基于遥感高光谱数据的人工智能地质填图与矿产预测: 现状、挑战与展望

王桂安 ,  殷宗耀 ,  余先川

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (1) :1-20

PDF (5116KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (1) :1-20 DOI: 10.12404/j.issn.1671-1815.2503238
热点述评

基于遥感高光谱数据的人工智能地质填图与矿产预测: 现状、挑战与展望

作者信息 +

Artificial Intelligence Geological Mapping and Mineral Prediction Based on Remote Sensing Hyperspectral Data: Current Situation, Challenges and Prospects

Author information +
文章历史 +

摘要

高光谱遥感技术通过纳米级光谱解析能力为地质填图与矿产预测开辟了新维度,其与人工智能的深度融合正推动矿产资源勘查向智能化转型。系统梳理了该领域研究进展,包括高光谱遥感数据在地质填图和矿产预测任务上的优势,梳理了机器学习方法/深度学习方法应用于高光谱地质填图和矿产预测的前沿及方法比较,阐释了不同训练策略的使用情况,同时介绍了高光谱其他典型任务的先进方法,最后对人工智能方法应用于高光谱地质填图和矿产预测进行了问题总结及展望。研究结果从创新方法、学习策略和应用范式3个维度梳理了智能化矿产勘查的理论框架,为高光谱遥感与新一代人工智能技术的学科交叉发展提供方向指引。

Abstract

New dimensions for geological mapping and mineral prediction have been opened by hyperspectral remote sensing endowed with nanometer-level spectral resolution, and the intelligent transformation of mineral resource exploration has been driven by its deep integration with artificial intelligence (AI). Research advances in this field were systematically reviewed, including the advantages of hyperspectral data for geological mapping and mineral prediction, state-of-the-art machine-learning and deep-learning approaches with comparative analyses, application scenarios of different training strategies, and advanced methods for other typical hyperspectral tasks. Existing challenges were summarized and future prospects for AI-driven hyperspectral geological mapping and mineral resource prediction were outlined. From three perspectives of innovative methodologies, learning strategies, and application paradigms, a theoretical framework for intelligent mineral-resource exploration was constructed, and directional guidance was provided for the interdisciplinary development of hyperspectral remote sensing and next-generation AI technologies.

Graphical abstract

关键词

高光谱遥感 / 机器学习 / 深度学习 / 地质填图 / 矿产资源预测

Key words

hyperspectral remote sensing / machine learning / deep learning / geological mapping / mineral resources prediction

引用本文

引用格式 ▾
王桂安, 殷宗耀, 余先川. 基于遥感高光谱数据的人工智能地质填图与矿产预测: 现状、挑战与展望[J]. 科学技术与工程, 2026, 26(1): 1-20 DOI:10.12404/j.issn.1671-1815.2503238
WANG Gui-an, YIN Zong-yao, YU Xian-chuan. Artificial Intelligence Geological Mapping and Mineral Prediction Based on Remote Sensing Hyperspectral Data: Current Situation, Challenges and Prospects[J]. Science Technology and Engineering, 2026, 26(1): 1-20 DOI:10.12404/j.issn.1671-1815.2503238

登录浏览全文

4963

注册一个新账户 忘记密码

地质填图与矿产预测是地质勘查领域中的两个核心任务,准确、高效地识别矿物与岩石并评估矿产资源储量,具有重要的经济与社会意义。传统的现场勘查和实验室测量方法通常存在耗时长、成本高的问题,而且难以实现大尺度区域的覆盖。遥感技术凭借其广泛的探测能力、非破坏性检测特点,逐渐成为矿产预测与矿物填图的理想选择[1]。
随着遥感技术的快速发展,高光谱遥感图像(hyperspectral image,HSI)在矿物资源调查与矿产预测领域展现出了巨大的应用潜力。高光谱遥感图像通过亚纳米级光谱分辨率提供连续的光谱采样,可解析晶体场分裂、电荷转移及振动跃迁等量子效应产生的诊断性吸收特征,使蚀变矿物识别精度突破亚像元级(<30 m),从而有效识别那些传统方法难以区分的矿物和岩石类型[2-3]。
高光谱技术突破传统方法分辨率限制的同时,也带来了海量数据处理的难题。大数据时代的到来使遥感数据量呈爆炸性增长,这带来了数据处理和特征提取方面的挑战,但同时也为利用机器学习和深度学习实现矿物填图和矿产预测的自动化、智能化提供了前所未有的机遇。由于机器学习与深度学习在特征提取、分类与预测方面的优势,这些技术逐渐成为矿物填图和矿产预测中的重要工具。
近三年来,国际上围绕“从统计学习到深度表征、从单一证据到多模态融合、从准确性到可解释与可复制”的趋势加速演进。
在方法层面,Transformer通过自注意力捕捉全局依赖,结合跨层融合与超像素/金字塔等改进,在HSI分类与语义表达方面持续刷新性能[4-8];自监督预训练(如S3L)显著缓解标注稀缺带来的性能瓶颈并增强跨域迁移能力[9]。从卷积神经网络(convolutional neural network,CNN)到三维卷积神经网络(3D convolutional neural network,3D-CNN),空-谱联合建模与三维前景建模上优势突出[10-14];图神经网络(graph neural network,GNN)以图结构建模非欧空间关系,提升连通性表达与区域一致性,并与地质知识图谱结合改善可解释性[15-20];生成对抗网络(generative adversarial network,GAN)与对比学习在数据增强与小样本学习中发挥重要作用[21-26]。新兴的Mamba以O(N)复杂度兼顾长序列建模与少样本适配,为200+波段的HSI提供高效替代方案[27-30];从大语言模型(large language model,LLM)到多模态大语言模型(multimodal large language model,MLLM),MLLM在地学任务中展现出“多图像推理+知识增强”的潜力,为自动化解析与人机协同提供新范式[31-34]。
在策略层面,自监督/半监督/弱监督与对比学习体系日趋完善,面向标注不足、样本不均衡与域移问题形成有机补充[35-40];迁移学习与多源数据融合降低了场景差异带来的泛化风险[41-55]。
在工程层面,云计算与异构并行为海量HSI处理与在线制图提供算力保障,推动从算法走向平台化部署[56-63]。同时,国际关键矿产潜力评价方法正迈向“知识约束的机器学习/深度学习”与“可解释、可复制”的工程化框架[64]。
在中国,高光谱+AI的工程化闭环快速成熟:以ASTER/国产高光谱及多源遥感为底座,主成分分析-改进Crosta方法(principal components analysis-improved Crosta technique,PCA/iCrosta)增强、MNF-PPI-MTMF端元识别与丰度评估、匹配滤波与决策级融合等流程,在玉龙斑岩铜矿带等关键区实现大范围蚀变-靶区快速圈定与验证[65-66];区域-深部成矿预测由二维表征转向隐伏/深部三维前景建模,3D-CNN与空间注意力机制显著提升隐伏矿化识别与三维连续性刻画[32];荆林海等[67]根据斑岩铜矿的面状蚀变特征和蚀变带内含水蚀变矿物组合,结合班怒成矿带中典型斑岩铜矿的成矿模式和勘查模型,从哨兵2A、ASTER和高分5号高光谱数据遥感图像中提取了与斑岩铜矿密切相关的围岩蚀变信息,将羌塘南缘斑岩成矿带向中东段延伸了约600 km;面向特定矿种(如碱交代型铀矿),航空高光谱在复杂地貌区的识别能力得到验证[68]。此外,深度网络对土壤地球化学异常的自动识别,强化了遥感-地化证据的互证关系[44]。
尽管进展显著,仍存在4类短板:①休斯现象与样本稀缺引发的过/欠拟合;②多源异构融合中的尺度/响应差异与误差传递;③深度模型的可解释性与工程可复制性不足;④端到端流程的轻量化与边缘部署瓶颈[49-55]。针对这些痛点,本文研究的必要性与创新性如下。
(1)必要性:在“方法多-策略杂-场景散”的背景下,迫切需要一个围绕HSI找矿的“方法-策略-范式”统一框架,以打通算法前沿与工程闭环,提升可解释性与可复制性,服务中国关键矿产找矿的规模化应用[66-67]。
(2)创新性:①系统梳理深度学习(CNN/3D-CNN、transformer、GNN、GAN)、Mamba与LLM在HSI中的最新进展与差异化适用性;②从自监督/半监督/弱监督/对比学习、数据增强与迁移等训练策略维度,构建缓解小样本与域移的组合拳;③面向中国工程化实践,总结“遥感-地质-地化”证据链闭环与多源融合的可解释、可复制范式,并以玉龙带、龙头山、査亭等典型实例加以验证[14,44,65-67]。
(3)提出“创新方法-学习策略-应用范式”的三位一体理论框架,凝练工程化闭环中的关键环节,并展望轻量化部署、知识增强与标准化数据采集/质控等未来方向。
综上,高光谱+AI正驱动中国地质填图与矿产预测迈向“高精度-高可信-高可用”的新阶段。通过统一的框架与工程化验证,能够在复杂地质场景下实现稳定、可复制的找矿能力提升[4]。

1 光谱遥感数据及其技术优势

高光谱遥感技术的核心价值在于其独特的数据获取机制与信息解析能力,其特征、优势及预处理方法共同构成高光谱驱动智能化矿产预测的数据基石与技术前提。

1.1 高光谱遥感数据的基本特征

高光谱遥感数据通过亚/纳米级光谱分辨率(光谱分辨率<1 nm,通常5~10 nm),获取目标物体在可见光至短波红外(400~2 500 nm)范围内数百个连续光谱波段的反射率信息,形成空间-光谱融合的三维数据立方体。这一图谱合一特性源于物质分子振动、电子跃迁等量子效应在特定波长形成的诊断性吸收特征[69]。

此外,尽管存在相邻波段高相关性和噪声干扰(信噪比通常<30 dB),HSI通过连续波段的光谱特征匹配,仍能在混合像元中解析矿物晶体场分裂(如Fe2+在900 nm的吸收峰)与羟基振动(2 200 nm)等亚像元级差异,这为利用HSI实现地质填图和矿产预测提供了可能。

1.2 高光谱遥感数据的优势

(1)丰富的光谱信息:HSI通常包含上百个甚至上千个光谱波段,这使得每个像元中蕴含了矿物晶体场效应、电子跃迁等关键信息。例如,在短波红外(shortwave infrared,SWIR)波段(2 000~2 500 nm),层状硅酸盐矿物(如绿泥石、绢云母)因Al—OH、Mg—OH键的分子振动产生2 200~2 400 nm特征吸收谷,这些光谱特征与矿物的化学成分(如Fe2+/Mg2+)密切相关。这类特性使得HSI在矿物填图中能够精确捕捉不同矿物的独特吸收峰和反射特征,从而进行更精细的定性和定量分析。

(2)大范围快速数据获取:随着卫星、飞机和无人机平台技术的快速发展,高光谱遥感技术能够在短时间内覆盖大面积区域并获取高分辨率数据,这对于矿区的初步调查和大范围勘查具有重要意义,显著降低了人工现场勘查的工作量和成本[70]。

(3)非接触式高效监测:传统矿物分析依赖现场采样和实验室化验,而HSI具有非接触式数据获取的优势。这不仅提高了数据采集的效率,还使得在恶劣或难以到达区域进行高效探测成为可能。

上述优势已在中国多个场景得到验证,如安徽査亭地区基于3D-CNN的隐伏矿化三维建模[14]、龙头山矿区ASTER与GF-5融合蚀变填图[65],以及甘肃大桥金矿土壤地球化学的深度网络异常识别[44]。在工程应用层面,ASTER与航空高光谱在中国矿区的蚀变矿物识别与岩性/岩相制图中已形成较为成熟的流程:以PCA/iCrosta增强、MNF-PPI-MTMF端元识别与丰度评估为核心,实现由矿物诊断到靶区优选的流程化作业[66-70],均体现了HSI+AI在找矿中的可行性与应用效果。

