岩矿高光谱遥感及其在青藏高原的应用前景*

丁文清 丁 林

（1.中国科学院青藏高原研究所 北京 100101；2.青藏高原地球系统与资源环境国家重点实验室 北京 100101；3.中国科学院大学地球与行星科学学院 北京 100049）

地质学研究具有宏大的时间—空间尺度特征。古生物化石和同位素地球化学帮助解决了时间维度的问题，空间上则主要依赖于地质工作者的野外调查。而对于青藏高原等一些地形复杂的高海拔无人区，进行传统的野外勘查和测绘填图不仅费时、费力、耗财，还具有很高的危险性（Zhang et al.，2021），这在一定程度上限制了对某些关键科学问题的突破和矿产资源的勘探。遥感科学具有得天独厚的空间优势，为解决这一难题提供了可能的方案（Bedini，2017；Frauenfelder，2021）。

有关遥感科学在地质学领域的应用研究最早出现于20 世纪60 年代（Beckman and Whitten，1966），直到Hunt（1977）通过室内实验系统地分析了自然界主要矿物和岩石类型的诊断性光谱吸收特征，地质遥感的研究才开始逐渐盛行。1999 年搭载于Terra 卫星上的ASTER 多光谱传感器的发射升空，极大地推动了地质遥感的发展（Gillespie et al.，2005）。ASTER 图像提供了进行半定量矿物填图的机会，被地质学界视为在空间能力发展上的一个真正里程碑（Meer et al.，2012；Bishop et al.，2018），其相关数据近20 年来一直被广泛用于蚀变矿物填图和找矿预测等方面的工作（代晶晶等，2012；Cudahy et al.，2016；Abrams and Yamaguchi，2019；Hu et al.，2019；Chattoraj et al.，2020）。

光学遥感影像经历了全色—彩色—多光谱—高光谱的发展历程（Meer et al.，2012）。高光谱遥感也被称为成像光谱遥感，相比多光谱具有图谱合一的特点，即可以同时获取二维空间信息和连续的光谱维信息（Goetz et al.，1985；童庆禧等，2006），是目前光学遥感领域最先进的技术。光谱分辨率的提高使得由物质本身微小成分变化引起的光谱特征差异可以被识别（Clark et al.，1990），因此在岩石矿物分类、化学组成的探测甚至定量—半定量分析等方面具有更大的优势。经过30 多年的发展，国内外已经形成了天—空—地多平台的高光谱遥感观测体系（图1），目前已被广泛地应用于基础地质填图、矿产勘查、油气勘探、矿山环境监测以及月球、火星等行星地质遥感研究中（甘甫平等，2004；王润生等，2010；Meer et al.，2012；Ramakrishnan and Bharti，2015；童庆禧等，2016；张兵等，2021）。

图1 多平台遥感数据在地质填图中的综合应用示意图（据Booysen et al.，2021 修改）Fig.1 Image depicting the integrated application of various data sets acquired with satellite，airborne and ground-based platforms in geological mapping（modified after Booysen et al.，2021）

1 岩矿光谱特性

太阳光谱通常被划分为紫外光（UV，0.001～0.4 μm）、可见光（VIS，0.4～0.7 μm）、近红外（NIR，0.7～3.0 μm）、中红外（MIR，3.0～30 μm）和远红外（FIR，30 μm～1 mm）等几部分，而在地质领域得到应用的主要是可见光—近红外（VNIR，0.4～1.0 μm）和短波红外（SWIR，1.0～2.5 μm）光谱区间（Clark，1999），对热红外（TIR，6～14 μm）部分的应用则相对比较薄弱。当太阳光线照射到矿物或岩石表面时，特定波长的入射光一部分被吸收，另一部分则被反射或透射，吸收或反射的比例取决于物质化学成分和晶体结构。能量的吸收主要由物体内电子过程和分子振动造成，电子过程包括晶体场效应、电荷转移、导带和色心；分子振动过程包括化学键的伸缩、弯曲和旋转等（Clark，1999；童庆禧等，2006；Ramakrishnan and Bharti，2015）。Hunt（1977）最早系统分析了各种矿物的特征谱带位置及其吸收机理（图2），为通过反射光谱进行矿物探测奠定了基础。

图2 实验测定的主要矿物类型的诊断性光谱吸收特征位置（据Hunt，1977 修改）Fig.2 Spectral signature diagram of various minerals measured in the laboratory（modified from Hunt，1977）

1.1 电子过程

矿物在可见光区域的选择性吸收主要由金属阳离子的电子过程产生。

（1）晶体场效应：晶体场随矿物的晶体结构不同而变化，因此晶体场中的原子分裂时吸收的能量也不同，矿物中最常见的光谱吸收来自于Ni、Cr、Co、Fe 等过渡族金属元素。同一离子在不同矿物中由于晶体场的差异也可产生不同的吸收光谱，据此可以区分不同矿物种类。

