基于机器学习的多源遥感数据融合在苏丹Wadi Halfa地区岩性填图与铁矿石-重晶石矿床勘探中的应用

本研究针对苏丹Wadi Halfa地区复杂沉积序列中工业矿物勘探难题，创新性融合Landsat 8/9、Sentinel-2多光谱与PRISMA高光谱数据，结合SVM、ANN等机器学习算法，实现铁矿石（Fe2O3含量62.7%）与重晶石（BaSO4含量63.9%）的高精度探测（MDC分类准确率98.99%），首次估算该区域铁矿石储量达79.6亿吨，为干旱区矿产资源勘探提供可复用的技术范式。

　　

在矿产资源需求激增的全球背景下，苏丹Wadi Halfa地区因其独特的地质条件和战略位置成为矿产勘探热点。该区域虽已知存在铁矿石和重晶石（BaSO₄）等工业矿物，但传统勘探方法在复杂沉积序列中效率低下，且既往研究多聚焦金属矿物而忽视沉积型工业矿物。更关键的是，持续的地区冲突导致实地勘探困难，亟需发展低成本、高精度的遥感技术解决方案。

匈牙利德布勒森大学（University of Debrecen）矿物与地质学系的Abazar M.A. Daoud团队在《Journal of African Earth Sciences》发表的研究，开创性地将多尺度遥感与机器学习相结合，成功绘制了该地区首张高精度岩性-矿物分布图。研究人员采用"天-地-实验室"三位一体技术路线：通过Landsat 8/9（11波段）、Sentinel-2（12波段）和PRISMA（242波段）卫星数据获取光谱信息；运用假彩色合成（FCC）、主成分分析（PCA）和波段比值（BR）等图像处理技术增强矿物特征；结合70个野外剖面观测和50组样品实验室分析（包括薄片鉴定、SEM-EDX、XRF和XRD）建立地面真值；最终采用支持向量机（SVM）、人工神经网络（ANN）和马氏距离分类器（MDC）等算法实现岩性分类与矿化异常检测。

研究结果揭示四大发现：

1. 1.

   岩性单元划分：通过(R6-G3-B1)和(R5-G2-B1)假彩色合成，清晰区分前寒武纪基底（红色调）与二叠纪-三叠纪含矿沉积岩（黄色调），机器学习分类精度达94.59-98.99%。

2. 2.

   矿物识别标志：波段比值(4/3)突出赤铁矿（Fe₂O₃），(6/7)识别羟基矿物（如高岭石），PRISMA数据PC1组分有效捕捉重晶石光谱特征（吸收峰2.1μm）。

3. 3.

   矿床类型确认：野外验证发现4类铁矿石（鲕状、含铁砂岩、铁质岩和条带状构造）与3类重晶石产出形式（胶结物、结核和裂隙充填），XRF证实鲕状铁矿平均含铁62.7%，SEM-EDX显示重晶石钡含量63.9%。

4. 4.

   资源量评估：建立体积法计算模型，修正该区域铁矿石储量至7.96×10⁹吨，较前人估算提升545%。

这项研究的突破性在于：首次在沉积序列中实现机器学习驱动的铁矿石-重晶石协同探测，构建了适用于干旱区的"多光谱-高光谱-机器学习"技术流程。提出的(R11/12-G4/2-B4/11)波段组合方案可推广至非洲东北部类似地质区，而MDC算法在简单岩性场景中的优异表现（Kappa系数0.986）为矿产勘查AI应用提供了新范式。研究不仅为苏丹矿产资源开发提供直接依据，其方法论更对全球沉积型矿床遥感勘探具有示范意义，特别是在战乱地区替代传统勘探方面展现独特价值。未来工作需结合钻孔数据完善地层柱状图，并探索深度学习在矿物光谱解混中的潜力。