星岩矿信息提取。THEMIS热红外模式共10个波段、波长范围为6.78～14.88 μm、空间分辨率是100 m。

(1)

式中μ为探测器中心波长。

(2)

为减弱信息丢失、高斯响应采样间隔定为±3δ。利用高斯响应模型计算矿物样本各波段的响应系数、将其归一化处理作为光谱响应权重、和±3δ内的反射率加权求和即得到重采样的矿物光谱。

2 光谱特征分析及参量化

在短波红外谱段、矿物吸收特征大都是Fe2+(1.0 μm)和Fe3+(0.9 μm)过渡族元素的跃迁以及导带产生； 振动过程大都是水分子(1.4、1.9 μm)、X—OH(X通常为Al3+、Mg2+、Si4+等、在2.1～2.3和2.3～2.5 μm区域产生许多诊断特征)、可以根据吸收位置识别层状硅酸盐矿物。图1反映了不同类别矿物反射光谱的可识别度。

图1 重采样到CRISM光谱分辨率的典型矿物反射率波谱

Christina等基于目前火星上已探测的矿物提出了修订的CRISM光谱参数[9]。研究表明、光谱参数能够捕获火星表面已知矿物光谱的差异。本文选取与层状硅酸盐光谱特征相关的10个光谱参数、其名称、物理意义及公式如表1所示。

表1 与层状硅酸盐相关的CRISM光谱参数

*表1公式中、a=(λR-λC)/(λR-λL)、b=1-a。其中λL和λR分别为中心波长λC左右波长。

在热红外谱段、如图2所示、根据不同络阴离子的发射光谱(碳酸根离子(11.1～11.3 μm)、硫酸根离子(8.5～9 μm)、层状硅酸盐(9～10 μm))能够有效区分矿物。层状硅酸盐矿物在9.5 μm附近具有强吸收谷、光谱曲线在THEMIS 4、5、6波段形状呈“V”字形、波段5对应层状硅酸盐最强的吸收谷、能够很好的与其他矿物区分开来。进行差值、比值、归一化、对数、斜率等数学运算、增大波段5与波段4和6的反差、分别求取每种运算的阈值并统计其识别结果、将识别精度最高的一种运算作为层状硅酸盐的热红外识别模型。

图2 重采样到THEMIS光谱分辨率的典型矿物发射率波谱

3 Fisher判别分析及评价方法

3.1 Fisher判别函数

Fisher判别分析是根据样本的多个变量(特征)来划分待判样本归属于哪一类的多元统计分析方法。其基本思想是寻找一个新的投影方向、使得已知类别总体数据点群得以显著区分[10]。本研究基于Fisher判别分析、采用多个光谱参数来对矿物样本进行分类、其基本原理为：

设从2个总体分别取得2类p维观测值G1、G2如下

其中n=n1+n2。

令a为Rp中的任一向量、μ(x)=a′x为x在以a为法线方向的投影、则上述数据的投影为

类间平方和为

(3)

类内平方和为

(4)

当2类均值有显著差异时、则类间差异大、类内差异小、即F应充分大

F=SSG/SSE=a′Ba/a′Ea

(5)

Fisher准则下的线性判别函数μ(x)=a′x的解a为方程|B-λE|=0的最大特征值λ1所对应的特征向量l1[11]。

判别分析有三点假设：(1)各判别变量遵从多元正态分布； (2)各组变量的协方差矩阵相等； (3)每一个判别变量不能是其他判别变量的线性组合。对假设1判别分析要求不甚严格、故在本研究中、首先对各个变量进行组间协方差相等检验、剔除未通过显著性检验的变量。为筛选对模型解释能力较强的几个变量、且避免余下变量存在线性关系、采用有进有出的动态调节方法、最终只保留数量不太多而判别能力又强的变量。

3.2 模型评价方法

将样本分为构造判别函数的训练集和评估结果的验证集、采用交叉验证的方法检验模型的可靠性。交叉验证是将样本等分为n份、然后依次使用其中的n-1份(训练集)建立判别函数、并用新建的判别公式对第n份(验证集)进行判别[11]、以此获得正判的样本个数、得出正判率。

4 识别模型及结果分析

本文基于USGS标准矿物波谱库数据先分别构建层状硅酸盐的短波红外与热红外识别模型、进而结合两者不同的探测优势构建综合识别模型、通过交叉检验对模型的精度予以评价。

4.1 短波红外识别模型

根据表1所列10个光谱参数对矿物样本进行判别分析。首先对各个变量进行组间协方差相等检验、剔除BD1 900、BD2 165、BD2 190、BD2 290这四个未通过显著性检验的变量、将余下6个变量逐步加入判别模型。得到Fisher判别函数式6和两类矿物的质心、其中层状硅酸盐质心是1.135、其他矿物质心-0.645。

SPI=9.12BD2 210+6.68BD2 355+

3.45D2 300-5.25SINDEX-0.379

(6)

SPI与2 210、2 300和2 355 nm的吸收特征正相关、与层状硅酸盐在这几个波长具有诊断性光谱吻合； 与SINDEX负相关、是因为该参数主要识别含水硫酸盐。交叉验证结果显示、SPI成功识别了54个层状硅酸盐中的45个、共对149个样本中的131个正确识别、识别精度为87.92%。

4.2 热红外识别模型

TPI=B4+B6-2B5

(7)

