具有高空間和光譜分辨率的SisuSCS/ROCK高光譜成像工作站，代表了的高通量、非損傷多樣芯高光譜掃描分析技術，可對巖礦樣芯、沉積物樣芯或其它地礦樣品進行批量快速檢測，提供有*分析價值及應用潛力的數字化數據。它在地礦勘查研究領域的出現(xiàn)，預示著從鉆孔到沉積尺度的樣芯、巖屑、土壤和其他地礦樣品的定量礦物學研究和巖心樣本數據庫建設，將發(fā)生一場技術革命。

案例一、斑巖礦樣芯的礦物填圖和礦脈探測

在地礦勘查工作中，快速的分析地質樣品的表征并繪制斑巖脈的礦物填圖一直是亟待解決的難題。以往對樣芯的分析更多的依賴于地質學家的觀察和化學分析，這種方法不僅耗時較長、得到的信息有限，而且常因觀察人員的主觀性判斷使結果出現(xiàn)偏差。而高光譜成像技術的出現(xiàn)及應用，不僅能夠更的識別不同的礦物成分，還能快速繪制樣芯中各成分的空間分布。

來自德國亥姆霍茲聯(lián)合會資源技術研究所的Laura Tusa等(Mineralization et al., 2019)研究人員，在羅馬尼亞的Bolcana地區(qū)，使用SisuROCK樣芯分析設備搭配AisaFENIX VNIR-SWIR 高光譜傳感器采集了當地斑巖礦樣芯的數據進行分類分析。為了更好的呈現(xiàn)礦脈的走向，研究人員根據光譜圖像中的曲線結構進行數據分離，得到了如下礦脈分布圖。

圖1.1 DC1,DC2和DC3分別為三個樣芯。其中I為樣芯的RGB圖，

II為基于高通量高光譜數據的礦物填圖，III為提取后的礦脈分布圖。

為了驗證高光譜成像（HSI）分類結果的有效性，科研人員同時使用了高分辨率掃描電子顯微鏡搭配礦相解離分析儀（SEM-MLA），得到分辨率更高的礦脈分布圖，并提取其特征與高光譜數據結果進行比對，結果發(fā)現(xiàn)高光譜分析得到的礦脈走向與SEM-MLA結果偏差小于4.5o，其厚度準確率平均值達到了81%。證明高光譜掃描技術可以可靠的實現(xiàn)更快速、無損且有效的礦物識別和填圖繪制，為完善地質學家的樣芯分析提供了有效的工具。

圖1.2SEM-MLA和HSI分析結果對比圖。DC1,DC2和DC3分別為三個樣芯，其中I為SEM-MLA全分辨率礦物填圖，II為基于高光譜高通量數據的礦物填圖，III為SEM-MLA數字化提取特征后的礦脈分布圖，IV為基于HSI提取的礦脈分布圖

案例二、基于機器學習框架和高光譜數據的礦物識別

隨著高光譜成像技術被證明可以用于快速無損的礦物樣芯分析，如何提高光譜數據分析效率和分類精度成為了業(yè)界關注的新難題。來自德國亥姆霍茲聯(lián)合會資源技術研究所的Isabel Acosta等對此問題進行嘗試并取得了新的突破(Cecilia et al., 2019)。

研究人員一方面使用SisuROCK樣芯分析設備搭配AisaFENIX VNIR-SWIR 采集了巖心的高光譜圖像信息（HS），同時也使用了高分辨率掃描電子顯微鏡搭配礦相解離分析儀（SEM-MLA）獲取該巖心的礦物學數據。由于SEM-MLA礦物數據結果分辨率較高，高光譜數據每一小像元被觀察到實際飽含著多種礦物成分，因此需要通過評估每一小像元中的不同礦物的豐度來標記該像元的分類。

圖2.1 分類標記高光譜數據小像元的流程，(a)為MLA識別的礦物分布示意圖，每一格代表著高光譜數據小像元的面積 (b)為基于高光譜數據每一像元中主要成分標記的礦物分類 (c)為各分類中的礦物成分豐度  (d)為Class2的光譜曲線，并標記有不同礦物的特定吸收特征。

完成標記后，作者選擇使用隨機森林(RF)和支持向量機(SVM)兩種分類方法對已分類數據進行機器學習，并重新處理了MLA圖像以匹配高光譜數據的分辨率，據處理后的MLA圖像進行機器學習結果的分類準確度驗證。通過五次取樣分析學習后，隨機森林法的整體分類準確度達到了69.6%，支持向量機法的整體分類準確度達到了73.9%。

圖2.2 基于隨機森林(RF)和支持向量機(SVM)的分類結果，右上為不同分類中的礦物種類和豐度。

利用機器學習融合高光譜和MLA數據的方法進一步證明了高光譜成像技術在礦探領域的應用潛力，作者指出，未來需要通過更多的樣本測試，提升重采樣和配準技術，進一步優(yōu)化機器學習模型。這將有可能大幅度提升基于高光譜成像技術的礦物填圖分類精度，將光譜成像技術在礦探領域從科學研究向工業(yè)化應用推進。

易科泰生態(tài)技術公司提供高光譜成像技術、XRF技術、LIBS技術、GeoDrone®無人機遙感技術等地質礦產勘查全面解決方案，歡迎垂詢！