EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 6: 228 - 240

DOI: https://doi.org/10.6046/zrzyyg.2024375

Deep learning-based remote sensing interpretation and its reliability verification for hydroxyl alteration information in the East Qinling Mountains

  • LI Chunyi , 1, 2 ,
  • ZHAO Pengxiang 1, 2, 3 ,
  • DING Laizhong , 3 ,
  • WANG Wenjie 3 ,
  • GAO Yantao 3 ,
  • MAI Zhiyao 3 ,
  • GUO Yaxing 1, 2
Expand
  • 1. School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454003, China
  • 2. Key Laboratory of Mine Spatio-Temporal Information and Ecological Restoration, MNR, Jiaozuo 454003, China
  • 3. Mineral Resources Exploration Center of Henan Geological Bureau, Zhengzhou 450012, China

Received date: 2024-11-19

  Revised date: 2025-04-10

  Online published: 2026-06-03

Fold

Abstract

The East Qinling Mountains, located in the eastern Qinling orogen between the North China and Yangtze plates, boast the largest Mo-Au-W polymetallic metallogenic belt in China. Given that alteration played a key role in the mineralization process, its information extraction and distribution characteristics can provide critical insights for analyzing the mineralization mechanisms. To explore a more efficient method for extracting alteration information, this study investigated Dengfeng City in the East Qinling Mountains using data from the Sentinel-2A and Landsat-8 sensors. Data processing and analysis were conducted based on the Google Earth Engine (GEE) platform, and deep learning was applied to the extraction of alteration information. To improve the extraction efficiency, the information about vegetation, water bodies, and buildings was extracted first using the normalized difference vegetation index (NDVI), modified normalized difference water index (MNDWI), and normalized difference built-up index (NDBI), respectively. Subsequently, the interference information was masked by generating binary images using the threshold segmentation method. In combination with the spectral curves of typical hydroxyl minerals, the bands used to extract hydroxyl alteration information were determined. Then, the initial alteration information was extracted using the principal component analysis (PCA) method, and the pixels that overlapped spatially and exhibited concentrated information and high alteration levels were selected as labels to train the deep learning model. The potential information of remote sensing images was further extracted using the convolutional neural network (CNN) model that integrated multi-band data. Finally, in combination with the linear structure maps and mineralization anomalies of the target area, rock and soil samples were collected from the corresponding locations, and their main components were determined using X-ray fluorescence spectroscopy (XRF) and X-ray diffraction (XRD) analysis. In this manner, the reliability of the alteration information extracted was verified. The results indicate that compared to the PCA method alone, the CNN model can extract more comprehensive and clearer hydroxyl alteration information that was more easily graded. The samples collected at the field sampling points all contained minerals with hydroxyl alteration, such as muscovite, biotite, and chlorite. The laboratory XRF and XRD analysis results were consistent with the hydroxyl alteration information extracted using the CNN model. This verifies the reliability and efficiency of the interpretations of hydroxyl alteration information extracted using the deep learning-based CNN model. The results of this study can provide a theoretical and technical basis for remote sensing prospecting in the East Qinling Mountains.

Key words： Sentinel-2A data; Landsat8 data; hydroxyl alteration information; principal component analysis (PCA); deep learning

Cite this article

LI Chunyi , ZHAO Pengxiang , DING Laizhong , WANG Wenjie , GAO Yantao , MAI Zhiyao , GUO Yaxing . Deep learning-based remote sensing interpretation and its reliability verification for hydroxyl alteration information in the East Qinling Mountains[J]. Remote Sensing for Natural Resources, 2025 , 37(6) : 228 -240 . DOI: 10.6046/zrzyyg.2024375

