應(yīng)用ASTER遙感圖像的巖礦信息提取研究

黃宇飛 李智慧 寧慧 胡震岳 曹海翊

(1 北京空間飛行器總體設(shè)計部，北京 100094)(2 哈爾濱工程大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150001)

遙感影像在不同波段范圍內(nèi)反映了地物輻射、反射和發(fā)射電磁波的特性等信息。各種礦產(chǎn)資源的形成與產(chǎn)出都和一定的地質(zhì)體與地質(zhì)現(xiàn)象的空間展布等密切聯(lián)系，不同的礦物、巖石或蝕變礦化等也可通過遙感影像上不同的波譜曲線反映出來。因此通過遙感波譜信息及空間信息的提取，可有針對性地獲得與礦化有關(guān)的地質(zhì)體、地質(zhì)現(xiàn)象的類別和分布狀況[1]。遙感工作者對不同礦化蝕變類型采取針對性的異常提取方法在在不同地區(qū)都開展了很好的實踐。

近幾年國內(nèi)外遙感找礦的研究主要分為主成分分析方法、復(fù)合處理方法以及基于高級星載熱發(fā)射反射輻射計(Advanced Spaceborne Thermal Emission and Reflection Radiometer，ASTER)數(shù)據(jù)的方法。文獻(xiàn)[2]提出了“TM掩膜+主成分變換+分類”識別提取礦產(chǎn)弱信息的技術(shù)方法，在遼寧二道溝金礦提取三價鐵蝕變火山碎屑巖信息，在河北華北地臺北緣提取含金鉀化帶信息，均取得了較好的效果。文獻(xiàn)[3]利用“多元數(shù)據(jù)分析+比值+主成份變換+掩膜+分類(分割)”的方法在新疆、內(nèi)蒙古及江西、云南成功的提取了金礦化蝕變信息。文獻(xiàn)[4]利用TM、SPOT數(shù)據(jù)數(shù)字高程模型及地球化學(xué)信息對愛琴海盆地Quatemary島弧中的低溫?zé)嵋盒徒鸬V進(jìn)行研究。文獻(xiàn)[5]利用TM圖像743波段合成圖像，根據(jù)巖石變形變質(zhì)特征及遙感影像特征，對喀喇昆侖區(qū)域進(jìn)行地層劃分研究并成功地劃分出了該區(qū)的地層系統(tǒng)。文獻(xiàn)[6]利用機(jī)載可見紅外成像光譜儀(AVIRIS)和ASTER數(shù)據(jù)對成層火山的熱液蝕變進(jìn)行了研究。文獻(xiàn)[7]采用ASTER的近紅外，短波紅外波段數(shù)據(jù)以及變差函數(shù)紋理等特征用于巖性分類。文獻(xiàn)[8]利用ASTER波段數(shù)據(jù)、溫度數(shù)據(jù)、高程數(shù)據(jù)等作為特征，用支持向量機(jī)進(jìn)行預(yù)測。研究表明ASTER數(shù)據(jù)其波段設(shè)置比其他多光譜數(shù)據(jù)具有更好的波譜連續(xù)性，因此ASTER數(shù)據(jù)在巖性信息提取和礦物識別方面能達(dá)到更高的準(zhǔn)確率。

ASTER傳感器是搭載在“土”衛(wèi)星(Terra)上的星載熱發(fā)射反射輻射計，于1999年12月18日發(fā)射升空，其數(shù)據(jù)包括近紅外、短波紅外、熱紅外3個光學(xué)系統(tǒng)，共計14個頻段，空間分辨率分別為15 m、30 m、90 m。ASTER遙感數(shù)據(jù)以其更多的頻段，提取蝕變礦物異常類型更為豐富，在礦化信息識別取得良好的應(yīng)用效果。

本文以ASTER數(shù)據(jù)為數(shù)據(jù)源，利用熱紅外波段數(shù)據(jù)計算出其對應(yīng)的礦物學(xué)指數(shù)作為特征，通過隨機(jī)森林分類算法，對巖礦信息提取分類并繪制礦藏分布圖。

1 研究方法

本文采用的遙感圖像為ASTER遙感圖像，表1中列出了各個子系統(tǒng)對應(yīng)波段的相關(guān)參數(shù)。

表1 ASTER圖像的波段

巖礦信息提取通過機(jī)器學(xué)習(xí)方法實現(xiàn)，首先提取特征，然后通過隨機(jī)森林方法實現(xiàn)巖礦信息分類，按以下四步實現(xiàn)，即輻射定標(biāo)、歸一化處理、特征提取和分類。

