文摘

反射光谱技术是一种无损、快速和易于使用的技术可以用来定量或定性评估岩石的成分。尽管它是一个强大的工具,它有其局限性,尤其是当涉及到测量岩石的粗晶的纹理。外部变化反映在光谱和执行的不是chemical-mineralogical测量压碎岩在认证实验室。因此,一段岩石表面的光谱变化,在大多数情况下,高于内部chemical-mineralogical可变性,这可能影响统计模型建立在实地测量。出于这个原因,研究含岩石和评估他们的光谱变化在不同的尺度是一个重要的过程,以便更好地理解的因素可能影响的定性和定量分析岩石。量化的目标是三种类型的光谱变化改变花岗闪长岩与升级方法使用的统计方法。使用这种方法,监督环境下的样本测量在实验室条件和semisupervised条件下在这个领域。本研究旨在进一步总结,统计方法提供了最佳实践和准确的分类用于未来的研究。我们的结果表明,所有统计方法使岩石类型的分离,尽管两种类型的岩石表现出几乎相同的光谱。此外,统计方法,提供最重要的用于分类结果结合主成分分析k最近的邻居与实验室和实地测量的分类精度为68.1%和100%,分别。

1。介绍

在过去的几十年里,许多研究研究含金属矿物和粘土矿物的光谱属性出现在火成岩使用可见光,附近和短波红外(VNIR-SWIR)光谱。350 - 2500 nm之间的光谱域已经被证明是一个可靠和快速检测和识别粘土矿物的工具(1,2]或预测浓度的铜废料堆材料(3]。反射光谱技术也用于区分不同等级的矿石样本(4,5),确定变更区域与铜矿(6)和分类(7- - - - - -10]。

短波红外成像被认为是最好的光谱区识别热液蚀变带的各个方面(11]。Hydroxyl-bearing矿物质包括粘土和硫酸盐团体和碳酸盐在蚀变组合显示光谱吸收特性由于Al-OH振动过程在2200 nm, Mg-OH在2300 nm,有限公司3集团在2350纳米12,13]。此外,层状硅酸盐,如高岭石、蒙脱石、绿泥石和铝- (OH)和Mg-Si——(OH)其矿物质和Ca-Al-Si——(OH)其绿帘石等矿物组,也可以确定使用短波红外成像区域[2,14- - - - - -16]。

最重要的矿物组与变更相关区域和热液硫化物矿床含铜斑岩的身体是Fe-oxides [17- - - - - -20.),幽灵似地活跃在VNIR地区(400 - 900 nm)由于电子跃迁(电荷转移)铁阳离子(21]。矿物的黝帘石显示了不同的吸收VNIR和短波红外成像(22]在430、530和800海里由于三价铁的存在和一个不寻常的哦特性在1680 nm的特性造成的组合哦与晶格或弯曲Al-OH模式在2300年,2350年和2480海里23]。长石、石英和黄铁矿,另一方面,不表现出任何VNIR-SWIR地区的光谱特性,但它们的存在可能“面具”其他吸收特性(24]。

岩石和矿物的光谱性质受颗粒大小的影响,这与两个主要的散射过程:体积散射粒子的表面和体积内发生的散射粒子(25- - - - - -27]。VNIR-SWIR范围,降低粒子大小通常伴随着较高的反射率比相同材料的大颗粒大小(28]。在岩石矿物组合、纹理和风化等因素影响,必须进一步考虑影响光谱特征。这些因素会严重影响岩石的光谱特性和甚至可能面具的存在特定的矿物特性,否则是可见的(29日]。基因相关的岩石可以显示系统的光谱参数的变化,系统的岩相学的变化和地球化学参数的函数(10]。因此,用于分类和量化和地球化学属性,重要的是要研究岩石的microcomplexity矿物化学和结构的影响,晶粒尺寸,和质地。此外,这种microcomplexity影响光谱性质和光谱变化在不同的观测尺度(10]。

