基于目标信息机器学习的航空伽马射线光谱测量钍浓度标准化方法研究

《Scientific Reports》：Machine learning-based thorium normalization in airborne gamma-ray spectrometry for enhanced critical mineral exploration

　　摘要航空伽马射线光谱测量（AGRS），又称辐射测量，是地质制图、关键矿产勘探和辐射异常检测中最具成本效益的大规模方法之一，通过测量岩石和风化材料中的钾（K）、铀（eU）和钍（eTh）来实现。然而，放射性元素异常的识别经常受到土壤水分变化、降水和辐射衰减等因素的影响。虽然原始单通道地图（K、eU和eTh）反映基岩成分，但通过各通道之间数学运算得出的次级地图可以突出地球化学过程并修改辐射对比度。钍是AGRS中重要的放射性元素，因其相对的地球化学稳定性和与关键矿产及核能相关系统的相关性，因此被广泛用于标准化钾和铀的变化。本研究提出一种基于目标信息的机器学习方法来标准化钍浓度，使用随机森林回归模型来推导模型估计的钍参考响应。所得的参考响应随后用于计算相对标准化偏差，并增强航空伽马射线光谱测量数据中的钍辐射对比度。在本研究中，钍被视为相对稳定的参考组分，钍衍生特征转换（包括平方钍值和辐射比率（eTh2/eU 和 eTh/(eU + eTh)））被有意组合作为目标信息非线性标准化程序的一部分。平方钍项强调升高的钍响应，而比率变量代表钍和铀之间的互补关系。该模型使用高分辨率AGRS数据进行训练和评估，所得的标准化产品在地理信息系统（GIS）中进行分析，以评估其地质相关性。所得的模型估计钍参考表面响应用于推导标准化钍值，修改原始eTh响应的空间对比度，并突出空间一致的钍变化。结果表明，所提出的特征转换提供了互补的辐射信息，可能支持地质解释和识别可能与钍富集及含稀土元素（REE）材料相关的区域，展示了机器学习作为辐射数据分析与地质勘探探索性工具的潜力。