CN109359621A - 一种基于多源遥感数据的伟晶岩型锂矿找矿方法 - Google Patents

一种基于多源遥感数据的伟晶岩型锂矿找矿方法 Download PDF

Info

Publication number
CN109359621A
CN109359621A CN201811303044.6A CN201811303044A CN109359621A CN 109359621 A CN109359621 A CN 109359621A CN 201811303044 A CN201811303044 A CN 201811303044A CN 109359621 A CN109359621 A CN 109359621A
Authority
CN
China
Prior art keywords
data
prospecting
type lithium
remote sensing
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811303044.6A
Other languages
English (en)
Other versions
CN109359621B (zh
Inventor
代晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Mineral Resources of Chinese Academy of Geological Sciences
Original Assignee
Institute of Mineral Resources of Chinese Academy of Geological Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Mineral Resources of Chinese Academy of Geological Sciences filed Critical Institute of Mineral Resources of Chinese Academy of Geological Sciences
Priority to CN201811303044.6A priority Critical patent/CN109359621B/zh
Publication of CN109359621A publication Critical patent/CN109359621A/zh
Application granted granted Critical
Publication of CN109359621B publication Critical patent/CN109359621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于多源遥感数据的伟晶岩型锂矿找矿方法，包括：利用待研究区域的第一分辨率光学遥感数据确定伟晶岩型锂矿找矿远景区；针对每个伟晶岩型锂矿找矿远景区，分别利用雷达数据确定穹隆构造并利用第二分辨率光学遥感数据确定转石区，第二分辨率高于第一分辨率；基于所述穹隆构造及转石区的位置关系确定伟晶岩型锂矿找矿靶区。本发明利用相对低分辨率的第一分辨率光学遥感数据确定找矿远景区，然后利用雷达数据确定每个找矿远景区的穹隆构造和利用相对高分辨率的第二分辨率光学遥感数据确定每个找矿远景区的转石区，最后以穹隆构造和转石区作为重点野外找矿线索，通过二者的位置关系确定找矿靶区，为野外找矿提供科学依据。