1.3 数据预处理

由于大气散射效应(如瑞利散射)和传感器噪声会降低信噪比(SNR<30 dB),预处理和特征提取工作显得尤为重要。研究中常采用的预处理方法包括大气校正、几何校正以及噪声去除等,同时利用数学形态学、主成分分析(principal component analysis,PCA)以及线性判别分析(linear discriminant analysis,LDA)等技术对数据进行降维和特征提取,从而提高后续分类与识别的准确性和效率[71-72],表1中列举了HSI的预处理方法、说明及应用场景。

2 高光谱矿物填图与矿产预测中的机器学习方法

通过大气校正、几何校正和噪声去除等预处理,HSI可以为地物目标提供更丰富、更精细的光谱信息。然而,其高维数据问题、标注样本稀缺以及光谱与空间信息复杂耦合等问题,长期以来一直制约着矿产预测的性能。早期方法多采用统计学习和基于像元光谱的分类方法,如支持向量机(support vector machines,SVM)、随机森林(random forest,RF)等,这些方法的主要优势在于较低的计算需求和较高的实时性。研究表明,SVM和RF等算法在矿物映射中表现出色,尤其是在处理复杂的地质数据时[73-75]。

2.1 支持向量机

SVM作为一种基于统计学习理论的有监督分类方法,已被广泛应用于HSI的矿物分类,其核心思想是通过寻找最优分类超平面,最大化不同类别样本的间隔,从而实现高精度分类,过程如图1(a)所示。SVM能够有效应对高维数据环境,通过选取合适的核函数(如线性核、径向基函数核、多项式核)处理非线性问题。例如,在HyMap高光谱数据的研究中,不同核函数的SVM模型被评估,其中线性核(LK-SVM)与多项式核在某些矿物映射任务中表现出较好的准确率,其映射结果稳定且训练过程相对高效。

2.2 随机森林

随机森林(RF)是一种基于决策树集成的算法,通过构建多棵决策树并采用群体投票机制提升分类或回归的准确性,其分类过程如图1(b)所示。RF基于双重随机性构建决策树群:①数据随机性(Bootstrap抽样,约63.2%样本参与单棵树训练,剩余36.8%袋外数据用于误差评估);②特征随机性[节点分裂时随机选择$\sqrt{M}$个候选特征(M为总波段数)], 通过集成投票机制抑制单棵决策树的过拟合风险。RF方法在HSI处理中具有较强的抗噪声能力和鲁棒性,通过基尼指数评估波段重要性,可自动剔除冗余特征(如大气吸收波段1 400 nm、1 900 nm)[76]。在多项研究中,RF方法被用于矿物填图和地质异常预测,并与SVM进行了对比,结果显示RF在某些复杂地质条件下能够提供较为优异的分类精度,但整体上在特征学习能力和模型泛化性上尚不及深度学习方法[77-78]。

2.3 K近邻方法

K近邻方法(K-nearest neighbors,KNN)作为一种基于距离度量的简单分类器,其核心思想是:相似样本在特征空间中邻近,通过计算目标样本与训练集的邻近性进行预测,该过程如图1(c)所示。一般使用欧氏距离(直线距离)、曼哈顿距离(网格路径距离)或余弦相似度衡量样本间距离。尽管KNN方法计算简单且易于实现,但其在高维数据中的性能容易受“维数灾难”影响,且需大量储存训练样本,因此在实际应用中往往需要结合降维技术来提升效率。同时KNN方法对样本不平衡敏感,多数类易主导投票结果,如矿化区样本占比不足1%时可能漏报异常。

2.4 极端梯度提升方法

极端梯度提升方法(extreme gradient boosting,XGBoost)是一种基于梯度提升决策树(gradient boosting decision tree,GBDT)的优化集成学习算法,其核心目标是通过迭代构建弱学习器(决策树)并加权组合,逐步优化预测结果,该过程如图1(d)所示。

XGBoost方法在矿物填图领域中已经被广泛应用,部分研究利用两层XGBoost模型结合贪婪算法进行矿物分类,其评价指标超过SVM、RF等其他机器学习模型,表明该方法在小样本、高维数据学习方面具有良好的表现。

2.5 传统方法小结

传统机器学习方法在矿物填图中具有模型解释性较强、计算资源占用低的优点。面向隐伏与深部成矿场景,综合信息技术将遥感-地质-地化-构造等多模态因子统一于传统机器学习框架,可有效提升区域-深部靶区优选的可操作性与准确性,基于综合信息的深部成矿预测与靶区评价展示了方法在复杂背景下的可复用性[69]。但其特征提取通常依赖人工设计,对于高维数据中的光谱冗余和混合像元问题处理能力有限,同时在应对复杂非线性关系时存在一定局限性。因此,在大规模矿区或复杂地质环境下,传统方法已逐渐显现出不足之处,为深度学习方法的引入提供了契机。

3 高光谱矿物填图与矿产预测中的深度学习方法

深度学习方法的引入使得自动特征提取成为可能,研究者们逐步探索了将卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)、Transformer和Mamba等网络架构用于HSI特征提取策略,并在近些年来已经成为主流。多项研究表明,深度学习模型在矿物/矿产预测中的表现优于传统方法[79-81]。

3.1 卷积神经网络在高光谱图像分类中的应用

CNN是深度学习中最早应用于图像分析的方法,结构如图2所示,通过局部卷积核提取图像局部分布特征,已被广泛用于HSI分类任务,部分研究发现,CNN结合HSI可以提供高达95%的分类准确率[82]。传统的一维CNN主要用于光谱特征的提取,但往往忽略了空间信息[83];二维CNN主要关注空间纹理,但难以表达完整的光谱序列信息[84];同时,未经改进的CNN对于HSI的特征提取能力仍有较大不足。因此,研究者们尝试了多种对于CNN的改进方法。

3.1.1 改进的卷积神经网络结构

为了进一步提升HSI的分类精度和鲁棒性,研究者提出了多种CNN改进思路。

(1)注意力机制融合:如SSFCN、SSRN在卷积层中嵌入注意力模块,有效捕捉关键光谱与空间信息[85]。在CNN中引入通道注意力机制可以增强关键通道特征的提取能力,提高预测精度和地质泛化能力。

(2)多尺度特征融合:通过引入多尺度卷积核与金字塔结构,实现对不同尺度特征的联合表达,从而提高分类的精确度。

(3)特征融合与跨层传播:通过跨层跳连结构(如ResNet结构)改善梯度传递,确保深层特征信息不被丢失,这对于HSI中复杂非线性关系的学习尤为重要[5]。

(4)卷积神经网络的集成学习:通过集成学习结合卷积神经网络和自注意力机制,提升矿物预测的稳定性和准确性[86]。卷积自动编码器网络与随机森林的结合可以有效减少特征冗余,提高预测性能,在金矿预测中表现出色[87]。

(5)全卷积网络:早期的CNN方法往往依赖于图像块方式,即对HSI进行切块处理,利用局部区域信息进行分类。然而,由于切块方法可能会忽略全局信息,部分改进工作逐步引入全卷积网络(fully convolutional networks,FCN)与跳连机制,以增强特征表达[88]。

3.1.2 三维卷积神经网络及其变体

三维卷积神经网络(3D-CNN)直接对HSI进行三维卷积操作,可以同时提取空间和光谱信息,3D-CNN在处理三维成矿远景建模中表现优异,能够有效提取空间分布特征,提高预测准确性[10-13]。在处理深部和隐蔽矿化的三维成矿远景建模任务中,能够更好地捕捉3D预测图与多种矿床类型之间的相关性[14]。尽管3D-CNN在分类精度上表现优异,但其高计算复杂性仍是一个主要挑战,轻量级网络模型设计十分重要,如Gabor调制的分组可分离卷积网络(group separable convolution,GSC)通过减少参数数量和引入先验信息,降低了训练成本和内存开销[89]。

3.2 Transformer模型及其变体

Transformer[90]最初在自然语言处理领域取得巨大成功,其自注意力机制使得网络能够捕捉全局信息,在图像分类中也展现出越来越显著的效果。

对于HSI来说,由于其每个像元包含连续的光谱序列,Transformer方法特别适合于学习序列间的全局依赖关系,Transformer结构如图3所示。目前,SpectralFormer[5]、HyperSFormer[6]和Spectral Swin Transformer[4]等方法已被提出,基于Transformer的HSI分类已经成为焦点。

3.2.1 Transformer变体的结构特点

SpectralFormer 主要通过构造光谱局部序列嵌入(group-wise spectral embedding,GSE)和跨层适应性融合(cross-layer adaptive fusion, CAF),捕捉邻近光谱带之间的局部依赖关系。其主要优势在于:①充分利用自注意力机制捕捉全局光谱信息;②通过跨层跳连传递浅层细节,增强网络鲁棒性;③灵活支持像素级和块级输入,提高抗噪性能。

HyperSFormer则结合了Transformer和传统语义分割方法的优势,通过改进Swin Transformer[7]及SegFormer[8]架构,利用超像素嵌入模块和转置填充上采样模块实现了更精细的光谱和局部空间特征提取,该方法在复杂农业场景下表现优异,分类精度较现有方法提升至少2.7%。

3.2.2 动态特征增强与预训练策略

使用Transformer方法时,由于HSI标注稀缺,预训练和自监督学习策略显得尤为重要。S3L[9]采用遮罩机制结合光谱Transformer进行预训练,再进行有监督微调,从而在有限标注条件下学习到更鲁棒的特征表示。该策略不仅取得高分类精度,而且展示了较好的迁移能力,适用于多区域和多数据集场景。

3.2.3 Transformer方法总结

Transformer模型在矿产预测中展现了巨大的潜力,通过结合其他机器学习技术和数据源,可以进一步提升预测的准确性和效率。需要强调的是,Transformer方法的流程价值在于与遥感证据链的紧密衔接:以班公湖—怒江成矿带中西段为例,遥感面状蚀变与矿化分带的多尺度提取结合多源地质验证,不仅显著提高了筛查效率,也扩展了潜在成矿带的边界认知,为Transformer模型提供了高质量的训练与验证样本[67]。但Transformer的复杂性和可解释性仍需进一步研究,以便更好地应用于实际矿产勘探场景中[91]。

3.3 循环神经网络

循环神经网络(recurrent neural network,RNN)特别适合处理序列数据,其记忆机制能够捕捉时间或序列中的动态依赖关系。在HSI中,每个像元的光谱数据本质上是一段序列,传统的向量化处理方法往往忽略这一信息。RNN系列模型(如GRU、LSTM)首次引入时便显示出比传统手工提取方法更强的序列建模能力。传统的RNN单元(如LSTM和GRU)在学习复杂几何结构方面存在挑战。为此,几何感知深度RNN(Geo-DRNN)[69]通过引入Net-Gated GRU来增强非线性表示能力,从而更好地描述复杂几何结构。在HSI分类中,RNN模型被用于消除相邻光谱带之间的冗余信息,并从非相邻光谱带中学习互补信息,Hang等[92]通过级联RNN模型来提高特征的判别能力,并结合卷积层以利用丰富的空间信息。

St-SS-pGRU模型[93]结合了空间特征提取与光谱序列建模,通过引入并行GRU结构,不仅减少了传统RNN存在的梯度消失问题,同时显著缩短了训练时间。实验结果显示,该模型在多个数据集上均取得了较传统RNN更高的分类精度,表现出更高的鲁棒性和计算效率。LSS-RNN和其改进版本NLSS-RNN[94]通过融合局部空间纹理与光谱序列信息,实现了高效特征提取与分类。该方法首先利用Gabor滤波和差分形态谱(differential morphological profile,DMP)提取低级特征,然后送入RNN进行序列建模,从而获得高层语义特征。

3.4 自注意力机制

传统CNN架构虽然在特征提取方面表现优越,但对长距离依赖关系和全局关联信息的捕捉能力仍有局限。为此,自注意力机制(self-attention mechanism,SAM)被引入HSI处理中,SAM能够捕捉不同证据层之间的内部关系,通过建模像元之间的全局关系,提升了模型对复杂矿物混合状态的区分能力[95-97]。

