基于ASTER遥感数据的矿物快速识别——以内蒙古萨麦地区为例

基于ASTER遥感数据的矿物快速识别——以内蒙古萨麦地区
为例
杨佳佳;姜琦刚;林楠;李根军;王斌;孟翔冲
【摘要】着力于充分利用遥感数据的时空特性及软件的智能开发,使在矿物识别中能获得事半功倍的效果.基于ASTER数据在可见光、近红外及热红外波段上的分布特性,利用USGS、JHU、ASU波谱库提供的矿物光谱,针对不同矿物类型的提取设计了特定的矿物识别模式.针对上述识别模式对ENVI进行二次开发利用,方便迅速地对内蒙古萨麦地区进行了矿物填图.研究结果表明:ASTER数据在识别矿物及矿物分类填图中展现出了优良的数据特性.ENVI二次开发功能强大,快捷有效.通过野外的勘探证实,分类效果良好.%This article focused on taking full advantage of the temporal and spatial characteristics of remote sensing data and intelligent software development, to work in the minerals identification with "half the work with twice the results". Based on the characteristics of ASTER data in VNIR.SWIR and LWIR band, design the specific patterns of mineral identification for different types of mineral extraction using the mineral spectrums, provided by USGS,JHU and ASU. Then identify the area of mineral mapping in Samai of Inner Mongolia by using the model developed by secondary development of ENVI. The results show that: ASTER data have excellent characteristics in identification of minerals and mineral classification mapping. ENVI secondary development is powerful,efficient and effective. Confirmed by field exploration.the classification effect is good.
【期刊名称】《遥感信息》
【年(卷),期】2012(027)003
【总页数】6页(P99-104)
【关键词】ASTER;ENVI;矿物;内蒙古;波谱
【作者】杨佳佳;姜琦刚;林楠;李根军;王斌;孟翔冲
【作者单位】吉林大学地球探测科学与技术学院,长春130026;吉林大学地球探测科学与技术学院,长春130026;吉林建筑工程学院,长春130000;吉林大学地球探测科学与技术学院,长春130026;吉林大学地球探测科学与技术学院,长春130026;吉林大学地球探测科学与技术学院,长春130026
【正文语种】中文
【中图分类】TP751
随着遥感技术的发展，遥感在地质工作中的辅助作用越发明显。

遥感技术被广泛应用于岩性识别、地质构造解译、矿化蚀变信息提取等方面。

国外利用遥感数据进行地质填图和找矿工作已经相当广泛［1～5］，其中利用 ASTER数据在研究区进行矿物及蚀变信息提取的颇多［3～5］。

国内利用ASTER数据进行了大量研究及应用，并取得了丰硕成果［6～8］。

矿物是由地质作用形成的天然单质或化合物，它们具有相对固定的化学组成，呈固态者还具有确定的内部结构。

它们在一定的物理化学条件下十分稳定，是组成岩石和矿石的基本单元。

通过遥感技术进行快速矿物识别进而岩性识别，为国土资源调查及地质工作会带来相当的便利。

现今的遥感数据源十分丰富，但ASTER数据无疑是性价比很高的一款数据，本文基于ASTER 数据在可见光、近红外及热红外波段上的分布特性，针对不同类型矿物的光谱特征
设计了特定的矿物识别模式，并结合ENVI软件的二次开发编译了各种矿物的识别模式，最后在内蒙古萨麦地区进行了快速的矿物填图。

研究结果表明：ASTER数
据在识别矿物及矿物分类填图中展现出了优良的数据特性。

ENVI二次开发功能快捷有效。

通过野外的勘探证实，分类效果良好。

ASTER是美国NASA（宇航局）与日本METI（经贸及工业部）合作并搭载在Terra卫星上的一种高级光学传感器，包括从可见光到热红外共14个光谱通道。

ASTER因其细分的短波红外波段和热红外波段，具有分辨某些矿物和矿床种类的
能力，据此可能在未知区区分数种矿物和矿床类别，尤其是它的6个SWIR波段
数据使区分不同的粘土矿物成为可能，从而为我们提供了更多的选择［9］。

ASTER传感器3个可见光（VNIR）波段可以获取过渡族金属元素的特征波谱，如铁和稀土元素。

在6个短波红外（SWIR）光谱范围内可获取含羟基和碳酸盐化蚀变矿物的特征光谱。

同时热红外波段（LWIR）也具有鉴别岩石主要成分的能力，
包括石英、长石、硫酸盐、碳酸盐等矿物。

岩石中的次要成分在岩石特征谱带形成中占有优势，换言之，它们在可见光的光谱特征是以这样或那样的形式存在的，例如由铁离子、水、OH－基团、CO32－基
团等组成的矿物有较强的光谱优势，很容易通过光谱分离区分出来。

