基于envi的常寧市水口山礦產資源分布研究

基于envi的常寧市水口山礦產資源分布研究

常寧市水口山礦產資源豐富。其資源包括彩色、黑色和金屬、有機巖（煤）、化工原料、陶瓷原料、建筑材料和輔助材料。以有色金屬、非金屬著稱,故常寧素有“有色金屬之鄉(xiāng)”與“非金屬之鄉(xiāng)”之稱?，F已探明和正在開采的礦種達10多種,尤以鉛、鋅、金、銀、銅為最。衡陽市礦產資源總體規(guī)劃(2001—2010)中,明確將常寧市水口山作為金屬礦產重點規(guī)劃區(qū)。而傳統的礦產資源開發(fā)多采用野外人工勘查,根據礦物巖石的理化性質進行探礦成圖,花費大量的人力物力。隨著信息技術迅速發(fā)展,當前地質礦產勘查和資源開發(fā)工作已從傳統找礦進入到高科技應用時代,地、物、化、遙等領域的高新技術貫穿了礦產勘查的全過程。遙感技術特別是高光譜遙感具有監(jiān)測范圍廣、空間分辨率高、成像周期短等特點,它與地球物理、地球化學勘查手段相結合,已成為現代找礦的主流技術(PerisovA.V.,1992)。高光譜分辨率探測技術的應用,更為各類地質調查、礦產開發(fā)提供了強大的技術支撐。1研究領域的總結1.1水口山有色子公司座落在柏內該區(qū)位于湖南省常寧市西北部的松柏鎮(zhèn)境內,而松柏鎮(zhèn)被稱為湖南省第一鎮(zhèn),以金屬礦而聞名,著名的水口山有色金屬集團公司座落在松柏鎮(zhèn)內。本論文選取的研究區(qū)域為常寧市水口山地區(qū)的三個主要礦區(qū)(水口山礦區(qū)、康家灣礦區(qū)和鴨公塘礦區(qū)),主要涉及包括南陽村、金聯村、新華村、新同村、朱陂村、水口山有色金屬公司6個村級行政單位,占整個松柏鎮(zhèn)近三分之一的面積,分布廣泛。1.2礦物局集采、選、五產品結合企業(yè)水口山地區(qū)歷史悠久,素有“鉛都”和“鋅都”之稱,至今已有100多年的開采史。該礦區(qū)設有專門的水口山礦務局,對水口山地區(qū)礦物開發(fā)、開采等進行綜合管理。目前,礦物局下設3個礦山、5個冶煉廠、3個輔助生產單位及10余個生產、生活設施配套部門,是集采、選、冶為一體的大型一檔有色金屬聯合企業(yè),為常寧市乃至衡陽市帶來重要的經濟效益。礦區(qū)現已全面開采各種金屬和非金屬礦物,現已發(fā)現的礦區(qū)主要分為三個:水口山礦區(qū)、康家灣礦區(qū)和鴨公塘礦區(qū),這些礦區(qū)經過多年的開采,資源已出現緊張狀態(tài),急需要進一步的探測,在其外圍地區(qū)進行發(fā)掘,尋找適合開采的新資源,因此,在水口山礦區(qū)及周邊仍有良好的找礦前景。2數據源和技術路線2.1基于spct-spol-遙感影像的露天開采礦區(qū)實時遙感監(jiān)測遙感影像數據是GIS的一個極其重要的信息源。早在1969年,美國就組織了由土地保護部礦山處執(zhí)行的監(jiān)測礦山環(huán)境與災害的項目,并取得顯著效果。Mularz利用LandsatTM、SPOT衛(wèi)星遙感圖像以及航空遙感影像對波蘭中部地區(qū)的重要能源產地,即Belchatow褐煤露天開采礦區(qū)的環(huán)境狀況以及多年的土地利用覆蓋變化情況和植被覆蓋變化情況進行了遙感監(jiān)測研究,指出LandsatTM與SPOT全色影像的融合影像是對露天礦區(qū)及其周邊環(huán)境進行監(jiān)測的最有效數據。本研究采用2009年SPOT5遙感影像,該影像空間分辨率高,精度好,含有三個波段的基礎信息。數據處理采用ENVI遙感軟件,首先對獲得的SPOT影像進行投影變換,采用高斯-克呂格投影,坐標系采用西安1980平面直角坐標系;在此基礎上,利用常寧市行政界線進行幾何校正,利用水口山地區(qū)行政界線對影像進行裁剪,并將三個礦區(qū)的分布范圍在圖中標注出來。下圖1為在ENVI軟件中裁剪出的研究區(qū)域影像。