智能矿山大数据挖掘与知识发现及四维智慧管控:以研山露天铁矿为例

Big data mining, knowledge discovery and 4D intelligent management and control of intelligent mines: An example of Yanshan open-pit iron deposit

摘要

21世纪工业4.0时代,大数据与人工智能技术促进了大型露采场由数字矿山、智能矿山向“地质、采矿、选矿、冶炼”一体化的智慧矿业发展。国内外大型-超大型金属矿山通常采用“资源-环境-经济”一体化的管控模式,其“数字化、信息化、可视化、定量化、智能化”的人工智能技术方法应用越来越广泛,尤其是立体观测与5G+实时通讯技术的拓展应用,迄今诞生了新的科学范式与深层知识发现及智慧四维管控。本文通过河北研山铁矿的地质、矿体、测量、采矿、选矿等数据集的梳理,开展露采场及其爆堆多时相遥感(光谱、雷达)无人机影像获取,利用人工智能的技术方法,深层次挖掘矿山地学信息以服务于实时矿业的智慧管控,具体研究内容与成果概述如下:(1)运用矿产勘查与矿山钻孔数据集、采矿米级爆破钻孔数据集和厘米级的工程测量数据集,构建高精度三维地质与矿体及工程模型;(2)利用“无人机”多光谱、雷达点云和地面高光谱及岩矿石微区原位分析,建立三维矿体的多参数(标识矿物、品位、辐射)精准信息模型;(3)利用无人机亚米级影像的智能模式识别判别了影响矿山生产的地质因素,显示地层岩性与矿体外围的低品位矿石在色调、构造、结构方面的差异性不显著且富矿石地段夹杂透镜状侵入岩脉和断裂构造;(4)运用三维矿体模型和数理统计、地质统计学挖掘,甄别了矿体的高光谱波段信息并构建了经验数学模型公式;(5)综合地质、矿产、光谱、雷达点云、磁法等多参数的三维模型,研发工作流程以识别影响矿体采矿的地质与环境要素(变量与参数)并甄别可见光(目视)与近红外波段的围岩地层、贫矿石、矿石的显著差异性信息,开展露天矿实时性的动态采矿智能空间决策,服务于智慧矿业的地质、采矿、选矿一体化管控,提高采矿与选矿的回收率。

Abstract

In the era of Industry 4.0 in the 21st century, big data and artificial intelligence technology have promoted the development of large-scale mining from digital mining and intelligent mining to the intelligent mining integrating “geology, mining, mineral processing and smelting”. Large and very large metal mines at home and abroad usually adopt the “resource-environment-economy” integrated management and control mode, and the artificial intelligence technology methods of “digitalization, information technology, visualization, quantification and intelligence” are being applied more and more widely, especially the expansion and application of stereo observation and 5G+ real-time communication technology. So far, a new scientific paradigm, deep knowledge discovery and four-dimensional control of wisdom have been born. By combing the data sets of geology, orebody, survey, mining and mineral processing of Yanshan iron mine in Hebei Province, this paper carries out multi-temporal remote sensing (spectrum and radar) UAV image acquisition of the exposed mining site and its explosive pile, and uses artificial intelligence technology and methods to dig deep geological information of the mine to serve the intelligent management and control of the real-time mining industry. Specific research contents and achievements are summarized as follows: (1) Construct high-precision 3D geological and ore body and engineering models by using mineral exploration and mining borehole data set, mining meter blasting borehole data set and centimeter engineering survey data set; (2) Using “UAV” (high) spectrum, radar point cloud and ground spectrum, and in-situ analysis of rock and ore microzones, the multi-parameter (identification of mineral, grade, radiation) accurate information model of 3D ore body is established; (3) Using the intelligent pattern recognition of sub-meter images of UAV, the geological factors affecting mine production are identified, showing that the difference between the formation lithology and the low-grade ore in the periphery of the ore body is not significant in terms of tone, structure and texture, and the inclusion of lens-shaped intrusive dike and fault structure are in the ore-rich section; (4) The 3D ore body model, mathematical statistics and geostatistics mining were used to identify the hyperspectral band information of the ore body and construct the empirical mathematical model formula; (5) Develop the workflow to identify geological and environmental factors (variables and parameters) affecting ore body mining by integrating multi-parameter three-dimensional models of geology, minerals, spectra, radar point cloud, magnetic method, etc., and to identify the visible (visual) and near-infrared bands of surrounding rock formation, lean ore, ore significant difference information, and carry out real-time dynamic mining intelligent spatial decision-making in open pit mines. It serves the integrated control of geology, mining and mineral processing of smart mining, and improves the recovery rate of mining and mineral processing.

Graphical abstract

关键词

研山铁矿 / 大数据挖掘 / 智慧矿山 / 岩矿高光谱 / 激光雷达

Key words

Yanshan iron mine / big data mining / smart mine / rock hyperspectrum / laser radar

0 引言

国内外大型-超大型金属矿山的“资源-环境-经济”一体化管控已成为共识^[1],其可持续性发展是影响社会进步的风向标^[2-3],与此同时,为地球科学的系统研究提供了科学与技术平台。近年来,大数据与人工智能在矿山矿业中广泛应用^[4-5],尤其是“天-地-深”立体多尺度多场景的实时观测、监测和探测及5G+通讯技术,产生了丰富的高精准地学信息和衍生创新技术及智能驱动的知识发现^[6]:一方面,大数据挖掘拓展了地学研究范畴向地球系统科学转换,数据驱动与知识驱动的信息融合;另一方面,智能技术提升了科技创新中的知识发现,技术驱动与智能驱动的智慧决策,不仅验证和优化勘查阶段的成矿信息,还提升和拓展矿山资源定量评价与采矿优化配置^[7-8]。例如,实时矿业^[9]、数字孪生,将矿产资源勘探与开发无缝连接,实现智能化矿业新阶段。但是,老矿山的智能化发展面临诸多挑战:(1)传统的勘探报告满足不了当前智能矿山的采矿与选矿及冶炼需求,需要结合矿山实时的采矿工程数据集,开展更高精度的地学信息挖掘和构建更高精度三维模型,例如勘探矿物学至工艺矿物学的关联和高精度的三维地质与矿体模型等;(2)传统的矿山地质不能满足“资源-环境”的联合评价,长期的矿山采矿致使露采场变深变大且人为因素增强,地质灾害风险加大且具有实时性特征,如何快速、高效、动态评价矿山复杂的地质环境和人为生产因素,亟待勘探、测量、采矿信息的融合集成;(3)当前的遥感地质影像质量不高(空间、时间、光谱的分辨率参数精度),尚不能满足实时矿业和智能矿山专属的智慧决策系统。