岩石和矿物的鉴定和分类在许多研究重点通过使用他们的光谱特性30.)或各种光谱处理方法如光谱角制图者(山姆)10,31日- - - - - -33),支持向量机(SVM) [32,34),而主成分分析(PCA) (35]。最近的研究发现66%的总体分类精度基于各种岩石的光谱数据(36)和一个67.4%和69.7%的准确性基于山姆和光谱信息散度(SID),分别为(37]。此外,使用多层感知器(MLP)和卷积神经网络(CNN)应用于短波红外成像反射光谱,可以确定蚀变矿物的测试精度为97.8% (38]。

量化的光谱变化之间的独立能力很重要,因为它决定了不同蒙脱石化蚀变岩定性(分类)和定量(统计模型)的目的。结果可能会造成巨大的经济影响更准确的岩石分类和开发价值的原材料。此外,这是一个基本方面,以确保统计模型的可靠性预测的物理,化学和矿物组成的岩石。应该澄清,尽管岩石是一个聚合的矿物质,这项工作的目的是研究岩石的光谱变化,而不是(即岩石的组件。、矿物学组成)。然而,矿物成分仍然是用于提供一个解释变化的样本。

本研究的主要目的是检查和量化的光谱变化三种类型的花岗闪长岩之间的桥梁实验室测量和现场数据,使一个更精确的分类选择的岩石类型。这是通过检验的统计方法:均值和标准差光谱(SSD),山姆,平均偏差平方的总和(asd)和通过执行PCA紧随其后k最近的邻居(资讯)算法进行分类。

2。材料和方法

2.1。岩石样品

样本收集从一个露天矿位于Erdenet斑岩copper-molybdenum存款Erdenet东南部城市,蒙古(39]。该地区是中亚造山带的一部分:Selenge侵入性复杂,主要由晚二叠纪花岗闪长岩(40)和安山岩、闪长岩、花岗岩、角砾岩(39]。两个最丰富的矿物岩石样本中长石和石英。然而,其他矿物质也存在于样品,通过他们可以描述不同岩石类型:一个岩石类型,其中包含长石、石英、黄铁矿(M1),一个岩石类型,其中包含主要是长石和石英(M2),和一种岩石类型,除了长石和石英,展品黝帘石的各种内容,氧化铁,磁铁矿(M3)。岩石样本,如图所示1,源于露天矿和被直接实验网站创建semisupervised光谱测量的条件。我们预计,这种设置是一个重要的一步一个矿床勘查和矿产映射使用光谱意味着以更精确的方式。


图1
选件的照片从每个岩石类型测量在实验室(a)和岩石安排测量领域(b)面积1平方计。

如表所示1包含四个主要的岩石矿物:石英、长石、黝帘石、黄铁矿组成96至99.9%的岩石样本。每个矿物都有其独特的光谱特征,任何变化在他们的丰度在不同的岩石碎片在同一岩石类型将影响到SSD。

表1
以实验室的主要矿物成分。标准差(sd)和相对标准偏差(rsd)也包括在矿物学研究方差测量。
2.2。光谱测量

收购使用便携式光谱的光谱信息进行了进化sr - 3500光谱仪和天顶Lite™白色面板作为一个参考。光谱仪的光谱范围350 - 2500 nm涵盖VIS-NIR-SWIR和光谱分辨率为2.8,8日和6 nm 700, 1500,和2100海里(光谱进化)。

2.2.1。实地测量

实验网站的区域选择一个具体的城市Erdenet篮球场,蒙古(49.03°N / 104.06425°E)担任平面和均匀背景中所描述的实验也是(41]。整个区域被分成方块里面的三个桩每个放置在地表的岩石类型。光谱测量在该领域进行了使用裸光纤与25°FOV太阳光作为能源,其中每个岩石类型测量从1米的30倍。