1.1 輻射定標(biāo)

將ASTER圖像上的亮度灰度值轉(zhuǎn)換為絕對的輻射亮度

L=(d-1)×c

(1)

式中：d為從存儲ASTER圖像的文件中讀取的圖像亮度灰度值；c為每個波段對應(yīng)的增益值；L為表面輻射值。

1.2 歸一化處理

TIR頻段基于普朗克定律，將所有像素的第13頻段的亮度溫度轉(zhuǎn)換為固定溫度并將其他4個波段的數(shù)據(jù)轉(zhuǎn)換，得到傳感器數(shù)據(jù)的歸一化輻射值

(2)

式中：Li是由式(1)給出的頻段i中的傳感器數(shù)據(jù)的ASTER輻射值，i為波段號。λi是每個頻段i對應(yīng)的中心波長(μm)；ε13是頻段13中的假定發(fā)射率為1.0；T是第13頻段被歸一化的固定溫度(K)，通過經(jīng)驗公式的計算將其值定為300；c1=3.742×108J·m,c2=1.436 9×104K通過這種歸一化輻射的過程，能夠?qū)⑻妓猁}指數(shù)對表面溫度條件的重度依賴性顯著改善。

1.3 特征提取

通過不同類別的巖石在對不同波長的吸收程度分析，分別得出石英指數(shù)(QI)、碳酸鹽指數(shù)(CI)、鎂鐵質(zhì)指數(shù)(MI)的計算公式為

(3)

(4)

(5)

式中：Ni為式(1)求得的歸一化后的輻射值。

特征提取步驟：

(1)讀取ASTER圖像的TIR的波段數(shù)據(jù)，共五維，利用式(1)將其圖像亮度灰度值轉(zhuǎn)換成輻射值；

(2)將步驟1中的輻射值利用式(2)進(jìn)行歸一化處理；

(3)用歸一化處理之后的數(shù)據(jù)進(jìn)行指數(shù)計算分別求出每一個像素對應(yīng)的QI、CI、MI的值。

每個已知數(shù)據(jù)點選取其周圍7×7鄰域的像素計算，每個像素為一個樣本，將其計算出的QI、CI、MI的值作為特征輸出。

1.4 隨機(jī)森林分類算法

1.4.1 分類決策樹

隨機(jī)森林是一種有監(jiān)督學(xué)習(xí)算法，它創(chuàng)建了一個森林，并使它擁有某種方式隨機(jī)性[9]。所構(gòu)建的“森林”是決策樹的集成，分類決策樹算法通過熵作為評價指標(biāo)對分類效果進(jìn)行評估。熵值越大，表明數(shù)據(jù)的純度越低。當(dāng)熵等于0，表明樣本數(shù)據(jù)都是同一個類別。

假設(shè)D表示樣本集個數(shù)，屬性a有v個可能的取值(離散或連續(xù))。進(jìn)行最有劃分屬性時，比如先找到了屬性a，對a進(jìn)行評價，接下來對其他屬性重復(fù)a的過程，分別得到一個評分，選擇評分最高的那個，即信息增益最大的作為最有劃分屬性。

1.4.2 模型建立

將樣本集D隨機(jī)分成訓(xùn)練集S與測試集T，特征維數(shù)為F。決策樹的數(shù)量為t，每個節(jié)點使用到的特征數(shù)量f。終止條件：所有的節(jié)點都訓(xùn)練過了或者被標(biāo)記為葉子節(jié)點。

(1)從S中有放回的抽取大小和S一樣的訓(xùn)練集S(xm)，作為根節(jié)點的樣本，從根節(jié)點開始訓(xùn)練。

(2)如果當(dāng)前節(jié)點上達(dá)到終止條件，則設(shè)置當(dāng)前節(jié)點為葉子節(jié)點，該葉子節(jié)點的預(yù)測輸出為當(dāng)前節(jié)點樣本集合中數(shù)量最多的那一類c(n)，概率p為c(n)占當(dāng)前樣本集的比例，繼續(xù)訓(xùn)練其他節(jié)點；如果當(dāng)前節(jié)點沒有達(dá)到終止條件，則從F維特征中無放回的隨機(jī)選取f維特征。利用這f維特征，尋找分類效果最好的一維特征k及其閾值h，當(dāng)前節(jié)點上樣本第k維特征小于h的樣本被劃分到左節(jié)點，其余的被劃分到右節(jié)點，繼續(xù)訓(xùn)練其他節(jié)點。