Description

一种基于多源遥感数据的伟晶岩型锂矿找矿方法
技术领域
本发明涉及地质勘查技术领域。更具体地，涉及一种基于多源遥感数据的伟晶岩型锂矿找矿方法。
背景技术
锂是新兴产业发展不可或缺的战略资源，既可以储能，也可以节能，还可以产能,既高度军用也普遍民用，因而被称为“21世纪的能源金属”。全球锂矿床整体以卤水型和伟晶岩型为主体，其中伟晶岩型锂矿因富含6Li等战略元素，是重要的矿床类型之一，锂矿的形成主要是伟晶岩形成过程中锂元素富集形成。
根据前人研究表明，残坡积物中的伟晶岩岩块以及堇青石角岩化黑云母片岩的碎块和岩块，对隐伏的基岩有一定的指示意义，特别是部分具残积特征的含锂辉石伟晶岩块，在区内成带密集分布，部分经钻探验证，其下基岩多为含锂辉石伟晶岩脉。因此如何快速准确地寻找含锂辉石伟晶岩块对于锂矿找矿突破具有重要意义。然而一些伟晶岩型锂矿区被堆积物及地表的高植被覆盖较为严重，且地形地貌复杂，有些区域海拔达到4000米以上，导致对伟晶岩等岩块的信息提取与解译难度系数增大，给找矿工作带来了很大的难度。
因此，寻找一种更快更准地伟晶岩型锂矿找矿方法，对伟晶岩型锂矿找矿突破具有重要意义。
发明内容
本发明的目的在于提供一种更准确、更快、可行性高的基于多源遥感数据的伟晶岩型锂矿找矿方法。
为达到上述目的，本发明采用下述技术方案：
本发明提供了一种基于多源遥感数据的伟晶岩型锂矿找矿方法，包括以下步骤：
利用待研究区域的第一分辨率光学遥感数据确定伟晶岩型锂矿找矿远景区；
针对每个伟晶岩型锂矿找矿远景区，分别利用雷达数据确定穹隆构造并利用第二分辨率光学遥感数据确定转石区，第二分辨率高于第一分辨率；
基于所述穹隆构造及转石区的位置关系确定伟晶岩型锂矿找矿靶区。
进一步，所述利用待研究区域的第一分辨率光学遥感图像确定伟晶岩型锂矿找矿远景区进一步包括：
获取待研究区域的第一分辨率光学遥感数据并进行预处理；
提取经预处理第一分辨率光学遥感数据的色调特征，根据光学遥感数据的色调特征、色调特征差异及形态，提取区域穹窿构造作为伟晶岩型锂矿找矿远景区。
进一步，对第一分辨率光学遥感数据进行预处理包括几何校正、正射校正、大气校正、数据融合及图像增强；
对预处理后的第一分辨率光学遥感数据进行主成分分析；和对主成分分析后的数据进行选定波段的色彩合成得到第一分辨率光学遥感数据的色调特征。
进一步，所述第一分辨率光学遥感数据为Landsat8数据，所述选定波段的色彩合成包括对第7波段、第5波段和第2波段的数据进行RGB合成。
进一步，所述利用雷达数据确定穹隆构造进一步包括：
获取各伟晶岩型锂矿找矿远景区的雷达数据并进行预处理；
分析预处理后的雷达数据的形态特征及色调特征，确定伟晶岩型锂矿找矿远景区中的穹窿构造。
进一步，所述雷达数据为Palsar-2数据。
进一步，所述利用第二分辨率光学遥感数据确定转石区进一步包括：
获取各伟晶岩型锂矿找矿远景区的第二分辨率光学遥感数据并进行预处理；
提取经预处理图像数据的形态特征及分布特征，通过面向对象分类法对转石进行自动提取确定转石区。
进一步，所述通过面向对象分类法对转石进行自动提取进一步包括：
确定图像分割尺度及合并尺度对第二分辨率光学遥感数据进行分割及合并，得到勾绘出地物轮廓的图像数据；
对勾绘出地物轮廓的图像数据，基于选定波段的反射波谱提取转石区。
进一步，所述第二分辨率遥感图像数据为Geoeye-1数据，所述图像分割尺度为70，图像合并尺度为85。
进一步，所述基于选定波段的反射波谱提取转石区进一步包括，将第1波段的反射率值大于4500、第2波段的反射率值大于6000且第4波段的反射率值大于6000的区域确定为转石区。
本发明的有益效果如下：
根据本发明方法，首先利用相对低分辨率的第一分辨率光学遥感数据确定找矿远景区，然后利用雷达数据确定每个找矿远景区的穹隆构造和利用相对高分辨率的第二分辨率光学遥感数据确定每个找矿远景区的转石区，最后以穹隆构造和转石区作为重点野外找矿线索，通过二者的位置关系确定找矿靶区，为野外找矿提供科学依据。
利用本发明基于多源遥感数据的伟晶岩型锂矿找矿方法可以更快更准地寻找伟晶岩型锂矿，克服了因被堆积物及地表的高植被覆盖不易提取解译伟晶岩转石信息以及海拔高难以到达的难题，提高工作效率，指明方向，对伟晶岩型锂矿找矿突破具有重要意义。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出基于多源遥感数据的伟晶岩型锂矿找矿的方法流程图。
