帥爽，張志，呂新彪，馬梓程，陳思，郝利娜

1.中國(guó)地質(zhì)大學(xué)(武漢)地質(zhì)調(diào)查研究院,武漢 430074;

2.中國(guó)地質(zhì)大學(xué)(武漢)地球物理與空間信息學(xué)院,武漢 430074;

3.湖北省國(guó)土測(cè)繪院,武漢 430010;

4.成都理工大學(xué)地球科學(xué)學(xué)院,成都 610052

1 引言

巖性、構(gòu)造等基礎(chǔ)地質(zhì)信息是礦產(chǎn)資源勘查、地質(zhì)災(zāi)害評(píng)估、地下水資源開(kāi)發(fā)、公路鐵路工程設(shè)計(jì)施工中必需的基礎(chǔ)數(shù)據(jù)（Grebby 等，2011）。傳統(tǒng)地質(zhì)工作手段以實(shí)地調(diào)查為主，往往耗時(shí)耗力。隨著遙感技術(shù)的快速發(fā)展，巖石、礦物信息遙感提取方法為開(kāi)展高海拔、艱險(xiǎn)復(fù)雜地區(qū)巖石類型制圖提供了一種經(jīng)濟(jì)、高效的手段（Porwal和González-álvarez，2019）。

遙感數(shù)據(jù)的光譜信息能夠反應(yīng)地表不同類型礦物、巖石對(duì)不同波長(zhǎng)入射光的選擇性吸收、反射、透射和散射的綜合特征差異（王潤(rùn)生等，2011），進(jìn)而用于識(shí)別礦物、巖石類別。中等空間分辨率分遙感數(shù)據(jù)（中分?jǐn)?shù)據(jù)），如TM、ETM+（Benomar 和Fuling，2005；Kavak，2005；Sabins，1999）、OLI （Traore 等，2020；Zhao 等，2019；帥爽等，2016）和ASTER（Li 等，2009；Gad 和Kusky，2007；Amer 等，2010；Pournamdari 等，2014；Tangestani 等，2011）等數(shù)據(jù)，覆蓋了碳酸鹽礦物、粘土礦物、鐵氧化物礦物等幾類礦物的診斷光譜區(qū)間（王潤(rùn)生等，2011），已廣泛應(yīng)用于巖石、礦物識(shí)別，但受限于空間分辨率，同一像元內(nèi)光譜混合現(xiàn)象明顯（Porwal 和González-álvarez，2019），嚴(yán)重制約了中分?jǐn)?shù)據(jù)的巖性分類精度。

遙感圖像紋理信息反應(yīng)了圖像中輻射亮度值的空間變化，也是用于識(shí)別對(duì)象的重要特征。隨著SPOT、QuickBird、WorldView 及國(guó)產(chǎn)高分系列等高空間分辨率遙感數(shù)據(jù)（高分?jǐn)?shù)據(jù)）投入使用，其圖像紋理特征較好的顯示了巖石地層中的層理、節(jié)理、斷裂等線性構(gòu)造特征及巖性單元之間的接觸關(guān)系（Salehi和Tangestani，2018；Xu等，2019；Zhang 等，2011），同時(shí)影像空間分辨率的提高也是解決混合像元現(xiàn)象的最有效途徑（Porwal 和González-álvarez，2019）。但受衛(wèi)星傳感器的制約，高分?jǐn)?shù)據(jù)的光譜區(qū)間往往僅覆蓋可見(jiàn)光—近紅外區(qū)（450—1040 nm），難以滿足大多數(shù)特征吸收譜段位于短波紅外、熱紅外區(qū)間的礦物、巖石信息提?。╖hou等，2014）。

從單一中分多光譜數(shù)據(jù)源同時(shí)提取光譜信息和紋理信息并應(yīng)用于巖性分類已成為提高分類精度常用而有效的方法（Masoumi 等，2017；Parakh等，2016；Grebby 等，2011；Othman 和Gloaguen，2017，2014）。Masoumi 等（2017）結(jié)合ASTER 數(shù)據(jù)的光譜、紋理特征，采用隨機(jī)森林分類算法進(jìn)行巖性制圖，取得了較高的精度（約80%）。Li 等（2009）將ASTER 近紅外和短波紅外波段的多變量紋理特征與光譜特征結(jié)合，采用最大似然分類算法進(jìn)行巖性分類，對(duì)比單獨(dú)使用光譜數(shù)據(jù)，總體分類精度提高了9.5%。然而，目前還少有研究嘗試將中分?jǐn)?shù)據(jù)光譜信息與高分?jǐn)?shù)據(jù)紋理信息結(jié)合進(jìn)行巖性自動(dòng)分類，以充分發(fā)揮中高分遙感數(shù)據(jù)對(duì)于巖性識(shí)別的優(yōu)勢(shì)。

