基于地質勘查遙感系統(tǒng)的礦產資源地質信息產品生成流程研究

汪大明，肖政浩

(1.中國地質調查局油氣資源調查中心，北京100029;2.中國國土資源航空物探遙感中心，北京100083)

0 引言

隨著傳感器技術的發(fā)展，高光譜遙感技術已經廣泛應用于礦產資源地質調查領域，尤其是礦產資源調查和找礦應用。

地質勘查遙感系統(tǒng)是“十二五”期間研建的面向礦產資源和能源調查的集數據接入、數據處理、數據存儲、地質應用于一體的多功能綜合性地質調查平臺，是能夠對海量的高光譜星載、機載、地面巖心數據進行接收、存儲、處理和分發(fā)的地面處理系統(tǒng)，其中地質應用主要面向礦產資源探測和油氣資源探測［1］。

本文基于地質勘查遙感系統(tǒng)，通過對國內外較成熟的地質信息提取與識別技術進行總結和優(yōu)化，建立了高光譜數據地質應用產品生成的技術流程，主要包括構造、巖性和礦物信息的提取，并結合物化探資料與其他地質資料進行成礦遠景區(qū)預測，最后總結出礦產資源地質信息產品體系及其生成流程。

1 礦產資源地質信息產品

礦產資源高光譜遙感探測的產品主要包括構造信息產品、巖性信息產品、礦物信息產品和遠景成礦預測產品。根據地質勘查遙感系統(tǒng)的數據處理流程，衛(wèi)星下行數據及航空回放數據定義為0級產品，經過輻射校正的數據定義為1級產品，經過幾何校正的產品定義為2級產品 (見表1)，1級和2級產品均為基礎產品。

表1 遙感衛(wèi)星數據產品分級Table 1 Gradation rules of remote sensing data products

2級以上的產品為高級數據產品，是針對相關的典型地質應用生成的數據產品。根據地質勘查遙感系統(tǒng)總體設計，典型的地質應用包括礦產資源高光譜遙感探測、油氣高光譜遙感探測和巖心高光譜遙感應用，分別定義為A類 (礦產)、B類 (油氣)和C類 (巖心)高級產品。

礦產資源高光譜遙感探測產品 (A類高級產品)包括:3A構造信息產品，4A巖性信息產品，5A礦物信息產品和6A遠景成礦預測產品 (見表1)。

2 研究區(qū)地質背景

本文選擇新疆東天山土墩地區(qū)進行高光譜礦產資源地質信息產品的業(yè)務化生成流程研究，選取該地區(qū)高光譜影像進行驗證。

新疆天山為巨型古生代造山帶，位于準噶爾地塊和塔里木地塊的結合部位，大地構造環(huán)境復雜，巖漿活動頻繁，是我國西部極為重要的銅鎳金成礦區(qū)域。

根據大地構造環(huán)境和構造單元地質特征分析，東天山是金銅礦發(fā)育的有利地區(qū)。已發(fā)現的成型銅 (鎳)礦床多分布于研究區(qū)的北部，主要類型有斑巖型、銅鎳硫化物型、火山巖塊狀硫化物型，矽卡巖型等［2］。

土墩—黃山—鏡兒泉一帶，巖體高度分異，普遍有銅鎳礦化;現已探明黃山、黃山東為大型礦床，土墩、香山、黃山北為中型礦床，黃山南、二紅洼為小型礦床。土墩—黃山—鏡兒泉一帶出露地層主要為下石炭統(tǒng)干墩組和中石炭統(tǒng)梧桐窩子組。

3 礦產資源地質產品生成業(yè)務化流程研究

3.1 構造信息產品生成業(yè)務化流程

構造信息提取一般采用目視解譯與計算機半自動交互解譯相結合的方法。首先從高光譜數據中抽取相應波段，形成真彩色圖像或標準假彩圖像，或者直接采用預處理效果較好的波段，通過傳統(tǒng)目視解譯方法進行構造信息提取，生成相應的矢量圖層，最后生成標準的構造信息產品 (見圖1)。