本文以河北研山铁矿山为例开展研究。随着矿山采矿深度增加,绿色矿山^[10]可持续发展面临如下挑战:(1)研山铁矿露天矿采场矿体分布情况复杂,矿体中夹岩较多,表外矿赋存于矿体与围岩过渡部位。当矿体呈多层状分布时,表外矿体常夹于全矿层之中,各矿体由中间向两端、由浅至深,品位稍有变贫的趋势。研山铁矿的矿体围岩和夹石以黑云变粒岩、含磁铁石英岩为主,其次为绿泥变粒岩、片岩类、混合岩及伟晶岩等。矿体中夹石较多,其规模大小不一,分布不规律,岩性主要为黑云变粒岩、含磁(赤)铁石英岩及各种混合岩,含磁(赤)铁石英岩中TFe含量一般15%左右^[11]。2~10 m厚的夹石分布较广,形态大多呈扁豆状、似层状及透镜状,在剖面上难以对应,常见分枝复合和膨缩现象。矿岩混合部位爆破后会加剧矿岩混合程度,导致矿石损失和废石混入加大^[12]。(2)露采场超过150 m深度的矿体和围岩地层、构造更加多元。(3)露采场超过10余个台阶致使边坡与矿体侧伏愈加复杂,边坡稳定性减弱^[13],爆堆矿岩崩落后跨台阶分布致使矿岩更加混杂,从而增大了矿岩分离难度而影响采矿效率。通过矿区的地质、矿产、测量、采矿等资料的梳理和露采场的多时相遥感(光谱、雷达)无人机影像获取,利用大数据和人工智能的技术方法,开展矿山大数据与知识发现及四维智慧管控研究,深层次挖掘矿山地学信息以服务于矿山实时矿业^[6,9]。目前冀东地区露天采场内矿体产状和地质构造成因的复杂性导致矿岩交界部位矿体边界圈定不够准确,矿石损失率和贫化率高。

在现有矿山(2022年度)采矿指标(贫化率、损失率年均值)基础上,降低贫化率约10%和矿石损失率约10%,解决企业生产中受探测与采矿等技术手段的限制产生的损失等问题,实现矿产资源综合回收,为企业提高经济效益。

1 矿区地质特征与矿山大数据

根据成矿系统理论,系统梳理了研究区的地质成矿特征,包括赋矿地层、成矿时代与构造-岩浆演化以及成矿期后地质特征。在此基础上,利用2D/3DGIS技术构建矿山大数据,其包括地质、矿产、采矿、选矿(岩粉、尾矿泥)数据集。

1.1 矿区地质特征

研山铁矿隶属前寒武纪条带状铁建造型铁矿,是世界上最重要的铁矿类型之一,其特点是规模大、易开采、易选矿。研究区位于冀东地区(图1^[14]),该地区是中国重要的BIF矿集区^[15],大地构造上隶属于华北克拉通东部陆块,广泛发育早前寒武纪地层且不同时代的地层中均有BIF型铁矿产出,其成因与新太古代晚期(2 600~2 520 Ma)华北克拉通构造-热事件强烈相关,建造类型为黑云变粒岩(夹黑云石英片岩)-磁铁石英岩组合,其原岩为中酸性火山岩-凝灰岩-硅铁质沉积岩建造,铁矿的形成是在火山末期发生的喷流沉积作用,矿体形态多为层状,矿床规模多为大型-超大型,主要产于绿岩带的中上部^[16]。研山铁矿石资源储量为8.83亿吨。赋矿地层特征显示研究区的前震旦系(Ar)地层是由变粒岩类、片岩类和石英岩类等组成的。该系地层南北走向,倾向向西,倾角35°~50°。其中该系的Arb3为本采场的主要含铁岩系。震旦系(Z)地层是由石英砂岩、白云岩和燧石岩组成,分布在前震旦系地层的上部,地层倾角10°~28°,东北走向,倾向东。研究区的含铁层位是新太古界滦县群,其主要以低角闪岩相黑云变粒岩为主:上部夹绢云石英片岩、绿泥石片岩等,偶夹大理岩;下部夹角闪变粒岩、薄层斜长角闪岩及磁铁石英岩等^[17]。滦县群同位素年龄一般在2 540~2 500 Ma。滦县群下部原岩以中酸性火山碎屑岩(凝灰岩)、凝灰质半黏土质粉砂岩为主,夹有基性火山岩及硅铁质岩、泥灰岩等;上部原岩以基性火山岩为主,并夹有较多中酸性火山岩沉积碎屑岩(凝灰岩-凝灰质粉砂岩)及条带状磁铁石英岩。

在研山铁矿矿区岩浆岩中常见的岩石有煌斑岩、辉长岩和伟晶岩等。(1)煌斑岩:存在于采场东南部,颜色为灰黑色。基质由斜长石和角状岩石由闪石、辉石、黑云母和斑晶组成。分布较零星,规模不大。(2)辉长岩:主要分布于采场北部,颜色为黑绿色,余辉长结构。该岩由辉石和基性斜长石构成。辉石已蚀变为角闪石或阳起石。(3)伟晶岩:它是矿区常见的岩石,在采场的大部分都有出露,颜色由肉红色或灰白色组成,伟晶结构。采场有较大的分布,大部分穿插于变粒岩和矿层之中。宽度大约1~10 m。

1.2 控矿因素

地磁、航磁异常平面图和资源勘探资料研究表明,司家营地区北端构造线方向稍向北西偏转^[18]。研山铁矿位于司家营地区北部,其间褶皱构造有司家营复式向斜、新河复式背斜和马城复式向斜。研山铁矿位于新河复式背斜的西翼。褶皱轴总体上与构造线一致,呈近南北向,轴面向西倾斜。向斜东翼为正常翼,西翼为倒转翼。枢纽呈波状起伏,北部翘起,南部下沉。该矿床位于滦河复式背斜西翼,司家营复式向斜东翼,受两期褶皱作用叠加影响,矿体内部紧密同斜小型褶皱十分发育^[19]。矿区内侵入体较少,仅发育混合花岗岩岩脉和变质辉长辉绿岩脉。混合花岗岩常呈脉状或透镜状顺层贯入于变粒岩和矿层之中。研山铁矿床属于鞍山式沉积变质岩型铁矿床,矿石类型主要为赤铁石英岩和磁铁石英岩两大类,浅部为赤铁矿石,深部为磁铁矿石,目前采矿矿石以后者为主。矿石中铁矿物与石英混合成具有黑白相间的条型状、条纹状结构,变质水平高时,向片麻状过渡。滦县岩群的中上部是铁矿体的主要赋存层位,岩性主要为黑云变粒岩和斜长角闪岩^[20]。黑云变粒岩的原岩可能为中酸性的火山岩-火山碎屑岩,斜长角闪岩原岩可能为基性火山岩。在控矿构造方面,滦县岩群的中上部位发育两期褶皱作用,方位角相差约72°。第一期为近东西向的舒缓褶皱,形成于太古宙,表现为规模较小的同斜褶皱,在磁铁石英岩层中普遍发育;第二期为南北向紧密同斜褶皱,形成于太古宙晚期,是区内主要控矿构造,轴线向南倾伏,倾伏角为15°~30°,在矿区内表现为巨大的区域性压扁褶皱。褶皱的核部出现矿体厚度增加、品位升高的现象,两期褶皱的向斜复合部位容易保存矿体和积聚富矿,背斜部位矿体则易剥蚀。因此,本区基底地层所发育的强烈褶皱对铁矿体的形态、分布和富集程度有明显的控制作用^[21]。III号矿体的断裂构造较为发育,主要有北北东向、北北西向和近东西向三组,其中北北东向和北北西向为压扭型逆断层,近东西向的则为张扭型正断层,矿体常受断层活动影响发生位移^[20]。混合岩化和热液蚀变作用是研究区铁矿成矿的重要因素之一^[22]。本区的富铁矿体都有毗邻钾质混合岩这一空间特征,且邻近富矿体的位置热液蚀变现象显著,以绿泥石化最为普遍,还有碳酸盐化、黑云母化和白云母化等蚀变现象^[23]。此外,层间断裂和裂隙发育的位置则更有利于混合热液活动,因此混合岩、热液蚀变及构造断裂三者的复合发育位置应作为富铁矿找矿工作重点。

