摘要
遥感影像技术在地质学特别是矿产勘查领域得到了广泛应用。但在高植被覆盖区，影像的混合光谱难以有效分解，且提取的岩石信息为弱信息，岩性分类、矿物识别较为困难，难于客观有效提取与成矿有关的遥感蚀变信息。本文应用混合像元分解的方法技术区分出混合像元中各类干扰信息的反射率值及其所占丰度值，从混合像元光谱中减去各干扰因素的反射率值及其所占份额，运用遥感影像植被抑制方法对光学遥感影像数据进行预处理，完成土壤或岩石光谱的重建。采用 Landsat7、Landsat8、Aster 和 Worldview-2共4种不同类型的多源遥感数据组合，对于消除干扰因素影响后的新图像，用传统的主成分分析方法进行蚀变信息提取，大幅提高遥感蚀变信息提取的可靠性。提取的蚀变信息在已知旧露采面、矿石堆及尾矿渣堆处均有高值异常显示，与实际情况吻合较好。
Abstract
Remote sensing image technology has been widely used in geology, especially in mineral exploration. It is difficult to decompose the mixed spectra of the images in the high vegetation coverage area, and the extracted rock information is weak information, so it is difficult to classify the lithology and identify the minerals, extract the alteration information related to mineralization objectively and effectively. Using the method of mixed pixel decomposition, the reflectivity value and the abundance value of various interference information in the mixed pixel are distinguished, and the reflectivity value and the share of each interference factor are subtracted from the spectrum of the mixed pixel, the vegetation suppression method is used to preprocess the optical remote sensing image data and reconstruct the spectrum of soil or rock. In this paper, four different types of multi-source remote sensing data, including Landsat 7, Landsat 8, Aster and Worldview-2, are combined to extract alteration information from new images after removing interference factors by traditional principal component analysis (PCA), the reliability of remote sensing alteration information extraction is greatly improved. The extracted alteration information shows high value anomaly in known old surface, ore pile and tailings pile, which is in good agreement with the actual situation.
0 引言
