基于獨(dú)立分量分析的鋁土礦蝕變信息遙感提取方法

彭光雄，王明艷，陳鋒銳，潘 彤，葉震超

(1. 中南大學(xué) 有色金屬成礦預(yù)測(cè)教育部重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410083；2. 中南大學(xué) 地球科學(xué)與信息物理學(xué)院，長(zhǎng)沙 410083；3. 青海省地質(zhì)調(diào)查院，西寧 810012；4. 湖南有色金屬控股集團(tuán)有限公司 礦山管理部，長(zhǎng)沙 410015；5. 河南大學(xué) 環(huán)境與規(guī)劃學(xué)院，開封 475001)

紅土型鋁土礦床主要由含酸性、中性和基性成分的鋁硅酸鹽巖石在熱帶和亞熱帶氣候條件下經(jīng)深度化學(xué)風(fēng)化形成[1]。鋁土礦常跟褐鐵礦與赤鐵礦等相伴生而形成含鐵的紅土層，成為鋁土礦的重要找礦標(biāo)志，并受地形剝蝕在地表形成規(guī)律性的地貌特征，十分利于鋁土礦的遙感信息提取。遙感蝕變或異常信息的提取是遙感找礦的重要途徑之一，自20世紀(jì)70年代以來(lái)就成為遙感地質(zhì)的熱點(diǎn)研究問題，逐步形成了以光譜波段比值和主成分析(Principal component analysis,PCA)為核心的遙感蝕變或異常提取多方法[2?3]。鋁土礦的礦化蝕變也一直運(yùn)用這兩種主要方法進(jìn)行遙感提取[3?6]，較少引入新的數(shù)據(jù)分析方法。獨(dú)立分量分析(Independent component analysis, ICA) 是近幾年才發(fā)展起來(lái)的一種新的數(shù)據(jù)分析方法， 它將觀察到的數(shù)據(jù)進(jìn)行某種線性分解, 使其分解成統(tǒng)計(jì)獨(dú)立的成分[7]。PCA是基于二階的統(tǒng)計(jì)量，然而很多弱信息有時(shí)包含在高階的統(tǒng)計(jì)量中，采用 PCA 算法進(jìn)行處理可能會(huì)遺漏一些關(guān)鍵信息[8]。而ICA是基于高階統(tǒng)計(jì)的，它不但能實(shí)現(xiàn)PCA的去相關(guān)特性，而且還能獲得各分量之間相互獨(dú)立的特性，從而使得ICA比PCA表現(xiàn)出更好的性能[9?10]。目前，ICA 在信號(hào)處理尤其是盲信號(hào)分離上有著廣泛的應(yīng)用[7,11]。本文作者引入ICA法用于遙感提取鋁土礦的蝕變信息，使得各個(gè)變量之間相互獨(dú)立，以便簡(jiǎn)潔有效地進(jìn)行數(shù)據(jù)表達(dá)，從而有利于后續(xù)的蝕變信息閾值分割處理，提高鋁土礦蝕變信息提取的精度。

1 研究區(qū)域與數(shù)據(jù)

幾內(nèi)亞鋁土礦資源非常豐富, 是世界上鋁土礦資源儲(chǔ)量最大的國(guó)家。研究區(qū)位于幾內(nèi)亞金迪亞區(qū)的法雷和馬迪納兩地之間的區(qū)域，屬于熱帶季風(fēng)氣候，經(jīng)緯度范圍為 W13°00′—W13°15′，N10°45′—N11°00′(見圖1(a))，是幾內(nèi)亞鋁土礦的主要產(chǎn)區(qū)。該區(qū)域位于非洲大陸太古界基底西非克拉通內(nèi)，主要地層為古生界奧陶系(O)海相沉積的泥巖、砂礫巖等，地層呈北東向單斜產(chǎn)出，斷裂構(gòu)造以北東向?yàn)橹?、次之為北西向的性質(zhì)不明斷層，巖漿巖主要為呈枝杈狀分布于區(qū)域東北部的玄武巖、輝長(zhǎng)巖，是區(qū)域的成礦母巖[12]。區(qū)內(nèi)鋁土礦床多為輝長(zhǎng)巖或玄武巖風(fēng)化殘積型，沿垂向自上而下形成的巖性體為鐵礬土(塊狀鋁土礦)?鐵紅土(土狀鋁土礦)?鐵質(zhì)黏土?黏土?粉砂質(zhì)黏土?風(fēng)化玄武巖(輝長(zhǎng)巖)，構(gòu)成該礦床的賦礦巖系[13?14]。鋁土礦均賦存于鐵礬土或其下的鐵紅土內(nèi)，礦體大小不等, 形態(tài)各異, 多分布于正地形近地表處, 隨地形起伏而起伏[15]。地表厚為幾米至二十余米的風(fēng)化殘積物—硅鋁鐵風(fēng)化殼, 即是含礦層位，區(qū)域范圍內(nèi)大部分被賦存鋁土礦的鐵帽覆蓋(見圖1(b))。

