面向含稀土元素铝土矿制图的多源数据整合与机器学习研究

《Remote Sensing Applications: Society and Environment》：Multisource data integration and machine learning for REE-bearing bauxite mapping

　　

矿床建模是评估与管理自然资源的关键步骤。地表特征对于在大范围区域中寻找表生矿化具有重要指导作用，从而降低矿产勘查的成本与时间消耗。在此背景下，遥感技术已被证明是制图表生矿床的有力工具，特别是在与其他数据结合使用时。本研究探讨了监督分类与机器学习技术——具体为光谱角度制图仪（Spectral Angle Mapper, SAM）和梯度提升树（Gradient Tree Booster, GTB）算法——在制图和建模含稀土元素（Rare Earth Elements, REEs）铝土矿方面的潜力。研究人员旨在开发一个精确模型，以识别和制图分布在巴西圣弗朗西斯科克拉通（Sao Francisco Craton）太古宙麻粒岩之上的含稀土元素铝土矿矿点。研究整合了多源数据：Landsat-8卫星影像、地形数据、伽马能谱数据（包括机载和样品测量）、光谱辐射数据以及野外数据。所采用的方法论流程包括野外样品采集、光谱数据测量与处理、计算光谱指数（如红土化指数和风化壳指数），并将这些数据整合进监督分类与机器学习模型（SAM和GTB）中。所有分析均在谷歌地球引擎（Google Earth Engine）平台上执行。SAM和GTB模型取得了互补的结果，前者对残积铝土矿更有效，后者对坡积铝土矿更有效。GTB模型的结果表明，所有分析的随机组合均显示出相似的分布特征，表明模型在不同测试配置下均具有稳定且高的精度，每个评估组的中位精度均超过96%，且不受数据变化的影响。测试精度在分析特征数增加到五个时达到峰值，之后趋于稳定，变异性极小，从而确定了预测铝土矿区域贡献最大的五个主要特征，并为最影响制图的关键变量提供了有价值的认识。研究结果表明，将多源数据与先进的机器学习技术整合，能够精确识别具有含稀土元素铝土矿潜力的区域。梯度提升树模型展现出了高预测能力，作为一种有效的矿物制图与勘探工具脱颖而出。

矿床建模是评估与管理自然资源的关键一步。地表特征是寻找大区域表生矿化的重要指南，这使得矿产勘探调查成本更低、耗时更少。在此背景下，遥感技术已被证明是制图表生矿床的有力工具，尤其是在其他数据支持下。本研究旨在探讨监督分类与机器学习技术，即光谱角度制图仪（SAM）和梯度提升树（GTB）算法，在制图和建模含稀土元素铝土矿方面的潜力。研究人员力图构建一个精确的模型，以识别和制图发育于巴西圣弗朗西斯科克拉通新太古宙麻粒岩之上的含稀土元素铝土矿的地表分布。该研究整合了多源数据，包括Landsat-8卫星影像、地形数据、伽马能谱数据（机载及样品测量）、光谱辐射数据以及野外数据。所应用的方法流程包括野外样品采集、光谱数据的测量与处理、计算如红土化指数和风化壳指数等光谱指数，并将这些成果整合到监督分类和机器学习模型（SAM和GTB）中。分析工作在谷歌地球引擎（Google Earth Engine）平台上进行。SAM和GTB模型产生了互补的结果，其中SAM对残积型铝土矿更有效，而GTB对坡积型铝土矿更有效。GTB的结果显示，所有分析的随机组合呈现出相似的分布模式，这表明该模型在不同测试配置下均具有稳定且高的准确性，每个评估组的中位精度超过96%，且不随数据变化而改变。模型的测试精度在分析特征数量达到五个时提升至最大值，之后趋于稳定，且变异性极小，这确定了对铝土矿区域预测贡献最大的五个主要特征，并为绘制地图中最具影响力的变量提供了有价值的见解。结果表明，将多源数据与先进的机器学习技术相结合，能够精确识别出具有含稀土元素铝土矿潜力的区域。梯度提升树模型展现出高的预测能力，作为一种有效的矿物制图和勘探工具而脱颖而出。