孟鵬燕，孫 杰，于長春，穆 超，帥 爽，謝 菲，孟 丹

(1. 中國地質大學(武漢)地球科學學院， 武漢 430074；2. 中國地質調查局國土資源航空物探遙感中心，北京100083；3. 湖北省國土測繪院，武漢 430010)

基于多源遙感數據的高山峽谷區(qū)巖性信息提取研究
——以新疆烏什縣北山1∶50000填圖試點為例

孟鵬燕1，孫 杰1，于長春2，穆 超3，帥 爽3，謝 菲3，孟 丹3

(1. 中國地質大學(武漢)地球科學學院， 武漢 430074；2. 中國地質調查局國土資源航空物探遙感中心，北京100083；3. 湖北省國土測繪院，武漢 430010)

新疆烏什縣北山1∶50000填圖試點項目位于塔里木盆地西北邊緣和西南天山交接部位，海拔較高，地形切割較深，屬于典型的高山峽谷區(qū)。利用ASTER、SPOT6、GF-2等多源遙感數據，基于典型巖性光譜吸收特征，進行巖性差異信息增強與提取研究，總結出一套基于多源遙感數據進行巖性單元邊界劃分的方法。以ASTER數據、ASTER與SPOT6協同數據、ASTER與GF-2協同數據等為基礎影像數據，并選擇最佳波段組合進行RGB彩色合成，從而增強影像差異，結合已有研究區(qū)地質資料，初步圈定不同影像單元邊界；繼而利用礦物豐度指數、SMACC端元豐度提取等方法識別研究區(qū)內主要巖性的分布位置和范圍；最后結合野外實際調查數據，依據實際地質背景和影像質量進行篩選，獲得最終的巖性單元解譯圖。研究結果為該區(qū)進一步進行地層優(yōu)化劃分及對比提供了參考資料。

高山峽谷區(qū)；多源數據協同；礦物豐度指數；SMACC；巖性信息提取

0 引言

新疆烏什縣北山1∶50000填圖試點區(qū)位于塔里木盆地西北邊緣和西南天山交接部位，海拔較高，地形切割較深，屬于典型的高山峽谷區(qū)。傳統地質調查與研究因其惡劣的地質地貌條件難以全面開展，而遙感地質調查較之傳統方法具有研究范圍廣、快速、高效等特點，利用遙感數據進行地質填圖、巖性識別等工作經過長期發(fā)展，已成為一個成熟有效的技術方法。近年來，隨著遙感傳感器空間和光譜分辨率的進一步提高，可應用于地質調查的遙感數據源也不斷增多，如何利用多源遙感數據各自優(yōu)勢，將其協同應用于遙感調查是至關重要的研究課題。本文基于ASTER、SPOT6、GF-2等多源遙感數據對該地區(qū)進行巖性信息識別、提取與解譯，力圖為該區(qū)優(yōu)化地質填圖提供重要參考。

利用多源遙感數據進行巖性差異信息增強與提取是當前遙感地質應用領域的熱點研究內容之一[1]。自20世紀80年代以來，各國遙感地質學者深入研究各種巖石、礦物的光譜原理，總結出從單一礦物到巖石組合等的診斷性光譜特征，并研究了多種礦物、巖石產生特征光譜的原因[2～6]，提出多種遙感增強巖性信息差異的方法[7]。針對數據源的選擇，早期國內外多采用TM、ETM+等多光譜數據進行研究[8～9]，隨著Terra衛(wèi)星的升空，短波紅外波段光譜分辨率方面比TM、ETM+等數據具有更多優(yōu)勢的ASTER數據在基礎地質調查和礦產調查中得到了廣泛應用[10～11]。但ASTER數據最大空間分辨率為15 m，部分地質體的空間特征信息難以識別，獲得巖性邊界不夠清晰，難以開展較大比例尺的地質調查研究。隨著多種高空間分辨率傳感器的升空，如法國1.5 m空間分辨率的SPOT6，我國0.8 m空間分辨率的GF-2，其光譜范圍均在0.4～0.9 μm之間，能夠有效彌補ASTER數據在可見光—近紅外區(qū)域空間分辨率上的不足。