在本次實(shí)驗(yàn)中，所使用的遙感數(shù)據(jù)為多光譜衛(wèi)星影像(Advanced land observing satellite, ALOS)，共有420～500、520～600、610～690 和 760～890 nm 4 個(gè)光譜波段，空間分辨率均為10 m。為方便與GPS采點(diǎn)數(shù)據(jù)的集成分析，遙感影像采用UTM投影WGS84坐標(biāo)系統(tǒng)。野外調(diào)查與數(shù)據(jù)采集工作由幾內(nèi)亞的工作人員完成。

圖1 研究區(qū)位置(a)及地貌影像特征(b)Fig. 1 Location (a) and image features (b) of studied area

2 研究方法

在本次實(shí)驗(yàn)中，分別利用ICA、PCA和波段比值法對(duì)研究區(qū)的鋁土礦蝕變信息進(jìn)行遙感提取。將GPS

野外實(shí)地獲取的鋁土礦蝕變數(shù)據(jù)分為兩組，一組作為訓(xùn)練樣本和建立遙感解譯標(biāo)志，另一組用于結(jié)果檢驗(yàn)和精度評(píng)價(jià)，以分析比較3種蝕變信息提取方法的性能特點(diǎn)和在該地區(qū)的適應(yīng)性。最后，在鋁土礦蝕變信息遙感提取的基礎(chǔ)上，結(jié)合該地區(qū)的地質(zhì)資料，利用成礦理論，對(duì)研究區(qū)的鋁土礦遠(yuǎn)景成礦靶區(qū)進(jìn)行預(yù)測(cè)分析和圈定，從而為該地區(qū)鋁土礦的勘查找礦提供參考。本次實(shí)驗(yàn)數(shù)據(jù)處理與方法流程如圖2所示。

圖2 數(shù)據(jù)處理與方法流程Fig. 2 Flow chart of data processing and methods

2.1 獨(dú)立分量分析方法

JUTTEN和HERAULT[16]于1988年首次提出獨(dú)立分量分析(ICA)的概念，他們對(duì) ICA 給出了一個(gè)簡(jiǎn)單的描述，認(rèn)為ICA 是從線性混合信號(hào)里恢復(fù)出一些基本的源信號(hào)的方法。ICA的嚴(yán)格定義需要使用一個(gè)隱藏的統(tǒng)計(jì)變量模型進(jìn)行描述[17?18]。

式(1)中的統(tǒng)計(jì)模型稱為獨(dú)立成分分析或 ICA 模型，該模型描述了觀測(cè)數(shù)據(jù)是如何由信源S混合生成的。源變量S是隱藏變量，不能直接觀測(cè)到，而且混合矩陣 A 也是未知。所有能觀測(cè)到的數(shù)據(jù)只有隨機(jī)變量X，所以，必須估計(jì)出混合矩陣A和向量s，且必須在盡量少的假設(shè)條件下完成它。

ICA假設(shè)成分是統(tǒng)計(jì)獨(dú)立的，而且還必須假設(shè)獨(dú)立成分是非高斯分布的。如果能計(jì)算出混合矩陣A的逆矩陣W，也即分離矩陣W=A?1，則獨(dú)立成分可由下式得到：