1.3 矿山大数据

综合研究区地质特征,本文中收集到的研山铁矿的矿山大数据包括如下几方面的数据集(如表1所示):(1)勘探阶段的地质矿产数据集,包括地质矿产图、剖面图、钻孔数据集以及普查、详查、勘探报告及其附近文本与测试分析资料;(2)矿区露采场的不同年度采矿爆破钻孔数据集、岩心粉末数据集;(3)地质工程测量与多期监测与观测遥感、雷达数据集,包括DEM测量、遥感影像(高分、高光谱)、雷达点云、航空磁法等数据;(4)矿山露采场不同时期的水文地质工程数据集。

2 矿山大数据挖掘与知识发现

2.1 岩矿样品采集

本文研究区为司家营鞍山式沉积变质型铁矿床S6线以北的研山铁矿,研究范围为北纬118°44'45.49″~118°45'28.80″,东经39°41'46.58″~39°41'59.66″,属河北省唐山市滦县,大地构造位置位于山海关台拱西南边缘的司(家营)马(城)长(凝)铁矿成矿带中。

为了支持本文的研究,在研究区域的不同地点共收集了三期样品(如图2a,2b,2c所示)。第一期共采集39块样品,样品分别位于F4断裂、东北和西面的中段以及最新的采段,样本采集日期为2023年4月11日—2023年4月12日。第二期共采集337块样品,样品主要分布于矿区最新开采区域,样本采集日期为2023年8月29日—2023年8月30日。第三期共采集了23个样品,这些样品主要在矿体、矿体与围岩混合区域以及纯围岩区域采集,采集时间为2024年5月22日。三期采样空间分布图以及样品频率分布图如图2d所示。

2.2 镜下观测

结合前人研究成果^[14,16]和野外地质调查,此次研究选取了9个典型的矿物样品进行镜下显微观察。通过对野外露头、显微镜和手标本观察的综合分析,并结合前期研究成果,本研究将矿区的演化阶段划分为4个时期:原始沉积期、变质变形期、热液变质期和氧化期。各时期的矿物组合及相应样品的显微观察结果见图3。

原始沉积期形成的矿物主要包括燧石、铁氢氧化物、黏土矿物和菱铁矿。由于后期的再结晶或代替作用,沉积结构转变为磁铁矿石英岩的细带状、条带状和层状结构(图3a,c,g,k)。

在变质变形期形成的矿物组合包括磁铁矿、石英、角闪石、黑云母、透辉石、钠长石和铝榴石等。与此同时,矿区内发生了大规模的褶皱和构造形变。如图3a所示,磁铁矿石英岩中可见轻微的褶皱。在图3h中,普遍发育了多晶粒粗颗粒角闪石,而磁铁矿颗粒相对较小。此阶段形成的磁铁矿石英岩表现出条带状和层状结构。

在热液变质期形成的主要变质矿物包括磁铁矿、石英、黄铁矿、绿帘石、绿泥石、白云石和方解石。再结晶作用使得石英和磁铁矿的颗粒长大,石英在显微镜下显示出波状消光效应。该时期的“去硅富铁”效应是热液改造型富铁矿形成的主要原因,磁铁矿呈现出致密的块状。在矿化壁岩中局部可见0.2~0.5 cm左右的绿帘石脉(图3b)。如图3i所示,黑云母呈片状斑晶结构,并被绿泥石替代并呈定向排列。局部可见黄铁矿、闪锌矿和方解石脉穿越早期形成的矿石(图3c,d,j,k)。强烈的绿泥石化、碳酸盐化和绿帘石化作用表明该期发生了显著的热液交代作用。

在氧化抬升期,主要的矿物为赤铁矿、铁白云石以及一些假象赤铁矿物。由于大气流体或浅至深的地下流体的氧化作用,一部分磁铁矿被氧化为赤铁矿(如图3d显示)。如图3e所示,赤铁矿形成在块状磁铁矿表面,并伴有强烈的绿帘石化作用,而图3f显示了较厚的赤铁矿。此外,赤铁矿还可见于磁铁矿或碳酸盐脉的构造裂隙中。

2.3 遥感影像获取

目前,高光谱成像也许是利用岩石和矿物的光谱特征进行推断的最佳方法之一^[24]。然而,Van der Meer等^[25]已经能够通过多光谱成像在类似的岩石识别问题中实现高分类精度的输出。受所展示的多光谱能力的启发,本文采用了搭载DJI MS600pro多光谱传感器的无人机。为了达到厘米级的位置精度,无人机上附有实时运动学(RTK)模块。此外,6台相机均为1/2.9英寸的(互补金属氧化物半导体)CMOS传感器,均为两百万像素,具有全局快门,在3轴稳定的框架上,以确保在空间分辨率高达0.1 cm/像素的情况下准确地捕获多光谱图像。光谱传感器规格如下:蓝光为(450±35) nm,绿光为(530±27) nm,红光为(650±25) nm,红边为(720±10) nm,近红外为(840±26) nm与(900±35) nm,均以TIFF图像文件的形式捕获。该无人机水平视场角为49.6°,垂直视场角为38°,净质量为468 g,搭载RBG相机,便于在400~900 nm可见光-近红外光谱范围内提取磁铁矿铁砂光谱信息作为TIF图像。这些属性随后使该系统在可见光-近红外(VNIR)范围内的大范围电磁光谱中有效,共有6个多光谱波段。最后,针对多光谱影像进行辐射定标,在图像的数字量化值与其对应的视场辐射亮度值之间建立定量关系,形成最终的高精度多光谱影像。这种校准过程有效地减轻了来自传感器本身的辐射误差。由于,轻型无人机在搭载DJI MS600pro多光谱传感器进行采集的过程中离地仅80 m,几乎不受大气影响,故不必进行常规大气校正,使得影像在小范围内具有较高精度^[26]。