0 引言

随着我国经济社会的快速发展和工业化进程的不断深化,对矿产资源的需求持续攀升,但在铁矿石、铜矿石等关系国防和国民经济建设的矿产资源方面,我国对进口的依赖程度较高,这不仅增加了供应链风险,还在一定程度上限制了高精尖技术领域的发展。从国家安全的战略高度来看,保障矿产资源的有效供给任务紧迫,需要通过更加高效、准确的找矿手段来增加资源储备,提升找矿效率[1]。然而,传统的矿产勘查方法存在一定的局限性[2-3],需要探索新的技术手段提升找矿效率。
遥感技术作为一种高效、经济的找矿方法,能够大面积获取地表或潜地表信息,在矿产资源勘查中显示出巨大的应用潜力。遥感技术广泛应用于地质领域,如矿产勘查、地质构造解译、地质填图、区域地质调查和地质灾害监测等方面[4],尤其在矿产资源勘查领域,遥感技术因其经济、高效、快速的优势得到了广泛应用[5-7]。近年来,高光谱和雷达等遥感技术发展迅速,并逐步向多元化方向扩展[8-10],已成为现代矿产勘查与找矿预测的核心技术之一,在矿产勘查领域发挥着重要作用[11]。Crosta等[12]提出了Crosta法,通过主成分分析法(principal component analysis,PCA)对Landsat多光谱数据进行铁染和羟基蚀变信息提取,该方法在多光谱领域得到了广泛应用[13-15]; 赵慧童等[16]使用高级星载热发射和反射辐射仪(advanced spaceborne thermal emission and reflection radiometer,ASTER)多光谱数据与GF-1高分辨率数据,提取区域铁染信息并圈定了找矿靶区; Chen等[17]提出光谱特征匹配与特征参数相结合的方法,使用ZY-1 02D和Hyperion高光谱数据提取蚀变信息,为高光谱数据的应用提供了宝贵的技术支撑; 连琛芹等[18]综合使用雷达数据和光学遥感数据进行了找矿预测,选择ASTER多光谱数据提取研究区蚀变信息,并结合PALSAR雷达数据提取构造信息,成功圈定找矿靶区并发现了新的金矿点。为提升韧性剪切带的找矿效率; 肖壮等[19]提出了一种基于深度学习的找矿方法,将遥感扫描、光谱探测、地理信息系统技术与深度学习模型相结合,实现了对韧性剪切带地质构造和化学矿质信息的自动提取和分析。上述研究表明,遥感找矿技术从多光谱到高光谱,从低分辨率到高分辨率,从单一数据源到多数据源,并逐步向多元化方向发展,显著提升了矿产资源勘查的精度与效率。但通过国内外文献的研读发现,将多源遥感技术与深度学习相结合应用于找矿领域的研究较少,有待进一步探索。深度学习作为一种先进的数据处理工具,能够分析复杂的特征关系,挖掘海量数据中的潜在信息,在处理多源、异构、高维、高计算复杂度及不确定性数据处理等方面具有独特优势,能够有效地挖掘矿床与数据之间的深层关系,有效识别复杂的特征关系并从遥感影像中提取潜在信息[20-22]。
谷歌地球引擎(Google Earth Engine,GEE)平台作为一种基于云计算的遥感数据处理平台,为大规模遥感数据的获取、处理与分析提供了强有力的支持。本文以河南省登封市为研究区,通过GEE平台处理Sentinel-2A和Landsat8 OLI 2种类型的遥感影像,结合PCA与卷积神经网络(convolutional neural networks,CNN)提高羟基蚀变信息的提取精度,推动蚀变信息的智能化、自动化解译。

1 研究区概况及数据源

1.1 研究区概况

登封市位于河南省中西部,华北地台区西南部,境内有嵩山、少室山、箕山等山脉,地形以山地和丘陵为主,地势复杂多变,具体位置如图1所示。研究区域地质构造受华北地台与秦岭造山带的双重影响,形成了复杂的构造格局,主要断裂带的走向为北东—南西和北西—南东,对地层分布、岩浆活动及矿产分布产生了重要影响。区内山脉的褶皱构造显著,主要为东西向的背斜与向斜,反映了古生代至中生代的构造运动历史。地层跨越太古宇至新生界,层序清晰、构造典型。该地区岩石类型丰富,包括沉积岩、岩浆岩和变质岩,构成了明显的双层地壳结构。基底由太古宇至古元古界的变质岩组成,盖层则由中元古界至三叠系的沉积岩组成,之后地层转为山间或断陷盆地沉积。区域内岩浆活动频繁,构造复杂,岩石的变质程度不一,为多样性的矿产形成提供了有利条件。研究区域地质特征独特,矿产资源丰富,如煤、铝土矿、石灰岩、白云岩、粘土矿、硅石矿和铁矿等。内生矿床相对较少,如铜、铅、水晶和花岗岩等。研究区域地质简图和工程地质状况如图2和图3所示。
图1 研究区域位置

Fig.1 The location of study area

图2 研究区域地质简图

1-第四系; 2-古近系; 3-上古生界及三叠系; 4-下古生界; 5-五佛山群; 6-嵩山群; 7-登封岩群; 8-元古宇花岗岩; 9-元古宇基性岩; 10-背斜; 11-向斜; 12-正断层; 13-逆断层; 14-平推断层; 15-飞来峰; 16-平行不整合及角度不整合

①助泉寺断裂; ②五指岭断裂; ③上寺沟断裂; ④龙头—寨脖断裂; ⑤尧坡山断裂; ⑥唐窑—中岳庙断裂; ⑦登封大断裂; ⑧安庙断裂

(1)府店—涉村向斜; (2)登封大背斜; (3)颍阳—石道向斜; (4)景店背斜; (5)芦店向斜; (6)凤凰岭背斜

Fig.2 Geological map of the study area

图3 研究区域工程地质图

Fig.3 Engineering geological map of study area

1.2 数据源

GEE平台提供了全球范围内的卫星影像库,可通过平台对Sentinel-2A和Landsat8 OLI数据进行筛选。为了减少植被、冰雪和云层等自然因素的干扰,确保地表裸露的岩石、土壤及潜在的矿化蚀变信息能够清晰展现,论文选取2022年11月—2023年2月间植被覆盖稀疏、冰雪影响小且云量低于5%的影像进行中值合成。Sentinel-2A数据包括13个波段,其中6个可见光波段,4个近红外波段,3个短波红外波段,空间分辨率分别为10 m,20 m和60 m。Landsat8 OLI数据包括可见光、近红外、短波红外和全色波段,空间分辨率为30 m,全色波段的分辨率为15 m。2种数据的详细数据对比如表1所示。
表1 Sentinel-2A与Landsat8 OLI数据波段特征对比

