论文部分内容阅读
摘要：在遙感地质学发展过程中，识别岩矿地质体一直是这一学科发展的主体。高光谱技术作为遥感领域的前沿技术，在遥感地质中不断发展逐渐成熟，并发挥着越来越重要的作用。本文介绍了多种对于岩矿识别高光谱分析的技术方法，例如光谱角填图法（SAM）、支持向量机（SVM）和卷积神经网络（CNN），并通过其应用场景分析其优势和局限性。最后，对于这些分析方法的发展前景提出展望。
关键词：高光谱遥感;岩矿识别;机器学习
1 引言
遥感作为一种重要的对地观测技术，经历了从地面遥感到航空遥感，再到航天遥感的发展历程，伴随着遥感空间尺度的延伸，遥感影像数据规模从二维（遥感图片）拓展到三维（数据立方体），其影像表现形式也从黑白和彩色发展到多光谱和高光谱遥感影像高光谱遥感技术作为目前遥感发展的前沿技术之一，具有显著的特点和突出的优势以及广泛的应用（王润生，2008）。
2研究背景
2.1 高光谱遥感是遥感科学与技术发展的前沿领域之一
高光谱遥感成像的主要特点表现为（童庆禧，2016）：
1）高光谱分辨率和波段众多。高光谱遥感影像的光谱分辨率可达纳米级，其波段数可达数百个，这一特性使得高光谱影像中每一像元近似连续的波谱曲线可精细地表征地物。
2）图谱合一。基于成像光谱技术获取的高光谱影像实现了对所观测地物空间几何信息和光谱物理信息的综合与统一。在高光谱遥感数据立方体中可解释成地物空间几何特性蕴含在空间维中，而地物光谱物理特性则反映在光谱维中。
2.2高光谱遥感影像处理是高光谱遥感科学和应用的重要研究内容
传统的遥感图像处理包括光学处理和数字图像处理，其中光学处理是指对获取的遥感照片或底片等模拟图像通过一系列物理作用和化学反应过程来实现，而数字图像处理则是借助计算机对获取的遥感数字图像进行分析和处理的过程。
2.3 高光谱遥感地质应用是高光谱遥感应用的重要领域
遥感技术由于其宏观、快速、精确、综合、客观、多尺度、多层次等特性在对地观测中得到广泛应用。利用遥感技术对地物进行探测的主要目的是期望获取地物的几何特征和空间分布形态、地物的物质组成和物质成分、以及地物的时空演化特性等。随着遥感技术的发展，上述三大类特征的精细探测可借助高空间分辨率遥感技术、高光谱遥感技术和高时间分辨率遥感技术得到实现。
3 岩矿识别方法
3.1 光谱角填图（SAM）
光谱角填图（SAM，Spectral Angle Mapper） 是一个基于自身光谱信息的分类方法，（侯毅，2015）把像元的光谱看作 N维向量，通过计算像元光谱与参考光谱间的夹角 α，若夹角 α 较小，则认为两光谱极有可能代表同一种物质。
SAM分类方法以其只比较光谱在形状上的相似性，受光照、噪声等影响较小的优势获得了相对较高的分类精度;但此类分类方法精度偏低，且端元光谱的提取依赖制图人的经验技巧，可能丢失部分像元（常项平，2020）。
3.2 支持向量机（SVM）
支持向量机 SVM（Support Vector Machines）是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。SVM 是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法。通过求解一个约束条件下的极值，然后转化成它的对偶问题，得到简化的不等式约束极值问题，最终得到最优分类函数。
对于非线性可分样本，支持向量机构造分类决策函数的方法是，首先将训练数据从原始模式空间经过特定核函数的非线性变换，映射到高维特征空间。然后，在特征空间中，寻找最优分类超平面，该超平面实际上对应着原始模式空间中的非线性分类面。因此，支持向量机在处理非线性情况时，仅比线性情况多了一个非线性映射环节。支持向量机算法既具有严格的理论基础，又能较好的解决小样本、非线性、高维数和局部极小点等实际问题，因此在高光谱数据处理中表现出良好的性能。
3.3 卷积神经网络（CNN）
卷积神经网络（CNN）是目前最具代表性的深度学习网络结构，它源于 Hubei和 Wiesel 两位神经学家对猫视觉皮层细胞的研究，后人在此研究基础上逐渐发展出了卷积神经网络。
卷积神经网络（He K et al，2016）的结构特点在于卷积层、池化层和全连接层。输入层一般为研究图像本身，卷积层与池化层一般搭配使用，主要用于提取图像特征，生成特征图，全连接层通过神经元间相连的方式将各部分特征汇总输入至输出层后进行分类输出。
卷积神经网络的方法通过联合了矿石的光谱与空间特征表现出了优异的分类能力，同时证明了空间特征作为物质的特征，将其作为补充特征，可有效的对矿物进行识别，空间特征可作为高光谱图像分类的有效依据。