本次还采用了搭载DJI L1激光雷达传感器的无人机进行了矿区范围内的激光雷达影像的获取。机载激光雷达影像获取是通过向目标物主动发射激光束,测定发射点到目标物反射点间距离,并获取激光雷达发射瞬间传感器的姿态参数和空间参数,进而获取目标点的三维坐标(激光雷达点云数据)^[27-28]。在获取到激光雷达点云数据后,我们可以进行三维数字高程模型的构建,实现矿区地表的实时三维可视化^[29]。相较于可见光,LIDAR因其穿透力强,不易受天气影响,可全天候全天时工作等优势,目前已被应用于地质灾害、生态监测、水利水电等多领域^[30-31]。LIDAR目前在矿山领域的应用较少,此次通过搭载DJI L1激光雷达传感器的无人机影像获取,获取了研山铁矿矿区范围内的三维雷达点云影像,实现了矿区实时三维地表模型的构建,为智慧矿山的实时开采、监测系统也提供了有利依据。

2.4 岩矿高光谱

光谱测量的样品制备要求钻孔岩样品表面清洁干燥,每个样品点在相同条件下分析3~5次。本次实验使用OreXpress^TM可见光-短波红外光谱仪获得 条光谱,波段范围分别为340~2 500 nm,可见光-短波红外光谱仪主要依据矿物中的羟基、碳酸根、硫酸根和水分子等不同粒子在可见光-短波红外中的不同光谱波段位置的振动形成的不同吸收特征来确定目标矿物的种类和含量^[32]。同时,实验使用4300手持式傅里叶变换热红外光谱仪获得 条光谱,波段范围为2 500~16 000 nm,热红外光谱仪主要是针对Si_nO_k、SO₄、CO₃、PO₄等原子基团的矿物具有良好的探测效果,可以弥补短波红外在石榴子石、辉石等夕卡岩矿物、石英、长石等造岩矿物及黑云母、角闪石等暗色矿物表现不足的情况,对短波红外波段无法开展工作的夕卡岩型、石英脉-硅化型等矿床勘查意义重大^[33]。

利用光谱地质学家(TSG)8.0软件进行矿物的光谱鉴定,根据光谱助手(TSA)是TSG中的一个算法程序的分类和矿物鉴定结果,选择用于进一步研究的矿物。默认情况下,TSA将从其训练库(mix1+mix2)中报告其作为单一矿物或两种矿物(组)的最佳匹配混合物的光谱解释,以及矿物的光谱权重或估计的光谱丰度^[33]。

2.4.1 可见光-短波红外光谱解译

经过TSG8.0软件自带的TSA算法,每条光谱曲线可识别出样品的三种矿物成分,分别为Min1,Min2,Min3,以及各自的相对含量Wt1,Wt2,Wt3。在数据统计中Min2与Min3为次要矿物成分,特征不明显,因此以Min1数据作为最终识别结果。通过数据整理和分类,得出蚀变矿物种类频率直方图。我们可以看到共识别出20种矿物,其识别频数如图4所示,研究区分布广泛的蚀变矿物有绿泥石、菱铁矿、角闪石、云母、蒙脱石等。通过蚀变矿物组合分析(图5)可知,主要蚀变矿物组合为铁镁绿泥石+蒙脱石、铁镁绿泥石+硬水铝石以及铁镁绿泥石+金云母,其次为菱铁矿+蒙脱石、角闪石+金云母等。

由于研究区内绿泥石分布广泛,因此分析了其光谱标量Pos2250与XRF-Fe%含量之间的关系。研究区铁绿泥石的Pos2250介于2 251.99~2 258.07,平均值为2 255.45,铁镁绿泥石的Pos2250介于2 239.12~2 258.15,平均值为2 252.56,镁绿泥石的Pos2250介于2 239.78~2 253.04,平均值为2 248.52。

据前人研究,在接近热液系统中心形成的绿泥石比岩浆热液外带和边缘形成的绿泥石具有较大的Pos2250,即热液系统中心更富铁^[34-35]。一般认为在热液蚀变矿床中,镁绿泥石形成于低氧逸度和低pH值的环境中,而铁绿泥石形成于相对还原的环境中。而本研究区为BIF沉积型铁矿床,可以看出本研究区绿泥石的Pos2250由镁绿泥石—铁镁绿泥石—铁绿泥石逐渐增大,符合前人的研究成果(图6a),然而通过有限个点数据如图6b所示,归一化的Pos2250与铁元素的品位却没有明显的相关性,品位较高值出现在铁镁绿泥石或镁绿泥石样品中,这有可能是受限于数据量不够或此标量不适用于鞍山式BIF铁矿床,需要进一步查证与研究。

2.4.2 热红外光谱解译

通过TSG8.0解译,共识别出了17种矿物(图7),其中绝大部分为石英,其次为绿泥石,这符合研究区矿床以磁铁石英岩为主,其主要蚀变类型为绿泥石化的特征。本文将石英作为指示矿物进行光谱标量D8625、R8200/R7000和W9300的提取,针对研山铁矿其提取光谱标量指数如表2所示。本研究区内的石英样品D8625值介于0.024 1~0.446。

通过图8可以看出,TIR标量W9300和R8200/R7000与SiO₂的百分比具有明显的相关性,即较高的XRF-SiO₂值对应着W9300的较短值和R8200/R7000的较大值,与前人在维拉斯托岩浆热液锂锡多金属矿床进行的研究结果一致^[36]。其中,W9300值范围为8 414.73~9 939.8 nm,R8200/R7000值范围为0.459~89.29。

通过图9可以看出W9300值较短时对应的蚀变矿物组合主要为石英+硅酸盐矿物(主要为钾长石、其次为斜长石),其Si/O值较大,W9300值分布在最短的光谱区间内。样品的Si/O值随着碳酸盐(白云石、方解石、菱铁矿等)和层状硅酸盐(白云母等)的相对重量有规律地增加以及石英含量的减少而下降,导致这些含石英样品的W9300值不断增加(约8 850~9 400 nm范围内)。当含石英样品中广泛发育绿泥石时,其Si/O值最低,使W9300值分布在最长的光谱区间(约9 400~9 900 nm范围内)。上述W9300值的变化趋势与前人的研究成果一致^[37]。

从图10中总结出铁品位的高值主要聚集于W9300<8 800的区域,其最高值52.77出现在R8200/R7000值4.23处。因此W9300的较低值与R8200/R7000的较低值可能指示着铁品位的较高值。