随着光学遥感技术的快速发展，遥感影像技术在地质学特别是矿产勘查领域得到了广泛应用（田淑芬和詹骞，2013；吴志春等，2013；汪新庆等， 2014；韩玲等，2017；程思思等，2019；王智纲等， 2021；周荣辉等，2021）。多光谱遥感数据的波段数限制了提取矿化蚀变信息的应用范围，其中应用成功的研究区多位于基岩裸露区或中低植被覆盖区。矿化蚀变信息是一种隐伏信息，通过指示矿物引起的波谱吸收特征段确定，但容易受植被及第四系覆盖物影响（陈勇敢等，2011；王爱云等，2011；宿虎等，2020；潘建平等，2021）。在高植被覆盖区进行矿产资源勘查存在很大的干扰，影像的混合光谱难以有效分解，且提取的岩石信息为弱信息，岩性分类、矿物识别较为困难（张守林，2006；杨正萌等， 2015；程潭武等，2017；赵恒谦等，2020；张夏青等， 2023）。选取适宜的植被信息抑制或分离技术，高效率还原和解释岩石、土壤信息，一直是遥感基础技术处理领域的难题（马超飞等，2002；查显杰等， 2005；朱骏，2012；张志，2017）。柬埔寨桔井省松莫县乌可列扩金矿床处于澜沧江 NNW 向深大断裂交合处，具有优越的成矿地质背景。利用遥感手段进行大范围的矿化信息识别，可为矿产勘查指示方向，提高找矿的目的性。本文运用 Landsat、Aster、 Worldview-2遥感数据，对高植被覆盖的柬埔寨乌可列扩金矿区蚀变信息进行有效提取，在有效植被抑制的基础上，利用主成分分析法提取大面积高植被覆盖区的蚀变矿物信息，通过不同类型遥感数据处理结果比对，总结出高植被区域遥感蚀变信息提取有效的方法，对类似地区的蚀变信息提取及找矿具有较重要的参考价值。
1 研究区地质概况
研究区地处于印支半岛南端，属热带季风气候，雨量充沛，高温多湿，年平均气温为 29～30℃，雨雾影响大，属中低山—丘陵地区。地表植被发育，主要有铁木、紫檀、黑檀、白卯等热带林木，并有多种竹类，森林覆盖率达 80.2%。柬埔寨桔井省松莫县乌可列扩金矿床位于东部印支断块区的暹粒上丁中新生代盆地之中，隶属亚欧板块范畴，受太平洋板块俯冲亚欧板块控制，处于澜沧江 NNW 向深大断裂交合处（吴良士，2009a，2009b；田军委， 2014；栾锡武，2022）。矿区范围内主要出露三叠系砂岩，为一套流纹质火山碎屑沉积的凝灰质砂岩与凝灰质粉砂岩组成，局部夹英安质火山凝灰碎屑岩 （田军委，2014）（图1）。矿区内断裂发育，揭露10多条含矿石英脉，存在一组整体上呈近乎平行的 NNW-SSE 向展布的节理裂隙构造带，倾向 NEE 或 NWW，倾角 80°左右，脉长 100～1500 m，脉宽 0.4～1.0 m。矿区出露的岩浆岩主要分布于矿区东南角，呈近EW向展布的黑云母花岗闪长岩及中细粒斜长岩、闪长玢岩脉，喷出岩有安山岩、安山玢岩、英安岩。乌可列扩矿区金矿体产于三叠系火山凝灰质碎屑岩中一组近于平行的 NNW-SSE 向裂隙中，矿体的延伸展布受裂隙带的严格控制，沿走向或倾向裂隙带变宽厚或狭窄，金矿体形态亦变宽厚或狭窄。矿体主要形态为脉状，目前已发现走向长大于 60 m的金矿脉有15条。其中1、2、3、7、8号矿脉，沿走向和倾向延伸较大，品位相对较高。矿化蚀变类型主要有绿泥石化、黄铁矿化、硅化、绿帘石化以及绢云母化，钠长石化和碳酸盐化仅在局部出现，为典型的中—低温热液蚀变类型。蚀变分带不明显，但靠近矿脉强度显著增大，其中黄铁矿化与成矿关系最为密切。
图1研究区构造位置图（a）、遥感地质构造解译图（b）与Worldview-2 假彩色合成影像（c）
2 数据源与研究方法
2.1 遥感影像源数据
2.1.1 数据来源
本次遥感数据源选择充分考虑了研究的目的、当地地理气候特点及数据源自身的特征，采用4种不同类型的数据组合完成该项目。其中Landsat7、Landsat8 数据主要用于1∶5万方法验证和遥感蚀变信息提取， Aster和Worldview-2数据主要用于1∶1万方法验证和遥感蚀变信息提取，4种不同影像数据信息详见表1。
表1遥感数据源列
2.1.2 数据影像预处理
遥感成像时采用的是WGS84坐标系，而研究区采用的是1975印度—泰国坐标系，加之其他各种因素的影响，使得遥感影像坐标系统与研究区各类图件出现几何畸变等特征现象，运用几何校正法可以对此类现象进行调整。本次图像处理选用几何精校正，选定部分几何控制点（图像、地形图中的河流、道路交差点等），点数需分布均匀，一般点数不少于12个，之后利用二次多项式拟合校正方法对目标图像进行几何精校正，对校正后图像根据研究区范围再进行裁剪。本次1∶1万几何精纠正所选用的地形图为柬埔寨鑫源矿业有限公司提供的1∶5千地形图，1∶5万几何精纠正选用1∶5千地形图结合观察实际地物。按照要求，校正后影像误差不大于图上距离0.5 mm，即1∶5万的比例尺度上小于25 m的误差即是合格，1∶1万的比例尺度上小于5 m的误差即是合格。校正误差见图2a、b。
