基于可见光—近红外光谱特征的BIF铁矿原位测定方法

何 群 王 东 刘善军 毛亚纯 孙厚广 孙铭辰

（1.东北大学资源与土木工程学院，辽宁沈阳110819；2.鞍山钢铁集团鞍千矿业公司，辽宁鞍山114043）

铁矿是支撑国民经济的主要矿产资源，条带状铁建造（BIF）（又称为“鞍山式”铁矿）是世界上最重要的铁矿资源类型，全球范围内广泛分布，资源量占世界铁矿总储量的60%。我国铁矿储量位列世界第五，仅次于俄罗斯、澳大利亚、巴西和加拿大，其中条带状铁建造（BIF）资源量约占国家铁矿总储量的50%［1］，开采方式以露天开采为主。目前，露天铁矿采场品位确定以传统化验方法为主，主要方法有高锰酸钾滴定法［2］、抗坏血酸滴定法［3］、电位滴定法［4］、微型滴定法［5］等。该类方法为点式采样，采样密度偏低，导致矿体边界圈定不够准确，易增大矿石损失率和贫化率，并且在配矿时由于室内化验周期长、效率低、品位测试结果滞后等因素，易导致选厂指标发生波动，使得配矿质量受到影响。现阶段，一些矿山采用了X射线荧光光谱分析法测定矿石成分及含量［6］，虽然该方法具有快速、便捷、不接触样品等特点，但仅能测定化学元素及其含量，无法获取矿物成分及含量，并且为提高测试精度需要将样品磨制成一定粒度的粉末样品，同样存在效率低、精度不高等不足。

近年来，国际矿产品价格波动明显，为及时有效适应价格波动，及时调整开采品位，从而合理利用矿产资源，降低开采成本，提高生产效率，实现矿山快速、高效、精准开采和合理配矿，对合理高效的岩矿测定方法进行研究十分必要。随着遥感技术的兴起，利用可见光、近红外以及热红外光谱进行岩矿成分测定开始得到研究，但主要应用于地质探矿领域［7-8］，并且大多针对粉末状样品，对于块状岩矿原位测定方面的研究尚未有重大突破。为此，本研究选择鞍千露天铁矿为试验场，通过现场典型样品采集、光谱测试、模型建立、模型验证等试验流程，揭示不同岩矿类型的光谱特征，建立矿石品位与光谱特征之间的联系，对BIF铁矿快速原位测定方法进行研究。

1 样品采集与测试

1.1 典型样品采集与加工

为构建不同岩矿的光谱识别模型，在鞍千露天矿现场采集了不同品位的磁、赤铁矿样本2.9 t，同时又采集了典型围岩样品，包括绿泥石片岩、云母片岩、混合花岗岩、千枚岩、斜长角闪岩等主要围岩1.2 t。对采集的赤铁矿、磁铁矿以及围岩样品进行钻孔取芯，而后进行切割，形成直径6 cm、厚度为2 cm的圆形薄片。将制作的圆形薄片样品平均分为2个部分，一部分进行光谱测试，另一部分进行化学成分测试。为确保样品具有代表性，样品切割时要求垂直于矿石条带，保证样品的光谱测试面具有均匀条带。本研究共制作了300件薄片样品，如图1所示。

1.2 样品化学成分测试

从制作的样品中挑选了80件典型铁矿石样品进行了化学成分测试，结果见图2。

分析图2可知：①样品SiO2含量较高，基本大于50%，且与矿石铁（Fe2O3+Fe3O4）含量成负相关关系；②当样品Fe3O4含量为0～15%时，Fe2O3含量变化无明显规律，两者关系不明显，当Fe3O4含量大于15%时，随着Fe3O4含量增加，Fe2O3含量呈减小趋势；③当Fe3O4含量小于30%时，CaO、MgO含量较小，当Fe3O4含量大于30%时，CaO、MgO含量增大，但两者总量不超过4%；④样品成分（S、Mg、Ai等）含量较少，总量一般小于1%。

1.3 样品光谱测试

对本研究制作的岩矿样品（包括赤铁矿、磁铁矿以及绿泥石片岩、云母片岩、混合花岗岩、千枚岩、斜长角闪岩）采用SVCHR-1024便携式地物光谱仪进行光谱测试，测试波段范围为0.35～2.5μm，属于可见光—近红外光谱，光谱分辨率小于8.5 nm。为降低气溶胶和太阳辐射传播路径的影响，光谱测试在晴天10∶00～14∶00进行，太阳高度角约45°。测量时确保样品观测面保持水平，光谱仪镜头与观测面基本垂直。将采样积分时间设置为3 s，每件样品重复测试2次，取其反射率平均值［9］。