3.4 综合光谱特征增强匹配度和特征参量
光谱特征增强匹配算法虽可消除由矿物含量差异引起的影像光谱与参考光谱匹配度结果变化影响，同时突出矿物信息，抑制背景噪音（甘甫平 等，2018）。该算法虽提高了矿物识别的正确性，但主要针对矿物大类或光谱特征具有唯一性时，应用效果较好，但自然界矿物有相似的光谱特征，相似度也很高，这给矿物精细识别带来了较大困难。
展望
高光谱遥感在岩矿识别上的应用需从以前的定性分析到定量分析，且要不断提高识别精度，因此未来主要向以下三个方面进行发展：
（1）理论方面：深入研究岩石和矿物的化学成分、物理结构以及混合光谱特征之间的相互关系，解决矿石或岩石的混合光谱分解的问题，为高光谱遥感岩矿定量化分析提供理论支撑。在此基础上，进一步研究不同种类和含量的矿物组分混合下的岩矿高光谱遥感物理模型，提高高光谱遥感岩矿识别精度。
（2）技术方面：当前，计算机人工智能算法的发展趋向于精度更高、速度更快，其对人类思维的模拟降低了数据处理过程中人为主观干扰的影响，通过借鉴并改进算法对岩矿混合光谱特征的分离与提取，有望提高识别精度和运算速度。
（3）实际应用：利用高光谱遥感识别岩矿信息最主要的目的是矿产资源勘查，而对于植被覆盖区、高山峻岭等地质环境复杂的地区研究较少，因此在高光谱遥感岩矿识别的实际应用中，从大噪声背景中提取微弱岩矿信息的应用技术已经成为应用方向。
参考文献
[1]常项平. 基于高光谱遥感的岩矿特征分类方法研究[D].郑州航空工业管理学院，2020.
[2]甘甫平， 董新丰， 闫柏琨， 梁树能 .2018. 光谱地质遥感研究进展 . 南京信息工程大学学报（自然科学版）， 10（1）： 44-62
[3]侯毅. 高光谱遥感蚀变矿物填图算法对比研究及应用[D]. 成都理工大学， 2015.
[4]童庆禧，张兵，张立福.中国高光谱遥感的前沿进展[J].遥感学报，2016，20（05）：689-707.
[5]王润生.遥感地质技术发展的战略思考[J].国土资源遥感，2008，（1）：1-13.
[6]杨云. 机器学习支持下多源遥感数据的岩性分类研究[D].成都理工大学，2019.
[7]He K， Zhang X， Ren S， Sun J. “Deep residual learning for image recognition，” in Proceedings of the IEEE conference on computer vision and pattern recognition， 2016， pp. 770–778.
关键词：高光谱遥感;岩矿识别;机器学习
1 引言
遥感作为一种重要的对地观测技术，经历了从地面遥感到航空遥感，再到航天遥感的发展历程，伴随着遥感空间尺度的延伸，遥感影像数据规模从二维（遥感图片）拓展到三维（数据立方体），其影像表现形式也从黑白和彩色发展到多光谱和高光谱遥感影像高光谱遥感技术作为目前遥感发展的前沿技术之一，具有显著的特点和突出的优势以及广泛的应用（王润生，2008）。
2研究背景
2.1 高光谱遥感是遥感科学与技术发展的前沿领域之一
高光谱遥感成像的主要特点表现为（童庆禧，2016）：
1）高光谱分辨率和波段众多。高光谱遥感影像的光谱分辨率可达纳米级，其波段数可达数百个，这一特性使得高光谱影像中每一像元近似连续的波谱曲线可精细地表征地物。
2）图谱合一。基于成像光谱技术获取的高光谱影像实现了对所观测地物空间几何信息和光谱物理信息的综合与统一。在高光谱遥感数据立方体中可解释成地物空间几何特性蕴含在空间维中，而地物光谱物理特性则反映在光谱维中。
2.2高光谱遥感影像处理是高光谱遥感科学和应用的重要研究内容
传统的遥感图像处理包括光学处理和数字图像处理，其中光学处理是指对获取的遥感照片或底片等模拟图像通过一系列物理作用和化学反应过程来实现，而数字图像处理则是借助计算机对获取的遥感数字图像进行分析和处理的过程。
2.3 高光谱遥感地质应用是高光谱遥感应用的重要领域
遥感技术由于其宏观、快速、精确、综合、客观、多尺度、多层次等特性在对地观测中得到广泛应用。利用遥感技术对地物进行探测的主要目的是期望获取地物的几何特征和空间分布形态、地物的物质组成和物质成分、以及地物的时空演化特性等。随着遥感技术的发展，上述三大类特征的精细探测可借助高空间分辨率遥感技术、高光谱遥感技术和高时间分辨率遥感技术得到实现。
3 岩矿识别方法
3.1 光谱角填图（SAM）
光谱角填图（SAM，Spectral Angle Mapper） 是一个基于自身光谱信息的分类方法，（侯毅，2015）把像元的光谱看作 N维向量，通过计算像元光谱与参考光谱间的夹角 α，若夹角 α 较小，则认为两光谱极有可能代表同一种物质。