图2示出基于Landsat8数据的区域穹隆构造圈定结果图。
图3示出多视处理结果图。
图4示出Palsar-2数据预处理后的结果图。
图5示出雷达数据确定的穹隆构造结果图。
图6示出分割尺度为50的尺度分割效果图。
图7示出分割尺度为60的尺度分割效果图。
图8示出分割尺度为70的尺度分割效果图。
图9示出分割尺度为80的尺度分割效果图。
图10示出合并尺度为70的合并效果图。
图11示出合并尺度为80的合并效果图。
图12示出合并尺度为85的合并效果图。
图13示出合并尺度为90的合并效果图。
图14示出地物反射波谱曲线对比图。
图15示出转石区提取结果图。
图16示出甲基卡地区的转石区结果图。
图17示出成矿靶区结果图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
根据本发明的实施方式，提供一种基于多源遥感数据的伟晶岩型锂矿找矿方法，如图1所示，包括以下步骤：
利用待研究区域的第一分辨率光学遥感数据确定伟晶岩型锂矿找矿远景区；
针对每个伟晶岩型锂矿找矿远景区，分别利用雷达数据确定穹隆构造并利用第二分辨率光学遥感数据确定转石区，第二分辨率高于第一分辨率；
基于所述穹隆构造及转石区的位置关系确定伟晶岩型锂矿找矿靶区。
在伟晶岩成矿过程中，岩浆侵入地壳或喷出地表，随着岩浆的分化，温度逐渐降低，根据岩浆的气液分离模式，气体流动性很强，侵入到岩石的裂缝中，冷凝成矿物结晶粗大的矿床，即伟晶岩矿床。喷出到地表的伟晶岩经过百万年的剥蚀作用，最终在地表露头；而侵入地壳的伟晶岩则在地壳运动作用下形成转石。地壳运动是由地球内部作用力下引起的地壳表面结构及物质发生变化的构造运动。在地壳运动过程中受内外力作用所造成得岩层及岩体的变形及变位从而形成断层、褶皱、穹隆等构造地质体。
因此，转石、构造对伟晶岩型锂矿的寻找具有重要的指示意义。本发明通过利用遥感数据和雷达数据对转石区和穹隆构造进行提取，通过二者位置关系进一步确定伟晶岩型锂矿找矿靶区。
在本发明具体的实施方式中，所述利用待研究区域的第一分辨率光学遥感图像确定伟晶岩型锂矿找矿远景区进一步包括：
获取待研究区域的第一分辨率光学遥感数据并进行预处理；
提取经预处理第一分辨率光学遥感数据的色调特征，根据光学遥感数据的色调特征、色调特征差异及形态，提取区域穹窿构造作为伟晶岩型锂矿找矿远景区。
在本发明中所述第一分辨率光学遥感数据例如选用Landsat8数据，该卫星携带了OLI和TIRS推扫式成像仪。OLI陆地成像仪包括9个波段，包括8个多光谱波段及1个全色波段。其中多光谱波段范围为0.43-2.29μm，空间分辨率为30米；全色波段范围为0.50-0.68μm，空间分辨率为15m。
所述对第一分辨率光学遥感数据进行预处理包括几何校正、正射校正、大气校正、数据融合及图像增强；
对预处理后的第一分辨率光学遥感数据进行主成分分析；和对主成分分析后的数据进行选定波段的色彩合成第一分辨率光学遥感数据的色调特征。
具体的，
几何校正：在影像成像过程中，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，这种畸变表现为象元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，针对这种几何畸变进行的误差校正就叫几何校正。几何校正包括几何粗校正和几何精校正，几何粗校正通常由数据生产商完成，因此只需要进行几何精校正。几何精校正又称为几何配准，是把不同传感器具有几何精度的图像的相同地物元素精确地匹配在一起的过程。
正射校正：在数据成像过程中受地形起伏以及传感器误差的影响，造成了像点位移。为了消除这种误差，需要对影像做正射校正处理。
大气校正：在成像过程中，传感器记载的是辐射亮度值，然而进入传感器的辐射强度并不是地表真实反射率的反映。实际测量时，通常会出现辐射畸变现象。引起辐射畸变的原因主要分为两个方面，一是传感器的误差；另一个是大气的影响。一般来说，用户只需要考虑的是大气造成的辐射畸变，而仪器的误差由仪器生产单位自行校正，不需要用户负责。大气的影响主要表现为电磁波受到大气中的水汽、尘埃、气溶胶等微粒分子的影响，发生反射、折射、吸收、散射和透射等多种现象，从而导致地表的各地物的真实反射率不能真实反映。因此，为了消除大气对遥感影像的影响，必须进行大气校正。