（2）电荷转移：电子在不同能级之间发生跃迁的过程中会吸收或发射一定波长的电磁辐射，产生特征的光谱，如Fe-O 在蓝波段的能量吸收导致铁氧化物和氢氧化物常呈红色。不同价态的同一金属元素可能具有不同的吸收特征（如Fe2+和Fe3+），元素的取代也会造成吸收带位置的微小移动，如赤铁矿中的Fe 被Al 取代时会导致谱带漂移。

（3）色心：自然界中的矿物晶体往往并不完美，具有晶格缺陷的矿物晶体被光线照射时引起可见光区域的光谱吸收称为色心，常见的卤化物矿物由于色心的吸收而表现出特殊的颜色，如萤石的黄色、紫色和蓝色等。

（4）导带：在某些半导体矿物中，电子可以驻留在两个能级中——能级高的导带（conduction band）和能级低的价带（valence band），二者间能级的差异称为带隙。带隙与可见光到近红外波长范围的光子能量相对应，其光谱近似为一个阶跃函数。由于导带跃迁，硫磺（S）和辰砂（HgS）、辉锑矿（Sb2S3）等硫化物在可见光波段显示出尖锐的反射边。

1.2 振动过程

不同成分或结构的晶体由于分子或晶格中化学键的振动在不同位置产生基频（fundamental），多个基频振动相互叠加产生倍频（overtone）和合频（combination）。矿物在短波红外区域的反射率吸收光谱主要由阴离子基团的振动过程产生：

（1）水和羟基：矿物中的水分子可以结晶水和吸附水的形式存在，在1.4 μm和1.9 μm处表现出明显的吸收（修连存等，2007）。羟基离子是高岭石、云母、绿泥石等热液蚀变矿物中的常见组分，它的吸收位置取决于与它结合的阳离子，往往成为这些矿物的主要鉴别特征。如含Al-OH 和含Mg-OH 的矿物分别在2.2 μm、2.3 μm 处具有特征吸收光谱，这对于岩浆热液型矿床的勘查具有重要意义。

（2）碳酸盐：碳酸盐的振动吸收谱带是由平面CO32-产生的，其特征的倍频和合频谱带出现在1.9 μm、2.35 μm 和2.55 μm 附近。精细的吸收波长位置随成分不同而变化，如碳酸盐岩在2.30～2.40 μm 范围内的吸收特征随样品中Mg 和Fe 替代Ca 的数量增加而向短波方向移动，可以用来估计岩石样品中方解石和白云石等矿物的含量（Laukamp et al.，2021b）。

（3）其他矿物：硫酸盐、磷酸盐、硼酸盐、砷酸盐和钒酸盐等也有各自特征的振动吸收光谱，通常它们主要的特征谱带出现在短波红外波段（燕守勋等，2003）。

实际上，矿物中可能导致光谱吸收的潜在因素十分复杂，因此，彻底理解矿物物理化学与诊断性光谱吸收特征产生机理的关系对反射光谱的有效解译至关重要。最近，Laukamp et al.（2021b）对各种环境下主要造岩矿物在短波红外（SWIR）、中红外（MIR）和热红外（TIR）波段的振动吸收特征做了全面的总结和更新。

1.3 岩石光谱特征

岩石是矿物的集合体，其光谱本质上是多种矿物光谱的混合，因此岩石的光谱特征主要取决于其矿物组成及相对含量，同时还受到地表风化、岩石结构和表面颜色等外在因素的影响（Feng et al.，2018；王珊珊等，2018）。石英、长石、角闪石等最常见的造岩矿物在可见光—近红外波段的光谱曲线比较平缓，不具备诊断性特征，其吸收光谱往往是受到杂质和水的影响（燕守勋等，2003），但这些硅酸盐矿物由于Si-O 四面体的振动可以在热红外（TIR）区间产生特征的发射光谱曲线（Laukamp et al.，2021b）。研究表明，从酸性岩到超基性岩，随着SiO2含量的减少，岩石在10 μm 附近的特征谱带向长波方向漂移（Sabins，1999）。美国地质调查局（USGS）构建了完整的地物光谱数据库（https：//speclab.cr.usgs.gov/spectral-lib），包含主要岩石、矿物类型的实测光谱曲线（Kokaly et al.，2017）。国际上常用的矿物光谱库还包括美国宇航局（NASA）的JPL 光谱库（https：//speclib.jpl.nasa.gov/documents/jpl_desc）、约翰霍普金斯大学光谱库（https：//speclib.jpl.nasa.gov/documents/jhu_desc）和ASTER 光谱库（http：//asterweb.jpl.nasa.gov）。

