Гиперспектральное дистанционное зондирование в литологическом картографировании, разведке полезных ископаемых и экологической геологии: обновленный обзор

Аннотация

Гиперспектральная съемка использовалась в геологии с момента ее появления в 1970-х годах. За последние несколько десятилетий геологи разработали различные методы анализа гиперспектральных данных с целью количественного извлечения геологической информации из снимков дистанционного зондирования с высоким спектральным разрешением. Мы попытались проанализировать и обновить различные методы, используемые при извлечении геологической информации, для таких направлений как литологическое и минералогическое картирование, разведка руд и экологическая геология. Этапы включают в себя атмосферную коррекцию, обработку размерности, извлечение конечных элементов и классификацию изображений. Установлено, что попиксельные и субпиксельные классификаторы изображений могут генерировать точные карты изменения минералов. Создание геологических карт различных поверхностных материалов, включая минералы и горные породы, является одним из наиболее важных геологических применений. Методы классификации гиперспектральных изображений демонстрируют потенциал для использования в качестве основного инструмента в горнодобывающей промышленности и экологической геологии. Чтобы проиллюстрировать потенциал, мы также включаем несколько тематических исследований различных применений в геологии.

1. Введение

Дистанционное зондирование с высоким спектральным разрешением (гиперспектральное) используется для наблюдения Земли с момента появления систем спектральных съемочных систем [1]. Гиперспектральные датчики могут получать изображения в 100-200 смежных спектральных диапазонах, обеспечивая уникальную комбинацию пространственно и спектрально смежных изображений [2]. Благодаря своей способности улавливать уникальные спектральные характеристики материала поверхности, гиперспектральная съемка использовалась в дистанционном зондировании во множестве отраслей, включая науки о земле, лесное хозяйство, географию, сельское хозяйство, гидрографию, атмосферные наблюдения, мониторинг изменения климата, военное дело, безопасность и правоохранительные органы [3].

В науке о земле ученые-геологи также использовали преимущества гиперспектральной съемки в различных направлениях, таких как добыча полезных ископаемых, определение качества воды, нефтяная и газовая промышленность. Они проводили гиперспектральную съемку в различных масштабах, от съемки с близкого расстояния, включая образцы горных пород [4], керна [5] и сканирование обнажений [6], до сбора данных с воздуха и из космоса [7,8].

Существует несколько обзорных работ по теме геологического гиперспектрального дистанционного зондирования, включая его применение в геологии [9], мульти- и гиперспектрального геологического дистанционного зондирования [7], картирования полезных ископаемых с использованием гиперспектральных данных [10], методов спектральной обработки для геологического дистанционного зондирования [11], гиперспектрального дистанционного зондирования и геологического применения [12], гиперспектрального дистанционного зондирования для разведки полезных ископаемых [13].

Однако для будущих исследований необходим обновленный обзор, охватывающий различные компоненты использования гиперспектрального дистанционного зондирования в геологических целях. В этой статье предпринята попытка восполнить пробел, предоставив обновленный обзор гиперспектральных миссий, спектральных свойств диагностических минералов и различных методов извлечения геологической информации из космических / бортовых данных гиперспектральной съемки. Эти методы включают предварительную обработку, уменьшение размерности, извлечение конечных элементов и важные методы классификации изображений.

2. Гиперспектральные датчики

За последние десятилетия бортовые гиперспектральные датчики, включая AVIRIS, HYDICE, DAIS и HyMAP, превзошли возможности гиперспектральной съемки. Однако использование космических гиперспектральных датчиков делает эту технологию более доступной для исследователей. Запуск датчика NASA EO-1 Hyperion с 242 спектральными каналами в диапазоне от 0,4 до 2,5 микрометра положил новое начало гиперспектральному дистанционному зондированию. Несколько других космических гиперспектральных датчиков также были запущены в целях научных исследований и получения изображений суши, дистанционного зондирования Земли, а также природных ресурсов и атмосферы, таких как Tiangong-1, EnMAP и PRISMA. Тем не менее, существуют планы по дальнейшей разработке гиперспектральных спутниковых датчиков, включая HypXIM и HyspIRI. В таблице 1 представлены некоторые из основных гиперспектральных миссий с целью наблюдения Земли. Хотя большинство космических гиперспектральных снимков (HSI) имеют умеренное пространственное разрешение (30 м) (таблица 1), некоторые гиперспектральные датчики, такие как PRISMA и готовящийся к запуску HypXIM, используют преимущества панхроматических датчиков с разрешением 5 и 2 м соответственно.

Таблица 1

Конкретные спектральные характеристики различных гиперспектральных миссий

3. Спектральные свойства различных минералов

Данные гиперспектральной съемки в диапазоне от 0,4 до 2.5 мкм видимого, ближнего инфракрасного (VNIR) и коротковолнового инфракрасного (SWIR) спектральных диапазонов являются диагностическими при минералогическом и литологическом картировании в различных климатических и тектонических условиях [12]. Из-за отличительной особенности спектрального поглощения многие минералы и горные породы различимы по их спектральным образам [9,14,15]. На рисунке 1 показана точность идентификации различных минералов в разных длинах волн, включая VNIR, SWIR, длинноволновое инфракрасное излучение (LWIR) или тепловое инфракрасное излучение (TIR) [16]. Таким образом, гидротермально измененные и неизмененные породы могут быть выделены и нанесены на карту с помощью диагностических сигнатур в диапазонах VNIR и SWIR [17].

Рис. 1 Качественная точность спектрального анализа в диапазонах VNIR, SWIR и LWIR [16]

Оксиды и гидроксиды железа, включая гематит, ярозит, лимонит и гетит, демонстрируют отчетливое спектральное поглощение в диапазоне VNIR от 0,4 до 1,1 мкм. Оксиды железа и гидроксидные минералы в основном образуются в ходе процессов гидротермального изменения, связанных с различными рудными телами, такими как месторождения порфировой меди (PCDs) [17].

Гидроксил-содержащие минералы, такие как биотиты, глинистые минералы, сульфаты, карбонатные группы, демонстрируют отчетливое спектральное поглощение в диапазоне SWIR. Различные минералы, включая минералы, содержащие Al-Si-(OH) и Mg-Si-(OH), такие как глинистые минералы, тальк и хлорит, и содержащие Ca-Al-Si-(OH) соросиликатные минералы, такие как эпидот и сульфаты, содержащие OH, такие как алунит и гипс, карбонаты имеют диагностические спектральные характеристики в диапазоне SWIR. Из-за внутренней структуры кварцевого минерала он показывает сигнатуру поглощения от 8,3 до 9,1, которая относится к диапазону TIR [18].

Спектральные характеристики некоторых гидротермальных минералов представлены на рис. 2(a) и 2(b). Рисунок 2(а) отражает особенности поглощения минералов Al-O-H, Mg-O-H, алунита и карбонатов в области SWIR, тогда как на рисунке 2(б) показаны особенности спектров оксидов и гидроксидов Fe [19]. Эти минералы в основном связаны с различными гидротермальными изменениями вокруг различных рудных месторождений. Таким образом, спектральные характеристики минералов, которые являются одним из наиболее важных аспектов гиперспектрального дистанционного зондирования, могут быть использованы для литологического и минерального картирования, а также для разведки руд. На рисунке 3 показано пространственное распределение различных минералов с диагностическими спектральными свойствами по гиперспектральным данным VNIR и SWIR AVIRIS над Купритом, штат Невада.