Tab.1 Comparison of Sentinel-2A and Landsat8 OLI data band characteristics

波段
分布		 Sentinel-2A Landsat8 OLI
波段 中心波
长/μm		 分辨
率/m		 波段 中心波
长/μm		 分辨
率/m
可见光 B1 0.433 60 B1 0.443 30
B2 0.490 10 B2 0.483 30
B3 0.560 10 B3 0.561 30
B4 0.665 10 B4 0.655 30
B5 0.705 20 B8 0.592 15
B6 0.740 20
近红外 B7 0.783 20 B5 0.865 30
B8 0.842 10
B8A 0.865 20
B9 0.945 60
短波红外 B10 1.375 60 B9 1.373 30
B11 1.610 20 B6 1.609 30
B12 2.190 20 B7 2.201 30

1.3 数据预处理

为了确保蚀变信息提取的准确性和可靠性,通过GEE进行了去云处理、中值合成、裁剪和干扰信息的掩模操作。掩模处理的核心目标是剔除可能对蚀变信息提取造成干扰的因素,如植被、水体和建筑物等,生成干扰因素的掩模图,确保这些非目标像素不参与后续的统计分析,分别用归一化植被指数(normalized difference vegetation index,NDVI)、改进归一化水体指数(modified normalized difference water index,MNDWI)和归一化建筑指数(normalized difference built-up index,NDBI)提取植被信息、水体信息和筑物信息,公式为:

NDVI=(NIR-Red)/(NIR+Red),

MNDWI=(Green-SWIR)/(Green+SWIR),

NDBI=(SWIR-NIR)/(SWIR+NIR),

式中: Red为红光波段; NIR为近红外波段; Green为绿光波段; SWIR为短波红外波段。
对NDVI,MNDWI和NDBI进行了阈值分割,以有效去除植被、水体和建筑物的干扰信息。结合研究区域的实际特征,通过反复测试,以确保最大程度地减少背景干扰,最终具体阈值设置如下: NDVI>0.52,用于掩模去除高植被覆盖区; MNDWI>0.25,用于去除水体; NDBI>0.2,用于识别和去除建筑物。采用阈值分割法生成掩模二值图像,被掩模区域的值为0,其余区域为l,将3种指数的掩模图像相乘,得到研究区的掩模图像。与Landsat8 OLI遥感影像相比,由于Sentinel-2A的分辨率比较高,因此掩模更精细,效果更好。掩模后的结果如图4所示。
图4 掩模图像

Fig.4 Mask image

2 矿化蚀变信息提取方法

2.1 光谱特征分析

羟基蚀变是常见的热液围岩蚀变现象,如绿帘石、高岭石、白云母和绿泥石等矿物中都包含羟基离子[23]。在可见光区域,矿物的光谱特征主要受矿物颜色和电子跃迁等因素的影响; 而在短波红外区域,由于羟基分子的振动作用,羟基蚀变矿物表现出显著的特征吸收峰,这些短波红外的吸收特征能够更清晰地反映羟基矿物的存在。在光谱分析中,特征吸收谱带包括1.4 μm,1.9 μm,2.2 μm和2.3 μm,其中1.4 μm,1.9 μm和2.3 μm这些波段是羟基矿物的重要识别谱带,同时也与水分子(如长石和石英液态包体水)的存在密切相关,2.2 μm吸收谱带是云母类和粘土类矿物的典型识别特征。基于美国地质调查局(United States Geological Survey,USGS)光谱库,选取了典型羟基矿物,如绿泥石、绿帘石、高岭石和白云母等光谱曲线,并对这些光谱曲线进行分析,选择合适的波段提取蚀变信息。
为提取羟基蚀变信息,本研究选取了Sentinel-2A的B6,B8A,B11和B12波段,Landsat8的B2,B5,B6和B7波段进行蚀变信息提取。这些波段与矿物光谱的对应关系如图5所示。
图5 数据波段与典型羟基矿物光谱图