试验样品的反射光谱测试结果如图3～图5所示，由于1.8μm波段后受结合水或水汽影响，光谱毛刺较多，波动较大，因此对其不予分析。

由图3、图4可知：赤铁矿样品光谱特征为：在350～934 nm波段范围内呈现较平缓的下滑特征，934～1 244 nm波段范围内呈现较明显的上升趋势，1 244 nm波段以后呈现整体缓和趋势，由于试验样品中含有水（包括孔隙水和结晶水），于1 380 nm波段处出现比较显著的波谷，且在1 400 nm波段处波动较大；磁铁矿样品的光谱特征为：在350～1 800 nm波段范围内呈现整体下降趋势，1 000 nm以后波段呈现较平缓的趋势，由于试验样品含有部分水（包括孔隙水和结晶水），于1 380 nm波段处出现波谷，但波谷深度明显小于赤铁矿样品的波谷深度；2种铁矿石类型的光谱反射率值均低于40%，350～1 800 nm波段内的最高反射率为36.16%，出现于波长1 250 nm左右处。

通过对比分析赤铁矿样品与磁铁矿样品的光谱特征，可知两者区别主要为：①350～934 nm波段内，赤铁矿样品的光谱曲线下滑趋势较磁铁矿样品的下滑趋势显著；②934～1 244 nm波段内，赤铁矿样品的光谱曲线呈现上升趋势，磁铁矿样品的光谱曲线继续呈现下滑趋势，且逐渐趋于平缓；③赤铁矿样品和磁铁矿样品的光谱曲线均于1 380 nm波段处出现波谷，但赤铁矿样品波谷深度明显大于磁铁矿样品波谷深度。

分析图5可知：①绿泥石片岩、斜长角闪岩、云母片岩三者的光谱特征相似，光谱曲线变化趋势基本一致，光谱特征曲线在350～500 nm波段范围呈现上升趋势，于500 nm波段处形成1个波峰，而后于500～1 120 nm波段范围呈现下降趋势，在1 120～1 800 nm波段范围呈现出轻缓上升趋势；②花岗岩光谱特征表现在350～500 nm波段范围内较平缓，500～630 nm波段范围呈现上升趋势，630～1 120 nm波段范围呈现轻缓下降趋势，1 120～1 800 nm波段范围内较平缓；③千枚岩光谱特征表现为整体反射率值较低，位于15%以下，光谱特征曲线在350～1 120 nm波段范围呈现轻缓下降趋势，1120～1 800 nm波段范围内较平缓；④5种围岩均于1 380 nm波段处出现1个波谷，且于1 400 nm波段处出现较显著的小范围震荡现象［10］。

与铁矿石的光谱特征相比，绿泥石片岩、斜长角闪岩、云母片岩样品的光谱特征曲线在350～500 nm波段范围呈现上升趋势，铁矿石光谱特征曲线于该波段范围呈现下降趋势，据此可以与铁矿石进行区分。花岗岩光谱特征曲线在500～630 nm波段范围呈现上升趋势，铁矿石的光谱特征曲线在该波段范围呈现下降趋势，据此可以与铁矿石进行区分。千枚岩与磁铁矿的光谱特征极为相似，光谱曲线变化趋势一致，但是两者在770～890 nm波段范围内的光谱反射率下降速率有一定区别，通过设定阈值可以与铁矿石进行区分。

2 铁矿类型识别和分类模型构建与验证

由图3～图5可知：2种铁矿（磁铁矿与赤铁矿）与5种围岩之间的光谱特征存在显著差异，本研究根据该类差异，构建岩矿识别和分类模型，岩矿识别流程如图6所示。首先依据围岩样品与铁矿石样品之间的光谱特征差异，将铁矿石样品从围岩中分离出来；然后依据赤铁矿样品与磁铁矿样品的光谱特征差异，对提取出的铁矿石样品进行赤铁矿、磁铁矿区分识别。

如图3～图5所示，赤铁矿与围岩光谱特征的主要区别在于980～1 120 nm波段范围内光谱特征曲线斜率（K980～1120）的不同，赤铁矿光谱曲线在该波段内的斜率为正，而围岩光谱特征曲线在该波段内的斜率为负。磁铁矿在350～500 nm波段范围的光谱特征曲线斜率（K350～500）均为负，绿泥石片岩、斜长角闪岩、云母片岩在350～500 nm波段范围的光谱特征曲线斜率（K350～500）为正，花岗岩在500～630 nm波段范围的光谱特征曲线斜率（K500～630）为正；磁铁矿光谱与千枚岩在770～890 nm波段范围内的光谱特征曲线下降速率不同。根据上述分析，本研究构建的铁矿石识别模型可描述为

式中，2个条件为“或”的关系，即只要满足其中1个条件即为铁矿石。

在铁矿石识别的基础上，依据赤铁矿样品与磁铁矿样品的光谱特征差异，对第一步提取出的铁矿石样品进行赤铁矿、磁铁矿区分。由图3、图4可知：赤铁矿光谱特征曲线在934～1 244 nm波段范围呈明显上升趋势，磁铁矿光谱特征曲线在该波段范围呈平缓下滑趋势，据此构建了归一化差异铁指数（Normalized differenceiron index，NDII）［9-10］

