面向铀矿勘查的航空高光谱遥感岩性识别聚类方法对比与评价OA

航空高光谱遥感能够有效识别与铀成矿作用相关的岩性、蚀变及构造信息,可为铀矿遥感找矿与区域地质填图提供重要技术支撑。尤其在构造复杂、岩性多样的山区,受混合像元、地表背景干扰及小样本岩性零散出露等因素影响,监督式分类方法对高质量标注样本的依赖成为制约其应用的重要瓶颈。为此,本文面向无监督岩性分区与代表性样本优选需求,构建统一的聚类对比与验证流程,在同一预处理条件、同一研究区和同一验证基准下,系统地比较模糊C均值聚类(Fuzzy C-means,FCM)、基于密度的聚类(Density-based Spatial Clustering of Applications with Noise,DBSCAN)和基于图论的谱聚类(Graph-based Spectral Clustering,GBSC)3类代表性无监督方法,并引入支持向量机(Support Vector Machine,SVM)监督分类方法作为参照基准。针对谱聚类在大规模高光谱影像中的构图与分解计算开销较大的问题,在GBSC中采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素构图策略,以超像素为图节点聚合代表性光谱特征并执行谱聚类,从而兼顾计算效率与空间一致性。以新疆雪密斯坦地区约121 km²短波红外机载光谱成像仪(Shortwave infrared Airborne Spectrographic Imager,SASI)获取的数据为研究对象,并以1︰50000地质简图为外部参照,对聚类结果进行定量评价。结果表明,FCM、DBSCAN和GBSC的总体精度分别为51.62%、71.01%和76.20%,Kappa系数分别为0.514、0.708和0.758。与监督分类方法SVM(总体精度75.40%,Kappa系数0.754)相比,GBSC在无需任何标注样本的条件下即可达到相当高的识别精度,且在图斑空间连续性和用户精度方面更具优势。相较于FCM和DBSCAN,GBSC在复杂地质接触带的空间连续性保持、小样本岩性识别以及图斑边界平滑性方面表现更优,与地质接触关系的一致性更高。研究表明,基于超像素图构建的谱聚类方法能够更有效地融合光谱相似性与空间结构信息,适用于航空高光谱岩性无监督识别,并可为铀矿遥感找矿中的区域代表性样本优选与后续监督建模提供可靠依据。