Fig.5 Data bands and typical hydroxyl mineral spectra

2.2 PCA法

PCA是对多维数据进行降维的算法,其基本原理是在信息损失较少的情况下对图像数据进行降维,将多个线性相关数据转换为线性无关数据,集中到少数几个主分量中,通过主分量数据反映原始数据的重要信息[24]。PCA能够减少数据冗余并最大限度地提取有用信息,在提取蚀变信息领域得到广泛应用。根据蚀变矿物的光谱特征选择对应的波段,将这些光谱数据转换为多个相互正交的主分量,并根据特征波段的特征向量载荷因子的正负和贡献值来确定蚀变矿物的主分量; 通过对选择的主分量进行阈值化处理,将蚀变信息与背景信息分离。假设选取遥感影像的波段数为n,包含的像元数为m,即x1,x2,…,xm; 则此光谱数据组成的n×m的矩阵为:
$X=\left[\begin{array}{llll}{x}_{11}& {x}_{12}& \dots & {x}_{1m}\\ {x}_{21}& {x}_{22}& \dots & {x}_{2m}\\ \dots & \dots & \dots & \dots \\ {x}_{n1}& {x}_{n2}& \dots & {x}_{nm}\end{array}\right]={x}_{1},{x}_{2},\dots,{x}_{m}$
式中: xi=(${{x}_{1}}_{i}$,${{x}_{2}}_{i}$,…,xni)T,i=1,2,…,m,m为任意波段图像中包含的像元数量。
将m个自变量重新组合整理成p个新变量,新变量即主分量表示为y1,y2,…,yp(p≤m)。
$Y=\left\{\begin{array}{l}{y}_{1}={a}_{11}{x}_{1}+{a}_{12}{x}_{2}+\dots +{a}_{1m}{x}_{m}\\ {y}_{2}={a}_{21}{x}_{1}+{a}_{22}{x}_{2}+\dots +{a}_{2m}{x}_{m}\\ \dots \\ {y}_{p}={a}_{p1}{x}_{1}+{a}_{p2}{x}_{2}+\dots +{a}_{pm}{x}_{m}\end{array}\right.$
式中: y1为第一变量; y2为第二变量,以此类推,yp为第p个变量。公式中a是每个变量的主成分系数,每个主分量之间都相互独立且方差逐渐减小。

2.3 CNN法

CNN广泛应用于图像处理和模式识别,具备局部感知、权值共享和池化操作的特点,适用于处理遥感数据信息[25]。CNN通过构建多层卷积层和池化层,对输入的遥感影像进行特征提取和降维处理,并在全连接层进行分类或特征映射,从而能够有效提取复杂的空间模式和信息。其核心思想是通过局部感受野、权值共享和汇聚层的设计来简化网络参数,同时使网络具备一定程度的位移、尺度和非线性形变的稳定性。它主要由5种网络层构成: 输入层、卷积层、池化层、全连接层和输出层。数据输入层将GEE处理后的遥感数据作为输入,写入神经单元; 卷积层通过卷积操作提取数据特征,通常与非线性激活函数结合使用; 池化层进行下采样操作,如最大池化或平均池化,减小特征图的尺寸; 全连接层在网络末端实现特征映射和分类; 输出层用于输出结果或进行特征可视化。通过这些层的组合,CNN能够高效提取和分析图像中的复杂特征,并用于遥感数据的蚀变信息提取任务。CNN算法架构如图6所示。
图6 卷积神经网络算法架构

Fig.6 Convolutional neural network algorithm architecture

本文采用的自定义CNN模型参考了经典卷积神经网络框架VGG的小卷积核设计(3×3),并结合AlexNet的Dropout和激活函数设计思想,构建了一个轻量化的深度学习模型。模型由TensorFlow/Keras框架实现,利用其高效的计算能力和灵活的模块化设计,构建了包含多层卷积、Dropout、防过拟合机制以及全连接分类层的结构。实验结果表明模型在实现轻量化的同时,兼顾了对遥感数据复杂特征的捕捉能力,并在实验中表现出良好的提取精度和训练效率。

3 蚀变信息提取结果

3.1 PCA蚀变信息提取结果

根据光谱特征对Sentinel-2A数据的多个波段组合进行对比实验,最终选择效果最佳的B6,B8A,B11和B12波段提取羟基蚀变信息。在经过PCA处理后,数据被转换为4个主分量(PC1,PC2,PC3,PC4),其中各主分量分别代表原始波段信息的不同特征。异常主分量的特点是B11和B12波段的贡献系数符号相反,而B8A和B11的贡献系数符号相同且为正。经主成分优化模拟测试,确定PC3为包含羟基蚀变信息的主分量。为了与Sentinel-2A数据的解译结果进行对比,使用Landsat8数据的B2,B5,B6和B7波段提取羟基蚀变信息。异常主分量的特点是B6和B7波段的贡献系数符号相反,且B7波段的贡献系数为负。经过分析,确定PC3为包含羟基蚀变信息的主分量。为更有效地显示蚀变信息的层次结构,采用了主分量密度分割法对蚀变信息进行分级处理。通过统计直方图计算出均值X和标准差σ,并调整“均值(X)+N×标准差σ”中的N值,确定主分量的异常等级阈值。N值增大意味着数据点更远离均值,表示更高的异常级别。结合研究区特点,本研究选择的N值分别为1.5,2.0和2.5。
通过对PCA提取结果的分析发现,Sentinel-2A和Landsat8数据提取的羟基蚀变信息在空间展布上具有高度一致性,具备较高可信度。提取的羟基蚀变信息的特征向量和结果如表2和图7所示。
表2 主成分分析特征向量表

Tab.2 Principal component analysis eigenvector table

数据 波段 特征向量
PC1 PC2 PC3 PC4
Sentinel-2A B6 -0.493 315 0.504 024 -0.350 873 0.616 026
B8A -0.569 618 0.428 483 0.326 705 -0.620 646
B11 -0.506 105 -0.560 972 0.544 714 0.363 944
B12 -0.419 564 -0.497 668 -0.688 069 -0.320 709
Landsat8 B2 -0.157 516 0.017 635 -0.791 345 -0.590 466
B5 -0.521 527 0.845 590 0.044 310 0.104 996
B6 -0.645 970 -0.364 374 0.474 349 -0.474 286
B7 -0.534 716 -0.389 741 -0.383 147 0.644 499
图7 Sentinel-2A和Landsat8的PCA羟基异常分布图