獨(dú)立分量分析的主要任務(wù)是估計(jì)出分離矩陣W。目前實(shí)現(xiàn)ICA的方法有多種，如CHEN等[17]提出基于高階累積量來(lái)構(gòu)造算法的代價(jià)函數(shù)法，BELL和SEJNOWSKI[19]提出的信息最大化(Infomax)方法等。

ICA是從PCA 發(fā)展而來(lái)，楊竹青等[7]總結(jié)了 ICA與PCA的區(qū)別，如表1所列。ICA得到的分量是盡可能互相獨(dú)立的，而PCA 得到的分量則僅是不相關(guān)(但并非是一定獨(dú)立的)。在實(shí)際應(yīng)用中，大多數(shù)源信號(hào)是非高斯的，且其相互關(guān)系也是非正交的，因而ICA 比PCA 更接近實(shí)際情況，有著更大的應(yīng)用潛力和更好的適應(yīng)性。本文作者利用ICA法對(duì)鋁土礦的蝕變信息進(jìn)行遙感提取，并與PCA和波段比值法的提取結(jié)果進(jìn)行比較分析。

2.2 區(qū)內(nèi)鋁土礦主要地質(zhì)特征

區(qū)內(nèi)風(fēng)化殘積物?硅鋁鐵風(fēng)化殼是本區(qū)的含礦巖系, 由上至下分為鐵礬土(鐵帽)、鋁土礦和黏土 3類[13]。1)鐵礬土層。厚度為0.5～9 m，呈褐紅色?褐色,常見斑雜色、紫紅色；其結(jié)構(gòu)較為復(fù)雜，主要有泥質(zhì)結(jié)構(gòu)、均一結(jié)構(gòu)、不等礫和巨礫結(jié)構(gòu)，蜂窩狀?皮殼狀?塊狀構(gòu)造；礦物成分主要為高嶺石、三水鋁石、赤鐵礦、褐鐵礦等，巖石較硬，局部含礫。鐵礬土分布面積廣，野外易于識(shí)別，是該地區(qū)鋁土礦重要的找礦標(biāo)志，當(dāng) Al2O3含量高時(shí)也為優(yōu)質(zhì)的鋁土礦。2)鋁土礦層。厚度一般為0～18 m，主要有塊狀和土狀兩種礦石類型。塊狀鋁土礦位于鐵礬土下部， 褐紅色帶淺灰色，泥質(zhì)?豆?fàn)罱Y(jié)構(gòu)，蜂窩狀?塊狀構(gòu)造，主要礦物成分為三水鋁石、高嶺石、白云母，含有赤鐵礦、褐鐵礦和針鐵礦。土狀鋁土礦位于塊狀鋁土礦下部，呈棕紅色、磚紅色，泥質(zhì)?豆?fàn)罱Y(jié)構(gòu)，土狀構(gòu)造，主要礦物成分為三水鋁石、高嶺石、白云母, 含有針鐵礦，褐鐵礦。3)黏土層。黏土類巖石主要有鐵質(zhì)黏土和黏土兩種類型。地表主要出露在切割較深的溝谷中, 呈長(zhǎng)條水平層狀分布。