Рис. 2 Лабораторные спектральные характеристики различных гидротермальных минералов, включая (а) глинистые минералы и (б) оксиды железа [18].

Рис. 3 Отображение результатов анализа (а) гиперспектральных данных VNIR и (б) SWIR AVIRIS района Куприт, штат Невада [15]

Существует несколько хорошо изученных спектральных библиотек минералов и горных пород, таких как библиотека Геологической службы США (USGS), Университета Джона Хопкинса (JHU) и Лаборатории реактивного движения (JPL), Спектральная библиотека излучения и отражения (EARSL) и спектральная библиотека Национальной коллекции минералов (NMC). Геологическая служба США предоставила спектральную библиотеку минералов и горных пород для диапазона 0,35 – 2.5 мкм. Спектральная библиотека JHU охватывает диапазон 2 – 25 мкм [20]. Спектральная библиотека NASA JPL включает минералы характеристиками спектра 0,4 – 2.5 мкм. Совет Организации прикладных исследований Австралии разработал библиотеку различных минералов EARSL. NMC, подготовленный Геологической службой Канады, содержит более 100 000 минералов [21].

Хотя спектральные библиотеки различных минералов, полученные в лабораториях, широко использовались для идентификации минералов и горных пород, некоторые естественные неоднородности, существующие в различных минералах, и связанное с ними спектральное смешение, возможно, все еще оказывают нежелательное влияние на результаты обработки изображений [22,23]. Полевая спектроскопия развивается как надежный метод для решения этой проблемы, особенно при картировании минералов и разведке руды. Гиперспектральные данные кернов предоставляют информацию о различных типах минералов при разведке руд [10]. Комбинация полевой спектроскопии с гиперспектральными изображениями, получаемыми из космоса / с воздуха, позволяет получить надежные результаты обработки изображений.

4. Обработка гиперспектральных данных

4.1. Предварительная обработка гиперспектральных изображений

Для исправления исходных гиперспектральных изображений доступны различные уровни предварительной обработки, включая геометрическую и атмосферную коррекцию (ATCOR). Плохие характеристики изображения, вызванные датчиком, могут быть устранены с помощью методов коррекции геометрических ошибок или ошибок датчика. Эти ошибки связаны с полосами и другими искажениями типа шума [24,25]. Например, детекторы в датчике Hyperion могут выдавать несколько вертикальных линий без информации. Эти полосы могут быть закрыты путем замены значений пикселей средними значениями соседних пикселей [25].

Из-за рассеяния и поглощения солнечного излучения и участков спектра атмосферными газами и аэрозолями гиперспектральные изображения подвержены атмосферному воздействию. Оно должно быть устранено, чтобы гиперспектральные данные можно было использовать для количественной оценки [26]. Методы ATCOR развивались на протяжении многих лет, так что их можно классифицировать как эмпирические подходы, основанные на самих снимках, и подходы, основанные на модели переноса излучения (RTM) [25-28]. Было разработано несколько эмпирических подходов, основанных на снимках, для коррекции атмосферных воздействий на гиперспектральные изображения. Kruse [23] рассчитал средний спектр сцены по её внутреннему среднему спектру. Затем соответствующий спектр любого пикселя делился на значение среднего спектра, чтобы получить относительный спектр отражения для каждого пикселя. Этот метод в основном применялся для участков без какой-либо растительности. Робертс и другие [29] представили процедуру коррекции плоского поля (FFC). Они проводили нормализацию входного изображения к предполагаемой области с нейтральным спектральным коэффициентом отражения (с плоской топографической и спектральной характеристикой). Эмпирический линейный подход [30] использует спектры отражения поля для ярких и темных целей для линейной корреляции необработанных входных спектральных данных. Райнерсман и другие [31] разработали эмпирический метод "тени от облаков" ("cloud shadow") для алгоритма ATCOR над более темными водными поверхностями. Быстрый подход ATCOR [32] разработан для устранения атмосферных эффектов на мультиспектральных и гиперспектральных изображениях в диапазонах VNIR и SWIR. Этот подход определяет коэффициент компенсации атмосферы непосредственно из спектральных данных.

RTM – это физически основанные коды, которые пытаются имитировать процесс передачи электромагнитной волны в атмосфере [33]. Они нуждаются в полевых измерениях атмосферных условий во время получения изображения и обеспечивают явную отражательную способность или масштабированную отражательную способность поверхности [25,34]. Существует несколько алгоритмов на основе RTM для моделирования ATCOR. Алгоритм удаления атмосферы был разработан Гао и другими [35]. Эта модель использовалась для получения спектров отражения земли из гиперспектральных данных с помощью метода теоретического моделирования. Он имитирует эффекты поглощения и рассеивания газов и аэрозолей, существующих в атмосфере. ATCOR, разработанный Рихтером [36], включает в себя большую базу данных функций ATCOR. Он охватывает широкий спектр атмосферных условий. Круз [27] разработал алгоритм ATCOR now, который представляет собой программное обеспечение ATCOR на основе модели, использующее код MODTRAN-4 для уменьшения атмосферных и топографических эффектов в данных.

Модуль атмосферной коррекции FLAASH (Fast line-of-sight atmospheric analysis of spectral hypercubes) был разработан Адлером-Голденом и другими [37]. Он восстанавливает коэффициент отражения поверхности земли без использования наземных измерений. Стаэнц и соавторы [38] разработали систему анализа данных спектрометра изображений для обработки гиперспектральных данных путем удаления артефактов датчика и калибровки. Он преобразует излучение датчика в коэффициент отражения поверхности и анализирует гиперспектральные данные. Кью и соавторы [39] разработали высокоточную атмосферную коррекцию для гиперспектральных данных. Эта модель корректирует водяной пар и другие газы (такие как CO₂ и метан).

4.2. Обработка размерности

После исправления гиперспектральные данные по-прежнему содержат избыточную спектральную информацию, которую необходимо обработать. Чтобы сократить вычислительные затраты и время обработки без потери полезной информации, размерность данных должна быть уменьшена. Методы уменьшения размерности можно разделить на различные группы, такие как неконтролируемые и контролируемые, линейные и нелинейные подходы. Анализ основных компонентов (PCA – principal component analysis), минимальная доля шума (MNF – minimum noise fraction) и анализ независимых компонентов (ICA – independent component analysis) являются наиболее популярными неконтролируемыми подходами к уменьшению размерности. PCA – это линейный широко используемый метод, который выполняет поиск для увеличения дисперсии в новом и нижнем подпространстве [40]. MNF – это хорошо известный метод шумоподавления, который преобразует зашумленный исходный гиперспектральный куб данных в поканальные изображения с увеличивающимся уровнем шума [41]. ICA – это статистический механизм, который преобразует данные в максимально независимые и негауссовы подразделы [42,43]. Этот метод использует виртуальную размерность для определения количества независимых компонентов, который следует сохранить [25]. Контролируемыми методами выполняется извлечение более полезной информации с использованием предварительных знаний об обучающих выборках. Обычно используемые контролируемые алгоритмы уменьшения размерности включают линейный дискриминантный анализ Фишера [44] и дискриминационное выравнивание по местоположению (DLA – discriminative locality alignment) [45]. Локальный дискриминантный анализ Фишера [46] и неконтролируемый DLA [45] являются некоторыми вариантами этих методов.