2.5 主微量元素分析

地球化学样品主微量元素数据来源于X射线荧光分析(XRF)和经济矿物的钻孔品位数据。采用美国Olympus公司生产的Vanta系列便携式X射线荧光光谱仪对岩心中的个样品进行直接扫描获得元素含量,每个样品扫描3~5次,每次扫描的检测时间为40 s。XRF分析技术在测定地质样品方面的独特优势,可以直接扫描岩心的剖面而获得岩体的元素含量,具有快速、无破坏性、连续测试元素、对样品制备要求非常低等优势特点^[32]。本次XRF元素分析结果包含Al、Ca、Co、Cr、Cu、Fe、K、Mg、Mn、Mo、Nb、Ni、Pb、Rb、S、Si、Sr、Th、Ti、V、Y、Zn、Zr等23种元素(元素含量单位μg/g),可以看出其大部分为亲氧元素。

2.5.1 聚类分析

聚类分析是将具有相似特征的个体归为一类,使得同类的个体相似性较高,使不同类的个体之间差异较大。本文首先对实测数据进行了中心对数比变换(CLR),避免了地球化学数据的“闭合效应”,去除可能存在的数据伪相关性,再利用变量聚类分析、样品聚类分析和主成分分析法(PCA)研究了各元素之间的共生关系。

从 R型聚类分析结果(图11)中可以发现,23种元素可分为3个主要的组合。每个组合中的元素间存在有规律的共生关系:第一大类是Fe、Mg、Ca、Al、K元素组合,这是本区的主要成矿元素组合;第二类是Ti、Mn、S、Cr、Co;第三类为剩余的元素。

2.5.2 主成分分析

由于指标间存在一定相关性会导致信息冗余,因此可以进行主成分分析通过将原有的多个变量进行线性变换,组合成几个较少的新的相互无相关性的综合变量,尽可能地提取原有变量信息进行降维以减少分析难度。由碎石图(图12a)可以看出PC1至PC4的解释方差分别包含了24.5%、10.7%、8.4%和8.1%的信息,加起来占了一半以上的信息。通过PCA代表质量图(图12b)可以看出关于Fe元素的信息集中分布在PC1、PC2和PC3,并以PC2为主要。因此,分别针对PC1与PC2,PC1与PC3做元素双标图(图12c,d)可知:与Fe正相关的主要元素为Pb、Cu、Ni、Th、Mg和Cr;与Fe负相关的主要元素为Sr、Zn、Si、Y和Ti;与Fe相关性不明显的元素为Nb。

因此,经过综合分析可以得出与Fe元素有明显的正相关关系的元素为Mn、Le、Sr、Si、Ca和Al,其中这七种元素可以作为指示元素进行后续地球化学异常的提取、评价及勘探工作,进行地球化学找矿。

2.6 三维地质建模

本文分别利用DJI Terra、SUKA-GOCAD软件建立三维地表模型和三维品位模型、三维岩性模型。GOCAD软件不同Micromine、Surpac、3DMine等三维建模软件,可以利用DSI空间插值算法实现地质构造在空间特征上的更好表现^[38]。用于构建三维地质建模的资料包括23幅研山铁矿地质平面图、11幅研山铁矿纵剖面图、70个矿区钻孔的岩性、品位数据以及激光雷达点云数据,其中钻孔长度位于180~900 m,钻孔间距为35~150 m。依据已有数据,本文开展了高精度三维地质模型的构建以及高精度地学信息的挖掘。

2.6.1 三维地表模型

基于搭载DJI L1传感器的无人机拍摄的激光雷达影像,利用DJI Terra进行点云重建,结合激光雷达(LiDAR)数据和照相机的RGB彩色信息进而可以实现三维地表模型的构建^[39-40],重建结果如图13所示。通过无人机倾斜摄影获取三维点云后半自动识别表面结构面的层理节理信息,由图13a所示,研山铁矿东西两边地层大致呈现出条带状分布,浅部为第四系土层、石英砂岩,中部白云母片岩、黑云变粒岩混杂,底部为磁铁矿矿体。因为激光雷达传感器的采集精度为10 cm,且采集时间较快,所以能构建实时反映矿区范围内地表采集情况的高精度三维地表模型(如图13b,c),成为矿区地表实时品位定量反演的基础,同时也可以针对边坡第四系表土层易发生滑坡的区域进行监测,减少潜在的滑坡风险。

2.6.2 三维地质模型

本次收集整理了20世纪70年代勘探以及近年补勘的工程地质钻孔数据并且针对其进行了编录工作,编录格式如表3所示。根据收集到研山铁矿矿区范围内的11条勘探线剖面数据以及70个钻孔岩心数据构建了研山铁矿区的三维地质模型,包括三维矿体模型、三维断裂模型、三维岩性模型和TFe品位三维模型(图14)。

司家营研山铁矿是典型的沉积变质岩型铁矿床,以N18勘探线为界,南北展布,北部为研山铁矿,矿体走向接近南北方向(图14a),由多个矿层组成,分支和复合现象较为严重。其中主要的III号矿体沿走向延伸约2 800 m,倾角约45°,厚度为45 m。其上覆盖层主要是震旦系的石灰岩和石英砂岩,夹岩则以黑云变粒岩和磁铁石英岩为主,此外还有辉绿岩墙的侵入体。在矿区内,有一条贯穿南北的大断层(图14b,d)。

矿区的采场内,第四系地层和中元古界长城系大红峪组石英砂岩作为沉积盖层,以角度不整合覆盖在新太古界单塔子群白庙子组的黑云变粒岩、混合岩化黑云变粒岩、钾长石化云母片岩等变质岩系及太古宙沉积变质铁矿之上(图14d)。根据当前的开采状况,东边坡主要由变粒岩系和第四系冲积层构成,西边坡则由石英砂岩和第四系冲积层构成,南北两边坡的东半部是变粒岩系,而西半部是石英砂岩。Fe元素高值区与黑云变粒岩和磁铁石英岩的空间分布相吻合,且在西南部TFe元素浓度较高(图14c)。

3 智能分析与空间决策

3.1 遥感影像的预处理与波段优选

本次选用第二期采集的329块样品进行全区铁品位的定量反演(如图15所示)。通过分析矿区主要铁矿石(磁铁矿)的可见光-近红外光谱曲线信息以及多光谱数据的波段信息(B1:450 nm;B2:530 nm;B3:650 nm;B4:720 nm;B5:840 nm;B6:900 nm)与研究区TFe品位实际测量值之间的关系,采用归一化指数和比值指数等方法来构建不同的波段指数,以此找出与TFe品位相关系数较高的波段以及波段指数,用于构建TFe品位反演方法。为了减轻数量级差异对结果的影响,在计算与TFe品位数据的Spearman相关系数之前,对无人机多光谱的波段以及波段指数信息进行了标准化。

给定n个样本量,将n个原始数据x和y转化为等级数据,利用下列方程计算Spearman相关系数(ρ):

(1)$\rho=\frac{\sum_{i}\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)}{\sqrt{\sum_{i}\left(x_{i}-\bar{x}\right)^{2} \sum_{i}\left(y_{i}-\bar{y}\right)^{2}}}$