从以上分析可以看出，岩石和矿物微细的化学成分和晶体结构变化常常导致光谱吸收位置和吸收形态的变化，高光谱遥感凭借其极高的光谱分辨率优势可以敏锐地捕捉到这种差异（Cloutis，1996），因此不仅能识别岩性和矿物大类，也能精细区分单矿物甚至是矿物的类质同象和固溶体系列（Clark et al.，1990；王润生，2009）。

2 高光谱遥感岩矿填图方法

利用高光谱遥感进行岩矿填图虽然具有独特的优势，但至今仍面临着数据源有限和处理过程复杂两大障碍（Meer et al.，2012；童庆禧等，2016）。目前常用于地质领域的代表性高光谱传感器有美国的Hyperion（甘甫平等，2002a；Bishop et al.，2011；Zadeh et al.，2014；Huang and Zheng，2019）、AVIRIS（甘甫平等，2003；Kruse，2015；Kumar et al.，2020），澳大利 亚 的HyMap（De Boissieu et al.，2018；Meer et al.，2018；李娜等，2021），加拿大的CASI 和SASI（董新丰等，2014，2018；刘德长等，2017；Wan et al.，2021），意大利的PRISMA HSI（Bedini and Chen，2020），以及中国的搭载于高分五号卫星（GF-5）上的高级高光谱成像仪（AHSI）（李娜等，2019；董新丰等，2020；Ye et al.，2020；Fu et al.，2021）等，其基本参数总结于表1。另外，我国的天宫一号（TG-1）（林健等，2014；Liu et al.，2018）、珠海一号（OHS）（李先怡等，2019）和资源一号02D 星（ZY-1 02D）（李娜等，2020）上也搭载了高光谱传感器，也可满足部分岩性矿物填图的要求，其地质应用潜力仍有待挖掘。

表1 岩矿填图常用高光谱传感器基本参数Table 1 Basic parameters of hyperspectral sensors commonly used in rock and mineral mapping

高光谱数据具有波段多、光谱分辨率高的特点，带来丰富的地物信息的同时也造成了数据的冗余，使得对数据的处理更加复杂。开展高光谱遥感岩矿填图的基本流程如图3 所示。由于受到地表特性、大气过程、遥感器载荷参数差异等因素的影响，对获取的高光谱数据，根据产品级别不同，通常需要用户进行辐射定标、大气校正和几何校正等预处理过程（童庆禧等，2006）。其中，大气校正最常用的方法是FLASSH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes），其目的是将光谱辐射率转换为反射率。利用反射率数据进行岩矿特征信息提取，其中涉及到特征波段选择、波段比值和主成分分析以及图像融合、像元解混等技术手段（Cloutis，1996），其本质都是为了突出岩矿光谱特性与其本身物化属性间的关联性，从而实现岩性和矿物的精确识别（甘甫平等，2002b）。目前国内外发展的岩矿高光谱识别方法可以分为3 类（王润生等，2010；Meer et al.，2012；Asadzadeh and de Souza Filho，2016；Hu et al.，2018）：

图3 高光谱遥感岩矿填图工作流程Fig.3 Flowchart for hyperspectral remote sensing of rock and mineral mapping

（1）光谱匹配方法：将遥感成像光谱与光谱库的参考光谱或实测光谱相匹配，构建某种测度函数以评估它们之间的相似性，从而对矿物进行分类。如距离法（DBM）、光谱角填图（SAM）、匹配滤波（MF）、光谱信息散度（SID）、混合调制匹配滤波（MTMF）等（Bishop et al.，2011；Zadeh et al.，2014；董新丰等，2018；Liu et al.，2018；Wan et al.，2021）。最新的研究还聚焦于混合算法的发展，即将不同的相似性度量方法综合于单一度量体系，如Kumar et al.（2020）通过正切三角函数计算开发了一种混合算法SIDSAMtan（即SID × tan（SAM）），结合光谱信息散度和光谱角填图两种方法的特点，提高了矿物识别能力。同时提出基于目标和非目标的光谱相似性矩阵的方法，可用以确定矿物光谱填图方法的最佳阈值。

（2）模式识别方法：以矿物学和光谱学知识为基础，提取具有诊断性的光谱特征或光谱吸收参数（如吸收位置、深度、宽度、对称度等），建立识别规则，对矿物进行分类（De Boissieu et al.，2018；Meer et al.，2018；Laukamp et al.，2021b），如光谱特征拟合（SFF）、光谱吸收指数（SAI）和吸收谱带定位分析（AABP）等。