Чтобы преодолеть некоторые проблемы, возникающие из-за традиционных методов уменьшения размерности, для улучшения результатов уменьшения размерности были разработаны методы, основанные на разреженности, такие как дискриминантный анализ на основе разреженных графиков [47] и метод комбинирования множества признаков [48]. Помимо традиционных методов, он включает в себя спектральные и текстурные методы; для обработки гиперспектральных изображений были разработаны новые методы, основанные на машинном обучении. Ряд алгоритмов обучения метрикам, таких как анализ соответствующих компонентов [49], анализ компонентов окрестности [50], теоретико-информационное обучение метрикам [51], и совместное дискриминантное обучение локальным метрикам [52], решают проблемы гиперспектрального анализа. В дополнение, для отображения нелинейной структуры в гиперспектральных изображениях предложены различные методы уменьшения размерности, основанные на обучении многообразий, включая локально линейное вложение [53], собственную карту Лапласа [54], изометрическое отображение [55], вложение с сохранением окрестностей (NPE - neighborhood preserving embedding) [56]. Также были внедрены методы изучения гиперграфов для изучения взаимосвязи множественной смежности в гиперспектральных данных и обнаружения сложной геометрической структуры между гиперспектральными изображениями [57]. Дискриминантная гиперлапласианская проекция [57], встраивание гиперграфа с полууправлением [58], локальная пиксельная NPE [59], и пространственно–спектральная регуляризованная разреженность встроенных гиперграфов [57] – это некоторые типы методов встраивания графов для уменьшения размерности гиперспектральных изображений.

4.3. Способы извлечения конечных элементов

Благодаря улучшенному спектральному разрешению HSI извлечение конечного элемента гиперспектральных данных является фундаментальным шагом в их обработке. Конечный элемент – это чистая и диагностическая сигнатура, которая может использоваться для указания спектрального класса. Следует отметить, что каждый конечный элемент не обязательно должен быть чистым пикселем [60]. Существует несколько алгоритмов извлечения конечных элементов, которые в целом сгруппированы в два основных класса, включая категории, основанные на конвексной геометрии, и категории, основанные на статистике [12]. В широко используемой модели линейного разделения спектры каждого пиксельного вектора рассматриваются как линейная комбинация конечных элементов, взвешенных по их соответствующему содержанию. [61,62]. В рамках алгоритмов линейного спектрального разделения существуют две основные группы методов извлечения конечных элементов: чисто-пиксельные и непиксельные методы. В этих методах гиперспектральные данные рассматриваются как симплексные, а их конечные элементы составляют их вершины. Подход с использованием чистых пикселей предполагает, что в сцене изображения есть по крайней мере один конечный элемент, и применяет алгоритмы симплексного увеличения или преобразования максимального объема для поиска конечных элементов в облаке гиперспектральных данных [63,64]. Популярные алгоритмы включают индекс чистоты пикселей (PPI – pixel purity index) и алгоритм N-finder (N-FINDR), компонентный анализ выявления максимальных значений, автоматический процесс генерации цели и анализ выпуклого конуса являются типичными развивающимися методами с использованием чистых пикселей или симплексов [47,48]. Для устранения проблем при извлечении конечных элементов с использованием чистых пикселей, были разработаны нечистые методы, использующие алгоритмы сжатия симплекса или методы преобразования минимального объема [64]. Оптическая адаптивная система спектральной идентификации в реальном времени (ORASIS – Optical real-time adaptive spectral identification system), факторизация неотрицательной матрицы с минимальным объемом (MVC-NMF – minimum volume constrained non-negative matrix factorization), симплекс с минимальным объемом (MVES – minimum volume enclosing simplex), симплексный анализ минимального объема (MVSA – minimum volume simplex analysis), а разделение изобилия и неотрицательная факторизация матрицы с ограничением по гладкости разрабатываются как алгоритмы извлечения не чистых пикселей [64]. ORASIS как модель линейной смеси, разработанная Военно-морской исследовательской лабораторией, состоит из серии пошаговых алгоритмов, включая предварительный просмотр, выбор основы и выбор конечного элемента, чтобы разделить каждый пиксель набора данных с разными конечными элементами [65,66]. Этот метод рассматривает все пиксели данных внутри симплекса с максимальными значениями конечного элемента. По словам Чанга [66], функциональность этого метода снизилась в гиперспектральных данных с низким отношением сигнал/шум (SNR). MVC-NMF был разработан Миао и Кьи [67] как алгоритм, основанный не на чистых пикселях, который представляет собой алгоритм, основанный на конвексной геометрии. Этот метод пытается соответствовать симплексу, пока его объем минимален, и охватывает облако данных [67]. Нури и другие [68] использовали оптимизацию роя частиц для улучшения метода MVC-NMF для минералогического разделения гиперспектральных данных с высоким SNR [68]. MVSA - это еще одна линейная модель смешивания для извлечения конечных элементов, разработанная Ли и Бьюкас-Диас [69]. Этот алгоритм пытается подогнать симплекс минимального объема к гиперспектральным данным, который содержит доли распространения, принадлежащие симплексу вероятности [70]. В этом методе предполагается, что чистый пиксель может не существовать в гиперспектральных данных, что может решить общую ситуацию в гиперспектральных данных с сильно перемешанными пикселями [70]. Руководствуясь убеждением Крейга, Чан и другие [71] разработали линейную модель, называемую алгоритмом MVES, в которой максимальные значения симплекса охватывают все наблюдаемые пиксели. В этом методе симплекс должен оценивать все сигнатуры конечных элементов с высокой точностью [72]. Нелинейные геометрические методы разделения использовались реже, чем линейные методы. Бродвотер [73] представил нелинейные методы ядра для решения проблемы разделения в гиперспектральных данных высокой размерности. Хейлен [74] представил методы максимизации геодезического симплексного объема в предположениях о нелинейном смешивании для извлечения гиперспектральных конечных элементов. Основанные на статистике методы извлечения конечных элементов используют статистические представления [63]. На основе параметрических, непараметрических и пространственных статистических представлений были разработаны различные основанные на статистике методы разделения. Модель стохастического смешивания, которая предполагает гауссово распределение для каждого конечного элемента, является примером основанных на статистике алгоритмов, использующих параметрические представления [75]. ICA предлагается с помощью непараметрических статистических методов разделения. Алгоритм количественной оценки численности на основе ICA и комбинация ICA и независимого факторного анализа представляют собой некоторые виды непараметрического статистического подхода к извлечению конечных элементов [63]. Автоматическое морфологическое извлечение конечных элементов, итеративный анализ ошибок и пространственно–спектральное извлечение конечных элементов (SSEE – spatial–spectral endmember extraction) представляют собой статистические методы разделения, которые использовали пространственную статистику для улучшения выбора конечных элементов [12,63].

