高光谱遥感在找矿中的应用

1001113309 林良平

摘要：高光谱遥感技术矿物光谱识别机理，较详细地介绍了高光谱数据处理和分析技术及发展程度，并系统地阐述了国内外高光谱遥感技术在矿产资源调查应用方面的发展概况，最后指出了高光谱在矿产资源调查领域中的应用及其发展方向。 关键词：高光谱遥感；数据处理技术；矿产资源调查

Application of Hyperspectral Remote Sensing on

Mineral Exploration

1001113309 Liangping Lin

Abstract：Hyperspectral remote sensing technology mineral spectrum recognition mechanism, the paper introduces in detail the high spectral data processing and analysis technology and development degree, and systematically elaborated the hyperspectral remote sensing technology at home and abroad in mineral resource survey the general situation of the development of application, and finally points out the high spectrum in the mineral resources in the field of investigation application and development direction.

Key words：Hyperspectral remote sensing; Data processing technology; Mineral resource survey

0 引言

所谓高光谱遥感，是在紫外到中红外波段范围内，划分成许多非常窄却光谱连续的图像数据来进行探测的影像数据技术，这项技术起源于20世纪80年代，由于高光谱数据是一个光谱图像的立方体，其空间图像维描述地表二维空间特征，其光谱维揭示图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合。能够提供更为丰富的地面信息，因此受到国内外学者的广泛关注[1][2]。

矿物识别是高光谱最能发挥优势的领域之一，高光谱数据立方体蕴含着丰富的矿物学信息。一般而言，在岩体侵位以及地质构造等地质作用下，热液侵入、物质置换等使源于矿体的矿物质发生扩散作用，使在“未蚀变”围岩中产生用岩石学方法难以直接识别的细微成分的变化，而这些成分的变化却在矿物光谱中有着或强或弱的表现，如富铝云母与贫铝云母在2000～2500nm光谱区间的最大吸收位置发生漂移。因此，利用高光谱遥感技术不仅可以实现矿物种类的识别，也可以通过对这些细微的变化的探测，实现对地质作用演化信息的探测。

通过对矿物的识别、地质成因信息等相关信息的提取与组合关系的分析，能够探讨矿床成生过程中的物源和动力过程等，直接判断可能存在的矿化或矿床信息，进而在其它知识的辅助下，可以实现对矿化与成矿远景区以及靶区的圈定[3]。

1高光谱遥感矿物光谱识别

1.1 光谱机理

任何物质其光谱的产生均有着严格的物理机制。对于一个分子，其能量由电子能量、振动能量和转动能量组成。根据分子振动能量级差的计算，其能量级差较小时，产生近红外区的光谱；分子电子能级之间的能量差距一般较大，产生的光谱位于近红外、可见光范围内。在0.4～1.3 μm 光谱范围内的光谱特征，主要取决于矿物晶格结构中存在着铁等过渡性金属元素；1.3～2.5μm光谱范围内的光谱特征是由矿物组成中的碳酸根离子、氢氧根离子及可能存在的水分子决定的；3～5μm光谱范围内的中远红外波段的光谱特征则由Si-O、Al-O等分子键的振动模式决定的[3]。

1.2 矿物光谱识别特征参数

矿物光谱主要取决于物体内电子与晶体场的相互作用，以及物体内的分子振动。在晶体场作用中由于离子能级的跃迁会引起吸收特征的变化，但反射光谱主要还是由矿物的差异引起的，它与粒径无关。电子从一个原子到另一个原子的转移也会对光谱产生影响，例如Fe-O的电子转移就会引起光谱吸收位置向紫外方向移动。所以，矿物光谱吸收机理包括金属阳离子在可见光区域的电子过程以及阴离子基团在近红外区域的振动过程[4][5]。

由于电子在各个不同能级间的跃迁而吸收或发射特定波长的电磁辐射，从而形成特定波长的光谱特征，因此，不同晶格结构的岩石矿物成分有其不同的光谱特征[1]。这是利用高光谱数据寻找岩矿的物理前提[6]。

高光谱地质遥感主要是利用高光谱数据识别各种矿物成分、它们的丰度以及制图( 矿物成分空间分布)。其主要研究内容包括从许多光谱参数中提取各种地质矿物的定性、定量信息。光谱吸收特征包括吸收波段波长位置、深度、宽度、斜率、对称度、面积和光谱绝对反射值等参数。