（3）人工智能方法：上述两类岩矿填图方法的应用已经很成熟，但这类方法往往要求研究者具有足够的专家经验和先验知识来设置合适的参数，以获得最优分类效果，且只能提取遥感图像的浅层特征，分类精度有限。近年来，基于机器学习和深度学习的算法在计算机视觉和图像分类中的应用发展迅速，但在岩矿填图领域尚未受到足够的重视，将是未来的重要发展方向之一（Shirmard et al.，2022）。该类算法可以同时提取高光谱图像的空间和光谱特征，在处理高维度、特征复杂的数据方面表现出强大的优势。其基本原理是通过大量训练数据让计算机学习知识，使其能够自动从原始数据中提取特征和信息，然后对测试样本的像元进行分类，减少了人为干预的主观性。训练样本可以是基于研究区的野外实测光谱，也可以参考大比例尺地质图，选取高光谱图像中典型的岩体单元，绘制训练区域，通常后者的效果更好。国内外已有学者将部分人工智能算法引入到岩矿填图的实验中，机器学习算法如随机森林（RF）、支持向量机（SVM）、极限学习机（ELM）等（Hu et al.，2018，2019；Thiele et al.，2021）；深度学习算法如栈式自编码（SA）、深度信念网络（DBN）和卷积神经网络（CNN）等（Ye et al.，2020；Fu et al.，2021）。

针对不同的矿物、岩石类别及区域具体情况，选择合适的光谱填图方法，最终可以得到岩性或矿物类别分布的填图结果。而矿物丰度的定量反演主要使用经验模型和基于辐射传输理论的物理模型，如光谱吸收指数、光谱混合分解和数理统计等方法。此外，物质的化学成分变化会影响光谱吸收的波长位置，特征吸收的深度则与物质的丰度成正相关，因此利用高光谱技术也能进行矿物化学组成的定量反演（Meer，2018；Laukamp et al.，2021b）。最终通过精度评价、野外查证和地球化学分析可以检验高光谱填图的准确性。

值得注意的是，遥感填图的结果往往具有一定的不确定性，可能会存在假异常。研究者们已经逐渐认识到，结合地质、地球化学、地球物理的多学科手段交叉验证可以有效增加矿体预测的准确性和可靠性，降低勘探风险。如Chattoraj et al.（2020）将基于ASTER 遥感数据的光谱填图结果与布格重力异常、元素异常、线性构造密度图结合，分别赋予不同的权重值，叠加后识别出了最有潜力的矿化区。

3 岩矿高光谱遥感应用进展

3.1 区域岩矿填图

美国内华达州的Cuprite 地区是开展遥感地质学试验和应用示范最经典的地区，由于地处干旱环境，热液蚀变区域出露良好，发育有明矾石、高岭石、伊利石、白云母等蚀变矿物，吸引了众多国内外研究者在此进行遥感岩矿填图（Goetz et al.，1985；Kruse et al.，2003；董新丰等，2020）。Goetz and Srivastava（1985）使用世界上首台机载成像光谱仪（AIS）在Cuprite 地区发现了一种十分稀少的矿物——水铵长石，该矿物在野外调查中难以直接鉴别，但具有2.12 μm 的特征吸收光谱。Bedini and Chen（2020）的填图结果则表明，30 m 空间分辨率的星载PRISMA 传感器也能成功探测出露面积较小的水铵长石。我国自然资源航空物探遥感中心利用Cuprite 地区的AVIRIS 数据开展矿物识别试验，提出并建立了分别以特征谱带—谱带组合—全谱带光谱分解进行矿物大类—单矿物—矿物精细识别的分层识别矿物谱系（甘甫平等，2003），取得了较好的效果。最近，Tan et al.（2020）提出一种基于岩性超像元的波段选择方法，应用于Cuprite 和准噶尔地区的岩性填图中，通过选择更少的波段数而获得了更精确的分类结果。

Hyperion 作为世界上首台星载高光谱传感器，覆盖了VNIR-SWIR 波段，且影像数据相对容易获取，因此多年来无论国内还是国外的卫星高光谱岩矿识别研究都以Hyperion 为主要数据来源。然而，较低的信噪比影响了Hyperion 提取特征光谱和识别单矿物的能力，往往导致具有相似光谱特征的矿物被混淆（Kruse et al.，2003；Zadeh et al.，2014）。中国于2018 年发射的GF-5 AHSI 传感器不仅光谱分辨率更高，其信噪比（SNR）和幅宽也大大优于Hyperion（孙允珠等，2018；刘银年等，2020），有效缓解了当前高光谱数据源不足的处境，已经在地质领域的应用中表现出了强大的性能，并将在未来的高光谱岩矿研究中持续发挥作用。如董新丰等（2020）基于GF-5 卫星AHSI 数据在甘肃柳园地区开展工作，使用综合了光谱特征增强匹配度和特征参量的矿物识别方法，共识别出白云石、方解石、绢云母、绿泥石和高岭石等10 余种矿物，并进一步对绢云母Al 含量信息进行了反演（图4）。结果表明GF-5 超高的光谱分辨率在矿物成分信息识别上具有很强的优势，但与机载传感器数据相比，空间分辨率较低导致像元混合明显，可能造成对含量较低的矿物有一定漏检。