5. Методы классификации изображений

Классификация изображений обычно относится к набору методов для присвоения различных классов всем пикселям в цифровом изображении. С момента появления гиперспектрального дистанционного зондирования были разработаны и усовершенствованы различные подходы и алгоритмы классификации гиперспектральных изображений. Из-за высокой размерности, смешанных пикселей и меньшего количества обучающих выборок процедура классификации изображений для гиперспектральных изображений с высоким спектральным разрешением сталкивается с большим количеством проблем. Однако для преодоления этих проблем были разработаны и применены различные методы. Классификация изображений в основном подразделяется на три основные группы, включая контролируемые, неконтролируемые и полуконтролируемые методы. За последние десятилетия, на основе различных критериев, контролируемая и неконтролируемая классификация изображений была разделена на дополнительные группы, включая попиксельную и субпиксельную, параметрическую и непараметрическую, мягкую и жесткую, спектральную и спектрально-пространственную, а также по полю [25,76,77].

При контролируемой классификации аналитик изображений использует обучающие выборки (известные), полученные из экспертных знаний, для определения различных спектральных сигнатур или значений пикселей изображения в отношении разных классов [25]. На основе предварительных знаний пользователь выбирает образец эталонных пикселей известного типа покрытия или рисунка на изображении в качестве определенного класса и назначает его в качестве обучающих выборок. Затем эти обучающие выборки будут использоваться в качестве ссылок для классификации других пикселей на изображении. Некоторые из важных контролируемых классификаторов включают классификатор максимального правдоподобия (MLC – maximum likelihood classifier), метод опорных векторов (SVM – support vector machine), картографирование спектрального угла (SAM – spectral angle mapper), дерево решений и искусственную нейронную сеть (ANN – decision tree, and artificial neural network) [25].

В неконтролируемых методах классификации нет необходимости в обширной предварительной информации и вкладе аналитика. Помогая находить различные кластеры в данных, этот подход может быть использован для извлечения признаков и сегментации. В этом методе классы создаются исключительно на основе спектральной информации, а не на основе визуальной интерпретации вручную. Метод К-средних, итеративный метод самоорганизации (ISODATA - iterative self-organizing method) и кластеризация – вот некоторые из распространенных неконтролируемых классификаторов [78].

Полуконтролируемая классификация использует некоторую доступную известную справочную информацию наряду с неопределенными данными. Полуконтролируемый метод для классификации гиперспектральных изображений начал использоваться не так давно [79].

Методы параметрической классификации рассматривают данные как имеющие нормальную структуру распределения и имеют дело со статистическими параметрами, такими как вектор среднего значения и ковариационная матрица. В случае сложного ландшафта результаты классификации должны быть зашумленными. Кроме того, недостаточные, нерепрезентативные и многорежимные распределенные обучающие выборки приводят к некоторым неоднозначностям в классификации изображений. Объединение спектральных данных со вспомогательной информацией и нестатистическими данными при параметрическом подходе создает некоторые трудности для классификации снимков дистанционного зондирования [77]. Однако, благодаря своей надежности и простоте реализации, MLC является одной из наиболее широко используемых параметрических классификаций.

В непараметрическом классификаторе не требуются статистические параметры распределения входных данных. Такой подход облегчает интеграцию данных, не относящихся к дистанционному зондированию, в процедуру классификации изображений. Классификатор дерева решений, экспертные системы, SVM, глубокое обучение и нейронные сети становятся типичными примерами непараметрических классификаторов, широко используемых в классификации изображений дистанционного зондирования [25].

Попиксельный классификатор создает и присваивает сигнатуру путем сопоставления спектров набора объектов от всего пикселя до одного класса. Не рассматривая проблему смешанных пикселей, результирующая сигнатура включает в себя интеграцию всех материалов, доступных в обучающем наборе пикселей [25,77]. Большинство классификаторов, таких как MLC, евклидово расстояние, ANN, дерево решений и SVM, SAM, двоичное кодирование и подгонка спектральных признаков, являются важными попиксельными классификаторами. Из-за низкого пространственного разрешения гиперспектральных снимков дистанционного зондирования каждый пиксель спектрально не является чистым и обычно содержит смесь двух или более целевых материалов.

Были введены субпиксельные классификаторы, чтобы преодолеть проблему, связанную с наличием различных материалов в пикселе. Эти методы рассматривают спектральное значение каждого пикселя как результат интеграции линейной или нелинейной комбинации чистых материалов. Эти методы присваивают точный класс для каждого пикселя для классификации изображений дистанционного зондирования со средним и низким пространственным гиперспектральным разрешением. В них использовались различные линейные и нелинейные модели разделения для спектрального сопоставления на субпиксельном уровне [25,76].

Модели линейного разделения рассматривают каждый пиксель как линейную комбинацию набора характерных спектральных признаков в качестве конечных элементов по отношению к их количеству. Другими словами, в моделях с линейным разделением субпиксельный компонент может быть физически различим по свойству отражения. В геологии различные месторождения полезных ископаемых или спектральные библиотеки были применены для идентификации минералов и их распространенности. Наиболее популярной моделью для спектрального разделения является линейная модель смешивания (LMM – linear mixing model). В этой модели используются некоторые конечные элементы или алгоритмы обнаружения чистых пикселей, такие как N-FINDR и PPI.

Нелинейные модели смешивания считают, что на световой фотон воздействовали различные материалы земной поверхности до их обнаружения датчиком. Различными типами взаимодействия фотонов в смешанном пикселе в не-LMM являются вертикальное смешивание (навесы деревьев) и горизонтальное смешивание (зернистые смеси), а также и то, и другое. Билинейные модели, модели тесных смесей, модели на основе нейронных сетей, модели на основе ядра, физическое моделирование и методы многообразия – это методы, не относящиеся к LMM, которые использовались многими исследователями [77,80].

Спектральные классификаторы рассматривают гиперспектральные изображения только как спектральные данные, не заботясь о пространственной информации. Из-за высокого уровня смешивания в пространственном распределении различных классов спектральные классификаторы дают зашумленные результаты [25]. Хотя спектральные классификаторы обладают концептуальной простотой и вычислительной эффективностью, они не способны эффективно разделять ряд материалов растительного покрова. MLC и ANN являются одними из важных спектральных классификаторов.

Пространственно-контекстуальные подходы были разработаны для получения более точной классификации [25]. В этих методах пространственная информация извлекается из соседних пикселей для получения лучшего результата классификации. Некоторые методы сглаживания, включая нечеткую логику и нейронную сеть, могут быть выполнены до начала основной классификации. Извлечение текстур, моделирование MRFs, сегментация изображений и объектно-ориентированный анализ изображений являются основными пространственно-контекстуальными методами дистанционного зондирования. Спектрально–пространственные классификаторы в основном используются для обработки гиперспектральных изображений. В этих подходах параметрические и непараметрические классификаторы выполняются до использования пространственных классификаторов [76,81].

Мягкие классификаторы используют условную вероятность для определения границы принятия решения для классификации цели на изображении [77]. В этом методе каждый пиксель может принадлежать более чем одному классу, и между каждым классом существует градиент. Моделирование линейного смешивания и нечеткая классификация являются наиболее распространенными методами мягкой классификации.

Жесткие классификаторы, напротив, определяют границы цели, не выполняя оценку вероятности. Они рассматривают каждый пиксель, как принадлежащий к классу, на который он наиболее похож. Результаты этой классификации имеют более низкую точность, чем подходы мягкой классификации. ISODATA, методы параллелепипеда, К-средних, максимального правдоподобия и нейронные сети являются наиболее важными жесткими классификаторами [76].

