高光谱Hyperion与高分辨率WorldView-2卫星数据协同下的岩性分类

2017-09-25张翠芬杨晓霞郝利娜

成都理工大学学报（自然科学版） 2017年5期

张翠芬, 杨晓霞, 郝利娜, 张志, 刘晰,5

(1.中国地质大学信息工程学院，武汉 430074; 2.山东女子学院，济南 250002;3.成都理工大学国土资源部地学空间信息技术重点实验室，成都 610059;4.中国地质大学公共管理学院，武汉 430074；5.国家测绘地理信息局四川基础地理信息中心，成都 610041)

张翠芬1,2, 杨晓霞3, 郝利娜3, 张志4, 刘晰3,5

在目前的技术条件下，一种遥感数据源很难同时具有高空间分辨率和高光谱分辨率特征，因此如何协同使用不同来源的遥感数据进行矿物岩石识别就成了遥感地质领域的重要研究内容之一。本文结合高空间分辨率WorldView-2数据和高光谱分辨率Hyperion数据，以新疆乌恰县矿物岩石识别与地层划分为例探讨多源遥感数据协同的岩性分类。通过对比2种数据源的空间和光谱探测能力，找到其协同基础。借鉴传统的同源数据融合方法，把World View-2多光谱数据降采样到不同空间尺度，并进行主成分变换，采用第一主成分与Hyperion融合产生协同数据。基于SAM光谱角分类法，分别采用WorldView-2多光谱原始数据、Hyperion原始数据和各协同数据对研究区的岩性进行自动分类。结果表明，各协同数据岩性分类精度较高，Hyperion次之，WorldView-2数据岩性分类精度最低。

WorldView-2; Hyperion; 协同;岩性分类

随着卫星传感器技术的发展，遥感数据的分辨率不断提高，空间分辨率达到亚米级，光谱分辨率达到纳米级。目前可供选择的星载高光谱EO-1 Hyperion(NASA)、PROBA上的CHRIS(欧空局)和NEMO上的COIS(美国海军)等遥感数据光谱分辨率均已达到数十纳米。Quickbird、WorldView-2等卫星数据空间分辨率已达到亚米级。然而，高的光谱分辨率往往是以牺牲空间分辨率为代价，反之亦然，因此光谱分辨率与空间分辨率之间的矛盾始终存在。如何综合利用不同源遥感图像的优势提高分类精度，一直是广大遥感应用研究者关注的问题。

岩石矿物不仅具有特殊的波谱吸收带，还具有较为稳定的空间结构特征(纹理特征)，不同遥感数据在光谱分辨率及空间分辨率上的优势使得协同利用其进行岩石矿物的识别成为可能。WorldView-2数据在空间分辨率上具有较大优势，能够充分揭示岩石地层的空间结构信息，有利于岩石地层纹理信息的提取。Hyperion数据的光谱分辨率达到10 nm，能够表达不同地物光谱的吸收和反射特征，尤其在其短波红外区间对含铁氧化物、黏土矿物、碳酸盐矿物等具有独特的吸收和反射特征。因此，协同利用上述2种典型数据源优势进行岩石地层识别的研究对遥感地质学的发展具有重要意义。

1 地质背景及数据准备

1.1 地质背景

新疆喀什市乌恰县康苏镇区域大地构造上属塔里木盆地西部喀什凹陷，其夹持于南天山与西昆仑两大山系间[1-2]。本文以超大型沉积岩铅锌矿床所在的乌拉根向斜南翼为协同遥感数据岩石分类实验区，该区域以中生界、新生界沉积岩(砂砾岩)为主，出露的主要地层有第四系、新近系、古近系、下白垩统、侏罗系和中元古界长城系。各时期地层特征见表1。

1.2 数据源及预处理

1.2.1 WorldView-2数据预处理

WorldView-2数据成像时间为2011年8月21日，数据产品为LV2A级，经过系统辐射纠正和粗几何校正。本次研究所用的WorldView-2多光谱数据共有8个波段，第1到第8波段依次为海岸波段、蓝波段、绿波段、黄波段、红波段、红边波段、近红外1波段和近红外2波段，光谱覆盖可见光-近红外区间。数据预处理采用ENVI 4.8中的Flaash模型对多光谱产品进行大气纠正[3]，使用Erdas 9.1进行几何精校正。

