虎头山地区多平台同步热红外遥感稀有金属岩脉识别

Identification of Rare Metal Dikes by Multi-Platform Synchronous Thermal Infrared Remote Sensing in Hutoushan Area

摘要

华北陆块北缘稀有金属矿床岩脉的遥感识别调查具有重要现实需求和理论研究意义.针对岩脉识别技术难点和研究区特殊的地质背景，提出来一种“天-空-地”同步热红外遥感铌钽多金属矿床岩脉识别算法，以辅助成矿岩脉识别.算法以Landsat-8卫星数据和同步采集的无人机热红外数据为主要数据源，解算修正地表比辐射率.结合天河石化钠长花岗岩的发射特征，利用阈值分割法划定13处岩脉发育区并开展野外踏勘查证.结果表明：提出的岩脉识别算法的准确性和可靠性较高，“天-空-地”同步热红外遥感可用于虎头山地区稀有金属岩脉识别.本研究为区域后续铌钽矿勘察工作提供了指导，同时也为可为稀有金属矿床的遥感探测识别提供有益参考.

关键词

热红外遥感 / 稀有金属 / 矿脉识别 / 比辐射率修正 / 遥感.

Key words

thermal infrared remote sensing / rare metal / vein identification / emissivity correction / remote sensing

0 引言

稀有金属一般指地壳丰度低、分布稀少、提取分离难度大，但具有特殊理化性质的金属矿产资源（毛景文等，2022；李乐广等，2023；吕正航等，2023）.凭借特殊的理化性质，稀有金属成为国防军工、高端装备制作、新能源汽车等战略性新兴产业所需的关键性原料，被许多国家列为关键矿产资源（王登红等，2016；代晶晶等，2019）.我国也将钽、锂、铍、铷等13种稀有金属列为战略性新兴矿产资源（Chakhmouradian et al.，2015；徐兴旺等，2019）.

碱长花岗岩和花岗伟晶岩型是最重要的稀有金属矿床类型（Shaw et al.，2016；Benson et al.，2017；徐兴旺等，2019）.华北陆块北缘成矿区是我国重要的稀有多金属成矿带，已陆续探明加布斯铌钽矿、赵井沟铌钽矿等多个碱长花岗岩型铌钽多金属矿床，是找矿突破行动的重点区域（高允等，2017；鄂阿强，2018）.该区域复杂成矿构造导致其可及性较差，如何快速、准确地开展稀有金属矿产资源调查评价，提高区域矿产开发程度，成为当前亟待解决的科学问题.

遥感作为一种高效、准确、宏观、不受地形条件限制的浅地表信息提取技术，在我国西部基岩裸露和半裸露地区的大宗矿产资源调查活动中得到广泛的应用（刘道飞等，2015；刘德长等，2017；段俊斌等，2019）.但稀有金属遥感找矿的研究基础相对薄弱，且主要集中在伟晶岩型锂铍矿床（范玉海等，2018；王辉等，2018；Gao et al.，2020；娄德波等，2022）.对于华北陆块北缘发育的铌钽多金属矿床的遥感找矿研究，在调研范围内尚未见到系统报道.碱长花岗岩型铌钽多金属矿床遥感识别难度大主要有3个原因.首先，矿床普遍体积不大，且多为隐伏矿床，出露面积小，规模效益不明显.其次，矿床的蚀变以岩浆晚期分异交代作用为主，相较于常规金属矿床，其蚀变发育程度低.最后，矿床岩体和矿体的主要成分均为石英和钠长石等碱长型岩石，岩体和矿体在可见光和近红外谱段无显著特征.钠长石、钾长石等碱长型岩石在热红外谱段（8~12 μm）具有辐射特征，但识别特征相对微弱.矿体的有效识别需建立信息增强优化算法，突出目标岩矿的热红外辐射特征.受限于应用场景和热红外谱段设置情况，在过往的热红外遥感研究应用中，人们更加关注地表温度的反演（Wulder et al.，2019；Galve et al.，2022）.以往研究多采用地表类型建立像元发射率查找表或根据地类结构利用植被覆盖度构建经验模型的方式来估算地表发射率，以此反解地表温度（Sekertekin and Bonafoni，2020；Chakraborty et al.，2021）.上述方法估算的比辐射率为统计经验值，精度较差且物理意义不明晰，无法满足比辐射率稀有多金属矿脉识别的需求.

