基于SPOT影像的常寧市水口山地區(qū)礦產(chǎn)資源分布研究

鄧美容，雷 師，劉蘭芳，鄭文武

（1.衡陽師范學院 資源環(huán)境與旅游管理系，湖南 衡陽 421008；2.湖南科技大學 建筑與城鄉(xiāng)規(guī)劃學院，湖南 湘潭 411201）

常寧市水口山礦產(chǎn)資源豐富，其資源包括有色屬、黑色金屬、可燃性有機巖（煤）、化工原料、陶瓷原料、建筑材料及輔助材料等礦藏。以有色金屬、非金屬著稱，故常寧素有“有色金屬之鄉(xiāng)”與“非金屬之鄉(xiāng)”之稱?，F(xiàn)已探明和正在開采的礦種達10多種，尤以鉛、鋅、金、銀、銅為最。衡陽市礦產(chǎn)資源總體規(guī)劃（2001—2010）中，明確將常寧市水口山作為金屬礦產(chǎn)重點規(guī)劃區(qū)。而傳統(tǒng)的礦產(chǎn)資源開發(fā)多采用野外人工勘查，根據(jù)礦物巖石的理化性質(zhì)進行探礦成圖，花費大量的人力物力。隨著信息技術(shù)迅速發(fā)展，當前地質(zhì)礦產(chǎn)勘查和資源開發(fā)工作已從傳統(tǒng)找礦進入到高科技應用時代，地、物、化、遙等領(lǐng)域的高新技術(shù)貫穿了礦產(chǎn)勘查的全過程。遙感技術(shù)特別是高光譜遙感具有監(jiān)測范圍廣、空間分辨率高、成像周期短等特點，它與地球物理、地球化學勘查手段相結(jié)合，已成為現(xiàn)代找礦的主流技術(shù)（Perisov A.V.，1992）［1－3］。高光譜分辨率探測技術(shù)的應用，更為各類地質(zhì)調(diào)查、礦產(chǎn)開發(fā)提供了強大的技術(shù)支撐。

1 研究區(qū)概況

1.1 研究區(qū)地理位置

該區(qū)位于湖南省常寧市西北部的松柏鎮(zhèn)境內(nèi)，而松柏鎮(zhèn)被稱為湖南省第一鎮(zhèn)，以金屬礦而聞名，著名的水口山有色金屬集團公司座落在松柏鎮(zhèn)內(nèi)。本論文選取的研究區(qū)域為常寧市水口山地區(qū)的三個主要礦區(qū)（水口山礦區(qū)、康家灣礦區(qū)和鴨公塘礦區(qū)），主要涉及包括南陽村、金聯(lián)村、新華村、新同村、朱陂村、水口山有色金屬公司6個村級行政單位，占整個松柏鎮(zhèn)近三分之一的面積，分布廣泛。

1.2 水口山地區(qū)礦產(chǎn)資源開發(fā)現(xiàn)狀

水口山地區(qū)歷史悠久，素有“鉛都”和“鋅都”之稱，至今已有100多年的開采史。該礦區(qū)設(shè)有專門的水口山礦務局，對水口山地區(qū)礦物開發(fā)、開采等進行綜合管理。目前，礦物局下設(shè)3個礦山、5個冶煉廠、3個輔助生產(chǎn)單位及10余個生產(chǎn)、生活設(shè)施配套部門，是集采、選、冶為一體的大型一檔有色金屬聯(lián)合企業(yè)，為常寧市乃至衡陽市帶來重要的經(jīng)濟效益［4］。礦區(qū)現(xiàn)已全面開采各種金屬和非金屬礦物，現(xiàn)已發(fā)現(xiàn)的礦區(qū)主要分為三個：水口山礦區(qū)、康家灣礦區(qū)和鴨公塘礦區(qū)，這些礦區(qū)經(jīng)過多年的開采，資源已出現(xiàn)緊張狀態(tài)，急需要進一步的探測，在其外圍地區(qū)進行發(fā)掘，尋找適合開采的新資源，因此，在水口山礦區(qū)及周邊仍有良好的找礦前景。

2 數(shù)據(jù)來源和技術(shù)路線

2.1 數(shù)據(jù)來源及預處理

遙感影像數(shù)據(jù)是GIS的一個極其重要的信息源。早在1969年，美國就組織了由土地保護部礦山處執(zhí)行的監(jiān)測礦山環(huán)境與災害的項目，并取得顯著效果。Mularz利用Landsat TM、SPOT衛(wèi)星遙感圖像以及航空遙感影像對波蘭中部地區(qū)的重要能源產(chǎn)地，即Belchatow褐煤露天開采礦區(qū)的環(huán)境狀況以及多年的土地利用覆蓋變化情況和植被覆蓋變化情況進行了遙感監(jiān)測研究，指出Landsat TM與SPOT全色影像的融合影像是對露天礦區(qū)及其周邊環(huán)境進行監(jiān)測的最有效數(shù)據(jù)［5－7］。