图像融合：针对多波段遥感数据不同光谱特征，选择最佳波段组合的多光谱影像与全色图像融合，从而得到兼备高空间分辨率与多光谱彩色信息的融合影像。
主成分分析(PCA)是一种降维的方法，对光学遥感数据进行PCA变换后，将多光谱数据集中和压缩，使PCA后的各波段信息之间互不重叠。因此，原本散落在各波段之间的弱蚀变信息经过一次或多次轴变换后，信息得到增强。
所述选定波段的色彩合成包括对第7波段、第5波段和第2波段的数据进行RGB合成。
在本发明具体的实施方式中，所述利用雷达数据确定穹隆构造进一步包括：
获取各伟晶岩型锂矿找矿远景区的雷达数据并进行预处理；
分析预处理后的雷达数据的形态特征及色调特征，确定伟晶岩型锂矿找矿远景区中的穹窿构造。
在本发明中所述雷达数据选用Palsar-2数据。Palsar-2是日本于2014年5月24日发射的先进对地观测卫星，是ALOS的后继星。其上搭载Palsar-2传感器，工作波段为L波段，对云雪及地物具有极强的穿透力，可在任何气候条件下全天时工作。数据空间分辨率最高可达1m。
所述对雷达数据进行预处理包括但不限于聚焦处理、多视处理、地理编码及辐射定标等等。
其中，
聚焦处理：对雷达系统的RAW数据每个点的反射率利用经过优化的调焦算法实现快速聚焦处理，直接输出单视复数产品数据(SLC数据)。
多视处理：SAR的单视复数数据(SLC数据)是原始的最高分辨率数据，但是从单个像元散射的雷达回波信号的相干叠加，导致强度信息有很多噪声。多视处理是对SLC数据方位向或距离向做平均，得到的结果是多视后的强度数据。经过多视处理的数据，空间分辨率降低，提高了数据的辐射分辨率，即强度信息，抑制了斑点噪声。
地理编码：SAR系统观测到的是电磁波入射地球表面后反射(后向散射)的雷达脉冲的强度和相位信息。这个信息编码到雷达坐标系统下，即斜距坐标系，被记录下来。在应用中，需要将SAR数据从斜距坐标系转到地理坐标系，这个过程就是SAR数据的地理编码。
辐射定标：雷达传感器接收到的是发射脉冲和接受信息强度的比，这个比值称为后向散射，经过辐射定标的后向散射强度信息，不受SAR数据观测几何的影响，相当于归一化到同一标准下，可以进行对比分析。这个过程就是SAR数据的辐射定标。
在本发明中，所述利用第二分辨率光学遥感数据确定转石区进一步包括：
获取各伟晶岩型锂矿找矿远景区的第二分辨率光学遥感数据并进行预处理；
提取经预处理图像数据的形态特征及分布特征，通过面向对象分类法对转石进行自动提取确定转石区。
在本发明中，所述第二分辨率遥感图像数据为Geoeye-1数据，该卫星能以0.41m黑白(全色)分辨率和1.65米彩色(多谱段)分辨率搜集图像，定位精度达到3m。
所述对第二分辨率遥感图像数据进行预处理包括如前所述的对第一分辨率光学遥感数据进行预处理中几何校正、正射校正、大气校正、数据融合及图像增强。
所述通过面向对象分类法对转石进行自动提取进一步包括：
确定图像分割尺度及合并尺度对第二分辨率光学遥感数据进行分割及合并，得到勾绘出地物轮廓的图像数据；优选地，所述图像分割尺度为70，图像合并尺度为85。
对勾绘出地物轮廓的图像数据，基于选定波段的反射波谱提取转石区。
其中，
所述基于选定波段的反射波谱提取转石区进一步包括：将第1波段的反射率值大于4500、第2波段的反射率值大于6000且第4波段的反射率值大于6000的区域确定为转石区。
以下将以川西甲基卡区为实施例，具体说明本发明基于多源遥感数据的伟晶岩型锂矿找矿方法。甲基卡矿床作为中国最大的伟晶岩型锂多金属矿床，地处青藏高原东部甘孜-理塘一带，形成于印支运动之后的燕山早期，属于印支旋回强烈造山运动之后相对稳定阶段的产物。
下述实施例中的方法，如无特别说明，均为本领域的常规方法。
在本实施例中，对于伟晶岩型锂矿找矿远景区(区域穹窿构造)的确定主要利用Landsat8数据通过色调的差异特征进行提取，Landsat8数据经过PCA变换后，伟晶岩型锂矿在图像上呈椭圆形形态特征，且色调相比较于周围背景存在显著差异。对于伟晶岩型锂矿找矿远景区内穹隆构造的确定主要利用Palsar-2数据进行；对于伟晶岩型锂矿找矿远景区内转石区的确定主要利用Geoeye-1数据进行，转石区在Geoeye-1数据上主要表现为亮白色特征，且斑点边缘平滑，密集且无规律分布。
具体包括如下步骤：
1利用待研究区域的Landsat8数据确定伟晶岩型锂矿找矿远景区
1.1获取待研究区域的Landsat8数据并进行预处理
