基于深度学习整合钻芯高光谱与地球化学数据以增强钻芯矿物填图

《Applied Computing and Geosciences》：Integration of drill-core hyperspectral and geochemical data by deep learning to enhance drill-core mineral mapping

　　

钻芯矿物填图对矿体建模至关重要，但基于人工地质编录的传统分析方法耗时、主观且易产生偏差。高光谱（HS）成像提供了一种快速、高分辨率且无损的替代方案；然而，HS数据的传统分析仍依赖人工解译，限制了其效率与可靠性。深度学习（DL）的最新进展通过从HS数据中自动提取复杂的空间与光谱特征，消除了人工解译中的偏差，为应对这些挑战提供了途径。本研究将钻芯HS图像数据与地球化学数据（主量元素浓度）与DL方法相集成，以增强钻芯矿物填图。研究旨在：（i）使用DL方法量化钻芯矿物填图中的不确定性，（ii）评估并比较卷积神经网络（CNNs）与循环神经网络（RNNs），特别是长短期记忆（LSTM）模型的性能，以及（iii）开发混合CNN-LSTM模型以增强钻芯矿物填图。结果表明，三种模型（CNN、LSTM、CNN-LSTM）均具有高预测性能和低平均绝对误差（MAE）及不确定性。混合CNN-LSTM模型优于独立模型（CNN、LSTM），具有最低的MAE（0.0321），其次是LSTM模型（MAE = 0.0358）、CNN模型（MAE = 0.0393），以及作为浅层神经网络与深度神经网络进行比较的人工神经网络（ANN）（0.0576）。混合CNN-LSTM模型的改进性能证明了将空间-光谱特征提取与序列依赖建模相结合的优势，而LSTM相对于CNN的相对优势则强调了序列特征的重要性。

## 研究背景与问题

钻芯矿物填图是矿产勘探与矿床评价的关键环节，为理解地下矿化提供重要地质信息。传统基于目视编录的钻芯地质记录方法虽能记录岩性、蚀变相、矿石矿物及构造特征，但存在劳动密集、主观性强且高度依赖个人经验导致偏差等问题。尽管地球化学元素浓度数据常被用作补充钻芯编录的矿化替代指标，但获取此类数据同样劳动密集且常受采样密度限制。过去十年间，高光谱（HS）成像已成为从钻芯中提取矿物学信息的快速无损方法，能在数秒内扫描数米钻芯。然而，HS数据集因高维度和光谱差异敏感性，处理和解释仍具挑战性，使人工分析效率低下且不一致。这些限制促使基于机器学习（ML）的自动化分析技术日益增多，但识别细微矿物类别及标注数据稀缺等问题仍阻碍着这些技术在钻芯中的应用。

深度学习（DL）技术因其从大数据集中自动学习复杂空间、光谱和序列表征的能力，在矿物填图及其他地球科学应用中 lately 受到关注。然而，精确高效的钻芯矿物填图仍面临挑战：DL模型性能常受限于有限且不平衡的标注数据集；矿物与蚀变带之间的光谱相似性可导致误分类；岩性和蚀变模式的差异阻碍模型的可迁移性；DL模型的不可解释性也可能阻碍其在地质决策过程中的应用。HS数据与地球化学数据集提供矿物组成和地球化学变异性的互补信息，其整合为增强钻芯矿物填图提供了有前景的途径。CNN能有效学习复杂的空间-光谱模式，而RNN则擅长捕捉沿深度方向的序列依赖性，这对于表征地质连续性至关重要。

本研究针对上述挑战，试验并评估了基于DL的混合框架，将HS和地球化学数据集相整合。据研究人员所知，虽有先前研究使用传统统计或ML方法整合HS和地球化学数据进行钻芯矿物填图，但尚未见针对此特定任务对CNN、RNN和混合CNN-RNN模型进行比较评估的报道。本研究发表于《Applied Computing and Geosciences》。

## 主要技术方法

研究人员采用的关键技术方法包括：主成分分析（PCA）用于HS数据和地球化学数据的降维处理；中心对数比（CLR）变换处理地球化学数据的组成约束特性；一维卷积神经网络（1D CNN）提取空间-光谱特征；长短期记忆网络（LSTM）建模沿钻芯深度的序列依赖；混合CNN-LSTM架构整合上述两种网络优势；蒙特卡洛（MC）Dropout方法估计认知不确定性；五折交叉验证评估模型泛化能力；以及K近邻（KNN）算法进行矿物关联聚类。样本来源于澳大利亚西部哈默斯利省Rocklea Dome通道铁矿床的33个回转冲击（RKC）钻芯（1311个样本），HS数据包含1276个光谱波段，地球化学数据涵盖10种主量元素。