1.2.2 Hyperion数据预处理

Hyperion数据所在轨道行列号为150/32，成像日期为2003年9月27日，数据产品为1 Gst级，经过系统辐射纠正和粗几何校正。本次研究采用ENVI 4.8中的Flaash模型对其进行大气纠正[4-5]，几何精校正采用Erdas 9.1完成。经过预处理后的Hyperion图像有效波段共155个，波谱覆盖可见光-近红外-短波红外区间。

表1 研究区主要地层及岩性特征Table 1 Main stratigraphic and lithologic feature in the study area

1.3 不同数据源反射率相对校正

1.3.1 两类数据反射率对比

研究区穿越条件较差，地表无植被覆盖，WorldView-2和Hyperion数据在时相上相差约8年，季相相差约1个月，鉴于上述特征，不考虑由于地表覆盖变化引起的反射率变化，仅考虑由于太阳高度角、方位角和传感器等因素造成的反射率变化。针对研究区和数据源实际情况，首先分析主要岩石单元在2类数据上的反射率特征。

具体方法：随机选取反射率最高的E1a组石膏岩，反射率次高的J3k组棕红色砾岩夹砂岩，反射率居中的E1-2q组浅红色膏泥岩，反射率较低的N1p组浅棕灰色砂岩和含砾砂岩，分岩石地层单元统计其在WorldView-2和Hyperion上的均值反射率(图1)。

图1 主要岩石单元在WorldView-2和Hyperion图像上的反射率Fig.1 Lithological reflectance of WorldView-2 and Hyperon images in Wuqia

由于Hyperion高光谱数据光谱范围覆盖可见光-近红外-短波红外，WorldView-2数据光谱范围仅覆盖可见光-近红外，二者不具有可比性，因此对Hyperion数据按照WorldView-2数据的光谱范围进行重采样，其结果见图2。

图2显示出以下2个特征：① E1a组岩石反射率曲线在WorldView-2和Hyperion图像上接近，反射率较高，蓝绿谱段的差异源于样本的选择和像元混合。E1a组岩石在2种传感器中反射率均达到各自传感器光电转换率的上限，因此图像呈现过饱和高亮白色调，其对于消除因传感器、时相差异带来的辐射差异没有帮助。② E1-2q组、J3k组、N1p组3类岩石单元在Hyperion图像上的均值反射率均小于WorldView-2图像反射率，且3类岩石单元反射率曲线在2个图像上呈平行状，曲线波形相似，表现出线性相关。因此可采用2种图像样本均值之比作为转换因子“C”来消除因传感器、时相等不同造成的辐射差异。

图2 不同岩石单元Hyperion图像光谱重采样曲线与WorldView-2光谱曲线图Fig.2 Hyperion spectrum curve resampling to WorldView-2 image spectral range compared with WorldView-2 spectral curve

1.3.2 反射率相对校正

基于Hyperion中心波长与WorldView-2中心波长位置一致的波段图像上随机选取E1-2q组、J3k组和N1p组岩石若干样本，统计2类图像均值反射率，利用样本均值反射率的比值获得反射率匹配因子“C”。2种传感器中心波长近于一致的波段见表2。

表2显示WorldView-2图像的第1、第2、第5、第7波段与Hyperion图像的第8、第13、第31、第48波段中心波长接近。鉴于蓝紫光波段受水汽影响，图像信噪比低，因此剔除WorldView-2图像第1波段和Hyperion图像第8波段，选取WorldView-2图像的第2、第5、第7波段和Hyperion图像的第13、第31、第48波段计算2类数据源的辐射转换因子“C”

表2 Hyperion与WorldView-2中心波长位置近于一致的波段Table 2 Center wavelength of Hyperion compared to WorldView-2

式中：M表示反射率均值；下角b表示波段。2类数据相应波段的E1-2q、J3k、N1p组岩石样本平均反射率见表3。根据式(1)和表3计算出WorldView-2数据b2、b5、b7的样本均值约为1 895.35，Hyperion数据b13、b31、b48的样本均值约为1764.28，得到匹配因子“C”为0.93。

短波红外区间波段是遥感岩石识别的有利光谱区间，因此反射率相对校正时应该最大程度保留原始短波红外区间光谱信息。本文最终采用对WorldView-2图像乘以匹配因子“C”来消除其与Hyperion图像的辐射差。