本实施例Landsat8数据获取时间为2018年1月3日，植被覆盖度低，无云，影像清晰。
Landsat8数据的预处理，主要包括：
几何校正：本实施例采用Google Earth数据作为基准影像进行几何校正，误差不超过1个像元。
正射校正：本实施例采用影像数据提供的RPC与30m分辨率的DEM数据进行校正，从而消除高程对数据的影响。
大气校正：本实施例采用的大气校正方法为FLAASH方法。
图像融合：本实施例采用的融合方法为Gram-Schmidt融合。Gram-Schmidt方法的主要步骤为：(1)用低空间分辨率的多光谱影像产生模拟低分辨率全色波段影像；(2)将模拟影像叠加到多光谱上，对重组后的多光谱影像进行GS正变换；(3)用高分辨率全色波段影像代替GS变换后的第一分量；(4)对代替后的多波段影像进行GS反变换得到最终融合影像。最终得到15m空间分辨率的影像。
1.2提取经预处理Landsat8数据的色调特征，根据光学遥感数据的色调特征、色调特征差异及形态，提取区域穹窿构造作为伟晶岩型锂矿找矿远景区
区域穹窿构造是伟晶岩型锂矿的重要找矿标志，而中等分辨率遥感技术为提取区域穹窿构造提供了技术保障，故本实施例选择中等分辨率遥感数据Landsat8数据进行区域穹窿构造提取。
虽然经过预处理后的Landsat8数据质量很好，但是不同波段间相关性大，为了充分挖掘各个波段对不同地物的提取效果，增强区域穹窿构造，需要对图像进行主成分分析(PCA)，对PCA后的各波段进行色彩(RGB)合成，结果表明7、5、2合成方式具有较好的目视效果，最终确定7、5、2波段组合后的假彩色图像作为构造信息提取的基础图像。经过合成后的Landsat8图像如图2所示，穹窿构造在图像上表现明显，呈现为暗黄色环状区域，其周围地物主要呈现为绿色，色调差异明显，经过解译提取出4处区域穹窿构造作为伟晶岩型锂矿找矿远景区。以区域1(川西甲基卡地区)为例进行研究。
2针对川西甲基卡地区利用Palsar-2数据确定穹隆构造
2.1获取川西甲基卡地区的Palsar-2数据并进行预处理
本实施例为了对图像上的信息进行更好的提取，选择数据分辨率为1m，极化方式为HH极化，获取时间为2017年6月16日，视角为26.5度的Palsar-2数据。
获取的Palsar-2数据为原始雷达数据，受雷达成像模式以及获取过程中地形等外部条件的干扰，均存在不同性质、不同形态的几何畸变和辐射量的失真等现象。这些畸变和失真会导致图像质量下降，严重影响应用效果，必须进行消除处理。因此，需要对Palsar-2数据进行预处理。
Palsar-2数据预处理包括：聚焦处理、多视处理、地理编码及辐射定标。本实施例对获取的Palsar-2数据进行预处理：首先对其进行聚焦处理，将SAR scape软件安装到ENVI5.3下，在ENVI5.3菜单栏中使用SAR scape模块。选择SAR Spaceboren下的import工具，生成雷达SLC图像，SCL图像可在ENVI5.3中直接打开(打开方式同光学数据)；然后通过Multilooking工具对生成的SLC图像做多视处理(如图3所示)，从而抑制了斑点噪声，提高了图像的辐射分辨率，使图像质量得到改善；由于雷达系统观测到的信息被记录到斜距坐标系下，因此需要对其进行地理编码将其转换到地理坐标系下，即地理编码及辐射定标，此过程在Geocoding and Radiometric Calibration工具下完成。预处理后的结果图如图4所示。
2.2分析预处理后的雷达数据的形态特征及色调特征，确定伟晶岩型锂矿找矿远景区中的穹窿构造
雷达的工作波段为微波波段，雷达图像是微波信号与地物的综合反应，通过记录地面目标的后向散射的电磁波的强度来实现雷达图像的显示。由于其特殊的工作模式，因此，对地表具有极强的穿透力。本实施例选择的Palsar-2数据空间分辨率为1m，工作波段为L波段，对地下隐伏地质体具备极好的提取效果。得到提取结果图如图5所示，从图中可以看出该构造显示为椭圆形，且四周存在断裂，构造内部与周围背景显示为不同的深浅色调特征，推测为穹隆构造。该构造在光学遥感图像上并没有显示，因此，雷达数据对于隐伏地质体的提取具有重要意义。
3针对川西甲基卡地区利用Geoeye-1数据确定转石区
3.1获取川西甲基卡地区的Geoeye-1数据并进行预处理；
本实施例获取的是2012年10月25日，数据无云，影像清晰的Geoeye-1数据。