粘土矿物及热液蚀变矿物在短波近红外波段具有诊断性强的吸收特征，它们是纯矿物本身固有的特征。

不同矿物混合在一起组成岩石，并不能改变矿物的波谱特征，对近红外光谱产生吸收的官能团种类［9］。

图1为铁氧化物、碳酸盐岩及硅酸盐岩代表性矿物波谱曲线在ASTER1－9波段上的变化的情况。

铁杂质的形成多种多样，例如褐铁矿、针铁矿、赤铁矿、黄铁钾钒等含大量Fe3＋，也有少量Fe2＋，其光谱曲线在0.5μm 和0.9μm 处有吸收谷，对应ASTER数据波段Band1和Band3，据此可以设计两种识别模式：①设计Band2／（Band1
＋Band3）＊0.5作为铁氧化物类矿物识别模式。

②构建4波段主成分分析模型
（Band1，Band2，Band3，Band4）提取矿物信息。

根据它们的光谱反射率曲
线特征，Band2对应强反射峰，Band1，Band3对应高吸收谷。

通过主成分分析后的特征向量进行统计：如果该主成分PC4分量对应的特征向量在第2波段贡献
系数最大，并且系数为正相关（若为负相关则做求反处理），则可以作为该类矿物信息的识别模式。

高岭石、水云母、蒙脱石、绢云母等为代表的泥化类矿物在2.2μm附近有吸收谷，对应于ASTER数据波段Band6，据此构建4波段主成分分析模型（Band1，Band4，Band6，Band7）提取矿物信息，根据它们的光谱反射率曲线特征，Band7对应强反射峰，Band6对应高吸收谷。

通过主成分分析后的特征向量进行统计：如果该主成分PC4分量对应的的特征向量在第6、7波段贡献系数最大，
并且系数为正相关（若为负相关则做求反处理），则可以作为该类矿物信息的识别模式。

绿泥石、绿帘石、碳酸盐化等为代表的青盘岩化矿物在2.3μm附近有强吸收谷，
对应ASTER数据Band8，据此可以设计两种识别模式：①设计（Band7＋Band9）＊0.5／Band8作为该类矿物的识别模式。

②构建5波段主成分分析模型（Band2，Band6，Band7，Band8，Band9）提取矿物信息。

根据它们的光谱反射率曲线
特征，Band6对应弱吸收，Band8对应强吸收谷，Band9对应高反射。

通过主成分分析后的特征向量进行统计：如果该主成分PC5分量对应的特征向量在第8、9波段贡献系数最大，并且系数为正相关（若为负相关则做求反处理），则可以作为该类矿物信息的识别模式。

在遥感应用领域，8.0μm～14.0μm的热红外波段是重要的大气窗口，在对地观测系统中有重要的应用价值，在这个波段范围内，能够识别硫酸盐、碳酸盐、硅酸盐、磷酸盐等矿物，从而大大拓宽了遥感矿物识别的能力［10～11］，图2为硅酸盐
岩及硫酸盐岩代表性矿物波谱曲线在ASTER热红外波段上的变化。

硫酸盐矿物在ASTER热红外数据第11波段有强吸收，同时其相对于第10、12波段的发射率吸收深度较大，其他矿物吸收深度相对较小，甚至为负值。

针对硫酸盐矿物的光谱特征，设计（Band10＋Band12）＊0.5／Band11作为硫酸盐矿物识别模式。

硅酸盐矿物的低发射率带出现在8.0μm～11.0μm之间，这归因于硅—氧的弹性振动。

低发射率带的深度和位置与组成矿物的结晶结构有关，低发射率带中心显示出随着石英含量的降低及伴随的镁铁质矿物的增加而向长波长方向移动以及低发射率带强度降低的特点［12］。

鉴于硅酸盐类矿物在热红外低发射率带的波动性，不能对其设计成统一的识别模式，本次研究主要着重于在可见光－近红外波段分类提取硅酸盐矿物。

图3为碳酸盐岩及硅化类代表性矿物波谱曲线在ASTER热红外波段上的变化。

碳酸盐矿物在11.3μm附近具有特征的低发射率带，对于结构类似的碳酸盐类，如方解石（Ca－CO3）、白云石（Mg／CaCO3）和菱镁矿（MgCO3），它们的低发射率带随着Mg含量的增加而向短波长方向移动。

在热红外谱段上，碳酸盐矿物区别于其他矿物的光谱特征为：波段14发射率小于其他波段的发射率，可以设计（Band10＋Band11＋Band12＋Band13）＊0.25／Band14作为该类矿物的识别模式［12］。

