-
0 引言
-
当前，国家重大工程面对的地质问题日益复杂，对基础地质工作提出了更难的挑战，仅依靠传统的地质填图和测绘勘查已无法满足当前要求。在此背景下，近来年迅速发展的高光谱岩性识别技术在艰险山区填图、采矿和重大工程的地下洞室智能建造等领域得到广泛应用（秦凯等，2015；梁远玲和简季，2020；刘善军等，2021；丁文清和丁林， 2022）。地物特征波谱是指地球表面上不同地物在太阳辐射下反射的电磁波谱信号，地物波谱仪可以对地面上的物质进行高精度、高分辨率的光谱测量，得到其光谱曲线特征（王瑞军，2016）。通过对这些特征进行分析，可以对不同的地物进行准确的识别和分类。地物光谱在地质学领域的研究最初可以追溯到 20 世纪 60 年代（Whitten and Beckman Jr，1969）。随着Hunt（1977）对自然界主要矿物和岩石类型的诊断性光谱吸收特征进行系统分析，地质遥感研究逐渐兴起。当光照射到矿物或岩石时，特定波长的光会被吸收、反射或透射。吸收和反射比例取决于物质的化学成分和晶体结构，使得不同矿物或岩石在光谱上具有独特特征，便于识别和分类。能量吸收主要涉及电子过程和分子振动。其中，电子过程包括晶体场效应、电荷转移等，分子振动过程涉及化学键的伸缩、弯曲和旋转，影响物质对光的吸收和反射（Clark et al.，1990；Beran，2002； Ramakrishnan and Bharti，2015）。在可见—近红外光谱区（0.4~1.3 μm），岩石吸收光谱的产生机理主要是内部金属阳离子的电子跃迁或振动过程；在短波红外光谱区（1.3~2.5 μm），吸收光谱由羟基、水分子和碳酸根等基团的分子振动引起（代晶晶， 2013；Krupnik，2019）。甘甫平（2004）从矿物识别的角度出发，对一些主要矿物的光谱进行了分析和总结。代晶晶（2013）分析了常见透明矿物类的波谱特征，Wang et al.（2014）分析了哈图地区 7 种典型矿物岩石的光谱特征，建立了岩石和矿物的光谱库。代晶晶等（2018）运用地物波谱仪对甲基卡地区野外采集的典型岩石及矿物开展波谱测试，建立了研究区样品的波谱数据库，总结了众多岩石和矿物的波谱特征。Ramakrishnan and Bharti（2015）整理了部分矿物的光谱特征，并分析了高光谱遥感技术在地质应用中的潜力。自 20 世纪 90 年代以来，学者们将研究重心集中在高光谱技术的应用领域，运用高光谱成像仪完成了一系列在矿产普查、岩矿填图等方面的研究，通过机载或航空成像仪对大范围的场地进行扫描，与现有的波谱库进行比对完成地物分类，或依据目视解译方法在图像上提取像元，完成地层岩性填图（王瑞军等，2016；石菲菲和朱谷昌，2019；范世杰，2020）。董新丰等（2020）利用 GF-5高光谱卫星数据和机载高光谱开展矿物填图应用，对其矿产资源应用前景进行初步评价。在横断山怒江峡谷拥巴地区，研究者在高分辨率遥感影像目视解译的基础上，结合 GF-5 号高光谱数据丰富的波段信息，进行遥感信息的有效增强、提取及自动分类（王世明等，2021）。
-
为了有效地进行岩矿的地物光谱曲线应用研究，进行岩矿识别与分类，高质量地物波谱数据库的构建不可或缺（程娟等，2020）。美国国家航空航天局 NASA 于 20世纪 60年代末 70年代初建立了首个地球资源信息波谱数据库（田庆久和宫鹏， 2002）。现有的岩矿光谱库在地质遥感领域曾发挥过重要作用，但由于当时测量仪器的限制，存在波谱分辨率较低、泛化程度高、部分典型吸收峰谷缺失、数据获取与处理方法不一致及更新不及时等弊端（张莹彤等，2017）。构建特定的用户光谱库可以克服这些局限性，提高岩矿识别和分类的准确性与可靠性（Ganesh and Kannan，2017）。
