围岩蚀变是热液矿床的重要标志，因此对围岩蚀变矿物开展研究有利于解释矿床成因，可直接或间接地指导找矿(王梦飞等，2012)。蚀变矿物中含有Fe²⁺(Fe³⁺)、OH^-等离子，从形状、位置、宽度等方面使得它们都具有可识别的光谱特征。因此蚀变矿物的识别成为遥感领域的重要内容。

蚀变矿物虽然在光谱上具有诊断特征，但是和其它地物目标相比属于一种弱信息，需要进行数据挖掘来展现隐含的信息。目前，多光谱和高光谱是矿物识别的两种数据源，高光谱虽然分辨率较高，但是数据源获取较为困难，并且数据量较大。多光谱数据相对获取容易，易于推广和大面积的应用。多年来研究者不断探索蚀变矿物识别的方法，在多光谱中已成功应用常用的如比值法、主成分分析法等(赵元洪等，1991；张玉君等，2003)。但是比值法常针对的是单波段运算，忽略了蚀变矿物的组合光谱特征。本文针对这个问题，在新疆包古图斑岩铜矿Ⅱ号和Ⅴ号矿体中利用Aster数据，探讨其典型蚀变矿物在Aster光谱中的响应特征，基于蚀变矿物组合的多个吸收特征，利用由比值法原理衍生出的相关吸收波段深度法(RBD)和逻辑算法进行蚀变分带识别研究。

包古图斑岩型铜矿位于新疆西部，行政区划属塔城地区托里县。研究区地势较平坦，属低山丘陵地带，海拔高度为750m左右，相对高差一般为5～10m(耿新霞等，2008)。该铜矿大地构造位置是西准噶尔界山与准噶尔盆地交接地带，在扎伊尔夏向斜的东南部，达拉布特深断裂的东南侧。区内地质构造比较复杂，不同方向的褶皱和断裂均很发育。区内出露主要地层为下石炭统，主要岩性为凝灰质砂岩夹玄武岩和安山岩。包古图地区海西中期的中酸性小岩体对铜矿的控制作用明显，它是该区铜矿成矿的主要物质来源(赵同阳等，2009)。

“七五”期间中国科学院地质与地球物理研究所承担的国家“305”项目课题首次在西准噶尔包古图地区发现并研究了一系列与小岩体有关的金铜矿床和矿点，在Ⅰ 、Ⅱ 、Ⅲ 、Ⅳ 、Ⅴ 号岩体发现了细脉浸染型铜矿化，尤其以 Ⅴ 号岩体最为发育(申萍等，2009)，Ⅱ 号岩体位于包古图地区中部希贝库拉斯组地层中，呈菱形。V号岩体是包古图斑岩铜矿床的产出位置(魏少妮等，2014)，出露于包古图斑岩铜矿中部偏东，距达拉布特深断裂东南侧30～40km的西贝库拉斯背斜东侧，岩体形状呈不规则钟状，出露面积约为0.84km²(图 1)，岩性以花岗闪长斑岩为主，其次有花岗闪长岩、黑云母花岗闪长岩及闪长玢岩、细晶闪长岩等(张锐等，2006)。

图1(Fig.1)

图1 研究区位地质图 Fig.1 Geological map of the study area

本文主要采用Aster多光谱遥感数据作为蚀变矿物识别数据源。Aster是装载于Terra卫星上的先进多光谱成像仪，该卫星于1999年12月18日成功发射。其中，Aster涵盖了从可见光到热红外14个波段，每景图像覆盖范围为60km×60km(Sadeghi et al., 2013)。相比ETM⁺多光谱数据，它具有更高的空间、光谱和辐射分辨率(Gabr et al., 2010)，Aster短波红外光谱信息丰富(2.145～2.430μm)，提高了岩石和矿物光谱识别的准确率(Crósta and Filho， 2003)。Aster的3个近红外波段是金属离子跃迁时吸收特征的重要来源，例如Fe元素。Aster的6个短波红外波段是碳酸盐、水合物和氢氧化物矿物的分子吸收特征波段，这使得Aster数据在岩矿识别上更具优势(Naghadehi et al., 2014)。本文采用的无云的夏季Aster数据，产品号是0209210527000210140148，成像时间是2002年9月21号05点，处理级别是L1B。