Geoeye-1数据预处理见Landast8数据预处理过程。
3.2提取经预处理图像数据的形态特征及分布特征，通过面向对象分类法对转石进行自动提取确定转石区
本实例根据高空间分辨率的遥感数据的优势，对川西甲基卡地区的伟晶岩转石进行了信息提取。基于其色调特征，在图像上可以清晰的看到转石的形态特征及分布特征，通过面向对象分类法对转石进行自动提取确定转石区。面向对象分类法在进行分类过程后，进行处理的最小单元不是像素而是同质的对象即图斑，具体包括三方面内容：(1)影像分割，发现对象：运用不同的影像分割及合并尺度，使得分类后的对象(实体)区别于周围地物；(2)建立规则，特征提取：对进行分类后的对象进行其波谱特征、形态特征以及其他相关特征的分析，从而获得该对象区别于周围不相关地物的特征；(3)影像分类：对规则进行应用，将所想要提取的对象提取出来。
具体如下述步骤：
1)影像分割，发现对象
影像分割主要是根据对象的同质性或异质性标准，将图像分割成若干个互不重叠、相互连接且非空子区域的过程。ENVI Feature Extraction的影像分割采用的是基于边缘分割的算法。该算法依据一定的规则将检测到的图像边界点连成轮廓,从而构成分割区域。主要进行分割尺度及合并尺度的确定。
确定分割尺度：为了确定分割参数，本实施例以50位基准，10为步长对影像进行分割实验，从而确定分割参数。尺度分割效果图如图6-9所示，从图中可以看出：当分割尺度为50，60时，湖泊、裸地均由大量的小碎块组成，分割过于破碎，边界特征不明显；当分割尺度为80时，转石轮廓无法完整显示；当分割尺度70时，可以较为完整的勾绘出地物轮廓。最终确定分割尺度位70。
确定合并尺度：图像合并则是在分割后的基础上依据某种规则将相邻且相似的小斑块进行合并从而得到相对完整的对象的过程。在分割尺度位70的基础上进行图像合并尺度的确定。为了确定合并参数，以70位基准，10为步长对影像进行合并实验，不能达到理想的合并效果，则以5位步长，从而确定合并参数。合并效果图如图10-13所示。从图中可以看出在选择合并尺度为70、80的时候，合并效果不明显，而当选择90的合并尺度的时候许多转石被合并为背景，经过取舍最终确定85的合并尺度，不仅可以完整的勾绘出地物轮廓，对转石的分类也较为准确。
因此，最终确定的分割合并尺度如表1所示。
表1分割尺度及合并尺度表
遥感数据源 分割尺度 合并尺度
Geoeye-1 70 85
2)建立规则、特征提取
特征提取规则建立基于转石、背景以及湖泊的反射率特征。每种地物均有其特殊的地物反射波谱曲线，因此，在ENVI5.1中首先对转石、背景、湖泊的反射波谱曲线进行对比研究，主要考虑的为Band1，Band2，Band4波段，因此对图像进行421假彩色合成，得到其各自的反射波谱曲线如图14所示。对图14中3中地物的反射波谱曲线进行分析可以知道：背景在Band1处的反射率值小于4500且Band2处的反射率值小于6000，因此，通过设置Band1>4500，Band2>6000可以将背景干扰去除，而对于Band4，转石在该波段反射率值大于17000，而对于水体则远远小于该反射率值，因此利用波段1，波段2，波段4组合可以将转石较好的提取出来。反射率参数见表2，提取结果如图15所示。
表2反射率参数
波段 Band1 Band2 Band4
反射率值 >4500 >6000 >17000
3)影像分类
将该面向对象提取转石的方法应用于Geoeye-1图像上，最终得到甲基卡地区的转石区如图16所示。
4、基于所述穹隆构造及转石区的位置关系确定伟晶岩型锂矿找矿靶区
将矢量化的伟晶岩转石区及穹隆构造在Arcgis中叠加显示，可知转石区在穹隆构造附近密集分布，圈定出成矿靶区，成矿靶区均在穹隆构造附近，且区域内转石分布密集，具有极高的成矿可能性。成矿靶区结果图如17所示。
5、野外验证
在研究区65个遥感异常点中，对54个遥感异常进行了野外异常验证，共计48个图斑为伟晶岩岩块，43个图斑为含锂灰石的伟晶岩露头或转石。这一验证结果表明本发明的基于多源遥感数据的伟晶岩型锂矿找矿方法具有较高的准确性，可以推广应用。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
本专利受中国地质调查局地质调查二级项目——川西甲基卡大型锂矿资源基地综合调查评价(项目编号：DD20160055)资助。