圖1 構造信息產品生成流程Fig.1 Producing process for geological structure

3.2 巖性信息產品生成業(yè)務化流程

高光譜巖性信息分類填圖方法:①對高光譜數據進行輻射定標、大氣校正、光譜重建，得到光譜反射率數據;②根據礦物波譜特征對反射率數據進行波譜降維，對照地質圖選取典型巖性建立感興趣區(qū)，確定巖性分類的先驗樣區(qū);③選用合適的方法進行巖性信息分類填圖，并對結果進行優(yōu)化操作。巖性信息分類填圖流程見圖2。

圖2 巖性信息分類填圖流程Fig.2 Process for mapping classification of lithology information

3.2.1 數據預處理

高光譜數據預處理主要包括輻射標定、輻射校正和大氣校正，以剔除由于大氣影響、地形起伏以及傳感器本身不穩(wěn)定帶來的各種失真。

3.2.2 端元選擇

端元是指成分單一的巖性像元。巖性分類信息提取一般要進行巖性端元信息選擇，選擇的方式主要有兩種:①根據野外波譜測量或從已有的地物波譜信息庫中選擇端元，通過此種途徑選擇的端元稱為“參考端元”;②直接從待分類巖性的圖像上選擇端元，然后不斷對其修改、調整，確定最終端元，這種圖像上選擇的端元區(qū)域稱為先驗樣區(qū)。

基于圖像的端元選擇方法有:①最大噪聲分離 (MNF)變換;②像元純度指數 (PPI)分析;③N維可視化 (n-Dimensional Visualization)［3］。

3.2.3 巖性填圖結果

對研究區(qū)高光譜原始數據的211個波段進行目視解譯，去掉33個明顯的噪聲波段，再結合巖性地質特征去掉1300 nm之前的波段85個，裁剪得到93個波段，對裁剪結果設定參數重新分類，得到填圖結果。

按照是否選擇先驗區(qū)，巖性分類分為非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類也稱聚類分類，其分類結果只是對不同類別達到了分區(qū)效果，并不能確定類別屬性;監(jiān)督分類又稱訓練場地法，根據已知訓練區(qū)提供的樣本，通過選擇特征參數，進行圖像分類［4］。

本次研究參照研究區(qū)地質圖，分別采用非監(jiān)督分類和監(jiān)督分類法進行巖性提取 (見圖3)。

圖3 巖性提取結果Fig.3 Results of lithology extraction

3.3 礦物信息產品生成業(yè)務化流程

常用的高光譜礦物填圖方法為:①用最大噪聲分離 (MNF)變換對反射率數據進行波譜降維，用像元純度指數 (PPI)分析進行空間降維;②用N維可視化方法來確定圖像端元，進行端元識別，確定礦物波譜;③利用合適的方法進行礦物填圖，并對結果進行優(yōu)化操作。礦物填圖流程見圖4。

3.3.1 高光譜數據預處理

對高光譜數據進行輻射定標、大氣校正等處理后得到光譜反射率數據。

3.3.2 典型礦物光譜吸收特征分析

根據主要波譜特征將礦物劃分為含Fe2+礦物、含Fe3+礦物、含Mn2+礦物、碳酸鹽礦物、含Al-OH鍵礦物、含Mg-OH鍵礦物等大類。

圖4 礦物填圖流程Fig.4 Process for mapping of mineral

圖5 典型礦物波譜特征Fig.5 Typical spectral features for mineral

Al-OH診斷譜帶一般位于2165～2215 nm附近 (見圖5a);Mg-OH診斷譜帶一般位于2315～2335 nm附近 (見圖5b);CO32-診斷譜帶一般位于2335～2386 nm區(qū)間 (見圖5c);Fe2+診斷譜帶一般位于1000～1100 nm附近;Fe3+診斷譜帶一般位于600～900 nm附近;Mn2+診斷譜帶一般位于450～600 nm附近。