2.2.2。实验室测量

在实地测量,我们已经注意到在每个岩石类型的差异(例如,颜色的变化)。因此,要检查是否这些差异很重要,我们为每个小组收集了几块石头。最后集合包含41个摇滚作品,属于三种岩石类型之一(M1, M2, M3),而每个类型分为3 - 5组检查是否任何类型的光谱变化之间存在一定的岩石类型的组织。光谱测量使用接触探针在实验室进行。每一个岩段测量10倍从各方量化每个岩片的差异在不同的尺度上然后最终410光谱测量出其中90 M1, 120平方米,200立方米。

2.3。多层次的方法

光谱变化的考试已经完成使用多层次的方法。多层次的方法处理如下:0级(10)的光谱数据预处理后10测量每个岩石片(410光谱)。1级(L1)包含的平均光谱L0导致9日,12日和20为每个岩石光谱M1, M2, M3,分别。级别2 (L2)包含的平均光谱L0导致3、4和5为每个组光谱在M1, M2, M3,分别。3级(L3)包含的平均光谱L0导致每个岩石类型(表一个光谱2)。承认差异是很重要的在相关作品的数量大的视觉变化相比M3 M1时收集岩石的实验室测量。级别0 x (L0x)是30的原始光谱数据测量每个岩石类型。级别3 x (L3x) L0x导致的平均光谱包含一个频谱为每个岩石类型(M1-M3)。

表2
的数量测量在实验室和现场进行。
2.4。预处理和光谱分析

光谱采集后,一些修正和计算和预处理过程。的第一个数据库是纠正使用白色参考校正因子秘密相对反射率测量绝对反射率值。然后,Savitzky-Golay (SG)平滑算法应用使用一个多项式的顺序3和窗口大小21乐队紧随其后的嘈杂的乐队,导致1633年乐队的统计分析。

2.5。统计分析

各级光谱数据之间的比较在这两个领域和实验室领域进行了使用四种统计方法:(1)意思是( )和标准偏差( )计算每个波长在每个级别的处理。而意味着提供一个大型数据集的概要,标准差评估每个波长变化的程度。的意思是(1)和标准偏差是由(2): 在哪里 光谱和吗 是一个观测值。(2)山姆是用来评估两个光谱利用向量之间的相似度(42]。这是一个快速和容易的方法,强劲的对光照的变化,并使比较领域和实验室测量。由山姆 在哪里 和 分别是参考光谱和光谱测量。(3)两个光谱之间的asd (43)量化沿整个光谱的差异,但是,与山姆,照明是敏感的。因此,asd关于反射的程度提供了一个比较。在asd 在哪里 获得的价值从一个给定的参考光谱中波长, 是来自相同的波长测量光谱,然后呢 是波长的数量(在我们的例子中,N= 1633)。(4)PCA算法被用来减少数据集的维数,同时保持尽可能多的变化(44]。随后,然而算法用于执行一个监督学习机器用于分类。该算法试图找到最优数量的点(k)分类某些样本的欧几里得距离其他样品和最初是通过将数据划分到70%的训练,30%的测试样品。因为它是不切实际的,提供一个固定的值k,最优k价值是由前交叉验证分类。PCA和资讯进行使用SPSS统计软件(45]。图2描绘了一个示意图表示每个数据集上执行的统计分析。


图2
统计分析的示意图表示。

3所示。结果

3.1。平均值和光谱标准偏差(SSD)

平均光谱(L3和L3x实验室和实地测量,分别)计算并呈现在图3。使用均值光谱作为参考,M1似乎不同于M2和M3的整体形状谱,减少由于重要的吸收特性(不含地吸收在1400和1900海里)。另一方面,M2和M3之间的差异较小,这意味着很难区分这两种岩石类型。M1, M3都几乎相同的光谱特性和反射和现在相同的吸收带。

