利用机器学习对ASTER、Landsat 8和Sentinel-2A数据在土耳其Emet–Hisarc?k硼酸盐盆地进行的岩性制图比较评估

《Advances in Space Research》：Comparative Evaluation of ASTER, Landsat 8, and Sentinel-2A Data for Lithological Mapping in the Emet–Hisarc?k Borate Basin (Türkiye) Using Machine Learning

准确岩石分类在半干旱硼酸盐盆地中至关重要，但受沉积岩与火山岩光谱相似性影响较大。本研究对比了ASTER、Landsat 8 OLI和Sentinel-2A三种数据源结合PCA和MNF降维后的分类效果，采用SVM和MLC算法，验证了SWIR波段对碳酸盐岩和羟基矿物的高区分度作用，最终得出ASTER-PCA-SVM组合模型精度最高（93%）的结论。

　　

雷杰普·乌古尔·阿卡尔（Recep U?ur ACAR）

土耳其库塔希亚（Kütahya）杜姆卢皮纳尔大学（Dumlup?nar University）工程学院，地质工程系

摘要

在半干旱的硼酸盐盆地中进行精确的岩性制图对于勘探工作非常重要，然而当沉积岩和火山岩单元具有相似的光谱特征时，这一任务仍然具有挑战性。本研究比较了ASTER、Landsat 8 OLI和Sentinel-2A数据在埃梅特-希萨里克硼酸盐盆地（土耳其西部）的岩性区分能力。研究使用了原始光谱带以及通过主成分分析（PCA）和最小噪声分数（MNF）变换得到的特征集，分别应用了支持向量机（SVM）和最大似然分类（MLC）算法进行分类。分类结果通过101个独立验证点进行了评估。在所有测试案例中，SVM的分类准确性均高于MLC。其中，ASTER-PCA-SVM方法的性能最佳（总体准确率为93%；κ值=0.92）。这一结果可能反映了ASTER在短波红外（SWIR）区域的密集采样，这有助于更好地区分含碳酸盐和含羟基的岩性。Sentinel-2A也取得了较高的准确率（总体准确率为89%），而Landsat 8 OLI的表现最差（总体准确率约为71-72%）。总体而言，这些发现表明，将ASTER的SWIR信息与PCA和SVM结合使用，可以为复杂的半干旱环境中的岩性制图提供一种实用且可推广的解决方案。

引言

岩性图在地球科学中至关重要，因为它们揭示了岩层的空间分布、成分及其相互关系。这些信息对于重建地质演化、评估矿产资源潜力以及支持工程地质学和环境管理等应用至关重要（Barnes和Lisle，2003；Brimhall等人，2005；Gad和Kusky，2007；Hartmann和Moosdorf，2012；Maltman，1990；Othman和Gloaguen，2014；Spencer，2018；Wang等人，2024；Wang和Zuo，2025）。然而，传统的野外调查受到可进入性、成本和时间的限制，尤其是在大型或地质复杂的地区。在半干旱地区，由于植被和地形的共同影响，这些挑战更加突出（Takodjou Wambo等人，2024；Liu等人，2025）。

遥感技术已被广泛用于制作新的地质图和更新现有的地质图（Rowan和Mars，2003；Rowan等人，2005；Al-Rawashdeh等人，2006；Khan等人，2007；Akk?k，2009；Hassan和Sadek，2017；Bedini，2018；Bishop等人，2018；De Boissieu等人，2018；Kuhn等人，2018；Mahvash Mohammadi和Hezarkhani，2018；Bachri等人，2019；Fu等人，2019；Mohamed等人，2021；Shirazy等人，2021；Butler等人，2024；Chen等人，2024；Nagar等人，2024；Tompolidi等人，2025）。近年来，卫星数据可获取性的提高和光谱分辨率的增强，使得岩性制图取得了显著进展，特别是利用了地表材料在可见光和近红外（VNIR）以及短波红外（SWIR）波段的诊断响应（Gürbüz，2019；Bentahar等人，2020；Sekandari等人，2020；Shirmard等人，2020；Bentahar和Raji，2021；Ekici，2023；Zeng等人，2023；Bahrami等人，2024；Ousmanou等人，2024；Orynbassarova等人，2025）。在这方面，ASTER、Landsat 8 OLI和Sentinel-2A经常被选用，因为它们的波段配置有助于检测蚀变矿物和岩性单元（Adiri等人，2020；Bentahar等人，2020；Sekandari等人，2020；Bentahar和Raji，2021；Shayeganpour等人，2021；Chen等人，2025）。ASTER/SWIR对粘土、碳酸盐和含羟基矿物非常有效，而ASTER/VNIR则适用于铁氧化物地图的绘制（Hunt，1977；Fujisada，1995；Jing等人，2014；Rowan等人，2003；Rowan和Mars，2003；Rowan等人，2005）。Landsat 8 OLI通过其VNIR-SWIR设计和辐射测量质量，在大范围内增强了岩性和蚀变地图的绘制能力（Ourhzif等人，2019；Abdelouhed等人，2021；Bouwafoud等人，2021；Mondal等人，2022；Alsaid Blila Mohammed和Omer Hag El Khidir，2023；Y. Chen等人，2023；Q. Chen等人，2025；Portela等人，2025；Wubneh和Gessesse，2025）。重复的卫星过境还提供了持续且可重复的更新，这通常是单独依靠野外调查难以实现的（Abrams，2000；Ninomiya等人，2005；Rowan等人，2003）。基于遥感的岩性数据库通常能够达到约70%到接近90%的总体准确率，证明了卫星数据可以有效地支持岩性制图（Grebby等人，2011；Leverington和Moon，2012；Yu等人，2012；Parakh等人，2016；Gürsoy等人，2017；Kuhn等人，2018；Bachri等人，2019；Manap和San，2022；Shebl等人，2022；Ali等人，2024；Bahrami等人，2024；Z. Wang和Zuo，2025）。此外，遥感数据不仅用于地球上的岩性制图，还用于太阳系中的其他行星体（Rice等人，2010；Rice等人，2013；van Gasselt和Nass，2011；Greeley，2013；Smith等人，2013；Manap和San，2022；Kim等人，2023）。