另外，在分類器的選擇上，用于巖性分類的圖像分類器大多是基于像元的（Grebby等，2016）?；谙裨姆诸愃惴ê雎粤讼噜徬裨g的上下文信息（contextual information）（Van Der Meer，2006）。另外，衛(wèi)星遙感圖像相鄰像元間光譜混合程度的差異導(dǎo)致同類巖性的光譜變異性，進(jìn)而引起基于像元的分類算法巖性分類結(jié)果中的“椒鹽現(xiàn)象”（Salati 等，2011）。面向?qū)ο蟮膱D像分類算法是在基于相鄰像元間光譜、紋理特征相似性將圖像分割為同質(zhì)性區(qū)域（Dr?gu? 和Blaschke，2006）（對(duì)象）的基礎(chǔ)上，對(duì)“對(duì)象”進(jìn)行分類，這樣就較好地消除了基于像元分類算法中的“椒鹽現(xiàn)象”（Whiteside 等，2011）。近年來(lái)，面向?qū)ο蟮膱D像分類算法在土地利用（Antonarakis 等，2008）、森林類型（Dorren等，2003）、景觀類型制圖（Lucieer和Stein，2005）和變化檢測(cè)（Im 等，2008）等領(lǐng)域取得了成功應(yīng)用，但將面向?qū)ο蠓诸惙椒☉?yīng)用于巖性分類的研究卻稀少。Van Der Werff等（2007）初步驗(yàn)證了通過(guò)分割光譜圖像進(jìn)行巖性分類方法的可行性，Grebby（2016）等將光譜信息和地形信息輸入面向?qū)ο蟮姆诸惼?，進(jìn)行巖性制圖，獲得了較基于像元分類算法更高的分類精度。靳曉輝等（2016）驗(yàn)證了綜合TM 影像光譜和紋理信息的面向?qū)ο笸恋乩妙愋湍：诸愃惴ň葍?yōu)于單獨(dú)使用光譜數(shù)據(jù)進(jìn)行分類。然而，還沒(méi)有研究嘗試將中分?jǐn)?shù)據(jù)光譜信息和高分?jǐn)?shù)據(jù)紋理信息協(xié)同進(jìn)行面向?qū)ο蟮膸r性模糊分類。

此次研究基于中高分遙感數(shù)據(jù)在巖性識(shí)別中優(yōu)勢(shì)，提出了一種中高分遙感數(shù)據(jù)信息協(xié)同方法，并利用面向?qū)ο蟮哪：诸愃惴ㄍ瓿闪斯ぷ鲄^(qū)巖性自動(dòng)分類，為提高遙感巖性分類精度提供一種新的思路。

2 研究區(qū)與數(shù)據(jù)源概況

研究區(qū)位于新疆克孜勒蘇柯?tīng)柨俗巫灾沃莅⒖颂湛h克孜勒鄉(xiāng)塔木地區(qū)，氣候干燥少雨，植被覆蓋度很低，區(qū)內(nèi)巖石地層出露良好，有利于遙感影像地層劃分。使用的數(shù)據(jù)是2013年6月3日采集的Landsat 8 OLI數(shù)據(jù)（簡(jiǎn)稱OLI數(shù)據(jù)）及2010年5月23日采集WorldView-2 數(shù)據(jù)。OLI 數(shù)據(jù)多光譜波段空間分辨率為30 m，包含可見(jiàn)光到短波紅外（433—2300 nm）共7 個(gè)波段，全色波段空間分辨率為15 m。WorldView-2數(shù)據(jù)多光譜波段空間分辨率為2 m，包含可見(jiàn)光到近紅外（400—1040 nm）共8 個(gè)波段，全色波段空間分辨率為0.46 m。研究區(qū)WorldView-2和OLI影像特征如圖1。首先，利用平均梯度、信息熵、標(biāo)準(zhǔn)差等統(tǒng)計(jì)參量（表1）和影像上的巖石地層、構(gòu)造影紋特征分別定量、定性地對(duì)比研究區(qū)WorldView-2 和OLI 數(shù)據(jù)的空間信息探測(cè)能力，平均梯度反應(yīng)圖像的清晰度，平均梯度值越大影像越清晰；信息熵、標(biāo)準(zhǔn)差與圖像信息量大小相關(guān)，信息熵、標(biāo)準(zhǔn)差值越大，圖像信息越豐富。評(píng)價(jià)結(jié)果顯示，研究區(qū)WorldView-2和OLI 影像平均梯度比較接近，WorldView-2 影像信息熵、標(biāo)準(zhǔn)差值更大，同時(shí)，WorldView-2 影像上各巖性單元內(nèi)部層理、節(jié)理紋理信息更清晰（圖1，表2），表明WorldView-2 數(shù)據(jù)對(duì)研究區(qū)巖性單元空間結(jié)構(gòu)信息的探測(cè)能力更強(qiáng)。其次，分別從光譜覆蓋區(qū)間、設(shè)置波段數(shù)目（表2）和影像上各巖性單元的光譜差異（色調(diào)）定量、定性地對(duì)比研究區(qū)WorldView-2 和OLI 數(shù)據(jù)的光譜信息探測(cè)能力，結(jié)果顯示W(wǎng)orldView-2數(shù)據(jù)在可見(jiàn)光至近紅外區(qū)間光譜覆蓋范圍和設(shè)置波段數(shù)量均優(yōu)于OLI數(shù)據(jù)，而在對(duì)于巖石、礦物識(shí)別重要的短波紅外區(qū)間無(wú)波段設(shè)置，同時(shí)OLI影像上各巖性單元色調(diào)差異更明顯（圖1，表2），綜合而言，OLI 數(shù)據(jù)光譜探測(cè)能力優(yōu)于WorldView-2數(shù)據(jù)。

圖1 研究區(qū)WorldView-2影像和OLI影像Fig.1 WorldView-2 and OLI image of the study area

表1 WorldView-2和OLI影像性能參數(shù)對(duì)比Table 1 Comparison of image parameters between WorldView-2 and OLI