(一)
(一)
(b)
(b)
图3
的平均光谱(a)的岩石以实验室和(b)。

SSD实验室和实地测量和计算的结果呈现在图4。平均为实验室SSD值7.4,8.5,和13.2和2.1,3.1,和2.3 M1, M2, M3,分别。SSD高值在实验室小型矿产的差异也会造成集群和氧化过程在每个岩石,没有观察到在野外测量由于大面积覆盖的测量。各种矿物质的存在和数量在岩石中产生不同波长的光谱吸收发生在2.1讨论。因此,由于可变性在岩石矿物的数量,我们可以预期高相同波长的光谱变化。因此,Fe-oxides内容的可变性导致高SSD在400 - 900纳米光谱范围,和黝帘石内容的可变性导致高SSD在波长的光谱吸收存在,主要是在430 - 800年,1680年和2300 - 2450 nm范围,而变化的石英和长石内容导致整个VNIR-SWIR SSD的变化范围,而不是在特定的波长。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图4
使用实验室测量的光谱标准偏差计算M1-M3 (a - c),分别和使用实地测量(d-f) M1-M3,分别。

这表明,M1的最低SSD值发生在这两个实验室和野外光谱,这可能表明更高的M1与M2和M3的同质性。然而,使用在实验室接触探针,M2显示SSD值低于M3,在使用裸露的纤维,M3显示SSD值低于平方米。这一变化的原因是由于高光谱异质性M3的微尺度测量而在字段数据,矿物学多样性是没有反映。

3.2。光谱角制图者(SAM)

山姆算法被用于分析参考光谱的光谱相似性整个数据集。为此,内部和外部参考光谱。内部参考是一个谱系来自内部的数据集。在我们的例子中,内部参考光谱的平均光谱三种岩石类型,因此,L3或L3x。L3 L0作为参考,L1和L2,而L3x L0x参考使用。然而,检查所有样品之间的光谱相似,使用参考光谱的反射率等于团结在所需的光谱范围。使用相同的外部引用的所有测量允许考试每一层的岩石类型之间的差异。此外,它提供了一个对这个问题的回答在什么阶段的平均一个好的endmembers之间的区别可以同时添加L3和L3x结果。

3.3。内部参考

山姆在每一层,平均计算为每个岩石类型使用L3和L3x参考光谱。结果表明,山姆值最低的是通过使用相同的岩石类型作为参考。然而,M2和M3的结果还是比较接近M1,这表明即使有这个方法,有难以区分这两种类型的岩石中。此外,山姆值减少根据加工水平特别是L0和L0x之间,这表明之间的光谱差异减少实验室和实地测量,观察每个岩石类型在使用相同的岩石类型作为参考:为M1从0.073下降到0.017,从0.083到0.027平方米减少,从0.115到0.022立方米减少。结果总结在表3每个水平和最低的值在图5。

表3
山姆使用一个内部参考的结果就是每个岩石类型的平均光谱实验室(L3)或在野外(L3x)。

图5
最低山姆为每种类型在各个层面上使用一个内部参考。
3.4。外部引用

的相似程度,也检查了使用外部谱系提供岩石类型之间的比较而添加也L3和L3x分析。结果见表4符合的结果获得的内部参考使用M1显示最低的山姆值在实验室和现场而M2和M3显示了一个相对类似的价值。然而,尽管M2和M3之间的相似性,他们仍然不能区分彼此。

表4
山姆使用外部引用的结果与反射光谱等于团结整个光谱范围。
3.5。平均偏差的平方之和(asd)

asd的方法被用来提供额外的洞察力的光谱变化相比,相同的内部参考光谱在山姆方法(L3 L0、L1、L2和L3x L0x)。每个岩石类型asd值最低的是用自己的引用类型。例如,M3的最小值是通过使用M3作为参考,不管水平。此外,最小值是通过M1在所有水平的实验室测量;然而,在L0x,最小值在M1, M3。结果总结在表5和图6。