总而言之，稀有金属矿产遥感调查评估的意义重大，碱长花岗岩型铌钽多金属矿床存在成矿体积小、矿体光谱差异性不显著等遥感识别难点.针对上述问题，本文以华北陆块北缘虎头山地区为研究区，基于地面实测光谱数据分析成矿指示性岩脉的光谱特征，为热红外遥感识别奠定理论基础.利用高空间分辨率的无人机实测热红外数据和Landsat-8数据修正、反解大气辐射传输方程，以获取更具物理意义的热红外比辐射率信息，突出矿化带的辐射特征，实现成矿岩脉识别.以期为后续稀有金属矿床的遥感探测识别提供有益参考.

1 研究区及数据源

1.1　研究区概况

虎头山位于华北克拉通北缘中段乌拉山-大青山的东部地区，临河-集宁断裂带的南缘.区域海拔差可达300 m，勘察难度较大.区域构造活动强烈，呈现早期以韧性剪切带为特征，晚期以脆性断裂和推覆构造为特点的构造格局.复杂的断裂构造为成矿提供了良好的运输通道和容矿空间.区内主要发育有前寒武纪和石炭系地层；岩浆活动主要为早元古代、二叠纪和侏罗纪侵入岩（张超等，2019）.研究区属中低山丘陵区，中温带大陆性干旱气候，年平均降水370 mm以下，地表覆盖以低覆盖度的丘陵草原为主，区域露出条件较好.内脉岩发育，主要有花岗细晶岩脉、含钨石英脉、含天河石化钠长花岗岩脉和含天河石花岗伟晶岩四类.其中，含天河石钠长石化花岗岩脉是主要含铌钽矿岩脉，也是遥感识别的目标岩脉.

1.2　数据源概况

根据前文介绍可知，铌钽多金属矿岩脉的遥感识别需要较高的空间分辨率和准确的热红外辐射特征.目前，在轨运行的卫星中ASTER，MODIS和Landsat在8~11 μm设置探测波段，但ASTER数据时延长，难以实现无人机同步测量，MODIS热红外数据空间分辨率过低（1 000 m），因此选择Landsat数据进行比辐射率反演.本文使用的数据主要有Landsat-8卫星数据、高空间分辨率无人机热红外数据和DEM数据，如图1所示.下面对数据的来源、用途和预处理流程进行简要介绍.

1.2.1　Landsat-8卫星数据

Landsat-8卫星携带OLI陆地成像仪和TIRS热红外传感器，共有11个波段，卫星每16天可以实现一次全球覆盖.详细载荷信息如表1所示（Mwaniki et al.，2015）.

研究使用USGS （https://earthexplorer.usgs.gov）提供的LC81260312023293LG N00影像为星载卫星数据源，影像中心成像时间为北京时间2023年10月20日11点12分.数据详情如图1a所示.本文利用TIRS传感器的TIR1波段进行比辐射率修正计算，利用OLI传感器数据进行NDVI提取和植被影响校正.因此，需先利用DEM数据和VECA算法对多光谱和热红外数据进行地形校正，降低地形影响（高永年和张万昌，2008）.随后，进行辐射定标得到辐亮度数据，并对多光谱数据进行大气校正和NDVI计算.最后，利用OLI传感器的PAN波段进行初次图像融合，提升NDVI和TIR1辐亮度数据的空间分辨率（Maurer，2013）.

1.2.2　无人机热红外数据

为了实现Landsat-8热红外比辐射率的修正反演，无人机热红外数据需与Landsat-8数据近同步采集，保证二者探测温度的一致性和可靠性.在获取Landsat-8卫星过境虎头山区域的时间后，利用大疆M300搭载热成像相机禅思H20T在研究区开展测量.传感器参数指标和飞行设置如表2所示.

