具有高空間和光譜分辨率的SisuSCS/ROCK高光譜成像工作站，代表了高級的的高通量、非損傷多樣芯高光譜掃描分析技術，可對巖礦樣芯或其它地礦樣品進行批量快速檢測分析。它在地礦勘查研究領域的出現(xiàn)，預示著從鉆孔到沉積尺度的樣芯、巖屑、土壤和其他地礦樣品的定量礦物學研究和繪圖將發(fā)生一場技術革命。

案例一、油砂樣芯的高光譜特征研究

油砂（Oil Sands）是一種天然含有石油的砂或砂巖，可用來提煉重油和瀝青。世界上85%的油砂集中在加拿大阿爾伯塔省北部地區(qū),主要集中在阿沙巴斯克（Ashabasca）、冷湖（Cold Lake）和和平河（Peace River）三個油砂區(qū)。

油砂樣芯的準確開采是一個具有挑戰(zhàn)性的過程，因為在飽和瀝青地層中很難看到沉積和生物成因特征。加拿大阿爾伯塔大學地球與大氣科學系Michelle Speta等研究人員，利用SisuROCK高光譜成像工作站對一批油砂樣芯進行了掃描成像。通過對光譜圖像的分析表明，在短波紅外（SWIR）波段中，它可以“穿透”表面薄薄的瀝青，并輕松地識別出用肉眼無法看到的結構和纖維。在光譜數(shù)據(jù)中，研究人員確定了與巖相相關的廣泛的光譜類，然后用于創(chuàng)建基本巖性圖。還利用現(xiàn)有的光譜模型繪制了用于確定瀝青含量的礦石品位分級灰度圖。

圖1.1（左圖）：左半部分是肉眼觀察到的高品位油砂樣芯，右半部分是SWIR的彩色合成圖像。紅外圖像可以“透過”瀝青層“看到”樣芯內部，揭示樣芯并不像肉眼看到的那樣均勻。

圖1.2（右圖）：脫水油砂樣芯瀝青飽和砂（上部）和頁巖（下部）剖面的特征光譜。

定量信息如飽和油層的瀝青含量，通常使用顏色指數(shù)來估計瀝青的重量百分比，其中1-5 wt %為低品位礦石，5-10 wt %為中品位礦石，10-15 wt %為高品位礦石。

然而，為了得到準確的結果，必須收集樣品子集并送到實驗室進行分析。當前工業(yè)標準的總瀝青含量（TBC）測定方法稱為DeanStark分析。該方法是一個昂貴的過程，周期也很慢。本研究使用SisuROCK批量掃描了相當于覆蓋40組Dean-Stark采樣間隔的15盒樣芯，*嘗試開發(fā)預測模型應用于脫水樣芯樣品，相關系數(shù)R2 = 0.67，初步分析結果達到了較好的預測效果，為油砂準確的開采提供了判斷依據(jù)。

案例二、高光譜成像評估樣芯礦物豐度

為了發(fā)現(xiàn)和評價礦床，每年在勘探活動中都要進行大量的鉆探，而鉆探樣芯繪圖成為*的一步。使用礦物析出分析儀（SEM-MLA）進行基于掃描電鏡的礦物圖像分析，可提供詳盡的高分辨率礦物繪圖，但只能應用于在較小的鉆探樣芯。短波紅外（SWIR）高光譜成像技術的出現(xiàn)，作為傳統(tǒng)鉆探技術的補充，可為礦物學特征研究提供一種快速、無損、高通量的分析方法。

德國弗萊堡Helmholtz資源技術研究所Laura等研究人員，基于sisuROCK高光譜成像和SEM-MLA數(shù)據(jù)，提出了一種機器學習算法，并將定量的SEM-MLA礦物學研究提升到鉆孔樣芯規(guī)模。通過這種方法，可以得到整個樣芯樣本的準定量圖。通過使用基于高光譜掃描成像數(shù)據(jù)采集和機器學習數(shù)學模型，研究者提出了一種可提高結果的透明度和再現(xiàn)性的升級方法。利用隨機森林（RF）、支持向量機（SVM）和神經網絡（ANN）回歸模型對5個不同訓練數(shù)據(jù)的樣芯樣本進行了測試。所得的礦物豐度圖可進一步用于礦物共生組合等礦物學參數(shù)的提取。

為了測試所提出的方法的可靠性，研究人員分析了來自Bolcana斑巖銅-金體系不同位置的5組樣品，分別標記為DC-1到DC-5。首先獲取樣芯高光譜圖像，然后選擇感興趣區(qū)域制備薄片，并用SEM-MLA進行分析。從巖心樣本的左側開始，每個區(qū)域被進一步標記為a、b和c，如圖2.1所示。

圖2.1：樣芯高光譜成像與SEM-MLA獲得的高分辨率礦物圖 (a、b和c) 疊加圖

以樣品DC-1為例，該樣品由閃長斑巖組成，其熱液蝕變呈鉀化過渡，以黑云母、鉀長石和斜長石-綠泥石組合為特征的鈉鈣巖為代表。在前兩個薄片“a”和“b”中，綠泥石比黑云母豐富。然而，在第三個薄片中，由于巖脈密度較低和隱含的相關蝕變，在基質中出現(xiàn)了大量浸染以及成團的黑云母。斜長石在所有的三個薄片中占主導地位，但在巖脈附近，可明顯觀察到鉀長石的增加。

通過對樣芯的目視分析和結果分析，RF和FF-ANN模型對于評估局部分布、低濃度的礦物豐度效果較好。在基質礦物學方面，SVM模型對黑云母的評估較RF和FF-ANN好，而對基質中其他主要成分如長石的評估較差。對于脈石礦物成分如石膏和硫化物，該模型也具有相似的效果。

圖2.2：使用隨機分布的50%的地面實測數(shù)據(jù)對白云母（WM）、黑云母（Bt）、綠泥石（Chl）、角閃石（Amp）、石膏（Gp）、長石（Fsp）、石英（Qz）、硫化物（SP）和副礦物（Other），進行隨機森林(RF)、支持向量機(SVM)和前向神經網絡(FF-ANN)回歸訓練后得到的樣芯礦物豐度圖。

通過計算RMSE，得到礦物豐度圖定量評價的觀察結果如下：

以上三種測試算法都給出了較低的RMSE，小的是RF為0.07，其次是FF-ANN為0.08，SVM為0.1。對于每類RMSE，RF和FF-ANN的結果相似，與石英相關的誤差較大，這可能是由于石英在VNIR-SWIR區(qū)域光譜反射平穩(wěn)，缺乏顯著吸收特征造成的。整體RMSE結果則證明基于以上方法的高光譜成像結合SEM-MLA技術，可用于礦物分布及豐度圖繪制。

易科泰生態(tài)技術公司提供高光譜成像技術、XRF技術、LIBS技術、GeoDrone無人機遙感技術等地質礦產勘查全面解決方案，歡迎垂詢！