表1 PCA與ICA的特性比較[11]Table 1 Brief characteristic comparison between PCA and ICA

2.3 鋁土礦遙感特征分析

2.3.1 光譜特征分析

利用遙感進(jìn)行鋁土礦信息的提取主要有兩種類型，一是直接提取Al3+和OH?的信息，二是間接提取與鋁土礦伴生的赤鐵礦和褐鐵礦的Fe3+的信息。本區(qū)的鋁土礦為紅土型三水鋁石礦，大部分被鐵礬土所覆蓋，且Al3+和OH?的遙感信息較弱，較難單獨(dú)分離，因而以Fe3+為主要的蝕變信息進(jìn)行遙感提取。三水鋁石的野外照片如圖 3(a)所示，三水鋁石、針鐵礦和褐鐵礦的光譜曲線如圖3(b)所示。從圖3(b)可見，三水鋁石在1 440～1 600 nm間產(chǎn)生由1 435和1 558 nm組成的尖銳的“二元”吸收峰。Fe3+在 600～900 nm 間有一個(gè)很強(qiáng)的吸收譜帶。對(duì)于不同類型鐵化合物，因其分子結(jié)構(gòu)和晶體結(jié)構(gòu)的差異，其特征譜形差別較大。褐鐵礦各組成礦物及氧化的赤鐵礦、黃鐵鉀礬在800、2 195、1 900和1 400 nm附近的吸收峰。由于ALOS衛(wèi)星的光譜波段在420～890 nm之間，三水鋁石的“二元”吸收峰(1 435 nm)和(1 558 nm)在ALOS影像上無(wú)法反映出來(lái)，而Fe3+在600～900 nm間的強(qiáng)吸收譜帶正好放映ALOS的第4波段位置。又由于褐鐵礦所形成的鐵帽是該地區(qū)尋找鋁土礦的重要標(biāo)志，因此，蝕變信息提取也是以Fe3+鐵化提取為主。鐵化提取時(shí)可選擇ALOS4/1或ALOS3/1波段組合進(jìn)行比值運(yùn)算。

2.3.2 影像特征分析

高灶其和樊克鋒[13]研究表明該區(qū)鋁土礦體多賦存于山體頂部和坡度適中的斜坡上，溝谷部位礦體質(zhì)量差或無(wú)礦體。礦體底板為鋁土礦的成礦母巖?基性侵入巖或泥盆系砂巖。礦體發(fā)育地段礦石質(zhì)量好，厚度大，地表植被繁茂；在地形平緩地帶，堅(jiān)硬的硅鋁鐵質(zhì)風(fēng)化殼發(fā)育，植被稀少，通視條件好，其下一般鋁土礦質(zhì)量差[13]，如圖4(b)所示。根據(jù)地形地貌、地表植被及鐵鋁質(zhì)風(fēng)化殼發(fā)育程度，可為找礦提供標(biāo)志。在 ALOS341假彩色合成的遙感影像上鐵帽呈粉紅色，植被為綠色，河流為藍(lán)色(參見電子版)，如圖4(a)所示。結(jié)合數(shù)字高程模型DEM數(shù)據(jù)，建立海拔分級(jí)分帶圖，根據(jù)鋁土礦的地形分布特點(diǎn)和遙感解譯標(biāo)志，則能較好對(duì)鋁土礦的空間分布情況進(jìn)行定位和制圖。人工解譯的精度雖然較高，但是工作量大，不適宜大范圍制圖，較適合利用信息提取技術(shù)進(jìn)行計(jì)算機(jī)自動(dòng)制圖。

圖3 鋁土礦礦石標(biāo)本照片(a)與光譜特征(b)Fig. 3 Photo of ore sample (a) and spectra curves of bauxite (b)

2.4 鋁土礦信息提取

在遙感圖像處理軟件ENVI4.5中對(duì)ALOS影像的1、2、3和4波段分別進(jìn)行ICA和PCA分析，對(duì)ALOS 4/1波段組合進(jìn)行比值運(yùn)算。結(jié)果表明：ICA和PCA的4個(gè)分量中，第一分量IC1和PC1能夠較好地反映鐵帽信息，IC1和PC1的灰度圖像分別如圖5(b)和圖5(c)所示，ALOS 4/1的比值灰度圖像如圖5(d)所示?？梢钥闯?，IC1提取的鐵帽影像最為清晰，與周邊地物的區(qū)分度最高，PC1次之，比值最差。

圖4 鋁土礦的影像(a)與地貌特征(b)Fig. 4 Image (a) and topography (b) of bauxite

圖 5 3種鋁土礦信息提取方法效果比較: (a) ALOS影像; (b) IC1影像; (c) PCA影像; (d) 比值影像; (e) 提取結(jié)果Fig. 5 Comparison of gray images derived from three information extraction methods: (a) ALOS image; (b) IC1 image;(c) PCA image; (d) Ratio image;(e) Extraction result