需要说明的是，H20T热红外成像相机为更直观地展示温度差异，输出结果为拉伸后的RGB热红外图像.为更好的获取研究区温度变化趋势，方便后续运算，需利用大疆提供的TSDK接口，将热红外图像转温度矩阵，可较为精准地表征地表相对温度的变化趋势，详细结果见图1b.

1.2.3　DEM数据

本文主要使用1 m和30 m两种分辨率的DEM数据，详见图1c.30 m分辨率的ASTER DEM （https://search.earthdata.nasa.gov/search？q=ASTER） 主要用于Landsat-8数据的VECA算法地形校正.1 m分辨率的DEM由M300 无人机搭载激光雷达传感器禅思L1拍摄获取，基于该数据计算山体阴影，对高空间分辨率的H20T温度数据的地形效益进行简单校正.

2 算法原理及实验流程

可见光-短波红外遥感对矽卡岩矿物和长石类造岩矿物探测效果不理想，本研究关注铌钽多金属矿脉的辐射特征主要集中在8~11 μm（Dyar et al.，2007；代晶晶等，2020）.要准确识别岩脉需提取辐射特征谱段内的比辐射率，突出岩脉信息.在大气辐射传输方程中，温度和比辐射率是耦合在一起的两个参数，如公式（1）所示（覃志豪等，2001；Kuenzer and Dech，2013）：

B_{\lambda } ( T ) = [ {\epsilon }_{\lambda } B_{\lambda } ( T_s ) + ( \mathrm{1} - {\epsilon }_{\lambda } ) R_{\lambda a\downarrow } ] {\tau }_{\lambda } + R_{\lambda a\uparrow }，(1)

式（1）为热红外大气辐射传输方程，其中 T_s为地表实际温度， T为对于波长的亮度温度， {\tau }_{\lambda }为波长 \lambda的大气透过率， {\epsilon }_{\lambda }为波长 \lambda的地表比辐射率， R_{\lambda a\downarrow }和分别 R_{\lambda a\uparrow }是大气在波段 \lambda上的下行和上行热辐射强度. B_{\lambda } ( T_s )为地表实际热辐射强度， B_{\lambda } ( T )为表观辐亮度. B_{\lambda } ( T )本质为地表温度 T_s和比辐射率 {\epsilon }_{\lambda }的耦合信息，二者的分离需要利用到黑体普朗克定律，如式（2）所示：

B_{\lambda } ( T ) = \frac{\mathrm{2}\pi h{c}^{\mathrm{2}}}{{\lambda }^{\mathrm{5}}} \frac{\mathrm{1}}{e^{hc/\lambda KT}-\mathrm{1}}，(2)

式（2）为黑体普朗克定律的波长形式，描述黑体辐射强度与温度和波长间的关系.其中 h是Planck常数， K为Boltzmann常数， c为光速.结合式（1）和（2）可将实际温度 T_s和比辐射率 {\epsilon }_{\lambda }进行如下表示：

{\epsilon }_{\lambda } = \frac{B_{\lambda }(T)-R_{\lambda a\downarrow }{\tau }_{\lambda }-R_{\lambda a\uparrow }}{\left[B_{\lambda }(T_s)-R_{\lambda a\downarrow }\right]{\tau }_{\lambda }} .(3)

通过式（3）可以看出，在仅有表观辐亮度一个观测值的情况下，热红外辐射传输方程有地表温度、地表比辐射率和大气参数等多个未知参量.热红外辐射传输方程的求解本身就是一个病态反演问题.对于单波段热红外的解算，大气参量可采用气象再分析数据模拟或同步观测等方式进行获取，而比辐射率或真实温度的解算则需对方参与解算.