图4 柳园地区GF-5 卫星高光谱矿物填图结果（据董新丰等，2020 修改）a.矿物分布图；b.绢云母成分图Fig.4 Hyperspectral mineral mapping result of GF-5 of Liuyuan area（modified from Dong et al.，2020）

机器学习、深度学习方法在遥感图像分类中的应用成为近年来高光谱研究的一大热点，在岩矿领域也表现出很好的应用潜力（Shirmard et al.，2022）。Ye et al.（2020）基于深度学习的方法，利用GF-5 AHSI 图像在柳园地区进行岩性单元填图，成功划分了不同时代的岩浆岩、沉积岩和变质岩等十多种岩性单元，与区域地质图基本一致（图5）。不但表明高分五号SWIR 数据信噪比高，满足大比例尺、大面积岩性填图的要求（李娜等，2021），也证明了深度学习算法在岩性填图中的优越性，其使用的多尺度三维深度卷积神经网络法（M3D-DCNN）分类精度高、分类效果稳定，总体精度高达97%。Fu et al.（2021）评估了栈式自编码（SAE）和几种卷积神经网络方法（CNN）在蚀变矿物填图中的性能，直接填绘了西藏多龙矿集区的绢英岩化带、泥化带和青磐岩化带的空间分布，表明深度学习方法具有强大的学习能力，可以从高光谱图像中同时提取深层光谱和空间特征，减少相似矿物间的错分误差。

图5 柳园地区GF-5 AHSI 岩性填图结果与区域地质图比较（据Ye et al.，2020 修改）Fig.5 Comparison between GF-5 AHSI lithological map and regional geological map in Liuyuan area（modified from Ye et al.，2020）

越来越多的对比研究表明，综合多谱段或全谱段的光谱填图可以充分发挥不同波段的特性，大大改进对岩性单元和蚀变矿物的填图效果。这是因为每个波段区间具有不同的岩矿识别能力，针对不同地物有各自的优势和局限性。如VNIR 波段适于提取含铁离子的矿物，SWIR 波段则可以区分碳酸盐矿物和含Al-OH、Mg-OH 的热液蚀变相关矿物，而TIR 波段具有识别石英和主要造岩硅酸盐矿物的能力。Kruse（2015）通过逻辑运算符对VNIR-SWIR-LWIR 波段数据进行组合，在全谱段范围内获得蚀变矿物和岩性填图的综合结果，弥补了各波段独立分析的不足。Feng et al.（2018）则是采用连续小波分析（Continuous Wavelet Analysis）方法结合SWIR-LWIR 数据，同时获取了超镁铁质岩体、镁铁质岩体和富石英沉积物等地质单元的空间分布，不但减小了光谱数据的随机噪声和空间条带对岩性解译的影响，同时也增强了相似岩体间微小的矿物成分差异。

此外，相较于野外地质填图的区域局限性，高光谱遥感填图可以发现一些通过传统手段难以探测到的隐伏断层和岩体，从而对过去地质调查绘制的地质图进行校对和修订（李娜等，2021；Wan et al.，2021）。

3.2 矿产资源勘查

高光谱遥感技术已在金伯利岩矿床、碳酸岩稀土矿床、斑岩矿床、浅成低温热液型矿床、矽卡岩矿床等众多矿床类型的勘查中得到广泛应用（Bedini，2017），其中最受关注的则是斑岩型铜矿床（甘甫平等，2002a；Bishop et al.，2011；Zadeh et al.，2014；Hu et al.，2018；Fu et al.，2021）。因为斑岩铜矿具有典型的热液蚀变和矿化分带特征——核部为钾化带，外围分别为绢英岩化带、泥化带、青磐岩化带（Lowell and Guilbert，1970）。这些蚀变矿物在SWIR 区域具有独特的吸收光谱，很容易被识别，如泥化带中的高岭石，表现出在2 200 nm 附近的强烈吸收和2 170 nm 处的次级吸收（图6）。通过高光谱遥感开展蚀变矿物填图，不仅有利于圈定找矿靶区，也能分析成岩成矿的温压条件和热液流体的物理化学性质及迁移过程（Van Ruitenbeek et al.，2005；Guo et al.，2019；唐楠等，2021），反演成岩成矿历史，从而建立成矿和找矿模型（刘德长等，2017；郭娜等，2018）。

图6 典型斑岩铜矿蚀变分带（据Lowell and Guilbert，1970 修改）及其特征矿物的反射率光谱（光谱数据来自USGS splib07a 光谱库：https：//crustal.usgs.gov/speclab/QueryAll07a.php）Fig.6 Alteration zones of typical porphyry copper deposits（modified from Lowell and Guilbert，1970）and reflectance spectra of characteristic minerals（https：//crustal.usgs.gov/speclab/QueryAll07a.php）