表5
asd的结果使用一个内部参考的平均光谱每个岩石类型在实验室(L3)或在野外(L3x)。

图6
最低asd为每种类型在各个层面上使用一个内部参考。
3.6。主成分分析(PCA)和k最近的邻居(资讯)

PCA和资讯算法分别应用于每一个数据集。PCA进行前三个因素(组件),解释了超过97%的累计方差。然而,尽管第三个组件总是高于97%累积方差,方差的主要区别是观察到的第一个因素。如表所示6PC1的方差分别为79.35,75.58,70.42,63.24%,L0、L1, L2和L0x分别。虽然在PC1 L0x获得最低的方差,它提供了最高的方差PC2(34.04%),因此也最高的累积方差PC2 (97.28%)。随后,然而,应用主成分分析结果,给出了数据可视化表示7(一)- - - - - -7 (d))。

表6
主成分分析的总结。

表7提供资讯结果L0、L1、L2, L0x数据集。L0 M1获得最高的预测和L1成功,97%和100%。L0 M2获得第二个最高的预测有63.6%的成功和获得的M3 L1第二最高的预测有71.4%的成功。穷人在L2成果是由于少量伴随着PCA的样本空间k= 1的预测为0%。最好的整体预测得到L0x所有岩石类型有100%成功。的平均预测岩石类型L0、L1、L2, L0x分别为72.5%,57%,0%,和100%,分别。

表7
预测结果为每个级别使用资讯的方法。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图7
(模拟)然而,结果水平:L0使用k= 5(一个),使用L1k= 4 (b), L2使用k= 1 (c)和L0x使用k= 3 (d),在主成分分析的空间。

4所示。讨论

4.1。光谱的本质的变化

光谱变化是主要来自矿物学变化发现在岩石表面。评估的变化对岩石的分类很重要,特别是他们的平均矿物和岩石相似光谱成分但表面表现出不同的光谱特性。此外,了解评估不确定性的光谱变化也很重要,可以获得在执行定量预测。因此,找到最准确的方法对于识别的变化是巨大的重要性为目的的分类不同类型的含矿层花岗闪长岩,因此也是一个巨大的经济影响与自然资源的挖掘和开发。

4.2。岩石样本分类的可行性

任何岩石分类的方法,尤其是那些有相似的化学成分,包括一些不确定性。此外,在某些情况下,一种类型的光谱匹配另一个光谱,提出故障识别的可能性(46]。Longhi et al。47]得出光谱分类和岩相岩石分类不一定相互匹配和Sgavetti et al。10)发现,只有数量有限的玄武岩类光谱测量在实验室与现场光谱类。他们还补充说,实验室光谱更相关的有用性吸收特性分配比endmembers分类的目的。

了类似的岩石类型的光谱变化Mierczyk et al。31日),发现一个使用山姆整体精度为63.5%。施耐德et al。48)实验室和野外光谱图像使用几种分类方法相比,发现由于照明条件下的性能差异,标定方法,尘埃的存在存款。此外,他们的结论是,小规模的空间变异性在岩石类型/矿物学在每个地理区域影响光谱的变化。锅等。49]声称光谱变化的影响抑制一个适当的定量评估。因此,L0之间的变化总体精度(68.1%)和L0x(100%)在表7补充他们的发现,证明了光谱变化也让有效的分类,在这项研究中所示。

在这项工作中,不同的方法评估光谱变化是利用包括计算平均值和标准偏差的光谱,山姆,asd, PCA资讯紧随其后。利用主成分分析法(PCA)获得最佳性能结合资讯三个主要原因。(i)是一种无监督的分类方法,这意味着它不需要任何先验知识或参考光谱进行分析。(ii)的分类是足够的实验室测量(10)的总体精度68.1%和优秀的实地测量的总体精度100%。(3)资讯的力量不仅反映在空间分布的点还在相邻点的值;即。,the classification threshold of any point is not quantified to the distance to another training point but to the average value of neighboringk点。这减少了误分类如果任何异常点存在的训练数据集。