Claims (10)

1.一种基于多源遥感数据的伟晶岩型锂矿找矿方法，其特征在于，包括以下步骤：
利用待研究区域的第一分辨率光学遥感数据确定伟晶岩型锂矿找矿远景区；
针对每个伟晶岩型锂矿找矿远景区，分别利用雷达数据确定穹隆构造并利用第二分辨率光学遥感数据确定转石区，第二分辨率高于第一分辨率；
基于所述穹隆构造及转石区的位置关系确定伟晶岩型锂矿找矿靶区。
2.根据权利要求1所述的伟晶岩型锂矿找矿方法，其特征在于，所述利用待研究区域的第一分辨率光学遥感图像确定伟晶岩型锂矿找矿远景区进一步包括：
获取待研究区域的第一分辨率光学遥感数据并进行预处理；
提取经预处理第一分辨率光学遥感数据的色调特征，根据光学遥感数据的色调特征、色调特征差异及形态，提取区域穹窿构造作为伟晶岩型锂矿找矿远景区。
3.根据权利要求2所述的伟晶岩型锂矿找矿方法，其特征在于，
对第一分辨率光学遥感数据进行预处理包括几何校正、正射校正、大气校正、数据融合及图像增强；
对预处理后的第一分辨率光学遥感数据进行主成分分析；和对主成分分析后的数据进行选定波段的色彩合成得到第一分辨率光学遥感数据的色调特征。
4.根据权利要求3所述的伟晶岩型锂矿找矿方法，其特征在于，所述第一分辨率光学遥感数据为Landsat8数据，所述选定波段的色彩合成包括对第7波段、第5波段和第2波段的数据进行RGB合成。
5.根据权利要求1所述的伟晶岩型锂矿找矿方法，其特征在于，所述利用雷达数据确定穹隆构造进一步包括：
获取各伟晶岩型锂矿找矿远景区的雷达数据并进行预处理；
分析预处理后的雷达数据的形态特征及色调特征，确定伟晶岩型锂矿找矿远景区中的穹窿构造。
6.根据权利要求5所述的伟晶岩型锂矿找矿方法，其特征在于，所述雷达数据为Palsar-2数据。
7.根据权利要求1所述的伟晶岩型锂矿找矿方法，其特征在于，所述利用第二分辨率光学遥感数据确定转石区进一步包括：
获取各伟晶岩型锂矿找矿远景区的第二分辨率光学遥感数据并进行预处理；
提取经预处理图像数据的形态特征及分布特征，通过面向对象分类法对转石进行自动提取确定转石区。
8.根据权利要求7所述的伟晶岩型锂矿找矿方法，其特征在于，所述通过面向对象分类法对转石进行自动提取进一步包括：
确定图像分割尺度及合并尺度对第二分辨率光学遥感数据进行分割及合并，得到勾绘出地物轮廓的图像数据；
对勾绘出地物轮廓的图像数据，基于选定波段的反射波谱提取转石区。
9.根据权利要求8所述的伟晶岩型锂矿找矿方法，其特征在于，所述第二分辨率遥感图像数据为Geoeye-1数据，所述图像分割尺度为70，图像合并尺度为85。
10.根据权利要求8所述的伟晶岩型锂矿找矿方法，其特征在于，基于选定波段的反射波谱提取转石区进一步包括，将第1波段的反射率值大于4500、第2波段的反射率值大于6000且第4波段的反射率值大于6000的区域确定为转石区。
CN201811303044.6A 2018-11-02 2018-11-02 一种基于多源遥感数据的伟晶岩型锂矿找矿方法 Active CN109359621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811303044.6A CN109359621B (zh) 2018-11-02 2018-11-02 一种基于多源遥感数据的伟晶岩型锂矿找矿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811303044.6A CN109359621B (zh) 2018-11-02 2018-11-02 一种基于多源遥感数据的伟晶岩型锂矿找矿方法