通过组合学习将CNN与SAM结合,可以充分利用不同模型的优势,提取深层矿化关系,提高预测的科学性和稳定性[98]。在三维成矿远景建模中,卷积块注意模块(convolutional block attention module,CBAM)被用于增强模型捕捉空间相似性的能力,结合深度适应网络,在深层矿化预测中表现出色,显著提高了预测精度[99]。

3.5 图神经网络

图神经网络(graph neural network,GNN)作为处理非欧几里得空间数据的深度学习框架,通过图结构中的节点(表征像素或地质单元)和边(表征空间关联性)实现信息传递(图4)。这一特性使其在HSI地质解析中展现出独特优势。

在地质领域,地质单元或矿物分布通常呈现出空间关联性,GNN通过节点(代表像素或区域)之间的边(表示空间关系)来捕捉这些空间依赖性,这使得GNN在HSI处理中的应用变得尤为重要。GNN能够有效捕捉矿化信息及其与勘探信息间的空间关系,表现出比传统CNN更好的预测能力[15],可以有效利用地物之间的空间联系,将HSI构建成图结构,再通过图卷积(graph convolutional networks,GCN)或图注意力(graph attention networks,GAT)等学习节点间的关系,使得矿物填图在空间连通性和区域一致性上得到改善,尤其在处理空间关联和非线性关系时表现优异。

在复杂地质关系区域,结合SAM的GCN模型在矿产预测中表现优异[16]。通过3D-CNN和GAT的多特征融合,可以在有限样本条件下提高分类性能[17]。GNN能够捕获像素点之间的非欧几里得空间关系,充分利用HSI中物质之间的相似性与差异性[18],可将HSI与其他数据源(如激光雷达、地理信息等)联合建图,充分融合多源信息,提高整体预测的精准度[19],与传统CNN相比,GNN在提取全局及局部关联信息方面更为灵活,有利于解决由于HSI中存在高维、多噪声的问题,传统的深度学习方法通常依赖大量训练数据,但在实际矿产预测中正样本往往稀缺,且模型的解释性较差。为此,Yan等[20]引入了地质知识图谱,通过将地质图的点、线以及面信息转换为图像图结构,再将其与HSI进行融合,从而约束模型预测,提高结果的地质可解释性与准确性。

3.6 生成对抗网络

生成对抗网络(generative adversarial network,GAN)由于其生成高质量样本的能力,在HSI领域得到了探索性的应用,其利用生成器生成和真实样本一致分布的伪样本,同时利用判别器对真假样本进行判别,直至最后判别器无法识别真假样本,该过程如图5所示。GAN可以用于数据增强,解决因标注样本稀缺而导致的模型过拟合问题,同时还能通过生成合成数据来扩充训练集,提高分类的泛化能力,通过生成与真实数据相似的样本,可以提升深度学习在稀土元素矿床预测和地物分类中的表现[21-23]。LE-GAN模型[24]通过将生成的光谱-空间特征映射到潜在空间,改善了HSI的超分辨率质量,增强了光谱和空间细节的捕捉能力。

3.7 Mamba模型

Mamba(图6)作为新一代状态空间模型(state space model),在高光谱矿物识别中展现出三大革命性优势:①长序列建模能力:通过选择性状态空间(selective state space models,SSSM)机制,可以有效处理HSI的200+波段的超长序列依赖关系;②线性计算复杂度:采用硬件感知的状态扩展算法,使计算复杂度保持O(N);③小样本适应能力:通过动态参数共享机制,在少量标注样本条件下,仍能保持较高的分类精度。近些年来,基于Mamba的HSI分类工作被广泛提出。

(1)SpiralMamba模型:通过螺旋扫描嵌入模块和高斯掩模加权模块,SpiralMamba在HSI分类中提高了特征的可分类性,并减少了模型参数和计算需求,适合样本有限的情况[27]。

(2)DBMamba模型:结合双向Mamba和双分支特征提取,DBMamba在HSI分类中有效捕捉全局上下文信息,提升了分类性能[28]。

(3)AFA-Mamba模型:通过全局-局部Mamba设计和自适应特征对齐模块,AFA-Mamba在HSI和雷达(light detection and ranging,LiDAR)数据的联合分类中表现出色,能够准确进行地物分类[29]。

(4)WaveMamba模型:结合小波变换和空间-光谱Mamba架构,WaveMamba在HSI分类中提升了局部纹理模式和全局上下文关系的捕捉能力[30]。

Mamba模型及其变体在HSI分类中展现了强大的特征提取和分类能力,特别是在矿产预测和地质填图中具有广泛的应用潜力。通过结合不同的技术和模块,这些模型能够有效地处理HSI的复杂性和高维特性,为地质和矿产领域的研究提供了有力支持。

3.8 大语言模型的应用

大语言模型(large language models,LLM)在GIS中的应用主要体现在通过自然语言处理技术来简化地理空间分析。ChatGeoAI框架[31]利用Llama 2模型,将自然语言查询转化为可执行的地理空间分析代码,使非专业用户能够在不具备深厚地理空间编程知识的情况下使用GIS技术。此外,BB-GeoGPT[32]通过在GIS领域的特定知识上进行训练,显著提高了模型在地理信息科学任务中的表现。

在遥感矿产勘探中,MineAgent框架[33]通过多模态大语言模型(multimodal large language models,MLLMs)来改进多图像推理和空间-光谱集成,解决了领域特定地质知识的局限性和多图像推理的困难。这一框架展示了在使用地质和HSI进行矿产勘探任务中的潜力。

在地质命名实体识别(geological named entity recognition,GeoNER)任务中,CnGeoPLM模型[34]通过结合中文地质语料库(GeoCorpus)和BERT模型,显著提高了地质命名实体识别和关系抽取的效果。这一进展表明,特定领域的预训练语言模型在地质自然语言处理任务中具有更强的表现能力。

大语言模型在地质填图中的应用展示了其在简化复杂地质任务、提高分析效率和准确性方面的潜力,同时为地质知识和找矿知识的理解提供了强有力的工具。尽管在处理领域特定任务时仍面临一些挑战,但随着技术的不断进步,大语言模型有望在地质科学中发挥更大的作用。

3.9 传统方法与深度学习方法的比较

传统HSI分类方法通常依赖于手工设计的特征和统计模型,这些方法在一定程度上可用于降维与特征提取,但在处理非线性和复杂背景下,准确性和泛化能力都较弱[100]。而深度学习方法则具备自动特征学习和大规模数据拟合的能力,能够捕捉高维数据的潜在结构和深层语义信息。表2总结了部分深度学习方法与传统方法在HSI分类任务中的主要差异,数据表明,各类方法在设计思路、特征提取与分类机制上存在显著差异,而实验结果常常取决于所用数据集的规模、类别数量以及数据采集标准是否一致。

3.9.1 模型训练与计算资源需求

传统机器学习方法通常训练时间短、参数较少,适用于样本数量有限的情况。然而,在HSI中存在大规模、多维度数据时,这类方法往往需要预先降维,并且在特征提取上依赖设计好的规则。而深度学习方法虽然在数据预处理环节能自动实现特征学习,但其训练过程中需要大量计算资源和长时间训练,同时也更依赖于大规模、高质量的标注数据。

3.9.2 模型泛化能力与解释性

传统方法由于模型结构较为简单,具有较好的解释性,能够较为直观地揭示特征与输出之间的联系;而深度学习方法则以强大的非线性表达能力实现高精度预测,但其“黑箱”特性使得模型结果的解释性成为一个亟待解决的问题。当前已有部分研究尝试通过引入注意力机制来解释模型预测过程,或者利用梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)来进行可视化分析,这些进展为提高深度模型的可解释性提供了新的思路[95]。

3.9.3 机器学习的优势

(1)传统方法的增强:机器学习方法在矿产勘查中被广泛应用于地理信息系统(geographic information system,GIS)基础上的矿产预测建模,能够有效处理遥感数据和地质特征映射[101-102]。

(2)噪声控制能力:机器学习方法在处理遥感数据时表现出色,能够在噪声和不确定性中提取有用信息,适用于多种矿床类型的检测[103]。

(3)优秀的可解释性:机器学习方法的特征大多需要手动设计,因此可以比较直观地揭示特征与结果的高相关,拥有良好的可解释性。

3.9.4 深度学习的优势

(1)准确性和效率:深度学习模型在矿产预测中表现出色,通常优于传统的统计和软计算方法。这些模型能够更准确地捕捉数据中的非线性关系和复杂的地质特征[104-106]。

(2)地质特征捕捉:CNN等深度学习技术能够有效捕捉地质数据中的不连续性、断层和域边界等特征,显示出比传统克里金法更高的潜力。

(3)多类别预测:改进的深度神经网络(如Geo-Rnet[107])在多类别矿产预测中表现出高准确性,能够有效识别矿化区域。

(4)自动化与效率:深度学习在矿物识别和计数的自动化中表现突出,能够显著提高时间效率和降低成本[108]。

(5)复杂数据处理:深度学习特别适合处理复杂的传感器系统数据,用于矿产加工自动化[109]和钻芯图像分析[110]。

3.9.5 深度学习的挑战

尽管深度学习在矿产预测中展现了强大的潜力,但仍面临一些挑战,如样本不平衡、数据预处理和系统参数调整等问题[111-112]。

(1)数据需求:深度学习模型通常需要大量的标记数据进行训练,这在矿产预测中可能是一个限制因素,因为矿床标记数据稀少。

(2)解释性和复杂性:尽管深度学习模型在预测性能上表现优异,但其复杂性和解释性较差,可能影响其在复杂问题中的应用[113]。

4 不同训练策略的对比

自监督、半监督、弱监督及对比学习方法等为克服HSI标注不足提供了新思路,为新兴方法的发展奠定了基础[35]。同时,数据增强和多模态特征提取同样可以提升HSI分类的准确率和鲁棒性。

4.1 自监督学习

由于HSI标注工作耗时且容易出错,自监督学习成为解决标注稀缺问题的一种有效方式。通过利用大量无标签数据生成伪标签或构造对比任务,自监督方法能自动学习到丰厚的特征表达。例如,ES2FL[36]通过集成自监督特征学习与视图级融合策略,实现了在样本较少条件下的高精度分类;S3L[9]则采用遮罩机制使Transformer模型在自监督预训练阶段学习到更优的光谱表示。

4.2 半监督学习

半监督学习方法结合了少量标注数据与大量无标签数据的信息,通过自训练和伪标签生成等技术,有效提升了HSI分类的性能[37]。例如,Spatial-Regulated Self-Training[38]通过引入空间约束重新分配伪标签,保证分类区域内的标签一致性,从而在小样本条件下取得更好的分类效果。在天山地区的研究中,HSGAN对HSI进行分类[39],仅需少量标记数据即可实现优于传统CNN和SVM的效果。

4.3 弱监督学习

弱监督方法特别适用于标注成本高昂或专业标记数据稀缺的矿产勘探场景,其核心优势在于仅需少量粗粒度标签(如矿区边界框或单像素标记)即可通过潜在空间异常检测和对抗生成机制实现矿物识别。这种“以小博大”的特性使其成为深部隐伏矿体预测和大区域扫面勘查的理想选择,但需注意其依赖高质量负样本构建和光谱不变性增强等预处理步骤来避免误检。SparseHAD模型[40]结合稀疏编码和GAN,用于弱监督的高光谱异常检测,能够在潜在空间中检测异常,提高了对噪声的鲁棒性。

4.4 无监督与对比学习

对比学习是一种通过对比正负样本差异生成有效表征的方法,在HSI分类中获得了广泛应用。PSCPC方法[25]通过像素与超像素级的对比学习实现了细粒度特征捕捉;UPDA则提出了带有频谱擦除、梯度遮罩及随机遮挡的创新数据扩增策略[26],有效防止模型崩溃并增强特征鲁棒性,在无监督特征学习中取得了显著效果。