Рассмотрение одного или нескольких классификаторов является еще одним критерием для группировки классификаторов изображений [25]. Единый классификатор предполагает присвоение метки класса заданному пикселю. Одним из наиболее известных классификаторов, которые использовались в качестве единого классификатора, является SVM. Он создает линейные границы принятия решений для классификации нескольких классов. Этот метод определяет различные обучающие выборки, находя гиперплоскости с максимальным запасом в пространстве выборки отображения.

В совмещенных или множественных классификаторах выполняется набор различных классификаторов для присвоения метки класса для данного пикселя. Это повышает точность результата классификации. При таком подходе следует учитывать, что комбинация классификаторов имеет преимущество в повышении точности без каких-либо недостатков [78,81].

Предварительное требование к справочным данным также устанавливает отдельную категорию для группировки классификаторов спектральных изображений. В случае отсутствия предварительных справочных данных для обработки изображения используются непосредственно спектральные характеристики пикселя. Напротив, некоторые методы используют предопределенную эталонную информацию в качестве справочных данных для процедуры обработки изображений [11]. Эти методы классифицируются как подходы, основанные на знаниях и на данных.

Методы, основанные на знаниях, включают знания о спектральных характеристиках различных материалов. Эти подходы применяют различные характеристики объектов поглощения, такие как положение, глубина, асимметрия и ширина в различных материалах [11,14,19,82,83]. Расчет полосы пропускания, отображение объектов, экспертная система, спектральная деконволюция, вейвлет-анализ и теория рассеяния представляют собой различные методы, составляющие техники, основанные на знаниях.

Методы управления данными требуют гиперспектральных данных и дополнительных справочных данных (спектров) [66,84]. Справочные данные обычно назначаются в качестве обучающих классов или наборов конечных элементов, которые импортируются из спектральной библиотеки или извлекаются из изображения. Различные классификации, включенные в попиксельные и субпиксельные классификаторы, подразделяются на категории в классификаторах управления данными.

6. Геологическое применение

6.1. Литологическое картирование

Свойства гиперспектрального дистанционного зондирования с высоким спектральным разрешением делают его важным потенциалом для точного распознавания и картирования материалов земной поверхности [29,33]. Сотни смежных спектральных каналов гиперспектральных изображений могут быть использованы для извлечения спектра пикселей для распознавания минералов и горных пород [33]. Выполнение минерального и литологического картирования по гиперспектральным изображениям обычно связано со сравнением неизвестного спектра с эталонным спектром [82]. Спектральные характеристики поглощения различных минералов в основном связаны с колебаниями Fe 2+, Fe 3 +, Al-OH, Mg-OH, OH-, и CO₃ в VNIR и SWIR. Минералы с Fe 2+ и Fe 3 + имеют пик поглощения на уровне 1,03 и 0.64 мкм, соответственно. Минералы, содержащие Al-OH, имеют значительный пик поглощения при 2,15-2.22 мкм, тогда как наиболее важное положение пика поглощения минералов Mg-OH приходится на 2,30-2.39 мкм. Минералы группы CO₃ демонстрируют отчетливый пик поглощения при 2.35 мкм [14,16,18-20]. Область VNIR-SWIR в основном используется для картирования измененных минералов, включая Fe-OH, Mg-OH, Al-OH и CO₃-содержащие минералы. Однако эти спектральные характеристики могут быть применимы для силикатных Mg, Fe и Al пород, таких как оливин, пироксен, слюда и амфибол. Спектральные особенности силикатных минералов в основном объясняются колебаниями связей Si–O в области TIR [14,16,19].

Kumar и соавторы [85] предложили автоматизированный подход к литологическому картированию на основе авиационных гиперспектральных данных из золотоносного гранитно-зеленокаменного пояса района Хатти (Индия). В этом подходе они использовали методы спектрального улучшения, такие как PCA и ICA, а также различные алгоритмы машинного обучения (MLAs), чтобы получить точную литологическую карту (рис. 4). Тем не менее, они использовали обычную геологическую карту и продукты спектрального улучшения, полученные из данных ASTER, для создания эталонной литологической карты с высоким разрешением. Среди различных MLA они обнаружили, что SVM, использующий оптимальные диапазоны на основе совместной взаимной максимизации информации (JMIM - joint mutual information maximization), имеет лучшую производительность с более высокой точностью.

Рис. 4(a) Эталонная карта литологии, полученная из продуктов спектрального улучшения с использованием ASTER, и (b) карта литологической классификации, созданная из SVM с использованием оптимальных каналов гиперспектральных данных AVIRIS-NG на основе JMIM из золотоносного гранитно-зеленокаменного пояса района Хатти (Индия) [85].

Salehi и соавторы [86] исследовали эффективность гиперспектральных изображений HyMAP и мультиспектральных космических данных Sentinel-2, ASTER и Landsat-8 OLI для литологического картирования основных и ультраосновных пород в покрытой лишайником области на юго–западе Гренландии. Они выполнили алгоритмы геологического картографирования EnMAP (EnGeoMAP) и итеративного спектрального анализа смесей (ISMA - iterative spectral mixture analysis). Они использовали показатель индекса структурного сходства для сравнения выходных результатов классификации данных, полученных с воздуха, с имеющейся геологической картой и данными, полученными из космоса, со справочными данными HyMAP. Согласно их результатам, данные HyMAP и мультиспектральные спутниковые данные могут обеспечить геологические карты, сопоставимые с геологическими картами в менее доступных арктических регионах. На основе спектрального анализа VNIR и SWIR были нанесены на карту три различные ультраосновные породы (дунит, перидотит и пироксенит) и одна основная порода (габбро) [86]. Они обнаружили, что алгоритм EnGeoMAP имеет лучшую производительность для дунитовых пород, а метод ISMA – для перидотитовых и пироксенитовых комплексов.

Harris с и соавторы [87] выполнили несколько методов на гиперспектральных данных с испытательного полигона на юге острова Баффин, Канада, чтобы составить карту литологического состава. После маскирования и исключения из анализа водных объектов, льда, снега и растительности они применили преобразование MNF, чтобы сократить большой набор данных до меньшего количества компонентов, содержащих основную информацию. Они выполнили согласованную фильтрацию (MF – matched filtering) для извлечения определенных пользователем конечных элементов с помощью метода частичного разделения. Конечные элементы были выбраны путем цветового различения в составных изображениях MNF. Они выделили одну литологическую группу (метатоналиты) и три композиционные единицы (псаммиты, кварциты и монцограниты).

Zhang и Li [88] внедрили усовершенствованный подход SAM с использованием гиперспектральных изображений EO-1 Hyperion для литологического картирования в двух разных засушливых районах Китая. Они использовали два разных метода для улучшения характеристик литологического картирования. В первом методе они использовали среднее значение производных спектра и среднее значение исходных спектральных данных в SAM для улучшения разделения классов. Во втором подходе для учета спектральной изменчивости использовались множественные эталонные спектры. В результате они нанесли на карту вулканогенно-осадочные породы каменноугольного и пермского периодов, юрские осадочные породы, гранит и четвертичные отложения в районе Джунгар, а также кембрийские, ордовикские, силурийские, девонские осадочные породы, включая доломит, сланцы, мергель, алевролит, кварцевый песчаник и песчаник, и четвертичные отложения в районе Кальпин.

