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。

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。

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。

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:

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。

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。

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,…,x_m; 则此光谱数据组成的n×m的矩阵为:

式中: x_i=(${{x}_{1}}_{i}$,${{x}_{2}}_{i}$,…,x_ni)^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,…,y_p(p≤m)。

式中: y₁为第一变量; y₂为第二变量,以此类推,y_p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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。