-
随着西部大开发、一带一路建设的持续深入推进，越来越多的重大工程穿越复杂艰险山区。长大隧道建设中现场快速精确识别和分析岩体岩性对于确保隧道的安全、保证施工进度至关重要（张俊儒等，2021），隧道洞渣的高质化利用也需要快速识别岩性。传统的隧道岩性识别主要依据地质工作者的个人经验及室内大型仪器，无法满足隧道工程现场无损、快速、便捷的识别需求。随着高性能便携地物光谱仪硬件的发展，全波段地物波谱仪可以对隧道掌子面区域的矿物成分、岩石类型等进行高精度、高效率的测量和分类（Kosanke et al.，2017；黄净晴等，2022），有望在隧道工程中发挥重要作用，同时为深部矿产资源勘查、智慧勘查、无人开采等重要的研究方向提供帮助（陈华勇和张俊岭， 2022）。
-
本文采用全光谱卤素灯作为光源，运用高分辨率地物波谱仪，在近距离的尺度采集样本的特征波谱曲线，构建用户典型岩矿波谱库并分析不同矿物、岩石的波谱特征并探究其产生的原因，采集现场样本的波谱曲线通过光谱角匹配法（SAM）、光谱特征拟合法（SFF）和二进制编码分类法（BE）综合运用，将样本波谱曲线比对已有的波谱库与用户自建的波谱库，实现岩矿的自动识别及分类，探讨该新技术及方法在隧道建设中的应用与矿产勘查中的可行性。
-
1 实验方法
-
1.1 高性能便携地物光谱仪及其操作方法
-
地物波谱仪是一种基于光学原理的高分辨率遥感仪器，主要用于获取地物的光谱信息。通过对地物的光谱反射率进行测量和分析，可以得到地物在不同波段的光谱曲线，进而对其进行分析和识别。本次实验采用的是 PSR+3500高性能超便携地物光谱仪，是美国 Spectral Evolution 公司的旗舰产品，有高分辨率与高光谱通道数的特点，可以快速进行紫外—可见光—近红外（350～2500 nm）全谱段光谱稳定测量（表1）。
-
在室内与地表测试环境下，虽然太阳可以辐射全波段的光线，但由于地球大气中的水蒸气吸收，如果直接在日光下进行测试，会导致 1300～1500 nm 和 1750～2000 nm 波段的特征难以被成像光谱仪解析（Clark and Rencz，1999），如图1 在大气吸收带波谱出现剧烈震荡。在采卤素灯人工照明源靠近目标的场景下，这两个波段区域的特征可以得到识别（Zhang et al.，2015）。在隧道测试环境中一般缺乏可以辐射全波段光线的光源。因此本研究在野外露天条件、隧道以及实验室环境中均采用卤素灯作为入射光源，以获得连续的光谱曲线。
-
使用地物波谱仪对目标进行光谱测量时，需用毛刷清除样品表面的浮尘，确保样品表面干净。将光源固定在距离样品 40 cm 的位置。然后，将探头安置在距离测试面3～5 cm的地方。为使测量样品的波谱尽量精确，实验室及野外测量时，白板定标时间为每个样品定标一次，为减少测定误差，每个样品测量3次，取平均值。
-
图1 日照条件下地物波谱曲线
-
1.2 数据处理及分析方法
-
（1）运用Savitzky-Golay法对波谱曲线进行平滑
-
光谱测量过程中，设备、环境和操作等因素可能引入噪声。平滑处理有助于消除或减小这些噪声，降低随机误差和减小局部波动，优化数据质量和提高准确性，使得波谱曲线更加平滑且易于分析 （刘莹莹，2014）。本文采用 Savitzky-Golay 平滑方法，该方法使用多项式拟合技术，将多个数据点拟合为一个平滑的曲线。这种方法可以平滑数据并保留曲线的趋势和峰值位置，是一种广泛应用的光谱数据平滑方法。
-
（2）包络线去除
-