(3)重復(fù)(1)(2)直到所有節(jié)點都訓(xùn)練過了或者被標(biāo)記為葉子節(jié)點。

(4)重復(fù)(1)(2)(3)直到t棵樹都被訓(xùn)練過。

1.4.3 預(yù)測分類

在得到隨機(jī)森林訓(xùn)練的分類器模型之后，輸入未經(jīng)訓(xùn)練得巖礦指數(shù)特征，讓森林中的每一棵決策樹分別進(jìn)行分類：

(1)從當(dāng)前樹的根節(jié)點開始，根據(jù)當(dāng)前節(jié)點的閾值h，判斷是進(jìn)入左節(jié)點(

(2)重復(fù)執(zhí)行(1)直到所有t棵樹都輸出了預(yù)測值，輸出為所有樹中預(yù)測概率總和最大的那一個類。

2 試驗驗證

2.1 試驗數(shù)據(jù)

首先將文獻(xiàn)[10]公布的巖礦標(biāo)記圖像通過谷歌地球軟件導(dǎo)出為GEOTIFF格式的圖片，利用ENVI軟件讀取其中已知真實數(shù)據(jù)點，包括其經(jīng)緯度以及巖礦類別。待研究的樣本是帕米爾高原地區(qū)的，已知的巖礦數(shù)據(jù)點共50個，分布在編號為1～10的十張圖像中，每個數(shù)據(jù)點為某點附近的一小塊區(qū)域。

所判別的巖礦礦物類型共計五種，分別為硅質(zhì)、硫酸鹽、超鎂鐵質(zhì)、石英以及變質(zhì)硅酸鹽。采用3種測試方法：①交叉驗證測試，是對所有已知點數(shù)據(jù)進(jìn)行交叉驗證測試；②新圖像測試，即測試集與訓(xùn)練集選取完全不同的圖像進(jìn)行測試；③整張圖像類別測試，將所有圖像的已知數(shù)據(jù)點作為訓(xùn)練集，然后對整張圖像的類別進(jìn)行預(yù)測。

2.2 實驗方法

2.2.1 交叉驗證測試

鑒于已知數(shù)據(jù)點個數(shù)有限，所以第一項測試方法采用K-Fold交叉驗證，K值取4，將原始數(shù)據(jù)分為4個子集，每個子集分別作為一次測試集，其他3個子集作為訓(xùn)練集，進(jìn)行循環(huán)交叉驗證，并計算得到交叉驗證正確率。

巖礦分類評價指標(biāo)正確率為

(6)

式中：Rj表示用于交叉驗證的子集j分類正確的樣本數(shù)，Aj表示子集j的總樣本數(shù)。

測試方法是將以上是一張圖像已知數(shù)據(jù)點提取整合，打亂順序，然后分組進(jìn)行交叉驗證，將所有ACC加和平均作為最終評價結(jié)果。圖1顯示K-Fold交叉驗證結(jié)果，顯示測試集編號分別為1、2、3、4的準(zhǔn)確率。

圖1 帕米爾高原圖像K-Fold交叉驗證結(jié)果

結(jié)果顯示，此種方式對于訓(xùn)練數(shù)據(jù)點與測試數(shù)據(jù)點在同一張圖像上的樣本分類能夠得到較高的正確率，但其并不能夠反映該分類器能夠以上表得出的正確率去分類一張沒有進(jìn)行訓(xùn)練的圖像。

2.2.2 新圖像測試

為了測試所訓(xùn)練的模型對不同圖像的分類性能、反映不同圖像間的分類準(zhǔn)確性，現(xiàn)采用第1項測試，測試圖像同表1，第2種測試方法根據(jù)待分類中數(shù)據(jù)點存在的分布選取6張圖像(編號為3、4、6、7、9、10，這6張圖像中包含所有的數(shù)據(jù)點)的數(shù)據(jù)點進(jìn)行訓(xùn)練，剩下4張圖像(1、2、5、8)分別用來測試已知數(shù)據(jù)點的正確率，正確率計算公式同測試一所述，每張圖像每個類別對應(yīng)分類準(zhǔn)確率如表2所示。

表2 帕米爾高原圖像分類結(jié)果

結(jié)果顯示，對于訓(xùn)練數(shù)據(jù)點與測試數(shù)據(jù)點取自完全不同的圖像的情況下，平均正確率能夠達(dá)到0.849 7，對于變質(zhì)硅酸鹽的分類效果與其他類別的分類效果相比較弱，但平均正確率也能達(dá)到0.5以上，對硫酸鹽和硅質(zhì)的分類效果較好，平均正確率都在0.9以上。

