基于光譜—空間特征的ASTER影像巖性分類研究
——以甘肅北山白峽尼山地區為例

梅佳成,劉磊,尹春濤,張群佳,王樂

1) 長安大學地球科學與資源學院,西安,710054;2) 自然資源部黃河上游戰略性礦產資源重點實驗室,蘭州,730046

內容提要：遙感巖性制圖是地質填圖中的重要工作,基于光譜特征的巖性分類易受到色調、紋理等因素影響導致精度不佳。前人進行巖性自動分類研究多關注影像的光譜特征,而忽略空間特征,筆者等基于甘肅北山白峽尼山地區ASTER影像,將支持向量機、極限學習機兩種機器學習分類方法與基于空間特征的快速漂移算法相結合進行巖性分類。結果表明支持向量機分類總體精度為89.17%;極限學習機不但具有需調節參數少的優勢,且分類精度和速度均優于支持向量機,分類總體精度達96.70%;利用快速漂移算法提取的影像空間特征可有效減少錯分區,提升巖性分類效果。研究證實將基于光譜特征的極限學習機和基于空間特征的快速漂移算法結合的巖性分類方法具有客觀、高效、高精度等優勢,可為后續地質填圖和找礦勘查工作提供可靠數據支撐,在遙感巖性分類領域具有較高的推廣價值。

區域地質調查是地質研究的基礎性工作,對于我國西北、西南等人跡罕至的戈壁、高原地區,傳統地質填圖方法工作難度較大(李雋輝等,2022)。無人機可獲得高精度影像,可以滿足大比例尺精細填圖工作的需要(鄭明等,2022)。

而遙感以其宏觀、高效、多尺度、多層次等優勢,在區域地質調查、礦產資源勘察等方面具有更重要的作用 (鄒鍵等,2022)。

先進星載熱輻射與反射輻射計(Advanced Spaceborne Thermal Emission and Reflection Radiometer, ASTER)具有較高空間分辨率及14個波段,在巖性、礦物識別領域具有獨特的優勢,已被用于區分方解石和白云石(Rowan et al., 2005)、提取矽卡巖化等蝕變異常信息(孟鵬燕等,2016)、識別與沉積巖有關鉛鋅礦含礦層位(劉磊等,2022)、解譯鎂鐵—超鎂鐵巖體(Liu Lei et al., 2014)。

機器學習是利用人工智能技術,通過訓練樣本對數學模型進行訓練,然后用訓練完成的模型依據特征參數將遙感圖像中的像元點進行逐像元分類(Biamonte et al., 2017)。支持向量機(Support Vector Machines, SVM)、極限學習機(Extreme Learning Machines, ELM)、卷積神經網絡(Convolutional Neural Network, CNN)等機器學習算法日漸成熟,已被用于遙感巖性分類研究。與最小距離分類法、最大似然分類法、光譜角度制圖等傳統方法進行對比,SVM算法在巖性分類中可獲得較傳統方法更高的精度(馬德鋒等,2008),在印度西北部ASTER數據巖性自動分類研究表明SVM算法分類精度高、分類效果好(Yu et al., 2012)。SVM具有所需參數和訓練樣本少、分類精度高等優勢,但存在參數確定困難、消耗時間長和運行效率低等問題,而ELM作為一種單層前饋神經網絡學習算法,在準確性、學習速度和計算可擴展性方面均較SVM更具優勢(Heras et al., 2014; Ayerdi et al., 2015; 牟多鐸等,2019)。以卷積神經網絡(CNN)為基礎提出的具有長短期記憶的分層空間—光譜特征提取(HSS—LSTM)模型,在內華達州礦區機載可見光/紅外成像光譜儀(AVIRIS)收集的高光譜數據的實驗結果表明,HSS—LSTM的分類準確性很高,分類效果較好(Zhao Huijie et al., 2020)。簡單線性迭代聚類卷積神經網絡(SLIC—CNN)算法,在遼寧省興城市無人機采集的常規RGB影像數據的分類實驗中表現良好,分類準確性較高(Sang Xuejia et al., 2020)。