本文以新疆烏什縣北山1∶50000填圖試點為例，利用ASTER、SPOT6、GF-2等多源遙感數據，以數據協同理論和礦物光譜理論為基礎，總結出一套基于多源遙感數據進行巖性單元邊界劃分的方法，并最終結合野外實際調查資料對該地區(qū)碳酸鹽巖和碎屑巖進行差異增強、巖性識別和巖性單元界線圈定，取得了良好的效果。

1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)西南部，行政區(qū)劃隸屬新疆維吾爾自治區(qū)烏什縣(見圖1)，地理坐標：78°52′30″—79°E，41°20′—41°25′N。該區(qū)平均海拔大于3000 m，切割深度一般大于1000 m，為海拔較高的深切割區(qū)。自然地理環(huán)境惡劣，交通不便，車輛通行困難，絕大多數地區(qū)只能以駱駝和馬作為運輸工具。

1,2—第四系沖洪積物；3—安吉然組礫巖夾鈣質粗砂巖；4—阿依里下亞組石灰?guī)r、紡錘灰?guī)r、礫狀灰?guī)r及鈣質砂巖夾鋁土礦層(C3aia)；5—阿克恰衣群薄層狀砂巖、粉砂巖夾礫巖、灰?guī)r(C1-2ak)；6—阿帕達爾康下亞組大理巖化灰?guī)r、鮞狀灰?guī)r夾凝灰礫巖泥質粉砂巖薄層(D2apb)；7—不整合接觸界線；8—正常接觸界線；9—斷層；10—研究區(qū)圖1 研究區(qū)地理位置和地質構造簡圖Fig.1 Location and geological sketch of the study area

研究區(qū)處天山造山帶和塔里木板塊的結合部位，據前人資料，該區(qū)大地構造單元主要包括西南天山造山帶的烏魯克恰提—邁丹—庫瓦特晚古生代裂陷槽和塔里木板塊北緣邊緣斷陷帶[12～14]。該區(qū)主要出露泥盆系、石炭系，屬于西南天山地層小區(qū)，地層走向與天山山脈走向大體平行，呈北東—南西向展布。出露的地層巖石主要包括：中泥盆統阿帕達爾康下亞組大理巖化灰?guī)r、鮞狀灰?guī)r夾凝灰礫巖泥質粉砂巖薄層，下—中石炭統阿克恰衣群薄層狀砂巖，粉砂巖夾礫巖、灰?guī)r，上石炭統阿依里下亞組石灰?guī)r、紡錘灰?guī)r，礫狀灰?guī)r及鈣質砂巖夾鋁土礦層，上新統—更新統安吉然組礫巖夾鈣質粗砂巖以及全新統松散沖洪積物堆積層(見圖1)。

2 遙感數據源及預處理

前人研究巖石地層差異信息提取時多采用Landsat7 ETM+或ASTER等單一數據源，而單一數據源一般會在光譜或空間分辨率上存在不足。本文在研究過程中利用ASTER以及ASTER與SPOT6協同、ASTER與GF-2協同影像進行研究，其影像波段物理特征及像元空間特征見表1。

表1 GF-2、SPOT6、ASTER、ETM+遙感數據基本特征

由于衛(wèi)星傳感器自身物理特性及電磁波傳輸途徑中易受外界因素干擾，致使所獲取遙感數據記錄的地物特征在一定程度上與地表實際情況存在一定的差異。為了減弱這種差異對巖石地形信息提取所造成的誤差，在數據實際應用前需要對其進行預處理，預處理工作主要包括輻射定標、大氣校正、幾何校正和異源遙感數據配準、去干擾等。

ASTER數據進行常規(guī)影像預處理之前，需進行CROSSTALK(串擾)校正，其目的是去除由于ASTER傳感器設計的原因所致短波紅外通道傳感器的相互干擾對數據的影響。本文利用針對ASTER數據的CROSSTALK校正軟件完成針對研究區(qū)受影響的4個波段的校正。

巖石地層信息提取需要利用其光譜特性，對ASTER數據進行輻射定標和大氣校正處理是必要的工作。采用FLAASH工具對兩種多光譜數據進行大氣校正，以消除大氣等因素對地物真實反射率的影響。