4.5 数据增强与迁移学习

尽管深度学习在矿物预测中表现出色,但仍面临训练样本不足的问题。为此,研究者们采用数据增强和迁移学习的方法来缓解这一问题。通过数据增强技术和迁移学习,深度学习模型可以在数据稀缺的情况下仍然保持良好的预测性能[41-42]。由于矿产预测中标记数据的稀缺性,数据增强技术如窗口偏移、缩放和旋转被用于生成更多的训练样本。这些技术帮助模型更好地适应地质勘探大数据的多样性和复杂性[43-44]。数据增强技术(如SMOTE)在提高CNN模型的训练数据质量和模型性能方面发挥了重要作用,同时通过可视化工具提高了模型的可解释性[45]。迁移学习结合3D-CNN在数据不完整的情况下表现出色,能够实现高效的3D深部矿产预测[46]。

4.6 多模态深度学习方法

HSI常常与多源数据(如卫星多光谱影像、地球化学数据、地形数据等)融合,以提高矿产预测的准确性和可靠性[47-48]。利用深度学习模型对这些多模态数据进行联合建模,既能够充分挖掘HSI的细节信息,又能引入区域地质背景和地化因素,从而在矿产预测中获得更为客观、全面的结果。张良培等[114]将遥感图像融合分为同质遥感数据融合、异质遥感数据融合、遥感-站点数据融合和遥感-非观测数据融合;德国宇航局有学者Schmitt等[115]将遥感图像融合归纳为像素级、特征级与决策级3类典型的融合框架;张立福等[116]将遥感图像融合概括为面向空间维提升的融合方法、面向光谱维提升的融合方法和面向时间维提升的融合方法;Ghamisi等[49]分析了多分辨率图像融合、多时相图像融合、光学与激光雷达图像融合,以及遥感图像与社交媒体信息、地学信息等相关进展。同时多源数据融合可以减少预测中的不确定性。通过整合地质、地球物理、地球化学、遥感和钻探等多种数据源,能够更全面地表示矿产勘探相关特征,减少单一数据源可能带来的信息损失。

融合高分辨率的多光谱图像与低分辨率的HSI可以极大提升HSI的空间分辨率。由于能够突破成像系统空间与光谱分辨率之间的固有矛盾,空谱融合成为遥感图像融合领域的热点问题。Adiri等[50]将EO-1卫星获取的HSI与Landsat 8、Sentinel-2A卫星获取的多光谱图像进行融合,并成功应用于摩洛哥铜矿区的精细制图。余先川等[51]提出了包括整数小波变换和非负有序独立成分分析等多种融合方法。李树涛等[52]指出空谱融合的研究已经发展多年,但仍存在诸多问题:①不同成像手段光谱响应区间不一致时,图像融合时易产生空间和光谱结构失真;②不同成像手段间的空间分辨率和光谱分辨率差异越大,当图像空间分辨率的比值超出某个范围时,现有方法往往难以重构出高质量的高空间分辨率高光谱图像。

在进行图像融合时,不同数据源的质量和综合性差异可能影响预测模型的优化。为此,基于潜变量高斯过程的多源数据融合框架,将每个数据源标记为一个分类变量,通过隐变量高斯过程映射到一个有物理意义的潜在空间,构建能感知数据源的融合模型,以提高预测的准确性[53]。

同时,通过结合HSI、RGB图像和3D点云数据,同样能够提高矿物分类的准确性。例如,采用多流神经网络和图形神经网络的研究表明,通过多模态数据的整合,矿物分类的准确性在不同数据集上分别提高了19.2%、4.4%和5.6%[54]。通过多模态信息的整合和不确定性估计,深度学习模型的准确性和可靠性得到了增强。这种方法在不同领域的应用中表现出色[55]。

尽管多模态深度学习模型在矿产资源预测中取得了显著进展,但仍面临一些挑战。主要问题包括标注数据的稀缺性、训练样本数量不足以及模型的可解释性问题。为解决这些问题,Ding等[117]提出了原型学习和度量学习等方法,以提高模型的鲁棒性和分类能力。

5 基于高光谱图像的其他方法

高光谱遥感下游任务的核心挑战在于处理其高维度、噪声干扰及混合像元特性,需结合多维度技术协同突破:高光谱解混有效解决电磁波多次散射引起的混合效应;光谱相似性度量则量化了曲线形态差异;高光谱遥感目标识别普遍应用于矿产预测和地质填图任务;而高性能计算依托GPU并行加速与分布式框架,为实时矿产勘探提供算力支撑。

5.1 高光谱解混

光谱解混问题是光谱识别检测问题中的重点难点。在一般场景中可以假设线性混合模型是实际混合问题的近似,分解后的光谱可以非常接近低维线性子空间,对该子空间进行识别能够实现对光谱低维但精确的表示,从而在计算时间和复杂度、数据存储和信噪比方面产生增益。解混一般可分为4类方法,第一类是独立成分分析(independent component analysis,ICA)[118-119],该方法假设混合像元由多个独立端元混合而成,从端元的独立性开展光谱解混。第二类是非负矩阵分解(nonnegative matrix factorization,NMF)方法[120-121],该方法主要考虑数据非负性约束,能同时获得端元和丰度信息。第三类是稀疏解混[122],如核方法线性解混[123]、形态成分分析解混[124]等方法,它们依据不同的特性进行解混,使得高光谱像元解混任务有了参照。空间信息的引入使得非负矩阵分解和邻域空间信息相结合[125-126],强调了解的稀疏性,大大提升了高光谱像元分解的性能。第四类是将深度学习方法应用在光谱解混的问题上,利用深度学习进行混合像元分解主要分为无监督分解方法和有监督分解方法。无监督深度学习方法可以利用像元与丰度的协同信息对混合像元进行分解[127-128],从而不依赖于具体的监督信息有效获取丰度和端元的估计值,但无监督光谱解混方法的解混性能往往低于有监督解混方法,且无监督解混方法难度较大。在有监督深度学习方法中,深度自编码器网络(Autoencoder)可以在编码器中获得光谱特征[129-130],并通过解码器得到一组与标准光谱相似的逼近解,在光谱解混问题上得到了良好的应用。CNN是最常用的高光谱解混特征提取网络[131-132],其可以自动提取光谱维度的形态特征以及空间相关特征,提高了高光谱像元解混的准确率。GAN由于其生成的数据与原始数据得到良好的逼近也被用到了光谱解混问题上[133-134],取得了不错的解混效果。

尽管深度学习方法已开始用于高光谱解混,但一些问题仍尚待解决:①标记样本不足会直接影响基于深度学习的光谱解混性能,需要合理构建标准光谱库;②已有深度学习需要提前确认端元数量设计网络,但很多时候端元数量是可变的,需要反复构建网络,灵活性不足。为此,余先川等[135-138]在过往研究盲源分离光谱解混[139-140]的基础上,拟提出基于公共光谱正交基的线性混合方法以提升光谱解混精度,提出基于多头生成对抗网络的空-谱联合解混方法,增强高光谱混合像元解混鲁棒性和灵活性。

5.2 光谱曲线相似性度量

曲线相似性度量方法是指通过算法评价两条曲线之间相似性的方法,在模式分类、聚类分析、时序预测、图像识别等领域有着广泛应用。光谱曲线相似性度量可归结为三类基本模式:①利用成熟的光谱匹配方法,全部波段参与,将待检测光谱与已知的参考光谱进行波形或特征的比对分析,对遥感影像,常用单一相似性度量和组合相似性度量:光谱角度匹配[141-142]、距离度量、光谱散度[143]、相关系数、二值编码匹配、包络线消除法、导数光谱、光谱角和光谱信息散度[144]、基于DP算法的光谱检索方法DPSR[145-146];②对原始的光谱曲线进行降维,然后利用成熟的相似性度量算法计算;③利用深度学习方法先将光谱信息进行特征提取得到高维表征向量,然后计算待检测光谱特征向量和目标光谱特征向量的相似性。

从数学上讲,曲线相似性度量方法一般分为两类:①基于几何空间、概率空间等的传统距离度量方法,包括欧式距离、余弦相似度、汉明距离[147]、KL散度[148]、交叉熵、皮尔逊相关性、斯皮尔曼相关性等;②基于深度学习的相似性度量方法,包括N-gram[149](评价字符串间的相似度)、均值哈希算法[150](评价图像的相似度)、孪生网络[151-152](数据高维表征的相似度)等。

5.3 高光谱遥感地质填图

面向中国典型斑岩铜矿带,ASTER多光谱与航空高光谱的联用,为“从异常增强→端元识别→丰度估计→找矿模型→靶区圈定”的工程化闭环提供了成熟范例:在西藏玉龙斑岩铜矿带,主成分→端元→匹配滤波流程能够在不同蚀变类型(Fe染、Al-OH、Mg-OH、碳酸盐化)间建立稳定响应,实现对靶区的量化预测与已知矿点高一致验证[66];在新疆东疆东部白干湖等矿区,航空高光谱配合最优动态聚类与图谱一体识别实现岩相-矿物协同填图与构造精细刻画,具备良好的工程可复制性[66]。此外,在班怒带中西段,多分辨率、多类型遥感与地质综合评价协同,已支撑新远景区的发现与成矿带边界延伸。

由于深度学习具有强大的特征学习和泛化能力,目前已被广泛应用于普通遥感和高光谱遥感图像目标检测领域。Makantasis等[153]对高光谱图像像素的光谱和空间信息进行编码,并采用多层感知器检测高光谱图像中的人造物体;Li等[154]使用迁移深度学习方法对高光谱遥感数据进行异常检测;Liang等[155]通过光谱距离计算局部光谱特征的多尺度中心环绕差异生成局部光谱显著图,提出了一种基于物质的显著性目标检测方法,可以有效地区分具有相似感知颜色但不同光谱响应的物体。

由于高光谱高维图像包含丰富的信息,并且在增强不同物体之间的细微光谱差异方面非常强大,通过使用区域建议网络和3D-CNN提出了顺序深度学习框架用于高光谱图像中的异常物体检测[156]。魏立飞等[157]、Yan等[158]使用卷积神经网络研究了基于目标的高光谱遥感图像目标检测。Wang等[159]采用全卷积神经网络(fully convolutional networks,FCN)对多源地质数据间非线性的复杂关系进行深度理解,可实现端到端和像素级的岩性分类,有助于提高岩体边界的识别准确率;Lone等[160]提供了全面的监督和显著性目标检测方法。张远飞等[161]、杨自安等[162]、王润生等[163]诸多研究在遥感蚀变信息检测与提取、矿物填图技术及应用、航空高光谱遥感技术在境外地质调查、全球地质矿产与资源环境卫星遥感数据解译图集、全球地质矿产与资源环境卫星遥感数据解译[164]和利用空洞卷积网络进行地质体分类[165]领域均有研究。代晶晶等[166]总结了热红外高光谱技术对于矿物精细填图研究,梳理了建立矿床的找矿勘查的先进模型。郭娜等[167]使用短波红外技术在西藏多龙矿集区铁格隆南矿床荣那矿段及其外围蚀变进行了填图-勘查模型构建。叶发旺等[68]利用航空高光谱图像对甘肃龙首山芨岭铀矿床碱交代型铀矿化蚀变进行了识别。李志忠等[168]梳理了高光谱遥感技术在资源勘查方面的应用进展。Chen等[65]使用ASTER与GF-5数据进行PbZn矿热液蚀变矿物填图。Liu等[169]使用高光谱数据进行斑岩铜矿蚀变填图。

基于ASTER主成分增强-端元识别-匹配滤波-丰度评估的流程,在西藏玉龙斑岩铜矿带实现Fe染、Al-OH、Mg-OH与碳酸盐化等蚀变分带的精细识别,定量化预测结果与已知矿点高度一致,体现了“异常增强→端元识别→丰度估计→靶区圈定”的工程闭环与可复制性[66]。

