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(yáng)師范學(xué)院 資源環(huán)境與旅游管理系，湖南 衡陽(yáng) 421008；2.湖南科技大學(xué) 建筑與城鄉(xiāng)規(guī)劃學(xué)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(jī)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(kāi)采的礦種達(dá)10多種，尤以鉛、鋅、金、銀、銅為最。衡陽(yáng)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(diǎn)規(guī)劃區(qū)。而傳統(tǒng)的礦產(chǎn)資源開(kāi)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(jìn)行探礦成圖，花費(fèi)大量的人力物力。隨著信息技術(shù)迅速發(fā)展，當(dāng)前地質(zhì)礦產(chǎn)勘查和資源開(kāi)發(fā)工作已從傳統(tǒng)找礦進(jìn)入到高科技應(yīng)用時(shí)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(guò)程。遙感技術(shù)特別是高光譜遙感具有監(jiān)測(cè)范圍廣、空間分辨率高、成像周期短等特點(diǎn)，它與地球物理、地球化學(xué)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(cè)技術(shù)的應(yīng)用，更為各類地質(zhì)調(diào)查、礦產(chǎn)開(kāi)發(fā)提供了強(qiáng)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(tuán)公司座落在松柏鎮(zhèn)內(nèi)。本論文選取的研究區(qū)域?yàn)槌幨兴谏降貐^(qū)的三個(gè)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(yáng)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(gè)村級(jí)行政單位，占整個(gè)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(kāi)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(kāi)采史。該礦區(qū)設(shè)有專門(mén)的水口山礦務(wù)局，對(duì)水口山地區(qū)礦物開(kāi)發(fā)、開(kāi)采等進(jìn)行綜合管理。目前，礦物局下設(shè)3個(gè)礦山、5個(gè)冶煉廠、3個(gè)輔助生產(chǎn)單位及10余個(gè)生產(chǎn)、生活設(shè)施配套部門(mén)，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(yáng)市帶來(lái)重要的經(jīng)濟(jì)效益［4］。礦區(qū)現(xiàn)已全面開(kāi)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(gè)：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(guò)多年的開(kāi)采，資源已出現(xiàn)緊張狀態(tài)，急需要進(jìn)一步的探測(cè)，在其外圍地區(qū)進(jìn)行發(fā)掘，尋找適合開(kāi)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(lái)源和技術(shù)路線

2.1 數(shù)據(jù)來(lái)源及預(yù)處理

遙感影像數(shù)據(jù)是GIS的一個(gè)極其重要的信息源。早在1969年，美國(guó)就組織了由土地保護(hù)部礦山處執(zhí)行的監(jiān)測(cè)礦山環(huán)境與災(zāi)害的項(xiàng)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(duì)波蘭中部地區(qū)的重要能源產(chǎn)地，即Belchatow褐煤露天開(kāi)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(jìn)行了遙感監(jiān)測(cè)研究，指出Landsat TM與SPOT全色影像的融合影像是對(duì)露天礦區(qū)及其周邊環(huán)境進(jìn)行監(jiān)測(cè)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(gè)波段的基礎(chǔ)信息。數(shù)據(jù)處理采用ENVI遙感軟件，首先對(duì)獲得的SPOT影像進(jìn)行投影變換，采用高斯－克呂格投影，坐標(biāo)系采用西安1980平面直角坐標(biāo)系；在此基礎(chǔ)上，利用常寧市行政界線進(jìn)行幾何校正，利用水口山地區(qū)行政界線對(duì)影像進(jìn)行裁剪，并將三個(gè)礦區(qū)的分布范圍在圖中標(biāo)注出來(lái)。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(guò)分析礦物在影像上的表現(xiàn)特征，本研究采用基于決策樹(shù)的逐步分類方法，在每一次決策樹(shù)判定后對(duì)原影像樣點(diǎn)數(shù)據(jù)進(jìn)行判斷，對(duì)決策樹(shù)的質(zhì)量給予評(píng)價(jià)，質(zhì)量不符合要求的需要重新判定；對(duì)決策樹(shù)分類得出的結(jié)果圖像，利用第二次全國(guó)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(guò)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(shí)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(jì)算機(jī)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(jī)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(dǎo)數(shù)光譜分類等。但這些方法或者算法過(guò)于復(fù)雜、難以理解，或者對(duì)分類者有較高的遙感和地學(xué)知識(shí)要求，都未能在更大領(lǐng)域得到推廣和應(yīng)用［8－9］。