但是,上述遙感巖性分類方法多僅利用巖石的光譜特征,缺少有效融合巖石空間特征和光譜特征的綜合性分析方法。不同巖石在影像上色調、地貌、紋理、表面粗糙度及密度等均存在明顯差異,將空間特征與光譜特征結合進行遙感巖性分類可有效提高分類結果精度(王建剛等,2020)。

筆者等以甘肅北山白峽尼山地區為研究區(圖1a),以ASTER影像為數據源,融合巖性的空間特征和光譜特征,基于機器學習算法對不同巖性進行自動分類,形成高效、準確的巖性分類方法,為西部基巖裸露區巖性自動填圖工作提供技術支撐。

圖1 甘肅北山地區位置圖(a) 以及北山白峽尼山地區地質圖(b)(據1∶50000地質圖和遙感影像修編)Fig.1 Location map of the study area(a) and geological map of Baixiani Mountain, Beishan Mountains(b) (revised from 1∶50000 geological map and remote sensing image)Q—第四系沖積、洪積砂礫;P2j—二疊系金塔組玄武巖、安山巖;D3dn—泥盆系墩墩山群灰綠色斜長流紋巖;奧陶系花牛山群: O1-2hnc-1—上巖組淺色云母石英片巖, O1-2hnc-2—上巖組深色云母石英片巖, O1-2hnb—中巖組片巖夾大理巖、石英巖;—印支期肉紅色花崗巖;印支期磚紅色黑云母花崗巖;γ—印支期黑云母花崗巖蝕變巖;π—華力西期肉紅色似斑狀花崗巖;δ—華力西期花崗閃長巖;δ—華力西期片麻狀石英閃長巖、二長閃長巖;華力西期閃長巖;—華力西期淺色輝長巖;—華力西期深色輝長巖;γ—加里東期花崗閃長巖、石英閃長巖;βμ—輝綠巖脈Q—Quaternary alluvial and diluvial gravel; P2j—Permian basalt and andesite of Jinta Group; D3dn—Devonian gray-green plagioclase rhyolite of Dundunshan Group; Ordovician Huaniushan Group: O1-2hnc-1— light mica quartz schist of Upper Rock Formation, O1-2hnc-2—dark mica quartz schist of Upper Rock Formation, O1-2hnb— schist with marble and quartzite of Middle Rock Formation; granodiorite, quartz diorite; βμ—Diabase dike

1 研究區地質概況

北山造山帶位于中亞造山帶南緣及華北板塊、塔里木板塊、西伯利亞板塊的交匯部位,是研究中亞造山帶造山作用和演化的關鍵部位之一(楊建國等,2012)。甘肅北山地區侵入巖出露廣泛,已發現大小鎂鐵—超鎂鐵巖體70余個,相對以鎂鐵巖體占優勢,超鎂鐵巖類大多與鎂鐵巖呈雜巖體的形式產出(李舢等,2011;劉磊等,2013)。

北山地區巖漿活動頻繁,區域構造演化各階段均有不同規模、不同類型、不同成因的巖漿巖形成,發育有大面積的侵入巖體,巖性主要為輝長巖、閃長巖、花崗閃長巖、花崗巖等。已有鋯石年代學研究表明,北山地區古生代存在至少兩期基性—中基性巖漿活動,其中均伴隨著大量的花崗質巖漿活動(呂新彪等,2012)。區內巖漿巖具有多成因、多期次、復雜等特征,且巖漿巖分布廣泛,種類眾多。