表2 研究區(qū)巖性單元及其影像特征Table 2 Lithology and image features of the rock types in the study area

研究區(qū)地層包含下白堊統(tǒng)—古近系。各巖石地層單元巖性描述和影像特征如表2，空間分布及接觸關(guān)系如圖2。

圖2 研究區(qū)地質(zhì)簡(jiǎn)圖Fig.2 Geological sketch of the study area

3 中高分?jǐn)?shù)據(jù)信息協(xié)同方法

由于中分?jǐn)?shù)據(jù)和高分?jǐn)?shù)據(jù)在光譜探測(cè)能力和空間結(jié)構(gòu)探測(cè)能力上各具優(yōu)勢(shì)，所以利用“結(jié)構(gòu)協(xié)同”方案和“光譜協(xié)同”方案，將中、高分遙感數(shù)據(jù)光譜探測(cè)能力和空間結(jié)構(gòu)探測(cè)能力進(jìn)行“空譜融合”以提高遙感巖性分類精度，具體技術(shù)流程如圖3。

圖3 WorldView-2與OLI數(shù)據(jù)信息協(xié)同技術(shù)流程Fig.3 Flow of information combination of WorldView-2 and OLI

3.1 結(jié)構(gòu)協(xié)同

利用異源遙感數(shù)據(jù)融合的思路，將WorldView-2數(shù)據(jù)在空間探測(cè)能力上的優(yōu)勢(shì)“嫁接”到OLI數(shù)據(jù)上。首先，將OLI 數(shù)據(jù)1—7 多波段數(shù)據(jù)與全色波段融合，再與WorldView-2多光譜數(shù)據(jù)中某一波段進(jìn)行融合，獲得具備OLI 數(shù)據(jù)1—7 波段多光譜信息，空間分辨率為2 m的空間結(jié)構(gòu)協(xié)同數(shù)據(jù)（張斌等，2015）。研究中選擇WorldView-2 光譜范圍最寬的第8波段數(shù)據(jù)參與融合，以最大程度減小光譜響應(yīng)范圍不一致帶來(lái)的光譜失真問(wèn)題。結(jié)構(gòu)協(xié)同方案中著重考慮兩方面問(wèn)題：（1）異源遙感數(shù)據(jù)量化級(jí)數(shù)差異對(duì)光譜保真度和高頻信息融入度的影響；（2）不同融合方法的光譜保真度差異。

3.1.1 輻射分辨率規(guī)范化處理

采用高永剛和徐涵秋（2015）的方法對(duì)WorldView-2 數(shù)據(jù)和OLI 數(shù)據(jù)輻射分辨率進(jìn)行了規(guī)范化處理，以消除量化級(jí)數(shù)差異對(duì)光譜保真度和高頻信息融入度的影響。利用式（1）將WorldView-2第8波段數(shù)據(jù)量化級(jí)數(shù)范圍進(jìn)行轉(zhuǎn)換，將影像輻射分辨率量化級(jí)數(shù)由11轉(zhuǎn)換到16。

式中，DN′為轉(zhuǎn)換后影像的DN 值；DN 為原始影像的灰度值；11 為WorldView-2 第8 波段數(shù)據(jù)的輻射分辨率量化級(jí)數(shù)；16 為轉(zhuǎn)換后影像的輻射分辨率量化級(jí)數(shù)。

為了減小由于數(shù)據(jù)小數(shù)位數(shù)的取舍引起的融合后影像光譜失真和高頻信息融入度下降，融合前可將反射率的數(shù)值乘以相同的比例因子（10e）后進(jìn)行融合，再將影像值除以該比例因子以還原回融合前的量化區(qū)間。新像元值的計(jì)算公式如式（2）所示。

式中，e及其計(jì)算公式如式（3）—（7）所示。

式中，PV′為量化區(qū)間變換后的反射率；PV為量化區(qū)間變換前的反射率；e為變換到預(yù)定計(jì)算空間的最大可乘系數(shù)的指數(shù)；eP為全色影像最大可乘系數(shù)的指數(shù)；eM為多光譜影像最大可乘系數(shù)的指數(shù)；RP為全色影像的像元值最大值與轉(zhuǎn)換后量化區(qū)間最大值的比值；RM為多光譜影像的像元值最大值與轉(zhuǎn)換后量化區(qū)間最大值的比值；PVP為全色影像的像元值；PVm為多光譜影像的像元值；n為轉(zhuǎn)換后影像的輻射分辨率量化級(jí)數(shù)；ceil為向最近的大整數(shù)取整符號(hào)。將研究區(qū)WorldView-2 數(shù)據(jù)和OLI 數(shù)據(jù)相關(guān)數(shù)值代入式（3）—式（7），計(jì)算得到最大可乘系數(shù)的指數(shù)e為1。所以將數(shù)據(jù)量化級(jí)數(shù)范圍轉(zhuǎn)換后的WorldView-2 第8 波段和OLI 自融合數(shù)據(jù)同時(shí)乘以10 進(jìn)行圖像融合處理，融合后結(jié)果再除以10以還原量化區(qū)間。