2 多源遥感数据协同

2.1 协同基础

成像系统自身的制约导致遥感成像时空间分辨率和光谱分辨率二者不可兼得，A.P.Cracknell[6]认为 “协同”是指使用2种或2种以上不同传感器数据源能够获得比单一使用一种传感器数据源更丰富的信息和更高的精度。在多光谱遥感中，多光谱图像和全色图像的融合很好地诠释了这一点。由于遥感数据源的多样化和多元性，导致遥感领域协同的研究内容非常宽泛，研究方法多样，涉及较多的技术方法和基础理论。尽管国内外学者对此做了大量广泛而深入的研究，然而多源遥感数据的有效协同依然没有形成比较成熟的系统理论框架和具体的模型算法。在实际应用中，多源遥感数据协同使用可以理解成为了有效发挥不同的遥感数据产品在空间分辨率、光谱分辨率等方面的优势，基于一定的数字图像处理技术，生成光谱探测能力和空间探测能力均较原始数据有所提高的新型数据产品[7]。本次研究以Hyperion和WorldView-2数据为例，初步探讨如何协同其各自的光谱优势和空间优势。

2.1.1 不同传感器光谱探测能力对比分析

WorldView-2数据和Hyperion数据波段和光谱区间对比情况见图3，二者除了波段数悬殊之外，在波谱范围上也有差异，具体分析如下。

表3 Hyperion图像和WorldView-2图像上样本平均反射率Table 3 Average reflectivity of samples in Hyperion and WorldView-2 images

a.可见光-近红外波谱区间

WorldView-2多光谱图像仅覆盖可见光-近红外波谱区间(图3)，其中第1、第2、第3波段波谱连续，第4、第5波段间有约5 nm间隔，第5、第6波段间有约15 nm的间隔，第6、第7波段间有约25 nm的间隔，第7、第8波段间有约35 nm的重叠区，波谱不连续，平均波段宽50 nm，光谱分辨率较低。在这一光谱区间内，Hyperion图像共有59个波段(图3)，与WorldView-2第1到第8波段对应的光谱区间内依次为3、6、7、4、7、7、13、12个波段，波段连续无间隔，亦无重叠，平均波段宽度仅10 nm，光谱分辨率高。

图3 WorldView-2与Hyperion波谱范围对比Fig.3 Comparison of the WorldView-2 with Hyperion spectrum波谱范围彩色横线上的数字表示该范围内的波段数

b.短波红外波谱区间

WorldView-2图像没有设置波段。Hyperion图像共有4个波谱区间，在1.05～1.34 μm区间内，有29个连续波段，1.48～1.79 μm区间内有32个连续波段，1.98～1.99 μm区间内有2个连续波段，2.03～2.34 μm区间内有33个连续波段。上述波谱区间内平均波段宽度依然为10 nm，光谱分辨率高。

矿物的波谱机理揭示铁离子在可见光-近红外区间(具体为0.5 μm、0.9 μm和1.0 μm)有明显的特征吸收带；黏土类矿物在短波红外区间有明显的特征吸收带(具体为2.2 μm、2.3 μm)；碳酸盐类矿物也在短波红外区间有明显的特征吸收带(具体为2.33～2.37 μm)。可见，大多数矿物的特征吸收谱带都位于短波红外区间。

综上所述，不管是从数据源本身的光谱特征还是从矿物岩石光谱特征看，Hyperion图像由于具有更高光谱分辨率和较宽的波谱范围，在识别岩石单元和矿物上具有更大的优势。

2.1.2 空间探测能力对比分析

WorldView-2图像全色波段空间分辨率为0.46 m，多光谱波段空间分辨率为1.84 m，能够精细探测地表的微小地物及地物的几何空间结构，在识别岩石地层中的节理、劈理、层理，分析不同岩石单元之间的接触关系时具有优势(图4)。Hyperion图像的空间分辨率为30 m，只有当地质体具备一定的出露规模，且地质体内部性质较单一并均匀分布时，该数据才能够充分发挥其岩石地层识别和划分的优势；然而在大比例尺的矿物或岩石填图和构造识别时，该数据由于受到混合像元的干扰，从而增加了矿物或岩石光谱识别的不确定性，因此精度有所降低。

综上所述，高空间分辨率遥感数据能较好地探测地表细节信息，高光谱数据波谱连续，能够有效识别岩石矿物的微小光谱差异，因此将不同遥感图像优势有效利用，是提高遥感岩石地层识别精度的有效途径。

