基于光谱特征与机器学习的震旦系岩性自动分类研究——以重庆巫溪高竹剖面为例

本文创新性地提出融合光谱信号处理（PCA）、深度度量学习（SNN+Triplet Loss）与集成学习（SVM/KNN/RF/XGBoost）的双路径建模策略，在重庆巫溪高竹剖面震旦系陡山沱组608组岩石高光谱数据中实现99.42%的分类准确率，为页岩相关岩相（如白云岩与鲕粒灰岩）的智能识别提供了可解释性强的技术框架。

　　

Highlight

本研究通过融合光谱信号处理与人工智能技术，建立了页岩相关岩性的高精度自动分类体系，为复杂地质背景下非常规油气资源评估提供了创新方法论。

研究区域概况

研究区位于重庆巫溪高竹乡（109°–110°E，31°–32°N），地处大巴山南麓中低山峡谷区。该区域震旦系陡山沱组发育典型的海相页岩-碳酸盐岩混合沉积序列，其强烈的构造变形与连续的地层剖面为光谱特征研究提供了理想场所。

岩性光谱自动分类方法

采用双路径建模策略：

1）基于连体神经网络（SNN）和三元组损失（Triplet Loss）的深度度量学习模型，在小样本高维数据中捕捉光谱相似性（测试准确率97.8%）；

2）集成支持向量机（SVM）、随机森林（RF）等算法的堆叠（Stacking）模型，最终准确率达99.42%。特征工程采用一阶导数增强、主成分分析（PCA）和局部信号描述符构建。

结果分析

• 深度度量学习有效区分碳酸盐矿物吸收带（如2.3μm处CO₃^2-特征峰）

• 白云岩与鲕粒灰岩因矿物结构相似成为主要误判对（地质成因可解释）

• XGBoost在单一模型中表现最佳（98.7%准确率）

结论

该研究构建了"信号处理-特征学习-决策优化"的全链条智能岩性识别框架，其创新性体现在：

1）首次将SNN-Triplet Loss架构应用于震旦系岩石光谱分类；

2）开发的集成模型显著提升碳酸盐岩亚类的区分能力；

3）为页岩气勘探中的岩相快速识别提供了可推广的技术范式。