式中B4、B5、B6是THEMIS的4、5、6波段。TPI对149个矿物样本中的127个正确分类、识别精度达到85.23%。

表2 热红外光谱识别结果

4.3 结合短波红外与热红外识别模型

将短波红外的10个CRISM光谱参数和在热红外选取的1个参数TPI构成11维的变量空间、对样本进行Fisher判别分析、得到判别函数式8和两类矿物的质心、其中层状硅酸盐质心是1.355、其他矿物质心-0.770。

PI=5.13BD2 210+5.31BD2 355+

2.36D2 300-3.85SINDEX+5.12TPI-0.547

(8)

交叉验证结果显示、PI成功识别了54个层状硅酸盐中的47个、共对149个样本中的135个正确识别、识别精度为90.60%。

对比本文Fisher判别与Bayes判别分析[11]、决策树分类(CART算法)[12]的识别精度。如表3所示、Fisher判别模型精度优于其他两种方法。

表3 不同识别方法精度对比

Fisher判别函数能够很好的将两类矿物区分开来。对于新的矿物样本、计算相应的光谱参数代入PI、将样本分类到判别得分更靠近质心的一类矿物中。如表4所示(类别1为层状硅酸盐矿物、类别0为其他矿物)。

表4 综合模型识别矿物样本示例

5 结 论

本文提出的综合模型为火星层状硅酸盐识别奠定光谱基础、但在模型应用于火星遥感图像时还需考虑以下问题：

(1)短波红外CRISM与热红外THEMIS图像的空间分辨率不一致、空间重采样方法将影响识别结果；

(2)光谱特征参数在图像运算中可能会增大局部噪声、层状硅酸盐识别精度的提高有赖于光谱波段选择及光谱特征参数的优化；

(3)火星上大气的成分与含量与地球大气迥异、选择或发展有效的大气校正方法以获得准确的图像光谱是火星矿物识别必须解决的问题。

[1] Poulet F,Mangold N,Loizeau D,et al. Astronomy & Astrophysics,2008、487：L41.

[2] Smith M R,Bandfield J L,Cloutis E A,et al. Icarus,2013、223：633.

[3] Carter J,Poulet F,Bibring J P,et al. Journal of Geophysical Research: Planets,2013、118：831.

[4] Bishop J L,Loizeau D,McKeown N K,et al. Planetary and Space Science,2013、86：130.

[5] Gurunadham R、Kumar S. Remote Sensing and Spatial Information Sciences,2014、40：431.

[6] Bandfield J L. Geophysical Research Letters,2008、35(12): 82.

[7] McDowell M L、Hamilton V E. Journal of Geophysical Research: Planets,2009、114(E6): 258.

[8] Murchie S,Arvidson R,Bedini P,et al. Journal of Geophysical Research: Planets,2007、112(E5): 431.

[9] Viviano Beck C E,Seelos F P,Murchie S L,et al. Journal of Geophysical Research: Planets,2014、119：1403.

[10] YUAN Yue,PAN Jun,XING Li-xin、et al(袁 悦、潘 军、邢立新、等). Science Technology and Engineering(科学技术与工程),2015. 109.

[11] HE Xiao-qun(何晓群). Multivariate Statistical Analysis(多元统计分析). 4 Ed.(第四版). Beijing: China Renmin University Press(北京：人民大学出版社),2015.

[12] ZHOU Zhi-hua(周志华). Machine Learning(机器学习). Beijing: Tsinghua University Press(北京：清华大学出版社),2016.

*Corresponding author

Study on Recognition Model of Phyllosilicate of Martian Surface

ZHANG Xia1,WU Xing1,2*,YANG Hang1,CHEN Sheng-bo3,LIN Hong-lei1,2

1. Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100101,China 2. University of Chinese Academy of Sciences,Beijing 100049,China 3. Jilin University,Changchun 130012,China

Phyllosilicate belongs to hydrated silica,which is a principal form of hydrous minerals on the martian surface. It’s also an indicator in comparing different sediments and degree of aqueous alteration. Therefore,it’s essential to establish its recognition model for studying the geologic evolution of the Mars. Short-wave infrared (SWIR) spectral bands and thermal infrared (TIR) spectral bands have distinct spectral response to the mineral groups and ions,so they have distinctive advantages in detecting minerals. However the method of combining SWIR and TIR to recognize phyllosilicate is rarely studied. Based on the USGS spectral library,facing Compact Reconnaissance Imaging Spectrometer for Mars(CRISM) and Thermal Emission Imaging System(THEMIS),we conducted the research on the mechanism of the spectral response of phyllosilicate,and established the SWIR and TIR identification model respectively,then combined the SWIR and TIR spectral features to build the combined recognition model of phyllosilicate with Fisher discriminant analysis. The results of cross validation show that the identification accuracy of combined model is the highest,which can correctly classify 90.6% of the mineral samples and improve the identification precision of phyllosilicate effectively.

Hyperspectral remote sensing; Short-wave infrared; Thermal infrared; Phyllosilicate; Mars

Aug. 27,2015; accepted Dec. 18,2015)

2015-08-27、

2015-12-18

国家自然科学基金项目(41671360)、国家“863”计划项目(2013AA12A302)资助

张 霞、女、1972年生、中国科学院遥感与数字地球研究所研究员 e-mail: zhangxia@radi.ac.cn *通讯联系人 e-mail: wuxing15@mails.ucas.ac.cn

P575

A

10.3964/j.issn.1000-0593(2016)12-3996-05