2.2 协同方法

早期遥感图像融合的实质是同一传感器全色图像和多光谱图像的有效协同，传统的融合算法是有效提高同源遥感图像光谱分辨率和空间分辨率的典范。本次研究为了有效协同不同数据源优势，主要借鉴传统遥感图像融合的思想和算法，使协同数据在最大限度提高空间分辨率的同时，光谱失真最小，抑或损失的光谱信息对图像分类结果无明显影响。

传统融合算法中有2个因素影响融合图像质量，一是不同数据源的空间分辨率[8-9]，二是不同数据源的光谱范围。为了最大限度保持融合后图像的光谱信息与原光谱信息一致或接近一致，不同数据融合过程中，在提高多光谱图像的空间信息时，一般只考虑注入地物的强度信息，而不带入光谱信息。如经典的HIS融合算法通过彩色空间变换，将R(红)G(绿)B(蓝)空间变换到H(色调)、I(亮度)、S(饱和度)空间。转换后的新空间中，色调分量表示色彩的颜色属性，亮度分量表示色彩的明亮属性，饱和度分量表示色彩的纯洁属性，故此，亮度分量与色彩属性无关，仅与色彩的强度或明亮度有关，因此可用高空间分辨率的图像替换亮度分量，再进行从HIS到RGB的逆变换完成图像融合。融合后的图像即借助没有变化的色调分量和饱和度分量保留了原多光谱图像的光谱特征，又借助于新亮度分量带入了高分辨率空间信息，提高了空间分辨率，从而实现了光谱和空间的协同。在随后发展起来的主成分变换(PC)融合法、GS(Gram-Schmidt)光谱锐化融合法、小波变换融合法等融合算法中，均承袭并发展了这一思想，实现空间和光谱的有效利用。

图4 相同空间范围内WorldView-2多光谱图像(A)、Hyperion图像(B)、协同图像(C)Fig.4 Image characteristics of the south limb of Wulagen syncline in WorldView-2 multispectral images (A),Hyperion images (B), synergy images (C)

本文协同方法遵循经典的融合思想，并将其拓展到不同源Hyperion和WorldView-2数据，在向Hyperion图像中注入WorldView-2图像空间信息时，从图像空间尺度和光谱响应范围2个角度考虑。

2.2.1 空间尺度的转换与优化

王忠武等[8]研究表明，只有当2种不同空间分辨率数据处于一定范围内，融合后图像的光谱畸变才会较小，光谱保真度较高。他基于GS光谱锐化融合算法，利用图像重采样方法将IKONOS图像多光谱和全色分辨率之比依次降为1∶4、1∶8、1∶12、1∶24、1∶28、1∶32，分别融合不同分辨率之比的全色与多光谱图像，试验结果显示当分辨率之比>1∶12时，融合图像具有较高的光谱保真度。Ling Yong等[9]则是通过一组分辨率之比分别为1∶3、1∶6、1∶30的融合试验，表明当分辨率之比为1∶6时融合图像质量最好。该研究结论与目前多光谱传感器数据在全色和多光谱数据分辨率之比设置为1∶4(WorldView-2、Quickbird、IKONOS、SPOT等)或1∶2(Landsat系列卫星、SPOT系列卫星)不谋而合。

从空间和光谱2个角度及已有的融合方法考虑，全色图像与多光谱图像的空间分辨率介于1∶4～1∶2之间时，融合结果较理想。而WorldView-2多光谱(1.84 m)及全色数据(0.46 m)与Hyperion数据(30 m)空间分辨率之比分别约为1∶15和1∶60，不符合上述要求。因此，30 m分辨率的 Hyperion高光谱数据想要通过融合提高空间分辨率，理论上只有当与其融合的全色图像空间分辨率为7.5 m、10 m、15 m时融合效果较为理想。此外，依据前人研究结果，空间分辨率之比为1∶15的2类数据融合效果优于1∶60。因此选择WorldView-2多光谱数据与Hyperion数据融合，同时把WorldView-2多光谱数据分别依次降采样到5 m、7.5 m、10 m和15 m，使其在与Hyperion图像融合时，不会因为空间分辨率的较大差异影响融合图像的光谱保真度。其次，针对研究区岩石单元特征寻找出多源遥感数据融合协同划分岩石单元的最佳分辨率之比和最佳尺度。