得到蝕變信息灰度圖像后，還需要進(jìn)行圖像分割以將蝕變信息提取出來(lái)。異常分割通常利用(X+kσ)來(lái)確定異常下限和劃分異常強(qiáng)度等級(jí)。X是某一成分的統(tǒng)計(jì)均值代表區(qū)域背景, σ是該成分的標(biāo)準(zhǔn)差，k是系數(shù)一般取值在[1, 3]之間。常規(guī)情況下由于已知樣本數(shù)量太少，不足以建立合理的分割閾值準(zhǔn)則時(shí)，變量的均值和標(biāo)準(zhǔn)差統(tǒng)計(jì)在整個(gè)灰度圖像內(nèi)進(jìn)行。本次試驗(yàn)在野外GPS觀測(cè)數(shù)據(jù)的支持下，通過與遙感影像進(jìn)行比較分析，建立了合理的鋁土礦解譯標(biāo)志，可以通過解譯標(biāo)志來(lái)產(chǎn)生閾值統(tǒng)計(jì)樣本。在ALOS影像上根據(jù)解譯標(biāo)志共采集60個(gè)統(tǒng)計(jì)樣本點(diǎn)，以分別統(tǒng)計(jì)ICA、PCA和比值灰度影像中蝕變圖斑的最小值、最大值、均值X和標(biāo)準(zhǔn)差σ，統(tǒng)計(jì)結(jié)果如表2所列，多次試驗(yàn)表明k=1最佳。得到ICA、PCA和比值蝕變信息提取閾值分別為 1.05、?19.4和 0.52，鋁土礦的蝕變信息提取結(jié)果如圖5(e)所示。

2.5 結(jié)果評(píng)價(jià)分析

將提取的鋁土礦蝕變結(jié)果圖與野外 GPS采集的鋁土礦范圍實(shí)測(cè)數(shù)據(jù)進(jìn)行比較，對(duì)在一定圖斑內(nèi)提取的蝕變面積與GPS測(cè)量面積進(jìn)行統(tǒng)計(jì)分析。定義吻合率來(lái)表示信息提取的精度，如式(3)所示，吻合率越大表明提取的有效信息量越大，精度越高。

式中：E為吻合率；S1為觀測(cè)面積；S2為提取面積。

統(tǒng)計(jì)了GPS實(shí)地測(cè)量的8個(gè)圖斑，結(jié)果如表3所列。ICA、PCA和比值提取的蝕變吻合率從高到低依次為84.5%、80.9%和79.4%，說(shuō)明ICA法在該地區(qū)的鋁土礦蝕變信息提取中具有最好的效果，PCA次之，比值法最差，這與3個(gè)變量的灰度影像特征比較也是一致的。野外觀測(cè)結(jié)果還表明ICA的第一分量IC1的值越低的區(qū)域，鋁土礦的蝕變程度越高，信息提取的吻合率也越高。

3 遙感成礦預(yù)測(cè)

研究區(qū)位于赤道附近，廣泛分布的基性富鋁巖石，在濕熱多雨和干旱交替的熱帶氣候條件下形成了紅土型鋁土礦。由于強(qiáng)烈的風(fēng)化作用，區(qū)內(nèi)地形平緩起伏，多為低山丘陵地帶，一方面有利于地表水和地下水下滲，另一方面又使風(fēng)化產(chǎn)物積聚起來(lái)[13]。研究資料表明[20]：鋁土礦的分布情況與海拔標(biāo)高有一定的正相關(guān)性，這是由于在海拔較高的情況下，潛水面以上的氧化帶也相對(duì)較高，對(duì)水的垂直循環(huán)和淋濾作用有利，因此化學(xué)風(fēng)化作用強(qiáng)烈，更有可能形成品位更高，礦層更厚的鋁土礦。對(duì) GPS野外觀測(cè)樣區(qū)的統(tǒng)計(jì)分析表明，內(nèi)鋁土礦主要分布于在海拔250 m以上且切割相對(duì)較大的山頂和斜坡上, 而低海拔的平緩地帶鋁土礦基本不發(fā)育。

表2 3種鋁土礦信息提取的灰度圖像統(tǒng)計(jì)信息Table 2 Statistics of gray images derived from three information extraction methods

表3 3種鋁土礦信息提取方法野外驗(yàn)證結(jié)果比較Table 3 Comparison of field verification for three information extraction methods

圖6 鋁土礦蝕變遙感提取結(jié)果空間分布圖Fig. 6 Spatial distribution of bauxite alteration derived form remote sensing extraction: (a) Whole image; (b) Enlarged image of thosen zone in Fig. 6(a)