式中，R934为934 nm波段处的反射率值；R1244为1 244 nm波段处的反射率值。

依据赤铁矿样品光谱NDII大于0、磁铁矿样品光谱NDII小于0的特征，构建的赤铁矿、磁铁矿区分识别模型为

经过上述流程，即可将铁矿石样品从各类围岩样品中识别出，并对铁矿石样品进行矿石类型区分。

为验证模型的准确性，在300件样品中除去建模样品后，在剩余样品中挑选了174件样品，其中铁矿石样品108件，围岩样品66件。将样品平均分为6组，每组29件样品（其中，磁铁矿样品7件、赤铁矿样品11件、围岩样品11件）。根据图1及式（1）～式（3）对样品进行了识别和分类，结果如表1、表2所示。

由表1、表2可知：铁矿石与围岩的分类识别正确率平均为97.1%，108件铁矿石样品进一步区分为赤铁矿和磁铁矿的正确率平均为93.5%。本研究赤铁矿与磁铁矿的磁性率分类阈值为28%，铁矿石磁性率小于28%为赤铁矿，铁矿石磁性率大于28%为磁铁矿，对于磁性率处于28%左右的样品，光谱曲线趋势一致，光谱特征差别极小，不易对其进行区分，故而导致模型区分存在一定的误差。

3 全铁品位反演模型构建与验证

偏最小二乘法（Partial least squares，PLS）是一种数学优化技术，通过最小化误差平方和找到1组数据的最佳函数匹配。该方法是一种集多元线性回归分析、典型相关分析和主成分分析特点于一身的算法，可有效解决变量之间存在多重相关性或样本点数过少的回归分析难题。设有P个自变量{x1，x2，…，xp}和q个{y1，y2，…，yq}因变量，为研究因变量和自变量的统计关系，观测了n个样本点，由此构成了自变量与因变量的数据表X和Y。根据偏最小二乘回归方法原理，首先分别在X与Y中提取出成分t1、u1，t1为{x1，x2，…，xp}的线性组合，u1为{y1，y2，…，yq}线性组合。在提取这2个成分时，为了回归分析需要，设定：①t1和u1应尽可能多的携带它们各自数据表中的变异信息；②t1和 u1的相关程度能够达到最大［11］。

在第1个成分t1和u1被提取后，采用偏最小二乘回归分析方法分别实施X对t1的回归以及Y对t1的回归。如果回归方程己经达到满意的精度，则算法终止；否则，将利用X被t1解释后的残余信息以及Y被t1解释后的残余信息进行第二轮成分提取［11］，如此往复，直至达到较满意的精度为止。若最终对X共提取了m个成分t1，t2，…，tm，通过偏最小二乘回归将通过实施yk（k=1，2，…，q）对t1，t2，…，tm的回归，最终可表达成yk关于原变量{x1，x2，…，xp}的回归方程［11］。

以本研究磁铁矿、赤铁矿样本的化学分析数据及可见光—近红外光谱测试数据为数据源，以偏最小二乘算法为建模方法，构建了关于铁矿石全铁质量分数回归模型。样本可见光—近红外光谱范围为350～1 800 nm，样本输入信息是基于选定波段的光谱反射率值，输出信息为铁矿石的全铁质量分数。通过Matlab软件编程，建模步骤为：①采用批量处理程序，将经过可见光—近红外光谱测试、预处理后的样品数据文件合并为1个excel文件；②将矿石的全铁质量分数信息添加至样本光谱集合中，确保每件样品的光谱信息与样品全铁品位一一对应；③将前两步提供的数据读入Matlab软件，利用编写的偏最小二乘算法程序根据样品的光谱信息与全铁品位信息构建回归模型。

在鞍千露天矿重新采集了20件铁矿石样品，利用本研究构建的偏最小二乘定量回归模型对样品进行了全铁品位反演，并将结果与矿石品位化验结果进行了对比，结果如表3所示。由表3可知：利用光谱分析方法构建的偏最小二乘定量回归模型反演的全铁品位与矿山实测的铁矿石品位的误差平均约3.43%，精度较高。

4 结语

以鞍千露天铁矿为例，通过现场采样、光谱测试、模型建立、模型验证等试验流程，研究了BIF铁矿的光谱特征，分析了矿石类型、品位与光谱特征之间的联系，对BIF铁矿原位测定方法进行了研究，分别构建了岩矿识别与分类模型以及偏最小二乘法全铁品位回归模型。研究表明：利用所构建的岩矿识别与分类模型，不仅可以将铁矿石从围岩中区分出，还可以有效识别铁矿石类型，铁矿石与围岩的分类识别正确率为97.1%，赤铁矿和磁铁矿的分类识别正确率为93.5%；利用偏最小二乘法建立的全铁品位回归模型获得的全铁品位反演值与实测值的误差仅为3.43%，精度较理想。通过采用本研究提出的BIF铁矿原位测定方法有助于提高采场矿体圈定精度，实现矿山精准开采与合理配矿。