3.1.2 圖像融合方法選取

利用目前常規(guī)的融合方法進(jìn)行數(shù)據(jù)融合，分別計(jì)算各融合結(jié)果與原始多光譜數(shù)據(jù)的相關(guān)系數(shù)，并與未進(jìn)行輻射分辨率規(guī)范化的數(shù)據(jù)融合結(jié)果對(duì)比，結(jié)果如表3。

表3 融合結(jié)果相關(guān)系數(shù)對(duì)比表Table 3 The correlation coefficient

一般情況下，融合結(jié)果與原始多光譜數(shù)據(jù)相關(guān)系數(shù)越大則融合結(jié)果的光譜保真度越好，從表3可以看出，輻射分辨率規(guī)范化的數(shù)據(jù)各融合結(jié)果的相關(guān)系數(shù)均高于未進(jìn)行規(guī)范化的數(shù)據(jù)融合結(jié)果，說(shuō)明輻射分辨率規(guī)范化的方法能一定程度上改善異源遙感數(shù)據(jù)融合時(shí)的光譜失真問(wèn)題，另外Gram-Schmidt 變換法融合結(jié)果的相關(guān)系數(shù)優(yōu)于主成分變換的融合結(jié)果。故選用Gram-Schmidt 變換法對(duì)WorldView-2、OLI數(shù)據(jù)進(jìn)行融合。

3.2 光譜協(xié)同

光譜協(xié)同方案是：基于WorldView-2、OLI 數(shù)據(jù)的光譜覆蓋范圍，將兩種數(shù)據(jù)波段重新組合，實(shí)現(xiàn)兩種數(shù)據(jù)光譜信息的互補(bǔ)。光譜協(xié)同方案中重點(diǎn)解決的問(wèn)題是異源數(shù)據(jù)反射率取值區(qū)間的差異，具體方法如下。

由于OLI 數(shù)據(jù)與WorldView-2 數(shù)據(jù)傳感器及成像時(shí)間不同，經(jīng)過(guò)大氣校正和高斯拉伸變換后同一地物在相同波譜范圍內(nèi)的反射率值不同。為了將兩種數(shù)據(jù)的反射率值匹配一致，需要確定兩種數(shù)據(jù)進(jìn)行匹配的因子“S”。由于WorldView-2數(shù)據(jù)Band2（0.450—0.510 μm）與OLI Band2（0.450—0.515 μm）波譜范圍最接近。研究中，通過(guò)計(jì)算兩種數(shù)據(jù)Band2 均值的比值來(lái)獲得兩種數(shù)據(jù)之間的反射率值匹配因子。

研究區(qū)WorldView-2數(shù)據(jù)Band2均值為1805.73，OLI數(shù)據(jù)Band2均值為1287.47，計(jì)算得到匹配系數(shù)為1.4025。將與WorldView-2 第8 波段融合后的OLI 6、7 波段數(shù)據(jù)乘以匹配因子1.4025 后再與WorldView-2可見(jiàn)光—近紅外1—8波段進(jìn)行波段綁定（圖4），最終獲得覆蓋可見(jiàn)光至短波紅外區(qū)間10波段光譜信息和2 m空間分辨率的中高分信息協(xié)同數(shù)據(jù)。

圖4 WorldView-2、OLI數(shù)據(jù)光譜協(xié)同方案圖Fig.4 Spectral combined of WorldView-2 and OLI

4 巖性自動(dòng)分類

4.1 隨機(jī)森林分類方法

隨機(jī)森林RF（Random Forest）圖像監(jiān)督分類算法由Breiman（2001）提出，部分學(xué)者驗(yàn)證了其應(yīng)用于高光譜、多光譜遙感影像巖性分類的可行性（Parakh 等，2016；Bachri 等，2019；Othman和Gloaguen，2017）。此次研究中，為驗(yàn)證巖性自動(dòng)識(shí)別中，中高分遙感協(xié)同數(shù)據(jù)相對(duì)于協(xié)同前數(shù)據(jù)的優(yōu)勢(shì)，同時(shí)對(duì)比基于像元的分類算法與面向?qū)ο笏惴ǖ膸r性分類效果，分別對(duì)研究區(qū)OLI數(shù)據(jù)（7波段，2 m空間分辨率（為便于對(duì)比分類精度評(píng)價(jià)結(jié)果，將OLI 數(shù)據(jù)空間分辨率重采樣為2 m））、WorldView-2數(shù)據(jù)（8波段，2 m空間分辨率）和信息協(xié)同數(shù)據(jù)（10 波段，2 m 空間分辨率）進(jìn)行RF巖性分類實(shí)驗(yàn)。為保證對(duì)比實(shí)驗(yàn)的客觀性，3 組RF 巖性分類實(shí)驗(yàn)中選取相同的訓(xùn)練樣本（隨機(jī)選取訓(xùn)練樣本，占各巖性分類單元像元總數(shù)的10%）、相同決策樹(shù)數(shù)目（100）和各自全部特征波段。

4.2 面向?qū)ο蟮膸r性模糊分類方法

模糊分類方法，是在面向?qū)ο蟮姆指罨A(chǔ)上，結(jié)合模糊數(shù)學(xué)進(jìn)行圖像分類的方法。研究中，在對(duì)協(xié)同后數(shù)據(jù)空間結(jié)構(gòu)信息和光譜信息進(jìn)行提取、壓縮、增強(qiáng)獲得特征協(xié)同數(shù)據(jù)的基礎(chǔ)上，對(duì)特征協(xié)同數(shù)據(jù)進(jìn)行多尺度分割，再通過(guò)構(gòu)建各巖性單元的模糊邏輯隸屬度函數(shù)完成巖性劃分。