2.2.2 构建全色图像

为了提高融合图像质量，融合前全色图像应满足：①光谱范围与多光谱图像光谱范围一致或接近，②包含较多空间信息，较少光谱信息。图3显示，WorldView-2图像多光谱覆盖范围(0.4～1.04 μm)优于全色波段光谱覆盖范围(0.45～0.8 μm)，因此，针对①选择WorldView-2多光谱图像构建全色影像。P.S.Chavez Jr等[10]、T.S.Huang[11]、A.Pinz等[12]研究指出，遥感图像通过PCA变换后，第一主分量包含了大约80%以上信息量，且主要包含原始图像的空间信息。因此，针对②对降采样后的WorldView-2多光谱图像实施PCA变换，利用第一主分量与Hyperion图像进行融合，使协同数据同时具备较好的空间和光谱分辨率。

本次研究最终将WorldView-2多光谱数据依次降采样到不同的空间分辨率(2 m、5 m、7.5 m、10 m和15 m)，通过PCA变换后选取第一主分量构建一个光谱覆盖范围相对较宽的模拟全色波段与Hyperion图像基于GS光谱锐化法融合协同，协同数据分别称为协同2、协同5、协同7、协同10、协同15，协同效果以岩石自动分类精度为标准评价。

图5 岩性分类结果Fig.5 The lithological classification results(A)WorldView-2分类结果; (B) 协同2分类结果; (C) 协同5分类结果; (D) 协同7分类结果; (E) 协同10分类结果; (F) 协同15分类结果; (G)Hyperion分类结果

3 岩性分类及评价

3.1 分类结果

岩性分类分别基于Hyperion原始数据、WorldView-2原始多光谱数据和各协同数据，分类方法[13-15]采用光谱角(SAM)法，训练样本采用人机交互的方式基于WorldView-2数据和已有地质图选取不同岩石单元的若干样本，不同遥感数据源的分类结果见图5。

a.原始数据分类结果

WorldView-2多光谱数据岩石分类精度最低，因为其波段较宽，且缺失短波红外区间光谱，光谱分辨率最低。Hyperion数据由于成像角度和太阳高度角的问题，导致阴影严重，无效像元较多，但其岩石分类精度仍然优于WorldView-2，因为其光谱分辨率在7类数据中最高，可见，对于岩石单元分类而言，光谱分辨率的影响占主导因素。

b.协同数据分类结果

5类协同数据空间分辨率优于Hyperion，光谱分辨率优于WorldView-2，多源数据协同过程中，在注入空间信息的同时去除了Hyperion原始数据的部分阴影，因此其岩石分类精度均较高。协同数据岩石分类结果中，乌拉根向斜南翼沉积地层韵律层理清晰，未分像元减少。

3.2 分类精度评价

利用研究区已有地质图随机采样、专业人员高分辨率遥感图像目视解译结果和野外实际路线调查结果，基于混淆矩阵对上述7种分类结果进行精度评价，分类结果精度见表4。

表4中，各协同数据分类精度均较高，其中：协同2的空间分辨率最高，岩石分类精度最低，约为83%。协同10的空间分辨率为10 m，岩石分类精度最高，约为88%。协同5、协同7、协同15的空间分辨率分别为5 m、7.5 m、15 m，岩石分类精度分别为84%、85%、84%；Hyperion的分类精度次之，为78%； WorldView-2的分类精度最低，为47%。

4 讨论与结论

协同数据岩石单元分类精度较高，Hyperion数据分类精度次之，WorldView-2数据分类精度最低。对遥感岩石分类而言，光谱分辨率及短波红外光谱范围大于空间分辨率对岩石分类精度的影响。通过空间变换和融合的方式，各类协同数据融入了Hyperion图像光谱信息，其岩石分类精度均较WorldView-2图像分类精度高约26%，可见，短波红外范围光谱信息的融入和光谱分辨率的提高是遥感岩石分类精度提高的根本因素，因此光谱协同对遥感地质意义更大。然而空间分辨率也是不可或缺的因素，各类协同数据的分类精度均较Hyperion数据分类精度高则是由于协同数据注入了WorldView-2数据的空间优势。可见，参与分类数据的空间分辨率也是影响分类精度的重要因素。此外，依据分类结果，对本文研究区的岩石地层而言，10 m空间分辨率尺度能够获得较高分类精度。