尽管目前基于人工智能的高光谱遥感研究成果丰硕,但是仍然存在以下问题:①大部分都是研究有监督的分类问题,对于海量的无标签高光谱遥感数据,现有的方法无法实现高精度的识别,且如何充分利用空间信息进行高光谱图像目标检测,仍是当前关注的焦点;②由于自注意力机制在捕获目标特征的长距离信息和全局建模方面的优越性,近两年基于Transformer的目标检测方法也得到了蓬勃的发展,如DETR[170]等方法。同时也涌现出一些最新且性能很强的目标检测方法,如YOLOv7[171],故如何使用这些新的技术方法实现HSI的高性能目标检测是一个重要问题;③现有研究多集中于基于少量标签数据的局部地质问题,因此,如何利用少量标签数据实现面向全球全类型蚀变矿物的目标检测识别是一个重要问题。

5.4 面向高光谱遥感数据分析的高性能计算方法

随着遥感技术的发展,HSI的获取已经更加方便且廉价。高光谱遥感已经进入大数据时代,也出现了一些新的计算平台,如Google Earth Engine[56],如何快速处理海量HSI已经成为挖掘遥感信息的关键。

数据并行处理方面,高伟等[57]提出了面向HSI分类和高性能计算的存储优化;基于异构模式/多GPU的高光谱遥感数据的加速方法已逐渐占据海量高光谱遥感数据处理的最重要地位[58-59];张兵[60]提出了高光谱图像处理的软硬件结合,发展HSI高性能实时处理技术是当前在高性能计算应用于遥感领域的重要任务。余先川等[61-62]先后开发出基于多核并行计算的锐眼(KeenEYE)系统及其改进版本(KeenEYE 2.0),并基于GPU并行计算储量估计时获得超过60倍的加速比[63]。

6 面临的挑战与局限性

尽管高光谱遥感结合机器学习和深度学习在矿物填图和矿产预测中已取得可喜进展,但实际应用中仍存在以下主要挑战和局限。

(1)高维数据与“休斯现象”:HSI的高维特性在带来丰富信息的同时,也使得训练数据面临“休斯现象”问题,即样本容量不足导致维度灾难,从而影响分类准确率。如何在充分保留有效光谱信息的前提下进行有效降维,是当前亟待解决的关键问题。

(2)标记数据不足与样本不均衡:深度学习模型对大量标注数据较为敏感,而HSI中用于矿产预测和矿物填图的精细标记数据通常难以获取。此外,不同矿物类别在样本数量上的不均衡也会影响模型的学习效果,从而引发过拟合或欠拟合问题。

(3)系统复杂性与计算资源依赖:深度神经网络通常结构复杂,参数众多,模型训练过程依赖于高性能计算平台以及大量存储资源。这对实际应用,尤其是在经济条件有限的环境下提出了较高要求。如何在保证模型精度的前提下设计轻量级、易于部署的模型成为研究热点。

(4)模型解释性不足:深度学习模型虽然在预测精度上有优势,但由于其高度非线性和“黑箱”特性,使得对模型内部决策过程的解释变得十分困难。当前一些可视化技术和注意力机制虽取得了一定进展,但如何从理论上揭示深度模型的内在机理仍是一个重要研究方向。

(5)多源数据融合问题:矿产预测往往需要结合多源数据(包括HSI、地球化学数据、地形数据等)进行综合分析。如何在异构数据特性差异较大的情况下实现有效融合,既保证数据互补优势,又能降低误差传递风险,是当前技术应用中的一大难题。

7 未来研究展望

展望未来,基于遥感高光谱数据的机器学习和深度学习在矿物填图与矿产预测中有望取得更大突破。未来研究发展可从以下几个方面展开。

(1)多模态数据融合的深度模型:将HSI与地形、地球化学、地质构造等多源数据进行深度融合,是提高矿产预测准确率的重要方向。未来可以探索利用多模态神经网络、融合注意力机制以及图神经网络的方法,实现对多源数据信息的高效整合和特征提取,从而更好地捕捉矿区的复杂地质信息。Zhao等[172]开发了结合BP-ANN和GRU结构的混合神经网络模型,通过多源数据集的融合,显著提高了矿物含量的预测精度。

(2)自监督学习与数据增强技术:针对标记数据不足问题,未来研究可以更多关注自监督学习和数据增强技术的应用,通过利用未标记数据进行预训练,再利用少量有标记数据进行微调,可以显著提升模型的泛化能力。此外,利用GAN生成虚拟样本,也能够有效缓解数据不平衡问题,从而提高模型鲁棒性和预测精度。通过利用大量未标记数据,自监督对比学习模型在矿产预测中表现优于传统监督学习模型,预测准确率也可大幅提升[173]。通过数据增强技术,深度学习模型能够在样本不足的情况下提高预测准确性。这对于矿产预测尤其重要,因为矿化事件通常较为稀少[174-175]。

(3)模型可解释性研究:结合全球关键矿产潜力评价方法的发展趋势,应在约束机理与责任供给框架下推进可解释AI与流程化工程部署的协同,使矿产预测从“高精度”同时迈向“高可信”与“高可用”[64]。提高深度学习模型的可解释性是当前应用推广的重要前提。未来需要进一步发展可视化技术、注意力机制和因果分析方法,构建透明的模型解释框架,为矿物填图及矿产预测提供决策支持,同时增强用户对模型结果的信任度。

(4)轻量级和实时化模型设计:针对现场实时探测和无人机高空采集数据的需求,未来研究可以着力设计轻量级、低计算消耗的深度学习模型,实现快速响应和实时数据处理。同时,结合边缘计算和分布式计算技术,可以将模型部署到移动设备或现场数据采集终端上,实现端到端的矿物预测。

(5)标准化数据获取与质量控制:高质量、多时相的HSI数据获取是实现精确矿物填图的前提。未来需要建立一套标准化的数据采集和预处理流程,包括大气校正、几何校正、噪声去除及数据统一格式转换等,从而保证数据输入的一致性和可靠性。同时,通过建立标准的矿物光谱库,为机器学习和深度学习模型提供精准、权威的标注依据。同时矿产前景预测中常面临标记数据不足的问题,这会导致模型泛化能力差。通过数据增强和多模型组合,研究人员正在努力解决这一问题[41]。

(6)地质知识结合:尽管深度学习模型在预测准确性上表现优异,但其解释性较弱。未来的研究需要更好地结合地质知识,以提高模型的可解释性和实用性[176]。尽管深度学习模型在预测准确性上表现优异,但其解释性仍然较弱。未来的研究可以进一步探索如何将地球科学知识有机结合到模型中,以提高模型的可解释性[107]。LLM具有磅礴的知识积累,未来应用MLLM实现神经网络对于地质填图和矿产预测的知识理解同样势在必行。

8 结论

综述了基于遥感高光谱数据应用于矿物填图及矿产预测的最新研究进展。主要结论如下。

(1)高光谱数据优势突出:高光谱数据在高维连续光谱信息、快速大尺度探测、非接触采集等方面具有明显优势,为矿物种类识别和地质异常检测提供了坚实的数据支撑。

(2)传统与深度学习方法各有优劣:传统机器学习方法(如SVM、RF、KNN和 XGBoost)具有较好的模型解释性和较低的计算需求,但在处理高维非线性关系和复杂混合信息时存在局限性;而深度学习方法(特别是CNN、自注意力机制和GNN)通过自动特征提取和多模态数据融合,显著提升了分类准确率和模型泛化能力,但对数据量和计算资源的要求较高。

(3)综合模型与多模态融合是未来趋势:未来的研究方向应着眼于利用多模态数据、结合自监督学习、设计轻量级和实时化的深度模型,以实现更高精度和更好适应复杂地质环境的矿物填图及矿产预测。同时,提高模型的可解释性和建立标准化的数据采集、预处理流程和知识理解也是关键研究方向。

(4)挑战与局限需持续攻克:高光谱数据固有的高维性、样本不足、数据噪声等问题依然存在,如何有效克服“休斯现象”、提升模型稳定性及解释性,将是推动该领域进一步发展的重要课题。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Fu Y F, Cheng Q M, Jing L H, et al. Mineral prospectivity mapping of porphyry copper deposits based on remote sensing imagery and geochemical data in the Duolong ore district, Tibet[J]. Remote Sensing, 2023, 15(2): 439.
[2]

Vali A, Comai S, Matteucci M. Deep learning for land use and land cover classification based on hyperspectral and multispectral earth observation data: a review[J]. Remote Sensing, 2020, 12(15): 2495.
[3]

Clark R, King T, Klejwa M, et al. High spectral resolution reflectance spectroscopy of minerals[J]. Journal of Geophysical Research, 1990, 95(B8): 12653-12680.
[4]

Liu B S, Liu Y J, Zhang W L, et al. Spectral swin transformer network for hyperspectral image classification[J]. Remote Sensing, 2023, 15(15): 3721.
[5]

Hong D, Gao L, Yao J, et al. SpectralFormer: rethinking hyperspectral image classification with transformers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-15.
[6]

Xie J, Hua J, Chen S, et al. HyperSFormer: a transformer-based end-to-end hyperspectral image classification method for crop classification[J]. Remote Sensing, 2023, 15(14): 3491.
[7]

Liu Z, Lin Y, Cao Y, et al. Swin transformer: hierarchical vision transformer using shifted windows[C]// 2021 IEEE/CVF International Conference on Computer Vision. Montreal: IEEE, 2021: 9992-10002.
[8]

Xie E, Wang W, Yu Z, et al. SegFormer: simple and efficient design for semantic segmentation with transformers[C]// Advances in Neural Information Processing Systems. Virtual: Curran Associates, 2021: 12077-12090.
[9]

Guo H, Liu W. S3L: spectrum transformer for self-supervised learning in hyperspectral image classification[J]. Remote Sensing, 2024, 16(6): 970.
[10]

Xu H, Yao W, Cheng L, et al. Multiple spectral resolution 3D convolutional neural network for hyperspectral image classification[J]. Remote Sensing, 2021, 13(7): 1248.
[11]

Li S, Chen J, Liu C, et al. Mineral prospectivity prediction via convolutional neural networks based on geological big data[J]. Journal of Earth Science, 2021, 34: 327-347.
[12]

Li X, Chen Y, Yuan F, et al. 3D mineral prospectivity modeling using multi-scale 3D convolution neural network and spatial attention approaches[J]. Geochemistry, 2024, 84(4): 126125.
[13]

He M, Li B, Chen H. Multi-scale 3D deep convolutional neural network for hyperspectral image classification[C]// 2017 IEEE International Conference on Image Processing. Beijing: IEEE, 2017: 3904-3908.
[14]

Li X, Xue C, Chen Y, et al. 3D convolutional neural network-based 3D mineral prospectivity modeling for targeting concealed mineralization within Chating area, middle-lower Yangtze River metallogenic belt, China[J]. Ore Geology Reviews, 2023, 157: 105444.
[15]

Zuo R, Xu Y. Graph deep learning model for mapping mineral prospectivity[J]. Mathematical Geosciences, 2022, 55(6): 1-21.
[16]

Wang R, Xue L F, Li Y S, et al. Mineral prospectivity prediction based on the dynamic relation model Atten-GCN: a case study of gold prospecting in the Yingfengjie area, Shaanxi Province (northern China)[J]. Ore Geology Reviews, 2024, 176: 106399.
[17]

Bhatti U, Huang M, Neira-Molina H, et al. Multi feature fusion for hyperspectral image classification using graph attention network[J]. Expert Systems with Applications, 2023, 229: 120496.
[18]

Hong D, Gao L, Yao J, et al. Graph convolutional networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(7): 5966-5978.
[19]

Wang L, Wang X. Dual-coupled CNN-GCN-based classification for hyperspectral and LiDAR data[J]. Sensors, 2022, 22(15): 5735.
[20]

Yan Q, Zhao J, Xue L, et al. Mineral prospectivity mapping based on spatial feature classification with geological map knowledge graph embedding: case study of gold ore prediction at Wulonggou, Qinghai Province (western China)[J]. Natural Resources Research, 2024, 33(5): 2385-2406.
[21]