岩矿地物反射波谱曲线包含地物吸收特征，同时也受测量背景的影响。包络线去除可有效抑制背景、突出地物的光谱吸收特征。在岩石和矿物光谱曲线相似的情况下，不容易直接对不同吸收特性的光谱曲线进行比较，需要对整体形状特征进行进一步处理，突出岩石矿物光谱曲线（张雪红，2008）。包络消除法可以有效地突出光谱吸收和反射特性，并将反射率归一化为0~1以便进行光谱分析与匹配 （徐元进，2005）。
-
（3）构建用户地物波谱库
-
地物波谱库是一种包含地表物体光谱特征信息的数据库，对于高光谱遥感影像解译、分类和目标检测具有重要意义。利用 ENVI将预处理后的地物波谱曲线存储在数据库中，命名了野外和室内岩石矿物光谱库，形成地物波谱库，以便于检索和应用。
-
（4）地物波谱曲线特征分析
-
从光谱库中选取特定的光谱曲线数据进行分析，提取矿物的光谱曲线特征，如峰值、波长位置、吸收带等，本文主要通过 OriginPro软件导出波谱曲线，分析带形、带深和带中心等参数，以了解吸收特性（张昊，2017）。
-
1.3 依据地物波谱曲线的岩矿识别方法
-
光谱特征拟合（SFF）是一种模式识别方法，以矿物学和光谱学知识为基础，提取具有诊断性的光谱特征或光谱吸收参数（如吸收位置、深度、宽度、对称度等），建立识别规则，对矿物进行分类（许宁， 2011；Jain and Sharma，2019）。
-
光谱角匹配法又称为光谱角填图法（SAM），是用目标光谱与标准光谱（参考光谱）进行对比，求取两者光谱矢量之间的广义夹角，夹角越小，两者相似性越大，当该夹角小于某个阈值时，即认为目标光谱与标准光谱匹配成功（Kuching，2007；孙娅琴， 2016）。
-
二进制编码分类（BE）是基于光谱形状特征来描述地物的反射光谱并建立二进制编码特征，通过光谱匹配识别来对地物分类。通过比较二进制编码，可以快速确定两个光谱数据点之间的相似性，从而进行样品鉴别和分类（Scott，1988）。
-
用 ENVI软件中波谱分析法对采集的样本进行识别，在以往研究中，运用波谱匹配方法进行岩矿填图时，较多运用星载或机载的多光谱传感器，相较于多光谱数据，高光谱数据细节更多，有更明显的吸收波谱特征，因此光谱特征拟合法对于高光谱数据的匹配适用性更好；光谱角匹配法最大优势在于，只比较光谱在波形上的相似性，与光谱的反射率强度无关；二进制编码（BE），对反射率差异较大的两条曲线匹配效果较差。因此，鉴于实测环境中光线较为复杂，所得结果反射率相差较大，将光谱特征拟合方法、光谱角匹配方法权重设置为1，二进制编码权重设置为 0.7，将获取的样本波谱与用户地物波谱库及现有地物波谱库的物质波谱进行光谱匹配分析。根据匹配结果评分确定两种波谱的相似度，进而确定样品的物质类别（周利鹏和马金辉，2014）。
-
表2为野外采集的石英脉样品运用波谱分析法与自建用户岩矿波谱库比对所得结果的得分示例，得分最高为水晶，识别正确。图2 为测试样品花岗岩波谱曲线与用户波谱库花岗岩曲线对比。
-
2 结果与讨论
-
2.1 岩矿典型波谱特征分析
-
在构建的含94种样本的用户地物波谱库，选取了 2种典型的花岗岩及构成花岗岩的 6种主要矿物去包络线特征波谱进行分析（表3）。需要注意的是，在 350～2500 nm 波段中，石英的去包络线处理会影响曲线的特征判别，因此，针对石英，只做了归一化处理。不同岩矿在可见光、近红外和短波红外波段的光谱曲线特征有所不同。在近红外与短波红外波段，本文研究的花岗岩及其主要矿物都有较为明显的吸收峰，且不同矿物的吸收峰位置和形态也有所差异。因此，通过分析地物在不同波段的光谱曲线特征，可以对岩矿进行识别和分类。
-
图2 样品曲线与用户波谱库曲线对比
-
续表3
-
续表3
-
2.2 用户地物波谱库的岩矿自动匹配识别研究
-
本研究在某隧道及野外露头采集了8类岩矿的波谱曲线，测得波谱曲线应用波谱分析法比对用户地物波谱库与JPL岩石波谱库。
-
