基于WorldView-3数据对辉铜山地区的岩性进行对比分类

解富渊 曾余庆 王海

摘要：岩性填图是遥感技术在地质领域的重要研究方向。随着WorldView-3卫星的成功发射，高分辨率的WorldView-3数据给高精度岩性填图带来了新的多光谱数据源，本文以甘肃辉铜山为研究区，依据WorldView-3数据的波谱特性，利用波段比、假彩色合成和技术，对研究区岩性进行精细分类。再使用监督分类支持向量机（SVM）对研究区岩性进行机器分类，与原地质图和波段比岩性分类结果对比，验证WorldView-3数据监督分类效果，为我国西部地区地质调查和找矿工作提供遥感技术支撑。

关键词：WorldView-3数据；岩性填图；波段比；假彩色合成；监督分类

1.自然地理概况

1.1地理位置

研究区位于甘肃省瓜州县柳园镇，距离柳园镇约25km，东北距兰新高铁柳园站约35km，距312国道约30km，交通方便。区内地形北高南低，主要山脉多呈东西走向，海拔一般在1600m～1900m，相对高差约40m；自然条件十分恶劣，属于典型大陆性气候，自然地理属高原低山丘陵区和戈壁荒漠区，研究区面积约35km2。

1.2辉铜山地质条件

1.2.1地层岩性

研究区属于古亚洲成矿域，塔里木—北山成矿区，華力西—印支期花牛山铜、金、镍、铁、铅、锌成矿带；明金沟—红山断裂与柳园—大奇山深大断裂之间，磁海—红柳园—白山堂晚古生代陆内裂谷带内。区内地壳活动频繁，岩浆岩呈多期次侵入，并且有多期不同程度变质作用，成矿地质条件较为优越。

上岩组主要分布在研究区中西部，主要岩性为片岩夹大理岩、石英岩，墩墩山组主要分布在图幅中部，主要岩性为流纹岩、安山岩、安山玄武岩、中酸性熔凝灰岩夹薄层大理岩。

红柳园组分布在图幅东部一小部分地区，主要岩性为砾岩、含砾粗砂岩、砂岩、灰岩、生物岩屑灰岩，粉砂岩及少量硬砂岩，总体以碎屑岩为主。双堡塘组分布在图幅东部，下岩段岩性主要由砾岩及含砾粗砂岩组成；中岩段岩性主要由灰色、深灰色粉砂岩夹少量含砾砂岩、细砾岩、灰岩及玄武岩组成；第四系上更新统中部的山前冲—洪积扇或戈壁滩[1]（图1）。

1.2.2地质构造

区域内地质构造的活动，自加里东期—华力西期均有不同程度的显示，并经历了长期复杂的构造运动。区域性褶皱、断裂带走向主要近东西向，构成区域基本构造格架；次级构造以北东向、北北西向为主。

2.遥感数据源及预处理

本研究所选用的遥感数据来源为Worldview-3数据，WorldView-3卫星含有全色波段一个、可见光—近红外波段八个、短波红外波段八个，空间分辨率分别是0.5m、2.0m和7.5m，是当前商业成像卫星中分辨率最高的卫星之一。

ASTER数据和ETM数据由于其获取的开放性和波段设置，被广泛应用于岩性填图，但其中等分辨率普遍存在光谱混合现象，其记录的光谱特征、空间结构和纹理特征无法满足高精度的岩性分类和复杂区域的地质调查。与此同时，高空间分辨率如国产高分系列覆盖的波段范围较窄，缺乏短波红外波段，无法满足岩性填图的需要，而且，遥感岩性填图仍采用人工目视解译或人工交互的方式解译，依赖于先验知识和专家经验，应用效率并不高。

基于Worldview-3数据岩性填图的研究相比较，WorldView-3数据与目前应用较多的ASTER数据和ETM数据相比较，具有更高的空间分辨率和光谱分辨率，而且新增的SWIR波段覆盖范围广、细分程度高[2]。

利用ENVI5.3FLAASH模块进行大气校正，可有效消除大气对数据的影响，之后将SWIR图像重采样到2m空间分辨率，与VNIR图像保持一致，并进行图层叠加。

3.岩性信息增强

根据WorldView-3数据与以往地质资料，采用两种不同的图像处理技术：波段比（BR），假彩色合成（FCC）绘制暴露岩石的岩性单元。BR是岩性测绘中最重要和最合适的技术之一，同时可以用于突出在原始条带中看不到的某些特征或材料。在这种方法中，波段的选择取决于它们的光谱反射率和被映射矿物的吸收波段的位置[3]。采用假彩色合成（FCCs）的波段组合和比率进行增强区分不同岩石单元。FCC图像的解译取决于如何将这些波段分配到用于图像显示的三种主要颜色RGB，而RGB又取决于岩石的光谱特征[4]。光谱特征分析有助于比值法中选择最佳波段。选择三个波段最合适的组合可以从统计学上进行（通过一个最佳的指数因子），也可以参考大量的文献，并考虑到该地区的岩性，最终得到一个充分的底图[5]。

现阶段，遥感岩性填图的主要方法是结合多元数据进行协同处理来弥补单一数据源的不足，再者是利用先进的算法对一个或多个数据源进行全面的、深部的诊断特征的挖掘实现岩性信息的精细提取。

