《Journal of African Earth Sciences》：Integrated Sentinel-2 and Landsat-9 Data for High-Resolution Lithological Mapping in the Rich High Atlas (Morocco) Using Machine Learning and Deep Learning
编辑推荐：
本研究针对摩洛哥Rich High Atlas地区地质多样性高但传统测绘困难的问题，采用Sentinel-2和Landsat-9卫星影像，对比随机森林、CART、CNN和U-Net等机器学习与深度学习算法在岩石分类中的应用效果。结果表明，Landsat-9结合随机森林和CART算法的Kappa系数分别达0.98和1，总体精度超0.99，显著优于深度学习方法。该研究验证了传统机器学习算法在光谱特征区分明确的区域更具优势，为复杂地形地质制图提供了高效解决方案。
Ibtissame Bentahar | Hicham Si Mhamdi | Ilham Bentahar | Mohammed Raji
摩洛哥卡萨布兰卡哈桑二世大学理学院地质系，地球科学、地理信息学与环境实验室
摘要
里奇高阿特拉斯山脉的西部地区以岩石类型多样性高和丰富的自然资源为特征。然而，由于研究区域的某些地区难以进入，地质测绘工作仍然不足，有时甚至不完整。本研究旨在通过测试和比较机器学习与深度学习算法（使用两种类型的卫星图像：Sentinel-2和Landsat-9）来制作岩石类型图。
采用的方法基于主成分分析（PCA）进行图像增强，随后使用不同的机器学习和深度学习算法（随机森林、CART、CNN和U-Net）进行分类，这些算法在Google Earth Engine、Google Colab和RStudio平台上实现。
结果表明，由于数据的光谱特性与所用算法之间的相互作用，Landsat-9图像的性能更好。基于Landsat-9的岩石类型分类的Kappa系数为：随机森林为0.98，CART为1，总体准确率分别为0.99和1。对于深度学习算法，Kappa系数分别为CNN的0.50和U-Net的0.75，总体准确率分别为0.72和0.84。
这些结果的比较突显了随机森林和U-Net的特别高性能，使得能够制作出精确且一致的岩石类型图，忠实反映了该地区地质构造的空间分布。这些发现还强调了数据质量和类型以及算法架构在岩石类型分类成功中的重要性。
引言
过去几十年中，空间技术取得了显著进步。某些类型卫星图像的可获取性不断提高，极大地促进了众多领域科学研究的发展。在地质学中，利用遥感技术进行地质测绘可以生成高精度的地图，同时减少了传统野外方法所需的时间和成本（Song等人，2017；Han等人，2018）。它还使得难以通过常规方法到达的地区得以测绘（Pal等人，2007；Adiri等人，2017；Baissa等人，2010；Bentahar等人，2020, 2022；Serbouti等人，2021, 2022）。岩石类型测绘是理解地质过程和评估区域地质动力学的重要工具（Pal等人，2006；2007；Majumdar等人，2012；Rani等人，2018a；2018b；Mondal等人，2019；Ganguli等人，2022）。此外，它在监测和管理自然资源以及指导矿产勘探和土地利用规划方面也发挥着重要作用（Pour & Hashim，2012；Kumar等人，2015；Mondal等人，2022）。
遥感技术的发展，特别是多光谱和高光谱图像的应用，通过在大范围内识别和区分岩石类型单元，彻底改变了这一领域（Rajendran & Nasir，2014；Song等人，2017；Jain & Sharma，2018；Bachri等人，2019；Mondal等人，2021）。然而，结果的质量在很大程度上取决于所使用的分类算法。近年来，机器学习和深度学习技术已成为地质应用中非常有效的工具（Wickramasinghe & Kalutarage，2020；Clark等人，2023；Gao等人，2023；Nagar等人，2024；Polat，2023）。它们在图像分类和语义分割方面证明了其效率，尤其是在复杂环境中。因此，机器学习与深度学习的结合支持了对分类性能的比较评估，并为岩石类型测绘开辟了新的前景（Pal等人，2007；Rani等人，2019；Ge等人，2018；Wickramasinghe & Kalutarage，2020；Nagar等人，2024）。