光谱分辨率的提高会导致空间分辨率相对降低，造成更大的像元混合，从而影响矿物识别效果，尤其是对于丰度较小的矿物或小型岩体干扰很大（Kruse et al.，2003；Liu et al.，2018），因此多源遥感数据的结合对于区域找矿大有裨益。Hu et al.（2018）综合使用Sentinel-2A、ASTER 和Hyperion 数据在青藏高原多龙矿集区进行热液蚀变矿物填图。通过Sentinel-2A MSI 图像进行铁氧化物和含羟基矿物填图，ASTER 数据则被用于提取Al-OH 和Mg-OH 族矿物的信息。最后通过匹配滤波法分析Hyperion 高光谱图像，识别白云母、高岭石和绿帘石，获得准确的热液蚀变填图结果。根据填图结果，圈定了3 个与长英质侵入体有关的成矿远景区。类似地，Bishop et al.（2011）在云南普朗地区进行高光谱遥感矿产勘查，首先利用ASTER 数据确定初始靶区，再利用Hyperion 数据进行详细的矿物填图。最终通过光谱角填图和混合调制匹配滤波法识别出一致的蚀变分带模式，即由中心向外发生绢英岩化（绢云母）、泥化（高岭石和蒙脱石）、青磐岩化（绿帘石）的变化，反映了低温、低硫化组合的特征，代表远离侵入杂岩中心的边缘热液体系，因此认为该区域可能难以发现具有重大经济意义的矿床。

对于热液矿床，高光谱遥感分析主要针对与成矿相关的各种蚀变矿物组合，而对于矿化蚀变不发育的地区也可以通过直接识别矿石矿物进行找矿，比如通过提取赤铁矿、菱铁矿分布信息来寻找沉积型铁矿（董新丰等，2018），或分析风化层反射光谱特征以寻找风化成因的红土型镍矿（De Boissieu et al.，2018）和稀土矿床（Tan et al.，2022）。

利用高光谱技术对钻孔岩心成像是光谱地质学发展的又一趋势（郭娜等，2018；唐楠等，2021；Medina et al.，2021；Xiao et al.，2021），它弥补了卫星和机载平台只能对地表的矿物分布进行探测而无法在垂向上获得深部数据这一缺陷。通过短波红外分析实时进行快速、无损的岩心编录工作，已经成为岩浆—热液矿床勘探中的重要工具。Guo et al.（2019）在青藏高原甲玛斑岩—矽卡岩型铜矿区，进行野外钻孔样品的可见光—短波红外反射光谱测量，借助TSG 软件（The Spectral Geologist™）对岩心中几种主要矿物的含量进行快速估计。结合地球化学数据分析，表明Al-OH 波长与Cu、Mo 矿的品位有密切关系，矿体主要与Al-OH 波长为2 203～2 206 nm 的白云母共存，富矿出现在Al-OH 波长＞2 206 nm 的地方，认为甲玛矿床深部仍有很好的找矿潜力。白云母的特征波长由长到短和结晶度由高到低的变化指示了成岩温度由高到低、离成矿中心距离由近及远的变化，这对于成矿期次的划分、流体与围岩的相互作用和寻找高品位矿床具有重要启示（Medina et al.，2021；Xiao et al.，2021）。

为了能够更直观地反映矿区地质特征、揭示成矿规律，矿物填图研究已逐步从二维平面填图向立体空间的三维填图模型发展。为了勘查被沉积物覆盖的河道型铁矿（Channel Iron Deposit），澳大利亚科学家开发了三维矿物填图技术，通过获取Rocklea穹隆地区的钻井岩心高光谱数据（HyLogging™）和地表航空高光谱数据（HyMap™），并结合X 射线荧光光谱分析的全岩地球化学数据，来实现3D 可视化矿物填图的目的（图7）（Cudahy，2016；Laukamp et al.，2021a）。结果表明，集成了地表与地下相关资料的3D矿物填图技术可以提高钻孔布置的准确性，大大降低勘探风险和成本。而利用反射光谱测定的高岭土结晶度可以区分原地风化的基岩和被搬运的河道沉积物，联合植被解混方法的应用，则为在植被发育和风化层覆盖的地方找矿提供了可能。此外，Thiele et al.（2021）开发了多尺度、多传感器数据集成的自动化3D 地质填图软件平台，应用于西班牙Corta Atalaya 露天矿的岩性和蚀变填图。