假设在采集时间内地表温度无变化且无人机热成像数据可表征地表相对温度趋势.将本文在晴朗无云天气下同步获取的Landsat-8热红外辐亮度数据和无人机热成像数据，代入公式（4），反解普朗克黑体辐射方程和大气辐射传输方程，获取根据物理意义的比辐射率，辅助研究区天河石化钠长花岗岩脉的识别.实验的整体技术流程如图2所示.首先，利用地基实测光谱数据开展成矿指示性岩脉的光谱特征分析，解析岩脉的识别特征，为后续“天-空”热红外联合识别奠定理论基础.随后，利用经过TSDK转换的空基无人机热红外观测温度表征相对真实温度 T_s，带入普朗克方程求解黑体辐射.结合天基Landsat-8 TIR1的表观辐亮度、MODTRAN模拟的大气参量和无人机同步获取相对温度解算的黑体辐射，反解大气辐射传输方程，获取地表比辐射率.比辐射率经过植被和地形影响修正后，通过阈值划定进行目标岩脉提取.最后，通过野外勘察对岩脉识别结果进行验证，以此评估算法的可靠性和适用性.

3 结果与讨论

3.1　岩脉光谱特征分析

根据研究区地质背景，采集虎头山区域内岩脉较为发达的钠长细晶花岗岩、含钨石英岩、天河石化钠长花岗岩、天河石伟晶花岗岩及主要基岩黑云母二长花岗岩进行热红外光谱测量.通过热红外光谱对比分析，寻找成矿岩脉特征光谱，为岩脉识别提供理论基础.

利用安捷伦4300手持式红外光谱仪进行红外光谱测量（Wang et al.，2020）.共采集钠长细晶花岗岩光谱16条，天河石钠长花岗岩光谱10条，天河石伟晶花岗岩光谱12条，含钨石英岩光谱6条，黑云母二长花岗光谱17条.考虑到研究区实际地表类型，从ASTER波谱库（http://speclib.jpl.nasa.gov/）提取草地和土壤的热红外反射光谱进行综合对比.结果如图3a所示，可以看出草地和裸土在8~12 μm的反射率普遍低于10%，且无明显波动.含钨石英岩因Si-O键的伸缩振动在10 μm和14 μm附近出现明显高于长石矿物的反射峰.黑云母二长花岗岩、天河石伟晶花岗岩、钠长细晶花岗岩和天河石化钠长花岗岩的反射特征较为相似，在8~12 μm出现双反射峰，符合前人总结的钠长石和钾长石辐射规律（代晶晶等，2020）.结合Landsat-8 TIR1光谱响应范围进行制图，结果如图3c所示.由图3可知在10.6~11.12 μm的光谱响应区间内，天河石钠长花岗岩的平均反射率略高于其他地物.因此，在Landsat-8 TIR1上天河石钠长花岗岩的比辐射率最低，根据该原理通过阈值划分可实现天河石化钠长花岗岩的识别提取.

3.2　比辐射率解算与修正

参考技术流程图进行比辐射率解算.首先，将Landsat TIR1的波谱响应函数代入普朗克方程并进行展开和简化，可得到如下表达式：

B_{TIR\mathrm{1}} ( T_s ) = K_{\mathrm{1}} / ( {\mathrm{e}}^{\frac{K_{\mathrm{2}}}{T_s+\mathrm{273.15}}} - \mathrm{1} ),(4)

式（4）中 K_{\mathrm{1}}和 K_{\mathrm{2}}分别为774.89 W·m^-2·µm^-1·sr^-1和1 321.08 K （Jiménez-Muñoz et al.，2014）.利用无人机热红外同步测量的地表相对温度数据 T_s代入式（4）即可求解黑体辐射.然后，利用MODTRAN模型，对大气参量进行模拟，得到大气透过率 \tau、大气下行辐射 R_{a\downarrow }和大气上行辐射 R_{a\uparrow }分别为0.97、0.27 W·m^-2·µm^-1·sr^-1和0.15 W·m^-2·µm^-1·sr^-1 （Tardy et al.，2016；Chao et al.，2023）.最后，将大气参数、黑体辐亮度计算结果 B_{TIR\mathrm{1}} ( T_s )和Landsat TIR1的表征辐亮度 B_{TIR\mathrm{1}} ( T )代入式（3），即可得到地表比辐射率.结果如图4所示，可以看出解算得出的地表比辐射率在0.756 ~ 0.983，反演结果很好的印证了前文光谱测量分析结果.但从解算结果中可以看出，地表比辐射率存在较为明显的地形效应，且地表稀疏覆盖的半干枯蒿草也对地表比辐射率具有一定影响.