为了最大化这些数据集的效用，通常会应用图像转换步骤，如RGB合成和降维。标准的RGB合成有助于可视化岩性对比，而降维技术（如主成分分析（PCA）和最小噪声分数（MNF）则可以减少冗余并突出诊断上重要的成分；在光谱差异微妙的复杂地质环境中，这些转换构成了一个关键的预处理阶段，从而提高了后续分类器的性能（Harris等人，2005；Harris等人，2006；Kumar等人，2015；Kumar等人，2020；Ayoobi和Tangestani，2017；Girija和Mayappan，2019；Khalifa等人，2021；Xi等人，2023；Ghoneim等人，2024；Wang和Zuo，2025）。

如今，机器学习方法在遥感领域得到了广泛应用，不仅用于地质目标，还应用于土地利用/土地覆盖（LULC）制图（Acharki，2022；Acar和Zengin，2023；Avc?等人，2023；Acar等人，2025）、湿地监测（Acar和Zengin，2025；Bao和Zhang，2011；Dibs，2018；?zaslan和Erdo?an Yüksel，2024；?zelkan，2020）、森林和火灾动态（Acar和Zengin，2025；Bonansea等人，2021；Deoli等人，2022；Du等人，2014；Gürsoy等人，2015；Ichsan Ali等人，2019；Jalayer等人，2022；Jiang等人，2020；Jiang等人，2021；?zelkan，2020；Sekertekin，2019；Xu，2006）、水资源和地表温度（LST）（Solanky等人，2018；Li等人，2023；?etin等人，2024；?ngen和Zengin，2024）等领域。这种广泛的应用反映了从光谱空间信息中高效提取特征的能力，以及处理高维数据的能力，表明在岩性制图中采用的方法既成熟又具有广泛的适用性。在监督学习方法中，支持向量机（SVM）和最大似然分类（MLC）被广泛采用：SVM即使在训练数据有限的情况下也能在高维特征空间中表现出强大的性能，而基于概率论的MLC则是一个稳健的统计基准；它们的联合评估使得不同数据和预处理场景之间的客观比较成为可能（Zhang等人，2015；Ahmad等人，2018；Rimal等人，2020；Rawat等人，2024；Salleh等人，2024）。最近的综述进一步强调了将多光谱遥感与机器学习分类器结合使用，并结合PCA/MNF变换所带来的快速进展，为比较评估提供了新的方法论背景（Kumar等人，2015；Girija和Mayappan，2019；Ourhzif等人，2019；Bentahar和Raji，2021；Elahi等人，2022；Shirmard等人，2022；Fahmy等人，2023；Ali等人，2024；El-Omairi等人，2025）。

尽管多光谱遥感在岩性区分中得到了广泛应用，但全面跨传感器比较（包括评估（i）传感器特定的SWIR灵敏度，（ii）如PCA和MNF这样的特征空间转换，以及（iii）在相同地质条件下常用监督分类器的性能）仍然相对有限（Yu等人，2012；Parakh等人，2016；Othman和Gloaguen，2017；Bachri等人，2019）。在火山-沉积盆地中，这一限制更为明显，因为富含碳酸盐的岩层、蚀变区和未固结的沉积物可能会表现出重叠的光谱响应，而植被和地表混合物进一步降低了类别的可区分性。