表4 分类精度对比

今后的研究中，值得思考和解决的问题：①试验仅利用了WorldView-2多光谱数据信息，而WorldView-2全色波段空间分辨率为0.5 m，在表达不同岩石单元的空间结构方面具有更显著优势，在今后的研究中，应进一步探讨如何有效协同WorldView-2全色数据。②WorldView-2传感器与Hyperion传感器因成像角度不同而导致地物形状和大小变化，这类变形通过几何精校正等预处理无法全部消除，因此给融合后的图像带入不同程度的畸变。消除因传感器差异造成的成像畸变，对提高协同数据质量具有重要的意义，也是值得深入研究的问题。

[1] 李志丹,薛春纪,董新丰,等.新疆乌恰县乌拉根铅锌矿床地质特征和S-Pb同位素组成[J]. 地学前缘,2013,20(1):40-54. Li Z D, Xue C J, Dong X F,etal. Ore geology S-Pb isotopic compositions of the Wulagen Zn-Pb deposit, Wuqia County, Xinjiang[J]. Earth Science Frontier, 2013, 20(1): 40-54. (in Chinese)

[2] 祝新友,王京彬,刘增仁,等.新疆乌拉根铅锌矿床地质特征与成因[J].地质学报,2010,84(5):694-702. Zhu X Y, Wang J B, Liu Z R,etal. Geologic characteristics and the genesis of the Wulagen lead-zinc deposit, Xinjiang, China[J]. Acta Geologica Sinica, 2010, 84(5): 694-702. (in Chinese)

[3] Poli D, Angiuli E, Remondino F. Radiometric and geometric analysis of WorldView-2 stereo scenes[C]// Proceeding of the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Calgary, AB, Canada, 2010.

[4] 袁金国,牛铮,王锡平.基于FLAASH的 Hyperion高光谱影像大气校正[J].光谱学与光谱分析, 2009,29(5):1181-1185. Yuan J G, Niu Z, Wang X P. Atmospheric correction of Hyperion hyperspectral image based on FLAASH[J]. Spectroscopy and Spectral Analysis, 2009, 29(5): 1181-1185. (in Chinese)

[5] 史超,张远龙,任正情,等.福建矾山Hyperion高光谱数据预处理及效果评价[J].地质科技情报,2014,33(1):199-204. Shi C, Zhang Y L, Ren Z Q,etal. Hyperion data preprocessing and assessment: Example from Fanshan, Fujian Province[J]. Geological Science and Technology Information, 2014, 33(1): 199-204. (in Chinese)

[6] Cracknell A P. Review article synergy in remote sensing-What’s in a pixel[J]. International Journal of Remote Sensing, 1998, 19(11): 2025-2047.

[7] 余健. ASTER与WorldView-2影像协同应用提取岩性信息方法研究[D].武汉:中国地质大学档案馆,2012. Yu J. Research on the Methodology of Synergetic Application of ASTER and WorldView-2 Images on Lithologic Information Extraction[D]. Wuhan: The Archive of China University of Geosciences, 2012. (in Chinese)

[8] 王忠武,吕磊,赵忠明.空间分辨率之比对遥感图像融合质量的影响[J].光电工程,2009,36(4):103-107. Wang Z W, Lyu L, Zhao Z M. Effect of spatial resolution ratio on optical remote sensing image fusion quality[J]. Opto-Electronic Engineering, 2009, 36(4): 103-107. (in Chinese)

[9] Ling Y, Ehlers M, Usery E L,etal. Effects of spatial resolution ratio in image fusion [J]. International Journal of Remote Sensing, 2008, 29(7): 2157-2167.

[10] Chavez P S J, Stuart C S, Jeffrey A A. Comparison of the three different methods to merge multi resolution and multi spectral data Landsat TM and SPOT Panchromatic[J]. Photogrammetric Engineering & Remote Sensing, 1991, 57(3): 295-303.

[11] Huang T S. PCM picture transmission [J]. IEEE Spectrum, 1965, 2(12): 57-63.

[12] Andreu J P, Borotschnig H, Ganster H,etal. Information fusion in image understanding[C]// IAPR International Conference on Pattern Recognition, 1992, Vol.i. Conference A: Computer Vision and Applications, Proceedings. New York: IEEE, 1992: 366-370.

