遥感地质异常在矿床预测中的应用

遥感地质异常在矿床预测中的应用

遥感地质异常是指由地质和地质现象引起的异常信息。根据地质异常理论，它是预测矿床过程中的重要信息之一。本文介绍对遥感地质异常致矿性评价专家系统的初步研究成果。1图像目标的相关属性解释遥感地质异常致矿性评价专家系统属于一种图像理解(解释)专家系统。图像解释有两个层次,一是确定图像目标的类别属性,这基本上与分类方法相同,也就是把确定图像目标的类别属性作为解释的目的。另一个层次是要给出目标更多的相关属性的解释,比如二维图像目标的三维重建及其与所处环境的关系,图像地质目标的成矿可能性等。后者是更高层次的图像理解,也是本文图像理解的含义。地质矿产预测中人工智能方法的运用早有研究(用于地质的专家系统有著名的PROSPECTOR,KAS等(Vayne,1990;2异常地质特征评价的系统结构图像理解系统的一般过程有两步(3异常区域的描述图像异常具有一定的形状和属性,可以用一定的数据结构对其进行描述。图像区域可以用一定形状的曲线来描述。异常区域是连通的,并且图像中只有异常与背景两类区域,因此异常区域没有相交的边界线,即边界线是简单连接的曲线。简单连接是指曲线上任何一点至多有两个也属于该曲线的相邻点。形状可视为曲线段(曲线上一点与任意指定的它的两个邻点之一构成)的位置和方向的函数。首先,假定符合上述限定的图像区域已经分割出来。则可以用以下所述的区域形状描述方法予以描述。我们讨论的区域是二维的,不涉及三维表面的描述。对二维形状的描述有很多的方法。一种基于区域边界的所谓外空间域技术包括有简单链码,广义链码和多边形近似等。简单链码技术的一种表示方法,是众所周知的Freeman码。图2是Freeman码形状描述的一个例子。我们所提取的遥感图像异常区域,有简单和复杂两种情况(图3)。图3(a)中A、B和(b)中B用单一Freeman码即可表示。(b)中A则需表示区域的外边界和两条内边界。在对图像异常区域二值化处理后,编码可以由计算机自动搜索完成。注意Freeman码是8-连接的,因此区域边界也是8-连接的。本文的系统中也采用链码技术,因为链码具有较小的内存需求,以及已有一些关于用链码表示的封闭曲线的面积、链与链的相似性测量、求链的拐点等算法可供引用。一个具体异常区域的形状和属性用如下结构表示:{Nano,Ncode,n,Fcode,Sattr,Tex}其中:Nano—异常区域编号;Ncode—链码编号;n—内、外边界标记;Fcode—链码本身;Sattr—异常属性集;Tex—辅助描述字段。应该指出,这种表示是基于光栅图像的,而用矢量来描述区域更方便。当前GIS技术已成为描述、管理和分析空间数据的十分重要而方便的工具,遥感(RS)与地理信息系统(GIS)、全球定位系统(GPS)的集成成为空间数据分析的重要发展方向。一些大型软件已初步实现了RS与GIS的结合,同时,专家系统也已引入遥感图像处理系统之中,尽管还非常初步。因此,基于知识的遥感地质异常的分析与评价,与GIS技术相结合是发展的方向。4遥感异常的地质属性及致矿性特征遥感图像异常的特征包括两方面:一是图像异常本身的特征,二是图像异常的其他地学属性特征。它们主要有:①遥感数据类型(传感器类型、波段、极化、角度等);②处理类型(影像异常、解译结果异常、融合数据异常等);③提取异常的特征集类型(光谱灰度值、一阶直方图参数、二阶直方图参数、比值、纹理、植被指数、线形体及其参数类型、结构分析、环形体等等);④异常强度与形态特征(异常强度、规模、方向、形态、二阶矩等)。⑤地质特征(岩性、地质时代等);⑥物、化探异常特征等。图像异常的其他地学属性特征,特别是直接的致矿性特征是很有限的,因为运用遥感方法找矿的地区,往往是地质资料较为缺乏的地区,而且遥感地质异常是为地质找矿服务,如果需要用太多的地质属性来推证遥感异常的致矿性,则本末倒置了。此外,属性集是可扩展的。上述属性中需要特别确定度量方法的是异常强度、规模、方向和形态。研究表明,这些特征可如下度量:①强度:异常幅值(与周围环境的差异大小)的均值。②规模:异常区域的周长。③方向:异常区域的直径的方向(直径:区域内距离最大的两点的连线,圆的方向规定为0)。④形态:指区域的紧密度,即周长平方与面积之比(以此参数可定义线形异常与面形异常的划分)。遥感异常的特征也就是前述描述异常的结构中异常属性集的内容(Sattr)。其外部表示(与用户的交互)是规定的自然语言的有限词汇集和科学符号集,内部使用规定的编码系统。异常区域及其属性的存储都通过关系数据库实现。关于遥感图像理解的专家系统,更好的目标是将图像本身及其所有属性都纳入数据库系统,建立数据仓库,便于实现数据开采和知识发现,为专家系统服务(5遥感异常的动力特性以及法律和推理规则的应用指出,各种成矿地质因素及其组合具有一定的成矿“专属性”,不同矿种类型、成因类型、工业类型和形态类型的矿床对地质条件及其组合具有一定的“选择性”。因此,在考虑异常评价的知识时,应尽量提供较丰富的规则及选择不同规则组合的可能性。知识的来源,主要是地质异常研究领域的专家知识和遥感应用领域的专家知识。这两方面的知识需要广泛收集和整理。在知识的获取方面,除了与领域专家交互的知识输入外,还宜考虑引入学习机制,因为地质找矿,尤其遥感找矿,不同地区的空间变化特点对控矿因素有很大影响,从遥感方面来说,光谱特征对不同的环境条件是敏感的。用同一地区的已知成矿条件进行“训练”,是弥补这方面知识不足的一个途径。当然,地质异常更是寻找新类型矿床的方法,因而“学习”还应有新的内容。关于学习的风范,针对地质异常的上述特性,宜采用分析学习和发现学习的方法。关于知识的表示在本系统中采用规则的产生式表示,也就是规范化的“前提→结论”规则集。它便于用户增、删规则和选择规则组合,同时还利于引用现在已有成功应用的模糊推理机制。因为遥感地质异常的某些属性具有很大的模糊性。推理机制主要采用自底向上的正向推理,即从事实到结论的过程。还引入所谓“数据驱动”的控制机制(这里的“数据驱动”不同于传统的自底向上的意义,而是满足一定的条件时它对相应处理模块的激活),比如物、化探异常、地质异常的存在可能对遥感异常的致矿性有不同的影响机理,因而需要采用不同的推理规则和推理方式。此外,基于范例的推理很值得加以采用,它不仅可以提高求解效率,尤其可以对许多已知矿床的已知成矿环境模式加以利用。对于冲突的解决方案,提供用户两种选择:系统自动处理和用户干预。自动处理采用多条件原则,即前提条件与事实符合较多的规则优先采用。用户干预则提供所有与当前事实相符的规则,由用户决定选用其中之一组合。我们设计的推理结果包括两部分,一是关于异常评价的光栅形式的专题图(是成矿可能性专题图而不是异常分布专题图),二是文本形式的异常评价结果说明。前者便于与传统的地质成果表达方式一致。此外,也应提供推理过程的简要解释说明文件,以增加推理过程的透明度。系统中还应具有基于图层运算和图层逻辑的图层叠合分析,以解决比较简单的图像异常致矿性