本文在包古图地区Ⅱ号和Ⅴ 号岩体周围进行了光谱数据采集。利用BJKF-Ⅱ便携式近红外矿物分析仪确定蚀变矿物类型，研究区岩样光谱测试界面见 图 2。BJKF-Ⅱ型便携式近红外矿物分析仪可用于光谱反射率测量，由中国南京中地仪器有限公司生产，是一款精度较高、携带型较强的仪器。仪器总重量 4kg 左右，整体设计紧凑小巧，采用漫反射光谱法，光栅分光扫描，积分球检测，图谱数据微机处理，测量波长范围为1300～2500nm的近红外谱段，分辨率小于8nm。其功能和澳大利亚Integrated Spectronics Pty Ltd 公司生产的PIMA(portable infrared mineral analyser)短波红外反射光谱分析仪类似，但价格较为低廉，可用于岩心、碎屑物、岩石矿物块样、岩石矿物粉末等样品类型的光谱测量。

图2(Fig.2)

图2 样品采集表及样品光谱 Fig.2 The collection table and spectra of samples

按照识别频率高低，发现伊利石、高岭石、蒙脱石、绿泥石、白云母为主要蚀变矿物。可以将这些矿物分为3类，即蒙脱石、高岭石为泥化带的代表矿物，白云母、伊利石为绢云岩化带的代表矿物，绿泥石为青磐岩化带的代表矿物。

在进行蚀变信息识别前首先要进行遥感数据的预处理工作，主要包括串扰校正、辐射定标和大气校正，主要的处理在ENVI 4.8里完成。

(1) 串扰(Crosstalk)校正

由于 Aster 传感器设计的原因，短波红外通道传感器的相互干扰导致第4 波段探测器入射光发生了分散，对其短波红外的 5 个波段产生影响，使得 B4和B9 反射率值升高，Iwasaki and Tonooka(2005)研究认为，Crosstalk校正对与亮像元相邻的每个黑色像元(DN值接近于0)的影响将达到输入辐射信号的一倍。因此，在对影像进行处理之前，首先要去除这种干扰。Iwasaki and Tonooka(2005)开发了针对Aster L1B数据基于高斯空间滤波函数的Crosstalk校正软件CCSCCS可以从http://www.gds.aster.ersdac.or.jp 网站下载.，本文利用该软件对研究区的Aster数据进行了 Crosstalk校正。

(2) 辐射定标

先对Aster L1B数据进行辐射定标，将DN值转换成辐射亮度值，此外将SWIR波段的像元重采样到15m，并与VNIR波段合成，编辑头文件波长、中心波长、半极值宽、增益和偏移量等。

(3) 大气校正

利用ENVI软件中的FLAASH模块可对Aster数据进行大气校正，消除光照和大气等因素对地物反射的影响，还原地物的真实反射率。将影像格式转换成BIL或BIP格式，FLAASH模块主要参数设置如 表 1。校正前后的图像见 图 3。由 图 3a和3b可以看出，遥感图像视觉效果和反射辐射亮度发生明显变化，经校正后的图像更加清晰，说明 FLAASH校正有效地去除了大气中气溶胶的影响，提高了图像质量。由 图 3c和图 3d的波谱图可以看出FLAASH校正在一定程度上消除了大气对地物本身光谱的影响，使得岩石的光谱更接近真实地物的光谱曲线，这为后续的信息识别提供了较为准确的基础数据。

表1(Table 1)

表1 FLAASH模块参数设置Table 1 Parameters of FLAASH module 中心坐标 飞行年月 传感器高度/m 地面高程/m 大气模式 气溶胶模式 气溶胶去除 45.272904 84.317685 2002年9月21日 5点27分0秒 705 399 Mid-Latitude Summer(MLS) Rural None

