基于SPOT影像的常宁市水口山地区矿产资源分布研究

邓美容，雷 师，刘兰芳，郑文武

（1.衡阳师范学院 资源环境与旅游管理系，湖南 衡阳 421008；2.湖南科技大学 建筑与城乡规划学院，湖南 湘潭 411201）

常宁市水口山矿产资源丰富，其资源包括有色属、黑色金属、可燃性有机岩（煤）、化工原料、陶瓷原料、建筑材料及辅助材料等矿藏。以有色金属、非金属著称，故常宁素有“有色金属之乡”与“非金属之乡”之称。现已探明和正在开采的矿种达10多种，尤以铅、锌、金、银、铜为最。衡阳市矿产资源总体规划（2001—2010）中，明确将常宁市水口山作为金属矿产重点规划区。而传统的矿产资源开发多采用野外人工勘查，根据矿物岩石的理化性质进行探矿成图，花费大量的人力物力。随着信息技术迅速发展，当前地质矿产勘查和资源开发工作已从传统找矿进入到高科技应用时代，地、物、化、遥等领域的高新技术贯穿了矿产勘查的全过程。遥感技术特别是高光谱遥感具有监测范围广、空间分辨率高、成像周期短等特点，它与地球物理、地球化学勘查手段相结合，已成为现代找矿的主流技术（Perisov A.V.，1992）［1－3］。高光谱分辨率探测技术的应用，更为各类地质调查、矿产开发提供了强大的技术支撑。

1 研究区概况

1.1 研究区地理位置

该区位于湖南省常宁市西北部的松柏镇境内，而松柏镇被称为湖南省第一镇，以金属矿而闻名，著名的水口山有色金属集团公司座落在松柏镇内。本论文选取的研究区域为常宁市水口山地区的三个主要矿区（水口山矿区、康家湾矿区和鸭公塘矿区），主要涉及包括南阳村、金联村、新华村、新同村、朱陂村、水口山有色金属公司6个村级行政单位，占整个松柏镇近三分之一的面积，分布广泛。

1.2 水口山地区矿产资源开发现状

水口山地区历史悠久，素有“铅都”和“锌都”之称，至今已有100多年的开采史。该矿区设有专门的水口山矿务局，对水口山地区矿物开发、开采等进行综合管理。目前，矿物局下设3个矿山、5个冶炼厂、3个辅助生产单位及10余个生产、生活设施配套部门，是集采、选、冶为一体的大型一档有色金属联合企业，为常宁市乃至衡阳市带来重要的经济效益［4］。矿区现已全面开采各种金属和非金属矿物，现已发现的矿区主要分为三个：水口山矿区、康家湾矿区和鸭公塘矿区，这些矿区经过多年的开采，资源已出现紧张状态，急需要进一步的探测，在其外围地区进行发掘，寻找适合开采的新资源，因此，在水口山矿区及周边仍有良好的找矿前景。

2 数据来源和技术路线

2.1 数据来源及预处理

遥感影像数据是GIS的一个极其重要的信息源。早在1969年，美国就组织了由土地保护部矿山处执行的监测矿山环境与灾害的项目，并取得显著效果。Mularz利用Landsat TM、SPOT卫星遥感图像以及航空遥感影像对波兰中部地区的重要能源产地，即Belchatow褐煤露天开采矿区的环境状况以及多年的土地利用覆盖变化情况和植被覆盖变化情况进行了遥感监测研究，指出Landsat TM与SPOT全色影像的融合影像是对露天矿区及其周边环境进行监测的最有效数据［5－7］。

本研究采用2009年SPOT5遥感影像，该影像空间分辨率高，精度好，含有三个波段的基础信息。数据处理采用ENVI遥感软件，首先对获得的SPOT影像进行投影变换，采用高斯－克吕格投影，坐标系采用西安1980平面直角坐标系；在此基础上，利用常宁市行政界线进行几何校正，利用水口山地区行政界线对影像进行裁剪，并将三个矿区的分布范围在图中标注出来。下图1为在ENVI软件中裁剪出的研究区域影像。

图1 研究区遥感影像数据Fig.1 Remote Sensing Data of Research Area

2.2 本文技术路线

通过分析矿物在影像上的表现特征，本研究采用基于决策树的逐步分类方法，在每一次决策树判定后对原影像样点数据进行判断，对决策树的质量给予评价，质量不符合要求的需要重新判定；对决策树分类得出的结果图像，利用第二次全国土地利用调查的成果结合野外调研情况综合分析其合理性，在分类的过程中，充分利用地表植被的分布指数，最终建立本文的技术路线如下图所示：

图2 本文技术路线Fig.2 Technical Route of this Research

3 基于遥感影像的水口山地区矿产资源信息提取实现

3.1 基于SPOT影像的遥感数据处理

ENVI高光谱图像的计算机分类已出现很多新型分类方法，如：神经网络分类法、模糊分类法、专家系统分类法、支撑向量机分类法、面向对象分类法、最小距离法、最大似然法、基于匹配滤波器的分类方法、一阶导数光谱分类等。但这些方法或者算法过于复杂、难以理解，或者对分类者有较高的遥感和地学知识要求，都未能在更大领域得到推广和应用［8－9］。