样品比对用户地物波谱库较JPL岩石波谱库的识别效果及得分明显高很多，用户地物波谱库在多数情况下识别结果更准确且得分更高，如图3所示，而 JPL 库在部分情况下只能识别到相近岩类或矿物。
-
具体比对结果如下：（1）石英脉：用户地物波谱库正确识别为水晶（得分2.682），JPL库误判为石膏 （得分 2.512）。（2）二长花岗岩：用户地物波谱库准确识别为花岗岩（得分2.517），JPL库识别为相近岩类石英砾岩（得分 2.359）。（3）黑云二长花岗岩：用户地物波谱库识别正确为黑云母花岗岩（得分 2.793），JPL 库识别为相近岩类黑云母斑岩（得分 2.598）。（4）黑云母花岗岩：用户地物波谱库识别为相近岩类斑状二长岩（得分 2.764），黑云母花岗岩 （得分 2.642）；JPL 库识别为相近岩类花岗闪长岩 （得分 2.558）。（5）粗粒花岗岩：用户地物波谱库准确识别为碱长石花岗岩（得分2.843），JPL库误判为石灰华（得分 2.722），得分第二的石英砾岩为相近岩类（得分 2.716）。（6）中粒花岗岩：用户地物波谱库识别为主要矿物斜长石（得分2.793），JPL库误判为杏仁状玄武岩石（得分 2.788）。（7）细粒花岗岩：用户地物波谱库准确识别为钾长石花岗岩（得分 2.865），JPL库误判为红砂岩（得分2.770）。（8）闪长岩：用户地物波谱库识别为类似矿物阳起石（得分 2.856），JPL 库误判为海绿石砂岩（得分 2.709），得分第二的角闪石片岩为相近岩类（得分2.688）。研究区位于动力变质蚀变带内，岩矿均有一定程度的蚀变，以致在比对标准波谱库时评分较低，除此之外，数据采集时硬件的差异也是原因之一。以上研究进一步证实了用户地物波谱库在数据来源和针对性方面更优于现有标准波谱库，用户地物波谱库针对性更强，更适用于特定研究区域和地物类型，同时具有实时性，能实时更新以反映研究区域的实际情况与更多地考虑实际环境因素。在实际应用中，应结合用户波谱库和标准波谱库的优点，以提高高光谱匹配识别的准确性和有效性。
-
图3 比对用户地物波谱库与JPL岩石波谱库的得分对比
-
3 结论与展望
-
本研究采用卤素灯人造光源和便携式高分辨率地物波谱仪获取花岗岩及其主要矿物的全波段反射光谱数据，消除了大气吸收窗口影响，提高了波谱的连续性。通过花岗岩及其主要矿物典型吸收峰特征识别及用户地物波谱库的自动匹配，获得的主要认识如下：
-
（1）典型花岗岩及其主要矿物地物波谱曲线分析揭示了其各自独特的吸收特征，并探讨了其成因，证实了基于光谱曲线特征进行有效矿物识别和分类的可行性。
-
（2）通过将野外样本的地物波谱曲线与用户波谱库和现有波谱库进行比对识别，证实了利用算法进行波谱匹配识别的可行性，并显示出用户波谱库在具体高光谱匹配识别案例中的优势。
-
（3）高性能便携地物光谱仪获得的全波段岩矿光谱，在岩矿的快速自动识别及分类中具有重要的潜在价值，成为智慧隧道、智慧矿山建设的基础。
-
（4）用户地物波谱库可提高运用高光谱扫描仪、高分辨率卫星进行大面积岩性填图、矿产勘查的准确率与可靠性，对遥感岩性识别及找矿具有重要意义。
-
致谢 感谢中铁二院及中铁十二局对本文给予的帮助，感谢审稿人与编辑宝贵的建议。
-
参考文献
-
Abbaszadeh M， Hezarkhani A. 2013. Enhancement of hydrothermal alteration zones using the spectral feature fitting method in Rabor area， Kerman， Iran ［J］. Arabian Journal of Geosciences， （6）6： 1957-1964.