Li T, Zuo R, Zhao X, et al. Mapping prospectivity for regolith-hosted REE deposits via convolutional neural network with generative adversarial network augmented data[J]. Ore Geology Reviews, 2022, 142: 104693.
[22]

Zhan Y, Hu D, Wang Y, et al. Semisupervised hyperspectral image classification based on generative adversarial networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(2): 212-216.
[23]

Zhan Y, Wang Y, Yu X. Semisupervised hyperspectral image classification based on generative adversarial networks and spectral angle distance[J]. Scientific Reports, 2023, 13: 22019.
[24]

Shi Y, Han L, Han L, et al. A latent encoder coupled generative adversarial network for efficient hyperspectral image super-resolution[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1-19.
[25]

Guan R, Li Z, Li X, et al. Pixel-superpixel contrastive learning and pseudo-label correction for hyperspectral image clustering[C]// Proceeding of IEEE International Conference on Acoust Speech Signal Process (ICASSP). Seoul: IEEE, 2024: 6795-6799.
[26]

Li J, Li X, Yan Y. Unlocking the potential of data augmentation in contrastive learning for hyperspectral image classification[J]. Remote Sensing, 2023, 15(12): 3123.
[27]

Bai Y, Wu H, Zhang L, et al. Lightweight Mamba model based on spiral scanning mechanism for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2025, 22: 1-5.
[28]

Sun M, Zhang J, He X, et al. Bidirectional Mamba with dual-branch feature extraction for hyperspectral image classification[J]. Sensors, 2024, 24(21): 6899.
[29]

Li S, Huang S. Adaptive feature alignment with global-local Mamba for hyperspectral and LiDAR data classification[J]. Remote Sensing, 2024, 16(21): 4050.
[30]

Ahmad M, Usama M, Mazzara M, et al. WaveMamba: spatial-spectral wavelet Mamba for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2024, 22: 1-5.
[31]

Mansourian A, Oucheikh R. ChatGeoAI: enabling geospatial analysis for public through natural language, with large language models[J]. ISPRS International Journal of Geo-Information, 2024, 13(10): 348.
[32]

Zhang Y, Wang Z, He Z, et al. BB-GeoGPT: a framework for learning a large language model for geographic information science[J]. Information Processing & Management, 2024, 61(5): 103808.
[33]

Yu B, Shen T, Na H, et al. MineAgent: towards remote-sensing mineral exploration with multimodal large language models[J]. ArXiv: 2412. 17339, 2024.
[34]

Zheng K, Tian M, Qiu Q, et al. CnGeoPLM: contextual knowledge selection and embedding with pretrained language representation model for the geoscience domain[J]. Earth Science Informatics, 2023, 16: 3629-3646.
[35]

Lee H, Kwon H. Self-supervised contrastive learning for cross-domain hyperspectral image representation[C]// Proceeding of IEEE International Conference on Acoust Speech Signal Process. Singapore: IEEE, 2022: 3239-3243.
[36]

Liu B, Gao K, Yu A, et al. ES2FL: ensemble self-supervised feature learning for small sample classification of hyperspectral images[J]. Remote Sensing, 2022, 14(17): 4236.
[37]

Zhao Z, Wang H, Yu X. Spectral-spatial graph attention network for semisupervised hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 5503905.
[38]

Wu Y, Mu G, Qin C, et al. Semi-supervised hyperspectral image classification via spatial-regulated self-training[J]. Remote Sensing, 2020, 12(1): 159.
[39]

Qin J, Zhan Y, Wu K, et al. Semi-supervised classification of hyperspectral data for geologic body based on generative adversarial networks at Tianshan area[C]// Proceeding of IEEE International Conference on Geoscience and Remote Sensing Symposium(IGARSS). Valencia: IEEE, 2018: 4776-4779.
[40]

Li Y, Jiang T, Xie W, et al. Sparse coding-inspired GAN for hyperspectral anomaly detection in weakly supervised learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1-11.
[41]

Parsa M, Carranza E, Ahmadi B. Deep GMDH neural networks for predictive mapping of mineral prospectivity in terrains hosting few but large mineral deposits[J]. Natural Resources Research, 2021, 31: 37-50.
[42]

Gao L, Wang K, Zhang X, et al. Intelligent identification and prediction mineral resources deposit based on deep learning[J]. Sustainability, 2023, 15(13): 10269.
[43]

Li T, Zuo R, Xiong Y, et al. Random-drop data augmentation of deep convolutional neural network for mineral prospectivity mapping[J]. Natural Resources Research, 2020, 30: 27-38.
[44]

Li Y, Peng C, Ran X, et al. Soil geochemical prospecting prediction method based on deep convolutional neural networks-taking Daqiao gold mine in Gansu Province, China as an example[J]. China Geology, 2021, 5(1): 71-83.
[45]

Liu Y, Sun T, Wu K, et al. Interpretability analysis of data augmented convolutional neural network in mineral prospectivity mapping using black-box visualization tools[J]. Natural Resources Research, 2025, 34: 759-783.
[46]

Li S, Liu C, Chen J. Mineral prospecting prediction via transfer learning based on geological big data: a case study of Huayuan, Hunan, China[J]. Minerals, 2023, 13(4): 504.
[47]

Medjadba Y, Hu D, Liu W, et al. Combining graph clustering and quantitative association rules for knowledge discovery in geochemical data problem[J]. IEEE Access, 2020, 8: 40453-40473.
[48]

Yu X, Wang S, Wang H, et al. Detection of geochemical element assemblage anomalies using a local correlation approach[J]. Journal of Earth Science, 2021, 32(3): 408-414.
[49]

Ghamisi P, Rasti B, Yokoya N, et al. Multisource and multitemporal data fusion in remote sensing: a comprehensive review of the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2019, 7(1): 6-39.
[50]

Adiri Z, El Harti A, Jellouli A, et al. Mapping copper mineralization using EO-1 Hyperion data fusion with Landsat 8 OLI and Sentinel-2A in Moroccan Anti-Atlas[J]. Geocarto International, 2020, 35(7): 781-800.
[51]

余先川, 安卫杰, 倪锋, 等. 基于整数小波和非负有序独立成分分析的遥感影像融合[J]. 地质通报, 2010, 29(10): 1462-1466.
[52]

Yu Xianchuan, An Weijie, Ni Feng, et al. Remote sensing image fusion based on integer wavelet and nonnegative ordered independent component analysis[J]. Geological Bulletin of China, 2010, 29(10): 1462-1466.
[53]

李树涛, 李聪妤, 康旭东. 多源遥感图像融合发展现状与未来展望[J]. 遥感学报, 2021, 25(1): 148-166.
[54]

Li Shutao, Li Congyu, Kang Xudong. Current status and future prospects of multi-source remote sensing image fusion[J]. Journal of Remote Sensing, 2021, 25(1): 148-166.
[55]

Ravi S, Comlek Y, Chen W, et al. Interpretable multi-source data fusion through latent variable Gaussian process[J] ArXiv: 2402. 04146, 2024.
[56]

Rizaldy A, Afifi A, Ghamisi P, et al. Improving mineral classification using multimodal hyperspectral point cloud data and multi-stream neural network[J]. Remote Sensing, 2024, 16(13): 2336.
[57]

Shao Z, Dou W, Pan Y. Dual-level deep evidential fusion: integrating multimodal information for enhanced reliable decision-making in deep learning[J]. Information Fusion, 2023, 103: 102113.
[58]

Amani M, Ghorbanian A, Ahmadi S A, et al. Google Earth Engine cloud computing platform for remote sensing big data applications: a comprehensive review[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 5326-5350.
[59]

高伟, 李维良, 林妍. 面向高光谱影像分类的高性能计算及存储优化[J]. 计算机工程与应用, 2015, 51(16): 171-177.
[60]

Gao Wei, Li Weiliang, Lin Yan. High-performance computing and storage optimization for hyperspectral image classification[J]. Computer Engineering and Applications, 2015, 51(16): 171-177.
[61]

汤媛媛, 周海芳, 方民权, 等. 基于CPU/GPU异构模式的高光谱遥感影像数据处理研究与实现[J]. 计算机科学, 2016, 43(2): 47-50, 77.
[62]

Tang Yuanyuan, Zhou Haifang, Fang Minquan, et al. Research and implementation of hyperspectral remote sensing image data processing based on CPU/GPU heterogeneous mode[J]. Computer Science, 2016, 43(2): 47-50, 77.
[63]

张远, 张大伟, 陈仁, 等. 基于异构模式的高光谱数据加速处理方法研究[J]. 南京信息工程大学学报(自然科学版), 2022, 14(2): 247-252.
[64]

Zhang Yuan, Zhang Dawei, Chen Ren, et al. Accelerated processing method for hyperspectral data based on a heterogeneous paradigm[J]. Journal of Nanjing University of Information Science and Technology (Natural Science Edition), 2022, 14(2): 247-252.
[65]

张兵. 高光谱图像处理与信息提取前沿[J]. 遥感学报, 2016, 20(5): 1062-1090.
[66]

Zhang Bing. Frontiers of hyperspectral image processing and information extraction[J]. Journal of Remote Sensing, 2016, 20(5): 1062-1090.
[67]

余先川, 安卫杰. 锐眼遥感影像识别系统V2.0: 2010SR040273[P]. 2010.
[68]

Yu Xianchuan, An Weijie. Sharp-eyed remote sensing image recognition system V2.0: 2010SR040273[P]. 2010.
[69]

余先川, 邓维科, 肖克炎, 等. 基于三维克立格方法的可视化储量估算[J]. 地学前缘, 2013, 20(4): 320-331.
[70]

Yu Xianchuan, Deng Weike, Xiao Keyan, et al. Visualized reserve estimation based on a three-dimensional Kriging method[J]. Earth Science Frontiers, 2013, 20(4): 320-331.
[71]

王冰怡, 邓维科, 余先川. 基于GPU的并行条件模拟算法及其在储量估算中的应用[J]. 地质学刊, 2016, 40(3): 507-511.
[72]

Wang Bingyi, Deng Weike, Yu Xianchuan. GPU-based parallel conditional simulation algorithm and its application in reserve estimation[J]. Journal of Geology (China), 2016, 40(3): 507-511.
[73]

樊铭静, 肖克炎, 徐旸. 全球关键矿产资源潜力评价理论方法的发展趋势与进展[J]. 科学技术与工程, 2022, 22(1): 1-17.
[74]

Fan Mingjing, Xiao Keyan, Xu Yang. Development trend and progress of theory and method in critical mineral resource potential assessment of global[J]. Science Technology and Engineering, 2022, 22(1): 1-17.
[75]

Chen Q, Zhao Z F, Zhou J X, et al. ASTER and GF-5 satellite data for mapping hydrothermal alteration minerals in the Longtoushan Pb-Zn Deposit, SW China[J]. Remote Sensing, 2022, 14(5): 1253.
[76]

张远飞, 王艳军, 王大钊, 等. 基于ASTER的遥感蚀变信息提取——以西藏玉龙斑岩铜矿带为例[J]. 岩石矿物学杂志, 2024, 43(6): 1601-1614.
[77]

Zhang Yuanfei, Wang Yanjun, Wang Dazhao, et al. Extraction of remote sensing alteration information based on ASTER: a case study of the Yulong porphyry copper belt, Tibet[J]. Acta Petrologica et Mineralogica, 2024, 43(6): 1601-1614.
[78]

荆林海, 李光明, 丁海峰, 等. 班怒带中西段斑岩铜矿遥感选区、地质评价与重大发现[J]. 岩石学报, 2025, 41(2): 362-382.
[79]

Jing Linhai, Li Guangming, Ding Haifeng, et al. Remote sensing prospecting, geological evaluation, and major discoveries of porphyry copper deposits in the central-western Bangong-Nujiang belt[J]. Acta Petrologica Sinica, 2025, 41(2): 362-382.
[80]

叶发旺, 孟树, 张川, 等. 甘肃龙首山芨岭铀矿床碱交代型铀矿化蚀变航空高光谱识别[J]. 地球信息科学学报, 2019, 21(2): 279-292.
[81]

