蚀变矿物光谱解混深度学习方法研究

高光谱遥感是当前遥感技术领域的热点，其“图谱合一”的技术优势使得定量化遥感技术成为实用化技术。目前卫星、航空和无人机的高光谱技术应用热潮兴起，在地质调查、矿产勘查和环境监测中逐步得到深化应用。地质领域中，利用反射光谱，可以识别40余种矿物，对于追索矿化热液蚀变中心和预测铀成矿有利区、分析热液运移的时空演化等具有重要意义。由于复杂地质场景中矿物的紧致、非线性混合，为精确识别其光谱特征和丰度信息带来了挑战。将深度学习技术引入到高光谱地质分析中，能够从高光谱数据中获得更为关键的信息，具有广阔的应用前景。但在实际的地质应用中，很难获得大量高光谱标签数据来训练深度神经网络。文章提出一种针对有限样本铀矿蚀变矿物光谱数据的深度学习方法，采用稀疏降噪自编码神经网络模型提取矿物端元光谱，结合Hapke物理模型进行光谱数据增强，最后利用稀疏全连接的深度神经网络进行矿物含量的提取。实验室和航空高光谱遥感数据实验结果表明，与传统的方法相比，该方法的矿物定量分析精度更高，填图效果更好，为高光谱矿物填图、地质调查和铀矿地质勘查等应用提供了新的技术支持。