利用相关性分析的结果,初步确定了在0.2水平上具有高Spearman相关系数和显著相关性的波段以及波段指数。随后,分别计算所选波段与其余波段之间的相关系数的平均值。随后,具有高平均相关系数的波段以及波段指数被排除,而具有显著相关性的波段以及波段指数被保留用于TFe品位反演方法的开发,最终选取结果如表4所示。

3.2 反演方法

本研究通过应用引入MLR、RF和BPNN等机器学习算法对研山铁矿中的TFe品位进行了反演。优选多光谱影像的波段与波段指数信息,如Band2、Band3、Band5、Band6、Band3/Band1和Band2/Band1作为反演分析的输入变量。

3.2.1 多元线性回归

多元线性回归(MLR)^[41-43]是一种用于建立定量解释因变量和自变量之间线性关系的回归方程的统计技术。它的基本概念可以用来寻求最合适的数学表达式,准确地表示这些变量之间的关系。线性回归模型由全局模型和局部模型组成,其中全局模型假设回归系数在所有空间位置上保持不变。在研究区域内,确保全局一致性。在这些模型中,MLR模型作为传统的全局模型被广泛采用。

(2)$Y=b_{0}+b_{1} X_{1}+b_{2} X_{2}+\cdots+b_{i} X_{i}+e$

式中:Y为因变量;X₁,X₂,…X_i为常数项;b₁, b₂,…,b_i为回归系数;e表示随机误差项。

在本研究中,因变量Y代表TFe品位,自变量X₁、X₂、X₃、X₄、X₅和X₆可分别视为Band2、Band3、Band5、Band6、Band3/Band1和Band2/Band1。

用最小二乘法求解了波段与波段指数的回归系数。

3.2.2 随机森林

随机森林(RF)^[44-45]是一个聚合预测器,具有从根节点到根节点使用的一些层次约束每棵树的终端节点来预测数据集所代表的特征。RF采用装袋方法随机选择所有训练子集,每个子集组成一个决策树(DT)。多样性采用套袋法增加了DTs,以避免不同DTs之间的相关性。装袋法随机对原始数据集进行重新采样,生成多个训练子集。因此,虽然没有用于RF模型的构建,但大约占总数的三分之一。通过实例验证预测的准确性。因此,射频可以提供一个相对不使用任何其他数据子集的泛化误差的无偏估计。在分割过程中,DT搜索通过最优分割,这可以通过最大值来衡量杂质的减少。有许多近似的杂质测量,与大多数常用的度量是基尼指数,如下式所示:

(3)$ I_{G} t_{Y\left(x_{i}\right)}=1-\sum_{j=1}^{m} f\left(t_{Y\left(x_{i}\right)}, j\right)^{2}$

式中:f(t_Y(xi),j)是x_i属于分支j的样本概率并且是节点t(x);Y为拆分过程的搜索值;m表示树的数量。用于区分的选择标准DT是基于最低的基尼杂质指数(I_G)的。

RF建模的最终结果由所有DT预测的平均值决定,如下面方程所示:

(4)$ f_{\mathrm{RF}}^{K}(x)=\frac{1}{K} \sum_{k=1}^{K} T(x)$

式中:${f}_{RF}^{K}$(x)表示RF回归预测器的结果;x为输入向量;K表示回归树的个数,取值为1~K;T(x)表示DT预测结果。

3.2.3 反向传播神经网络(BPNN)

BPNN模型是一种被广泛采用的人工神经网络模型^[46-49],特别是在预测和分类评估等领域。它由输入层、隐藏层和输出层组成。其基本原理包括在隐藏层的数学变换过程中迭代地调整网络的连接权值和阈值。这种调整可以通过输入信号的前向传播和输出误差的后向传播来实现,目的是使实际输出值与期望输出值之间的平方误差最小。

(5)$ y=f\left(\sum \operatorname{rex} x+b\right)$

式中:x为输入数据;y为输出数据;w和b分别表示相邻层的权矩阵和偏置向量;f表示激活函数。

在本研究中,输入数据集包括从多光谱数据中提取的,而输出数据集包括TFe等级。本研究中使用的BPNN包括三个隐藏层,每个隐藏层包含个神经元。最大迭代次数设置为150,学习率为0.001,优化器为Adam优化器。期望的网络性能被定义为0.00,选择ReLU函数作为选择的激活函数。

3.3 精度评价指标

决定系数(R²)、均方根误差(RMSE)和残差是定量评价反演结果准确性和稳定性的统计指标。这些指标可以为铁品位反演模型的拟合优度、可变性和预测性能提供有价值的见解。

3.3.1 R²

(6)$ R^{2}=1-\frac{\sum_{i=1}^{n}\left(y_{i}-\hat{y}_{i}\right)^{2}}{\sum_{i=1}^{n}\left(y_{i}-\bar{y}_{i}\right)^{2}}$

R²衡量的是总变异在模型解释的因变量中所占的比例,其值越接近1,表明模型稳定性越好。

3.3.2 MAE

(7)$ \mathrm{MAE}=\frac{1}{n} \sum_{i=1}^{n}\left|y_{i}-\hat{y}_{i}\right|$

MAE(Mean Absolute Error,平均绝对误差)是回归模型评估中常用的指标之一,它衡量预测值与真实值之间的平均绝对差异。

3.3.3 RMSE

(8)$ \mathrm{RMSE}=\sqrt{\frac{1}{n} \sum_{i=1}^{n}\left(y_{i}-\hat{y}_{i}\right)^{2}}$

式中:n为采样点个数;y_i为采样点处实测铁品位;${\widehat{y}}_{i}$表示采样点处实测铁品位的平均值。此外,对预测值和实测值进行了线性拟合,可以验证上述方法在铁品位反演研究中的准确性。

3.4 TFe等级空间分布及精度评价

本次选取上述MLR、RF、BPNN三种方法进行岩矿多光谱与TFe之间的关联模型拟合,通过网格搜索、交叉验证的方式选择出机器学习(深度学习)模型的最优超参数,进而实现全区TFe品位反演,三种方法表现水平各不相同。MLR和RF表现较差,其R²值分别为0.192 3和0.252 2,RMSE值分别为10.084 8和10.485 6。相反,BPNN基于其自适应取得了最高的R²值0.387 6和最低的RMSE值8.601 0。BPNN的RMSE和MAE都显著小于MLR和BPNN(表5)。

由图16所示,MLR、RF、BPNN三种模型TFe品位定量反演精度依次升高。图16a为MLR模型TFe定量反演结果,反演精度较差,全区大面积为负品位,且出现较多异常值。图16b为RF模型TFe定量反演结果,相较于MLR模型,反演精度有些许提升,但全区TFe品位主要分布在4.5%~22.11%,整体TFe品位较低,亦不符合实际情况。图16c为BPNN模型TFe定量反演结果,全区TFe品位主要分布于4.07%~39.97%,符合矿区的实际TFe品位分布情况,模型拟合情况较好。基于此种情况,将BPNN模型二维定量反演结果三维可视化,与三维矿体模型相对比,进一步分析BPNN模型位于研山铁矿的TFe品位定量反演精度。