在此背景下，本研究系统地评估了Landsat 8 OLI、Sentinel-2A MSI和ASTER图像在埃梅特-希萨里克火山-沉积盆地（土耳其库塔希亚）的岩性制图中的应用。具体来说，我们（1）量化并比较了原始光谱带与转换后的特征空间（PCA和MNF）的分类性能；（2）评估了SVM和最大似然分类（MLC）在所有数据集中的相对有效性；（3）讨论了SWIR在区分含碳酸盐和混合岩性单元中的作用。研究结果旨在为复杂半干旱地形和矿化盆地的可靠岩性制图提供传感器选择和方法论设计方面的支持。

埃梅特-希萨里克盆地拥有全球重要的硼酸盐矿床，包括大量的Colemanite储量（Eti Maden Operations General Directorate，2025）。该地区还记录了多种金属矿化现象和基性-酸性火山产物，这些为了解安纳托利亚西部的地质演化提供了重要线索。综合考虑这些因素，高分辨率的岩性表征对于支持科学研究和应用研究至关重要。该地区拥有从古生代到第四纪的各种变质岩、火山岩和沉积岩，以及半干旱条件和稀疏植被，构成了基于遥感的岩性区分的理想自然实验室。

尽管使用遥感进行地质制图已经非常成熟，但在含硼酸盐盆地内，特别是对于光谱分辨率（例如ASTER）和空间分辨率（例如Sentinel-2A）之间的权衡，仍缺乏系统的评估。这些盆地由于富含粘土的碎屑沉积物和热液蚀变火山岩之间的高光谱相似性而面临独特挑战，这常常导致传统制图中的错误分类。本研究通过三种具体方式填补了这一空白：（i）首次为埃梅特-希萨里克盆地提供了基于机器学习的岩性评估，证明了在这种特定地质环境中，光谱分辨率比空间分辨率更为关键；（ii）量化了广泛可用传感器的性能层次，发现ASTER（总体准确率为93%）和Sentinel-2A（总体准确率为89%）均显著优于Landsat 8（总体准确率约为72%），从而证实了虽然更高的空间分辨率带来了显著的优势，但SWIR光谱分辨率仍然是矿物学区分的主要因素；（iii）验证了一种基于开放获取卫星数据的成本效益高的工作流程，使得在半干旱地区无需昂贵的高光谱图像或大规模实验室光谱测量即可实现高精度的岩性制图，从而提高了发展中国家的先进地质制图的可行性。

章节片段

地理框架

研究区域位于安纳托利亚西部（库塔希亚省）东部，覆盖了埃梅特（Emet）和希萨里克（Hisarc?k）地区约5,000平方公里的面积（图1）。西部的埃格里戈兹（E?rig?z）山脉周围地形崎岖，向盆地内部逐渐过渡为相对低洼的地形。该地区具有半干旱温带气候，是爱琴海地区和中央安纳托利亚地区之间的过渡带。植被主要由灌木丛、橡树林组成。

材料与方法

本研究采用了一种遥感工作流程，整合了ASTER、Landsat 8 OLI和Sentinel-2A的多光谱数据，并结合了降维技术和监督分类方法进行岩性制图。该流程包括传感器特定的预处理、光谱转换（PCA和MNF）以及两种监督分类器（SVM和MLC），最后进行准确性评估。整个框架如图3所示。

结果

本研究评估了支持向量机（SVM）和最大似然分类（MLC）算法在ASTER、Landsat 8 OLI和Sentinel-2A数据集上的比较性能。分类在三个特征域（原始波段、PCA和MNF）中进行，共得到了18种不同的场景。根据审稿人的建议，对岩性单元的空间分布和主题进行了视觉评估。

讨论

库塔希亚-埃梅特-希萨里克硼酸盐盆地的地质复杂性和战略经济重要性要求高度客观和可重复的制图框架。尽管之前的制图工作已经取得了一些成果，但由于岩性的异质性，地层边界仍经常存在不一致性。本研究通过评估三个多光谱数据集（ASTER、Landsat 8 OLI和Sentinel-2A）和两种监督分类器（SVM和MLC），引入了一种稳健的方法论。

结论

本研究验证了一种适用于埃梅特-希萨里克硼酸盐盆地的遥感工作流程，证实了光谱分辨率是控制半干旱地区制图准确性的主要因素。对传感器性能和分类算法的系统性评估得出了以下结论：

1.
将ASTER图像与主成分分析（PCA）和支持向量机（SVM）结合使用，获得了最高的准确率（总体准确率为93%，κ值=0.92）。

未引用的参考文献

Alsaid Blila Mohammed，2023；Bjorgan和Randeberg，2015；Maden，2025；Ge等人，2018a；Ge等人，2018b；Imane等人，2020；Ko?yi?it，1984；Lee等人，1990；Nielsen，2011；Pour和Hashim，2014；Pour和Hashim，2015a；Prelevi等人，2015；Rajan Girija和Mayappan，2019；Yang等人，2024；Yilmaz，1989；Zhang等人，2018。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。