Publications (2)

Publication Number Publication Date
CN109359621A true CN109359621A (zh) 2019-02-19
CN109359621B CN109359621B (zh) 2019-09-24

Family

ID=65343945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811303044.6A Active CN109359621B (zh) 2018-11-02 2018-11-02 一种基于多源遥感数据的伟晶岩型锂矿找矿方法

Country Status (1)

Country Link
CN (1) CN109359621B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709280A (zh) * 2020-04-30 2020-09-25 核工业北京地质研究院 一种高光谱金矿化蚀变远景区快速识别方法
CN113625363A (zh) * 2021-08-18 2021-11-09 中国地质科学院矿产资源研究所 伟晶岩型锂矿的找矿方法及装置、计算机设备及介质
CN116844050A (zh) * 2023-07-05 2023-10-03 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于多源遥感数据的伟晶岩型锂矿找矿方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130016284A1 (en) * 2011-07-12 2013-01-17 Xerox Corporation Hyperspectral image reconstruction via a compressed sensing framework
CN103218747A (zh) * 2013-02-08 2013-07-24 中国地质科学院矿产资源研究所 离子吸附型稀土矿非法开采监测与预警系统和方法
CN105137503A (zh) * 2015-08-11 2015-12-09 成都理工大学 斑岩型矿床的“似三角”模型遥感线环构造找矿方法
CN105469068A (zh) * 2015-12-04 2016-04-06 成都理工大学 基于图像特征分解的高空间分辨率遥感图像找矿方法
CN106971156A (zh) * 2017-03-22 2017-07-21 中国地质科学院矿产资源研究所 一种基于面向对象分类的稀土开采区遥感信息提取方法
CN108021853A (zh) * 2016-11-01 2018-05-11 核工业北京地质研究院 一种适用于花岗岩区岩脉的遥感图像识别方法
CN108181664A (zh) * 2018-01-18 2018-06-19 中国地质调查局西安地质调查中心 一种伟晶岩型稀有金属矿的识别方法及系统
CN108491869A (zh) * 2018-03-14 2018-09-04 北京师范大学 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130016284A1 (en) * 2011-07-12 2013-01-17 Xerox Corporation Hyperspectral image reconstruction via a compressed sensing framework
CN103218747A (zh) * 2013-02-08 2013-07-24 中国地质科学院矿产资源研究所 离子吸附型稀土矿非法开采监测与预警系统和方法
CN105137503A (zh) * 2015-08-11 2015-12-09 成都理工大学 斑岩型矿床的“似三角”模型遥感线环构造找矿方法
CN105469068A (zh) * 2015-12-04 2016-04-06 成都理工大学 基于图像特征分解的高空间分辨率遥感图像找矿方法
CN108021853A (zh) * 2016-11-01 2018-05-11 核工业北京地质研究院 一种适用于花岗岩区岩脉的遥感图像识别方法
CN106971156A (zh) * 2017-03-22 2017-07-21 中国地质科学院矿产资源研究所 一种基于面向对象分类的稀土开采区遥感信息提取方法
CN108181664A (zh) * 2018-01-18 2018-06-19 中国地质调查局西安地质调查中心 一种伟晶岩型稀有金属矿的识别方法及系统
CN108491869A (zh) * 2018-03-14 2018-09-04 北京师范大学 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
代晶晶 等: "遥感技术在川西甲基卡大型锂矿基地找矿填图中的应用", 《中国地质》 *
吴亚楠: "基于面向对象分类的稀土矿开采动态监测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
姚佛军: "中国典型斑岩铜矿遥感蚀变分带模型研究", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709280A (zh) * 2020-04-30 2020-09-25 核工业北京地质研究院 一种高光谱金矿化蚀变远景区快速识别方法
CN111709280B (zh) * 2020-04-30 2023-04-18 核工业北京地质研究院 一种高光谱金矿化蚀变远景区快速识别方法
CN113625363A (zh) * 2021-08-18 2021-11-09 中国地质科学院矿产资源研究所 伟晶岩型锂矿的找矿方法及装置、计算机设备及介质
CN116844050A (zh) * 2023-07-05 2023-10-03 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于多源遥感数据的伟晶岩型锂矿找矿方法

Also Published As

Publication number Publication date
CN109359621B (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
US11244461B2 (en) Apparatus and method for detecting oil spill by using satellite image
CN104123559B (zh) 盐湖区地下含钾卤水资源的多源遥感判别方法和系统
Pan et al. Crust stratigraphy and heterogeneities of the first kilometers at the dichotomy boundary in western Elysium Planitia and implications for InSight lander
CN109359621A (zh) 一种基于多源遥感数据的伟晶岩型锂矿找矿方法
CN106971156A (zh) 一种基于面向对象分类的稀土开采区遥感信息提取方法
CN108181664B (zh) 一种伟晶岩型稀有金属矿的识别方法及系统
Shimada et al. Generation of 10m resolution PALSAR and JERS-SAR mosaic and forest/non-forest maps for forest carbon tracking
CN109635713A (zh) 高原山地阴影区冰川识别方法
CN114386497A (zh) 面向铀成矿构造的航空高光谱和伽玛能谱数据融合方法
YU et al. Object oriented land cover classification using ALS and GeoEye imagery over mining area
CN113408547A (zh) 一种多时相多极化sar滑坡提取方法
Soe et al. Remote sensing and GIS studies of alteration and predictive mineral exploration in the Central Volcanic Arc, Myanmar
CN103413289B (zh) 矿区图像处理方法及装置
He et al. Notice of Retraction: Multi-Source Data Fusion Technology and Its Application in Geological and Mineral Survey
Salehi et al. Mineral mapping by hyperspectral remote sensing in West Greenland using airborne, ship-based and terrestrial platforms
Chen et al. Lithological classification and analysis based on random forest and multiple features: a case study in the Qulong copper deposit, China
Yue et al. The extraction of water information based on SPOT5 image using object-oriented method
Elhamdouni et al. RETRACTED ARTICLE: Automatic geological mapping using remote sensing data: case of the Zgounder deposit (Anti-Atlas, Morocco)
CN111160182A (zh) 一种识别古河道地表钙结岩的方法
Biswas et al. Integration of SAR (Sentinel-1a) and optical (Sentinel-2a) data for lithology discrimination in arid tracts of the Thar Desert (Nagaur, Rajasthan)
Chen et al. Geological Remote Sensing Dataset Construction for Multi-level Tasks
Yang et al. Rapid disaster analysis based on remote sensing: a case study about the Tohoku Tsunami disaster 2011
Sichugova et al. Density Analysis of Lineaments Using Remote Sensing Data
Bayındır Geometry, kinematics and activity of the fault zone among Ankara-Çankırı
Lu et al. Coastal Geomorphology and Its Impacts

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant