基于实测光谱数据的矿物含量提取方法研究

基于实测光谱数据的矿物含量提取方法研究

混合光谱地质应用利用矿物光谱来确定和提取矿物类型是连接遥感和传统地质的关键，也是高光谱地质应用的基础和核心。前人的研究提出了混合光谱的线性分解模型1方法1.1识别矿产量针对影响识别结果精度的因素,研究中采取了应用分段滤波及区域矿物端元光谱库1.2hapken辐射传输模型针对矿物混合光谱分解,采用简化后的Hapke模型根据单次散射反照率的定义,矿物的单次散射反照率是能量的比值,混合物的单次散射反照率为各组成部分的单次散射反照率线性叠加而成。可以对单次散射反照率进行线性分解,可以避免反射率混合光谱非线性分解的不确定性和求解的复杂性,从原理上保证结果的精度。根据Hapke辐射传输模型,在各向同性多次散射的情况下,平坦半无限颗粒介质的双向反射率r为光线的入射天顶角i,出射天顶角e,相位角为g,B(g)是后向散射系数,P(g)是颗粒的相位函数,并且μH函数近似为不考虑阴影的影响和粗糙度的影响,且散射为各向同性,忽略后向散射系数之后,反射率可以表示为如果i,e的角度确定,传感器接收到的反射率R最终可表示为式中,ω是矿物光谱的单次反照率,a,b,c为固定入射角出射角之后的常数。由于单次散射反照率为线性混合,反射率转换后得到的单次散射反照率可以进行线性分解。方法为:(1)假定混合光谱中含有端元m个,将此m个端元的标准光谱的反射率转换为以波长为横坐标的反照率曲线X(2)将混合光谱转换为反照率光谱A;(3)根据线性混合模型,认为A是m个端元的反照率曲线线性叠加而成,式中A(4)m个端元矿物的主吸收峰为波长分别为w在实际光谱中吸收峰波长处的反照率为ω′则有方程组8共有m个方程m个未知数,对此方程组进行求解,得到的A1.3建立端元光谱库本方法的具体技术路线为(如图1)。(1)根据矿物光谱的吸收峰所在波长对光谱进行分段,得到吸收峰密集区及噪声区,对吸收峰密集区应用精细的滤波处理,对噪声区进行全波段的滤波。这样可以最大程度的保留吸收特征已经光谱的整体波形,并能去除噪声的影响,滤波算法采用连续统快速傅里叶变换。(2)根据调研采样区的地质背景获取区域内可能存在的矿物类型,在USGS光谱库中选取相应的标准光谱曲线建立本区的端元光谱库。选取矿物时需严格按照地质调研以及矿物学的共生组合规律。(3)对滤波后光谱进行包络线去除以及提取特征吸收峰。应用线性模型将光谱中的吸收峰转换为数学方程组。在区域光谱中选取端元光谱对数学方程组进行求解。所得结果是各端元光谱在混合光谱中的比重,利用线性模型分解识别矿物,是为了利用光谱的特征吸收峰的数学分解快速获取矿物端元,节省了拟合光谱的时间,各光谱在混合光谱中的含量并非为含量提取结果。按照方程的解拟合各端元光谱,将拟合后的光谱曲线与实测的光谱曲线进行匹配。匹配算法采用光谱角匹配方法,并根据吸收峰所在波长对匹配结果进行检验,最终得到矿物识别结果。(4)应用简化后的Hapke模型将实测光谱与识别结果标准光谱的反射率转换为单次散射反照率。选取不同波长建立方程组进行求解,最终方程组的解就是各端元矿物的含量。2应用2.1岩石样品预处理为了验证矿物含量提取方法的结果精度,本次研究选取了新疆包古图地区Ⅴ号岩体作为研究区进行采样,测量光谱进行分析。Ⅴ号岩体位于克拉玛依市西南约100km处,包古图矿区中部偏东,达尔布特断裂以南30km,希贝库拉斯复背斜东翼。该岩体出露面积约0.84km样品处理流程如下:(1)将岩石样品粉碎至100目,为避免太阳光及大气效应的干扰,应用ASD光谱仪在室内进行反射率光谱测量,光源为30瓦卤素灯。固定光源入射角为30°,出射角为0°。