[13] 刘衍宏.基于高光谱Hyperion数据的黏土矿信息提取应用研究[D].北京:中国地质大学档案馆,2010. Liu Y H. Applications Study of Clay Information Extraction Based on Hyperion Data[D]. Beijing: The Archive of China University of Geosciences, 2010. (in Chinese)

[14] 甘甫平,王润生,杨苏明.西藏Hyperion数据蚀变矿物识别初步研究[J].国土资源遥感,2002(4):44-51. Gan F P, Wang R S, Yang S M. Studying on the alteration minerals identification using Hyperion data[J]. Remote Sensing for Land & Resources, 2002(4): 44-51. (in Chinese)

[15] 项甜甜,陈圣波,刘彦丽,等.基于高光谱数据的河北滦平地区岩性信息提取方法试验研究[J].遥感信息,2013,28(2):82-92. Xiang T T, Chen S B, L Y L,etal. Lithological information extraction from Hyperion data in Luanping area, Hebei[J]. Remote Sensing Information, 2013, 28(2): 82-92. (in Chinese)

敬告作者

为适应我国科技信息化建设需要，扩大作者学术交流渠道，本刊已加入《中国学术期刊(光盘版)》和《中国知网》(http://www.cnki.net)、万方数据电子出版社的《万方数据----数字化期刊群》(http://www.wanfangdata.com.cn)、教育部科技发展中心的《中国科技论文在线》、重庆维普资讯有限公司的《中文科技期刊数据库》、华艺数位艺术股份有限公司的《CEPS中文电子期刊》、北京书生网络技术有限公司的《书生数字期刊》、北京世纪超星公司的“域出版”平台、中教数据库等。作者著作权使用费与稿酬由本刊一次性给付。如果作者不同意将文章编入上述数据库，请在来稿时声明，本刊将做适当处理。

《成都理工大学学报(自然科学版)》编辑部

LithologicalclassificationbysynergizinghyperspectralHyperionandhighresolutionWorldView-2satelliteimages

ZHANG Cuifen1,2, YANG Xiaoxia3, HAO Lina3, ZHANG Zhi4, LIU Xi3,5

1.FacultyofInformationEngineering,ChinaUniversityofGeosciences,Wuhan430074,China;2.FacultyofInformationTechnology,ShangdongWomen’sUniversity,Ji’nan250000,China;3.KeyLaboratoryofGeoscienceSpatialInformationTechnologyofMinistryofLandandResources,ChengduUniversityofTechnology,Chengdu610059,China;4.SchoolofPublicAdministration,ChinaUniversityofGeosciences,Wuhan430074,China;5.BasicGeographicInformationCenterofSichuanProvince,NASMG,Chengdu610041,China

Single remote sensing datum is difficult to obtain both high spatial resolution and high spectral resolution characteristics at the same time in the field of remote sensing geology, so it is necessary to synthesize remote sensing data from different sources together to identify minerals and rocks. In this paper, lithological classification through the combination of multi-source remote sensing data of high spatial resolution of WorldView-2 data and high spectral resolution of Hyperion data is exercised in the identification of rocks and minerals and division of stratigraphy in the Wuqia County of Xinjiang. The basis of synergy is found and established by comparison of the detection ability of space and spectra between the two kinds of data source. Taking traditional source data fusion method as reference, the WorldView-2 multi-spectral data are sampled down to different spatial scale and the principal component is transformed. Then, synergy data are made by reconciling the first principal component and the Hyperion data. Based on the SAM method, the lithology in the study area is classified by using WorldView-2, Hyperion and synergy data. The experimental results show that the classification accuracy of all the synergy data are high, the Hyperion data comes next, and the accuracy of WorldView-2 data is the lowest.

WorldView-2; Hyperion; synergy; lithology classification

P627 [

] A

10.3969/j.issn.1671-9727.2017.05.11

1671-9727(2017)05-0613-10

2016-09-22。

国家自然科学基金项目(41702358, 41771444, 41201440); 四川省教育厅重点项目(16ZA0090, 15ZA0078); 中国地质调查局地调项目(2017120); 山东高等学校科技计划项目(J15LN11)。

张翠芬(1976-)，女，副教授，主要从事空间数据分析与数据挖掘方面的研究, E-mail:zcuifen@163.com。

杨晓霞(1977-)，女，讲师，主要从事遥感与地理信息科学研究, E-mail:yangxx2003@126.com。