2 高光谱数据处理和分析技术

高光谱遥感数据波段众多，数据量庞大，为快速、准确地从这些数据中提取资源与环境信息，识别不同的物质，揭示目标的本质，则需要依据实际应用的数据处理的要求对海量数据进行处理和分析。

高光谱数据处理与分析的首要目标是实现对地观测海量数据处理能力，同时要求比较精确的定量分析能力。近年来，随着高光谱遥感理论的不断完善以及机载和星载高光谱传感器的日益成熟，高光谱遥感技术在资源勘查、环境评价以及军事研究等领域得到广泛应用。同时，在数据处理方法研究方面，随着该技术应用领域的逐渐拓展和深入，相应的遥感数据处理方法亦不断创新和完善。目前，针对高光谱数据特点，基于多光谱遥感已有的成熟的数据

处理方法，并结合现代信息技术，众多国内外科研工作者通过大量的科研实践，又发展了不少技术方法，并在相关的领域取得了成功。

2.1 国内外高光谱数据处理技术发展现状

2.11国外研究概括

美国加利福尼亚大学计算机可视化研究实验室主任GlennHealey博士，利用计算机算法和基于地物光谱特征的反射模型[7](reflectance models), 研究不同光照条件、不同天气状况下，不同尺度目标的识别技术，识别算法可以提取低对比度、局部可视的亚像元(subpixel)信息(目标只占单个像元面积的5% )；美国加利福尼亚洲托兰斯光学研究系统公司(OKSI)采用归纳特征值(generalized eigenvalue problem,GEP)技术[8]，将高光谱数据转换到类间距离最大，而类内距离最小的特征空间内，实现了海量数据的最佳分离效果；美国华盛顿海军研究实验室(Naval Research Laboratory,NRL)亦成功开发了可以针对海量数据进行有效的数据压缩，并进行像元分解和最终端元(endmember)的识别的光学信号实时自适应识别系统[9]

(optical real-time adaptive signature identification system,ORASIS)；Harsanyi等发展了正交亚空间投影(Orthogonal subspace projection)低概率探测(Low-probability detection, LPD)算法，用于植被覆盖区岩石出露少的地物类型的成像光谱填图和未知背景下的目标提取；在混合像元处理方面，美国马里兰大学的研究人员提出了一种正交子空间投影方法（OSP），他们将224个波段的AVIRIS影像数据去掉噪声较大的波段后得到158个波段，再针对五种主要地物类型，采用OSP方法得到5个分量影像，每个分量各表示一种地物类型的分布情况。经检验，成图的分类结果与地面观测是一致的。这一方法既考虑了混合光谱问题，又考虑了数据压缩问题，还在处理过程中加入了去噪声的操作，是目前比较有代表性的混合像元处理技术[12]；Tompkins提出修正的光谱混合分析(MSMA)模型。该模型利用虚拟端元，采用一个阻尼最小二乘算法，根据一定的先验知识，有效地并最终可以选择亚像端元进行光谱分解。 另外，以下高光谱数据处理方法在光谱填图中亦得到广泛应用，并取得较好的实际应用效果。比如[13]光谱角匹配技术(Spectral Angle Mapper,SAM)、光谱微分技术(Spectral Derivative)、二值编码匹配(binary encoding classification,BEC)、线性光谱分解(Spectral unmixing/spectralmixing analysis)、最大噪声组分变换(Minimum noise fraction,MNF)、光谱特征拟合(Spectral feature fitting, SFF)、交叉相关光谱匹配技术 (Cross correlogram spectral matching, CCSM)(该技术曾应用于美国内华达州Cuprite地区的粘土矿物填图)、最小距离分类(minimum distance classification,MDC)、最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MaDC)、最小二乘法分类( least squares classification, LSC)等。

2.12 国内研究概括

中国科学院遥感应用研究所提出了面向地物诊断光谱特征提取的光谱吸收指数计算方法(spectral absorption index, SAI)[11]。其基本原理是：任一光谱吸收特征主要是由光谱吸收峰和两个肩部组成，因此根据高光谱图像的中心波长与带宽，可以计算出该吸收峰的波段宽度、对称性参数、反射率差及吸收强度，并由此建立吸收基线方程。在此基础上，根据已知条件与光谱参数，解算光谱吸收指数，生成一系列典型目标与背景的光谱吸收指数图像。该技术在哈图金矿区的实际应用中，有效地识别了5种类型的蚀变岩石，发现了两条稳定的金矿化蚀变带；该所的刘建贵博士根据城市目标物光谱特点，基于多光谱数据处理中的K-L变换技术，提出了面向地物分类的改进型主成分分析技术(principal component analysis,PCA)[1]，