-
Adams J B， Goullaud L. 1978. Plagioclase feldspars-Visible and near infrared diffuse reflectance spectra as applied to remote sensing［C］// Proceedings of the Lunar and Planetary Science Conference， 9th Proceedings Houston， Tex： Pergamon Press， 2901-2909.
-
Balasubramanian U R， Saravanavel J， Gunasekaran S. 2012. Ore mineral discrimination using hyperspectral remote sensing—a field-based spectral analysis［J］. Arabian Journal of Geosciences， 6： 4709-4716.
-
Beran A. 2002. Infrared spectroscopy of micas ［J］. Reviews in Mineralogy and Geochemistry， 46（1）： 351-369.
-
Clark R N， King T V， Klejwa M， Swayze G A， Vergo N. 1990. High spectral resolution reflectance spectroscopy of minerals［J］. Journal of Geophysical Research： Solid Earth， 95（8）： 12653-12680.
-
Clark R N， Rencz A N. 1999. Spectroscopy of rocks and minerals， and principles of spectroscopy［J］. Manual of Remote Sensing， 3（11）： 3-58.
-
Dalm M， Buxton M， Ruitenbeek F V. 2017. Discriminating ore and waste in a porphyry copper deposit using short-wavelength infrared （SWIR） hyperspectral imagery ［J］. Minerals Engineering， 105： 10-18.
-
Duke E F. 1994. Near infrared spectra of muscovite， Tschermak substitution， and metamorphic reaction progress： Implications for remote sensing ［J］. Geology， 22（7）： 621-624.
-
Ganesh U K， Kannan S T. 2017. Creation of hyper spectral library and lithological discrimination of granite rocks using SVCHR-1024： Law based approach ［J］. Hyperspectral Remote Sens， 7： 168-177.
-
Hunt G R. 1977. Spectral signatures of particulate minerals in the visible and near infrared ［J］. Geophysics， 42（3）： 501-513.
-
Jain R， Sharma R U. 2019. Airborne hyperspectral data for mineral mapping in Southeastern Rajasthan， India ［J］. International Journal of Applied Earth Observation and Geoinformation， 81： 137-145.
-
Kosanke T， Perry S E， Lopez R. 2017. Hyperspectral imaging technology development and application： Implications for thin-bedded reservoir characterization［C］// Proceedings of the AAPG Annual Convention and Exhibition.
-
Krupnik. 2019. Close-range， ground-based hyperspectral imaging for mining applications at various scales： Review and case studies ［J］. Earth-Science Reviews， 198： 102952.
-
Kuching S. 2007. The performance of maximum likelihood， spectral angle mapper， neural network and decision tree classifiers in hyperspectral image analysis ［J］. Journal of Computer Science， 3（6）： 419-423.
-
Lypaczewski P， Rivard B， Gaillard N， Perrouty S， Linnen R L. 2017. Hyperspectral characterization of white mica and biotite mineral chemistry across the Canadian Malartic gold deposit， Québec， Canada［C］// Proceedings of the 14th SGA Biennial Meeting， Quebec City， Canada. 1095-1097.
-
Meyer J M， Kokaly R F， Holley E. 2022. Hyperspectral remote sensing of white mica： A review of imaging and point-based spectrometer studies for mineral resources， with spectrometer design considerations ［J］. Remote Sensing of Environment， 275： 113000.
-
Ramakrishnan D， Bharti R. 2015. Hyperspectral remote sensing and geological applications ［J］. Current Science， 108（5）： 879-891.
-
Rowan L C， Simpson C J， Mars J C. 2004. Hyperspectral analysis of the ultramafic complex and adjacent lithologies at Mordor， NT， Australia ［J］. Remote Sensing of Environment， 91（3/4）： 419-431.
-
Scott D R. 1988. Effects of binary encoding on pattern recognition and library matching of spectral data ［J］. Chemometrics and Intelligent Laboratory Systems， 4（1）： 47-63.
-
Van Ruitenbeek F J， Debba P， Van Der Meer F D， Cudahy T， Van Der Meijde M， Hale M. 2006. Mapping white micas and their absorption wavelengths using hyperspectral band ratios ［J］. Remote Sensing of Environment， 102（3/4）： 211-222.
-
Wang S S， Zhou K F， Zhang N N， Wang J L. 2014. Spectral data analysis of rock and mineral in Hatu Western Junggar Region， Xinjiang［C］// Proceedings of the Land Surface Remote Sensing II. Spie， 526-531.