3.5 定量反演结果三维可视化

基于已经构建成功的二维TFe品位定量反演结果,运用ArcGIS_Pro针对反演结果进行去除背景场、重采样等预处理后,加入激光雷达传感器获取的DSM(数字高程数据),形成最终的包含空间坐标、高程以及品位等信息的样品点,最后导入SKUA-GOCAD中,实现了研山铁矿二维TFe定量反演结果的三维可视化如图17所示。

与研山铁矿三维矿体模型对比发现(图17a),BPNN模型TFe品位定量反演结果较好,由图17b、c、d中黑箭头所指白框所示,研山铁矿东北部、中部、中下部矿体与三维地表模型接触区域都表现出了高TFe品位趋势,这也进一步说明基于BPNN模型的TFe品位预测结果与矿体在总体趋势分布、富集中心分布等方面表现出显著的一致性,可以为矿区岩矿智能识别提供有效技术支撑,形成了一种基于图像识别和高光谱联合及成分的矿岩智能建模技术。

4 结论

(1)通过露采场无人机多时相影像(可见光+近红外+雷达点云)、矿岩的高光谱和成分以及地质等矿山大数据,优化和完善矿山矿岩数据库并增补高光谱(短波+长波)数据库。利用高光谱影像进行矿区的蚀变提取,矿区的主要蚀变矿物,例如AL-OH矿物(蒙脱石)在2 170~2 210 nm为吸收特征,MG-OH矿物(绿泥石、绿帘石、角闪石、黑云母)在2 300~2 400 nm为吸收特征峰,SI-OH矿物(石英)在2 240~2 250 nm为特征峰,而矿区主要矿石磁铁矿并无明显光谱特征。

(2)对典型矿山爆堆的铁矿石与围岩高光谱特征及差异进行系统分析,利用大数据科学范式与机器学习(深度学习)方法对矿岩影像和高光谱及成分进行样本训练、学习、推理,优化并建立基于影像和多波段光谱联合成分分析的矿岩识别计算本构模型,研究基于图像(亚米级高分辨率、三维雷达点云厘米级定位)识别和高光谱联合及成分的矿岩智能建模技术。

(3)通过无人机遥感传感器和雷达点云(RTK),获取矿岩实时多期影像并动态处理,经过数据处理形成矿岩图像数据集,结合露天采场定位定点样品实测分析,建立矿岩种类识别三维模型和工业采矿块段(爆堆)分割模型,实现全域(露采场)与局部(爆堆)矿岩混合场景下矿岩种类与地段快速识别和定位。

(4)目前冀东地区露天采场内矿体产状和地质构造成因的复杂性导致矿岩交界部位矿体边界圈定不够准确,矿石损失率和贫化率高。项目模型的运用可在现有矿山(2022年度)采矿指标(贫化率、损失率年均值)基础上,降低贫化率约10%和矿石损失率约10%,解决企业生产中受探测与采矿等技术手段的限制产生的损失等问题,实现矿产资源综合回收,为企业提高经济效益。

本项目得到了河北钢铁集团在项目顶层设计上的大力支撑,张卫国在无人机测绘工程、褚海霞老师在测试分析方面给予了支持,北京市国土资源信息研究开发重点实验室、国家级的虚拟仿真矿产普查与勘探教研室(2023—2024)项目等平台也给予了很大帮助,在此一并感谢!

参考文献

[1] 陈永清, 莫宣学. 超大型矿床成矿背景-过程-勘查三位一体的找矿理念[J]. 地学前缘, 2021, 28(3): 26-48.

[2] 王晓琳, 姬长生, 任海兵. 我国矿业循环经济与矿产资源综合利用问题研究[J]. 中国矿业, 2010, 19(1): 52-54, 64.

[3] 郭琳琳, 杜雪明. 人与自然和谐共生现代化视阈下矿区生态修复制度优化: 以《矿产资源法》修订为契机[J]. 中国矿业, 2023, 32(增刊2): 13-17.

[4] 赵鹏大. 大数据时代数字找矿与定量评价[J]. 地质通报, 2015, 34(7): 1255-1259.

[5] 赵鹏大, 陈永清. 数字地质与数字矿产勘查[J]. 地学前缘, 2021, 28(3): 1-5, 434-435.

[6] 王功文, 张寿庭, 燕长海, 等. 栾川矿集区地学大数据挖掘和三维/四维建模的资源-环境联合预测与定量评价[J]. 地学前缘, 2021, 28(3): 139-155.

[7] 赵鹏大. 地质大数据特点及其合理开发利用[J]. 地学前缘, 2019, 26(4): 1-5.

[8] 王忠鑫, 田会, 王东, 等. 露天采矿科学目标的演变与未来发展趋势[J/OL]. 煤炭学报, 1-26[2024-07-03]. https://www.mtxb.com.cn/article/doi/10.13225/j.cnki.jccs.2023.0041

[9] 王洛锋, 王功文, 许文辉, 等. 智能矿山大数据的地学信息挖掘与知识发现: 以河南上房沟钼(铁)5G⁺矿山为例[J]. 地学前缘, 2023, 30(4): 317-334.

[10] 陈丽新, 余海洋, 杨繁, 等. 国家级绿色矿山建设评价指标解析[J]. 中国矿业, 2024, 33(5): 72-79.

[11] 曾冠中. 司家营铁矿矿床地质特征及控矿因素初探[J]. 中国科技信息, 2011(16): 19, 22.

[12] 王瑜, 胡其. 司家营露天采场精细化探矿方法及应用[J]. 现代矿业, 2021, 37(8): 80-83, 105.

[13] 杨意德, 杨天鸿, 刘洋, 等. 司家营研山铁矿采场三维边坡稳定性数值模拟及协同监测分析[J]. 金属矿山, 2022(4): 214-221.

[14] ZHAO G, SUN M, SIMON A W, et al. Late Archean to Paleoproterozoic evolution of the North China Craton: key issues revisited[J], Precambrian Research, 2005, 137: 149-172.

[15] 陈靖, 李厚民, 李立兴, 等. 冀东司家营BIF铁矿流体包裹体及氧同位素研究[J]. 岩石学报, 2014, 30(5): 1253-1268.

[16] 张连昌, 翟明国, 万渝生, 等. 华北克拉通前寒武纪BIF铁矿研究: 进展与问题[J]. 岩石学报, 2012, 28(11): 3431-3445.

[17] 李文韬, 董国明, 丁枫, 等. 冀东司家营BIF型铁矿北矿区典型矿石矿物特征及其对成矿演化的约束[J/OL]. 岩石矿物学杂志, 1-26[2024-07-03]. https://www.yskw.ac.cn/yskwxzz/article/abstract/20250104?st=article_issue

[18] 崔伟, 董国明, 高孝敏, 等. 冀东司家营铁矿矿床特征及找矿方向分析[J]. 河北地质大学学报, 2022, 45(4): 20-28.

