摘要
遥感以其覆盖面积广、获取速度快、经济社会效益高的优势特点，长期以来一直是区域地质调查领域不可或缺的技术手段，在地质体岩性识别、矿化蚀变信息提取、遥感地质图绘制等方面发挥着重要作用。近年来，随着我国1：5万等大比例尺区域地质填图工程的进一步展开，对遥感岩性制图工作的精度和效率提出了更高标准需求。传统遥感制图方法主要以目视解译为主，不仅耗费大量人工，而且过于依赖解译者的专业知识和经验，主观性强且效率较低。 随着机器学习算法在遥感图像处理领域的广泛应用，遥感岩性自动分类技术成为岩性识别领域的研究焦点。支持向量机（SVM）和极限学习机（ELM）是岩性分类中较常用的机器学习算法，但两种方法仅侧重于应用岩石的光谱特征，未考虑不同岩性的空间特征变异性，导致分类结果内部常存在大量星点状错分区。 针对上述问题，本研究拟综合高分一号（GF-1）和Landsat8OLI两种数据源，以新疆东天山昌吉地区为研究区，对比分析现有典型机器学习算法，将光谱特征与空间特征结合，形成一套高精度岩性自动分类技术方案。主要结论和成果如下： （1）通过空间分辨率融合、假彩色合成（FCC）、主成分分析（PCA）、最小噪声分离变换（MNF）等图像信息增强处理，并结合DEM数据构建三维影像，进行岩性单元的目视解译，结果表明：基于GF-1和Landsat8两种数据在新疆东天山昌吉地区的岩性信息增强处理具有良好的目视解译效果。高分一号全色与多光谱融合数据可以精细识别研究区大多数裸露岩性，但部分岩性单元之间光谱特征区别度不高，仅靠单一遥感数据源难以识别；Landsat8多光谱影像具有较高的光谱分辨率，通过多种图像处理方法增强，可以显著提高岩性之间的色调差异，弥补高分一号光谱分辨率的不足。 （2）基于遥感解译标志选取训练集数据，应用支持向量机（SVM）和极限学习机（ELM）等机器学习算法对GF-1和Landsat8遥感影像进行岩性自动分类。在ELM模型中引入分水岭分割算法提取图像的空间特征，应用最大投票法与标准ELM基于光谱特征的分类结果相结合。针对分类过程中容易出现的过拟合问题，引入主成分分析和正则化方法对模型进行改进，降低特征空间维度，简化隐层结构，提高模型的泛化能力。 （3）实验表明，Landsat8数据具有更丰富的光谱特征和更少的数据处理量，在研究区的自动分类效果最好；ELM具有无需调参的优势，分类精度和速度均优于SVM；引入分水岭分割算法提取空间特征有效减少了错分区产生，提升了岩性识别精度；通过主成分分析法和正则化法能有效缓解分类过程中的过拟合问题，最终建立的分水岭+主成分-正则化极限学习机模型分类精度可以达到目视解译效果的90%，很好地解决了目视解译中提出的地质问题，且耗时极短，是一套简单有效的高精度岩性自动分类模型，在遥感岩性识别领域具有一定的推广价值。
NETL