《Applied Computing and Geosciences》：Multi-Dimensional Convolutional Neural Network Application to Hyperspectral Reflectance Data: A Complementary Tool for Ore Grade Estimation
编辑推荐：
矿石品位估算研究正从地质统计学方法的应用向人工智能（AI）模型的应用演进。当前正在研究用于矿石品位估算的AI算法之一是卷积神经网络（CNN）。研究人员发现CNN能够实现矿石品位估算，甚至适用于构造控制型矿床；然而，其应用仍需改进，才能更准确地完成这一重要任务。
矿石品位估算研究正从地质统计学方法的应用向人工智能（AI）模型的应用演进。当前正在研究用于矿石品位估算的AI算法之一是卷积神经网络（CNN）。研究人员发现CNN能够实现矿石品位估算，甚至适用于构造控制型矿床；然而，其应用仍需改进，才能更准确地完成这一重要任务。在本研究中，研究人员将CNN用于矿石品位估算的应用扩展到三维CNN（3D CNN），用于钻芯反射光谱的光谱图（spectrogram）表示，而非其更常见的二维（2D）应用。结果表明，3D CNN的性能优于2D CNN，且3D CNN模型对光谱图中可能存在的细微特征更为稳健。该结果的更广泛意义在于，矿石品位估算研究可能受益于采用3D CNN模型。
**论文解读：三维卷积神经网络在高光谱反射数据中用于矿石品位估算的研究**
**研究背景与问题**
矿石品位估算一直是资源地质学的核心任务。早期依赖经典几何方法（如多边形法、三角法、剖面法），这些方法在简单均匀矿床中效果较好，但对脉状等复杂结构矿床误差较大。随后发展的地质统计学方法（如克里金法）通过空间相关性与方向性提高了估算精度，然而，其依赖于品位在矿化带内的空间连续性假设，在具有多构造的复杂矿床中，变差函数分析复杂，导致矿体几何定义错误，估算结果失真。近十年来，人工智能（AI）和机器学习技术因能适应非平稳性并提取非线性空间模式而被引入矿石品位估算领域，相比地质统计学方法，计算时间短且精度更高。其中，卷积神经网络（CNN）已被应用于高光谱数据（如图像、钻芯扫描和反射光谱）以划分矿石、区分废石和估算品位。尽管CNN在反射光谱应用中通过将光谱特征与地球化学数据关联实现了金属品位预测，但现有二维CNN（2D CNN）模型仅从二维光谱图中提取时间和频率平面内的强度信息，难以捕捉幅度维度上的演化特征，导致对细微特征的识别不足，尤其在高品位区存在较大误差。为此，本研究提出将CNN扩展到三维（3D CNN），应用于钻芯反射光谱的三维光谱图表示，旨在提升矿石品位估算的精度，并评估其作为传统地质统计学方法补充工具的潜力。论文发表在《Applied Computing and Geosciences》。
**主要关键技术方法**
研究人员使用了来自南澳大利亚奥林匹克坝（Olympic Dam）铁氧化物-铜-金矿床的七口钻孔（RD2137、RD2153、RD2162、RD2751、RD2773、RD252、RD76）的钻芯高光谱反射数据（VNIR-SWIR 380-2500 nm波段，采用CSIRO Hylogger-3光谱仪以8 mm间隔采集）及相应的金（Au）品位数据（由火试金法测定，1-5 m间隔样品）。数据处理中采用短时傅里叶变换（STFT）将反射光谱转换为二维和三维光谱图（使用Hann窗，窗口大小50，重叠50%），并应用连续统去除（continuum removal）增强吸收特征。通过相关分析（按Au品位四分位绘制光谱）验证光谱特征与品位间的关联。模型方面，训练了DenseNet、ResNet、全卷积网络（FCN）、谱图卷积网络（SGCN）、ResNeXt及标准CNN等多种架构（2D和3D版本），并基于验证集上的平方误差成本函数（SECF）选择最优架构：DenseNet-2D和ResNet-3D，随后在测试集上比较二者的均方根误差（RMSE）。
**研究结果**
**4.1 模型性能（Model Performance）**
通过对代表性测试数据集（原始、归一化及连续谱去除后）的应用，ResNet-3D模型的RMSE均低于DenseNet-2D模型，表明3D CNN在整体性能上优于2D CNN。在按品位四分位划分的数据集上，2D CNN在低品位区间（Q1、Q2，光谱特征明显）表现更好，误差更低；而3D CNN在高品位区间（Q3、Q4，光谱特征细微）表现更优，误差更低。这表明3D CNN对光谱图中的细微特征更为鲁棒，而2D CNN在特征明显时更具优势。时频分析原理解释：三维光谱图允许3D CNN同时提取波长-频率-幅度空间中的空间关系与波长-频率平面中的谱能量，从而捕获更多特征。
**4.2 细微光谱特征与CNN模型性能（Subtle Spectral Features and CNN Model Performance）**
所有CNN模型在高品位区间上的误差均高于低品位区间，反映出CNN整体对细微特征识别存在困难。连续谱去除技术并未降低RMSE，反而增加了估算误差，表明该技术在此任务中无效。研究强调了数据集相关分析的重要性：应在建模前通过相关分析识别光谱中的细微特征，以便采用互补增强技术，避免品位低估或高估。
**总结讨论与结论翻译**
讨论部分指出，3D CNN的优越性源于其能利用三维光谱图中波长、频率和幅度体积内的结构化模式，而2D CNN仅能捕捉波长-频率平面上的强度。归一化处理反而增加了误差，但未归一化模型稳定性有限，需进一步研究归一化技术。研究局限性包括：非归一化光谱图虽性能高但模型稳定性受限；连续谱去除未改善结果，需探索其他特征增强技术。
论文结论翻译如下：在本研究中，研究人员探索了将三维CNN（3D CNN）模型用于从高光谱反射数据（频率域）进行矿石品位估算的应用。结果不仅证明了3D CNN模型可以优于常用的2D CNN模型用于从光谱作为光谱图的矿石品位估算，而且前者对光谱中可能存在的细微特征更为鲁棒。3D CNN能更好地捕获和学习特征中的模式，并将其用于新（或未见）反射数据的预测。本研究还指出了将CNN模型应用于光谱图反射数据估算矿石品位的未来研究方向，包括改进这些3D CNN架构以及试验能够增强光谱中细微特征以便CNN模型捕获的技术。