Dadon и другие [89] использовали гиперспектральные данные EO-1 Hyperion для стратиграфического и литологического картирования. Они выполнили управляемую классификацию SAM после некоторых процессов предварительной обработки и извлечения конечных элементов. Они разделили различные интрузивные (монцогранит, гранит и гранодиорит), вулканические (зеленые туфы и базальтовая лава) и осадочные (известняк, песчаник, конгломерат и доломитовые сланцы) породы Национального геологического парка Дана (юго-западная Иордания) после стратиграфического и литологического картирования.

Pal и соавторы [77] рассмотрели каналы VNIR и SWIR гиперспектральных данных космического аппарата Hyperion и мультиспектральных изображений ASTER и Landsat 8. Они внедрили четырехэтапную технику для литологического картирования района Удайпур, Раджастхан, западная Индия. Они использовали гибридный метод классификации, включающий минимальное расстояние, SAM, расхождение спектральной информации и SVM для оптимизации литологического картирования. Pal и соавторы [77] использовали этот метод для выделения различных осадочных и метаморфических литологических классов, включая кварцит, филлит, граувакк, доломит, основные метавулканиты, мигматит, графитовые метапелиты и кварцит-аркозовый конгломерат в районе Удайпура.

6.2. Картирование полезных ископаемых и разведка полезных ископаемых

Картирование полезных ископаемых и определение состава поверхности для целей разведки полезных ископаемых является одним из наиболее важных применений гиперспектрального дистанционного зондирования. Существуют различные классификации рудных месторождений, основанные на различных фундаментальных генетических процессах: магматические, гидротермальные (магматические), осадочные, метаморфические и механические процессы. Различные системы минерализации преимущественно связаны с различными ассоциациями изменений, и картирование минералогии поверхности можно рассматривать как вектор к рудным месторождениям [90]. Схематический обзор месторождений полезных ископаемых, связанных с интрузиями, и соответствующие им модели изменений показаны на рис. 5 [91]. На рис. 6 показаны некоторые диагностические комплексы различных изменений наряду с некоторыми основными рудными месторождениями. Большинство измененных минералов имеют отчетливые спектральные особенности в области VNIR-SWIR и TIR [92].

Рис. 5 Обобщенная схема зональных изменений минерализации для PCD [91]

Рис. 6 Общие изменения в минералах в различных рудных месторождениях [92]

Магматические гидротермальные месторождения включают несколько важных типов рудных месторождений, таких как порфировые, эпитермальные, скарновые, связанные с интрузией, вулканогенные массивные сульфиды (VMS – volcanogenic massive sulfide), железная оксидная медная золотая руда (IOCG – iron oxide copper gold), редкоземельные элементы урана (REE – rare earth element), щелочные комплексы и распространенные центры «курильщиков» на морском дне [93]. Связанные с гидротермальной интрузией рудные залежи образовались непосредственно внутри или на расстоянии от магматических интрузий. В этих отложениях наблюдаются закономерности пространственных изменений и минеральных комплексов. Однако они имеют некоторую генетическую связь с трещинами и разломами во вмещающих породах. Они включают в себя модели изменений, такие как полевошпатовые, серицитовые, кремниевые, грейзеновые, известково-силикатные и/или расширенные глинистые комплексы.

Золоторудная провинция Цзинтаньцзы (Китай) является одним из месторождений золота интрузивного происхождения. Это месторождение в основном известно кварцевыми жилами в гранитах и разломами различного порядка. Используя данные космического аппарата Tiangong-1 HSI и бортового коротковолнового инфракрасного спектрографа (SASI), Liu и соавторы [94] попытались составить карты изменения минералов с помощью алгоритма SAM. Они рассматривали JPL и конечные элементы, извлеченные SSEE, в качестве эталонных спектров. Используя любой набор эталонных спектров, они обнаружили гидротермальные минералы мусковит, каолинит, хлорит, эпидот, кальцит и доломит. На рисунке 7 показаны карты минералов, полученные на основе конечных элементов изображений на основе гиперспектральных данных SASI и Tiangong-1. Согласно их результатам и предыдущим исследованиям, распределение измененных минералов отчетливо контролируется золотоносными кварцевыми жилами и разломами.

Рис. 7 Карты минералов, полученные с использованием конечных элементов изображений, примененных к (а) данным SASI и (б) данным Tiangong-1 HSI из провинции Цзинтаньцзы (Китай) [94]

Эпитермальные месторождения Au–Ag считаются важными источниками золота и серебра в мире, которые обычно распределяются вдоль конвергентных краев плит [95]. Были проведены обширные геологические исследования различных эпитермальных золото-серебряных месторождений. Тем не менее, несколько исследователей рассмотрели возможность применения данных дистанционного зондирования для изучения и моделирования картирования минералов гидротермальных изменений в этих отложениях [96-99]. Силицитовые, калийные, глинистые, пропилитовые и цеолитовые минералы являются наиболее распространенными минералами гидротермальных изменений в эпитермальных месторождениях. Месторождение Родалкилар (южная Испания) является одним из самых популярных эпитермальных месторождений золота и серебра, которые были тщательно изучены в геохимическом аспекте для понимания процесса минерализации. Кроме того, были проведены многочисленные геологические исследования с помощью дистанционного зондирования для создания минералогической карты этого района. Van der Meer и соавторы [97] выполнили картографирование длин волн и QuanTools для получения характеристик поглощения из гиперспектральных изображений HyMAP эпитермального месторождения Родалкилар. Они использовали положение характеристики поглощения в качестве ключа для определения изменений химического состава минералов, таких как Al–Mg по сравнению с OH, которые могут быть интерпретированы с точки зрения состава жидкости и температуры. На рисунке 8 показаны карты изменения минералов эпитермальной системы Родалкиар, построенные с помощью Quantools и картографирования длин волн [97].

Рис. 8 Сверху карта минералов, построенная с помощью Quantools, и карта минералов, построенная с помощью картографирования длин волн с использованием данных HyMAP эпитермальной системы Родалкилар (вулканический район Габо-де-Гата на юге Испании) [97]

Медно-порфировые месторождения (PCD) являются крупнейшим источником меди и основным источником молибдена, золота и серебра в мире [100]. Эти месторождения обычно имеют диагностически широкие картины изменений с характерными минералами. Типичные виды изменений в PCD включают калиевые изменения в ядре, которое окружено серицитовыми, глинистыми и пропилитовыми зонами [91]. Незначительные изменения в измененных минералах могут рассматриваться как высокий экономический потенциал PCD. Например, зональность химической изменчивости белой слюды в филлитовых изменениях косвенным показателем химического состава рудообразующего флюида [16,101]. На рисунке 9 показано изменение химического состава белой слюды, которая имеет разные характеристики длины волны SWIR в типичном поперечном сечении PCD. [16]. Хотя для исследования Cu-порфиров были использованы разные космические и воздушные гиперспектральные данные, существует несколько источников литературы, в которых они исследовались [102-104]. PCD Sarcheshmeh (южный Иран), расположенное в магматической дуге Орумие-Дохтар, является одним из лучших мест для изучения изменений, связанных с PCD. Используя данные Hyperion, Zadeh et al [104] (2014) идентифицировали характерные измененные минералы, включая биотит, мусковит, иллит, каолинит, гетит, гематит, ярозит, пирофиллит и хлорит, с помощью метода субпиксельной смешанно настроенной согласованной фильтрации (MTMF - mixture tuned matched filtering) (рис. 10). Различение таких минералов, как биотит и оксид железа, является одним из наиболее важных доказательств для разведки PCD. Bishop и соавторы [102] использовали методы SAM и MTMF для выделения и картирования измененных минеральных комплексов по данным Hyperion в Пуланге, PCD (Юньнань, Китай). Они определили глинистые минералы, железооксидные и сульфатсодержащие минералы в целевом месторождении.