4.2.1 光譜、空間結(jié)構(gòu)信息的提取、壓縮和增強(qiáng)

協(xié)同后數(shù)據(jù)的光譜信息和空間結(jié)構(gòu)信息仍然存在數(shù)據(jù)冗余，同時(shí)在面向?qū)ο蠓诸愔?，參與分類波段太多會(huì)造成分割速度緩慢和建立模糊隸屬度函數(shù)困難。所以需要對(duì)協(xié)同數(shù)據(jù)的空間結(jié)構(gòu)信息和光譜信息進(jìn)一步壓縮和增強(qiáng)，具體做法如圖5。

圖5 WorldView-2與OLI特征協(xié)同數(shù)據(jù)形成流程圖Fig.5 Compression and enhancement of the combined data

（1）空間結(jié)構(gòu)信息的提取、壓縮和增強(qiáng)。圖像紋理可反應(yīng)巖性單元層理、節(jié)理、線理特征等重要信息。Haralick 等（1973）利用灰度共生矩陣，基于圖像的紋理統(tǒng)計(jì)信息，提出了14 種紋理特征。其中，均值（mean）、方差（variance）、同質(zhì)性（homogeneity）、對(duì)比度（contrast）、相異度（dissimilarity）、熵（entropy）、二階矩（second moment）和相關(guān)性（correlation）8 種紋理特征常被用于巖性自動(dòng)分類研究中（Li 等，2011；Jakob等， 2015； Qiu 和Ming， 2018； Masoumi 等，2017）。此次研究中，采用灰度共生矩陣方法，選擇了上述8種統(tǒng)計(jì)參量，提取研究區(qū)紋理圖像?；叶裙采仃嚰y理圖像的計(jì)算通?；趩尾ǘ?，并選取各波段中協(xié)方差最大的波段進(jìn)行紋理計(jì)算（Li等，2011；Masoumi 等，2017）。此次研究中選取協(xié)同后數(shù)據(jù)中協(xié)方差值最大（659.14）的第9 波段（1.61 μm）進(jìn)行紋理計(jì)算。同時(shí)，紋理特征提取時(shí)，移動(dòng)窗口的大小十分關(guān)鍵，研究中，按照3×3、5×5、7×7、9×9、11×11、13×13 等6 種窗口大小試提取了紋理圖像（圖6），并對(duì)比各紋理圖像中巖性單元的可區(qū)分程度。結(jié)果顯示3×3窗口下紋理信息最豐富，但參雜了很多微地形引起的紋理特征，這些信息對(duì)巖層紋理的識(shí)別干擾很大。5×5 窗口下，圖像中各種紋理信息已經(jīng)減弱了很多，紋理的方向性卻表現(xiàn)得比較明顯，各巖性單元間的紋理特征差異也更明顯，隨著窗口大小繼續(xù)增大，部分巖性單元內(nèi)部較細(xì)小的紋層信息逐漸消失，進(jìn)而影響巖性單元識(shí)別效果。因此，選擇5×5為此次研究中紋理特征提取的窗口大小。

圖6 不同窗口大小的對(duì)比度紋理圖像提取效果對(duì)比Fig.6 Comparison of contrast texture images with different window size

前人研究表明，用于提取紋理信息的8個(gè)統(tǒng)計(jì)量仍存在著信息特征、有效性等方面的重疊（Liu等，2009）。此次研究中采用主成分變換方法對(duì)8 幅紋理圖像進(jìn)行信息壓縮和增強(qiáng)。根據(jù)靳曉輝（2016）的方法，將前4 個(gè)紋理主分量圖像（前4 個(gè)主分量的信息量占99.98%，并且完整包含各巖性單元的紋理信息。）按各自權(quán)重進(jìn)行信息特征融合，公式如下：

式中，T為紋理信息融合圖像，T1、T2、T3、T4為前4 個(gè)紋理主分量圖像，系數(shù)為各主分量的權(quán)重值。紋理信息融合圖像效果如圖7。

圖7 研究區(qū)協(xié)同數(shù)據(jù)紋理信息融合圖像Fig.7 The texture information fusion image of combined data

圖7紋理圖像中各巖性單元紋理特征清晰，南北向紋理多為地層層理，而東西向紋理多為微地形界線。

（2）光譜信息的提取、壓縮和增強(qiáng)。同樣利用主成分變換的方法對(duì)獲得信息協(xié)同數(shù)據(jù)進(jìn)行光譜信息的壓縮和增強(qiáng)。主成分分析的結(jié)果顯示前3個(gè)主分量（PC1、PC2、PC3）占信息量的93.66%。獲取研究區(qū)各巖性單元在10 幅主分量圖像中特征曲線圖（圖8），從曲線圖中比較各主分量圖像對(duì)各巖性單元的區(qū)分效果。

圖8 巖性單元的主分量特征曲線Fig.8 PC curve of rock types

圖8中橫坐標(biāo)1至10依次為協(xié)同影像主成分分析的10 個(gè)主分量圖像。圖中，PC1處，K1w、K2k、K2w和E1a共4 個(gè)巖性單元區(qū)分度較好，K2y與E1t間區(qū)分度差，而在PC3處巖性單元K2y與E1t間區(qū)分度較好。同時(shí)，PC1和PC3占信息量的83.13%，所以選擇PC1和PC3參與后續(xù)的巖性模糊分類，圖10為PC1和PC3圖像。