由于異源數據協同，在分別對ASTER、SPOT6、GF-2等數據進行幾何校正后，還需進行異源數據配準。具體做法是：以空間分辨最高的GF-2(全色0.8 m)為參考影像，通過手動選取同名控制點，分別配準ASTER和SPOT6數據。在進行SPOT6的手動配準前，首先利用Moravec匹配算法對GF-2和SPOT6影像進行自動匹配，然后再手動調整匹配較差的同名點，直至匹配殘差小于1。由于ASTER數據和GF-2有較大的空間分辨率差異，自動匹配算法難以有效提取同名點，因此采用手動選取同名點進行匹配的方法。

3 巖性信息提取方法

3.1 多源遙感數據協同增強法

協同理論就是將兩種或兩種以上組分相匹配在一起，達到組合效果優(yōu)于多個組分單獨應用時效果的總和[15]。協同理論在遙感地質領域中主要指將不同衛(wèi)星平臺所搭載的不同傳感器或者同一傳感器數據的光譜分辨率、空間分辨率構成一個系統。衛(wèi)星傳感器成像過程中瞬時視場的限制使同一傳感器獲取的影像難以同時滿足高空間分辨率和高光譜分辨率[16]。在遙感巖性信息提取應用中，高空間分辨率遙感影像可以較好地描述地表細節(jié)信息[17]，如不同類型巖石層理以及巖性單元之間的接觸關系；中等分辨率多光譜數據的短波紅外波段數據相對于可見光波段則能夠有效描述巖石礦物的光譜差異，有利于主體巖性劃分提取。如果能有效地將多源數據結合起來實現優(yōu)勢互補，將十分有利于巖性信息識別和提取能力的發(fā)展和進步。因此，如何有效實現多源遙感數據的空間分辨率優(yōu)勢和光譜分辨率優(yōu)勢的協同是研究者關注的熱點。

SPOT6數據全色波段空間分辨率為1.5 m，GF-2空間分辨率為0.8 m，均屬于高空間分辨影像，明顯優(yōu)于空間分辨率為15 m的ASTER數據；但ASTER數據擁有包括可見光、近紅外、短波紅外在內的9個波段，尤其是ASTER 數據在短波紅外區(qū)擁有6個波段，光譜分辨率有了很大改善，對于礦物吸收波譜特征的反應也更加靈敏。因此，可以利用Gram-Schmidt光譜銳化法，將經過預處理的ASTER反射率數據分別與SPOT6、GF-2全色波段融合，形成分辨率分別為1.5 m、0.8 m的高分辨率多光譜9波段協同數據。

從ASTER數據9個波段中選擇3個波段進行假彩色合成，以便于更好地表達圖像信息之間的色調差異。通過計算ASTER影像不同波段之間的相關性，確定合適的波段組合。相關性矩陣可以反映不同波段之間的相關性(波段之間的相關系數越大，各波段所包含的信息之間越可能出現大量的重復和冗余；相關系數越小，各波段的圖像數據獨立性越高，圖像質量就越好)，因此，選擇波段間相關性盡可能小的進行彩色合成。為了提高彩色合成圖像的效果，增加巖性單元之間的可分程度，本研究通過多次波段組合實驗，觀察彩色合成效果，并最終選擇波段相關性(見表2)相對較小的短波紅外8波段、近紅外4波段和可見光1波段進行假彩色合成。圖2—圖4分別為研究區(qū)ASTER原始影像、ASTER與SPOT6協同影像、ASTER與GF-2協同影像的8、4、1波段彩色合成圖。

通過直觀地對比分析可知，三種圖像總體展現出的色調基本一致，均能較好地表現影像單元之間的差異，清晰描述影像單元邊界，且后兩種協同影像無論在色調差異性上還是影像空間紋理清晰度上均優(yōu)于原始影像。對比ASTER與SPOT6協同影像(見圖3)和ASTER與GF-2協同影像(見圖4)，ASTER與GF-2協同數據在影像紋理清晰度上比ASTER與SPOT6協同數據更勝一籌，如圖4紅色矩形框內地貌具有清晰的樹枝狀、梳狀影像形跡，能夠非常直觀地被識別出來，而圖3中地貌特征則需仔細甄別。此外，由于太陽高度、地形高差以及SPOT6、GF-2兩種傳感器數據采集模式的差異，GF-2影像沒能較好地消除陰影的影響，致使ASTER與GF-2協同數據在陰影區(qū)數據顯示效果上弱于ASTER與SPOT6協同數據。因此，在地形起伏較大的地區(qū)可采用ASTER與SPOT6協同數據，起伏不大的地區(qū)可采用ASTER與GF-2協同數據，進行巖石影像單元邊界的圈定，使地質界線解譯效果達到最佳。

