基于Landsat-7 ETM+与GF-2遥感数据的地表金元素定量反演模型构建——以毛里塔尼亚Tasiast-Tijirit金矿区为例

本研究针对沙漠地区金矿勘探效率低、传统地球化学方法成本高的问题，创新性地结合Landsat-7 ETM+（30 m）与GF-2（3.24 m）多尺度遥感数据，利用反向传播神经网络（BPNN）模型实现了地表金元素含量的定量反演。结果显示GF-2高分辨率数据对高富集区的圈定精度显著优于Landsat-7（R2 达0.73 vs 0.65），为干旱区矿产资源预测提供了高精度、低成本的解决方案。

　　

在广袤的毛里塔尼亚沙漠深处，Tasiast-Tijirit金矿区如同沉睡的宝藏，其古元古代造山型金矿系统蕴藏着巨大经济价值。然而，这片被风沙统治的荒原给传统勘探方法带来严峻挑战——地球化学采样成本高昂，而区域尺度遥感技术又难以捕捉细微的矿化异常。更棘手的是，地表均一的地貌特征掩盖了金元素的空间分异规律，使得"沙海寻金"成为地质学家面临的世纪难题。

针对这一瓶颈，中国的研究团队开展了一项突破性研究。他们创造性地将多尺度遥感数据与机器学习相结合：利用Landsat-7 ETM+（30 m分辨率）把握区域金元素分布格局，同时借助国产GF-2卫星（3.24 m分辨率）实现局部高精度定位。通过构建反向传播神经网络（Backpropagation Neural Network, BPNN）定量反演模型，首次在沙漠环境下系统评估了土壤与岩石样本的金含量预测效能。这项发表于《Physics and Chemistry of the Earth, Parts A/B/C》的研究，为干旱区矿产资源勘探树立了新范式。

关键技术方法包括：1）整合美国地质调查局（USGS）公开的4200个地球化学样本数据；2）采用Spearman相关性分析筛选Landsat-7 ETM+（b1-b5、b7波段）与GF-2（b1-b4波段）的有效特征；3）建立BPNN非线性预测模型，以均方根误差（RMSE）和决定系数（R²
）评估模型性能；4）通过1:50000与1:5000双尺度验证反演结果的可靠性。

【Geological overview and study area】
研究区位于Reguibat地盾西南缘，古元古代绿岩带残余体经长期风化形成特殊地表地球化学景观。风蚀作用导致元素迁移重组，使得高分辨率遥感数据成为揭示原生矿化特征的关键。

【Geochemical data preprocessing】
对USGS开放的2000年采样数据（2015年发布）进行标准化处理，消除因采样深度、分析方法差异引起的系统误差，确保4200个土壤/岩石样本数据的时空可比性。

【Correlation results analysis】
发现GF-2的b2-b4波段与金含量呈显著负相关（p<0.01），表明高金区对应低反射率特征。这种关系在Landsat-7 ETM+的SWIR波段（b7）中同样存在，但相关性较弱（r=-0.32）。

【Inversion modeling】
BPNN模型在GF-2数据上表现优异：土壤样本建模集R²
=0.73（RMSE=0.005），岩石样本R²
=0.60（RMSE=0.015），均显著优于Landsat-7 ETM+的相应结果（土壤R²
=0.65，岩石R²
=0.52）。高分辨率数据成功识别出传统方法遗漏的C23异常区次级矿化中心。

【Conclusions】
该研究证实：1）GF-2的1:5000尺度数据可突破沙漠均一化效应，精准定位5m级矿化异常；2）BPNN模型能有效捕捉金元素与光谱特征的复杂非线性关系；3）多尺度遥感协同反演策略使勘探成本降低约40%。这些发现不仅为西非克拉通金矿勘探提供直接技术支撑，更开创了"人工智能+多源遥感"的矿产资源预测新体系。值得注意的是，风积物覆盖区仍存在约15%的假阳性异常，未来需结合LiDAR地形数据进一步优化模型泛化能力。