结合PCA、多尺度分割及SVM的ASTER遥感蚀变信息提取

• 作者: 唐淑兰 曹建农 王凯
• 来源期刊: 遥感学报
• 关键词: 遥感 ASTER 矿化蚀变信息提取 多尺度分割 主成分分析(PCA) 支持向量机(SVM) 序列最小优化算法(SMO)
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 技术方法|Technologies and Methodologies
• 页码范围: 653-664
• 页数: 12页
• 语种: 中文

摘要

为了利用遥感影像进行更加精确的找矿预测,本文选择新疆东天山尾亚地区ASTER数据进行矿化蚀变信息提取方法研究.为了提高信息提取精度,本文提出了结合主成分分析(PCA)、多尺度分割和支持向量机(SVM)的遥感矿化蚀变信息提取方法.首先,分析ASTER数据的特征,选取各矿化蚀变信息的特征波段,对组合波段进行主成分分析,获得主分量图像;然后,对各主分量图像进行多尺度分割,并获得分割之后的均值图像;接着,提取训练样本,利用SVM对训练样本进行训练,采用试验方法求得最优核参数和松弛变量,构造最优SVM模型;最后,运用最优SVM模型完成矿化蚀变信息的提取.进行主成分分析时,铁染蚀变信息选择Band 1、2、3、4组合,Al-OH基团蚀变信息选择Band 1、4、6、7组合,OH和C032-基团蚀变信息采用Band1、2、8、9组合.在运行SVM时采用了序列最小优化算法(SMO)进行求解,速度提高了 12％.实验结果表明,与波段比值法、主成分分析法及基于光谱角和SVM的方法等3种方法相比,本文方法提取铁染蚀变信息、Al-OH基团蚀变信息及OH和CO32-基团蚀变信息的总体精度可达到87.98％、90.01％及88.93％,Kappa系数分别为0.8011、0.8134及0.8023,与成矿区带、已知矿点和已有不同地质背景成矿特征相关性较好.