對(duì)協(xié)同數(shù)據(jù)壓縮、增強(qiáng)后的紋理特征（T）和光譜特征（PC1、PC3）進(jìn)行波段綁定，獲得了特征協(xié)同數(shù)據(jù)，參與后續(xù)巖性模糊分類。

4.2.2 多尺度分割

進(jìn)行影像多尺度分割時(shí)，分割參數(shù)的設(shè)置直接影響分割的準(zhǔn)確性。本文主要考慮分割尺度和波段權(quán)重的設(shè)定。研究中通過(guò)Ecognition 軟件中的平均分割評(píng)價(jià)指數(shù)ASEI （Average Segmentation Evaluation Index）方法來(lái)確定分割的層數(shù)和尺度，ASEI 值越大，該分割尺度越優(yōu)。計(jì)算、分析5—100 不同分割尺度下，研究區(qū)6 種巖性單元的ASEI值變化情況（圖9）?？梢?jiàn)K1w和E1a最優(yōu)分割尺度均為80，這是由于兩種巖性單元內(nèi)部像元光譜特征與紋理特征都比較穩(wěn)定，且與其他巖性單元特征差異明顯，較大分割尺度就能達(dá)到較好的分割效果。而K2k與K2y的最優(yōu)分割尺度為20，K2w最優(yōu)分割尺度為15，E1t最優(yōu)分割尺度為25，這是因?yàn)?種巖性單元內(nèi)部像元光譜特征比較相近。

圖9 最優(yōu)分割尺度選擇Fig.9 Optimal segmentation scale selection

綜合考慮各巖性單元的最優(yōu)分割尺度，確定了兩個(gè)層次的分割，第1 層次分割為大尺度分割，分割尺度為80，意圖將K1w和E1a與其他巖性單元分割開(kāi)，由于K1w和E1a在特征協(xié)同數(shù)據(jù)（PC1∶PC3∶T）的PC3與其他巖性單元差異明顯，將波段權(quán)重（PC1∶PC3∶T）設(shè)置為1∶2∶1。第2 層次分割是針對(duì)剩余4個(gè)巖性單元的小尺度分割，分割尺度為20，用于將這4 個(gè)巖性單元分割開(kāi)。由于4 個(gè)巖性單元間紋理特征差異較明顯，故將波段權(quán)重（PC1∶PC3∶T）設(shè)置為1∶1∶2。

4.2.3 模糊分類

在特征協(xié)同影像兩個(gè)尺度分割的基礎(chǔ)上，通過(guò)構(gòu)建各巖性單元的模糊隸屬度函數(shù)，完成研究區(qū)巖性模糊分類。

分割層次1 分割尺度為80，用于將巖性單元K1w和E1a分割出，偏重利用特征協(xié)同數(shù)據(jù)（PC1∶PC3∶T）的PC3，圖10 中不難看出，K1w和E1a均在PC3與其他巖性單元區(qū)分明顯，通過(guò)試驗(yàn)，當(dāng)PC3對(duì)象均值大于148 時(shí)，K1w可以很好被區(qū)分出；當(dāng)PC3對(duì)象均值處于97—118 區(qū)間時(shí)，E1a可以較好地被分出。

圖10 協(xié)同數(shù)據(jù)主成分變換后的第1主分量和第3主分量Fig.10 PC1 and PC3 of the combined data

分割層次2 是在層次1 分割基礎(chǔ)上，對(duì)剩余未分對(duì)象進(jìn)一步分割，分割尺度為20，通過(guò)對(duì)K2k、K2y、K2w、E1t這4 種巖性單元構(gòu)建模糊隸屬度函數(shù)，完成巖性劃分。經(jīng)過(guò)對(duì)比4 種巖性單元的光譜、紋理特征，建立了4種巖性單元的模糊隸屬度函數(shù)：在PC1對(duì)象均值在78—131，并同時(shí)滿足PC3在38—65 或119—127，可將K2k分出；在PC1對(duì)象均值在124—147，同時(shí)PC3均值在128—146，可將K2y分出；在T對(duì)象均值滿足9—22，K2w可較好的區(qū)分出；在PC1對(duì)象均值在91—122，同時(shí)滿足T對(duì)象均值在24—71，可將E1t區(qū)分出。特征協(xié)同影像巖性模糊分類結(jié)果如圖11。分類結(jié)果的精度評(píng)價(jià)如表4。

4.3 巖性分類結(jié)果與精度評(píng)價(jià)

為了便于對(duì)比面向?qū)ο蠛突谙裨膸r性分類精度，研究中采用了基于像元的分類精度評(píng)價(jià)方法（Foody，2009；Congalton，1991）。利用混淆矩陣方法計(jì)算總體分類精度、生產(chǎn)者精度、用戶精度和Kappa系數(shù)（Congalton，1991）等精度評(píng)價(jià)指標(biāo)，其中總體分類精度指被分類器正確分類的像元總數(shù)與待分類像元總數(shù)的比率（Congalton，1991）。開(kāi)展精度評(píng)價(jià)的標(biāo)準(zhǔn)參考是結(jié)合1∶25 萬(wàn)英吉沙幅區(qū)域地質(zhì)調(diào)查成果圖、野外驗(yàn)證和專家人機(jī)交互解譯獲取的地質(zhì)簡(jiǎn)圖（圖2）。由于此次研究區(qū)范圍相對(duì)較小，同時(shí)考慮訓(xùn)練樣本對(duì)精度評(píng)價(jià)的影響，將排除研究區(qū)內(nèi)用于隨機(jī)森林分類樣本訓(xùn)練的10%像元外的90%像元作為驗(yàn)證數(shù)據(jù)集，對(duì)各巖性分類實(shí)驗(yàn)結(jié)果進(jìn)行精度評(píng)價(jià)。