图7 西澳Rocklea 穹隆地区3D 矿物模型（据Cudahy，2016 修改）a.Rocklea 穹隆西南斜向3D 视图，展示了利用机载HyMap™（表层）和钻井岩心HyLogger™（彩色竖桩）反射光谱测定的高岭土无序度。冷色代表原地风化的基岩，暖色代表被搬运的物质（冲积物/塌积物）。CID 的分布是由XRF 测出的FeO 质量分数计算得到的，用红色阴影块体表示（C）。风化的基岩区域用黄色虚线标出，并标出那些打进地下贫矿区的钻孔（D，E，F，G）。白色直线表示（b）中横截面（A-B）的位置。 b.通过钻井岩心和机载遥感影像测得的横截面（A-B）的FeO 含量，去除了地表植物混合的影响。橙黄色虚线多边形表示铁矿壳，从冲积物覆盖的20 m 以下（H）延伸到出露于地表（I）Fig.7 3D mineral models of the Rocklea dome area，western Australia（modified from Cudahy，2016）

3.3 矿物化学反演

高光谱遥感在地质领域的应用不能简单停留在对岩石矿物类型的鉴别上，也需要强调对岩矿化学（元素含量）和物理（与成岩成矿及变质过程有关的温度、压力）信息的提取。光谱特征与矿物化学、晶体结构的关系变化，可以提供其地质成因及形成时的温、压信息。王润生等（2010）研究表明随绿泥石生成温度的升高，其Mg-OH /Fe-OH 基团的特征吸收位置向长波方向漂移。白云母在2 200 nm 处有显著的吸收，这是由OH 拉伸和Al-OH 弯曲共同造成的，而具体的吸收位置与白云母中Alvi的含量有关。Duke（1994）发现变质杂砂岩中的白云母Alvi含量与变质级别成正相关，即随变质程度增加（从黑云母带到矽线石带），白云母中Alvi含量增加，Al-OH 吸收位置向短波方向漂移，吸收深度加深（图8）。据此可建立白云母特征谱带位置与八面体Al 离子含量的相关回归方程（梁树能等，2012），更为重要的是，这为岩石学家评估变质强度的空间变化提供了一种全新的方法，有助于恢复区域变质历史信息。此外，在SWIR 区域，伊利石、高岭石和白云母的特征波长位置是矿物结晶度的指标，而结晶度又是这些矿物形成温度或风化程度的指标，代表了它们在蚀变系统中所处的位置，因此通过波长特征填图可以增进对热液系统中流体路径和微小地球化学变化的理解（Van Ruitenbeek et al.，2005；Meer et al.，2018）。

图8 黑云母带和矽线石带全岩粉末样品的实验室傅里叶变换红外反射光谱，显示了主要的白云母（musc）和黑云母（biot）吸收带（据Duke，1994 修改）Fig.8 Laboratory Fourier-transform-infrared reflectance spectra of two whole-rock powders showing principal muscovite（musc）and blotite（biot）absorption bands（modified from Duke，1994）

4 高光谱遥感在青藏高原的地质应用前景

青藏高原一直是全世界地球科学研究的前沿热点地区，也是未来发展地球系统科学最理想的天然实验室（Chen et al.，2021），并且矿产资源丰富、植被覆盖度低，但由于地势偏远、交通不便等原因，地质工作程度相对不足。相比于传统地质学往往针对某个特定剖面开展研究，高光谱遥感可以在大范围内获取空间上连续的岩石矿物、元素含量分布信息，有助于增强对区域地质背景的全面理解。同时，地质遥感的研究将会大大减少对岩矿实物样品的需求，做到无损分析，有利于生态环境的保护。以下主要从两大方面分析高光谱地质遥感在青藏高原的应用前景与发展方向。

4.1 地质填图与矿产资源勘查

（1）青藏高原海拔高、自然环境恶劣，传统的地质填图和找矿方法成本花费高、风险大、难以获取全面信息。遥感制图正在迈入基于大数据和人工智能技术的智慧制图时代（宫鹏，2021），岩矿填图方法也应当与时俱进，探索将创新的制图理论与技术应用于地质领域。集成多源数据的智能化、自动化数字地质填图是不可阻挡的发展趋势（Thiele et al.，2021），一些最新开发的人工智能算法还没有被引入遥感图像处理中，如贝叶斯深度学习、图深度学习、转换递归神经网络等，尝试将这些先进的方法应用到青藏高原高光谱岩矿填图中有望大幅提高野外地质填图的效率与准确度。

（2）浅成低温热液型金矿床和斑岩型铜矿床是目前高光谱遥感找矿应用最多的矿床类型（Bedini，2017），在青藏高原已发现的铜矿床中，以多龙矿集区为代表的斑岩型矿床占比超过一半（王勤等，2017），具有巨大的铜矿资源潜力。大规模热液蚀变带的发育，使得以蚀变矿物为主导的高光谱遥感找矿勘查在青藏高原大有可为。