本研究采用2009年SPOT5遙感影像，該影像空間分辨率高，精度好，含有三個波段的基礎(chǔ)信息。數(shù)據(jù)處理采用ENVI遙感軟件，首先對獲得的SPOT影像進行投影變換，采用高斯－克呂格投影，坐標系采用西安1980平面直角坐標系；在此基礎(chǔ)上，利用常寧市行政界線進行幾何校正，利用水口山地區(qū)行政界線對影像進行裁剪，并將三個礦區(qū)的分布范圍在圖中標注出來。下圖1為在ENVI軟件中裁剪出的研究區(qū)域影像。

圖1 研究區(qū)遙感影像數(shù)據(jù)Fig.1 Remote Sensing Data of Research Area

2.2 本文技術(shù)路線

通過分析礦物在影像上的表現(xiàn)特征，本研究采用基于決策樹的逐步分類方法，在每一次決策樹判定后對原影像樣點數(shù)據(jù)進行判斷，對決策樹的質(zhì)量給予評價，質(zhì)量不符合要求的需要重新判定；對決策樹分類得出的結(jié)果圖像，利用第二次全國土地利用調(diào)查的成果結(jié)合野外調(diào)研情況綜合分析其合理性，在分類的過程中，充分利用地表植被的分布指數(shù)，最終建立本文的技術(shù)路線如下圖所示：

圖2 本文技術(shù)路線Fig.2 Technical Route of this Research

3 基于遙感影像的水口山地區(qū)礦產(chǎn)資源信息提取實現(xiàn)

3.1 基于SPOT影像的遙感數(shù)據(jù)處理

ENVI高光譜圖像的計算機分類已出現(xiàn)很多新型分類方法，如：神經(jīng)網(wǎng)絡(luò)分類法、模糊分類法、專家系統(tǒng)分類法、支撐向量機分類法、面向?qū)ο蠓诸惙?、最小距離法、最大似然法、基于匹配濾波器的分類方法、一階導數(shù)光譜分類等。但這些方法或者算法過于復雜、難以理解，或者對分類者有較高的遙感和地學知識要求，都未能在更大領(lǐng)域得到推廣和應用［8－9］。

決策樹分類作為一種基于空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)（Spatial Data Mining and Knowledge Discovery，SDM＆KD）的監(jiān)督分類方法，突破了以往分類樹或分類規(guī)則的構(gòu)建要利用分類者的生態(tài)學和遙感知識先驗確定、其結(jié)果往往與其經(jīng)驗和專業(yè)知識水平密切相關(guān)的問題，而是通過決策樹學習過程得到分類規(guī)則并進行分類，分類樣本屬于嚴格“非參”，不需要滿足正態(tài)分布，可以充分利用GIS數(shù)據(jù)庫中地學知識輔助分類，大大提高了分類精度［9］。

3.2 決策樹算法

決策樹（Decision tree）是通過對訓練樣本進行歸納學習生成決策樹或決策規(guī)則，然后使用決策樹或決策規(guī)則對新數(shù)據(jù)進行分類的一種數(shù)學方法。它是決策樹學習和決策樹分類兩個過程。決策樹學習過程是通過對訓練樣本進行歸納學習（Inductive learning），生成以決策樹形式表示的分類規(guī)則的機器學習（Machine learning）過程，其分類的主要步驟如下圖所示［10］：

圖3 決策樹分類方法Fig.3 Method of the Decision Tree

3.3 基于決策樹的礦區(qū)信息提取

本研究采用ENVI4.6遙感圖像處理軟件，結(jié)合MAPGIS6.7數(shù)據(jù)處理和分析軟件，以第二次土地調(diào)查現(xiàn)有數(shù)據(jù)作為對比，對水口山地區(qū)的礦產(chǎn)分布進行提取。提取出的礦產(chǎn)分布如下圖所示，黃色代表耕地，紅色代表居民地，綠色代表園地、林地，藍色代表水域，白色代表采礦用地，黑色代表山體陰影。將分類后的數(shù)據(jù)結(jié)合實際野外調(diào)查的數(shù)據(jù)點進行精度分析得知，此次分類總體精度為85.2%，kappa系數(shù)為0.837，分類效果較好。

由于通過分類處理后的破碎圖斑較多，需進一步進行分類后處理，再將處理的柵格數(shù)據(jù)轉(zhuǎn)換成矢量數(shù)據(jù)便于分析。為減少數(shù)據(jù)量，只選擇礦產(chǎn)用地類別且對面積較小的圖斑進行了舍棄或者合并處理，最終繪制出水口山地區(qū)的礦產(chǎn)資源分布圖，如圖5。