白峽尼山地區位于北山地區西南部,區內地層有奧陶系中下統花牛山群上巖組、奧陶系中下統花牛山群中巖組、泥盆系上統墩墩山群以及第四系全新統(圖1)。區內巖漿巖種類多樣(圖2),主要有印支期磚紅色黑云母花崗巖、肉紅色似斑狀花崗巖、花崗閃長巖、片麻狀石英閃長巖、二長閃長巖,華力西期閃長巖、輝長巖,加里東期花崗閃長巖、石英閃長巖。研究區南部有少量變質巖出露,主要為云母石英片巖和片巖夾大理巖、石英巖(圖1)。研究區內構造變形強烈,斷層較為發育,以北西西、北東東向斷層為主。白峽尼山地區干旱少雨,植被稀少,基巖出露面積大,巖性種類復雜多樣,是遙感地質研究的理想區域。

圖2 甘肅北山地區安山巖與二長花崗巖界線 (a) 和花崗閃長巖與閃長巖界線(b)Fig.2 Boundary between andesite and monzogranite (a) and between granodiorite and diorite (b) in the Beishan Mountains

2 數據與方法

2.1 數據源

ASTER影像的優勢在于14個波段數的設置能夠更好的用于地質體識別。其中可見光—近紅外(Near Infrared, VNIR)區間有3個波段,空間分辨率為15 m;短波紅外(Shortwave Infrared, SWIR)6個波段,空間分辨率為30 m;熱紅外(Thermal Infrared, TIR)區間5個波段,空間分辨率為90 m(唐淑蘭等,2021)。本研究選取的ASTER數據獲取于2003年4月7日,數據級別為L1B,將ASTER可見光—近紅外和短波紅外9波段數據重采樣至15 m。

2.2 數據預處理與增強處理

基于野外實測標準地物光譜,采用回歸分析法對原始影像數據進行大氣校正,消除大氣和光照所引起的輻射畸變;利用地形圖和野外GPS定位點對影像進行幾何校正并將影像裁剪至研究區范圍。

根據地物在不同波段反射或發射波譜的差異選取合適的波段進行比值運算,可以增強各巖性間的波譜差異。本研究通過分析各巖性光譜曲線(圖3),選取1/4、2/5、8/5波段比值組合進行假彩色合成,該影像中不同巖性差異明顯,基于該影像開展遙感地質解譯,獲得了研究區遙感解譯地質圖(圖1),作為后續分類評價的基準。

圖3 甘肅北山地區典型巖性光譜曲線Fig.3 Spectral curves of typical lithology in the Beishan Mountains

2.3 SVM和ELM算法

支持向量機(SVM)是一種有監督的學習模型,為解決線性問題,SVM會在特征空間中兩種類別最鄰近的訓練樣本之間,找出一個能使兩種類別邊緣間隔最大化的分離超平面;對于非線性問題,SVM可通過非線性變換將數據投影至高維特征空間中,轉化為高維空間的線性支持向量機求解對偶問題(Ghoddusi et al., 2019; 牟多鐸等,2019)。極限學習機(ELM)是由輸入層、隱藏層和輸出層等簡單3層結構所構成的單隱藏層前饋神經網絡,只需要設置隱藏層節點的數量,無需改變隱藏層的輸入權值和閾值,最終會產生一個最優解,因而極限學習機對新樣本適應能力較好,學習速度較快(Huang Guangbin et al. 2008)。SVM和ELM已成為目前機器學習算法中應用最廣泛的自動分類方法(Jordan et al., 2015; 牟多鐸等,2019)。因此,本研究重點利用SVM和ELM開展ASTER影像巖性分類對比,并融合巖性的空間特征和光譜特征,分析空間特征對巖性分類的作用,最終形成高效、準確的巖性分類方法。

2.4 QS算法

本研究中空間特征采用快速漂移算法(Quick Shift, QS)獲取,快速漂移算法能夠在影像的空間和光譜聯合域進行分割得到便于后續處理的超像素。

快速漂移算法的原理是基于一個迭代的模式搜索,識別模式中的一組數據點。模式被定義為某一特征空間中由所有數據點組成的最密集的位置。給定N個數據點x1,x2,...,xN∈X?Rd,快速漂移算法首先計算Parzen密度估計:

(1)

其中k(x)是核函數,D(xi,xj)是數據點xi和xj之間的距離。然后,它將核函數的中心移動到xi的最鄰近處,以便將搜索路徑擴展到下一個數據點。在該點處存在遞增的密度P:

(2)

arg minD(xi,xj)表示要找到使得距離函數D(xi,xj) 取得最小值的(xi,xj)值。當所有數據點彼此連接時,使用閾值來分離模式,然后可以分離數據點的不同聚類(Zhang Sanxing et al., 2020)。

該算法將所有數據點依其概率密度連接為一棵“樹”,模態表現為這棵“樹”上“長度”(概率密度和距離的函數)超過閾值τ的“樹枝”,通過設置τ可以控制模態的選擇(圖4)。σ參數的選擇可平衡“過分割”與“欠分割”現象使得模式搜索更加高效(祝鵬飛等,2011; Tariq et al., 2019)。

圖4 Quick Shift算法示意圖Fig.4 Schematic diagram of Quick Shift algorithm

3 融合光譜—空間特征的機器學習巖性分類

巖性分類基于Linux系統HypeRvieW軟件實現(Garea et al., 2016),分類過程如下:①將ASTER多光譜數據在MATLAB中轉換為三維矩陣形式,導入HypeRvieW中作為待分類數據;②將訓練樣本轉換為矩陣形式,導入HypeRvieW中作為訓練集;③分別選擇SVM和ELM兩種分類算法進行基于光譜特征的巖性自動分類;④應用快速漂移算法基于空間特征進行分類,運用最大投票法將基于光譜特征分類和空間特征分類的結果進行結合;⑤運用空間正則化對分類結果進行平滑處理(Ayerdi et al., 2015);⑥基于驗證樣本對分類結果進行精度評價。

3.1 樣本選取

樣本選取是進行機器學習巖性分類的前提,需兼顧巖性樣本的代表性、完整性和不同類別間的高可分離度。對選取的樣本,隨機選取70%作為訓練集以訓練判別函數,30%作為驗證集對分類結果進行精度評價(表1)。

利用總體精度(Overall Accuracy,OA)、分配不一致性(Allocation Disagreement,AD)和運行時間對分類結果進行評價。其中,OA是模型在所有類別訓練集中預測正確的數量與總數量間的比值,越接近100%表明分類結果越精確。AD為參考圖與比較圖之間的分配差異量,這種差異是由類別的空間分配中非最佳匹配造成的(Pontius et al., 2011),數值越小表明錯分越少,分類精度越高。運行時間用來評價模型的運行效率,如果模型兼具高精度和高效率,則該分類方法更具應用前景。

3.2 基于光譜特征的分類實驗

3.2.1支持向量機分類實驗

SVM分類需設置γ值和懲罰參數C,γ值是高斯徑向基核函數(Radial Basis Function, RBF)自帶的超參數,表示單個訓練樣本點的影響半徑,懲罰參數C代表的是軟間隔非線性支持向量機中對誤差的寬容程度(Garea et al., 2016),經多次實驗對比研究發現,當γ值設為0.125懲罰參數設C為128時,分類效果較好。圖5b為SVM分類結果,與遙感解譯結果(圖5a)對比表明玄武巖與安山巖,片巖夾大理巖與石英巖,磚紅色黑云母花崗巖,片麻狀石英閃長巖與二長閃長巖,淺色輝長巖以及深色輝長巖的空間展布與解譯結果高度吻合;淺色云母石英片巖,深色云母石英片巖,石英閃長巖,閃長巖以及肉紅色花崗巖的空間展布與解譯結果基本吻合,略有差異;花崗閃長巖與肉紅色似斑狀花崗巖的空間展布則與解譯結果有較大差異。