表1 FLAASH模块参数设置 Table 1 Parameters of FLAASH module

图3(Fig.3)

图3 校正前后遥感图像和波谱对比 Fig.3 Comparison of before and after correction of remote sensing image and spectrum

(4) 干扰信息处理

植被对遥感信息提取来讲是一个非常不利的因素。研究区主要存在一些植被的干扰信息，因此，需要进行去除处理。目前广泛使用的植被指数有：归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)等(朱高龙等，2013)。本文选择归一化植被指数对研究区的植被覆盖进行提取，由于Aster 2波段对应红光波段，Aster 3波段对应近红外波段，基于Aster的NDVI指数为：

(1) 相关吸收波段深度法

比值法利用了光谱的吸收特征位置，已经较为广泛地应用在遥感蚀变信息提取中(Rowan et al., 1974，1977)。该法对于突出在单波段图像看不出来的某一特征或地物标志十分有用。相关吸收波段深度法(RBD)是Crowley et al.(1989)提出的一个3点式的比值方法(图 4)。RBD方程的分子是位于吸收谱带肩部的波段之和，分母是最接近吸收特征最小值的波段。一般的RBD算法为公式(2)：RBD增强了吸收的强度，适合提取Al-O-H、Fe、Mg-O-H和CO₃^2- 吸收特征。其中泥化蚀变、绢云岩化蚀变和青磐岩化蚀变识别算法见公式(3)、(4)、(5)。

图4(Fig.4)

图4 RBD算法示意图(根据Crowley et al., 1989修改) Fig.4 Schematic diagram of RBD algorithm(modified after Crowley et al., 1989)

泥化蚀变识别算法为：

绢云岩化蚀变识别算法为：

青磐岩化蚀变识别算法为：

(2) 逻辑算子法

逻辑算子法(logical operators)对于每个像元都执行一系列的波段比值。每一个逻辑算子通过比较波段比值和预定的阈值来决定每个波段比值是否符合算法条件。在算法中的每一个波段比值如果符合条件将在图像中被赋予1，否则会赋予0值。因此，每个算法将产生一个由1或0组成的图像(Pour and Hashim， 2012)。该算法是Mars and Rowan(2006)利用Aster数据提出的两种针对泥化和绢云岩化蚀变岩石填图特定波段的逻辑比值算子。Son et al.(2014)在Mars and Rowan(2006)的基础上改进了泥化和绢云岩化的算子，同时又提出了青磐岩化的算子。这些算子公式如下：

泥化逻辑算法：

绢云岩化逻辑算法：

青磐岩化逻辑算法：

本文利用Aster波谱库中的mineral_-jpl_-perkin_-2101.sli波谱数据，从 图 5中可以看出，泥化带的蚀变矿物在2.165μm、2.20μm处有两个吸收谷，对应于Aster的Band 5和Band 6。而绢云岩化的蚀变矿物只在2.20μm处有一个吸收谷，在2.165μm处有个小的反射峰。因此，我们可以利用Band(4/5)、Band(5/6)、Band(7/6)来定义泥化带的蚀变矿物在2.165μm、2.20μm的光谱特征，利用Band(4/6)、Band(5/6)、Band(7/6)来定义绢云岩化的蚀变矿物在2.20μm的吸收特征。青磐岩化蚀变在2.20μm处有反射峰，2.336μm处有一个较深的吸收谷，分别对应于Aster的Band 6和Band 8。因此可以用Band(6/7)、Band(7/8)、Band(9/8)的值区分于泥化蚀变矿物和青磐岩化蚀变矿物。

图5(Fig.5)

图5 3种蚀变带典型矿物的光谱图 Fig.5 Spectra of three kinds of typical minerals alteration zones

本文分别利用RBD中的RBD5、RBD6和RBD8算法和逻辑算子法进行了研究区的蚀变分带识别研究，提取的结果如 图 6所示。

图6(Fig.6)