支持向量机（SVM）技术是由瓦普尼克提出的。它是从统计学习方法发展而来的有监督非参数方法，用于解决多光谱和高光谱数据中复杂的分类。SVM在遥感界受到越来越多的关注。它已成功用于岩性填图。但将此技术应用在WorldView-3数据上的研究还有很大的空白。

本研究选用WorldView-3影像的BRs（SWIR8/SWIR5，SWIR5 /SWIR3，SWIR7 /SWIR8为RGB）用于区分砖红色黑云母花岗岩、辉长岩、辉绿岩和石英闪长岩等（图2）。

对假彩色合成后的影像，使用ENVI5.3里的支持向量机（SVM）对其进行监督分类，首先对处理后的八种岩性选择训练区域，采用某一岩性类型的所有样本光谱的平均光谱作为参考光谱。对于支持向量机（SAM），将每个岩性单元类的训练样本的光谱平均，构建最终的分类光谱。训练样本和测试样本。根据波段比假彩色合成后的遥感影像和辉铜山1∶5万地质图进行选择。此外，利用野外数据和WorldView-3图像的目测解译结果，编制了辉铜山地区地质图。岩性填图的支持向量机（SVM）分类结果如图3所示，

4.讨论和结果

本研究利用遥感资料和野外地质资料的综合解译，对研究区进行了岩性填图。影像解译与制图第一阶段包括WorldView-3影像与地质图数据的综合实证分析。利用1∶5万比例尺地质图和影像处理技术，在新的野外工作开始前，已编制了一份临时地质图。本节利用地质填图的BR方法和FCC图像对辉铜山地区不同岩性进行区分。我们应用了各种已被证实为探测地质填图的有用比值的BRs。将BR图像集成到FCC图像中，并用于绘制研究区域的地质图。因此，利用不同的BRs组合更新了辉铜山地区的地质图。

WorldView-3影像BRs（SWIR8/SWIR5，SWIR5/SWIR3，SWIR7/SWIR8为RGB）的结果表明研究区砖红色花岗岩、暗绿色辉长、暗绿色辉绿岩、土黄色似斑状花岗岩、华力西中期深灰色闪长岩、闪长岩、火山岩、第四系也有较好的区分，但是研究区南部原1∶5万地质图里的浅灰色闪长岩和深灰色石英闪长岩没有得到很好的区分。

美国地质调查局（USGS）的岩石形成矿物光谱库也被用来评价研究区岩性单元的WorldView-3图像光谱特征结果。其中区分了八类，与野外观测和地质图对比表明，深棕色为砖红色黑云母花岗岩，浅绿色为华力西中期暗绿色辉长岩，粉色为第四系，青色为酸性、基性火山岩，浅棕色为闪长岩。从支持向量机岩性分类效果与1∶5万地质图上对比来看第四系和土黄色花岗岩没有得到很好的区分；浅灰色闪长岩、深灰色石英闪长岩和华力西中期深灰色闪长岩也没有得到较好的区分。

该方法可以有效地用于未勘探地区的地质填图和勘探。根据以往的地质图和WorldView-3数据进行目视解译，并加上野外调查，绘制了该地区的局部地形图。通过对研究区遥感影像解译和辉铜山1∶5万比例尺地质图的初步分析，表明这个地区的岩性可以通过卫星图像识别。结果表明，SWIR波段具有较高的岩性识别能力。

分类结果通过详细的精度评估和目视判读进行评价。显示了使用SVM方法对每个类的生产者和用户的准确性。WorldView-3数据分类的总体准确率较高，结果表明，该分类图具有较好的精度，反映了分类图与真实参考数据之间的一致性。

野外观测结果表明，该地区岩石单元的分布与遥感结果基本一致。通过对辉铜山地区主要岩石单元的目视解译与分析结果对比，也证实了其较高的分类精度。岩性图的准确性通过独立的验证样品、野外工作和地质图来评价。在输出分类图的绘制和精度评价中，使用以往地质图来选择验证是相当重要的。将分类后的综合结果与地质图进行可视化比较，可以看出总体上具有较好的对应关系。结果表明，利用支持向量机（SVM）对研究区岩性填图和巖石单元划分具有重要的指导意义。

5.结论

本研究的目的是利用WorldView-3数据和综合遥感解译技术对辉铜山地区的岩性单元进行绘制，并通过一系列野外调查和以前的岩性图对结果进行确认。利用各种图像处理技术如BR、FCC和SVM，根据岩性判别生成包含增强信息的导数数据集。利用基于不同BRs的FCCs图像绘制了变质岩、火山碎屑岩和花岗岩类岩性单元。利用不同的BRs组合编制了辉铜山地区的初步地质图。在本文的研究工作中，应用支持向量机方法得到的结果表明，各类岩性分类准确率较高。显示了很好的整体性和分类精度。结果表明，SVM分类方法得到的地形图总体精度基本符合分类要求。野外调查证实了辉铜山地区主要岩石单元的最高分类精度。结果还表明，该图像处理方法可以为利用WorldView-3数据鉴别不同岩石类型提供详细的信息。结合遥感数据的光谱识别，在稀疏精细地质填图的情况下加快了辉铜山地区的调查。通过图像分析得到的最终岩性图有助于识别研究区夕卡岩类型等经济矿床。

参考文献：

[1]李立.甘肃辉铜山外围铜矿体空间展布特征研究[D].新疆大学， 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 .