圖5 甘肅北山地區遙感影像及分類結果圖: (a)遙感影像圖[RGB(1/4、2/5、8/5)],(b)支持向量機分類結果圖,(c)極限學習機分類結果圖,(d)極限學習機+快速漂移算法分類結果圖Fig.5 Remote sensing image and the classification results of the Beishan Mountains: (a) remote sensing image [RGB(1/4、2/5、8/5)]; (b) support vector machine classification result; (c) extreme learning machine classification result; (d) classification result of extreme learning machine with quick shift drift algorithmQ—第四紀沖積、洪積砂礫;P2j—二疊系金塔組玄武巖、安山巖;D3dn—泥盆系墩墩山群灰綠色斜長流紋巖;奧陶系花牛山群: O1-2hnc-1—上巖組淺色云母石英片巖, O1-2hnc-2—上巖組深色云母石英片巖, O1-2hnb—中巖組片巖夾大理巖、石英巖;—印支期肉紅色花崗巖;γ—印支期磚紅色黑云母花崗巖;γ—印支期黑云母花崗巖蝕變巖;π—華力西期肉紅色似斑狀花崗巖;δ—華力西期花崗閃長巖;δ—華力西期片麻狀石英閃長巖、二長閃長巖;—華力西期閃長巖;—華力西期淺色輝長巖;華力西期深色輝長巖;γ—加里東期花崗閃長巖、石英閃長巖;βμ—輝綠巖脈Q—Quaternary alluvial and diluvial gravel; P2j—Permian basalt and andesite of Jinta Group; D3dn—Devonian gray-green plagioclase rhyolite of Dundunshan Group; Ordovician Huaniushan Group: O1-2hnc-1—light mica quartz schist of Upper Rock Formation, O1-2hnc-2—dark mica quartz schist of Upper Rock Formation, O1-2hnb—schist with marble and quartzite of Middle Rock Formation; granodiorite, quartz diorite; βμ—Diabase dike

SVM分類結果的OA為89.17%,總體而言分類效果較好、分類精度較高,但是也存在一些的問題。首先,分類圖中存在非常多的離散點和小斑塊,部分小斑塊會對較大且連續的巖體進行切割,使得圖面顯得較為凌亂。其次,對花崗閃長巖的分類結果也不夠理想,以目視解譯結果相比,支持向量機將大面積花崗閃長巖錯分為其他類型,可能是由于花崗閃長巖與云母石英片巖光譜較為相似導致的,如圖6a和圖6b所示。與目視解譯進行對比,支持向量機對云母石英片巖、石英閃長巖和片麻狀石英閃長巖、二長閃長巖的區分能力較弱,出現較多錯分和漏分現象,如圖6d和圖6e所示。最后,支持向量機分類所需要的時間也較長,需要128.9410 s。

圖6 分類結果局部對比圖(圖例參見圖5): (a) 目視解譯西側局部圖; (b) SVM西側局部圖; (c) ELM西側局部圖; (d) 目視解譯東側局部圖; (e) SVM東側局部圖; (f) ELM東側局部圖Fig.6 Comparison among the geologic map and classification results for local areas (Refer to Fig.5 for the legend): (a) visually interpret the west side partial map; (b) the west side partial map of SVM; (c) the west side partial map of ELM; (d) visually interpret the east side partial map; (e) the east side partial map of SVM; (f) the east side partial map of ELM

3.2.2極限學習機分類實驗

極限學習機算法由Linux系統中的HypeRvieW軟件實現(Garea et al., 2016),極限學習機只需設定隱藏層神經元的數目,即可以計算輸出矩陣和輸出層權值,得到該情況下分類的最優解。為研究隱藏層神經元數目對分類準確度的影響,從OA、AD和時間這3個不同的角度對分類結果進行對比和評價,其結果如圖7所示。

圖7 極限學習機參數尋優Fig.7 Parameter optimization of extreme learning machine

圖7為極限學習機參數尋優結果圖,從圖7中可以看出,當隱藏層神經元數目小于120或大于500的時候,OA較低,而且AD較高,分類精度不理想。當隱藏層神經元數目在200到400之間時,OA高于92%,而且AD小于4%,分類精度較為理想。隨著隱藏層神經元數目增加,分類所需要的時間大致呈線性增加。綜合考慮以上情況,將隱藏層神經元數目選擇為360,既有很高的分類精度,而且分類時間也較短。

