高光谱技术快速、 无损、 精确探测矿物, 能够清楚的反映矿物化学成分的改变。 石榴子石在热红外波段具有诊断性的三峰式特征。 反射峰波长与化学成分关系密切, 所以可以依据石榴子石在热红外波段的光谱特征开展其亚类分类研究。 钙铬榴石和锰铝榴石反射峰位置易于与其他亚类区分, 而铁铝榴石和镁铝榴石、 钙铁榴石和钙铝榴石的反射峰位置有较大重叠区域, 无法直接判别, 因此亟需一种基于热红外光谱的快速、 准确识别石榴子石亚类的分类方法。 基于热红外光谱库中85个不同类型的石榴子石样本数据获取其3个反射峰位置及波长差值信息, 利用非线性BP神经网络、 聚类分析以及多元线性判别分析3种方法开展石榴子石亚类识别实验, 并运用精确率、 召回率和F1值进行分类精度评价。 结果显示: BP神经网络算法分类的精确率、 召回率和F1值均能达到100%, 铁铝榴石和镁铝榴石、 钙铁榴石和钙铝榴石得到很好地区分; 聚类分析和多元线性判别分析分类的精确率、 召回率和F1值分别为86.1%、 80%和79.2%, 84.2%、 80%和79.5%, 这两种方法对反射峰重叠的铁铝榴石和镁铝榴石、 钙铁榴石和钙铝榴石分类效果不好, 因此BP神经网络更适合石榴子石亚类识别。 本研究利用BP神经网络强大的非线性自动映射能力, 找到了石榴子石热红外谱段反射峰位置与亚类类型之间复杂的映射关系, 证明了BP神经网络方法与热红外光谱特征结合使用的可行性与优越性, 为石榴子石亚类识别提供了快速有效的技术支撑, 同时为其他矿物的快速有效识别提供了良好的技术启示。

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。

针对当前利用高光谱数据进行矿物识别精度较低的问题, 根据研究区地质背景建立区域端元光谱库, 提出了对原始光谱进行分段滤波的预处理方法。 首先应用连续统快速傅里叶变换方法分别去除2 000～2 200 nm, 2 250～2 300 nm, 2 350 ～2 500 nm范围内的随机噪声, 之后利用加入区域端元库的矿物快速定量提取模型提取预处理后光谱中的矿物类型。 本方法识别矿物的最高有效率为80%, 正确率最高可达67%。 与未滤波的光谱识别结果对比, 平均正确率提高了17.7%, 平均有效率提高了5.1%; 与全波段滤波的光谱识别结果对比, 平均正确率提高了5.8%, 平均有效率提高了39.8%, 可保证在尽量多识别出正确矿物的基础上有效减少结果中的错误组分数, 改进了矿物识别的精度, 对野外快速提取矿物信息等工作有重要意义。