决策树分类作为一种基于空间数据挖掘和知识发现（Spatial Data Mining and Knowledge Discovery，SDM＆KD）的监督分类方法，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感知识先验确定、其结果往往与其经验和专业知识水平密切相关的问题，而是通过决策树学习过程得到分类规则并进行分类，分类样本属于严格“非参”，不需要满足正态分布，可以充分利用GIS数据库中地学知识辅助分类，大大提高了分类精度［9］。

3.2 决策树算法

决策树（Decision tree）是通过对训练样本进行归纳学习生成决策树或决策规则，然后使用决策树或决策规则对新数据进行分类的一种数学方法。它是决策树学习和决策树分类两个过程。决策树学习过程是通过对训练样本进行归纳学习（Inductive learning），生成以决策树形式表示的分类规则的机器学习（Machine learning）过程，其分类的主要步骤如下图所示［10］：

图3 决策树分类方法Fig.3 Method of the Decision Tree

3.3 基于决策树的矿区信息提取

本研究采用ENVI4.6遥感图像处理软件，结合MAPGIS6.7数据处理和分析软件，以第二次土地调查现有数据作为对比，对水口山地区的矿产分布进行提取。提取出的矿产分布如下图所示，黄色代表耕地，红色代表居民地，绿色代表园地、林地，蓝色代表水域，白色代表采矿用地，黑色代表山体阴影。将分类后的数据结合实际野外调查的数据点进行精度分析得知，此次分类总体精度为85.2%，kappa系数为0.837，分类效果较好。

由于通过分类处理后的破碎图斑较多，需进一步进行分类后处理，再将处理的栅格数据转换成矢量数据便于分析。为减少数据量，只选择矿产用地类别且对面积较小的图斑进行了舍弃或者合并处理，最终绘制出水口山地区的矿产资源分布图，如图5。

4 水口山地区矿产资源分布特征分析

经过上述处理后的水口山地区矿产图斑数目为23个，总面积为187.1hm2；矿区面积最大的是水口山矿区，其次是康家湾矿区，最后是鸭公塘矿区。通过将结果数据与第二次全国土地调查（简称二调）数据作对比发现，此次分类提取的矿区面积较二调野外实地调查的矿区相比面积有所增加，增加将近50hm2，主要分布在矿区的中部和北部，也就是鸭公塘矿区和康家湾矿区。除去由于计算机分类可能存在的误差外，通过遥感影像发掘的矿产分布地是主要原因。由此可见，通过遥感来对矿产进行开发勘探是可行的。由于影像精度及矿物在可见光－近红外波段的光谱特征，利用高光谱遥感技术对矿物种类的识别存在一定的难度，不易区分具体的矿物类别；在今后的研究中，可考虑结合微波遥感来对矿物种类做进一步的分析。

当然，矿产分布数据也还存在一定的影像提取误差，主要有以下几种情况：一是目前还没有真正开发的地区，因为在可见光－近红外波段地下埋藏各种矿物造成其影像的特征与裸地非常接近，矿产分布与裸地不容易分清；二是现有采矿用地由于人为破坏或污染的原因，造成矿区周围堆积矿渣等废物而呈现矿区的影像特征；三是地表植被和土壤对矿产的覆盖，某些地区由于光谱差异性不大，不易被识别。因此，在以后的研究中应更注重对这几个问题的深入探讨。

5 结 论

通过对SPOT高光谱影像进行决策树分类，充分利用影像上地物光谱差异性，并结合地表植被的特殊表现，得出了常宁市水口山地区矿产资源分布图。该调查结果与第二次全国土地调查数据相比，矿产资源面积增加了近50hm2，说明利用高光谱遥感来进行矿产资源分布调查具有一定的可行性。当然，由于分类方法及影像种类的限制，该分类结果在精度上还需要进一步提高，同时对矿物种类的检测也是进一步的研究内容。

［1］甘甫平，王润生.遥感岩矿信息提取基础与技术方法研究［M］.北京：地质出版社：2004：47－56.

［2］裴承凯，傅锦.高光谱遥感技术在岩矿识别中的应用现状与前景［J］.世界核地质科学，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］谭建湘，宛克勇.湖南水口山铅锌金银矿床地球化学特征［J］.地质与勘探，2008，44（3）：22－27.

［5］刘汉湖，杨武年，沙晋明.高光谱分辨率遥感在地质应用中的关键技术及前景［J］.世界地质，2004，23（1）：45－49.

［6］祝善友.高光谱遥感信息提取及其分类研究［D］.济南：山东科技大学，2003.

［7］浦瑞良，宫 鹏.高光谱遥感及其应用［M］.北京：高等教育出版社，2000：47－78.

［8］李德仁，王树良，李德毅，等.论空间数据挖掘和知识发现的理论与方法［J］.武汉大学学报：信息科学版，2002，27（3）：221－233.

［9］邸凯昌，李德仁，李德毅.基于空间数据挖掘的遥感图像分类研究［J］.武汉测绘科技大学学报，2000，125（1）：42－48

［10］申文明，王文杰，罗海江，等.基于决策树分类技术的遥感影像分类方法研究［J］.遥感技术与应用，2007，22（3）：333－338.