表2 相關系數矩陣

圖2 ASTER原始影像(R:8, G:4, B:1)Fig.2 Original image of ASTER (R:8, G:4, B:1)

圖3 ASTER與SPOT6協同影像(R:8, G:4, B:1)Fig.3 Cooperative image of ASTER and SPOT6 (R:8, G:4, B:1)

圖4 ASTER與GF-2協同影像(R:8, G:4, B:1)Fig.4 Cooperative image of ASTER and GF-2 (R:8, G:4, B:1)

3.2 礦物豐度指數法

礦物豐度指數法能有效減弱大氣反照率、地形坡度等因素的干擾，增強不同礦物光譜特征之間的差異，被廣泛應用于地質填圖中[18]。礦物豐度指數法主要是利用礦物的診斷性光譜特征突出礦物在影像上的信息，以便于進一步劃分主體巖性、細化填圖。

圖5 碳酸鹽礦物和典型黏土類礦物光譜曲線Fig.5 Spectral curves of carbonate minerals and typical clay minerals

通過彩色合成法將礦物豐度指數ASTER (B7+B9)/B8、ASTER (B5+B7)/B6、ASTER (B2/B1)分別賦予紅通道(R)、綠通道(G)、藍通道(B)，從礦物豐度指數合成圖(見圖6)來看，碳酸鹽礦物在合成圖上主要呈紅色、品紅色、粉紅色、橙紅色；Mg-OH黏土礦物在合成圖上呈橙黃色、黃色；Al-OH黏土礦物在合成圖上主要呈深綠色、淺綠色、藍綠色、黃綠色；含Fe3+礦物在合成圖上主要呈深藍色、淺藍色、藍紫色。對比礦物豐度指數合成圖(見圖6)與傳統的彩色短波紅外、近紅外、可見光合成影像(見圖2)可見，礦物豐度指數法所得結果影像擁有更為豐富的色彩信息，色差更為明顯，巖性的微弱差別更為顯著，可為進一步判別主體巖性，圈定巖性界線提供重要依據。

圖6 礦物豐度指數法彩色合成圖Fig.6 Synthesized color image according to mineral abundance index

3.3 端元提取及波譜分析法

端元提取及波譜分析法是利用有效地算法將混合像元中具有穩(wěn)定光譜特征的地物像元(端元)分解出來，并將其與實驗室光譜或野外實測光譜進行匹配，最終確定該端元實際地物類別的一種地物識別方法，在快速巖性填圖、高效地劃分巖性單元方面被廣泛應用。

巖石光譜主要由組成巖石的礦物光譜疊加而成，礦物光譜特征是巖石光譜特征的主要決定因素。端元是具有穩(wěn)定光譜特征的地物單元(純凈光譜像元)，巖石光譜隨礦物成分及含量不同而發(fā)生較大變化，因此端元選取時重點考慮組成巖石主要礦物的光譜。圖像端元提取常選用純凈像元指數(Pixel Purity Index，PPI)法和逐次最大角凸錐體(SMACC)法等獲得[19]。PPI法是對原始影像做純凈像元篩選，剔除不純凈像元，有效提高端元選擇精度。但該方法采用交互性提取端元，受分析者主觀因素影響較大。SMACC法是一種基于凸錐模型的自動獲取圖像中端元并提供端元豐度圖像的方法，自動的端元提取方式大大提高了數據處理效率，消除了人為因素對結果的影響，適用于大面積快速進行中小比例尺巖性的提取工作[20]。SMACC算法公式如下[21]：

式中：E—端元波譜；b—波段索引；i—像素索引；j，k—從1到最大端元n的索引；R—包括端元波譜(列)的矩陣，行表示獨立像元；A—包括每個像素中端元j對端元k的豐度矩陣。