Ye Fawang, Meng Shu, Zhang Chuan, et al. Airborne hyperspectral identification of alkali-metasomatism-type uranium mineralization alteration in the Jiling uranium deposit, Longshoushan, Gansu[J]. Journal of Geo-information Science, 2019, 21(2): 279-292.
[82]

Hao S, Wang W, Salzmann M. Geometry-aware deep recurrent neural networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(3): 2448-2460.
[83]

He R, Zhao Y L, Wu X, et al. A review of UAV monitoring in mining areas: current status and future perspectives[J]. International Journal of Coal Science & Technology, 2019, 6: 320-333.
[84]

Fauvel M, Tarabalka Y, Benediktsson J A, et al. Advances in spectral-spatial classification of hyperspectral images[J]. Proceedings of the IEEE, 2013, 101(3): 652-675.
[85]

Deepa C, Shetty A, Narasimhadhan A V. Performance evaluation of dimensionality reduction techniques on hyperspectral data for mineral exploration[J]. Earth Science Informatics, 2023, 16(1): 25-36.
[86]

Acosta I, Khodadadzadeh M, Tusa L, et al. A machine learning framework for drill-core mineral mapping using hyperspectral and high-resolution mineralogical data fusion[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(12): 4829-4842.
[87]

Agrawal N, Govil H, Chatterjee S, et al. Evaluation of machine learning techniques with AVIRIS-NG dataset in the identification and mapping of minerals[J]. Advances in Space Research, 2022, 2(73): 1517-1534.
[88]

Hamedianfar A, Laakso K, Middleton M, et al. Leveraging high-resolution long-wave infrared hyperspectral laboratory imaging data for mineral identification using machine learning methods[J]. Remote Sensing, 2023, 15(19): 4806.
[89]

Belgiu M, Drăguţ L. Random forest in remote sensing: a review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31.
[90]

Mahboob M, Çelik T, Genc B. Predictive modelling of mineral prospectivity using satellite remote sensing and machine learning algorithms[J]. Remote Sensing Applications: Society and Environment, 2024, 36: 101316.
[91]

Taha A, Xi Y, He Q, et al. Investigating the capabilities of various multispectral remote sensors data to map mineral prospectivity based on random forest predictive model: a case study for gold deposits in Hamissana area, NE Sudan[J]. Minerals, 2022, 13(1): 49.
[92]

Xiong Y, Zuo R, Carranza E. Mapping mineral prospectivity through big data analytics and a deep learning algorithm[J]. Ore Geology Reviews, 2018, 102: 811-817.
[93]

Zhang D, Zhou Z, Han S, et al. Deep metallogenic prediction model construction of the Xiongcun No. II orebody based on the DNN algorithm[J]. Multimedia Tools and Applications, 2022, 81: 33185-33203.
[94]

Zhan Y, Hu D, Xing H, et al. Hyperspectral band selection based on deep convolutional neural network and distance density[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2365-2369.
[95]

Shirmard H, Farahbakhsh E, Heidari E, et al. A comparative study of convolutional neural networks and conventional machine learning models for lithological mapping using remote sensing data[J]. Remote Sensing, 2022, 14(4): 819.
[96]

Peyghambari S, Zhang Y, Heidarian H, et al. One-dimensional-mixed convolution neural network and covariance pooling model for mineral mapping of porphyry copper deposit using PRISMA hyperspectral data[J]. Photogrammetric Engineering and Remote Sensing, 2024, 90(8): 511-522.
[97]

Roy S K, Krishna G, Dubey S R, et al. HybridSN: exploring 3-D-2-D CNN feature hierarchy for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(2): 277-281.
[98]

Li Q, Chen G, Luo L. Mineral prospectivity mapping using attention-based convolutional neural network[J]. Ore Geology Reviews, 2023, 156: 105381.
[99]

He H, Zhu H, Yang X, et al. Mineral prospectivity prediction based on convolutional neural network and ensemble learning[J]. Scientific Reports, 2024, 14: 22654.
[100]

Yang N, Zhang Z, Yang J, et al. Mineral prospectivity prediction by integration of convolutional autoencoder network and random forest[J]. Natural Resources Research, 2022, 31: 1103-1119.
[101]

Shen Y, Zhu S, Chen C, et al. Efficient deep learning of nonlocal features for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 59(7): 6029-6043.
[102]

Zhao Z, Xu X, Li J, et al. Gabor-modulated grouped separable convolutional network for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-17.
[103]

Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Advances in Neural Information Processing Systems. Long Beach: Curran Associates, 2017: 5998-6008.
[104]

Santos L, García-Santiago X, Camarero F, et al. Application of temporal fusion transformer for day-ahead PV power forecasting[J]. Energies, 2022, 15(14): 5232.
[105]

Hang R, Liu Q, Hong D, et al. Cascaded recurrent neural networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 57(8): 5384-5394.
[106]

Luo H. Shorten spatial-spectral RNN with parallel-GRU for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observation and Remoto Sensing, 2019, 12(8): 2729-2742.
[107]

Zhang X, Sun Y, Jiang K, et al. Spatial sequential recurrent neural network for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(11): 4141-4155.
[108]

Signoroni A, Savardi M, Baronio A, et al. Deep learning meets hyperspectral image analysis: a multidisciplinary review[J]. Journal of Imaging, 2019, 5(5): 52.
[109]

Yin B, Zuo R, Sun S. Mineral prospectivity mapping using deep self-attention model[J]. Natural Resources Research, 2022, 32: 37-56.
[110]

Zhao Z, Hu D, Wang H, et al. Center attention network for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 3415-3425.
[111]

Yang F, Zuo R, Xiong Y, et al. An interpretable attention branch convolutional neural network for identifying geochemical anomalies related to mineralization[J]. Journal of Geochemical Exploration, 2023, 252: 107274.
[112]

Chen J, Zuo X, Liu Z, et al. 3D mineral prospectivity modeling using deep adaptation network transfer learning: a case study of the Xiadian gold deposit, Eastern China[J]. Geochemistry, 2024, 8(4): 126189.
[113]

Li S, Song W, Fang L, et al. Deep learning for hyperspectral image classification: an overview[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6690-6709.
[114]

Shirmard H, Farahbakhsh E, Müller R, et al. A review of machine learning in processing remote sensing data for mineral exploration[J]. Remote Sensing of Environment, 2022, 268: 112750.
[115]

Sun T, Chen F, Zhong L, et al. GIS-based mineral prospectivity mapping using machine learning methods: a case study from Tongling ore district, eastern China[J]. Ore Geology Reviews, 2019, 109: 26-49.
[116]

Hajaj S, Harti A, Pour A, et al. A review on hyperspectral imagery application for lithological mapping and mineral prospecting: machine learning techniques and future prospects[J]. Remote Sensing Applications: Society and Environment, 2024, 35: 101218.
[117]

Sagheer A, Kotb M. Time series forecasting of petroleum production using deep LSTM recurrent networks[J]. Neurocomputing, 2019, 323: 203-213.
[118]

Battalgazy N, Valenta R, Gow P, et al. Addressing geological challenges in mineral resource estimation: a comparative study of deep learning and traditional techniques[J]. Minerals, 2023, 13(7): 982.
[119]

Sun T, Li H, Wu K, et al. Data-driven predictive modelling of mineral prospectivity using machine learning and deep learning methods: a case study from southern Jiangxi Province, China[J]. Minerals, 2020, 10(2): 102.
[120]

Ding L, Zhu Y, Zhang P, et al. Multi-class prediction of mineral resources based on deep learning[J]. IEEE Access, 2022, 10: 111463-111476.
[121]

Latif G, Bouchard K, Maître J, et al. Deep-learning-based automatic mineral grain segmentation and recognition[J]. Minerals, 2022, 12(4): 455.
[122]

Fu Y, Aldrich C. Deep learning in mining and mineral processing operations: a review[J]. IFAC-Papers OnLine, 2020, 53(2): 11920-11925.
[123]

Boiger R, Churakov S, Llagaria I, et al. Direct mineral content prediction from drill core images via transfer learning[J]. Computer & Geosciences, 2023, 170: 105264.
[124]

Sun K, Chen Y, Geng G, et al. A review of mineral prospectivity mapping using deep learning[J]. Minerals, 2024, 14(10): 1021.
[125]

Han W, Li J, Wang S, et al. Geological remote sensing interpretation using deep learning feature and an adaptive multisource data fusion network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60(8): 1-14.
[126]

Dong Y, Zhang Z. Deep forest modeling: an interpretable deep learning method for mineral prospectivity mapping[J]. Journal of Geophysical Research: Machine Learning and Computation, 2024, 1(4): e2024JH000311.
[127]

张良培, 沈焕锋. 遥感数据融合的进展与前瞻[J]. 遥感学报, 2016, 20(5): 1050-1061.
[128]

Zhang Liangpei, Shen Huanfeng. Progress and prospects of remote sensing data fusion[J]. Journal of Remote Sensing, 2016, 20(5): 1050-1061.
[129]

Schmitt M, Zhu X X. Data fusion and remote sensing: an ever-growing relationship[J]. IEEE Geoscience and Remote Sensing Magazine, 2016, 4(4): 6-23.
[130]

张立福, 彭明媛, 孙雪剑, 等. 遥感数据融合研究进展与文献定量分析(1992—2018)[J]. 遥感学报, 2019, 23(4): 603-619.
[131]

Zhang Lifu, Peng Mingyuan, Sun Xuejian, et al. Research progress in remote sensing data fusion and bibliometric analysis (1992—2018)[J]. Journal of Remote Sensing, 2019, 23(4): 603-619.
[132]

Ding L, Chen B, Zhu Y, et al. Mineral prediction based on prototype learning[J]. Computers & Geosciences, 2024, 184: 105540.
[133]

Wang N, Du B, Zhang L, et al. An abundance characteristic-based independent component analysis for hyperspectral unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(1): 416-428.
[134]

Chen S, Cao Y, Chen L, et al. Geometrical constrained independent component analysis for hyperspectral unmixing[J]. International Journal of Remote Sensing, 2020, 41(17): 6783-6804.
[135]

Du B, Wang S, Wang N, et al. Hyperspectral signal unmixing based on constrained non-negative matrix factorization approach[J]. Neurocomputing, 2016, 204: 153-161.
[136]

Wang X, Zhong Y, Zhang L, et al. Spatial group sparsity regularized nonnegative matrix factorization for hyperspectral unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11): 6287-6304.
[137]

Zhong Y, Feng R, Zhang L. Non-local sparse unmixing for hyperspectral remote sensing imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 7(6): 1889-1909.
[138]

Lin N, Yang W, Wang B. Using kernel method to linearly un-mixing hyperspectral pixel[J]. Geomatics and Information Science of Wuhan University, 2017, 42(3): 355-361.
[139]

Xu X, Li J, Li S, et al. Generalized morphological component analysis for hyperspectral unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 58(4): 2817-2832.
[140]

Zhang S, Li J, Li H C, et al. Spectral-spatial weighted sparse regression for hyperspectral image unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(6): 3265-3276.
[141]

Wang S, Huang T Z, Zhao X L, et al. Double reweighted sparse regression and graph regularization for hyperspectral unmixing[J]. Remote Sensing, 2018, 10(7): 1046.
[142]

Liu S, Bruzzone L, Bovolo F, et al. Unsupervised multitemporal spectral unmixing for detecting multiple changes in hyperspectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(5): 2733-2748.
[143]

Han Z, Hong D, Gao L, et al. Deep half-siamese networks for hyperspectral unmixing[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 18(11): 1996-2000.
[144]

Wang M, Zhao M, Chen J, et al. Nonlinear unmixing of hyperspectral data via deep autoencoder networks[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(9): 1467-1471.
[145]

Su Y, Li J, Plaza A, et al. DAEN: deep autoencoder networks for hyperspectral unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(7): 4309-4321.
[146]

Yu Y, Ma Y, Mei X, et al. Multi-stage convolutional autoencoder network for hyperspectral unmixing[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 113: 102981.
[147]