为提高地表比辐射率解算精度，利用DNVI和DEM对比辐射率解算结果进行校正.结合比辐射率解算结果进行样点选取和评估.结果显示在研究区内，地形阴影对比辐射率的影响在20%左右，而植被覆盖对比辐射率的影响不超过7%.该结果和前人的研究具有一致性（He et al.，2019；Neinavaz et al.，2020）.将NDVI线性拉伸至1.00~1.07，将山体阴影结果反向拉伸至1.0~ 1.2，与比辐射率计算结果相乘，修正植被覆盖和地形的影响.

比辐射率修正结果如图5所示.通过修正，比辐射率的范围由0.756~0.983修正至0.822~0.987.通过修正前后的灰度分布直方图可以直观地看出，比辐射率修正对灰度低值区具有较为明显的抬升作用，降低了地形阴影效应带来的影响，修正后比辐射率的灰度分布更加符合正态分布.

3.3　岩脉识别结果与验证

结合3.1岩脉光谱特性分析可知，在10.6~11.12 μm的TIR1光谱响应区间内，天河石钠长花岗岩的比辐射率略低于其他地物.基于此现象，开展天河石钠长花岗岩识别提取.首先对比辐射率解算结果进行统计，得出研究区内比辐射率的均值 \mu为0.906 33，标准差 \sigma为0.032 85.然后，根据天河石钠长花岗岩在响应谱段低辐射的特性，按照 、 、 、 、 和 的标准进行阈值，结果如图6所示.最后，经过与高精度影像对比和实地勘察，将最优分割阈值选定为 .

岩脉提取结果是基于阈值进行像元级别的分割，存在较为明显的“椒盐现象”，而实际上，稀有金属矿床的露出多是以岩株、岩枝及岩脉等形式出现.因此，对识别提取结果进行形态学闭运算和聚类运算，弥合较窄的间断和细长的沟壑，平滑轮廓.结合先验知识和提取结果圈定可能的岩脉区域，在此基础上开展野外勘察验证，评估识别结果的可靠性.

岩脉划定和勘察验证结果图7所示.图7中蓝色线条圈定区域为比辐射率识别划定的岩脉，共计13处（A1~A13）.红色线条圈定区域是2021—2022年天津地质调查中心在研究区内勘察出的天河石化钠长花岗岩岩脉，共计12处.可以看出，本文划定的岩脉和实地踏勘划定的岩脉在空间分布上具有很好的一致性.踏勘划定的12条岩脉中，仅有两条规模较小的岩脉和研究划定区无重叠或相交，漏检率16.67%.笔者推测，可能是岩脉露出规模过小，在比辐射率划定识别的后处理过程中被误剔除.在本文划定的13条岩脉中，A1、A3、A4、A10、A11、A12和A13在过往踏勘结果中未体现.通过野外踏勘取样对上述7处圈定区域进行验证.其中，A1和A11为河谷堆积区，其中包含天河石化钠长花岗岩、黑云母二长岩、粉砂质板岩和石英岩等.因此，A1和A11不属于错检，可以侧面验证了本文提出识别算法的灵敏性和有效性.A3、A4处新发现过往勘察过程中未查明的岩脉，详情见图7.A10和A12为两处踏勘难度较大的陡峭山坡.因可及性较差，本次踏勘未完成A10和A12区域的详查，但山坡上散落各种岩石，其中包含部分天河石化钠长花岗岩，且在后续捡样分析中发现岩样富含铌钽.所以，笔者推测区域内可能仍存在未发现的岩脉.A13区域为大片裸露岩体，主要为黑云母二长花岗岩.此次属于误识别，主要是因为黑云母二长花岗岩在谱段范围内的发射率也较低，和天河石化钠长花岗岩极为相似.A13的出现说明仅依靠单谱段热红外还是难以实现成矿岩脉的精准区分，亟须研发性能更高的热红外高光谱传感器.从踏勘验证结果看，本文划定的13处识别区中，两处属于新发现岩脉，6处与过往勘察岩脉相交，4处虽未发现岩脉，但区域内存在大量天河石化钠长花岗岩.仅有A13属识别错误，错检率为7.69%.