圖7 SMACC算法所提取端元波譜Fig.7 The spectral extracted by SMACC algorithm

對利用SMACC算法所提取的端元2、端元4、端元5豐度圖分別賦予紅通道(R)、綠通道(G)、藍通道(B)進行彩色合成，得到SMACC端元豐度合成圖(見圖8)，圖中碳酸鹽礦物主要呈紅色、橙紅色、黃色、黃綠色、淺綠色；Al-OH礦物主要呈綠色、藍綠色。與以往ASTER的彩紅外合成影像(見圖2)相比，SMACC端元豐度合成圖(見圖8)色差更明顯，巖性細微差別更為顯著；與礦物豐度指數法所得彩色合成圖(見圖6)相比，SMACC算法所得結果更加準確突出了巖性的色調和紋理細節(jié)。綜合分析可知，3幅圖像總體色調區(qū)分基本一致，說明大類巖性的區(qū)分在3幅圖上均可分辨。相對于傳統彩色合成圖，經礦物豐度指數法和SMACC算法提取端元豐度合成的影像色彩更加豐富，細節(jié)更顯著，對巖性邊界圈定十分有利。

圖8 SMACC端元豐度合成圖Fig.8 Synthesis image according to SMACC end member abundance

4 巖性單元提取結果分析

本次研究以ASTER數據、ASTER與SPOT6協同數據、ASTER與GF-2協同數據等為基礎影像數據，并選擇最佳波段組合進行RGB彩色合成增強影像差異，結合已有研究區(qū)地質資料，初步圈定巖性影像差異單元邊界，繼而利用礦物豐度指數法、SMACC端元豐度提取等方法識別研究區(qū)內主要大類巖性的分布位置和范圍，最后結合野外實際調查數據，依據實際地質背景和影像質量進行篩選，獲得最終的巖性單元解譯圖(見圖9、圖10)。

1—沖洪積物；2—灰色半固結礫石層；3—灰色厚-巨厚層狀粗礫巖夾巨礫巖、中細礫巖、砂巖；4—灰白色、灰色厚層狀含生物碎屑粉晶、亮晶灰?guī)r；5—深灰色厚層狀與薄層狀生物碎屑灰?guī)r互層；6—灰-灰黃色鈣質粉砂巖、灰色粉砂質灰?guī)r，夾灰黑色薄層；7—灰色薄層狀與厚層狀泥晶灰?guī)r不等厚互層，夾鈣質粉砂巖；8—灰黑色厚層狀泥晶灰?guī)r，夾淺灰綠色薄層狀鈣質粉砂巖，局部見褐鐵礦化黃鐵礦顆粒；9—深灰色-淺灰綠色中薄層狀粉砂質灰?guī)r、鈣質粉砂巖；10—灰白色與灰色中厚層狀含生物碎屑灰?guī)r；11—深灰色與淺灰色中厚層狀含生物碎屑灰?guī)r；12—灰白色厚層狀含生物碎屑灰?guī)r；13—深灰色夾灰白色中厚層、中薄層狀含生物碎屑灰?guī)r圖9 研究區(qū)遙感解譯巖性構造圖Fig.9 Lithology and structure map interpreted by remote sensing image of study area

圖10 礦物豐度指數圖、SMACC端元豐度合成圖與遙感解譯巖性構造疊加圖Fig.10 Stacking chart of mineral abundance index image, synthesis image of SMACC end member abundance and lithology-structure map

根據巖性解譯圖和野外實際調查可知，ASTER及其與GF-2、SPOT6協同數據解譯的地質界線和提取的巖性信息是客觀存在的，野外區(qū)分標志除了巖性差別外，主要區(qū)別是顏色的不同(見圖11、圖12)。礦物豐度指數法和SMACC端元波譜分析法能夠清晰圈定差異巖性的界線，但對于相同巖性不同顏色特征的巖石則難以取得較好的效果(見圖10、圖11a、圖11b)；SMACC端元波譜分析法在較小地質體或薄層巖性單元上識別效果優(yōu)于礦物豐度指數法，如圖11a、11b中巖性單元8(灰黑色厚層狀泥晶灰?guī)r，夾淺灰綠色薄層狀鈣質粉砂巖，

a—礦物豐度指數圖；b—SMACC端元豐度合成圖；c—ASTER與SPOT6協同影像；d—野外照片；8—灰黑色厚層狀泥晶灰?guī)r，夾淺灰綠色薄層狀鈣質粉砂巖，局部見褐鐵礦化黃鐵礦顆粒；9—深灰色-淺灰綠色中薄層狀粉砂質灰?guī)r、鈣質粉砂巖圖11 巖性單元8和單元9遙感地質特征及野外地質特征Fig.11 The remote sensing and field outcrop geological characteristics of lithology unit 8 and unit 9

圖12 巖性單元野外照片Fig.12 Outcrop photos of lithology units

局部見褐鐵礦化黃鐵礦顆粒)和巖性單元9(深灰色—淺灰綠色中薄層狀粉砂質灰?guī)r、鈣質粉砂巖)之間的界線，利用礦物指數法難以確定，而SMACC端元波譜分析法則清晰展示了該巖性單元的輪廓。ASTER與SPOT6、GF-2的協同數據能夠在色調紋理上區(qū)分相同巖性不同顏色特征地質界線，如圖9中協同影像的色調和紋理特征清晰表示了巖性相似的10、11、12、13等巖性單元之間的差異。因此，有效地結合多源數據協同增強法、礦物豐度指數法、SMACC端元波譜分析法能夠最大化地利用遙感地質手段圈定巖性單元界線，為進一步進行研究區(qū)地層劃分提供重要的參考資料。

5 結論

本文對新疆烏什縣北山1∶50000填圖試點進行巖性單元信息提取研究，并利用典型礦物光譜特征規(guī)律對ASTER、GF-2、SPOT6影像使用不同的方法進行巖性信息增強，取得了良好的效果。

ASTER與GF-2、SPOT6影像協同方法較好地增強了巖石的空間紋理特征和影像清晰度；相對于協同影像，經礦物豐度指數法和SMACC算法提取端元豐度合成的影像色彩更加豐富，細節(jié)更顯著，對巖性邊界圈定十分有利；與礦物豐度指數法相比，SMACC算法所得結果更能準確地突出巖性色調差異和巖石紋理細節(jié)。

通過多源數據協同、礦物豐度指數方法和SMACC端元分析法等的綜合應用，得到了符合填圖精度要求、信息豐富的遙感影像圖，并在此基礎上很好地細分了研究區(qū)的巖性單元。

經野外驗證，所解譯巖性界線與野外實際較為吻合，表明此次研究較好地體現了遙感技術在艱險區(qū)域巖性信息提取應用中的優(yōu)越性，有效地結合多源數據協同增強法、礦物豐度指數法、SMACC端元波譜分析法能夠最大化地利用遙感地質手段圈定巖性單元界線，為進一步進行研究區(qū)地層劃分提供重要的參考資料。

由于數據質量原因及西北艱險區(qū)、無人區(qū)的嚴酷條件，給野外驗證工作帶來了許多不便，部分礦物異常難以驗證。此外高程差引起的地表分帶性特征干擾了礦物指數的正確應用。云、植被、陰影以及冰緣凍融作用所產生的碎屑坡積物等干擾因素較多，使得定量化遙感的應用不能有效實施。

[1] 王潤生, 熊盛青, 聶洪峰,等. 遙感地質勘查技術與應用研究[J]. 地質學報, 2011, 85(11): 1699～1743.

WANG Run-sheng, XIONG Sheng-qing, NIE Hong-feng, et al. Remote sensing technology and its application in geological exploration [J]. Acta Geologica Sinica, 2011, 85(11): 1699～1743.

[2] Hunt G R, Salisbury J W. Visible and near infrared spectra of minerals and rocks I: Silieate minerals[J]. Modern Geology, 1970, 1∶ 238～300.

[3] Hunt G R, Salisbury J W. Visible and Near Infrared Spectra of Minerals and Rocks II: Carbonates[J]. Modern Geology, 1971, 2: 23～30.

[4] 燕守勛, 武曉波, 周朝憲,等. 遙感和光譜地質進展及其對礦產勘查的實踐應用[J]. 地球科學進展, 2011, 26(1): 13～29.

YAN Shou-xun, WU Xiao-bo, ZHOU Chao-xian, et al. Remote sensing and spectral geology and their applications to mineral exploration[J]. Advances in Earth Science, 2011, 26(1): 13～29.

[5] 甘甫平, 王潤生, 馬藹乃,等. 光譜遙感巖礦識別基礎與技術研究進展[J]. 遙感技術與應用, 2002, 17(3): 140～147.

GAN Fu-ping, WANG Run-sheng, MA Ai-nai, et al. The development and tendency of both basis and techniques of discrimination for minerals and rocks using spectral remote sensing data[J]. Remote Sensing Technology and Application, 2002, 17(3): 140～147.

[6] 王晉年, 李志忠, 張立福,等. “光譜地殼”計劃——探索新一代礦產勘查技術[J]. 地球信息科學學報, 2012, 14(3):344～351.

WANG Jin-nian, LI Zhi-zhong, ZHANG Li-fu, et al. “Spectral Crust” project: Research on new mineral exploration technology[J]. Journal of Geo-Information Science, 2012, 14(3): 344～351.

[7] 劉超群, 馬祖陸, 莫源富. 遙感巖性識別研究進展與展望[J]. 廣西科學院學報, 2007, 23(2):120～124.

LIU Chao-qun, MA Zu-lu, MO Yuan-fu. Progress and prospect of study on remote sensing lithologic identification[J]. Journal of Guangxi Academy of Sciences, 2007, 23(2): 120～124.

[8] Loughlin W. Principal component analysis for alteration mapping[J]. Photogrammetric Engineering & Remote Sensing, 1991, 57(9): 1163～1169.

[9] 丑曉偉, 傅碧宏. 干旱區(qū)TM圖像巖石地層信息提取與分析方法研究[J]. 沉積學報, 1995,(s1):164～170.

CHOU Xiao-wei, FU Bi-hong. Extraction and analysis of lithostratigraphic information from Landsat Thematic Mapper Imagery in arid region[J]. Acta Sedimentologica Sinica, 1995, (s1): 164～170.

[10] Rowan L C, Mars J C, Simpson C J. Lithologic mapping of the Mordor, NT, Australia ultramafic complex by using the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)[J]. Remote Sensing of Environment, 2005, 99(1/2): 105～126.

[11] 時丕龍, 付碧宏, 二宮芳樹. 基于ASTER VNIR-SWIR多光譜遙感數據識別與提取干旱地區(qū)巖性信息——以西南天山柯坪隆起東部為例[J]. 地質科學, 2010, 45(1):333～347.

SHI Pi-long, FU Bi-hong, Ninomiya Y. Detecting lithologic features from ASTER VNIR-SWIR multispectral data in the arid region: A case study in the eastern Kalpin uplift, southwest Tianshan[J]. Chinses Journal of Geology, 2010, 45(1): 333～347.

[12] 劉本培.西南天山構造格局與演化[M]. 武漢：中國地質大學出版社, 1996.

LIU Ben-pei. Tectonic pattern and evolution of southwest Tianshan[M]. Wuhan: China University of Geosciences Press, 1996.

[13] 梁群峰, 楊克儉, 楊運軍,等. 西南天山梅爾蓋西地區(qū)成礦地質條件及成礦預測[J]. 西北地質, 2013, 46(1):91～102.

LIANG Qun-feng, YANG Ke-jian, YANG Yun-jun, et al. Metallogenic prognosis in the Meiergaixi region, southwest Tianshan orogeny[J]. Northwestern Geology, 2013, 46(1): 91～102.

[14] 趙仁夫,楊建國,王滿倉,等. 西南天山地區(qū)礦產資源潛力綜合評價報告[R]. 西安：西安地質礦產研究所,2003.

ZHAO Ren-fu, YANG Jian-guo, WANG Man-cang, et al. Comprehensive evaluation report on mineral resources potential in southwest Tianshan region[R]. Xi′an: Xi′an Institute of Geology and Mineral Resources, 2003.

[15] Itami H, Roehl T W. Mobilizing Invisible Assets[M]. Harvard University Press, 1991.

