• 技术文章ARTICLE

    您当前的位置:首页 > 技术文章 > 高光谱成像技术在地矿勘查研究中的应用

    高光谱成像技术在地矿勘查研究中的应用

    发布时间: 2020-08-04  点击次数: 1369次

    具有高空间和光谱分辨率的SisuSCS/ROCK高光谱成像工作站,代表了高级的的高通量、非损伤多样芯高光谱扫描分析技术,可对岩矿样芯或其它地矿样品进行批量快速检测分析。它在地矿勘查研究领域的出现,预示着从钻孔到沉积尺度的样芯、岩屑、土壤和其他地矿样品的定量矿物学研究和绘图将发生一场技术革命。

    案例一、油砂样芯的高光谱特征研究

    油砂(Oil Sands)是一种天然含有石油的砂或砂岩,可用来提炼重油和沥青。世界上85%的油砂集中在加拿大阿尔伯塔省北部地区,主要集中在阿沙巴斯克(Ashabasca)、冷湖(Cold Lake)和和平河(Peace River)三个油砂区。

    油砂样芯的准确开采是一个具有挑战性的过程,因为在饱和沥青地层中很难看到沉积和生物成因特征。加拿大阿尔伯塔大学地球与大气科学系Michelle Speta等研究人员,利用SisuROCK高光谱成像工作站对一批油砂样芯进行了扫描成像。通过对光谱图像的分析表明,在短波红外(SWIR)波段中,它可以“穿透”表面薄薄的沥青,并轻松地识别出用肉眼无法看到的结构和纤维。在光谱数据中,研究人员确定了与岩相相关的广泛的光谱类,然后用于创建基本岩性图。还利用现有的光谱模型绘制了用于确定沥青含量的矿石品位分级灰度图。

    image.png

    图1.1(左图):左半部分是肉眼观察到的高品位油砂样芯,右半部分是SWIR的彩色合成图像。红外图像可以“透过”沥青层“看到”样芯内部,揭示样芯并不像肉眼看到的那样均匀。

    图1.2(右图):脱水油砂样芯沥青饱和砂(上部)和页岩(下部)剖面的特征光谱。

    image.png

    定量信息如饱和油层的沥青含量,通常使用颜色指数来估计沥青的重量百分比,其中1-5 wt %为低品位矿石,5-10 wt %为中品位矿石,10-15 wt %为高品位矿石。

    然而,为了得到准确的结果,必须收集样品子集并送到实验室进行分析。当前工业标准的总沥青含量(TBC)测定方法称为DeanStark分析。该方法是一个昂贵的过程,周期也很慢。本研究使用SisuROCK批量扫描了相当于覆盖40组Dean-Stark采样间隔的15盒样芯,*尝试开发预测模型应用于脱水样芯样品,相关系数R2 = 0.67,初步分析结果达到了较好的预测效果,为油砂准确的开采提供了判断依据。

    案例二、高光谱成像评估样芯矿物丰度

    为了发现和评价矿床,每年在勘探活动中都要进行大量的钻探,而钻探样芯绘图成为*的一步。使用矿物析出分析仪(SEM-MLA)进行基于扫描电镜的矿物图像分析,可提供详尽的高分辨率矿物绘图,但只能应用于在较小的钻探样芯。短波红外(SWIR)高光谱成像技术的出现,作为传统钻探技术的补充,可为矿物学特征研究提供一种快速、无损、高通量的分析方法。

    德国弗莱堡Helmholtz资源技术研究所Laura等研究人员,基于sisuROCK高光谱成像和SEM-MLA数据,提出了一种机器学习算法,并将定量的SEM-MLA矿物学研究提升到钻孔样芯规模。通过这种方法,可以得到整个样芯样本的准定量图。通过使用基于高光谱扫描成像数据采集和机器学习数学模型,研究者提出了一种可提高结果的透明度和再现性的升级方法。利用随机森林(RF)、支持向量机(SVM)和神经网络(ANN)回归模型对5个不同训练数据的样芯样本进行了测试。所得的矿物丰度图可进一步用于矿物共生组合等矿物学参数的提取。

    为了测试所提出的方法的可靠性,研究人员分析了来自Bolcana斑岩铜-金体系不同位置的5组样品,分别标记为DC-1到DC-5。首先获取样芯高光谱图像,然后选择感兴趣区域制备薄片,并用SEM-MLA进行分析。从岩心样本的左侧开始,每个区域被进一步标记为a、b和c,如图2.1所示。

    image.png

    图2.1:样芯高光谱成像与SEM-MLA获得的高分辨率矿物图 (a、b和c) 叠加图

    以样品DC-1为例,该样品由闪长斑岩组成,其热液蚀变呈钾化过渡,以黑云母、钾长石和斜长石-绿泥石组合为特征的钠钙岩为代表。在前两个薄片“a”和“b”中,绿泥石比黑云母丰富。然而,在第三个薄片中,由于岩脉密度较低和隐含的相关蚀变,在基质中出现了大量浸染以及成团的黑云母。斜长石在所有的三个薄片中占主导地位,但在岩脉附近,可明显观察到钾长石的增加。

    通过对样芯的目视分析和结果分析,RF和FF-ANN模型对于评估局部分布、低浓度的矿物丰度效果较好。在基质矿物学方面,SVM模型对黑云母的评估较RF和FF-ANN好,而对基质中其他主要成分如长石的评估较差。对于脉石矿物成分如石膏和硫化物,该模型也具有相似的效果。

    image.png

    图2.2:使用随机分布的50%的地面实测数据对白云母(WM)、黑云母(Bt)、绿泥石(Chl)、角闪石(Amp)、石膏(Gp)、长石(Fsp)、石英(Qz)、硫化物(SP)和副矿物(Other),进行随机森林(RF)、支持向量机(SVM)和前向神经网络(FF-ANN)回归训练后得到的样芯矿物丰度图。

    通过计算RMSE,得到矿物丰度图定量评价的观察结果如下:

    image.png

    以上三种测试算法都给出了较低的RMSE,小的是RF为0.07,其次是FF-ANN为0.08,SVM为0.1。对于每类RMSE,RF和FF-ANN的结果相似,与石英相关的误差较大,这可能是由于石英在VNIR-SWIR区域光谱反射平稳,缺乏显著吸收特征造成的。整体RMSE结果则证明基于以上方法的高光谱成像结合SEM-MLA技术,可用于矿物分布及丰度图绘制。

     

    易科泰生态技术公司提供高光谱成像技术、XRF技术、LIBS技术、GeoDrone无人机遥感技术等地质矿产勘查全面解决方案,欢迎垂询!