Fig.7 PCA hydroxyl anomaly distribution maps of Sentinel-2A and Landsat8

3.2 卷积神经网络蚀变信息提取结果

Sentinel-2A数据相比Landsat8数据在影像分辨率和光谱数量上具有明显优势,更适合定量遥感研究。选择Sentinel-2A数据作为深度学习实验数据,可以挖掘更多潜在信息并训练出更为高效的模型。在构建和训练CNN模型时,选择2种数据提取的蚀变信息在空间位置上重叠、信息集中且蚀变等级高的像素制作成影像标签,为CNN提供输入特征和训练素材。在利用CNN模型对研究区进行羟基蚀变信息提取的实验设计中,采取分组对比策略以评估不同波段组合对模型性能的影响。第一组实验专注于提取羟基蚀变信息的核心波段,选取Sentinel-2A数据的B6,B8A,B11和B12波段作为输入数据。第二组实验将所有可用波段作为输入数据,旨在探索多波段信息对模型性能的潜在影响,挖掘更多潜在信息,检验多波段信息是否能进一步提升羟基蚀变信息的提取精度。
对比分析2种组合的结果发现,第二组实验的训练效果更好,训练精度达到93.19%,提取的信息更加集中,蚀变等级分级更加清晰,重点蚀变区域易于识别,表明融入多波段数据的的CNN模型能够更有效地挖掘Sentinel-2A数据的信息,提高蚀变信息提取的全面性和准确性。单独使用PCA方法,部分区域提取的蚀变信息微弱,而CNN能更全面地识别蚀变信息区域,且提取的蚀变信息显著增强。对于这种信息显著增强区域,将通过现场采样和实验室分析进一步验证其可靠性。2组实验提取的羟基蚀变信息结果如图8所示。
图8 CNN羟基异常分布对比

Fig.8 Comparison of abnormal distribution of hydroxyl groups in CNN

4 蚀变信息提取的可靠性检验

4.1 蚀变信息样品现场采集

为了验证深度学习结果的可靠性,本文对蚀变异常集中区域进行了外业数据采集工作。大量遥感找矿的实例表明,矿床的空间分布通常与区域内的线性构造密切相关,这些线性构造包括褶皱、断裂、岩层分界等,为成矿提供了重要的通道和储集空间,可能与矿床的分布呈现相关性。基于深度学习方法提取的蚀变信息结果,结合研究区域地质简图(图2)和工程地质图(图3)与褶皱和断裂构造图(图9),对其矢量化得到主要线性构造信息。选择了6个典型的矿化异常点进行外业调查,对比外业采集的样品测试结果与遥感解译的蚀变信息,为研究区内遥感找矿预测和矿产资源勘探提供依据。选取的P1点位为CNN提取的蚀变信息增强区域,而在PCA提取结果中,该点位的蚀变信息微弱,易被忽视,从而未能作为找矿勘查的点位。P2—P6采样点则集中于CNN和PCA提取结果的重叠区域,通过这种采样策略验证蚀变信息增强区域的可靠性,并进一步评估2种方法提取结果的一致性和有效性。现场采集点位、现场照片、岩样和主要线性构造如图10所示。
图9 登封市褶皱和断裂构造

褶皱名称: (1)大搭寺复背斜; (2)三官庙复向斜; (3)老虎头寨复背斜; (4)嵩山背斜; (5)颖阳—大金店复向斜; (6)芦店向斜; (7)箕山背斜; (8)东刘碑背斜

断裂名称: ①嵩山北坡正断层; ②王峪正断层; ③太后庙正断层; ④送表—郭沟正断层; ⑤南窑正断层; ⑥葫芦套正断层; ⑦过风口正断层; ⑧嵩山断层; ⑨五指岭断层; ⑩魏窑—尧坡山正断层; ⑪申家门逆断层; ⑫火神庙正断层; ⑬峙岈砦沟正断层; ⑭少林寺—当阳山正断层; ⑮安坡山逆断层; ⑯范庄平推断层

Fig.9 Fold and fault structures in Dengfeng City

图10 蚀变信息现场样品采集

Fig.10 On site sample collection of weathering information

4.2 蚀变信息提取可靠性验证

为辨识外业采集的样品成分,本文针对采集的样品开展了实验室测试。测试分为2部分,首先进行X射线荧光光谱分析(X-ray fluorescence,XRF)分析确认样品所含元素,然后根据所含主要元素进行X射线衍射分析(X-ray diffraction,XRD)分析,进一步确认样品所含主要矿物。