決策樹(shù)分類作為一種基于空間數(shù)據(jù)挖掘和知識(shí)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(shù)或分類規(guī)則的構(gòu)建要利用分類者的生態(tài)學(xué)和遙感知識(shí)先驗(yàn)確定、其結(jié)果往往與其經(jīng)驗(yàn)和專業(yè)知識(shí)水平密切相關(guān)的問(wèn)題，而是通過(guò)決策樹(shù)學(xué)習(xí)過(guò)程得到分類規(guī)則并進(jìn)行分類，分類樣本屬于嚴(yán)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(kù)中地學(xué)知識(shí)輔助分類，大大提高了分類精度［9］。

3.2 決策樹(shù)算法

決策樹(shù)（Decision tree）是通過(guò)對(duì)訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)生成決策樹(shù)或決策規(guī)則，然后使用決策樹(shù)或決策規(guī)則對(duì)新數(shù)據(jù)進(jìn)行分類的一種數(shù)學(xué)方法。它是決策樹(shù)學(xué)習(xí)和決策樹(shù)分類兩個(gè)過(guò)程。決策樹(shù)學(xué)習(xí)過(guò)程是通過(guò)對(duì)訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)（Inductive learning），生成以決策樹(shù)形式表示的分類規(guī)則的機(jī)器學(xué)習(xí)（Machine learning）過(guò)程，其分類的主要步驟如下圖所示［10］：

圖3 決策樹(shù)分類方法Fig.3 Method of the Decision Tree

3.3 基于決策樹(shù)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(duì)比，對(duì)水口山地區(qū)的礦產(chǎn)分布進(jìn)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(lán)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(shí)際野外調(diào)查的數(shù)據(jù)點(diǎn)進(jìn)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(guò)分類處理后的破碎圖斑較多，需進(jìn)一步進(jìn)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(duì)面積較小的圖斑進(jìn)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(guò)上述處理后的水口山地區(qū)礦產(chǎn)圖斑數(shù)目為23個(gè)，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(guò)將結(jié)果數(shù)據(jù)與第二次全國(guó)土地調(diào)查（簡(jiǎn)稱二調(diào)）數(shù)據(jù)作對(duì)比發(fā)現(xiàn)，此次分類提取的礦區(qū)面積較二調(diào)野外實(shí)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(jì)算機(jī)分類可能存在的誤差外，通過(guò)遙感影像發(fā)掘的礦產(chǎn)分布地是主要原因。由此可見(jiàn)，通過(guò)遙感來(lái)對(duì)礦產(chǎn)進(jìn)行開(kāi)發(fā)勘探是可行的。由于影像精度及礦物在可見(jiàn)光－近紅外波段的光譜特征，利用高光譜遙感技術(shù)對(duì)礦物種類的識(shí)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(lái)對(duì)礦物種類做進(jìn)一步的分析。

當(dāng)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(méi)有真正開(kāi)發(fā)的地區(qū)，因?yàn)樵诳梢?jiàn)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(duì)礦產(chǎn)的覆蓋，某些地區(qū)由于光譜差異性不大，不易被識(shí)別。因此，在以后的研究中應(yīng)更注重對(duì)這幾個(gè)問(wèn)題的深入探討。

5 結(jié) 論

通過(guò)對(duì)SPOT高光譜影像進(jìn)行決策樹(shù)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(guó)土地調(diào)查數(shù)據(jù)相比，礦產(chǎn)資源面積增加了近50hm2，說(shuō)明利用高光譜遙感來(lái)進(jìn)行礦產(chǎn)資源分布調(diào)查具有一定的可行性。當(dāng)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(jìn)一步提高，同時(shí)對(duì)礦物種類的檢測(cè)也是進(jìn)一步的研究?jī)?nèi)容。

［1］甘甫平，王潤(rùn)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(shí)別中的應(yīng)用現(xiàn)狀與前景［J］.世界核地質(zhì)科學(xué)，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(xué)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(yīng)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(jì)南：山東科技大學(xué)，2003.

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

［8］李德仁，王樹(shù)良，李德毅，等.論空間數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的理論與方法［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)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(cè)繪科技大學(xué)學(xué)報(bào)，2000，125（1）：42－48

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