WorldView-2影像与OLI影像协同岩性模糊分类

帅爽，张志，吕新彪，马梓程，陈思，郝利娜

1.中国地质大学(武汉)地质调查研究院,武汉 430074;

2.中国地质大学(武汉)地球物理与空间信息学院,武汉 430074;

3.湖北省国土测绘院,武汉 430010;

4.成都理工大学地球科学学院,成都 610052

1 引言

岩性、构造等基础地质信息是矿产资源勘查、地质灾害评估、地下水资源开发、公路铁路工程设计施工中必需的基础数据（Grebby 等，2011）。传统地质工作手段以实地调查为主，往往耗时耗力。随着遥感技术的快速发展，岩石、矿物信息遥感提取方法为开展高海拔、艰险复杂地区岩石类型制图提供了一种经济、高效的手段（Porwal和González-Álvarez，2019）。

遥感数据的光谱信息能够反应地表不同类型矿物、岩石对不同波长入射光的选择性吸收、反射、透射和散射的综合特征差异（王润生等，2011），进而用于识别矿物、岩石类别。中等空间分辨率分遥感数据（中分数据），如TM、ETM+（Benomar 和Fuling，2005；Kavak，2005；Sabins，1999）、OLI （Traore 等，2020；Zhao 等，2019；帅爽等，2016）和ASTER（Li 等，2009；Gad 和Kusky，2007；Amer 等，2010；Pournamdari 等，2014；Tangestani 等，2011）等数据，覆盖了碳酸盐矿物、粘土矿物、铁氧化物矿物等几类矿物的诊断光谱区间（王润生等，2011），已广泛应用于岩石、矿物识别，但受限于空间分辨率，同一像元内光谱混合现象明显（Porwal 和González-Álvarez，2019），严重制约了中分数据的岩性分类精度。

遥感图像纹理信息反应了图像中辐射亮度值的空间变化，也是用于识别对象的重要特征。随着SPOT、QuickBird、WorldView 及国产高分系列等高空间分辨率遥感数据（高分数据）投入使用，其图像纹理特征较好的显示了岩石地层中的层理、节理、断裂等线性构造特征及岩性单元之间的接触关系（Salehi和Tangestani，2018；Xu等，2019；Zhang 等，2011），同时影像空间分辨率的提高也是解决混合像元现象的最有效途径（Porwal 和González-Álvarez，2019）。但受卫星传感器的制约，高分数据的光谱区间往往仅覆盖可见光—近红外区（450—1040 nm），难以满足大多数特征吸收谱段位于短波红外、热红外区间的矿物、岩石信息提取（Zhou等，2014）。

从单一中分多光谱数据源同时提取光谱信息和纹理信息并应用于岩性分类已成为提高分类精度常用而有效的方法（Masoumi 等，2017；Parakh等，2016；Grebby 等，2011；Othman 和Gloaguen，2017，2014）。Masoumi 等（2017）结合ASTER 数据的光谱、纹理特征，采用随机森林分类算法进行岩性制图，取得了较高的精度（约80%）。Li 等（2009）将ASTER 近红外和短波红外波段的多变量纹理特征与光谱特征结合，采用最大似然分类算法进行岩性分类，对比单独使用光谱数据，总体分类精度提高了9.5%。然而，目前还少有研究尝试将中分数据光谱信息与高分数据纹理信息结合进行岩性自动分类，以充分发挥中高分遥感数据对于岩性识别的优势。