4.2.1 XRF分析

首先对样品进行X射线荧光光谱分析,以检测样品中主要化学元素的含量。测试使用的X射线荧光光谱仪为日本理学Rigaku ZSX Primus III3+,可快速定量测定从氧到铀的主要和次要元素。其原理是通过激发样品中的原子发射特征X射线,再根据荧光信号强度进行元素定量分析。本研究中,XRF分析主要用于识别样品中的主要元素,为后续的矿物鉴定提供数据支撑。
XRF分析的结果如表3所示,主要成分包括SiO2,Al2O3,Na2O,K2O,MgO,Fe2O3和CaO等。P1样品SiO2含量为55.13%,Al2O3为9.76%,MgO为5.15%,CaO为8.46%,C含量为17.41%,Si和Al含量较高,可能指向了石英、透闪石等含硅矿物,而Mg和Ca的含量表明可能含有镁钙矿物如蛭石和方解石。P2样品的SiO2含量最高,为72.18%,Al2O3和Na2O分别为4.20%和1.78%,Al,Na,K的存在可能指向钠长石、微斜长石等长石类矿物。P3样品具有较高的Al2O3含量(11.66%),Na2O和K2O的比例较高,可能含有钠长石、微斜长石以及白云母等含钾钠的铝硅酸盐矿物。P4样品具有中等水平的SiO2(54.31%)、较高的Al2O3(11.56%)和一定量的K,Na,Fe元素,可能含有的矿物种类较多,如白云母、绿泥石、黑云母等富含钾、铁和镁的矿物。P5样品的Al2O3(13.23%)和MgO含量较高,并含有钙、钠元素,可能含有绿泥石、镁铝蛇纹石、高岭石、地开石等矿物。P6样品含有较高的MgO(4.74%)和CaO(7.18%),可能含有透闪石和阳起石等镁钙矿。
表3 样品主要元素百分比含量

Tab.3 Percentage content of main elements in the sample (%)

检测元素 样品序号
P1 P2 P3 P4 P5 P6
SiO2 55.134 2 72.183 7 56.561 6 54.313 0 44.202 5 41.066 4
Al2O3 9.756 7 4.200 8 11.661 9 11.556 1 13.227 1 12.059 2
Na2O 0.452 2 1.780 4 3.316 6 2.089 6 2.143 5 2.106 8
K2O 0.524 4 1.864 3 4.687 1 5.531 4 1.749 3 0.567 6
MgO 5.146 6 0.093 2 0.135 9 1.453 9 1.834 1 4.739 5
Fe2O3 2.486 4 0.364 2 1.438 5 2.128 0 3.727 1 9.440 0
CaO 8.456 2 0.564 3 0.102 1 0.196 2 1.126 9 7.178 3
C 17.414 5 19.125 6 21.720 7 22.323 3 31.341 5 21.828 9
上述主要元素分析结合矿物学知识,可以初步推测各样品可能的矿物种类。SiO2常与石英、长石类矿物相关; Al2O3与铝矿物如白云母和高岭石等矿物相关; Na2O和K2O通常与钠长石和钾长石等矿物有关; MgO与镁矿物如透闪石、阳起石等矿物相关; Fe2O3可能指向铁铝硅酸盐类矿物,如黑云母; CaO多与方解石和白云石等碳酸盐矿物相关。通过这些成分的分析,为后续的矿物鉴定提供了基础数据。检测结果如图11所示。
图11 基于XRF的样品主要元素含量测试结果

Fig.11 Test results of main element content of samples based on XRF

4.2.2 XRD分析

在XRF分析结果的基础上,利用XRD中进行元素筛选匹配相关成分,并进行半定量分析矿物相对含量,确认样品的主要矿物种类。XRD是通过分析矿物晶体衍射出的X射线图谱来确定矿物的种类和晶体结构的技术,适用于复杂矿物混合物的分析。测试使用的X射线衍射仪型号为日本生产的Rigaku SmartLab,该设备可应用于新材料、矿物鉴定、化学化工、高分子、物理、生物、医药等领域,针对多晶和非晶样品进行结构参数分析。在分析中,首先将样品粉碎至一定粒度,制备成标准粉末样品,然后将样品置于X射线衍射仪上,通过X射线照射获取样品的衍射图谱,最后将识别到的衍射峰与标准数据库中的已知矿物衍射峰进行比对,确定样品中存在的矿物种类。对于已匹配的矿物,致因子越小,表明矿物匹配度越好。
XRD检测结果图谱和矿物相对含量(除SiO2外)如图12所示。P1样品主要包含蛭石、片沸石、透闪石、方解石,P2样品包含钠长石、微斜长石、羟基钙霞石,P3样品包含钠长石、微斜长石、白云母,P4样品包含白云母、斜绿泥石、镁铝蛇纹石、黑云母、高岭石、绿泥石、地开石,P5样品包含镁铝蛇纹石、斜绿泥石、绿泥石、黑云母、高岭石、地开石,P6样品包含阳起石、透闪石、堇青石、蛭石。分析结果显示,所有样品均含有羟基蚀变矿物,如白云母、黑云母、绿泥石、镁铝蛇纹石、高岭石、地开石、方解石、羟基钙霞石、蛭石、阳起石和透闪石等。P1点位为深度学习模型提取的蚀变信息显著增强区域,该区域的Sentinel-2A数据通过PCA未能有效提取出蚀变信息,经验证后,P1点位确实含有羟基蚀变信息。这一结果与通过遥感影像提取的羟基蚀变信息一致,验证了遥感解译的准确性,表明深度学习模型在蚀变信息提取中具有更高的精度,能够有效补充PCA方法未能有效提取的信息,提升了羟基蚀变信息的提取精度和全面性。对比分析现场数据与遥感解译的蚀变信息,确认了矿化蚀变信息的准确性,验证了遥感解译结果的可信度,证明了结合深度学习技术的蚀变信息提取方法在找矿预测中的有效性。
图12 XRD图谱与矿物相对含量测试结果