## 研究结果

**模型性能比较**：通过5折交叉验证和20%独立测试集评估，三种DL模型均表现出高预测精度。混合CNN-LSTM模型整体MAE最低（0.0321），R²最高（0.7367）；LSTM模型次之（MAE=0.0358，R²=0.6838）；CNN模型再次（MAE=0.0393，R²=0.6739）；浅层ANN作为基线模型表现最差（MAE=0.0576，R²=0.6526）。配对t检验显示，除LSTM与CNN-LSTM之间（p=0.5802）外，其余模型间差异均具有统计显著性。

**消融实验**：分别使用HS数据和地球化学数据单独预测时，地球化学数据始终优于HS数据。CNN-LSTM模型使用融合数据时R²从HS数据单独使用的0.3203提升至0.7367，证明多模态数据融合的显著优势。

**不确定性量化**：基于MC Dropout的不确定性估计显示，CNN-LSTM模型整体预测不确定性最低（0.000369），其次是CNN（0.000430），LSTM最高（0.000934）。归一化不确定性呈现相同趋势，表明混合架构产生的预测更为稳定。

**矿物丰度与关联填图**：基于三种模型预测结果生成的矿物丰度图一致显示，Fe氧化物矿物丰度显著高于高岭石、白云母和碳酸盐矿物，与Rocklea Dome已知地质特征相符。矿物关联图通过KNN聚类识别出四类主要矿物组合：Fe氧化物富集区、高岭石富集区及混合成分区，各模型在聚类组成上存在差异但主体模式一致。

## 讨论与研究结论

**模型性能解释**：混合CNN-LSTM模型的优越性能源于其同时利用卷积层进行空间-光谱特征提取和LSTM网络建模沿钻芯序列依赖的能力，能够更完整地表征地质连续性。LSTM优于CNN表明，所研究钻芯中的矿物分布存在显著的深度依赖模式，突出了建模地层和蚀变相关趋势的重要性。消融实验明确显示：地球化学数据单独使用时预测性强于HS数据，而两者融合可获得最佳效果，说明两种数据源提供互补信息——HS数据贡献光谱变异性，地球化学数据提供更直接的矿物丰度组成控制。

**数据整合价值**：HS与地球化学数据的DL整合不仅提高了矿物填图分辨率，还为矿产勘探和资源评价提供了更强有力的工具。生成的矿物丰度图与传统地质认识一致，证明了该方法在再现已知矿物分布方面的可靠性，也意味着该工作流可迁移至勘探不足或数据匮乏区域，生成初步矿物丰度图以指导后续野外验证和勘探目标选择。

**研究局限**：主要局限包括：钻孔数据量和质量可能限制预测代表性；低于检出限数据的插值处理可能未能充分反映底层变异性；模型仅基于Rocklea Dome数据训练验证，可能限制对其他古河道铁矿或地质环境的适用性；随机分割数据集可能因钻芯空间自相关导致数据泄漏。未来研究需考虑钻孔级别分割以更准确评估模型泛化能力。

**研究结论**：为增强矿物填图，本研究将钻芯HS与地球化学数据通过DL模型进行整合，使用CNN、LSTM和混合CNN-LSTM模型预测矿物丰度并量化不确定性。虽然所有模型均表现良好，但混合CNN-LSTM模型优于独立模型（MAE=0.0321），其次是LSTM（0.0358）、CNN（0.0393）和ANN（0.0576）。混合模型的改进性能证明了空间-光谱特征与序列建模相结合的优势，同时结果也突出了钻芯数据中序列信息的重要性。模型生成的矿物丰度图显示Fe氧化物矿物占主导，与Rocklea Dome作为古河道铁矿的地球化学解释一致。实践上，研究结果展示了基于DL的HS与地球化学数据整合如何增强传统钻芯分析方法，降低对劳动密集型化验的依赖，并提供快速、经济的矿物学认识。研究建议通过扩展不同地质环境的数据集以增强模型稳健性，并探索transformers、图神经网络和注意力机制等先进DL架构以提高精度和量化不确定性。总体而言，混合DL模型是促进勘探决策和基于钻芯矿物填图的有效框架。但需注意，所有模型均仅基于Rocklea Dome矿床数据训练验证，所述性能反映了该研究区域特定的地质特征、数据分布和矿化模式，其适用性不能 assumed 直至获得额外验证。未来研究应聚焦于在具有不同地质属性的多种矿床中验证模型的稳健性，以确定可迁移性并构建更普适的矿产勘探预测框架。