另外，在分类器的选择上，用于岩性分类的图像分类器大多是基于像元的（Grebby等，2016）。基于像元的分类算法忽略了相邻像元间的上下文信息（contextual information）（Van Der Meer，2006）。另外，卫星遥感图像相邻像元间光谱混合程度的差异导致同类岩性的光谱变异性，进而引起基于像元的分类算法岩性分类结果中的“椒盐现象”（Salati 等，2011）。面向对象的图像分类算法是在基于相邻像元间光谱、纹理特征相似性将图像分割为同质性区域（Drăguţ 和Blaschke，2006）（对象）的基础上，对“对象”进行分类，这样就较好地消除了基于像元分类算法中的“椒盐现象”（Whiteside 等，2011）。近年来，面向对象的图像分类算法在土地利用（Antonarakis 等，2008）、森林类型（Dorren等，2003）、景观类型制图（Lucieer和Stein，2005）和变化检测（Im 等，2008）等领域取得了成功应用，但将面向对象分类方法应用于岩性分类的研究却稀少。Van Der Werff等（2007）初步验证了通过分割光谱图像进行岩性分类方法的可行性，Grebby（2016）等将光谱信息和地形信息输入面向对象的分类器，进行岩性制图，获得了较基于像元分类算法更高的分类精度。靳晓辉等（2016）验证了综合TM 影像光谱和纹理信息的面向对象土地利用类型模糊分类算法精度优于单独使用光谱数据进行分类。然而，还没有研究尝试将中分数据光谱信息和高分数据纹理信息协同进行面向对象的岩性模糊分类。

此次研究基于中高分遥感数据在岩性识别中优势，提出了一种中高分遥感数据信息协同方法，并利用面向对象的模糊分类算法完成了工作区岩性自动分类，为提高遥感岩性分类精度提供一种新的思路。

2 研究区与数据源概况

研究区位于新疆克孜勒苏柯尔克孜自治州阿克陶县克孜勒乡塔木地区，气候干燥少雨，植被覆盖度很低，区内岩石地层出露良好，有利于遥感影像地层划分。使用的数据是2013年6月3日采集的Landsat 8 OLI数据（简称OLI数据）及2010年5月23日采集WorldView-2 数据。OLI 数据多光谱波段空间分辨率为30 m，包含可见光到短波红外（433—2300 nm）共7 个波段，全色波段空间分辨率为15 m。WorldView-2数据多光谱波段空间分辨率为2 m，包含可见光到近红外（400—1040 nm）共8 个波段，全色波段空间分辨率为0.46 m。研究区WorldView-2和OLI影像特征如图1。首先，利用平均梯度、信息熵、标准差等统计参量（表1）和影像上的岩石地层、构造影纹特征分别定量、定性地对比研究区WorldView-2 和OLI 数据的空间信息探测能力，平均梯度反应图像的清晰度，平均梯度值越大影像越清晰；信息熵、标准差与图像信息量大小相关，信息熵、标准差值越大，图像信息越丰富。评价结果显示，研究区WorldView-2和OLI 影像平均梯度比较接近，WorldView-2 影像信息熵、标准差值更大，同时，WorldView-2 影像上各岩性单元内部层理、节理纹理信息更清晰（图1，表2），表明WorldView-2 数据对研究区岩性单元空间结构信息的探测能力更强。其次，分别从光谱覆盖区间、设置波段数目（表2）和影像上各岩性单元的光谱差异（色调）定量、定性地对比研究区WorldView-2 和OLI 数据的光谱信息探测能力，结果显示WorldView-2数据在可见光至近红外区间光谱覆盖范围和设置波段数量均优于OLI数据，而在对于岩石、矿物识别重要的短波红外区间无波段设置，同时OLI影像上各岩性单元色调差异更明显（图1，表2），综合而言，OLI 数据光谱探测能力优于WorldView-2数据。

图1 研究区WorldView-2影像和OLI影像Fig.1 WorldView-2 and OLI image of the study area

表1 WorldView-2和OLI影像性能参数对比Table 1 Comparison of image parameters between WorldView-2 and OLI

表2 研究区岩性单元及其影像特征Table 2 Lithology and image features of the rock types in the study area

研究区地层包含下白垩统—古近系。各岩石地层单元岩性描述和影像特征如表2，空间分布及接触关系如图2。

图2 研究区地质简图Fig.2 Geological sketch of the study area

3 中高分数据信息协同方法

由于中分数据和高分数据在光谱探测能力和空间结构探测能力上各具优势，所以利用“结构协同”方案和“光谱协同”方案，将中、高分遥感数据光谱探测能力和空间结构探测能力进行“空谱融合”以提高遥感岩性分类精度，具体技术流程如图3。