Fig.12 XRD pattern and mineral relative content test results

5 结论

本文以东秦岭登封市为研究区,对Sentinel-2A和Landsat8这2种类型的遥感影像数据进行了处理和分析,并将深度学习应用于蚀变信息提取中,目标是提高羟基蚀变信息提取的准确性,并验证其解译图斑的正确性,结论如下:
1)基于Sentinel-2A和Landsat8数据采用PCA法成功提取了目标区域的羟基蚀变信息,并对2种数据源的解译结果进行了详细对比。深度学习识别模型可更有效地挖掘Sentinel-2A数据的信息,而PCA和CNN模型的双重提取方法能够显著提高蚀变信息提取的全面性和准确性。
2)多波段数据的引入显著提高了CNN模型的提取精度,使得提取的蚀变信息分布更为集中且等级分布更具层次性,提升了蚀变信息的提取效率。实验室测试结果验证了深度学习模型对多波段遥感影像在蚀变信息提取方面的潜力。
3)XRF和XRD测试分析技术能够对采集的岩土样品化学成分和矿物成分进行有效测试,所有样品均含有羟基蚀变矿物,如白云母、黑云母、绿泥石等,进一步验证了CNN模型解译图斑的正确性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
赵芝玲, 王萍, 荆林海, 等. 用ASTER数据提取植被覆盖区遥感铁矿化蚀变信息[J]. 金属矿山, 2016(10):109-115.

Zhao Z L, Wang P, Jing L H, et al. Extraction method of iron mi-neralized alteration information in vegetation covered areas based on remote sensing ASTER data[J]. Metal Mine, 2016(10):109-115.

[2]
Tang S L, Cao J N. Deposit location identification based on feature decomposition of high-resolution remote sensing images[J]. IEEE Access, 2020,9:15239-15251.

[3]
崔世超, 周可法, 丁汝福. 高光谱的矿区植物异常信息提取[J]. 光谱学与光谱分析, 2019, 39(1):241-249.

Cui S C, Zhou K F, Ding R F. Extraction of plant abnormal information in mining area based on hyperspectral[J]. Spectroscopy and Spectral Analysis, 2019, 39(1):241-249.

[4]
褚志远, 温殿刚, 吕青, 等. 山东蒙阴地区金刚石遥感找矿模型的构建与应用[J]. 地球科学与环境学报, 2024, 46(2):240-251.

Chu Z Y, Wen D G, Lyu Q, et al. Construction and application of remote sensing ore-prospecting model for diamonds in Mengyin area of Shandong,China[J]. Journal of Earth Sciences and Environment, 2024, 46(2):240-251.

[5]
张云峰, 李领军, 冯淳. ASTER数据在北方铝土矿预普查中的应用——以豫西渑池地区为例[J]. 国土资源遥感, 2012, 24(1):48-52.doi:10.6046/gtzyyg.2012.01.09.

Zhang Y F, Li L J, Feng C. The application of ASTER data to bauxite deposit pre-survey in northern China:A case study of Mia-nchi area,western Henan[J]. Remote Sensing for Land and Resources, 2012, 24(1):48-52.doi:10.6046/gtzyyg.2012.01.09.

[6]
Zhang G, Zhao Z F, Zhang X L, et al. Comprehensive Multi-Source remote sensing data integration for enhanced mineralization alteration extraction and geological structure interpretation in the Lala region of Sichuan Province[J]. Ore Geology Reviews, 2024,168:106032.

[7]
Wang Z Y, Zuo R G, Dong Y N. Mapping of Himalaya leucogra-nites based on ASTER and sentinel-2A datasets using a hybrid method of metric learning and random forest[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sen-sing, 2020,13:1925-1936.

[8]
赵振华, 严爽. 花岗伟晶岩成矿有关的几个问题讨论[J]. 大地构造与成矿学, 2023, 47(1):1-41.

Zhao Z H, Yan S. Some issues relevant to rare metal metallogeny of granitic pegmatites[J]. Geotectonica et Metallogenia, 2023, 47(1):1-41.

[9]
Shirmard H, Farahbakhsh E, Müller R D, et al. A review of machine learning in processing remote sensing data for mineral exploration[J]. Remote Sensing of Environment, 2022,268:112750.

[10]
Chen Q, Xia J S, Zhao Z F, et al. Interpretation of hydrothermal alteration and structural framework of the Huize Pb-Zn deposit,SW China,using Sentinel-2,ASTER,and Gaofen-5 satellite data:Implications for Pb-Zn exploration[J]. Ore Geology Reviews, 2022,150:105154.

