将优势树种分类方法引入中国漠河市沙宝子金矿区植被带的矿物蚀变提取过程 作者：卓晨、杨佳佳

《Minerals》：Introducing Dominant Tree Species Classification to the Mineral Alteration Extraction Process in Vegetation Area of Shabaosi Gold Deposit Region, Mohe City, China Zhuo Chen and Jiajia Yang

本研究以中国莫河沙包素金矿区域为对象，综合GF-1/6、ZY-1F卫星影像及Sentinel-1B SAR数据，结合植被分类和光谱解混技术，验证了主导树种分类对矿物 altered 提取精度的影响。实验表明，分类后光谱解混误差降低，矿物识别准确率提高，成功划分出九个矿物 altered 区。

　　

摘要

基于遥感的矿物蚀变提取技术在植被覆盖区域的表现受到显著限制。光谱解混是解决这一问题的有效方法之一。然而，不同树种的光谱曲线差异较大；如果在光谱解混阶段将多种树种视为一个整体，那么对植被比例的估计将会产生更多误差。本研究的目的是验证优势树种分类对光谱解混和重建的影响，并将所提出的方法应用于矿物蚀变提取实践。为此，选择了中国莫合市沙包子金矿区（面积为650平方公里）作为研究区域。首先，收集了参考光谱曲线、高分一号（GF-1/6）卫星影像、资源一号（ZY-1F）卫星影像、哨兵一号B（Sentinel-1B）卫星合成孔径雷达（SAR）数据、ALOS数字高程模型（DEM）以及各子区域的优势树种数据；随后利用这些数据生成了ZY-1F的模拟混合像素反射率图像、GF-1/6和ZY-1F的反射率图像、哨兵一号B的后向散射数据、坡度信息以及5484种树种的样本数据。 为了验证优势树种分类对矿物蚀变提取的影响，使用松树、橡树、针铁矿和高岭石的参考光谱构建了ZY-1F的模拟混合像素图像，并进行了光谱解混和重建实验。 从收集的数据中选取了14个独立变量，通过ResNet50算法训练并测试了5种优势树种分类模型，并从ZY-1F图像中分离出了以松树和桦树为主导的部分。 接着，分别应用最小噪声分数（MNF）、像素纯度指数（PPI）、n维可视化自动聚类（n-dimensional visualizer auto-clustering）和光谱角映射（Spectral Angle Mapper，SAM）方法对ZY-1F图像中以松树和桦树为主导的部分进行端元提取与识别；随后分别使用完全约束最小二乘（Fully Constrained Least Squares，FCLS）和线性光谱解混（Linear Spectral Unmixing，LSU）方法对这些部分进行端元比例估计，生成了光谱重建后的ZY-1F图像。 最后，将光谱重建后的ZY-1F图像中以松树和桦树为主导的部分进行镶嵌处理，并利用SAM方法提取研究区域内的矿物蚀变信息。实验结果表明，在光谱解混和重建过程中，光谱重建误差从0.0594（未进行分割的模拟ZY-1F图像）降低到了0.0292（按松树和橡树主导部分分割后的模拟ZY-1F图像）和0.0388（按松树和橡树主导部分分割后的模拟ZY-1F图像），这表明优势树种分类可以提高光谱解混和重建的准确性，从而获得更可靠的矿物蚀变提取结果。 在研究区域内，五种优势树种分类模型的整体准确率（Overall Accuracy，OA）和Kappa系数分别为0.75 ± 0.03和0.50 ± 0.05，说明在植被茂密的区域进行优势树种分类是可行的，并有助于矿物蚀变的提取。 在将ZY-1F图像按松树和桦树主导部分分割并进行光谱重建后，识别出了8种主要的蚀变类型，包括高岭石、钒铁矿、蒙脱石、金红石、褐铁矿、云母、闪锌矿和石英，并据此划定了9个矿物蚀变区域（Mineral Alteration Areas，MA）。