4 水口山地區(qū)礦產(chǎn)資源分布特征分析

經(jīng)過上述處理后的水口山地區(qū)礦產(chǎn)圖斑數(shù)目為23個，總面積為187.1hm2；礦區(qū)面積最大的是水口山礦區(qū)，其次是康家灣礦區(qū)，最后是鴨公塘礦區(qū)。通過將結(jié)果數(shù)據(jù)與第二次全國土地調(diào)查（簡稱二調(diào)）數(shù)據(jù)作對比發(fā)現(xiàn)，此次分類提取的礦區(qū)面積較二調(diào)野外實地調(diào)查的礦區(qū)相比面積有所增加，增加將近50hm2，主要分布在礦區(qū)的中部和北部，也就是鴨公塘礦區(qū)和康家灣礦區(qū)。除去由于計算機分類可能存在的誤差外，通過遙感影像發(fā)掘的礦產(chǎn)分布地是主要原因。由此可見，通過遙感來對礦產(chǎn)進行開發(fā)勘探是可行的。由于影像精度及礦物在可見光－近紅外波段的光譜特征，利用高光譜遙感技術(shù)對礦物種類的識別存在一定的難度，不易區(qū)分具體的礦物類別；在今后的研究中，可考慮結(jié)合微波遙感來對礦物種類做進一步的分析。

當然，礦產(chǎn)分布數(shù)據(jù)也還存在一定的影像提取誤差，主要有以下幾種情況：一是目前還沒有真正開發(fā)的地區(qū)，因為在可見光－近紅外波段地下埋藏各種礦物造成其影像的特征與裸地非常接近，礦產(chǎn)分布與裸地不容易分清；二是現(xiàn)有采礦用地由于人為破壞或污染的原因，造成礦區(qū)周圍堆積礦渣等廢物而呈現(xiàn)礦區(qū)的影像特征；三是地表植被和土壤對礦產(chǎn)的覆蓋，某些地區(qū)由于光譜差異性不大，不易被識別。因此，在以后的研究中應更注重對這幾個問題的深入探討。

5 結(jié) 論

通過對SPOT高光譜影像進行決策樹分類，充分利用影像上地物光譜差異性，并結(jié)合地表植被的特殊表現(xiàn)，得出了常寧市水口山地區(qū)礦產(chǎn)資源分布圖。該調(diào)查結(jié)果與第二次全國土地調(diào)查數(shù)據(jù)相比，礦產(chǎn)資源面積增加了近50hm2，說明利用高光譜遙感來進行礦產(chǎn)資源分布調(diào)查具有一定的可行性。當然，由于分類方法及影像種類的限制，該分類結(jié)果在精度上還需要進一步提高，同時對礦物種類的檢測也是進一步的研究內(nèi)容。

［1］甘甫平，王潤生.遙感巖礦信息提取基礎(chǔ)與技術(shù)方法研究［M］.北京：地質(zhì)出版社：2004：47－56.

［2］裴承凱，傅錦.高光譜遙感技術(shù)在巖礦識別中的應用現(xiàn)狀與前景［J］.世界核地質(zhì)科學，2007，24（1）：32－38.

［3］Friedl MA，Brodley CE，Strahler AH.Maximizing Land cover classification accuracies produced by decision trees at continental to global scales［J］.IEEE Transactions on Geosciences and Remote Sensing，1999，37（2）：969－977.

［4］譚建湘，宛克勇.湖南水口山鉛鋅金銀礦床地球化學特征［J］.地質(zhì)與勘探，2008，44（3）：22－27.

［5］劉漢湖，楊武年，沙晉明.高光譜分辨率遙感在地質(zhì)應用中的關(guān)鍵技術(shù)及前景［J］.世界地質(zhì)，2004，23（1）：45－49.

［6］祝善友.高光譜遙感信息提取及其分類研究［D］.濟南：山東科技大學，2003.

［7］浦瑞良，宮 鵬.高光譜遙感及其應用［M］.北京：高等教育出版社，2000：47－78.

［8］李德仁，王樹良，李德毅，等.論空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的理論與方法［J］.武漢大學學報：信息科學版，2002，27（3）：221－233.

［9］邸凱昌，李德仁，李德毅.基于空間數(shù)據(jù)挖掘的遙感圖像分類研究［J］.武漢測繪科技大學學報，2000，125（1）：42－48

［10］申文明，王文杰，羅海江，等.基于決策樹分類技術(shù)的遙感影像分類方法研究［J］.遙感技術(shù)與應用，2007，22（3）：333－338.