(2)将岩石样品粉末继续粉碎至200目,进行X射线衍射分析(XRD)样品中的矿物种类及其含量。应用模型分析90条光谱进行矿物识别及含量提取,获得的结果与XRD结果对比,分析精度。2.2区域光谱分析中单次反照率的确定首先对光谱进行分段滤波处理将滤波后的光谱去除包络线,并且提取光谱吸收峰。应用加入区域光谱库的识别方法进行矿物识别光谱测量时,固定光源入射角为30°,出射角为0°。求得单次反照率与反射率的关系为同样的,对于USGS光谱库中的标准光谱进行单次反照率转换。USGS光谱库中标准光谱测量反射率时,平均的入射角为30°,出射角为0°2.3粘土矿物的主要成分本次研究将90个岩石样品磨成200目的粉末进行XRD测试,作为标准结果来验证基于高光谱数据矿物识别和含量提取的精度。XRD的结果给出了各种主要的造岩矿物含量,而对找矿工作具有指导意义的蚀变矿物统一归到了粘土矿物总量里。造岩矿物主要有石英、钾长石、斜长石、角闪石、云母五种,主要是二氧化硅、硅酸盐和碳酸盐矿物。精度评估中选取斜长石及长石组及粘土类蚀变矿物两大类矿物作为样本,分别评价各类矿物的含量提取精度。设XRD结果和高光谱矿物含量提取结果中矿物F的含量分别为F(1)矿物识别结果长石是长石族矿物的总称,它是一类常见的含钙、钠和钾的铝硅酸盐类造岩矿物。在评估中将钾长石、斜长石等长石族矿物综合起来分析。在识别结果中,矿物识别模型对长石类矿物的识别率为100%。长石类矿物的平均提取精度达到80.5%。(2)粘土矿物的识别能力诸如绿泥石、伊利石等蚀变矿物在可见光—近红外波段存在非常明显的吸收特征峰,所以识别蚀变矿物并提取其含量比识别造岩矿物更为简单。XRD分析的结果中只提供了粘土类矿物总量的数据,所以只能通过对比粘土类识别矿物的含量来评估本模型的精度。如图4所示,两种结果含量极为相近,矿物识别模型的结果中仅有7个样品未被识别出。本模型在90个样品中识别出83个样品的粘土矿物,识别的准确率为92.2%。粘土类矿物提取含量的误差如图5所示,提取精度达到92.36%。2.4近红外光谱提取法(1)由于造岩矿物在可见光—近红外波段的光谱特征不明显,主要依靠硅酸盐及碳酸盐中的硅氧键、碳氧键的分子震矾产生光谱吸收。这就导致了应用可见光—近红外光谱对造岩矿物进行识别精度无法达到最佳。斜长石与钾长石的近红外光谱极为接近,这就导致了两者提取含量之和符合实际含量,精度达到80.5%。(2)蚀变矿物中,粘土类的高岭石、绿泥石、伊利石等矿物对于区域蚀变分带、矿化程度有着非常重要的意义。对于这类矿物92.2%的识别准确性、92.36%的提取精度表明了本模型对粘土类矿物的含量提取精度极高。(3)基于线性混合光谱分解的方法应用较为广泛,但是精度存在改进的空间。由于矿物的混合光谱是非线性叠加,而非线性分解混合光谱是极为困难的,需要从根本上深入研究岩石、矿物表面、矿物间空隙等理化性质与光辐射之间相互作用的机理。3高光谱矿物识别模型的研究通过应用简化的Hapke模型将岩石样品反射率光谱转换为单次反照率光谱,是一种极好的回避混合光谱非线性分解的方法,并且在本次实际应用中体现了相当高的精度。Hapke模型在推算过程中不可避免的会省略掉一些参数与简化一些过程,这就导致了模型的精密程度有所降低,所以还需继续研究光谱的辐射传输模型,能更加准确的描述光谱行为,从根本上保证矿物识别的精度。本次研究所建立的高光谱数据矿物识别模型的目的是面向应用,为矿产勘查及遥感填图野外验证工作提供一个可行的矿物鉴定方法。在实际应用中,本模型在以下几方面需进行进一步的完善。(1)固体矿物的识别。野外实地考察是测量固体的光谱,所以需要在下一步的研究中重点提升应用固体光谱的矿物识别精度。(2)模型