2.2測定原影像的質量評定通過分析礦物在影像上的表現特征,本研究采用基于決策樹的逐步分類方法,在每一次決策樹判定后對原影像樣點數據進行判斷,對決策樹的質量給予評價,質量不符合要求的需要重新判定;對決策樹分類得出的結果圖像,利用第二次全國土地利用調查的成果結合野外調研情況綜合分析其合理性,在分類的過程中,充分利用地表植被的分布指數,最終建立本文的技術路線如下圖所示:3根據遙感圖像，水口山礦區(qū)的礦產資源信息提取3.1主要分類方法ENVI高光譜圖像的計算機分類已出現很多新型分類方法,如:神經網絡分類法、模糊分類法、專家系統分類法、支撐向量機分類法、面向對象分類法、最小距離法、最大似然法、基于匹配濾波器的分類方法、一階導數光譜分類等。但這些方法或者算法過于復雜、難以理解,或者對分類者有較高的遙感和地學知識要求,都未能在更大領域得到推廣和應用。決策樹分類作為一種基于空間數據挖掘和知識發(fā)現(SpatialDataMiningandKnowledgeDiscovery,SDM&KD)的監(jiān)督分類方法,突破了以往分類樹或分類規(guī)則的構建要利用分類者的生態(tài)學和遙感知識先驗確定、其結果往往與其經驗和專業(yè)知識水平密切相關的問題,而是通過決策樹學習過程得到分類規(guī)則并進行分類,分類樣本屬于嚴格“非參”,不需要滿足正態(tài)分布,可以充分利用GIS數據庫中地學知識輔助分類,大大提高了分類精度。3.2決策數學方法決策樹(Decisiontree)是通過對訓練樣本進行歸納學習生成決策樹或決策規(guī)則,然后使用決策樹或決策規(guī)則對新數據進行分類的一種數學方法。它是決策樹學習和決策樹分類兩個過程。決策樹學習過程是通過對訓練樣本進行歸納學習(Inductivelearning),生成以決策樹形式表示的分類規(guī)則的機器學習(Machinelearning)過程,其分類的主要步驟如下圖所示:3.3采礦用地現狀分類本研究采用ENVI4.6遙感圖像處理軟件,結合MAPGIS6.7數據處理和分析軟件,以第二次土地調查現有數據作為對比,對水口山地區(qū)的礦產分布進行提取。提取出的礦產分布如下圖所示,黃色代表耕地,紅色代表居民地,綠色代表園地、林地,藍色代表水域,白色代表采礦用地,黑色代表山體陰影。將分類后的數據結合實際野外調查的數據點進行精度分析得知,此次分類總體精度為85.2%,kappa系數為0.837,分類效果較好。由于通過分類處理后的破碎圖斑較多,需進一步進行分類后處理,再將處理的柵格數據轉換成矢量數據便于分析。為減少數據量,只選擇礦產用地類別且對面積較小的圖斑進行了舍棄或者合并處理,最終繪制出水口山地區(qū)的礦產資源分布圖,如圖5。4u3000實現礦的遙感勘探和近紅外覆蓋經過上述處理后的水口山地區(qū)礦產圖斑數目為23個,總面積為187.1hm2;礦區(qū)面積最大的是水口山礦區(qū),其次是康家灣礦區(qū),最后是鴨公塘礦區(qū)。通過將結果數據與第二次全國土地調查(簡稱二調)數據作對比發(fā)現,此次分類提取的礦區(qū)面積較二調野外實地調查的礦區(qū)相比面積有所增加,增加將近50hm2,主要分布在礦區(qū)的中部和北部,也就是鴨公塘礦區(qū)和康家灣礦區(qū)。除去由于計算機分類可能存在的誤差外,通過遙感影像發(fā)掘的礦產分布地是主要原因。由此可見,通過遙感來對礦產進行開發(fā)勘探是可行的。由于影像精度及礦物在可見光-近紅外波段的光譜特征,利用高光譜遙感技術對礦物種類的識別存在一定的難度,不易區(qū)分具體的礦物類別;在今后的研究中,可考慮結合微波遙感來對礦物種類做進一步的分析。當然,礦產分布數據也還存在一定的影像提取誤差,主要有以下幾種情況:一是目前還沒有真正開發(fā)的地區(qū),因為在可見光-近紅外波段地下埋藏各種礦物造成其影像的特征與裸地非常接近,礦產分布與裸地不容易分清;二是現有采礦用地由于人為破壞或污染的原因,造成礦區(qū)周圍堆積礦渣等廢物而呈現礦區(qū)的影像特征;三是地表植被和土壤對礦產的覆蓋,某些地區(qū)由于光譜差異性不大,不易被識別。因此,在以后的研究中應更注重對這幾個問題的深入探討。5礦產資源分布調查的可行性通過對SPOT高光譜影像進行決策樹分類,充分利用影像