SAM分类方法以其只比较光谱在形状上的相似性，受光照、噪声等影响较小的优势获得了相对较高的分类精度;但此类分类方法精度偏低，且端元光谱的提取依赖制图人的经验技巧，可能丢失部分像元（常项平，2020）。
3.2 支持向量机（SVM）
支持向量机 SVM（Support Vector Machines）是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。SVM 是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法。通过求解一个约束条件下的极值，然后转化成它的对偶问题，得到简化的不等式约束极值问题，最终得到最优分类函数。
对于非线性可分样本，支持向量机构造分类决策函数的方法是，首先将训练数据从原始模式空间经过特定核函数的非线性变换，映射到高维特征空间。然后，在特征空间中，寻找最优分类超平面，该超平面实际上对应着原始模式空间中的非线性分类面。因此，支持向量机在处理非线性情况时，仅比线性情况多了一个非线性映射环节。支持向量机算法既具有严格的理论基础，又能较好的解决小样本、非线性、高维数和局部极小点等实际问题，因此在高光谱数据处理中表现出良好的性能。
3.3 卷积神经网络（CNN）
卷积神经网络（CNN）是目前最具代表性的深度学习网络结构，它源于 Hubei和 Wiesel 两位神经学家对猫视觉皮层细胞的研究，后人在此研究基础上逐渐发展出了卷积神经网络。
卷积神经网络（He K et al，2016）的结构特点在于卷积层、池化层和全连接层。输入层一般为研究图像本身，卷积层与池化层一般搭配使用，主要用于提取图像特征，生成特征图，全连接层通过神经元间相连的方式将各部分特征汇总输入至输出层后进行分类输出。
卷积神经网络的方法通过联合了矿石的光谱与空间特征表现出了优异的分类能力，同时证明了空间特征作为物质的特征，将其作为补充特征，可有效的对矿物进行识别，空间特征可作为高光谱图像分类的有效依据。
3.4 综合光谱特征增强匹配度和特征参量
光谱特征增强匹配算法虽可消除由矿物含量差异引起的影像光谱与参考光谱匹配度结果变化影响，同时突出矿物信息，抑制背景噪音（甘甫平 等，2018）。该算法虽提高了矿物识别的正确性，但主要针对矿物大类或光谱特征具有唯一性时，应用效果较好，但自然界矿物有相似的光谱特征，相似度也很高，这给矿物精细识别带来了较大困难。
展望
高光谱遥感在岩矿识别上的应用需从以前的定性分析到定量分析，且要不断提高识别精度，因此未来主要向以下三个方面进行发展：
（1）理论方面：深入研究岩石和矿物的化学成分、物理结构以及混合光谱特征之间的相互关系，解决矿石或岩石的混合光谱分解的问题，为高光谱遥感岩矿定量化分析提供理论支撑。在此基础上，进一步研究不同种类和含量的矿物组分混合下的岩矿高光谱遥感物理模型，提高高光谱遥感岩矿识别精度。
（2）技术方面：当前，计算机人工智能算法的发展趋向于精度更高、速度更快，其对人类思维的模拟降低了数据处理过程中人为主观干扰的影响，通过借鉴并改进算法对岩矿混合光谱特征的分离与提取，有望提高识别精度和运算速度。
（3）实际应用：利用高光谱遥感识别岩矿信息最主要的目的是矿产资源勘查，而对于植被覆盖区、高山峻岭等地质环境复杂的地区研究较少，因此在高光谱遥感岩矿识别的实际应用中，从大噪声背景中提取微弱岩矿信息的应用技术已经成为应用方向。
参考文献
[1]常项平. 基于高光谱遥感的岩矿特征分类方法研究[D].郑州航空工业管理学院，2020.
[2]甘甫平， 董新丰， 闫柏琨， 梁树能 .2018. 光谱地质遥感研究进展 . 南京信息工程大学学报（自然科学版）， 10（1）： 44-62
[3]侯毅. 高光谱遥感蚀变矿物填图算法对比研究及应用[D]. 成都理工大学， 2015.
[4]童庆禧，张兵，张立福.中国高光谱遥感的前沿进展[J].遥感学报，2016，20（05）：689-707.
[5]王润生.遥感地质技术发展的战略思考[J].国土资源遥感，2008，（1）：1-13.
[6]杨云. 机器学习支持下多源遥感数据的岩性分类研究[D].成都理工大学，2019.
[7]He K， Zhang X， Ren S， Sun J. “Deep residual learning for image recognition，” in Proceedings of the IEEE conference on computer vision and pattern recognition， 2016， pp. 770–778.