2.2 研究方法
桔井省松莫县乌可列扩金矿床矿化蚀变类型主要为硅化、黄铁矿化、绿泥石化、绿帘石化以及绢云母化等。这些矿化蚀变均含有 Fe3+ 和 OH-离子基团，ETM 数据具有典型的吸收和发射波谱特征，为研究区矿化蚀变遥感信息提取提供了理论依据（汪新庆等，2014）。本研究选择主成分分析法、混合像元分解方法提取相关的蚀变信息。
2.2.1 基于混合像元分解的植被抑制
基于混合像元分解理论的植被抑制方法操作简便，植被抑制效果更好，可有效还原岩石土壤信息，而且通过大量实验验证，该方法不仅适用于低植被覆盖区，对中高植被覆盖区也有良好的植被抑制效果，普适性更高（刘成等，2003a，2003b；王润生等，2003①；陈江等，2007）。求解各波段非植被类端元综合光谱SNveg的具体方法是基于线性混合像元模型（张利军，2019），具体公式为：
(1)
式（1）中，DN 表示遥感影像数据中某个像元中记录的各波段数据值，βveg表示植被类端元丰度，Sveg 表示各波段植被类端元平均指数光谱，SNveg表示各波段非植被类端元综合光谱，αi表示某个非植被类端元丰度，m 表示所处理遥感影像数据中非植被端元个数。具体流程见图3。
图21∶1万影像校正精度示意图（a）与1∶5万影像校正精度示意图（b）
图3基于混合像元分解的植被抑制流程图
2.2.2 主成分分析法蚀变信息提取
主成分分析（PCA）是一种重要的图像增强方法 （张玉君和杨建民，1998；张玉君等，2014），通过线性变换来达到降维及去相关的一种多元统计分析方法。一组图像通过主成分法的线性变换后降维生成一组新的图像，且新图像内各组分之间互不相关（汪新庆等，2014）。在主成分分析中，一般选择 4 个主分量作为特征向量，以减少 PCA 过程中的向量维数，另一方面也为了使蚀变信息集中在某一特定主分量中。例如，获取矿物羟基蚀变信息时，通常选择 Aster数据其中的1、3、4以及不定项N这4个波段组合进行主成分分析。其中因不同研究区具体蚀变矿物波谱特征不同，波段N的选择也需要依次选定。
3 遥感矿化蚀变信息提取
3.1 基于混合像元分解的植被抑制
本研究除常规的数据预处理外，根据研究区遥感影像数据的实际情况，充分考虑了研究区雾气弥散广、植被覆盖面积大等问题，特别运用了遥感影像植被抑制对光学遥感影像数据进行预处理，以提高地质解译和蚀变信息提取的精度。由图4可以看出，应用本技术处理后，影像灰度图中植被覆盖区明显变亮，纹理结构主要显示了岩石、土壤的特征。
图4植被RGB真彩色合成影像数据对比图抑制前（a）、抑制后（b）
3.2 多源数据矿化蚀变信息提取
3.2.1 Aster数据矿化蚀变信息提取
（1）硅化蚀变信息
硅化是矿化蚀变类型中最常见的类型之一，硅化蚀变与不同矿体中的石英含量有密切关系，当围岩中石英或隐晶质二氧化硅含量增加是硅化蚀变最明显的一种岩石成分表现。石英在 Aster 数据的 Band2 波段和 Band6 波段均有明显的吸收谷，在 Band1 波段和 Band4 波段均有强烈的反射峰，因此选择 Aster 数据 Band1、Band2、Band4、Band6 波段作为石英的特征光谱。主成分分析的结果特征向量见表2。硅化蚀变诊断特征为 Band2 和 Band6 的 2 个强吸收波段表现出其特征值符号与强反射波段 Band1、Band4 的特征值符号应该相反，且综合贡献率应该最大。结合提取结果，选择 PC3作为提取蚀变的组合波段。对 PC3 影像采用 μ+kσ（k 取 1.5、2、 2.5）分级方法确定三级异常，即分别采用 1.5σ、 2.0σ、2.5σ为临界值圈定，生成分级异常图。针对图斑上分布孤立异常点的现象，本次采用滤波的方法，针对图中孤立的异常像元，将其删除或归与它们周围或和它们相邻的较连续分布的异常相结合归并。本研究遥感异常的分级结果在 ENVI中采用 5×5 的中值滤波处理（后续有关主成分分析都采用同样的方法对主分量进行分级，不再赘述）。取三级异常影像分别为硅化异常分布，提取结果如图5。