[16] 馬艷華. 高空間分辨率和高光譜分辨率遙感圖像的融合[J]. 紅外, 2003, (10): 11～16.

MA Yan-hua. Fusion of high spatial resolution and high spectral resolution remote sensing image[J]. Infrared, 2003, (10): 11～16.

[17] Hunt G R. Spectral signatures of particulate minerals in the visible and near infrared [J]. Geophysics, 1977, 42(3):501.

[18] Amer R, Kusky T, Ghulam A. Lithological mapping in the central eastern desert of Egypt using ASTER data[J]. Journal of African Earth Sciences, 2010, 56(2): 75～82.

[19] 楊可明, 劉士文, 王林偉,等. 光譜最小信息熵的高光譜影像端元提取算法[J]. 光譜學與光譜分析, 2014, 34(8):2229～2233.

YANG Ke-ming, LIU Shi-wen, WANG Lin-wei, et al. An algorithm of Spectral Minimum Shannon Entropy on extracting endmember of hyperspectral image[J]. Spectroscopy and Spectral Analysis, 2014, 34(8): 2229～2233.

[20] 褚海峰, 翟中敏, 趙銀娣,等. 一種多/高光譜遙感圖像端元提取的凸錐分析算法[J]. 遙感學報, 2007, 11(4):460～467.

CHU Hai-feng, ZHAI Zhong-min, ZHAO Yin-di, et al. A Convex Cone Analysis Method for end member selection of multispectral and hyperspectral images[J]. Journal of Remote Sensing, 2007, 11(4): 460～467.

[21] 高曉惠, 相里斌, 魏儒義,等. 基于光譜分類的端元提取算法研究[J]. 光譜學與光譜分析, 2011, 31(7):1995～1998.

GAO Xiao-hui, XIANG Li-bin, WEI Ru-yi, et al. Research on endmember extraction algorithm based on spectral classification[J]. Spectroscopy and Spectral Analysis, 2011, 31(7):1995～1998.

LITHOLOGICAL INFORMATION EXTRACTION IN MOUNTAIN CANYON REGION BASED ON MULTI-SOURCE REMOTE SENSING DATA: A CASE STUDY OF 1∶50000 PILOT GEOLOGICAL MAPPING IN BEISHAN AREA IN WUSHI, XINJIGAN

MENG Peng-yan1, SUN Jie2,YU Chang-chun2, MU Chao1,SHUAI Shuang1, XIE Fei1, MENG Dan1

(1.SchoolofEarthSciences,ChinaUniversityofGeoscience,Wuhan430074,China;2.ChinaAeroGeophysicalSurvey&RemoteSensingCenterforLandandResources,Beijing100083,China;3.HubeiInstituteofLandSurveyingAndMapping,Wuhan430010,China)

The location of 1∶50000 pilot geological mapping program in Beishan, Wushi County, lies at the junction point of north-west margin of Tarim basin and south-west of Tianshan. According to the geomorphic characteristics of high altitude and deep negative relief, the study area belongs to alpine valley region. Based on the typical lithology spectral absorption characteristics, we carried out some research on the enhancement and absorption of lithologic differences information, and summarized a series of methods to divide the lithological units margins according to multi-source remote sensing data. On the foundation of ASTER, ASTER and SPOT6 cooperative data, ASTER and GF-2 cooperative data, we choose the best wave combination to synthesize RGB color and enhance the difference between images. And we preliminarily mark the boundaries of different image units according to the known geological data of study area. Then, the final lithology units can be interpreted by combining field survey data, realistic geological background, and geomorphic images. Thus, the study results provide reference for further optimized stratum division and comparison.

alpine valley region; multi source remote sensing data; mineral abundance index; SMACC; lithological information extraction

1006-6616(2016)04-0907-14

2000-09-16

中國地質調查局地質調查項目“特殊地質地貌區(qū)填圖試點”(DD20160060)

孟鵬燕(1989-)，男，碩士，研究方向為遙感地質、國土資源遙感。E-mail：meng_pengyan@sina.com

孫杰(1982-)，男，博士，研究方向為遙感數據處理。E-mail：sunjie_cug@163.com

P623

A