里奇高阿特拉斯山脉是本研究区域。该地区处于中央高阿特拉斯山脉和东部高阿特拉斯山脉之间的过渡地带，以岩石类型多样性高为特征（Teixell等人，2017；Ouanaimi等人，2018），记录了摩洛哥阿特拉斯山脉带的地质发育历史（Bentahar等人，2025b；Ibouh等人，2014；Moragas等人，2016）。由于研究区域的某些部分难以进入，使用传统方法进行的地质测绘受到限制，这也是现有地图不够完善的原因。本研究利用Sentinel-2A和Landsat-9 OLI卫星数据，结合现代遥感技术和机器学习与深度学习方法进行岩石类型单元的测绘。这种方法为制作更新、更准确的岩石类型图提供了有效的替代方案。
本研究的主要目的是测试和比较机器学习方法（随机森林和CART）和深度学习方法（CNN和U-Net），以生成研究区域的可靠岩石类型图。这些岩石类型图有助于可视化不同岩石类型单元的空间分布，并更好地理解该地区的地质动力学历史。它们还有助于更准确地描述地质构造，这些构造直接影响岩石的渗透性、孔隙度和裂隙密度。这些参数控制着流体的渗透、储存和循环能力，从而为未来的地质研究提供了可靠的数据库。
研究区域
研究区域位于摩洛哥Draa-Tafilalet地区的Rich市西部，属于摩洛哥高阿特拉斯山脉（图1b和图1c）。从岩石类型上看（图1d），该地区主要由侏罗纪碳酸盐岩构成。岩石类型序列始于三叠纪沉积物，标志着阿特拉斯盆地的形成，表现为红色层状岩、蒸发岩和玄武岩（Martín-Martín等人，2017；Teixell等人，2017；Lindstr?m等人，2021）。
数据与方法
在本研究中，使用机器学习和深度学习算法对两种类型的卫星图像（Landsat 9和Sentinel-2）进行了岩石类型单元的测绘。数据处理的工作流程主要步骤总结在图2中。所有处理都是在不同的平台和开发环境中完成的，包括Google Earth Engine、Google Colab和RStudio。
光谱特征
从Sentinel-2和Landsat-9数据中提取的不同岩石类型单元的光谱特征如图4所示。从Sentinel-2图像中得出的结果显示，所有岩石类型在蓝光波段（B2）的反射率都有明显下降，随后在绿光（B3）和红光（B4）波段逐渐增加，然后在近红外波段（B8）出现显著上升。辉长岩（GB）和冲积物（AV）在B8和SWIR波段的反射率最高。
讨论
本研究重点评估了使用两种不同传感器（Sentinel-2和Landsat-9）的各种机器学习和深度学习算法进行岩石类型测绘的效果。初步结果显示，尽管Sentinel-2的空间分辨率较高（10–20米），但在应用深度学习算法（CNN和U-Net）时仍存在较强的光谱混淆。相比之下，Landsat-9图像的性能更好。
结论
本研究利用机器学习和深度学习算法对两种类型的图像（Landsat-9和Sentinel-2）进行岩石类型单元的测绘。机器学习算法得到的分类结果显示，随机森林（RF）对Sentinel-2的Kappa系数为0.99，对Landsat-9的Kappa系数为0.98。分类结果的叠加显示两个数据集之间的对应程度非常高，Kappa值为0.99。对于CART算法，Kappa系数为……
CRediT作者贡献声明
Mohammed Raji：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，监督，调查，概念化。Ilham Bentahar：撰写 – 审稿与编辑，撰写 – 原稿，概念化。Hicham Si Mhamdi：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，监督，调查，数据管理。Ibtissame Bentahar：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，资源准备。
未引用的参考文献
Bentahar等人，2025；Choubert等人，1956；Pal等人，2007；Rani等人，2018c；Systems等人，2022。利益声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
数据可用性
作者确认本研究的所有数据均可无限制地获取。
致谢
作者衷心感谢编辑Damien Delvaux教授和审稿人的宝贵意见、建设性建议和反馈，这些都显著增强了本文的质量。