针对SiO2含量的快速识别，本文提出了利用不同矿物所含SiO2含量的不同，选取SiO2不同百分含量代表性矿物的发射率光谱数据（来自ASU热红外波谱库）作为源光谱对ASTER的热红外波段进行SAM（光谱角）分类计算，快速得到SiO2含量分布图。

另外可根据闫柏琨等利用ASU光谱库中矿物样品的发射率光谱数据及其对应的化学分析数据建立的SiO2百分含量与二氧化硅指数（Band12／Band13）的统计关系：SiO2重量百分含量＝－70.416＊（Band12／Band13）＋126.46得到SiO2
含量分布图［13］。

利用研究得到的识别模式（表1）对内蒙古萨麦地区进行了矿物填图，并通过地质图对比及野外勘查对其进行了印证。

研究区位于内蒙东乌珠穆沁旗西北部，所用的数据为（景号为124082和124081，接收日期为2006年9月13日、2002年4月27日的ASTER数据，研究区内分
布有少量湖泊，景内植被和第四系覆盖较少。

大地构造位于西伯利亚板块的南缘，南部毗邻卡拉麦里—平顶山—贺根山板块缝合线，属于蒙古—兴安造山带，是中
亚－蒙古巨型构造带的东段。

区内岩浆侵入活动频繁，岩石类型多样，分带性较明显。

岩性以花岗岩为主，分布有二长花岗岩、黑云母钾长花岗岩，其次为花岗闪长岩，另外还存在一些火山碎屑岩，酸性火山熔岩等［9］。

研究区内植被不发育，岩石裸露较好，同时第四系地层出露少，有利于矿物蚀变信息的提取。

ASTER可见光及近红外数据（Band1－9）处理流程为：首先对数据进行辐射定标；然后利用ENVI软件提供的FLAASH大气纠正模块进行大气校正；最后进行掩膜
处理，去掉图像中的云、水体、雪、阴影等干扰因素。

ASTER热红外数据（Band10－14）的处理流程为：首先利用MODTRAN4.0大
气辐射传输模型计算试验区的大气上行辐射、大气下行辐射、大气透过率等大气参数，并进行大气校正；然后用发射率归一化法（Emissivity Normalization Method）提取地表相对发射率；最后进行相关干扰的去除。

基于上述矿物特征信息快速识别模式，调用ENVI功能中的波段运算函数、主成分分析函数、分类函数、文件输入和输出函数等开发了矿物信息提取模块。

数据的获取，ENVI函数的调用，结果的输出都由该模块控制。

本次研究根据表1研究结果共编译了7类矿物的提取程序，并集成.sav文件供ENVI来调用。

调用ENVI的方式可以自由选择：①重新定义ENVI安装目录下 MENU目录下的Envi.men文件，一级菜单定义为：矿物信息提取。

二级菜单根据提取的各类矿物
分别定义。

ENVI启动的时候，文件被重新读入并根据它们的内容构建ENVI的菜单。

②通过IDL与外部语言的集成方式：COM＿IDL＿CONNECTLIB（nodraw
方式），可以在C＃语言中编制简便界面，并把ENVI二次开发的功能代码嵌入在发布文件中，这样就可以很方便地通过C＃调用IDL来实现代码功能。

以两景ASTER数据为例，把提取后的分类图像进行拉伸处理和变换核为3×3的中值卷积滤波处理，减弱了数据分布的离散性，平滑图像，同时也保证了提取的矿物信息标准一致，最后在ENVI中显示保存，结果如图4所示：（黄钾铁矾、硫酸盐矿物、碳酸盐矿物没有满足识别条件，故排除）相同的矿物类型通过不同的识别模式提取后可以对比效果并选择应用。

通过提取结果与图5所示地质资料及野外实地考察资料的对照比较，发现吻合程
度较理想。

首先通过地质图与提取的各类型矿物分布图比较来看，一些相邻地层的分界被提取的矿物很好地圈定出来，矿物的分布与地层岩性的组成也有很好的对应。

铁氧化类蚀变信息主要分布在研究区中部的侏罗系花岗岩中，以及与泥盆系上统安格尔音乌拉组（D3a）交界处，多呈条带状分布，北西走向；泥化类蚀变信息和青盘岩化类蚀变信息主要分布在泥盆系上统安格尔音乌拉组（D3a）中；二氧化硅含量高值区分布主要集中在泥盆系上统安格尔音乌拉组（D3a）及第三系中统宝格达乌拉组（N2b）中；硫酸盐矿物和碳酸盐矿物分布没有明显的规律，分布较为广泛，大部分分布在研究区中东部地区。