图3 WorldView-2与OLI数据信息协同技术流程Fig.3 Flow of information combination of WorldView-2 and OLI

3.1 结构协同

利用异源遥感数据融合的思路，将WorldView-2数据在空间探测能力上的优势“嫁接”到OLI数据上。首先，将OLI 数据1—7 多波段数据与全色波段融合，再与WorldView-2多光谱数据中某一波段进行融合，获得具备OLI 数据1—7 波段多光谱信息，空间分辨率为2 m的空间结构协同数据（张斌等，2015）。研究中选择WorldView-2 光谱范围最宽的第8波段数据参与融合，以最大程度减小光谱响应范围不一致带来的光谱失真问题。结构协同方案中着重考虑两方面问题：（1）异源遥感数据量化级数差异对光谱保真度和高频信息融入度的影响；（2）不同融合方法的光谱保真度差异。

3.1.1 辐射分辨率规范化处理

采用高永刚和徐涵秋（2015）的方法对WorldView-2 数据和OLI 数据辐射分辨率进行了规范化处理，以消除量化级数差异对光谱保真度和高频信息融入度的影响。利用式（1）将WorldView-2第8波段数据量化级数范围进行转换，将影像辐射分辨率量化级数由11转换到16。

式中，DN′为转换后影像的DN 值；DN 为原始影像的灰度值；11 为WorldView-2 第8 波段数据的辐射分辨率量化级数；16 为转换后影像的辐射分辨率量化级数。

为了减小由于数据小数位数的取舍引起的融合后影像光谱失真和高频信息融入度下降，融合前可将反射率的数值乘以相同的比例因子（10e）后进行融合，再将影像值除以该比例因子以还原回融合前的量化区间。新像元值的计算公式如式（2）所示。

式中，e及其计算公式如式（3）—（7）所示。

式中，PV′为量化区间变换后的反射率；PV为量化区间变换前的反射率；e为变换到预定计算空间的最大可乘系数的指数；eP为全色影像最大可乘系数的指数；eM为多光谱影像最大可乘系数的指数；RP为全色影像的像元值最大值与转换后量化区间最大值的比值；RM为多光谱影像的像元值最大值与转换后量化区间最大值的比值；PVP为全色影像的像元值；PVm为多光谱影像的像元值；n为转换后影像的辐射分辨率量化级数；ceil为向最近的大整数取整符号。将研究区WorldView-2 数据和OLI 数据相关数值代入式（3）—式（7），计算得到最大可乘系数的指数e为1。所以将数据量化级数范围转换后的WorldView-2 第8 波段和OLI 自融合数据同时乘以10 进行图像融合处理，融合后结果再除以10以还原量化区间。

3.1.2 图像融合方法选取

利用目前常规的融合方法进行数据融合，分别计算各融合结果与原始多光谱数据的相关系数，并与未进行辐射分辨率规范化的数据融合结果对比，结果如表3。

表3 融合结果相关系数对比表Table 3 The correlation coefficient

一般情况下，融合结果与原始多光谱数据相关系数越大则融合结果的光谱保真度越好，从表3可以看出，辐射分辨率规范化的数据各融合结果的相关系数均高于未进行规范化的数据融合结果，说明辐射分辨率规范化的方法能一定程度上改善异源遥感数据融合时的光谱失真问题，另外Gram-Schmidt 变换法融合结果的相关系数优于主成分变换的融合结果。故选用Gram-Schmidt 变换法对WorldView-2、OLI数据进行融合。

3.2 光谱协同

光谱协同方案是：基于WorldView-2、OLI 数据的光谱覆盖范围，将两种数据波段重新组合，实现两种数据光谱信息的互补。光谱协同方案中重点解决的问题是异源数据反射率取值区间的差异，具体方法如下。

由于OLI 数据与WorldView-2 数据传感器及成像时间不同，经过大气校正和高斯拉伸变换后同一地物在相同波谱范围内的反射率值不同。为了将两种数据的反射率值匹配一致，需要确定两种数据进行匹配的因子“S”。由于WorldView-2数据Band2（0.450—0.510 μm）与OLI Band2（0.450—0.515 μm）波谱范围最接近。研究中，通过计算两种数据Band2 均值的比值来获得两种数据之间的反射率值匹配因子。

