岩石光谱综合反映了岩石的物理化学性质、 成分及其结构构造。 岩石光谱数据已被应用于岩石分类的研究, 但是不同于矿物光谱, 岩石光谱并无标准数据库, 且受较多干扰因素影响, 例如矿物组分、 结构构造、 化学成分、 风化力度, 测量仪器的误差等。 传统岩石光谱分类模型先是对岩石光谱进行预处理排除干扰, 然后采用不同方法对部分光谱特征分析, 以达到分类目的。 但对光谱数据特征遗失较多, 使得分类准确率低下且操作过程繁琐、 效率不高。 因此, 建立一个简单、 快速、 准确的岩石光谱自动分类模型具有重要意义。 机器学习能够对获得的所有数据进行学习, 不存在遗漏, 大大提高了分类精度, 且是对原始数据直接操作, 不需预处理, 简化流程。 为此, 选取辽宁兴城地区作为研究区, 采集了若干种典型岩石样本, 利用美国ASD便携式光谱仪实测光谱, 最终获得608条数据, 依据岩石光谱特征分为三类进行研究。 首先利用决策树(DT)及决策树的升级模型——随机森林(RF)对数据进行分类, 但当数据噪音较大时随机森林容易陷入过拟合; 因而利用对异常值不敏感的K-最近邻(KNN)建模, 但KNN需要对每个样本都考虑, 数据量大时计算量会很大, 效率不高; 所以通过支持向量机(SVM)来提升分类准确率。 从实验结果可以看出, 4种分类模型的准确率排序为: SVM>KNN>RF>DT。 为进一步提高岩石光谱特征的自动分类精度, 采取了融合多个不同模型的办法, 即对不同模型的分类结果进行投票, 选择投票最多的作为最后分类结果。 由于硬投票可在一定程度上减少过拟合现象的发生, 更加适合分类模型, 所以利用硬投票法融合了RF、 KNN与SVM三个机器学习模型, 最终的分类准确率可达到99.17%。 综上所述, 基于融合学习模型进行岩石光谱特征自动分类是切实可行且准确高效的。
岩石光谱分类 决策树 随机森林 K-最近邻 支持向量机 模型融合 Rock spectral classification Decision tree Random forest K-nearest neighbor Support vector machine Model fusion
1 吉林大学地球科学学院， 吉林 长春130061
2 吉林大学地球探测科学与技术学院， 吉林 长春130061
3 吉林大学计算机科学与技术学院， 吉林 长春130012
由于某些矿物， 特别是与成矿作用有关的热液蚀变矿物的光谱特征差异较小， 更受到矿物混合光谱等因素的影响， 导致大多数光谱识别方法对一些光谱特征相似的矿物极易出现混淆和误判现象。 因此， 针对矿物光谱的“同物异谱”、 “同谱异物”现象， 提出了一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法。 通过对白云母、 高岭石， 这两种光谱特征相近的典型蚀变矿物的实验测试、 分析， 并与光谱角匹配、 二进制编码、 光谱特征拟合等同类方法进行对比， 结果表明该方法能够充分地利用吸收特征波谷位置、 吸收特征深度、 包络线斜率等多种矿物光谱识别属性特征， 进而将不同种类的矿物更明显地予以区分， 具有较高的分类识别准确率。
高光谱遥感 矿物识别 分类模型 朴素贝叶斯 Hyperspectral remote sensing Mineral identification Classification model Naive bayes
