吉林大学地球探测科学与技术学院, 吉林 长春 130026
岩石是由多种矿物组成, 其反射率光谱吸收特征与矿物含量之间存在紧密联系, 矿物光谱在特定波段处的光谱吸收特征是定量估算含量的重要指标之一。 为提升岩石光谱吸收特征定量反演矿物含量的准确度与精度, 以白云母为研究对象, 分析岩石光谱在2.2 μm附近的光谱吸收特征及其白云母含量, 采用Savitzky-Golay平滑滤波和连续统去除法对岩石光谱反射率进行处理, 进而提取光谱吸收特征参数(吸收深度、 吸收宽度、 吸收面积), 分析岩石光谱在2.2 μm附近吸收特征与白云母含量之间的相关性。 研究中采用单一吸收特征建立统计模型、 多维吸收特征建立偏最小二乘法(PLS)和多层感知器(MLP)模型, 对岩石中白云母含量与光谱吸收特征参数进行分析, 进而提出一种非线性预测岩石中矿物含量的方法。 研究结果表明, 岩石光谱在2.2 μm附近的光谱吸收特征中, 吸收深度与白云母含量之间的相关性最高。 基于单一吸收特征的统计模型中, 二次曲线模型对吸收深度拟合的效果最佳, R2为0.935 0, RMSE为0.063 0, 岩石光谱的吸收深度随白云母丰度满足二次曲线变化, 岩石中白云母的含量越高, 岩石光谱吸收深度值越大; 基于多维光谱吸收特征的PLS模型相较于MLP模型拟合的效果更佳, 其R2为0.947 7高于MLP的0.901 2, RMSE为0.002 7低于MLP的0.005 1; 整体上, 多维模型优于单一维度模型, PLS模型反演能力最佳, 该模型在预测白云母含量上具有运算量小、 精度高的特点。 通过分析岩石在诊断特征处的光谱吸收特征, 为其矿物组分的含量等进行定量反演提供理论参考, 为矿产资源监测与评估提供快速高效便捷的方法。
岩石光谱 矿物含量 光谱吸收特征 统计分析 偏最小二乘法 Rock spectrum Mineral content Spectral absorption characteristic Statistic analysis PLS
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 吉林大学地球探测科学与技术学院, 吉林 长春 130026
2 95956部队, 陕西 西安 710061
3 中科遥感科技集团有限公司, 天津 300384
测试了采集自黑龙江省塔河地区的300块并进行抛光处理后的岩石样本350～2 500 nm间光谱反射率、 磁化率、 密度 、 孔隙率和金属元素含量(Fe, Mn, Ti, Zr, V, Zn, Pb, Nb, Co, Bi), 并计算了其光谱吸收深度。 在此基础上, 以相关性分析方法为依据, 探讨了所采集岩石样本的金属元素含量、 物性参数、 反射光谱间的特征响应关系, 计算了岩石样本金属元素和光谱吸收深度间的相关性系数、 物性参数与光谱反射率的相关性系数, 获得成果如下: (1)在410 nm附近, 闪长玢岩各金属元素与吸收深度间的相关系数都存在尖锐的波峰和波谷, 相关系数达到极值。 (2)岩石样本金属元素和吸收深度的相关性研究中, 侵入岩的相关系数则显著高于其他岩石类型。 (3)1 400 nm附近, 岩石样本金属元素与吸收深度、 各物性参数与光谱反射率的相关性都存在尖锐的波峰和波谷。 其中磁化率、 密度、 视孔隙率与光谱反射率的相关系数在可见光范围内波动变化较大。 (4)在1 900～2 500 nm范围内, 金属元素与光谱吸收深度、 各物性参数与光谱反射率间的相关系数波动较大, 其中金属元素和光谱吸收深度呈显著相关, 相关系数达到极值。 进一步研究了岩石金属元素和物理特性与其光谱特征的关系, 对于不同岩性的不同波段的反射率与不同金属元素间分布状态的探测, 具有一定意义。
岩石光谱反射率 吸收深度 磁化率 相关系数 金属元素 Rock spectral reflectance Absorption depth Susceptibility Density Correlation coefficient Metal element 光谱学与光谱分析
2017, 37(8): 2569
1 吉林大学地球探测科学与技术学院, 吉林 长春130026
2 云南省地质技术信息中心, 云南 昆明650000
岩石的矿物组成成分是影响其反射光谱特征的主要因素之一, 是产生各类岩石特征谱带的重要原因。 本文选择美国喷气推进实验室提供的岩石样本(包括组成岩石样本的各类矿物百分含量和用Analytical Spectral Devices (ASD)地物光谱仪测得0.35～2.50 μm波长范围内岩石样本光谱反射率)、 岩石所包含的各类矿物的光谱反射率为基础数据, 根据岩石和所含矿物的光谱线性混合模型, 首先进行了岩石及其矿物成分线性混合模拟实验, 实验结果表明基于线性混合光谱理论的岩石矿物模拟模型能够较好的模拟岩石光谱曲线, 并且能够保留各个矿物组分的吸收特征。 然后从火成岩的岩石光谱中选出含有黑云母矿物的八个样本, 研究岩石样本中黑云母含量及其在2.332 μm处反射光谱吸收深度的特征, 用线性和非线性等多种常用统计模型拟合了岩石光谱吸收深度与矿物组分黑云母含量之间的响应关系, 最后本文将增长型(Growth)和指数曲线型(Exponential)两个模型相结合获得新的拟合模型, 利用该模型拟合了岩石光谱吸收深度与矿物组分黑云母含量之间的统计响应关系, 拟合结果表明二者的相关系数达到0.998 4, 标准偏差为0.57 2, 虽然利用Growth和Exponential模型拟合的标准偏差小于两个模型结合后的新模型拟合的标准偏差, 但新模型的相关系数有了显著提高, 这说明新模型拟合效果更接近样本的实测值。
岩石光谱 矿物光谱 线性混合模型 吸收深度 Rock spectrum mineral spectrum Linear mixture model The absorption depths 光谱学与光谱分析
2015, 35(9): 2583
1 东华理工大学放射性地质与勘探技术国防重点学科实验室, 江西 南昌 330013
2 东华理工大学地球科学学院, 江西 抚州 344000
3 东华理工大学江西省数字国土重点实验室, 江西 抚州 344000
探索岩石光谱与岩石其他物性之间的联系具有重要意义。 运用SVC HR-768便携式光谱仪对相山铀矿田内的36块5 cm×5 cm×5 cm大小的碎斑熔岩样品进行光谱测量, 每测量一个样品之前测量一次白板进行校正, 对测量后的光谱曲线进行5 nm的平滑重采样消除由大气水及其他外界环境变化所引起的噪声。 截取平滑重采样后1 112～1 322 nm范围的岩石光谱, 以波段值为横轴(X轴), 反射率为纵轴(Y轴)进行线性方程拟合, 求得各岩石样品在该光谱范围的直线方程。 以直线方程的斜率为横轴(X轴), 样品的体积磁化率为纵轴(Y轴)进行方程拟合, 得到y=－0.256 3 ln(x)+0.913 7, 相关系数高达0.78。 结果表明, 该岩石的体积磁化率主要由含Fe2+矿物引起; 1 112～1 322 nm范围光谱斜率能够半定量测定岩石中的Fe2+含量; 该范围的岩石光谱与体积磁化率具有较好的相关性。
岩石光谱 磁化率 相山铀矿田 碎斑熔岩 Rock spectrum Magnetic susceptibility Xiangshan uranium orefield Crushed lava 光谱学与光谱分析
2013, 33(12): 3282