表2硅化提取的特征向量
表3铁化提取的特征向量
图5Aster遥感影像硅化蚀变异常图
图6Aster遥感影像铁化蚀变异常图
（2）铁化蚀变信息
铁化矿物的波谱曲线总体分布趋势较为相似，以趋势的明显改变为识别特征。具体表现为反射峰一般出现在可见光波段 0.75 µm 左右，在近红外波段 1.32 µm 附近达到反射率峰值，之后呈现下降趋势，吸收谷出现在 1.93 µm 左右且幅度较小。将其重采样到 Aster 数据波段范围下进行对比分析，4 个波段整体处于上升趋势，前三者特征在图像中表现明显，在 Band3 则增大幅度放缓，而黄钾铁矾在 Band3 波段形成一个吸收谷，趋势有所不同。另外在 Band6 处形成一个较小的反射峰，随之出现下降趋势。结合以上特征现象进行分析，充分利用Aster数据中提取铁化蚀变的优势，选取Band1、2、3、4这4 个波段的组合形式符合主成分变换的具体要求，表3为特征向量结果，具体识别特征为 Band2、Band4 以反射峰波段为特征，Band3以反射谷为特征，特征值符号有较大区别，且贡献率不一致，综合上述两点要求，全部符合的只有 PC2。因此，继续选择 PC2 提取铁化蚀变，结果图像如图6所示。
3.2.2 Landsat7/8数据矿化蚀变信息提取
（1）铁化蚀变信息
矿化蚀变中 Fe2+ 异常和 Fe3+ 异常是铁化异常的主要形式。两者的吸收谱带中心波长位置有所不同且吸收谷位置存在一定规律。其中Fe2+ 的吸收谱带的中心波长分别位于0.43 µm、0.45 µm、0.51 µm、 0.55 µm、1.0～1.1 µm，在1.8～1.9 µm中出现频率较少，但时有显现。0.51 µm、0.55 µm 和 1.0～1.1 µm 的吸收与Landsat数据的波段设置对应明显，吸收谷的位置比较好判断，比如在0.45 µm和0.51 µm的吸收谷位于 Band2 波段，0.55µm 的吸收谷位于 Band3 波段。Fe3+ 的吸收谱带中心波长位于 0.4 µm、0.45 µm、0.49 µm、0.70 µm 和 0.87 µm 对应 Landsat 数据的波段设置，吸收谷与反射峰位置明显不同，两段吸收谷为在 0.45 µm 和 0.49 µm 的吸收谷位于 Band2 波段，0.87 µm 的吸收谷位于 Band5 波段。 0.75 µm 的反射峰靠近 Band4 波段。综合上述波谱特征，可选取不同波段组合进行信息提取。Landsat7 波段组合包含 Band1、Band3、Band4、Band5，而 Landsat8采用 Band2、Band4、Band5、Band6的波段特征组合以提高主成分分析效率，有效提取信息。表4和表5为主成分变换特征向量结果，吸收谷与反射峰特征向量有明显区分，Landsat7 特征具体表现为反射峰 Band3的特征向量与吸收谷 Band1、Band4的符号应该相反且具有较大的贡献率；Landsat8 特征为反射峰出现在 Band4 波段，特征向量与吸收谷 Band2、Band5 的符号相反。结合识别特征，选择 PC4 最为符合进行铁化异常信息提取，提取结果具体如图7所示。
表4ETM+铁染提取的特征向量
表5OLI铁染提取的特征向量
图7ETM+遥感影像铁染蚀变异常图
图8OLI遥感影像铁染蚀变异常图
（2）羟基异常信息
羟基吸收带特征相比其他蚀变异常更为明显，带中心波长分布也存在一定规律性，其分别位于 1.4 µm、2.20 µm 和 2.30 µm 左右，2.30 µm 吸收带特征相比前两个稍弱。纯净水的吸收谱带与羟基异常有一定相似，位于 1.4 µm 和 1.9 µm，均以强吸收带为特征。为了避免羟基和水在 1.4 µm 都呈现强吸收的特征而出现干扰，前者的判断可通过Landsat数据设计利用 2.2 µm 和 2.3 µm 的吸收谷特征来加以分辨。如果反射波谱在1.9 µm有吸收谷的出现，可判断为地物是水体而非羟基异常。另外，如果只出现1.4 µm的谱带，那么可识别为羟基引起的。综合以上特征，本文利用主成分分析法 Landsat7 组合方式包括 Band1、Band4、Band5、Band6，而 Landsat8 采用Band2、Band5、Band6、Band7的组合形式进行。主成分变换的特征向量结果如表6和表7所示：以反射峰及吸收谷的特征向量符号为区分，Landsat7 特征是反射峰 Band5与吸收谷 Band6、Band4的特征向量符号相反，贡献率与其他波段区别较大，Band1常与 Band5符号相同；Landsat8识别特征是反射峰 Band6 与吸收谷 Band7、Band5 的特征向量符号相反，并具有较大比例的贡献率，不同波段符号相同。综合分析符合判断标准的是 PC3，羟基异常通过 PC3 进行信息提取。最终的提取结果具体如图8所示。