2.2.3 整張圖像分類測試

將所有圖片中的已知數(shù)據(jù)點作為訓(xùn)練集，訓(xùn)練隨機(jī)森林的分類器，對整張圖像所有像素進(jìn)行測試，并將圖像中的不同類別用不同顏色標(biāo)注出來，與文獻(xiàn)[10]的預(yù)測方法進(jìn)行對比。

圖2，圖3分別是對編號為8和10的圖像進(jìn)行全圖預(yù)測的結(jié)果，圖中白色的標(biāo)記點是已知數(shù)據(jù)點，本文預(yù)測結(jié)果與文獻(xiàn)[10]的顏色不是完全一致，可通過白色的標(biāo)記點找到對應(yīng)關(guān)系。通過同文獻(xiàn)[10]結(jié)果的對比，可以看出本文預(yù)測得到的巖礦分類圖與文獻(xiàn)[10]的一致性較高。由于圖像的質(zhì)量，如云層的干擾，積雪的干擾等都對數(shù)據(jù)產(chǎn)生較大的影響，所以對全圖預(yù)測的結(jié)果是有偏差的。

圖3 編號為10圖像的預(yù)測類別圖

2.2.4 指標(biāo)分析

在利用ASTER數(shù)據(jù)進(jìn)行巖礦分類的文獻(xiàn)中，文獻(xiàn)[8]利用ASTER波段數(shù)據(jù)、溫度數(shù)據(jù)、高程數(shù)據(jù)等作為特征，用支持向量機(jī)進(jìn)行預(yù)測，共預(yù)測9類，其中包括五種巖礦類型，如圖4所示。分類精度能夠達(dá)到0.792 8，對超鎂鐵質(zhì)的分類精度為0.672 5，但本方法對超鎂鐵質(zhì)的分類精度能夠達(dá)到0.907 8。

圖4 文獻(xiàn)[8]分類精度

綜合同以上文獻(xiàn)的對比，本文對已知數(shù)據(jù)點分類的準(zhǔn)確率相對較高，能夠識別硅質(zhì)、硫酸鹽、石英、超鎂鐵質(zhì)以及石英鎂鐵質(zhì)這5個類別，平均分類正確率能夠達(dá)到0.849 7以上。對所有研究圖像進(jìn)行了類別預(yù)測，主觀評價結(jié)果也較好。

3 結(jié)論

本文以紅外多光譜數(shù)據(jù)為數(shù)據(jù)源，選取帕米爾高原地區(qū)的巖礦數(shù)據(jù)作為研究對象，計算石英指數(shù)，碳酸鹽指數(shù)，鎂鐵質(zhì)指數(shù)為特征值，采用隨機(jī)森林的分類方法訓(xùn)練出分類模型，再利用該分類模型去判斷該地區(qū)的巖礦種類，根據(jù)判斷出的結(jié)果得出已知數(shù)據(jù)點的正確率。

從測試結(jié)果可以看出，本文所述方法能夠通過遙感圖像識別出5種巖礦類型，對于訓(xùn)練數(shù)據(jù)點與測試數(shù)據(jù)點取自完全不同的圖像的情況下，平均正確率相對其他文獻(xiàn)來說較好，對整張遙感圖像繪制礦藏分布圖，主觀判斷其效果較好。

本文主要用到ASTER遙感圖像數(shù)據(jù)，按照ASTER項目的計劃，其數(shù)據(jù)應(yīng)用于全球變化研究中，在科研工作中起到了很好的促進(jìn)作用。ASTER圖像質(zhì)量較高，其近紅外和短波紅外波段平均信噪比分別為186.73，196.33。但是在下載ASTER數(shù)據(jù)時發(fā)現(xiàn)，在2008年后的ASTER-L1T數(shù)據(jù)缺少短波紅外的數(shù)據(jù)，雖然本項目的研究主要用到的是熱紅外的5個頻段，但對數(shù)據(jù)點進(jìn)行篩選的過程還是需要借助于短波紅外的頻段數(shù)據(jù)的，除此之外ASTER的圖像時間分布不均，很多月份的數(shù)據(jù)不存在或者文件中數(shù)據(jù)丟失，這種狀況對圖像分析存在影響。對于巖礦信息提取，采用的主要是熱紅外波段，波長范圍在8.125～11.650 μm之間(共計5個頻段)，由于其熱紅外波段數(shù)較多，對巖礦信息提取有很大的幫助，但熱紅外波段的空間分辨率較低，應(yīng)該適當(dāng)提高其空間分辨率。