[19] 许英霞, 张龙飞, 高孝敏, 等. 冀东司家营铁矿床富矿成矿条件研究[J]. 地质与勘探, 2014, 50(4): 675-688.

[20] 张龙飞. 冀东司家营沉积变质型铁矿床成因及找矿模型[D]. 唐山: 华北理工大学, 2015.

[21] 高新宇, 王登红, 黄凡, 等. 对冀东司家营铁矿深部找矿问题的探讨[J]. 地质学报, 2022, 96(7): 2494-2505.

[22] 崔伟, 刘春来, 郑新. 冀东司家营铁矿北区与其外围铁矿关系及进一步找矿方向研究[J]. 西部探矿工程, 2020, 32(11): 139-141, 144.

[23] 许英霞, 张龙飞, 李厚民, 等. 冀东司家营沉积变质型铁矿床找矿模型[J]. 地质与勘探, 2015, 51(1): 23-35.

[24] FOX N, PARBHAKAR-FOX A, MOLTZEN J, et al. Applications of hyperspectral mineralogy for geoenvironmental characterisation[J]. Minerals Engineering, 2017, 107: 63-77.

[25] VAN DER MEER F D, VAN DER WERFF H M A, VAN RUITENBEEK, et al. Multi and hyperspectral geologic remote sensing: a review[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 14: 112-128.

[26] SINAICE B B, OWADA N, IKEDA H, et al. Spectral angle mapping and AI methods applied in automatic identification of placer deposit magnetite using multispectral camera mounted on UAV[J]. Minerals, 2022, 12: 268.

[27] 宿文松. 基于无人机倾斜摄影测量的露天矿三维建模及应用[D]. 邯郸: 河北工程大学, 2023.

[28] 童朋飞. 联合无人机激光雷达和正射影像的矿区地表变形监测研究[D]. 长沙: 中南大学, 2022.

[29] HU W, XU J, ZHANG W, et al. Retrieving surface deformation of mining areas using ZY-3 stereo imagery and DSMs[J]. Remote Sensing, 2023, 15: 4315.

[30] YU W, LI W, WU Z, et al. Integrated remote sensing investigation of suspected landslides: a case study of the genie slope on the Tibetan Plateau, China[J]. Remote Sensing, 2024, 16: 2412.

[31] SHCHERBACHEVA A, CAMPOS M B, WANG Y, et al. A study of annual tree-wise LiDAR intensity patterns of boreal species observed using a hyper-temporal laser scanning time series[J]. Remote Sensing of Environment, 2024, 305: 114083.

[32] MASON P, MARK B, YI G, et al. The spectral geologist: TSG manual help file[M]. Canberra, Australia: Commonwealth Scientific and Industrial Research Organisation (CSIRO), 2011.

[33] 邵雪维, 彭永明, 王功文, 等. 短波红外光谱、X射线荧光光谱、黄铁矿热电性分析在胶东新城金矿田深部找矿中的应用[J]. 地学前缘, 2021, 28(3): 236-251.

[34] ZUO L, WANG G, CARRANZA E.J.M, et al. Short-wavelength infrared spectral analysis and 3D vector modeling for deep exploration in the weilasituo magmatic-hydrothermal Li-Sn polymetallic deposit, Inner Mongolia, NE China[J]. Natural Resources Research, 2022, 31: 3121-3153.

[35] 游富华, 蒋姣姣, 张锦章, 等. 短波红外光谱技术在新疆阿舍勒铜锌矿床勘查中的应用[J]. 岩石矿物学杂志, 2021, 40(5): 1010-1022.

[36] 代晶晶, 赵龙贤, 姜琪, 等. 热红外高光谱技术在地质找矿中的应用综述[J]. 地质学报, 2020, 94(8): 2520-2533.

[37] ZUO L, WANG G, CARRANZA E.J.M, et al. Deep vector exploration via alteration footprints and thermal infrared scalars for the weilasituo magmatic-hydrothermal Li-Sn polymetallic deposit, Inner Mongolia, NE China[J]. Natural Resources Research, 2023, 32: 1871-1895.

[38] 杨旺东, 高福磊, 王功文, 等. 四川红泥坡铜矿床三维地质建模及控矿构造演化的新认识[J]. 现代地质, 2020, 34(3): 598-608.

[39] 阚鸿程, 张慧芳, 孟宝平, 等. 激光雷达飞行参数对低矮植被高度反演的影响: 以大疆禅思L1为例[J]. 草业科学, 2023, 40(10): 2513-2527.

[40] 陈朝晖, 荆长伟, 凌在盈, 等. 大疆L1无人机激光雷达在数字高程模型制作中的应用研究[J]. 浙江水利科技, 2023, 51(2): 102-106.

[41] SONG L, JIAN J, TAN D J, et al. Estimate of heavy metals in soil and streams using combined geochemistry and field spectroscopy in Wansheng mining area, Chongqing, China[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 1-9.

[42] GUAN Q, ZHAO R, WANG F, et al. Prediction of heavy metals in soils of an arid area based on multi-spectral data[J]. Journal of Environmental Management, 2019, 243: 137-143.

[43] WANG F, GAO J, ZHA Y. Hyperspectral sensing of heavy metals in soil and vegetation: feasibility and challenges[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 136: 73-84.

[44] TAN K, WANG H, CHEN L, et al. Estimation of the spatial distribution of heavy metal in agricultural soils using airborne hyperspectral imaging and random forest[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 382: 120987.

[45] ABDEL-RAHMAN E M, AHMED F B, ISMAIL R, et al. Random forest regression and spectral band selection for estimating sugarcane leaf nitrogen concentration using EO-1 Hyperion hyperspectral data[J]. International Journal of Remote Sensing, 2013, 34: 712-728.

[46] CRACKNELL M J, READING A M. Geological mapping using remote sensing data: a comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial information[J]. Computers & Geosciences, 2014, 63: 22-33.

[47] XIAO H, LENG X Z, QIAN X, et al. Prediction of heavy metals in airborne fine particulate matter using magnetic parameters by machine learning from a metropolitan city in China[J]. Atmospheric Pollution Research, 2022, 13: 101347.

[48] CHENG H, ZHAO Y, LI F. Genetic algorithm-optimized BP neural network model for prediction of soil heavy metal content in XRF[C]// Proceedings of the 2020 international conference on Intelligent Computing, Automation and Systems (ICICAS). Chengdu, China: University of Electronic Science and Technology of China, 2020: 327-331.

[49] LI Y, LI C, TAO J, et al. Study on spatial distribution of soil heavy metals in huizhou city based on BP-ANN modeling and GIS[J]. Procedia Environmental Sciences, 2011, 10: 1953-1960.

基金资助

河北钢铁集团项目“露天采场爆堆矿岩智能识别关键技术研究(HG2022324)”

国家重大专项“重点金矿集区四维建模与数字孪生的靶区优选(2024ZD1001900)”