4 结论

华北陆块北缘是重要的铌钽多金属成矿区，铌钽多金属矿床的遥感勘察评估是区域亟待解决的科学问题.本文结合Landsat-8卫星数据、同步采集无人机热红外数据和实测光谱数据，提出了一种基于比辐射率反解修正的岩脉识别算法，并得出如下结论.基于同步无人机热红外数据和Landsat-8卫星数据可以解算修正出更具物理意义的比辐射率，结合阈值划定可对研究区内天河石钠长石化花岗岩脉进行识别提取.但同步数据获取难度大、单波段热红外数据无法精确区分岩脉种类等研究难点.高性能热红外高光谱传感器研发进度的迟缓，成为制约碱长岩型、矽卡岩型和石英脉-硅化型等矿床遥感勘察的关键因素.

参考文献

[1] Benson,T.R.,Coble,M.A.,Rytuba,J.J.,et al.,2017.Lithium Enrichment in Intracontinental Rhyolite Magmas Leads to Li Deposits in Caldera Basins.Nature Communications,8(1):270.https://doi.org/10.1038/s41467-017-00234-y

[2] Chakhmouradian,A.R.,Smith,M.P.,Kynicky,J.,2015.From “Strategic” Tungsten to “Green” Neodymium:A Century of Critical Metals at a Glance.Ore Geology Reviews,64:455-458.https://doi.org/10.1016/j.oregeorev.2014.06.008

[3] Chakraborty,T.,Lee,X.H.,Ermida,S.,et al.,2021.On the Land Emissivity Assumption and Landsat-Derived Surface Urban Heat Islands:A Global Analysis.Remote Sensing of Environment,265:112682.https://doi.org/10.1016/j.rse.2021.112682

[4] Chao,J.Q.,Zhao,Z.F.,Lai,Z.B.,et al.,2023.Detecting Geothermal Anomalies Using Landsat 8 Thermal Infrared Remote Sensing Data in the Ruili Basin,Southwest China.Environmental Science and Pollution Research International,30(11):32065-32082.https://doi.org/10.1007/s11356-022-24417-3

[5] Dai,J.J.,Wang,D.H.,Wang,H.Y.,2019.A Review of the Three Type Rare Mineral Resources Survey in China Using Remote Sensing.Acta Geologica Sinica,93(6):1270-1278 (in Chinese with English abstract).

[6] Dai,J.J.,Zhao,L.X.,Jiang,Q.,et al.,2020.Review of Thermal-Infrared Spectroscopy Applied in Geological Ore Exploration.Acta Geologica Sinica,94(8):2520-2533 (in Chinese with English abstract).

[7] Duan,J.B.,Peng,P.,Yang,Z.,et al.,2019.Prediction of Polymetallic Metallogenic Favorable Area Based on ASTER Data.Remote Sensing for Land & Resources,31(3):193-200 (in Chinese with English abstract).

[8] Dyar,M.D.,Gunter,M.E.,Tasa,D.,2007.Mineralogy and Optical Mineralogy.Mineralogical Society of America Chantilly,VA.

[9] E,A.Q.,2018.Ore Characteristics and Ore Controlling Factors of Rare Metal Deposits of Typical Granite Type in the Middle of the Inner Mongolia Autonomous Region.Nonferrous Metals Science and Engineering,9(2):62-69 (in Chinese with English abstract).

[10] Fan,Y.H.,Wang,H.,Yang,X.K.,et al.,2018.Application of High-Resolution Remote Sensing Technology to the Prospecting for Rare Metal Mineralization Belt.Remote Sensing for Land & Resources,30(1):128-134 (in Chinese with English abstract).