表6ETM+羟基提取的特征向量
表7OLI 羟基提取的特征向量
3.2.3 Worldview-2数据矿化蚀变信息提取
铁染蚀变信息利用 Worldview-2 影像所展示的波段范围为 0.40～1.04 µm，范围较为局限，一般含铁离子矿物的特征波谱表现明显，其他矿物的波谱则基本无法识别，而且如果超0.40～1.04 µm波谱范围之外的目标物则无法进行进一步分辨，故目前仅用于铁染异常的识别和信息提取。主成分分析法利用数据Band1，Band4，Band6，Band8共4个波段进行。表8为主成分分析结果说明。包含铁染异常信息的独立分量一般特征为：构成该分量的本征向量 Band6 系数应与 Band8、Band1 相反与 Band4 系数相同。依据分析结果，PC4更为符合标准，但在该独立分量上，铁染异常特征不明显，亮度值偏低，需进行取反处理，增强优化以提高信息提取效率。同时采用同样的分割标准和处理方式，对异常结果进行分级优化，图9为处理优化结果。
图9ETM+遥感影像羟基蚀变异常图
图10OLI遥感影像羟基蚀变异常图
表8Worldview-2铁染提取的特征向量
4 多源数据矿化蚀变异常对比分析
（1）蚀变异常主要聚集在乌可列扩金矿床及附近，在已知旧露采面、矿石堆及尾矿渣堆处均有高值异常显示，与实际情况吻合较好，这说明利用蚀变围岩矿物光谱信息能反映矿区大致围岩蚀变信息。在主矿脉带附近，尤其是 1、2 和 3 号矿脉南东侧有明显的带状遥感异常显示，这与主矿脉东南侧花岗闪长岩成矿岩体的产出这一地质成矿事实相吻合。
图11Worldview-2遥感影像铁染蚀变异常图
（2）多源遥感数据中Aster解译出的硅化蚀变以及铁化蚀变异常分布图与Landsta7/8解译出的羟基蚀变和铁染蚀变异常分类图对比发现，蚀变异常分布范围大致相同，吻合程度较高，从侧面反映出成矿过程中硅化蚀变、铁染蚀变和羟基类蚀变是矿床成矿过程中的主要蚀变形式。
（3）在提取识别矿化蚀变类型上，仅靠 Landsat7/8 数据仅对铁染、羟基两种蚀变类型反映特征较为明显，可清楚识别（图10）。相比之下 Aster 数据针对不同蚀变类型如硅化、铁化、绢云母、高岭土等4种蚀变类型均有明显识别特征。但是通过对于蚀变信息的进一步分析可得出，Landsat提取的蚀变信息相比Aster数据的提取成果更为全面，然而缺乏对于蚀变结果进一步分析的有效表征。Worldview-2 在空间分辨率上有较大的优势，有利于构造信息的识别，唯一提取的铁染蚀变异常信息整体的分布与Aster提取的铁化蚀变异常信息一致，在细节上与现有矿脉的分布走向也基本一致（图11）。
5 结论
（1）在高植被覆盖区，影像的混合光谱难以有效分解，难于客观有效提取与成矿有关的遥感蚀变信息。运用基于混合像元分解的遥感影像植被抑制技术对遥感影像进行了植被抑制预处理，完成土壤或岩石光谱的重建。然后对于消除干扰因素影响后的新图像，用传统的主成分分析方法进行蚀变信息提取，大幅提高了影像数据质量和解译精度。
（2）采用 4 种不同类型的多源遥感数据组合完成相关的蚀变信息提取，Landsat7/8数据仅对铁染、羟基两种蚀变类型反映特征较为明显；Aster数据针对不同蚀变类型如硅化、铁化等蚀变类型均有明显识别特征；Worldview-2在空间分辨率上有较大的优势有利于构造信息的识别；从不同数据提取的蚀变异常分布图对比发现，蚀变异常分布范围大致相同，吻合程度较高，从侧面反映出成矿过程中，硅化蚀变、铁染蚀变和羟基类蚀变是矿床成矿过程中的主要蚀变形式。遥感矿化蚀变信息提取的结果能够与区域内已知的高值异常区域和主矿脉（带）区域相吻合。
注释
① 王润生，甘甫平，王青华，张宗贵，杨苏明 .2003. 矿产资源调查评价中遥感新方法新技术应用研究[R]. 北京：中国国土资源航空物探遥感中心，32-33.