[11]
连琛芹, 姚佛军, 杨建民, 等. 半裸露区遥感蚀变信息提取研究——以甘肃玛曲地区为例[J]. 现代地质, 2019, 33(5):1079-1085.

Lian C Q, Yao F J, Yang J M, et al. The extraction of alteration information with remote sensing image of semi-exposed area:A case study of the Maqu area in Gansu[J]. Geoscience, 2019, 33(5):1079-1085.

[12]
Crosta A P, Moore J.M. Enhancement of Landsat thematic mapper imagery for residual soil mapping in SW minas gerais state,Brazil:A prospecting case history in greenstone belt terrain[J]. the Se-venth Thematic Conference on Remote sensing for Exploration Geo-logy,Calgary,Alberta,Canada, 1989,1173-1187.

[13]
Adiri Z, Lhissou R, El Harti A, et al. Recent advances in the use of public domain satellite imagery for mineral exploration:A review of Landsat-8 and Sentinel-2 applications[J]. Ore Geology Reviews, 2020,117:103332.

[14]
Vural A, Akpinar ⅰ, Sipahi F. Mineralogical and chemical characteristics of clay areas,gümüşhane region (NE Turkey),and their detection using the Crósta technique with Landsat7 and 8 images[J]. Natural Resources Research, 2021, 30(6):3955-3985.

DOI

[15]
Pak U S, Pak C U. Detection of hydrothermal alteration zones using Landsat 8 OLI image:A case study of gold prospecting in Nyongwon area,DPR Korea[J]. Journal of the Indian Society of Remote Sensing, 2021, 49(9):2249-2259.

DOI

[16]
赵慧童, 王萍. 中高分辨率遥感数据铁染信息提取及找矿预测[J]. 遥感信息, 2017, 32(6):96-102.

Zhao H T, Wang P. Extraction of iron stained information and ore-prospecting prediction of medium-high resolution remote sensing data[J]. Remote Sensing Information, 2017, 32(6):96-102.

[17]
Chen L, Sui X X, Liu R Y, et al. Mapping alteration minerals using ZY-1 02D hyperspectral remote sensing data in coalbed methane enrichment areas[J]. Remote Sensing, 2023, 15(14):3590.

DOI

[18]
连琛芹, 姚佛军, 封志明, 等. 多源数据在甘肃山羊坝地区找矿勘查中的应用[J]. 现代地质, 2022, 36(6):1605-1612.

Lian C Q, Yao F J, Feng Z M, et al. Mineral resources prospecting by synthetic application of multi-source data in the shanyangba area,Gansu,China[J]. Geoscience, 2022, 36(6):1605-1612.

[19]
肖壮, 罗彬, 刘友明. 基于深度学习的矿区韧性剪切带找矿研究[J]. 世界有色金属, 2019(21):46-47.

Xiao Z, Luo B, Liu Y M. Research on prospecting of ductile shear zone in mining area based on deep learning[J]. World Nonferrous Metals, 2019(21):46-47.

[20]
Agrawal N, Govil H. A deep residual convolutional neural network for mineral classification[J]. Advances in Space Research, 2023, 71(8):3186-3202.

DOI

[21]
Wang Z Y, Zuo R G. An evaluation of convolutional neural networks for lithological mapping based on hyperspectral images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024,17:6414-6425.

[22]
贾黎黎, 朱世博, 王建荣, 等. 基于语义分割深度学习的找矿靶区预测研究——以广东省阳江-茂名地区为例[J]. 地质与勘探, 2023, 59(5):1093-1102.

Jia L L, Zhu S B, Wang J R, et al. Prediction of prospecting targets based on semantic segmentation with deep learning:A case study of the Yangjiang-Maoming area in Guangdong Province[J]. Geology and Exploration, 2023, 59(5):1093-1102.

[23]
李新萍, 杜文涛, 蔡铁刚, 等. 洛宁盆地多源遥感地热信息提取方法研究[J]. 地质与勘探, 2024, 60(3):552-562.

Li X P, Du W T, Cai T G, et al. Extraction of geothermal information from multi-source remote sensing data in the Luoning Basin[J]. Geology and Exploration, 2024, 60(3):552-562.

[24]
韩燿徽, 王翠芝, 吴志杰, 等. 内蒙古赤峰柴胡栏子金矿田遥感地质解译和蚀变信息提取与找矿预测[J]. 现代地质, 2024, 38(4):1076-1091.

Han Y H, Wang C Z, Wu Z J, et al. Remote sensing geological interpretation,alteration information extraction,and mineral prospecting prediction in the Chaihulanzi Gold Field,Chifeng,Inner Mongolia[J]. Geoscience, 2024, 38(4):1076-1091.

[25]
易敏, 叶发旺, 张川, 等. 基于深度学习的蚀变矿物识别——以新疆白杨河铀矿床为例[J]. 铀矿地质, 2021, 37(4):673-682.

Yi M, Ye F W, Zhang C, et al. Identification of alteration minerals based on deep learning:A case study of Baiyanghe Uranium Depo-sit,Xinjiang[J]. Uranium Geology, 2021, 37(4):673-682.

Options
Outlines

/

〈 〉