[11] Galve,J.M.,Sánchez,J.M.,García-Santos,V.,et al.,2022.Assessment of Land Surface Temperature Estimates from Landsat 8-TIRS in a High-Contrast Semiarid Agroecosystem.Algorithms Intercomparison.Remote Sensing,14(8):1843.https://doi.org/10.3390/rs14081843

[12] Gao,Y.,Sun,Y.,Zhao,Z.,et al.,2017.⁴⁰Ar-³⁹Ar Dating of Muscovite from the Zhaojinggou Nb-Ta Polymetallic Deposit in Wuchuan County of Inner Mongolia and Its Geological Implications.Rock and Mineral Analysis,36(5):551-558 (in Chinese with English abstract).

[13] Gao,Y.B.,Bagas,L.,Li,K.,et al.,2020.Newly Discovered Triassic Lithium Deposits in the Dahongliutan Area,Northwest China:A Case Study for the Detection of Lithium-Bearing Pegmatite Deposits in Rugged Terrains Using Remote-Sensing Data and Images.Frontiers in Earth Science,8:591966.https://doi.org/10.3389/feart.2020.591966

[14] Gao,Y.N.,Zhang,W.C.,2008.Comparison Test and Research Progress of Topographic Correction on Remotely Sensed Data.Geographical Research,27(2):467-477,484(in Chinese with English abstract).

[15] He,J.L.,Zhao,W.,Li,A.N.,et al.,2019.The Impact of the Terrain Effect on Land Surface Temperature Variation Based on Landsat-8 Observations in Mountainous Areas.International Journal of Remote Sensing,40(5-6):1808-1827.https://doi.org/10.1080/01431161.2018.1466082

[16] Jiménez-Muñoz,J.C.,Sobrino,J.A.,Skoković,D.,et al.,2014.Land Surface Temperature Retrieval Methods from Landsat-8 Thermal Infrared Sensor Data.IEEE Geoscience and Remote Sensing Letters,11(10):1840-1843.https://doi.org/10.1109/LGRS.2014.2312032

[17] Kuenzer,C.,Dech,S.,2013.Thermal Infrared Remote Sensing:Sensors,Methods,Applications.Springer,Amsterdam,Netherlands.

[18] Li,L.G.,Wang,L.X.,Zhu,Y.X.,et al.,2023.Metallogenic Age and Process of Rare Metal-Bearing Pegmatites from the Northern Margin of Mufushan Complex,South China.Earth Science,48(9):3221-3244 (in Chinese with English abstract).

[19] Liu,D.C.,Tian,F.,Qiu,J.T.,et al.,2017.Application of Hyperspectral Remote Sensing in Solid Ore Exploration in the Liuyuan-Fangshankou Area.Acta Geologica Sinica,91(12):2781-2795 (in Chinese with English abstract).

[20] Liu,D.F.,Chen,S.B.,Chen,L.,et al.,2015.Silicification Information Extraction Based on the Content of SiO₂ from ASTER TIR Data.Earth Science, 40(8):1396-1402 (in Chinese with English abstract).

[21] Lou,D.B.,Wang,D.H.,Li,W.Y.,et al.,2022.Progress of Prospecting Prediction Research for Granitic Pegmatite-Type Lithium Deposits at Home and Abroad.Mineral Deposits,41(5):975-988 (in Chinese with English abstract).

[22] Lü,Z.H.,Liu,K.,Zhang,H.,et al.,2023.The Potential Medium- and Large-Scale Be Ore Deposit in Altai,Xinjiang:A Case Study of Pegmatites from Chonghur.Acta Petrologica Sinica,39(11):3319-3333 (in Chinese with English abstract).

[23] Mao,J.W.,Song,S.W.,Liu,M.,et al.,2022.REE Deposits:Basic Characteristics and Global Metallogeny.Acta Geologica Sinica,96(11):3675-3697 (in Chinese with English abstract).