图6 RBD算法研究区蚀变带识别分布图 Fig.6 Alteration zones identification map of RBD algorithm

在利用逻辑算法进行研究区蚀变带识别时，根据研究区情况进行了算法的阈值试验。采用的算法如下：把在Band4的暗色像元值通过掩膜掉是因为低反射值的像元在Band5和Band9有异常高值，这个可能是由于Crosstalk效应并没有完全消除(Mars and Rowan， 2006；Son et al., 2014)。Band(5/6)的阈值的大小用来区分泥化带和绢云岩化带。因为泥化带蚀变矿物在Band5为吸收谷，绢云岩化带的蚀变矿物在Band5的值为一个小的反射峰，其和Band6的比值大小是区分泥化带和绢云岩化带标志。青磐岩化带和其它两个带的光谱特征差别较大，可以较好的区分。最终识别见 图 7。

图7(Fig.7)

图7 逻辑算法研究区蚀变带识别分布图 Fig.7 Alteration zones identification map of logical algorithm

泥化逻辑算法：

绢云岩化逻辑算法：

青磐岩化逻辑算法：

(1) 验证

本文对Ⅱ号岩体和V号岩体周边的蚀变进行野外验证工作。一共在野外采集24个样品，利用野外观察和BJKF-Ⅱ近红外矿物分析仪进行蚀变矿物种类的判别。最终的判别结果如下：抽取3处典型的野外蚀变岩石的照片(见 图 8)，野外样本的光谱拿回室内测得，每个样品分别对风化面和新鲜面进行仪器测量，每个岩样测4～5次，将目标蚀变矿物识别最好的光谱进行最终确认和保存。识别准确率对比如 表 2。

图8(Fig.8)

图8 野外3处验证点 Fig.8 Three field verification points

表2(Table 2)

表2 识别正确率对比表Table 2 Comparison table of recognition rate 模型类型 泥化蚀变/% 绢云岩化/% 青磐岩化/% RBD模型 33 33 40 BRLO模型 33 50 60

表2 识别正确率对比表 Table 2 Comparison table of recognition rate

从验证结果来看，泥化蚀变的信息识别正确率较低，两类模型均为33%，野外多处验证点经过实际验证后为黄泥地或者是牧民用泥巴垒出的房子，这几个验证点样品拿回实验室测量时，发现这些样点的土样中同样存在高岭石等泥化的矿物，而不是和斑岩成矿相关的泥化蚀变。绢云岩化BRLO模型识别效果比RBD模型略好，达到50%，RBD模型仅为33%。两类模型在绢云岩化的野外验证中有和泥化存在混分的问题。两类模型青磐岩化的识别正确率分别为40%和60%，都比泥化和绢云岩化识别率有所提高。

(2) 结论

本文利用基于比值运算的两种方法即RBD和逻辑算法在研究区进行蚀变信息分带识别的比较研究，得出以下几点结论：

1) 从每类蚀变的提取效果和精度对比来看，两类模型提取的青磐岩化的整体效果比泥化和绢云岩化的提取效果好，青磐岩化也就是绿泥石的提取范围上较为相似，这可能和绿泥石的光谱特征较为明显、易于和泥化、绢云岩化蚀变矿物光谱特征相区分有关。泥化和绢云岩化的提取范围较为相似，说明在Aster影像上，由于泥化和绢云岩化的蚀变矿物光谱特征差异不大，最终的识别结果存在一定的混分现象。

2) 从提取结果看，两种方法提取的泥化带、绢云岩化带、青磐岩化带基本都分布在岩体周围，和岩体关系密切。从图 8中也可已看出V号岩体绢云岩化特征明显，因此矿化程度较好。Ⅱ 岩体被剥蚀的程度相对较小，岩体外围分布有广泛的青磐岩化和泥化带，其强度、范围应该与矿化的规模有直接的关系。

3) 从识别的细节可以看出，RBD由于判断条件相对简单，只考虑蚀变带单一光谱特征，提取出的结果存在假异常现象，逻辑算法由于判断条件较多，考虑多个蚀变带特征光谱特征，因此提取出的结果假异常较少，提高了识别的精度。