圖5c為ELM分類結果,與遙感解譯結果(圖5a)對比表明二者分類界線輪廓幾乎完全一致,每一個巖性單元的空間展布極為相似。與支持向量機相比,極限學習機的分類準確度提高顯著,如表2所示,OA提高了近8%,AD則下降近5%,顯然極限學習機相對于支持向量機而言,具有更高的制圖準確度。

表2 SVM算法與ELM算法分類結果對比表Table 2 Comparison of classification results between SVM algorithm and ELM algorithm

而且,對于支持向量機所存在的問題,極限學習機都有了不小的改善。首先圖面中的離散點和小斑塊明顯減少。其次,對于花崗閃長巖的分類結果與目視解譯結果基本一致,錯分現象明顯減少(圖6c)。最后,極限學習機分類所需要的時間更是大大減少,僅僅需要22.78 s,速度提高了將近六倍。但是極限學習機分類結果圖中的離散點和小斑塊數量仍然很多,這與實際不符,而且會明顯降低圖面的協調性和美觀性(圖5c)。

3.3 引入空間特征的分類實驗

為解決極限學習機存在的問題,引入快速漂移算法,利用快速漂移算法對遙感影像的空間特征進行分類?？焖倨扑惴ㄓ笑抑岛挺又祪蓚€參數,增加σ值會產生較為粗略的分類圖,增加τ值會增加每個區域的平均大小。對比研究發現,選取σ值為6和τ值為2時,對影像的分類效果最好。

在完成對空間特征的分類之后,引入快速漂移算法對空間特征進行分類,并結合最大投票法將極限學習機分類結果與之結合,最終分類的結果的準確度稍有下降,但是從整體圖面效果來看,圖面中的小斑塊減少了很多,圖面更加整潔美觀。而且,快速漂移算法和最大投票法所需時間僅有小幅度的增加,引入空間特征,即提升了巖性制圖的效果又兼顧了制圖效率。

圖5d為ELM+QS分類結果,與ELM分類結果(圖5c)對比表明二者整體一致,僅僅在小部分區域有微小差異;將二者與遙感解譯結果(圖5a)對比表明ELM+QS分類結果不僅整體空間展布與解譯結果極為相似,而且在細節方面吻合度更高(圖8),在ELM+QS分類結果圖中,圖面中的離散點基本消失,小斑塊數量也顯著減少,與解譯圖相似度更高。如表3所示,ELM+QS分類結果與ELM分類結果相比,ELM+QS分類結果的OA稍有降低,但是整體制圖效果與遙感解譯結果更為相似,而且總處理時間只有小幅度增長。

表3 ELM算法與ELM+QS算法分類結果對比表Table 3 Comparison table of classification results between ELM Algorithm and ELM+QS Algorithm

圖8 ELM與ELM+QS局部圖(圖例參見圖5): (a) ELM算法結果局部; (b) ELM+QS算法結果局部Fig.8 Partial diagram of classification results of ELM and ELM+QS (See figure 5 for the legend): (a) the result of ELM algorithm is local; (b) the result of ELM+QS algorithm is local

3.4 結果驗證

為驗證巖性自動分類的準確性,在甘肅北山白峽尼山地區進行實地驗證,對研究區內22個典型點位進行驗證,其中21個點位的巖性與自動分類結果一致,僅1個點位巖性與自動分類結果有差別。部分驗證點信息如圖9所示,驗證點位置見圖6。驗證點R4為石英閃長巖與北側深色云母石英片巖的界線,實地照片如圖9a所示;驗證點R26被分類為深色云母石英片巖,實地驗證其巖性為云母石英片巖,實地照片如圖9b所示。驗證結果表明,解譯的地質界線是客觀存在的,而且與ELM+QS分類結果基本一致,基于光譜—空間的自動分類方法準確度較高。