[24] Maurer,T.,2013.How to Pan-Sharpen Images Using the Gram-Schmidt Pan-Sharpen Method:A Recipe.The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,XL-1/W1:239-244.https://doi.org/10.5194/isprsarchives-xl-1-w1-239-2013

[25] Mwaniki,M.W.,Moeller,M.S.,Schellmann,G.,2015.A Comparison of Landsat 8 (OLI) and Landsat 7 (ETM+) in Mapping Geology and Visualising Lineaments:A Case Study of Central Region Kenya.The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,XL-7/W3:897-903.https://doi.org/10.5194/isprsarchives-xl-7-w3-897-2015

[26] Neinavaz,E.,Skidmore,A.K.,Darvishzadeh,R.,2020.Effects of Prediction Accuracy of the Proportion of Vegetation Cover on Land Surface Emissivity and Temperature Using the NDVI Threshold Method.International Journal of Applied Earth Observation and Geoinformation,85:101984.https://doi.org/10.1016/j.jag.2019.101984

[27] Qin,Z.H.,Zhang,M.H.,Arnon,K.,et al.,2001.Mono-Window Algorithm for Retrieving Land Surface Temperature from Landsat TM6 Data.Acta Geographica Sinica,56(4):456-466 (in Chinese with English abstract).

[28] Sekertekin,A.,Bonafoni,S.,2020.Land Surface Temperature Retrieval from Landsat 5,7,and 8 over Rural Areas:Assessment of Different Retrieval Algorithms and Emissivity Models and Toolbox Implementation.Remote Sensing,12(2):294.https://doi.org/10.3390/rs12020294

[29] Shaw,R.A.,Goodenough,K.M.,Roberts,N.M.W.,et al.,2016.Petrogenesis of Rare-Metal Pegmatites in High-Grade Metamorphic Terranes:A Case Study from the Lewisian Gneiss Complex of North-West Scotland.Precambrian Research,281:338-362.https://doi.org/10.1016/j.precamres.2016.06.008

[30] Tardy,B.,Rivalland,V.,Huc,M.,et al.,2016.A Software Tool for Atmospheric Correction and Surface Temperature Estimation of Landsat Infrared Thermal Data.Remote Sensing,8(9):696.https://doi.org/10.3390/rs8090696

[31] Wang,D.H.,Wang,R.J.,Sun,Y.,et al.,2016.A Review of Achievements in the Three-Type Rare Mineral Resources (Rare Resources,Rare Earth and Rarely Scattered Resources) Survey in China.Acta Geoscientica Sinica,37(5):569-580 (in Chinese with English abstract).

[32] Wang,H.,Qin,X.W.,Fan,Y.H.,et al.,2018.The Application of High Resolution Remote Sensing Technology to Ore-Prospecting in Dahongliutan-Fulugou Area of West Kunlun Mountains.Geology in China,45(6):1289-1301 (in Chinese with English abstract).

[33] Wang,L.,Cheng,Y.,Lamb,D.,et al.,2020.The Application of Rapid Handheld FTIR Petroleum Hydrocarbon-Contaminant Measurement with Transport Models for Site Assessment:A Case Study.Geoderma,361:114017.https://doi.org/10.1016/j.geoderma.2019.114017

[34] Wulder,M.A.,Loveland,T.R.,Roy,D.P.,et al.,2019.Current Status of Landsat Program,Science,and Applications.Remote Sensing of Environment,225:127-147.https://doi.org/10.1016/j.rse.2019.02.015

[35] Xu,X.W.,Li,H.,Shi,F.P.,et al.,2019.Metallogenic Characteristics and Prospecting of Granitic Pegmatite-Type Rare Metal Deposits in the Tugeman Area,Middle Part of Altyn Tagh.Acta Petrologica Sinica,35(11):3303-3316 (in Chinese with English abstract).

[36] Zhang,C.,Li,Z.D.,Li,X.G.,et al.,2019.Zircon U-Pb Dating and Hf Isotopic and Geochemical Characteristics for K-Feldspar Granite in Zhaojinggou,Inner Mongolia.Acta Petrologica et Mineralogica,38(3):303-317 (in Chinese with English abstract).

基金资助

国家重点研发计划项目(2022YFB3902000)

国家自然科学基金项目(42272346)

华北地块北缘铜铌钽锂多金属矿战略性矿产调查评价(DD20230327)