-
Whitten E T， Beckman J W A. 1969. Fold geometry within part of Michigan Basin， Michigan ［J］. AApG Bulletin， 53（5）： 1043-1057.
-
Zhang P， Wu T X， Zhang L F， Tong Q X. 2015. Light-Weight Aerial Hyperspectral Imaging remote sensing system for regional geological and mineral resources surveys［C］//Proceedings of the Asian Conference on Remote Sensing ACRS.
-
陈华勇， 张俊岭. 2022. 21世纪矿产勘查的未来发展方向在哪里？［J］. 地球科学， 47（10）： 3874-3875.
-
程娟， 肖青， 闻建光， 唐勇， 游冬琴， 卞尊健， 吴胜标， 郝大磊， 钟守熠. 2020. 地物波谱数据库应用方法及遥感应用现状 ［J］. 遥感技术与应用， 35（2）： 267-286.
-
代晶晶. 2013. 常见透明矿物类波谱特征研究综述［J］. 地质科技通报， 32（2）： 8-14.
-
代晶晶， 王登红， 代鸿章， 刘丽君， 令天宇. 2018. 川西甲基卡锂矿基地典型岩石及矿物反射波谱特征研究［J］. 岩矿测试， 37（5）： 507-517.
-
丁文清， 丁林. 2022. 岩矿高光谱遥感及其在青藏高原的应用前景［J］. 地质科学， 57（3）： 924-944.
-
董新丰， 甘甫平， 李娜， 闫柏琨. 2020. GF-5矿物填图及矿产资源应用前景评价［J］. 地质论评， 66（S1）： 67-68.
-
范世杰. 2020. 高海拔地区多元遥感数据岩性解译应用与研究［D］. 成都： 西南交通大学.
-
甘甫平. 2004. 遥感岩矿信息提取基础与技术方法研究［M］. 北京： 地质出版社.
-
黄净晴， 王浩， 韩菁， 刘炫祥. 2022. 高光谱遥感技术在地质领域的应用研究——评《高光谱遥感地质作用建模及应用》［J］. 有色金属工程， 12（1）： 145.
-
梁远玲， 简季. 2020. 采用分段主成分和PPI的高光谱影像分类［J］. 遥感信息， 35（1）： 129-134.
-
刘善军， 王东， 毛亚纯， 宋亮， 丁瑞波， 刘海琪. 2021. 智能矿山中的岩矿光谱智能感知技术与研究进展［J］. 金属矿山， （7）： 1-15.
-
刘莹莹. 2014. 高光谱数据处理与高光谱矿化信息提取研究［D］. 淮南： 安徽理工大学.
-
秦凯， 陈建平， 赵英俊， 孙雨， 周家晶， 杨国防. 2015. 基于航空高光谱遥感岩性识别技术研究［J］. 矿产勘查， 6（5）： 594-600.
-
石菲菲， 朱谷昌. 2019. 高光谱遥感在东天山玉带地区地质调查中的应用［J］. 矿产勘查， 10（11）： 2753-2757.
-
孙娅琴. 2016. 基于光谱匹配的热红外高光谱数据岩性分类研究［J］. 现代地质， 30（1）： 239-246.
-
田庆久， 宫鹏. 2002. 地物波谱数据库研究现状与发展趋势［J］. 遥感信息， 3： 2-6， 46.
-
王瑞军. 2016. 不同地形条件地面同步光谱定标场对比研究［J］. 矿产与地质， 30（4）： 662-668.
-
王瑞军， 孙永彬， 张春雷， 董双发， 李婧玥， 汪冰， 李名松. 2016. 新疆阿尔金成矿带祥云金矿床地质——高光谱遥感综合找矿标志及应用［J］. 矿产勘查， 7（6）： 994-1004.
-
王世明， 范世杰， 裴秋明， 张晓宇， 吕毓东， 杜世回. 2021. 多光谱、高光谱遥感岩性解译在川藏铁路勘察中的应用——以藏东南怒江峡谷拥巴地区为例［J］. 工程地质学报， 29（2）： 445-453.