Рис. 9 Типичное поперечное сечение PCD, показывающее общее поглощение Al(OH) 2.200 мкм различной белой слюдой в филлиальных (phyllic) изменениях [16,101]

Рис. 10 Карта с окончательным результатом классификации измененных минералов на месторождении Сарчешме (южный Иран), полученная с помощью алгоритма MTMF. Bio, Mu, Il, Kao, Goe, Hem, Ja, Pyr и Ch указывают на биотит, мусковит, иллит, каолинит, гетит, гематит, ярозит, пирофиллит и хлорит соответственно [104]

Месторождения IOCG (±U-REE) представляют собой группу магматических гидротермальных месторождений, структурно контролируемых и обычно связанных с различными зонами гидротермальных изменений. Зоны изменения вмещающих пород начинаются с натриевых изменений, которые сменяются натриево-кальциевыми и калиевыми в сторону основного железисто-оксидного оруденения [105]. Месторождения с более развитыми калиевыми изменениями обычно имеют интенсивную магнетитовую минерализацию. В поверхностных породах часто обнаруживаются серицитовые и кремнистые изменения. Исследование Corriveau и других [106] показывает, что каждый вид изменений в этом типе отложений имеет уникальную спектральную сигнатуру. Калиевые и натриевые изменения в основном отличаются расположением гидроксильного элемента (ОН-) около 2200 мкм. Согласно их результатам, аэро- или космические гиперспектральные данные потенциально могут быть использованы для составления карт открытых изменений вокруг месторождений IOCG. Tapper и соавторы [107] использовали инфракрасные спектры отражения, чтобы различить фенгит с высоким и низким содержанием алюминия как калиевый минерал, обнаруженный на месторождении Olympic Dam IOCG (Южная Австралия). Минералы фенгита в сильно серицитизированных рудоносных породах имеют более низкое содержание Si, более высокое содержание Al и более низкое содержание Mg, чем фенгиты, образованные в слабо серицитизированных измененных вмещающих породах. Фенгит с высоким содержанием алюминия имеет характеристику спектрального поглощения при 2,206 мкм, тогда как тип с низким содержанием алюминия распознается по характеристике поглощения при 2,213 мкм. Таким образом, характеристика спектрального поглощения может отражать степень серицитовых изменений из-за процесса рудообразования, связанного с гидротермальными изменениями. Laukamp и соавторы [108] использовали гиперспектральные данные HyMap, полученные с воздуха, для получения карты минералов с высоким разрешением на месторождении Mount Isa Inlier IOCG (Австралия). Они использовали гиперспектральные данные в качестве инструмента для обнаружения гидротермальных изменений и идентификации путей движения флюидов, связанных с Cu–Au месторождения IOCG.

Месторождения VMS представляют собой месторождения сульфидов металлов, в основном меди и цинка, которые образовались вблизи морского дна. Подобно другим магматическим гидротермальным рудным месторождениям, они имеют модели изменений, которые сформировались в результате циркуляции рудообразующего флюида через вмещающие породы [109]. Характер гидротермальных изменений включает калиевые, глинистые, серицитовые, хлоритовые и карбонатно-пропилитовые изменения от внутреннего минерализованного ядра до периферийной области [110].

Существуют различные исследования гиперспектрального дистанционного зондирования нескольких важных мировых месторождений VMS для характеристики гидротермальных систем. Van Ruitenbeek и соавторы [111] использовали гиперспектральные данные HyMAP для оценки структуры распределения белой слюды вокруг месторождения Panorama VMS (Западная Австралия). Они использовали преимущества различных характеристик поглощения от 2,185 до 2.235 мкм белой слюды, богатой и обедненной алюминием, для картирования моделей изменений и жидкости, связанной с изменениями. Используя гиперспектральные данные AVIRIS-NG, Samani и др. [112] выделили гидротермальные минералы, включая кальцит, мусковит и хлорит, в районе Амбаджи-Дери (северо-западная Индия). Они использовали различные подходы к обработке изображений, такие как MNF, PPI, N-трехмерная визуализация и классификация SAM. Они сопоставили спектры конечных элементов со спектральной библиотекой USGS. На рисунке 11 показано наблюдаемое пространственное распределение различных гидротермальных минералов в регионе Амбаджи-Дери. Laakso и соавторы [113] использовали гиперспектральные данные различного масштаба, такие как воздушные, лабораторные и полевые методы, для разведки полезных ископаемых VMS в канадской Арктике. Они воспользовались преимуществами спектральных характеристик поглощения Al-OH и Fe-OH в SWIR диапазоне длин волн биотита и хлорита, которые отражают изменения химического состава по мере удаления от месторождения полезных ископаемых. Fe-OH обладает свойством поглощения при 2.254 мкм в ближайших к рудному месторождению участках, в то время как в отдаленных районах она изменяется до 2,251 мкм. Кроме того, ближайшие области обладают свойством поглощения Al-OH при 2.203 мкм в отличие от характеристики поглощения при 2.201 мкм в отдаленных областях.

Рис. 11 Пространственное распределение карбонатных минералов на северо-востоке от Хохар-Били и измененных минералов вокруг Джхаривава и Амблимала. [112]

Скарновые месторождения – еще один тип магматических гидротермальных месторождений, которые образовались в результате метаморфизма и гидротермального изменения карбонатсодержащих пород. Они рассматриваются как потенциальный источник различных рудных минералов, таких как медь, вольфрам, железо, молибден, цинк и золото. В скарновых отложениях наблюдается зональность от граната в проксимальной части до пироксена в отдаленных районах и пироксеноидов, таких как волластонит, в контакте скарнов и мрамора. [114]. Однако отдельные скарны могут демонстрировать систематические изменения состава в этой модели зональности. Таким образом, детальная минералогия скарнов и их зональность могут быть полезны в процессах разведки руд.

Существует несколько исследований гиперспектрального дистанционного зондирования для обнаружения зон изменений вокруг месторождений скарна для разведки рудных месторождений скарнового типа. Xu и соавторы [115] использовали космические снимки Hyperion и гиперспектральные данные с близкого расстояния скарнового медного месторождения Дапинлян (Китай) для идентификации минеральных зон вокруг скарнового месторождения. Они различали пиксели, связанные со скарном, с помощью SAM по общей форме спектра и спектральной форме полос поглощения. Полевые данные применялись для прямой идентификации измененных минералов, а не только поверхностного материала, который, вероятно, не имеет прямого отношения к минерализации руды. Tian и соавторы [116] использовали спектральный анализ SWIR для обнаружения измененных минералов, включая минералы группы серицита (монтмориллонит, иллит и мусковит), каолинит и карбонатные минералы (кальцит, анкерит и доломит), с незначительным количеством хлорита, галлуазита и диккита вокруг месторождений Jiguanzui Cu-Au (Восточный Китай). Согласно их результатам, характеристика поглощения Fe-OH хлорита (от 2,241 до 2,263 мкм) укорачивается к дистальным участкам. Кроме того, минимальная характеристика поглощения Al-OH в 2,209 мкм может быть полезным инструментом направления на рудное месторождение.