圖9 甘肅北山白峽尼山地區驗證照片: (a) 驗證點R4處火成巖與北側變質巖顏色明顯差異;(b)驗證點R26處深色石英閃長巖Fig.9 Field verification photos of Baixiani Mountain, Beishan Mountains: (a) obvious color difference between igneous rock at verification point R4 and metamorphic rock on the north side; (b) dark quartz diorite at verification point R26

4 討論

為了對比機器學習方法與傳統分類方法間巖性分類精度的優劣,本研究應用最大似然分類法、最小距離分類法等傳統方法進行巖性分類,并與SVM、ELM分類方法進行對比分析。結果表明傳統分類方法由于算法較為簡單,對云母石英片巖、片巖夾大理巖、花崗閃長巖、閃長巖和石英閃長巖等巖性差異較小的巖性類別區分能力較弱(圖3),分類準確性較低。其中最小距離分類法計算速度快,但是因為其只考慮每一類樣本的均值,而忽略類別內部的方差,因此分類效果較差,總體分類精度為37.32%,僅對巖性差別較大的輝長巖、黑云母花崗巖和玄武巖具有較好分類能力,對其它巖性分類能力較差。最大似然分類法不僅考慮每一類樣本的均值,而且還考慮方差等參數,因此分類效果相對較好,總體分類精度可達84.01%。但是對云母石英片巖、花崗閃長巖、石英閃長巖等巖性差異較小的類別區分能力較弱。

SVM對大多數類別巖性的區分能力強,制圖結果的準確度很高,其總體分類精度接近90%,但是對云母石英片巖、石英閃長巖等巖性差異較小的類別區分能力較弱,出現較多錯分和漏分現象。ELM表現更優,不但對巖性差異較明顯的巖性區分能力強,而且對巖性差異較小的云母石英片巖、石英閃長巖等同樣具有很強的區分能力,分類準確度更高,其總體分類精度高達96.70%,與SVM相比,ELM所需要設置的參數更少,分類準確性更高。

但是上述分類方法只考慮影像的光譜特征,忽略了影像的空間特征,所以分類結果中存在大量錯分小斑塊,快速漂移算法會根據影像的色調、紋理、表面粗糙度等空間特征進行圖像分類,這使得ELM+QS分類結果中錯分小斑塊幾乎完全消失,各個類別內部均一性較好,分類結果與目視解譯結果吻合最優。目前,融合空間特征的機器學習分類方法在遙感巖性分類領域應用較少,但已有的實驗表明,融合光譜和空間特征的ELM+QS分類模型在遙感巖性分類領域具有很高的可行性和實用性,且高效、準確,在西北基巖裸露地區具有廣闊的應用前景。

5 結論

本研究運用極限學習機算法依據遙感影像的光譜特征進行分類,不但對巖性差異較明顯的片巖夾大理巖、黑云母花崗巖、閃長巖、輝長巖等巖性區分能力強,對巖性差異較小的云母石英片巖、石英閃長巖、片麻狀石英閃長巖和二長閃長巖同樣具有較強的區分能力,總體分類精度達96.70%,分類準確度很高,但是分類結果圖中會存在大量錯分小斑塊。引入遙感影像中地物的空間特征,運用快速漂移算法對空間特征進行分析和分類,結合最大投票法,將空間特征與光譜特征結合,分類結果圖中錯分小斑塊幾乎完全消失,在保證分類準確性的同時,提高了分類結果與目視解譯結果、地質圖的一致性,且分類所需時間僅小幅度增加。

研究表明將基于光譜特征的極限學習機分類與基于空間特征的快速漂移算法結合,可獲得較高的巖性分類精度,為后續的精細填圖和找礦工作提供準確、客觀和可靠數據支撐,在西部基巖出露區具有較好的應用前景。

本研究中采用的ASTER影像空間分辨率為30 m,且在可見光—近紅外范圍內只有9個波段,難以開展大比例尺、精細的巖性制圖工作。后續可以將本研究中的方法用于空間分辨率和光譜分辨率更高的WorldView-3數據及GF-5等高光譜影像,進行更加細致的巖性、礦物分類研究。