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，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。在光譜數據中，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。

案例二、高光譜成像評估樣芯礦物豐度

為了發(fā)現和評價礦床，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，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數據，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據采集和機器學習數學模型，研究者提出了一種可提高結果的透明度和再現性的升級方法。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個不同訓練數據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%的地面實測數據對白云母（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！