表4、圖11 展示不同數(shù)據(jù)集、不同分類方法的巖性分類精度和效果。4 組分類實(shí)驗(yàn)結(jié)果均一定程度上反應(yīng)了各巖性單元的分布和接觸關(guān)系。從分類精度上看，本文提出中高分遙感數(shù)據(jù)協(xié)同模糊巖性分類方法獲得了最高的總體分類精度（89.35%）和Kappa 系數(shù)（0.87）。3 組RF 分類實(shí)驗(yàn)中，協(xié)同后數(shù)據(jù)RF 分類實(shí)驗(yàn)取得了最高的總體分類精度（86.19%），Kappa系數(shù)為0.83。

表4 巖性分類結(jié)果精度評(píng)價(jià)Table 4 Confusion matrices of the classification results

圖11 不同數(shù)據(jù)不同分類方法巖性分類結(jié)果Fig.11 Lithological classification results of the study area，using different data and classification methods

5 討論

5.1 中高分遙感數(shù)據(jù)協(xié)同巖性分類

“協(xié)同”指在系統(tǒng)內(nèi)部的多個(gè)子系統(tǒng)之間，或系統(tǒng)內(nèi)部各要素之間，相互協(xié)調(diào)、同步、合作及互補(bǔ)的聯(lián)合作用，是系統(tǒng)整體性的內(nèi)在表現(xiàn)（Swanson 等；1998）。遙感領(lǐng)域的“協(xié)同”是指利用兩種或兩種以上遙感數(shù)據(jù)源提取環(huán)境信息，獲得比單獨(dú)使用其中任何一種數(shù)據(jù)源更高的提取精度（Cracknell，1998）。中等空間分辨率遙感數(shù)據(jù)和高空間分辨率遙感數(shù)據(jù)是兩種常用于巖性識(shí)別的數(shù)據(jù)源。此次研究中定性、定量對(duì)比分析了中、高分遙感數(shù)據(jù)在巖性識(shí)別中的優(yōu)劣勢(shì)（圖1，表1、表2），OLI 數(shù)據(jù)與WorldView-2 數(shù)據(jù)的RF 分類結(jié)果也顯示了中高分?jǐn)?shù)據(jù)對(duì)于巖性識(shí)別的不同優(yōu)勢(shì)。中分?jǐn)?shù)據(jù)具有豐富的光譜信息，對(duì)于區(qū)分不同巖性單元內(nèi)部巖石、礦物組成的差異具有優(yōu)勢(shì)，OLI數(shù)據(jù)對(duì)于光譜特征明顯的E1t分類精度優(yōu)于WorldView-2 數(shù)據(jù)（OLI 數(shù)據(jù)RF 分類結(jié)果中E1t的生產(chǎn)者精度比WorldView-2 數(shù)據(jù)高56.48%）。而高分?jǐn)?shù)據(jù)能反應(yīng)不同巖性單元間層理、節(jié)理等細(xì)小紋理特征差異，WorldView-2 數(shù)據(jù)對(duì)光譜差異較小、紋理差異明顯的K2w與K2y分類精度和分類效果優(yōu)于OLI 數(shù)據(jù)（表4）。另外，提高圖像空間分辨率是解決中分?jǐn)?shù)據(jù)巖性分類中混合像元效應(yīng)的最有效途徑，中分?jǐn)?shù)據(jù)的短波紅外波段也是對(duì)高分?jǐn)?shù)據(jù)光譜覆蓋范圍的良好補(bǔ)充。

為了結(jié)合中分?jǐn)?shù)據(jù)光譜信息優(yōu)勢(shì)和高分?jǐn)?shù)據(jù)紋理信息優(yōu)勢(shì)，本文以“協(xié)同”思想，利用異源遙感數(shù)據(jù)融合、輻射分辨率規(guī)范化處理等技術(shù)提出一種中高分遙感數(shù)據(jù)協(xié)同方法，并驗(yàn)證了其應(yīng)用于巖性自動(dòng)分類的可行性。RF 巖性自動(dòng)分類結(jié)果顯示，協(xié)同后數(shù)據(jù)獲得了更高的總體分類精度（86.19%）和Kappa 系數(shù)（0.83），與協(xié)同前WorldView-2 數(shù)據(jù)、OLI 數(shù)據(jù)相比，總體分類精度分別提高7.51%和9.89%；同時(shí)，對(duì)于大多數(shù)巖性單元，協(xié)同后數(shù)據(jù)的RF 巖性分類生產(chǎn)者精度和用戶精度均高于OLI 數(shù)據(jù)和WorldView-2 數(shù)據(jù)（表4），表明本文提出的中高分?jǐn)?shù)據(jù)協(xié)同方法有效結(jié)合了中、高分?jǐn)?shù)據(jù)對(duì)于巖性識(shí)別的優(yōu)勢(shì)，實(shí)現(xiàn)了提升巖性分類提取精度的數(shù)據(jù)“協(xié)同”效果。