研究区WorldView-2数据Band2均值为1805.73，OLI数据Band2均值为1287.47，计算得到匹配系数为1.4025。将与WorldView-2 第8 波段融合后的OLI 6、7 波段数据乘以匹配因子1.4025 后再与WorldView-2可见光—近红外1—8波段进行波段绑定（图4），最终获得覆盖可见光至短波红外区间10波段光谱信息和2 m空间分辨率的中高分信息协同数据。

图4 WorldView-2、OLI数据光谱协同方案图Fig.4 Spectral combined of WorldView-2 and OLI

4 岩性自动分类

4.1 随机森林分类方法

随机森林RF（Random Forest）图像监督分类算法由Breiman（2001）提出，部分学者验证了其应用于高光谱、多光谱遥感影像岩性分类的可行性（Parakh 等，2016；Bachri 等，2019；Othman和Gloaguen，2017）。此次研究中，为验证岩性自动识别中，中高分遥感协同数据相对于协同前数据的优势，同时对比基于像元的分类算法与面向对象算法的岩性分类效果，分别对研究区OLI数据（7波段，2 m空间分辨率（为便于对比分类精度评价结果，将OLI 数据空间分辨率重采样为2 m））、WorldView-2数据（8波段，2 m空间分辨率）和信息协同数据（10 波段，2 m 空间分辨率）进行RF岩性分类实验。为保证对比实验的客观性，3 组RF 岩性分类实验中选取相同的训练样本（随机选取训练样本，占各岩性分类单元像元总数的10%）、相同决策树数目（100）和各自全部特征波段。

4.2 面向对象的岩性模糊分类方法

模糊分类方法，是在面向对象的分割基础上，结合模糊数学进行图像分类的方法。研究中，在对协同后数据空间结构信息和光谱信息进行提取、压缩、增强获得特征协同数据的基础上，对特征协同数据进行多尺度分割，再通过构建各岩性单元的模糊逻辑隶属度函数完成岩性划分。

4.2.1 光谱、空间结构信息的提取、压缩和增强

协同后数据的光谱信息和空间结构信息仍然存在数据冗余，同时在面向对象分类中，参与分类波段太多会造成分割速度缓慢和建立模糊隶属度函数困难。所以需要对协同数据的空间结构信息和光谱信息进一步压缩和增强，具体做法如图5。

图5 WorldView-2与OLI特征协同数据形成流程图Fig.5 Compression and enhancement of the combined data

（1）空间结构信息的提取、压缩和增强。图像纹理可反应岩性单元层理、节理、线理特征等重要信息。Haralick 等（1973）利用灰度共生矩阵，基于图像的纹理统计信息，提出了14 种纹理特征。其中，均值（mean）、方差（variance）、同质性（homogeneity）、对比度（contrast）、相异度（dissimilarity）、熵（entropy）、二阶矩（second moment）和相关性（correlation）8 种纹理特征常被用于岩性自动分类研究中（Li 等，2011；Jakob等， 2015； Qiu 和Ming， 2018； Masoumi 等，2017）。此次研究中，采用灰度共生矩阵方法，选择了上述8种统计参量，提取研究区纹理图像。灰度共生矩阵纹理图像的计算通常基于单波段，并选取各波段中协方差最大的波段进行纹理计算（Li等，2011；Masoumi 等，2017）。此次研究中选取协同后数据中协方差值最大（659.14）的第9 波段（1.61 μm）进行纹理计算。同时，纹理特征提取时，移动窗口的大小十分关键，研究中，按照3×3、5×5、7×7、9×9、11×11、13×13 等6 种窗口大小试提取了纹理图像（图6），并对比各纹理图像中岩性单元的可区分程度。结果显示3×3窗口下纹理信息最丰富，但参杂了很多微地形引起的纹理特征，这些信息对岩层纹理的识别干扰很大。5×5 窗口下，图像中各种纹理信息已经减弱了很多，纹理的方向性却表现得比较明显，各岩性单元间的纹理特征差异也更明显，随着窗口大小继续增大，部分岩性单元内部较细小的纹层信息逐渐消失，进而影响岩性单元识别效果。因此，选择5×5为此次研究中纹理特征提取的窗口大小。

图6 不同窗口大小的对比度纹理图像提取效果对比Fig.6 Comparison of contrast texture images with different window size

前人研究表明，用于提取纹理信息的8个统计量仍存在着信息特征、有效性等方面的重叠（Liu等，2009）。此次研究中采用主成分变换方法对8 幅纹理图像进行信息压缩和增强。根据靳晓辉（2016）的方法，将前4 个纹理主分量图像（前4 个主分量的信息量占99.98%，并且完整包含各岩性单元的纹理信息。）按各自权重进行信息特征融合，公式如下：

式中，T为纹理信息融合图像，T1、T2、T3、T4为前4 个纹理主分量图像，系数为各主分量的权重值。纹理信息融合图像效果如图7。

图7 研究区协同数据纹理信息融合图像Fig.7 The texture information fusion image of combined data

图7纹理图像中各岩性单元纹理特征清晰，南北向纹理多为地层层理，而东西向纹理多为微地形界线。

（2）光谱信息的提取、压缩和增强。同样利用主成分变换的方法对获得信息协同数据进行光谱信息的压缩和增强。主成分分析的结果显示前3个主分量（PC1、PC2、PC3）占信息量的93.66%。获取研究区各岩性单元在10 幅主分量图像中特征曲线图（图8），从曲线图中比较各主分量图像对各岩性单元的区分效果。

图8 岩性单元的主分量特征曲线Fig.8 PC curve of rock types

图8中横坐标1至10依次为协同影像主成分分析的10 个主分量图像。图中，PC1处，K1w、K2k、K2w和E1a共4 个岩性单元区分度较好，K2y与E1t间区分度差，而在PC3处岩性单元K2y与E1t间区分度较好。同时，PC1和PC3占信息量的83.13%，所以选择PC1和PC3参与后续的岩性模糊分类，图10为PC1和PC3图像。

对协同数据压缩、增强后的纹理特征（T）和光谱特征（PC1、PC3）进行波段绑定，获得了特征协同数据，参与后续岩性模糊分类。

4.2.2 多尺度分割

进行影像多尺度分割时，分割参数的设置直接影响分割的准确性。本文主要考虑分割尺度和波段权重的设定。研究中通过Ecognition 软件中的平均分割评价指数ASEI （Average Segmentation Evaluation Index）方法来确定分割的层数和尺度，ASEI 值越大，该分割尺度越优。计算、分析5—100 不同分割尺度下，研究区6 种岩性单元的ASEI值变化情况（图9）。可见K1w和E1a最优分割尺度均为80，这是由于两种岩性单元内部像元光谱特征与纹理特征都比较稳定，且与其他岩性单元特征差异明显，较大分割尺度就能达到较好的分割效果。而K2k与K2y的最优分割尺度为20，K2w最优分割尺度为15，E1t最优分割尺度为25，这是因为4种岩性单元内部像元光谱特征比较相近。

图9 最优分割尺度选择Fig.9 Optimal segmentation scale selection

综合考虑各岩性单元的最优分割尺度，确定了两个层次的分割，第1 层次分割为大尺度分割，分割尺度为80，意图将K1w和E1a与其他岩性单元分割开，由于K1w和E1a在特征协同数据（PC1∶PC3∶T）的PC3与其他岩性单元差异明显，将波段权重（PC1∶PC3∶T）设置为1∶2∶1。第2 层次分割是针对剩余4个岩性单元的小尺度分割，分割尺度为20，用于将这4 个岩性单元分割开。由于4 个岩性单元间纹理特征差异较明显，故将波段权重（PC1∶PC3∶T）设置为1∶1∶2。

4.2.3 模糊分类

在特征协同影像两个尺度分割的基础上，通过构建各岩性单元的模糊隶属度函数，完成研究区岩性模糊分类。

分割层次1 分割尺度为80，用于将岩性单元K1w和E1a分割出，偏重利用特征协同数据（PC1∶PC3∶T）的PC3，图10 中不难看出，K1w和E1a均在PC3与其他岩性单元区分明显，通过试验，当PC3对象均值大于148 时，K1w可以很好被区分出；当PC3对象均值处于97—118 区间时，E1a可以较好地被分出。

图10 协同数据主成分变换后的第1主分量和第3主分量Fig.10 PC1 and PC3 of the combined data

分割层次2 是在层次1 分割基础上，对剩余未分对象进一步分割，分割尺度为20，通过对K2k、K2y、K2w、E1t这4 种岩性单元构建模糊隶属度函数，完成岩性划分。经过对比4 种岩性单元的光谱、纹理特征，建立了4种岩性单元的模糊隶属度函数：在PC1对象均值在78—131，并同时满足PC3在38—65 或119—127，可将K2k分出；在PC1对象均值在124—147，同时PC3均值在128—146，可将K2y分出；在T对象均值满足9—22，K2w可较好的区分出；在PC1对象均值在91—122，同时满足T对象均值在24—71，可将E1t区分出。特征协同影像岩性模糊分类结果如图11。分类结果的精度评价如表4。

4.3 岩性分类结果与精度评价

为了便于对比面向对象和基于像元的岩性分类精度，研究中采用了基于像元的分类精度评价方法（Foody，2009；Congalton，1991）。利用混淆矩阵方法计算总体分类精度、生产者精度、用户精度和Kappa系数（Congalton，1991）等精度评价指标，其中总体分类精度指被分类器正确分类的像元总数与待分类像元总数的比率（Congalton，1991）。开展精度评价的标准参考是结合1∶25 万英吉沙幅区域地质调查成果图、野外验证和专家人机交互解译获取的地质简图（图2）。由于此次研究区范围相对较小，同时考虑训练样本对精度评价的影响，将排除研究区内用于随机森林分类样本训练的10%像元外的90%像元作为验证数据集，对各岩性分类实验结果进行精度评价。

表4、图11 展示不同数据集、不同分类方法的岩性分类精度和效果。4 组分类实验结果均一定程度上反应了各岩性单元的分布和接触关系。从分类精度上看，本文提出中高分遥感数据协同模糊岩性分类方法获得了最高的总体分类精度（89.35%）和Kappa 系数（0.87）。3 组RF 分类实验中，协同后数据RF 分类实验取得了最高的总体分类精度（86.19%），Kappa系数为0.83。

表4 岩性分类结果精度评价Table 4 Confusion matrices of the classification results

图11 不同数据不同分类方法岩性分类结果Fig.11 Lithological classification results of the study area，using different data and classification methods

5 讨论

5.1 中高分遥感数据协同岩性分类

“协同”指在系统内部的多个子系统之间，或系统内部各要素之间，相互协调、同步、合作及互补的联合作用，是系统整体性的内在表现（Swanson 等；1998）。遥感领域的“协同”是指利用两种或两种以上遥感数据源提取环境信息，获得比单独使用其中任何一种数据源更高的提取精度（Cracknell，1998）。中等空间分辨率遥感数据和高空间分辨率遥感数据是两种常用于岩性识别的数据源。此次研究中定性、定量对比分析了中、高分遥感数据在岩性识别中的优劣势（图1，表1、表2），OLI 数据与WorldView-2 数据的RF 分类结果也显示了中高分数据对于岩性识别的不同优势。中分数据具有丰富的光谱信息，对于区分不同岩性单元内部岩石、矿物组成的差异具有优势，OLI数据对于光谱特征明显的E1t分类精度优于WorldView-2 数据（OLI 数据RF 分类结果中E1t的生产者精度比WorldView-2 数据高56.48%）。而高分数据能反应不同岩性单元间层理、节理等细小纹理特征差异，WorldView-2 数据对光谱差异较小、纹理差异明显的K2w与K2y分类精度和分类效果优于OLI 数据（表4）。另外，提高图像空间分辨率是解决中分数据岩性分类中混合像元效应的最有效途径，中分数据的短波红外波段也是对高分数据光谱覆盖范围的良好补充。