根據主吸收譜帶和次要吸收譜帶的組合特征，同時考慮吸收譜帶在不同巖石中的變異，識別礦物。

3.3.3 礦物識別技術

基于光譜數據的礦物識別方法主要有基于光譜波形參數識別、基于光譜相似性測度識別、基于混合光譜模型識別以及基于地質統(tǒng)計規(guī)律和基于光譜知識的智能識別等［5］。

3.3.4 礦物填圖試驗研究

本文選用東天山地區(qū)的HyMap數據進行礦物填圖試驗。研究區(qū)含蛇紋石、白云母、綠簾石、綠泥石礦物。具體填圖流程如下:

①數據降維。利用MNF變換進行光譜數據減維，分離數據中的噪聲;觀察最終特征值，確定數據的固有維數，選擇合適的MNF波段進行PPI指數計算。

②計算圖像的PPI指數。最終產生PPI圖像，從直方圖中選擇閾值，僅選擇最純的像元以保證被分析的像元數最小，將這些像元輸入到分離特定光譜端元的交互式可視化算法中。

③N維可視化進一步提純純凈像元。通過選擇n維散點圖的頂點和拐角 (n是波段數)，進一步提純純凈像元;將最終確定的端元輸入到圖像中的感興趣區(qū) (ROI)，從圖像中提取每個感興趣區(qū)平均反射率光譜曲線作為成像光譜礦物填圖的候選端元。

④建立真實波譜庫。將采集端元的波譜曲線輸出，經過波譜分析得到波譜曲線圖，確定端元礦物并建立該礦物的真實波譜庫。

⑤選擇合適的填圖方法，提取各類礦物，并對提取結果做最小圖斑去除、類合并等操作，優(yōu)化礦物提取結果。

3.3.5 填圖結果及分析

各種填圖方法對比研究顯示，SAM方法可以快速且較準確地顯示礦物信息，完成填圖(見6—圖8)。

為了分析高光譜數據的礦物填圖效果，本文將礦物信息提取結果圖與前人對此研究區(qū)進行的礦物填圖結果進行了對比。設研究區(qū)總的點數為N，結論相同就認為該點取值1，最后統(tǒng)計結果中1的個數n，則巖性信息識別精度可定義為:

圖6 三種礦物波譜曲線Fig.6 Spectral curves for three kinds of mineral

圖7 三種礦物填圖效果Fig.7 Mapping effects for three kinds of mineral

圖8 礦物填圖結果Fig.8 Mapping results for mineral

對比結果并非完全一致，其中蛇紋石的填圖效果一致性最高;綠簾石的分布范圍一致，但本次數據的填圖結果顯示的范圍較大;白云母的分布范圍基本一致，但貧鋁白云母和富鋁白云母的分布范圍有些混淆。經過對比分析，本次數據和前人數據填圖范圍的一致性達到89%，基本滿足高光譜數據的填圖要求。引起誤差的主要原因為:分辨率越高的數據填圖效果越好，輻射校正的精確程度影響填圖的效果，各種分類方法中參數的選取決定了分類效果。

3.4 遠景成礦區(qū)預測技術流程

高光譜遠景成礦區(qū)預測主要是在已生成的構造信息產品、巖性信息產品和礦物信息產品的基礎上，結合物化探資料和其他地質資料，綜合考慮各種因素最終形成高光譜遠景成礦預測產品 (見圖9)。

3.4.1 化探數據處理流程

本文采用均值+2倍標準差作為研究區(qū)化探數據的異常下限值。利用Sufer軟件對原始數據進行網格化并做出異常等值線圖，以異常規(guī)模的大小為標準對異常區(qū)域進行分級。