-
徐元进. 2005. 包络线消除法及其在野外光谱分类中的应用［J］. 地理与地理信息科学， 21（6）： 11-14.
-
许宁. 2011. 基于改进光谱特征拟合算法的高光谱数据矿物信息提取［J］. 光谱学与光谱分析， 31（6）： 1639-1643.
-
张昊. 2017. 基于高光谱的煤岩识别技术研究［D］. 徐州： 中国矿业大学.
-
张俊儒， 燕波， 龚彦峰， 徐剑， 刘丁丁. 2021. 隧道工程智能监测及信息管理系统的研究现状与展望［J］. 地下空间与工程学报， 17（2）： 567-579.
-
张雪红. 2008. 基于包络线消除法的油菜氮素营养高光谱评价［J］. 农业工程学报， 24（10）： 151-155.
-
张莹彤， 肖青， 闻建光， 游冬琴， 窦宝成， 唐勇， 彭实. 2017. 地物波谱数据库建设进展及应用现状［J］. 遥感学报， 21（1）： 12-26.
-
周利鹏， 马金辉. 2014. 基于高光谱影像的舟曲曲瓦沟树种识别［J］. 安徽农业科学， 42（16）： 5298-5301， 5323.
-
摘要
岩矿的全波段光谱是高光谱遥感岩性解译的物理基础，也对岩矿的自动识别及分类具有重要意义。本文应用高性能便携地物光谱仪，在卤素灯全波段光源照射下，测量实验室、野外露头及隧道内岩矿样本的反射光谱，构建了 94种常见岩石和矿物的用户地物波谱库，重点对典型花岗岩及构成花岗岩的 6种主要矿物光谱特征进行研究。系统总结了花岗岩及其主要矿物波谱特征、主要吸收峰谷及产生的机理。运用光谱角匹配法（SAM）、光谱特征拟合法（SFF）和二进制编码分类法（BE）3种方法相结合并进行1∶1∶0. 7权重分配的评分方式，将野外测得的8件中—酸性岩浆岩及矿物比对ENVI软件自带的JPL岩矿波谱库与用户地物波谱库，进行自动识别，结果显示，运用波谱匹配方法可实现岩矿自动识别和分类，用户地物波谱库在岩矿自动识别中具有明显优势。本研究以康定某隧道现场花岗岩及其主要矿物的全波段光谱研究为例，探讨了岩矿地物波谱在岩矿识别及自动分类中的价值，为岩矿快速、无损、便捷识别提供了新思路，建立的用户波谱库可应用于区域内岩矿的分类，对高光谱遥感岩性填图及矿产勘查具有较重要价值。
Abstract
The full-band spectrum of rocks and minerals is the physical basis for hyperspectral remote sensing lithology interpretation， and it is also of great significance for automatic identification and classification of rocks and minerals. In this contribution， a high-performance portable field spectrometer was used to measure the reflectance spectra of rock and mineral samples in laboratory， field outcrop， and tunnel under halogen lamp fullband light source irradiation. A user spectral database of 94 common rocks and minerals was constructed， focusing on the study of the spectral characteristics of typical granite and the six major minerals that make up granite. The spectral characteristics， major absorption peaks and valleys， and mechanisms produced for granite and its major minerals were systematically summarized. The spectral angle matching method （SAM）， spectral feature fitting method （SFF）， and binary encoding classification method （BE） were combined and scored using a 1∶1∶0. 7 weighted allocation method. Eight pieces of acidic magmatic rocks and minerals measured in the field were compared with the JPL rock/mineral spectral database and user spectral database provided by ENVI software for automatic identification. The results showed that spectral matching methods can achieve automatic identification and classification of rocks and minerals， and the user spectral database shows obvious advantages in automatic identification of rocks and minerals. A case study of the full-band spectrum of granite and its main minerals in a tunnel site within the Kangding area discussed the value of rock and mineral spectral information in rock identifica- tion and automatic classification. It provides a new way to identify rocks and minerals quickly， non-destructively and conveniently. The established user spectral database can be applied to the classification of rocks and minerals in this area， which is of great value for hyperspectral remote sensing lithologic mapping and mineral exploration.
Keywords
spectrometer ； lithology recognition ； granite ； spectral matching ； remote sensing geology