并将其应用于北京市沙河镇城市地物分类研究中，取得理想效果；另外，在高光谱数据地质应用的研究中，中国国土资源航空物探遥感中心王润生等根据矿物的完全波形，利用神经网络进行矿物自动识别，甘甫平等设计开发了基于完全谱形的成像光谱岩矿识别技术，也取得了一定的应用效果。

3 国内外高光谱遥感技术在矿产资源调查的应用现状与前景

自20世纪90年代后期，高光谱技术就逐渐在美国、澳大利亚、加拿大等国由试验走向实用阶段。目前，该项技术在矿物填图、植被生化参数探测和大气参数反演等领域得到广泛应用。矿物识别和矿物填图是高光谱技术最成功的应用领域。通过对矿物种类、丰度和成分的识别，特别是与成矿作用密切相关的蚀变矿物的识别，可以用来有效地圈定热液矿化蚀变带，定量或半定量估计相对蚀变强度和蚀变矿物含量，给出对成矿作用的规模和强度的有益认识，这对加强矿产资源调查，为矿产调查寻找矿靶区和新发现矿产地提供了可靠的理论依据。以下分别从内外、国内阐述高光谱遥感技术在矿产资源调查的应用现状。

3.1 国内外应用

光谱遥感技术的发展, 成像光谱仪的光谱分辨率和空间分辨率越来越高, 因此它的应用面也越来越广, 已在大气探测,植被调查, 农作物估产, 冰雪覆盖调查, 土地利用监测, 海洋叶绿素浓度调查, 岩石、矿物填图等方面进行了大量的应用。岩矿识别、矿物丰度制图以及找矿勘查是成像光谱应用的主要方向, 也是率先应用的领域。Goetz 等人在1982 年应用航天飞机上短波红外辐射计( SMIRR) 的5 个波段( 带宽100 nm) , 成功地在埃及识别出高岭石和碳酸盐矿; 在墨西哥州下加利福尼亚圈定了铁氧化矿、黏土矿以及明矾石矿。1984、1985 年美国地质调查局的Fred A. Kruse 利用3 条航带的成像光谱数据进行了蚀变矿物填图试验,提取2 种类型的蚀变矿物。上海技术物理所利用MAIS 数据于1993 年在胜利油田、1994年在山东广饶博兴地区进行了油气资源勘测试验。1992 年, 中国科学院遥感应用研究所利用MAIS 数据在新疆阿克苏柯坪地区进行油气勘查研究, 区分了该地区从寒武纪、奥陶纪、志留纪、泥盆纪到二迭纪的地层; 1994年, 利用上海技术物理所研制的成像光谱仪在山东昌维地区获取的航空成像光谱资料,结合野外地面光谱测试数据和化学勘探数据,经过处理分析与验证, 发现成像光谱仪能敏感地收集烃类微渗漏地表异常信息, 与测区内已知化探数据的复合率达70%以上。王青华等利用中国科学院上海技术物理所研制的模块式航空71 波段高光谱仪(MAIS) , 在河北省张家口地区进行了岩石识别研究; 甘甫平等以青藏高原为试验区, 分析了高光谱遥感技术在地质应用中的前景。除上述典型地质应用之外, 成像光谱技术在金、银、铜、铅、锌、铀等多种矿产勘查中也有许多示范应用。 高光谱遥感技术是伴随成像光谱仪的发展而迅速发展起来的, 随着高光谱卫星传感器的发展, 高光谱资料将在更大领域、更多方面取得突破性进展, 其空间分辨率和光谱分辨率将不断提高, 可以解决的问题和涉及的领域必将不断拓展[10]。

3.2 高光谱遥感技术在矿产资源调查的应用前景

目前高光谱遥感技术在矿产资源调查领域已经得到了成功地应用。这是光学、结晶学、光谱学、传感器技术和图像处理技术等学科共同发展的结果，由于它具有将高光谱分辨率的图像与光谱合二为一的特点，不仅能有效地直接识别地表物质，而且还能更深入地研究地表物质的成分及结构。因此，通过岩石光谱信息模型，反演某些指示矿物的丰度分布，结合遥