Fang Y, Wang Y, Xu L, et al. BCUN: Bayesian fully convolutional neural network for hyperspectral spectral unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-14.
[148]

Tang M, Qu Y, Qi H. Hyperspectral nonlinear unmixing via generative adversarial network[C]// IGARSS 2020—2020 IEEE International Geoscience and Remote Sensing Symposium. Waikoloa: IEEE, 2020: 2404-2407.
[149]

Su L, Sui Y, Yuan Y. An unmixing-based multi-attention GAN for unsupervised hyperspectral and multispectral image fusion[J]. Remote Sensing, 2023, 15(4): 936.
[150]

余先川, 曹婷婷, 胡丹, 等. 基于小波变换和稀疏成分分析的盲图像分离法[J]. 北京邮电大学学报, 2010, 33(2): 58-63.
[151]

Yu Xianchuan, Cao Tingting, Hu Dan, et al. Blind image separation based on wavelet transform and sparse component analysis[J]. Journal of Beijing University of Posts and Telecommunications, 2010, 33(2): 58-63.
[152]

余先川, 任雅丽. 非负矩阵分解及在地学中的应用[J]. 地质学刊, 2014, 38(2): 238-244.
[153]

Yu Xianchuan, Ren Yali. Nonnegative matrix factorization and its applications in geosciences[J]. Journal of Geology (China), 2014, 38(2): 238-244.
[154]

Yu X C, Xiong L P, Xu J D, et al. Mineral mapping based on secondary scattering mixture model[J]. Remote Sensing for Natural Resources, 2014(2): 60-68.
[155]

Yu X C, Li J G, Hu D, et al. A nonlinear spectral mixture model for hyperspectral imagery based on secondary scattering[J]. Remote Sensing for Land & Resources, 2013, 25(1): 18-25.
[156]

Tian H, Zhan Y, Wang L, et al. Constrained non-negative matrix factorization algorithm combined with spatial homogeneous area analysis for hyperspectral unmixing[J]. Journal of Applied Remote Sensing, 2019, 13(1): 018504.
[157]

Zhao Z, Wang H, Liang Y, et al. Sparsity constrained convolutional autoencoder network for hyperspectral image unmixing[C]// 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. Brussels: IEEE, 2021: 3317-3320.
[158]

Weisberg A, Najarian M, Borowski B, et al. Spectral angle automatic cluster routine (SAALT): an unsupervised multispectral clustering algorithm[C]// 1999 IEEE Aerospace Conference. Proceedings (Cat. No. 99TH8403). Snowmass: IEEE, 1999, 4: 307-317.
[159]

浦瑞良, 宮鹏. 高光谱遙感及其应用[M]. 北京: 高等教育出版社, 2000.
[160]

Pu Ruiliang, Gong Peng. Hyperspectral remote sensing and its applications[M]. Beijing: Higher Education Press, 2000.
[161]

罗来平, 宫辉力, 赵文吉, 等. 遥感图像决策树分类器研究与实现[J]. 遥感信息, 2006(3): 13-15.
[162]

Luo Laiping, Gong Huili, Zhao Wenji, et al. Research and implementation of decision tree classifier for remote sensing images[J]. Remote Sensing Information, 2006(3): 13-15.
[163]

杜培军, 唐宏, 方涛. 高光谱遥感光谱相似性度量算法与若干新方法研究[J]. 武汉大学学报(信息科学版), 2006(2): 112-115.
[164]

Du Peijun, Tang Hong, Fang Tao. Spectral similarity measures and several new methods for hyperspectral remote sensing[J]. Geomatics and Information Science of Wuhan University, 2006(2): 112-115.
[165]

李飞, 周成虎, 陈荣国. 基于光谱曲线形态的高光谱影像检索方法研究[J]. 光谱学与光谱分析, 2008, 28(11): 2482-2486.
[166]

Li Fei, Zhou Chenghu, Chen Rongguo. Hyperspectral image retrieval based on spectral curve shape[J]. Spectroscopy and Spectral Analysis, 2008, 28(11): 2482-2486.
[167]

沈永林, 刘修国, 吴立新, 等. Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法[J]. 武汉大学学报(信息科学版), 2017, 42(4): 456-462.
[168]

Shen Yonglin, Liu Xiuguo, Wu Lixin, et al. Local spatial-spectral similarity measure for bad-line restoration of Hyperion hyperspectral images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 456-462.
[169]

Norouzi M, Fleet D, Salakhutdinov R, et al. Hamming distance metric learning[C]// Advances in Neural Information Processing Systems. Lake Tahoe: IEEE, 2012: 1061-1069.
[170]

Kullback S, Leibler R A. On information and sufficiency[J]. The Annals of Mathematical Statistics, 1951, 22(1): 79-86.
[171]

Srinivasarao U, Sharaff A. Spam email classification and sentiment analysis based on semantic similarity methods[J]. International Journal of Computational Science and Engineering, 2023, 26(1): 65-77.
[172]

Singh M, Khunteta A, Ghosh M, et al. FbHash-E: a time and memory efficient version of fbhash similarity hashing algorithm[J]. Forensic Science International: Digital Investigation, 2022, 41: 301375.
[173]

Wang Y, Chen X, Wang F, et al. Meta-learning based hyperspectral target detection using siamese network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-13.
[174]

Gowtham B. Hyperspectral image analysis using principal component analysis and siamese network[J]. Turkish Journal of Computer and Mathematics Education, 2021, 12(7): 1191-1198.
[175]

Makantasis K, Karantzalos K, Doulamis A, et al. Deep learning-based man-made object detection from hyperspectral data[C]// International Symposium on Visual Computing. Las Vegas: Springer, 2015: 717-727.
[176]

Li W, Wu G, Du Q. Transferred deep learning for anomaly detection in hyperspectral imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(5): 597-601.
[177]

Liang J, Zhou J, Tong L, et al. Material based salient object detection from hyperspectral images[J]. Pattern Recognition, 2018, 76: 476-490.
[178]

Al-Sarayreh M, Reis M M, Yan W Q, et al. A sequential CNN approach for foreign object detection in hyperspectral images[C]// International Conference on Computer Analysis of Images and Patterns. Salerno: Springer, 2019: 271-283.
[179]

魏立飞, 余铭, 钟燕飞, 等. 空-谱融合的条件随机场高光谱影像分类方法[J]. 测绘学报, 2020, 49(3): 343-354.
[180]

Wei Lifei, Yu Ming, Zhong Yanfei, et al. Spatial-spectral fusion conditional random field method for hyperspectral image classification[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(3): 343-354.
[181]

Yan L, Zhao M, Wang X, et al. Object detection in hyperspectral images[J]. IEEE Signal Processing Letters, 2021, 28: 508-512.
[182]

Wang Z, Zuo R, Liu H. Lithological mapping based on fully convolutional network and multi-source geological data[J]. Remote Sensing, 2021, 13(23): 4860.
[183]

Lone Z A, Pais A R. Object detection in hyperspectral images[J]. Digital Signal Processing, 2022, 99: 103752.
[184]

张远飞, 吴德文, 朱谷昌, 等. 遥感蚀变信息检测中背景与干扰问题研究[J]. 国土资源遥感, 2008(2): 22-26, 42.
[185]

Zhang Yuanfei, Wu Dewen, Zhu Guchang, et al. Study on background and interference in remote sensing alteration information detection[J]. Remote Sensing of Land & Resources, 2008(2): 22-26, 42.
[186]

杨自安, 张远飞, 邵拥军, 等. 多光谱遥感蚀变信息检测与提取技术[M]. 北京: 地质出版社, 2021.
[187]

Yang Zi’an, Zhang Yuanfei, Shao Yongjun, et al. Multispectral remote sensing alteration information detection and extraction technology[M]. Beijing: Geological Publishing House, 2021.
[188]

王润生, 甘甫平, 闫柏琨, 等. 高光谱矿物填图技术与应用研究[J]. 自然资源遥感, 2010, 22(1): 1-13.
[189]

Wang Runsheng, Gan Fuping, Yan Baikun, et al. Hyperspectral mineral mapping technology and application research[J]. Remote Sensing of Natural Resources, 2010, 22(1): 1-13.
[190]

付长亮, 杨清华, 姜琦刚, 等. 遥感技术在境外地质调查中的应用——以津巴布韦大岩墙为例[J]. 国土资源遥感, 2015, 27(4): 85-92.
[191]

Fu Changliang, Yang Qinghua, Jiang Qigang, et al. Application of remote sensing technology in overseas geological survey: a case study of the Great Dyke, Zimbabwe[J]. Remote Sensing of Land & Resources, 2015, 27(4): 85-92.
[192]

Qin J, Zhan Y, Dai C, et al. Geologic body classification of hyperspectral data based on dilated convolution neural network at Tianshan area[C]// IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama: IEEE, 2019: 2985-2988.
[193]

代晶晶, 赵龙贤, 姜琪, 等. 热红外高光谱技术在地质找矿中的应用综述[J]. 地质学报, 2020, 94(8): 2520-2533.
[194]

Dai Jingjing, Zhao Longxian, Jiang Qi, et al. Review of thermal infrared hyperspectral technology in geological mineral exploration[J]. Acta Geologica Sinica, 2020, 94(8): 2520-2533.
[195]

郭娜, 史维鑫, 黄一入, 等. 基于短波红外技术的西藏多龙矿集区铁格隆南矿床荣那矿段及其外围蚀变填图-勘查模型构建[J]. 地质通报, 2018, 37(2/3): 446-457.
[196]

Guo Na, Shi Weixin, Huang Yiru, et al. Alteration mapping and exploration-model construction for the Rongna segment and surrounding area of the Tiegelongnan deposit in the Duolong metallogenic cluster based on short-wave infrared technology[J]. Geological Bulletin of China, 2018, 37(2/3): 446-457.
[197]

李志忠, 汪大明, 刘德长, 等. 高光谱遥感技术及资源勘查应用进展[J]. 地球科学, 2015, 40(8): 1287-1294.
[198]

Li Zhizhong, Wang Daming, Liu Dechang, et al. Hyperspectral remote sensing technology and advances in resource exploration applications[J]. Earth Science (Journal of China University of Geosciences), 2015, 40(8): 1287-1294.
[199]

Liu L, Yin C T, Khalil S Y, et al. Alteration mapping for porphyry Cu targeting in the western Chagai belt, Pakistan using ZY1-02D spaceborne hyperspectral data[J]. Economic Geology, 2024, 119(2): 331-353
[200]

Carion N, Massa F, Synnaeve G, et al. End-to-end object detection with transformers[C]// European Conference on Computer Vision. Glasgow: Springer, 2020: 213-229.
[201]

Wang C Y, Bochkovskiy A, Liao H Y M. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[J]. ArXiv: 2207. 02696, 2022.
[202]

Zhao F, Pan J, Zhao Z, et al. A novel neural network prediction model for mineral content based on elemental logging and well logging data[J]. Geophysics, 2024, 90(1): 1942-2156.
[203]

Miao Q, Wang P, Zhao H, et al. Mineral prospectivity prediction based on self-supervised contrastive learning and geochemical data: a case study of the gold deposit in the Malanyu District, Hebei Province, China[J]. Natural Resources Research, 2024, 33: 1377-1391.
[204]

Liu Y, Wang X, Zhang Z, et al. Deep learning based data augmentation for large-scale mineral image recognition and classification[J]. Minerals Engineering, 2023, 204: 108411.
[205]

Yang N, Zhang Z, Yang J, et al. Applications of data augmentation in mineral prospectivity prediction based on convolutional neural networks[J]. Computers & Geosciences, 2022, 161: 105075.
[206]

Rodriguez-Galiano V, Sánchez-Castillo M, Chica-Olmo M, et al. Machine learning predictive models for mineral prospectivity: an evaluation of neural networks, random forest, regression trees and support vector machines[J]. Ore Geology Reviews, 2015, 71: 804-818.

基金资助

国家自然科学基金(42172323)

PDF (5116KB)

54

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录