5.2 隨機(jī)森林巖性分類與面向?qū)ο髱r性模糊分類效果對(duì)比

本文在對(duì)中、高遙感數(shù)據(jù)進(jìn)行信息協(xié)同的基礎(chǔ)上，分別利用RF 監(jiān)督分類方法和面向?qū)ο蟮哪：诸惙椒▽?duì)協(xié)同后數(shù)據(jù)進(jìn)行巖性分類，并對(duì)比了分類效果?？傮w而言，兩種方法均取得了較高的總體分類精度和較好的巖性分類效果。

與RF 巖性分類結(jié)果相比，面向?qū)ο蟮哪：诸惤Y(jié)果在總體分類精度和Kappa 系數(shù)上略有提升，百分比上分別提高了3.67%和4.82%，這與Grebby等（2016）對(duì)比面向?qū)ο蠓诸惙椒ㄅc基于像元分類方法應(yīng)用于巖性自動(dòng)分類時(shí)獲得的結(jié)論近似（總體分類精度和Kappa系數(shù)百分比分別提升5.7%和16.6%），略低于前人對(duì)比面向?qū)ο蠓诸惙椒ㄅc基于像元分類方法應(yīng)用于土地利用類型自動(dòng)分類時(shí)獲得的結(jié)論（總體分類精度和Kappa系數(shù)百分比分別提升7%—9%和5%—15%）（Myint等，2011；Whiteside 等，2011）。由于不同巖性單元化學(xué)成分相似導(dǎo)致的光譜相似性和同一巖性單元內(nèi)部巖石、礦物類型比例、化學(xué)成分差異造成的光譜差異性（Sgavetti 等，2006），本次研究中，基于像元的巖性自動(dòng)分類結(jié)果（圖11（a）（b）（c））中，巖性單元內(nèi)部常常出現(xiàn)大量孤立的錯(cuò)分類細(xì)小像元（椒鹽現(xiàn)象），而面向?qū)ο蟮膸r性分類結(jié)果（圖11（d））中，各巖性單元內(nèi)部的椒鹽現(xiàn)象大大減少。這一結(jié)果表明，在這種非均勻、復(fù)雜的巖石地層景觀中，面向?qū)ο蟮乃惴ǚ椒ū然谙裨姆诸愃惴芨行У貐^(qū)分巖性單元。這很可能是因?yàn)槊嫦驅(qū)ο蟮姆诸愃惴▽?duì)象內(nèi)所有相鄰像元值進(jìn)行了平均，進(jìn)而減少了單獨(dú)考慮像元時(shí)產(chǎn)生的類內(nèi)可變性（Grebby等，2011）。

盡管面向?qū)ο蟮膸r性模糊分類方法取得了更高的巖性分類精度，但各巖性單元模糊隸屬度函數(shù)的構(gòu)建存在經(jīng)驗(yàn)性和隨機(jī)性，這一步驟往往耗費(fèi)大量時(shí)間，下一步工作中將開(kāi)展模糊隸屬度函數(shù)自動(dòng)化構(gòu)建方法研究。

6 結(jié)論

本文以WorlView-2 數(shù)據(jù)和OLI 數(shù)據(jù)為例，創(chuàng)新性的提出了一種中高分遙感數(shù)據(jù)協(xié)同的巖性模糊分類方法，旨在將高分遙感數(shù)據(jù)的空間結(jié)構(gòu)探測(cè)優(yōu)勢(shì)與中分遙感數(shù)據(jù)的光譜探測(cè)優(yōu)勢(shì)相結(jié)合進(jìn)行巖性單元?jiǎng)澐?，以提高分類精度。主要結(jié)論如下：

（1）在定性、定量分析中分和高分遙感數(shù)據(jù)優(yōu)缺點(diǎn)基礎(chǔ)上，提出了一種結(jié)合中高分遙感數(shù)據(jù)光譜信息和空間結(jié)構(gòu)信息的數(shù)據(jù)生成方法，獲取了具有寬光譜區(qū)間，空間分辨率為2m 的中高分協(xié)同數(shù)據(jù)。

（2）協(xié)同后數(shù)據(jù)相較協(xié)同前WorldView-2 數(shù)據(jù)、OLI數(shù)據(jù)，隨機(jī)森林巖性總體分類精度分別提高7.51%、9.89%。

（3）面向?qū)ο蟮哪：诸愃惴ǔ晒澐至搜芯繀^(qū)的巖性單元，總體分類精度達(dá)89.35%，優(yōu)于隨機(jī)森林的巖性分類精度。

本文方法為巖石裸露區(qū)域協(xié)同使用高空間分辨率與高光譜分辨率遙感數(shù)據(jù)進(jìn)行巖性劃分提供了新的思路，可以進(jìn)一步推廣用于其他數(shù)據(jù)源其他地區(qū)的遙感地質(zhì)調(diào)查中。但對(duì)于植被覆蓋區(qū)，巖石表面光譜和紋理信息被植被、土壤覆蓋，會(huì)制約基于光譜和紋理信息的巖性自動(dòng)分類效果，下一步研究中將嘗試把地形、地植物學(xué)信息加入巖性模糊分類模型，探索植被覆蓋區(qū)巖性自動(dòng)分類方法。