6.3. Экологическая геология

Экологическая геология – это одно из геологических применений для решения экологических проблем, возникающих в результате взаимодействия человека с геологической средой, такой как минеральные ресурсы. Например, горнодобывающие проекты и заброшенные шахты являются одним из основных факторов, вызывающих серьезное экологическое загрязнение. Оставшиеся отходы, включая свинец, цинк, кадмий и некоторые токсичные минералы, могут угрожать растительности, почве, водным ресурсам и человеку [117,118]. Эти широко распространенные отходы обладают высоким потенциалом загрязнения. Как упоминалось в предыдущих разделах, гиперспектральное дистанционное зондирование обладает мощным потенциалом для обнаружения материалов земной поверхности, таких как различные минералы и элементы. Следовательно, его можно использовать для характеристики и мониторинга минералогического состава поверхности шахтных отходов, чтобы прогнозировать потенциальный источник загрязнения, включая выщелачивание металлов и кислотность. С момента применения гиперспектрального дистанционного зондирования в геологии были проведены различные исследования для мониторинга загрязнения в различных районах добычи полезных ископаемых [117,119–125].

Одним из процессов, вызвающих загрязнение в горнодобывающей области, является окисление пирита [123,125]. Этот процесс может привести к образованию кислой воды, в которой постепенно кристаллизуются различные Fe-содержащие вторичные минералы из отходов добычи полезных ископаемых. Эти минералы включают копиапит [61], ярозит [(K,H₃O,Na)Fe₃(SO₄)₂(ОH)₆], швертманнит [Fe₈O₈(OH)₆SO₄], ферригидрит [Fe₅HO₈,4H₂O)], гетит [α-FeО(ОH)], и гематит [α-Fe₂O₃] [123]. Эти вторичные минералы являются спектрально идентифицируемыми благодаря их диагностическим характеристикам спектральной отражательной способности. Swayze и другие [123] использовали спектральные данные AVIRIS для оценки отходов шахт на участке Superfond California Gulch. Они использовали спектральный диапазон от 0,4 до 2.5 мкм гиперспектральных данных для обнаружения вторичных Fe-содержащих минералов и создания карты минералов, чтобы выделить области, которые могут иметь кислый дренаж, и спрогнозировать места выщелачивания и кислотообразования в горнодобывающем районе Ледвилл (рис. 12). Они выполнили алгоритм Tetracorder для создания карты Fe-содержащих минералов. Davies и Calvin [126] использовали гиперспектральную аэросъемку для получения характеристик кислотных отходов шахт на участке Superfond шахты Левиафан в восточной части Сьерра-Невады. Они использовали алгоритмы SAM и MF для картирования полезных ископаемых, связанных с кислотным дренажом шахт.

Рис. 12 Спектральный ход и карты полезных ископаемых AVIRIS наложены на аэрофотоснимок высокого пространственного разрешения отвала рудника Венир. Карты минералов показывают спектрально доминирующие железосодержащие вторичные минералы. [123]

Mielke и соавторы [125] применили космические гиперспектральные и мультиспектральные данные для мониторинга минералогического состава шахтных отходов в Южной Африке. В качестве нового индекса для определения степени распространения отработанных минералов они вывели глубину железистых элементов (IFD). Этот показатель обоснован первичными и вторичными железосодержащими минералами. Они выполнили алгоритм идентификации и характеристики материалов на данных EO-1 Hyperion для идентификации минералов. Согласно их результатам, интеграция гиперспектральной (EnMAP) и мультиспектральной (Sentinel-2) систем картирования полезных ископаемых и мониторинга IFD может стать многообещающим показателем шахтных отходов.

7. Обсуждение и заключение

Хотя за последние несколько десятилетий данные гиперспектрального дистанционного зондирования широко использовались в различных геологических областях, таких как литологическое картирование, разведка полезных ископаемых и экологическая геология, все еще существует ряд ограничений, которые замедляют использование гиперспектрального дистанционного зондирования в геологии.

Во-первых, доступность гиперспектральных данных все еще очень ограничена, и имеющиеся данные охватывают только определенные районы мира. Это снизило возможности использования гиперспектрального дистанционного зондирования для геологических целей. Хотя были разработаны различные бортовые гиперспектральные датчики (например, AVIRIS, HyMAP, HYDICE и DAIS) и различные космические гиперспектральные датчики (например, EO-1 Hyperion, EnMAP, HISUI, HyspIR, PRISMA, HYPXIM, MSMI и HERO), количество используемых в настоящее время гиперспектральных датчиков невелико. Таким образом, имеются ограниченные гиперспектральные данные при небольшом наземном покрытии.

Во-вторых, пространственное разрешение (Ground Sampling Distance или GSD) доступных космических гиперспектральных изображений, таких как EO-1 Hyperion, по-прежнему низкое. Чтобы улучшить пространственное разрешение, на новой космической гиперспектральной миссии PRISMA добавлен панхроматический датчик с пространственным разрешением 5 м, а на предстоящей космической миссии HypXIM – панхроматический датчик с разрешением 2 м. Кроме того, некоторые исследователи пытались объединить гиперспектральные данные, полученные из космоса, с гиперспектральными изображениями аэросъемки или с мультиспектральными данными с более высоким пространственным разрешением (такими как ASTER и Sentinel-2), чтобы преодолеть ограничение GSD для гиперспектральных изображений, полученных из космоса.

В-третьих, соотношение сигнал – шум (SNR) в спектральных диапазонах космических гиперспектральных снимках, которые полезны для геологических применений, слишком низкое. Например, значения SNR спектральных каналов Hyperion в диапазоне VNIR варьируются от 140:1 до 190:1, тогда как в SWIR их значения еще ниже, 96:1 в 1.225 мкм, 36:1 в 2.125 мкм. Три наиболее полезных диапазона для обнаружения минералов составляют от 2,0 до 2.4 мкм (SWIR), в то время как каналы от 0,43 до 0.90 мкм важны для обнаружения трехвалентного железа. Согласно Kruse и др. [8], для обнаружения минералов требуется SNR, по крайней мере, 100:1 в SWIR. Таким образом, для улучшения SNR новые гиперспектральные датчики космической съемки достигли значительного прогресса. Например, гиперспектральный датчик DESIS достиг SNR, равного ∼ 200:1; но его GSD по-прежнему составляет 30 м [127]. Ожидается, что предстоящие гиперспектральные датчики (т.е. PRISMA, EnMAP, HISUI, SHALOM, HyspIRI и HypXIM) будут иметь еще более высокие значения SNR как в спектральном диапазоне VNIR, так и в SWIR [3]. Кроме того, перекрытие соседних каналов и избыточность данных являются дополнительными проблемами, связанными с гиперспектральными данными.

В зависимости от характеристик гиперспектральных данных и характера геологической информации подходы к обработке данных могут отличаться от традиционных методов. Поэтому ожидается, что в будущем будут разработаны специальные методы обработки гиперспектральных изображений, отвечающие требованиям применения в геологии.