以褐鐵礦硬殼層形成的鐵帽為主要遙感找礦特征進(jìn)行鋁土礦的信息提取，再結(jié)合地形地貌要素對(duì)遙感提取結(jié)果進(jìn)行信息復(fù)合與分析，從而得到研究區(qū)鋁土礦的地表空間分布圖，如圖6所示。結(jié)果表明，與鋁土礦有成生關(guān)系的褐鐵礦硬殼層遭受水系切蝕及地形影響而不連續(xù)，總體呈現(xiàn)北北東向展布的 Soussouba帶和Bergue區(qū)帶以及北東向的展布Botowel帶。褐鐵礦硬殼層多呈支離破碎狀，單體數(shù)量多且規(guī)模普遍不大，面積最大者約為15 km2, 面積最小者不到1 km2。整個(gè)研究區(qū)的面積約為1 235.7 km2，利用獨(dú)立分量分析 ICA方法提取得到的鋁土礦地表面積約為 210.1 km2，植被覆蓋區(qū)域的面積約為461.8 km2。植被的覆蓋使得部分鋁土礦的信息遙感技術(shù)難以探測(cè)得到，從而使得鋁土礦的地表分布面積大于 210.1 km2。鋁土礦的層厚從幾米到幾十米不等，目前還缺乏詳細(xì)的數(shù)據(jù)資料，因而鋁土礦的礦石資源量還難以估算。

根據(jù)ICA的第一分量IC1值的高低和地貌特征，還可以進(jìn)一步將鋁土礦蝕變信息提取區(qū)域劃分為找礦最佳、找礦可行與找礦可能3 類。在進(jìn)一步的找礦勘查工作中宜參照以下規(guī)律：1) IC1的值越低，鋁土礦的蝕變程度越高，因此，優(yōu)選靶區(qū)宜在IC1的低值區(qū)選取；2)首選單體面積較大、連續(xù)的遙感褐鐵礦硬殼層單元，該類遙感單元垂向剖面比較完整, 礦化連續(xù)性好；3)優(yōu)先選擇剝蝕程度弱、排水通暢、海拔高程250 m以上的低緩丘嶺處，而相對(duì)高差較小的平坦山丘及沖溝、河流兩側(cè)相對(duì)高差較大者不利于成礦。

由于研究區(qū)位于海外，找礦勘查的成本比國(guó)內(nèi)的高，利用遙感技術(shù)進(jìn)行面上前期篩查，可有效降低成本，提高效率。除地形和風(fēng)化作用等因素外，成礦條件和沉積環(huán)境等因素對(duì)鋁土礦的形成起著至關(guān)重要的作用。然而，由于勘查工作還處于初期階段，后續(xù)工作仍在進(jìn)行，加之本次實(shí)驗(yàn)獲得的野外數(shù)據(jù)比較有限，所得到的認(rèn)識(shí)僅僅圍繞遙感信息提取展開。更加完整深入的認(rèn)識(shí)有待于在進(jìn)一步的工作中得到加強(qiáng)。

4 結(jié)論

1) 本區(qū)的鋁土礦為紅土型三水鋁石礦，大部分被鐵礬土所覆蓋，且Al3+和OH?的遙感信息較弱，較難單獨(dú)分離。褐鐵礦所形成的鐵帽是該地區(qū)尋找鋁土礦的重要標(biāo)志，因此，該區(qū)的鋁土礦蝕變信息提取是提取Fe3+為主，并作為指示信息。

2) 引入ICA法用于鋁土礦的蝕變信息遙感提取，使得各個(gè)變量之間相互獨(dú)立且數(shù)據(jù)表達(dá)簡(jiǎn)潔有效，有利于后續(xù)的蝕變信息閾值分割處理和提高鋁土礦蝕變信息提取的精度。實(shí)驗(yàn)結(jié)果表明：ICA法在該地區(qū)的鋁土礦蝕變信息提取中具有最好的效果，PCA法次之，比值法最差，吻合率分別為 84.5%、80.9%和79.4%。

3) ICA的第一分量IC1值越低的區(qū)域，鋁土礦的蝕變程度越高，信息提取的吻合率也越高，優(yōu)選靶區(qū)宜在IC1的低值區(qū)選取。

4) 由于部分鋁土礦被植被所覆蓋而使得遙感技術(shù)難以探測(cè)得到，從而使得實(shí)際的鋁土礦的地表分布面積大于遙感提取的面積。實(shí)驗(yàn)結(jié)果表明：區(qū)內(nèi)鋁土礦主要分布于海拔250 m以上且切割相對(duì)較大的山頂和斜坡上，而低海拔的平緩地帶鋁土礦基本不發(fā)育。基于上述兩個(gè)特點(diǎn)，鋁土礦蝕變信息的遙感提取必須要與地形地貌特征進(jìn)行信息復(fù)合與分析，以提高信息提取的準(zhǔn)確度。

[1] 李領(lǐng)軍, 張?jiān)品? 張 蓉, 馮 淳, 焦超衛(wèi), 張文龍. 幾內(nèi)亞金迪亞地區(qū)紅土型鋁土礦遙感礦化信息與找礦預(yù)測(cè)[J]. 遙感信息, 2010(5): 93?98.

LI Ling-jun, ZHANG Yun-feng, ZHANG Rong, FENG Chun,JIAO Chao-Wei, ZHANG Wen-long. Mineralized information and metallogenetic prospect of remote sensing for the lateritic bauxite in Kindia of Guinea [J]. Remote Sensing Information,2010(5): 93?98.

[2] 王潤(rùn)生, 丁 謙, 張幼瑩, 楊蘇明. 遙感色調(diào)異常分析的協(xié)同優(yōu)化策略[J]. 地球科學(xué)：中國(guó)地質(zhì)大學(xué)學(xué)報(bào), 1999, 24(5):498?502.

WANG Run-sheng, DING Qian, ZHANG You-ying, YANG Su-ming. Optimized cooperating strategy for analysis of remote-sensing color tone anomaly [J]. Earth Science: Journal of China University of Geosciences, 1999, 24(5): 498?502.

[3] 王潤(rùn)生. 遙感地質(zhì)技術(shù)發(fā)展的戰(zhàn)略思考[J]. 國(guó)土資源遙感,2008, 75(1): 1?12.WANG Run-sheng. On the development strategy of remote sensing technology in geology [J]. Remote Sensing for Land and Resources, 2008, 75(1): 1?12.

[4] 陳松嶺. 廣西三水型鋁土礦的遙感研究和找礦[J]. 大地構(gòu)造與成礦學(xué), 1990, 42(14): 83?87.

CHEN Song-ling. Remote sensing for study and prospecting of bauxite (gibbsite) in Guangxi [J]. Geotectonica et Metallogenia,1990, 42(14): 83?87.

[5] 高光明, 周利霞, 黃寶華. 波羅芬高原紅土型鋁土礦遙感影像特征及信息提取[J]. 信息技術(shù)與信息化, 2007, 73(3): 73?75.

GAO Guang-ming, ZHOU Li-xia, HUANG Bao-hua. Remote sensing image characteristic and information extraction of red soil bauxite in Bclovens [J]. Information Technology and Informatization, 2007, 73(3): 73?75.

[6] 成 功, 陳松嶺, 祝瑞勤, 楊 震. 平果堆積型鋁土礦地質(zhì)特征及遙感找礦預(yù)測(cè)[J]. 輕金屬, 2009(8): 11?19.

CHENG Gong, CHEN Song-ling, ZHU Rui-qin, YANG Zhen.Geological characteristics and remote sensing forecasting of accumulated bauxite of Pingguo [J]. Light Metals, 2009(8):11?19.

[7] 楊竹青, 李 勇, 胡德文. 獨(dú)立成分分析方法綜述[J]. 自動(dòng)化學(xué)報(bào), 2002, 28(5): 762?773.

YANG Zhu-qing, LI Yong, HU De-wen. Independent component analysis: A survey [J]. Acta Automatica Sinica, 2002, 28(5):762?773.

[8] 李明明, 周可法, 孫 莉, 秦艷芳, 孫雷剛, 王桂鋼. 基于ICA的遙感蝕變信息提取方法的研究[J]. 干旱區(qū)地理, 2011,34(2): 308?316.

LI Ming-ming, ZHOU Ke-fa, SUN Li, QIN Yan-fang, SUN Lei-gang, WANG Gui-gang. Extraction of alteration information from remote sensing data based on ICA [J]. Arid Land Geography, 2011, 34(2): 308?316.

[9] COMON P. Independent component analysis: A new concept [J].Signal Processing, 1994, 36(3): 287?314.

[10] LEE T W. Independent component analysis using an extended informal algorithm for mixed Subgaussian and Supergaussian sources [J]. Neural Computation, 1997, 11(2): 409?433.

[11] PENG Guang-xiong, YE Zhen-chao, GAO Guang-ming, FENG De-shan, XIONG Yun. Pegmatite remote sensing extraction and metallogenic prediction in Azubai area, Xinjiang [J]. Transaction of Nonferrous Metals Society of China, 2011, 21(S3): s591?s596.

[12] 張成學(xué), 張澤夏, 王國(guó)庫(kù). 幾內(nèi)亞共和國(guó)博凱 558 鋁土礦區(qū)賦礦巖石特征[J]. 化工礦產(chǎn)地質(zhì), 2009, 31(1): 25?31.

ZHANG Xue-cheng, ZHANG Ze-xia, WANG Guo-ku. Features of ore-boring rocks of 558 bauxite in boke guinea [J]. Geology of Chemical Minerals, 2009, 31(1): 25?31.

[13] 高灶其, 樊克鋒. 幾內(nèi)亞紅土型鋁土礦床地質(zhì)特征[J]. 資源調(diào)查與環(huán)境, 2009, 30(2): 115?119.

GAO Zao-qi, FAN Ke-feng. Geological characteristics of red clay type bauxite deposits in Guinea [J]. Resources Survey &Environment, 2009, 31(1): 25?31.

[14] PENG Guang-xiong, SHEN Wei, HAN Zhen, SU Wei.Evaluation of tobacco planting suitability based on remote sensing—A case study of Mile County, China [J]. Sensor Letters,2011, 9(3): 1108?1114.

[15] 徐紅偉, 張先忠. 幾內(nèi)亞共和國(guó)博凱地區(qū)紅土型鋁土礦地質(zhì)特征和成礦機(jī)理初探[J]. 長(zhǎng)春工程學(xué)院學(xué)報(bào): 自然科學(xué)版,2009, 10(1): 87?91.

XU Hong-wei, ZHANG Xian-zhong. Geological character and ore mechanism of lateritic bauxite depositsin Boke, Guinea [J].Journal of Changchun Institute of Technology: Natural Science Edition, 2009, 10(1): 87?91.

[16] JUTTEN C, HERAULT J. Independent component analysis versus PCA [C]// Proceedings of European Signal Processing Conf. Bruges, Belgium: Springer, 1988: 287?314.

[17] CHEN F, GUAN Z, YANG X, CUI W. A novel remote sensing image fusion method based on independent component analysis[J]. International Journal of Remote Sensing, 2011, 32:2745?2763.

[18] JUTTEN C, HERAULT J. Blind separation of sources (Part I):An adaptive algorithm based on neuromimetic architecture [J].Signal Processing, 1991, 24(1): 1?10.

[19] BELL A J, SEJNOWSKI T J. An information-maximization approach to blind separation and blind deconvolution [J] . Neural Computation, 1995, 7(6): 1129?1159.

[20] 袁楊森, 高灶其, 張成學(xué), 徐紅偉. 幾內(nèi)亞博凱地區(qū)紅土型鋁土礦成礦機(jī)理和控礦因素研究[J]. 河南理工大學(xué)學(xué)報(bào): 自然科學(xué)版, 2010, 29(3): 344?351.

YUAN Yang-sen, GAO Zao-qi, ZHANG Cheng-xue, XU Hong-wei. Study on the ore forming mechanism and the ore controlling factors of lateritic bauxite deposits in Boke of Guinea[J]. Journal of Henan Polytechnic University: Natural Science,2010, 29(3): 344?351.