为了结合中分数据光谱信息优势和高分数据纹理信息优势，本文以“协同”思想，利用异源遥感数据融合、辐射分辨率规范化处理等技术提出一种中高分遥感数据协同方法，并验证了其应用于岩性自动分类的可行性。RF 岩性自动分类结果显示，协同后数据获得了更高的总体分类精度（86.19%）和Kappa 系数（0.83），与协同前WorldView-2 数据、OLI 数据相比，总体分类精度分别提高7.51%和9.89%；同时，对于大多数岩性单元，协同后数据的RF 岩性分类生产者精度和用户精度均高于OLI 数据和WorldView-2 数据（表4），表明本文提出的中高分数据协同方法有效结合了中、高分数据对于岩性识别的优势，实现了提升岩性分类提取精度的数据“协同”效果。

5.2 随机森林岩性分类与面向对象岩性模糊分类效果对比

本文在对中、高遥感数据进行信息协同的基础上，分别利用RF 监督分类方法和面向对象的模糊分类方法对协同后数据进行岩性分类，并对比了分类效果。总体而言，两种方法均取得了较高的总体分类精度和较好的岩性分类效果。

与RF 岩性分类结果相比，面向对象的模糊分类结果在总体分类精度和Kappa 系数上略有提升，百分比上分别提高了3.67%和4.82%，这与Grebby等（2016）对比面向对象分类方法与基于像元分类方法应用于岩性自动分类时获得的结论近似（总体分类精度和Kappa系数百分比分别提升5.7%和16.6%），略低于前人对比面向对象分类方法与基于像元分类方法应用于土地利用类型自动分类时获得的结论（总体分类精度和Kappa系数百分比分别提升7%—9%和5%—15%）（Myint等，2011；Whiteside 等，2011）。由于不同岩性单元化学成分相似导致的光谱相似性和同一岩性单元内部岩石、矿物类型比例、化学成分差异造成的光谱差异性（Sgavetti 等，2006），本次研究中，基于像元的岩性自动分类结果（图11（a）（b）（c））中，岩性单元内部常常出现大量孤立的错分类细小像元（椒盐现象），而面向对象的岩性分类结果（图11（d））中，各岩性单元内部的椒盐现象大大减少。这一结果表明，在这种非均匀、复杂的岩石地层景观中，面向对象的算法方法比基于像元的分类算法能更有效地区分岩性单元。这很可能是因为面向对象的分类算法将对象内所有相邻像元值进行了平均，进而减少了单独考虑像元时产生的类内可变性（Grebby等，2011）。

尽管面向对象的岩性模糊分类方法取得了更高的岩性分类精度，但各岩性单元模糊隶属度函数的构建存在经验性和随机性，这一步骤往往耗费大量时间，下一步工作中将开展模糊隶属度函数自动化构建方法研究。

6 结论

本文以WorlView-2 数据和OLI 数据为例，创新性的提出了一种中高分遥感数据协同的岩性模糊分类方法，旨在将高分遥感数据的空间结构探测优势与中分遥感数据的光谱探测优势相结合进行岩性单元划分，以提高分类精度。主要结论如下：

（1）在定性、定量分析中分和高分遥感数据优缺点基础上，提出了一种结合中高分遥感数据光谱信息和空间结构信息的数据生成方法，获取了具有宽光谱区间，空间分辨率为2m 的中高分协同数据。

（2）协同后数据相较协同前WorldView-2 数据、OLI数据，随机森林岩性总体分类精度分别提高7.51%、9.89%。

（3）面向对象的模糊分类算法成功划分了研究区的岩性单元，总体分类精度达89.35%，优于随机森林的岩性分类精度。

本文方法为岩石裸露区域协同使用高空间分辨率与高光谱分辨率遥感数据进行岩性划分提供了新的思路，可以进一步推广用于其他数据源其他地区的遥感地质调查中。但对于植被覆盖区，岩石表面光谱和纹理信息被植被、土壤覆盖，会制约基于光谱和纹理信息的岩性自动分类效果，下一步研究中将尝试把地形、地植物学信息加入岩性模糊分类模型，探索植被覆盖区岩性自动分类方法。