另外在A、B、C三处观察点发现：A点处
出露的石英脉处于燕山期花岗岩区，与本次提取的二氧化硅高含量分布区有很好的对应；B点处的岩性为泥页岩互层，与本次提取的泥化类矿物有着很好的对应；C 点处为火山岩及其蚀变矿物，与本次提取的青磐岩化类化矿物有较好的对应。

本次提取的结果证实泥盆系上统安格尔音乌拉组（D3a）及第三系中统宝格达乌拉组（N2b）是本区的重要赋矿地层，在该地层中有多种示矿蚀变信息的存在，并有
已知矿点及矿化点印证，与实际情况基本相符，本次提取达到了预想的应用效果。

利用ASTER数据可以快速、有效地对研究区进行矿物填图，遥感在地质工作中起到了事半功倍的效果，为地质工作提供了有力的帮助，在实际工作中有很重要的意义。

ASTER的各个波段在矿物提取中都发挥了有效的作用，通过本次研究设计的不同
矿物特征识别模式在内蒙古萨麦地区的实际应用中可以看出，该模式较为成熟，值得进一步推广。

ENVI是一个非常开放的系统，可以方便地进行功能扩展。

ENVI二次开发在本次
矿物提取过程中起到了快速有效的作用，取得了不错的效果，减少了人工计算的繁琐，同时也避免了处理过程中的一些错误。

同时我们也看到，ASTER属于多光谱热红外遥感数据，波段分类不足以精确提取
矿物详细种属及矿物丰度信息，但是ASTER数据本身的质量优势对于地质工作中的预查及详查工作都会提供极大的帮助。

现今，用高光谱遥感图像识别地物的类型，并鉴别物质成分已经成为必然趋势。

高光谱技术与多光谱技术相比，不仅具有更多的可选择通道，而且不同矿物类型的辐射特征差异在高光谱信息中表现的更加强烈。

运行和部署ENVI二次开发的应用程序需要ENVI软件的存在，今后要考虑使用纯IDL开发的应用程序则可以脱离ENVI软件运行达到更为广泛应用的目的。

【相关文献】
［1］RUTZ ARMENTA J R，PROL－LEDESMA R M.Techniques for enhancing the spectral response of hydrothermal alteration minerals in Thematic Mapper images of Central Mexico［J］.International Journal of Remote Sensing，1998（19）：1981－2000.
［2］HUNT G R，SALISHURY J W，LENHOFF G J.Visible and near infrared spectra of minerals and rocks：III Oxides and hydroxides［J］.Modern Geology，1978（2）：195－205.
［3］ROWAN L C，SCHMIDT R G，MARS G C.Distribution of hydrothermally altered rocks in the Reko Diq，Pakistan mineralized area based on spectral analysis of ASTER data
［J］.Remote Sensing of Environment，2006（104）：74－87.
［4］TOMMASO I D，RUBINSTEIN N.Hydrothermal alteration mapping using ASTER data in the Infiernillo porphyry deposit，Argentina［J］.Ore Geology Reviews，OREGEO－00611，2006，doi：10.1016／j.oregeorev，2006.
［5］LENIO S G，RAIMUNDO A F，ICARO V.Spectral discrimination of hydrothermally altered materials using ASTER short－wave infrared bands：Evaluation in atropical savannah environment［J］.Internation Journal of Applied Earth Observation and Geoinformation，2005（7）：107－114.
［6］耿新霞，杨建民.ASTER数据在浅覆盖区蚀变遥感异常信息提取中的应用—以新疆西准噶尔包古图斑岩铜矿岩体为例［J］.地质论评，2008，54（2）：184－190.
［7］李建国，毛德宝.基于ETM＋与ASTER数据的矿化蚀变信息提取方法研究—以满都拉地区为例［J］.地质调查与研究，2007，30（3）：234－240.
［8］丛丽娟，岑况，朱所，等.利用ASTER数据提取蚀变异常方法研究—以内蒙古朱拉扎嘎金矿为例［J］.河南理工大学学报（自然科学版），2007，26（6）：652－663.
［9］杨佳佳.遥感技术在内蒙古东乌珠穆—满都地区成矿预测中的应用［D］.长春：吉林大学，2009.
［10］闫柏琨，王润生，甘甫平.热红外遥感岩矿信息提取研究进展［J］.地球科学进展，2005，20（10）：1116－1126.
［11］杨长保，朱群，姜琦刚.ASTER热红外遥感地表岩石的二氧化硅含量定量反演［J］.地质与勘探，2009，45（6）：692－696.
［12］傅碧宏，丑晓伟.利用热红外多光谱遥感技术提取和识别岩石、矿物信息［J］.遥感技术与应用，1994，9（1）：56－61.
［13］闫柏琨，王润生，刘胜伟，等.热红外遥感定量反演地表岩石的SiO2 含量［J］.地质通报，2006，25（5）：639－643.。