5。摘要和结论

在这项研究中,几种方法被用来评估三个endmembers的光谱变化(M1-M3)在实验室和实地测量。获得的结果的均值法和标准差的计算表明,M1具有独特的光谱显示了不同光谱特性比M2和M3比如弱吸收在400 - 2300海里和强吸收2350 - 2450 nm。此外,M1显示最低的SSD M2和M3相比,在实验室和现场数据。此外,总体反射率光谱数据在实验室测量的百分比是30 - 40高于测量领域中执行结果在SSD的差异。SSD的差异在这个领域可以是由于大小的差异在矿物学和岩石和阴影,说,M2和M3 SSD显示高(> 3)在1600 - 1750海里。这是与M1相比不超过SSD值为2.6。

山姆方法评估使用一个内部参考(每个岩石类型的平均谱)和外部引用(在所有波长光谱等于1)。内部参考被用来评估可变性在每个岩石类型,因为它使用的平均频谱相同的类型。相反,外部引用使我们能够评估变化相比,整个数据集,包括其他类型的测量。

山姆使用内部引用的结果表明,最小值为10,L0x M1和M2的L1和L2的最小值。此外,的值L0x可比为0.017,0.027,和0.022 M1, M2, M3,分别。外部引用的结果表明,在实验室和现场,山姆值最低的是获得了M1与M2各级而获得了最高的。然而,没有观察到显著变化的水平。这表明外部光谱和光谱之间的差异在每个水平保持不变。

自闭症是评估使用相同的内部参考如山姆。山姆和asd方法之间的主要区别是反照率的影响。在山姆,反照率没有影响的结果,在asd是最重要的因素。

PCA和资讯的分析,可以得出结论,实验室测量的解释变异性高在同一类型的岩石。这允许一个很好的预测M1(97%的准确率),但降低M2(63.6%)和M3的预测精度(56.9%)。相比之下,光谱变化之间的字段数据测量相同的岩石类型很低而不同岩石类型之间的光谱变化足以让一个清晰的分离导致类型预测的准确率为100%。

本研究揭示了选中的岩石类型的异质性通过检查他们的光谱变化在六个不同的数据库中都在实验室(L0、L1、L2和L3)和字段(L0x和L3x)使用几个著名的统计方法。由于岩石矿物的积累,可以说,随着空间分辨率的增加,那么谱变化,因为在实验室数据矿物学组件及其变异表面的岩石更强烈描绘比实地测量。

这项研究的结果将作为未来的研究背景为目的的量化的化学,物理和矿物学参数的岩石样本。选择波长显示的结果可以利用最小方差谱为未来的统计建模和评估适当的定性评估方法和岩石的特征。此外,它强调实地测量的准确预测的重要性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突在这个工作。

作者的贡献

Yaron Ogen是这手稿和发展研究的主要作者概念在这项研究中,进行了现场和实验室光谱测量以及所有统计分析提出了研究。迈克尔·德克一起进行了野外光谱测量Yaron Ogen。科妮莉亚Glaßer和迈克尔·德克参与发展的概念研究,大大有助于写作手稿。实验网站建立了基于概念设计的主要Holger Eichstadt Rene康德和科妮莉亚Glaßer的重大贡献。鲁道夫Suppes先生,拉尔夫失败者,Munkhjargal Chimeddorj造成设置实验网站的主要原因。Tugsbuyan Tsedenbaljir, Undrakhtamir Alyeksandr, Tsedendamba Oyunbuyan贡献他们的地质专业实验和组织提供岩石样本的现场和实验室实验。

确认

这项研究是阿德里亚娜项目的一部分是由客户端二世德国联邦教育和研究项目(BMBF),资金代码:033 r213b。作者要感谢工作人员从EMC, EIT, GMIT,特别是先生Tumendelger Batsuuri,先生Galsanjamts Otgonbaatar,先生Tushig Zolboo,在现场工作期间的帮助。