3.4.2 遠景成礦區(qū)預測成果

以東天山地區(qū)黃山—黃山東礦區(qū)典型礦床的分析成果為基礎，以區(qū)域成礦規(guī)律和成礦地質背景為依據，基于高光譜遙感數據進行蝕變礦物信息提取的綜合空間分析，依據不同的蝕變礦物確定變量及其域值［6］(見圖10)。

圖9 遠景成礦區(qū)預測產品Fig.9 Prediction production of metallogenic province

圖10 遠景成礦預測結果Fig.10 Minerogenetic prospect prognostic map

4 礦產資源高光譜遙感探測技術流程總結

本文分別研究了構造信息產品、巖性信息產品、礦物信息產品和遠景成礦區(qū)預測等關鍵技術節(jié)點。各技術節(jié)點獲取不同的信息產品，層層遞進，構成了礦產資源高光譜遙感探測技術流程 (見圖11)。

5 結論

圖11 礦產資源高光譜遙感探測應用技術流程Fig.11 Processes for application technology of mineral hyperspectral remote sensing survey

本文在地質勘查遙感系統(tǒng)地質應用的基礎上，研究了構造信息產品、巖性信息產品、礦物信息產品和遠景成礦預測產品生成的技術流程，最終得到了礦產資源高光譜遙感探測技術流程。

選取新疆東天山土墩地區(qū)為研究區(qū)，對各技術流程及填圖結果進行了驗證。結果表明，本文總結的各類產品生成流程方便實用，填圖結果比較精確，為今后的遙感地質找礦和礦產資源勘查提供了便利的方法和流程。

［1］ 李志忠，楊日紅，黨福星，等.高光譜遙感衛(wèi)星技術及其地質應用 ［J］.地質通報，2009，28(2/3):270～277.LI Zhi-zhong，YANG Ri-hong，DANG Fu-xing，et al.Hyperspectral remote sensing satellite technology and its geological application ［J］ Geological Bulletin of China，2009，28(2/3):270 ～277.

［2］ 周強，甘甫平，陳建平，等.哈密土墩礦區(qū)高光譜影像蝕變礦物識別初步研究［J］.礦床地質，2006，25(3):329 ～336.ZHOU Qiang，GAN Fu-ping，CHEN Jian-ping，et al.Application of hyper spectral imaging data to mineral identification in Tudun Cu Ni deposit，Hami，XinJiang ［J］ Mineral Deposits，2006，25(3):329 ～336.

［3］ 常睿春，何政偉，王茂芝.蝕變礦物信息與構造在高光譜遙感找礦中的應用初探［J］.國土資源科技管理，2012，29(6):84～87.CHANG Rui-chun， HE Zheng-wei， WANG Mao-zhi， Application of Altered mineral information and structure tohyperspectral remote sensing prospecting.［J］Scientific and Technological Management of Land and Resources，2012，29(6):84 ～87.

［4］ 甘甫平，熊盛青，王潤生，等.高光譜礦物填圖及應用示范［M］.北京:科學出版社，2014.GAN Fu-ping， XIONG Sheng-qing， WANG Run-sheng， et al.Hyperspectral mineral mapping and application demonstration［M］，Bei Jing;Science Press，2014.

［5］ 唐攀科，李永麗，李國斌，等.成像光譜遙感技術及其在地質中的應用［J］.礦產與地質，2006，20(2):160～164.TANG Pan-ke，LI Yong-li，LI Guo-bin，et al.Imaging spectrometry remote sensing technology and its appl ications in geology［J］，Mineral Resources and Geology，2006，20(2):160～164.

［6］ 呂鳳軍，郝躍生，石靜，等.ASTER遙感數據蝕變遙感異常提取研究［J］.地球學報，2009，30(2):271～276.Lü Feng-jun，HAO Yue-sheng，SHI Jing，et al.Alteration remote sensing anomaly extraction based on Aster remote sensing data.［J］.Journal of earth，2009，30(2):271～276.