（3）作为全球三大成矿域之一，青藏高原成矿规模大、矿床类型丰富（侯增谦等，2006），除了广受关注的斑岩矿床之外，还包括矽卡岩铁矿（如羌塘南缘材玛）、蛇绿岩铬铁矿（如罗布莎）、造山型金矿（如藏南Au-Sb 成矿带）、岩浆镍铜矿（如夏日哈木）等，针对不同矿床类型的成矿岩体及相关蚀变矿物开展高光谱遥感调查有望发现新的矿化点。最近，秦克章等（2021a）在喜马拉雅琼嘉岗地区首次发现了伟晶岩锂矿，锂资源量达超大型规模。根据秦克章等（2021b）提出的“向更高处找锂”的观点，喜马拉雅高海拔地区淡色花岗岩体外侧远端的围岩内最可能产出含锂伟晶岩，然而，由于山高势险等原因，众多5 400 m 以上的更高海拔地区尚未开展检查工作。利用高光谱和多光谱数据探测喜马拉雅地区的含锂矿物（如锂辉石、锂云母等）、花岗伟晶岩的分布，将有助于推动青藏高原硬岩型锂资源的找矿预测。为满足世界范围内日益增长的稀有金属锂资源需求，未来几年通过高空间和高光谱分辨率的卫星数据进行锂矿勘查将成为新的研究热点。

（4）岩心高光谱扫描与航空或航天高光谱图像联合分析，增强对岩石或矿物本身的物理化学信息的提取，不仅可以帮助矿石品位快速分级，也能重建流体迁移路径、示踪热液成矿中心（Van Ruitenbeek et al.，2005；Guo et al.，2019）。如白云母、绿泥石和黑云母等矿物的元素成分受到成岩成矿时温度、压力的影响，离成矿中心由近及远其光谱曲线发生变化，基于岩心和航空航天高光谱数据，从垂向和平面上同时获取这些指示矿物的短波红外特征波长变化，可以有效示踪热液成矿中心，帮助圈定成矿远景区。

4.2 基础科学问题研究

地质遥感虽已发展多年，但至今仍偏向于岩矿信息提取、矿产勘查等生产性研究，尚未将其与基础地质科学问题的研究结合起来，这主要是由于遥感专业人员缺少地质知识而难以把控关键的地质科学问题，而地质学的研究者则对高光谱遥感图像处理的复杂性望而却步。实际上，高光谱遥感在解决基础地质科学问题上，具有独特的优势。地质学强调时间和空间两个维度，因此，将同位素地球化学的时间研究手段与遥感的空间识别优势结合，是高光谱遥感在基础地质应用中十分关键的环节；另一方面，从遥感图像获得的地表信息与从地质、地球物理数据获得的深部信息的耦合具有重要的应用前景。

（1）不同来源的沉积物其岩性特征、矿物组成、元素含量等都存在区别（Dickinson and Suczek，1979），产生的光谱特征必然不同。通过高光谱遥感影像的解译，划分沉积岩岩性、粒度、化学成分分布（Leverington，2010），可对青藏高原内部发育的众多沉积盆地进行物源分析，与碎屑锆石等测试结果进行对比，进一步反演研究区大地构造背景。

（2）青藏高原在新生代的构造隆升及强烈的岩石风化作用，被认为是导致亚洲气候变化的重要原因，但对于其隆升速率和作用机制一直存在争议。遥感作为一项地球观测技术，具有卓越的变化监测能力，但迄今为止，地质遥感主要使用单一时相的观测数据，而忽略了遥感在研究地物随时间变化过程方面的优势（Meer et al.，2012）。通过大规模风化成因的粘土矿物填图（Tan et al.，2022），评估风化程度的区域差异，可以促进我们对气候和构造变化背景下的风化、侵蚀和沉积过程的理解（Cudahy et al.，2016），动态监测现代高原的风化剥蚀过程，通过区域对比进一步估算高原隆升速率和恢复古环境、古高度（甘甫平等，2000）。

（3）青藏高原内部发育多条蛇绿岩带，作为地史时期古大洋存在的证据，对于解译板块从俯冲消亡到碰撞闭合的历史至关重要。通过卫星图像对蛇绿岩带进行区域性的高光谱填图（黄照强等，2010；别小娟等，2013），分析其空间展布特征，结合传统的岩石学、地球化学分析，可试图恢复特提斯造山带的动力学演化过程（Clénet et al.，2010）。

（4）高分辨率遥感也可用于断层、褶皱、穹隆等线性、环形构造的解译，进一步解剖造山带的区域构造情况。光谱填图与干涉合成孔径雷达（InSAR）、激光雷达（LiDAR）或立体数字高程模型（DEMs）等的联合使用，实现地表矿物空间分布及其与地形联系的可视化，有助于理解地质和地貌之间的关系，促进对表层地质过程的解释（Kruse，2012）。

5 结 语

本文首先介绍了岩矿高光谱遥感的基本原理及其工作方法和流程，然后综述了近年来高光谱技术在区域岩矿填图、矿产资源勘查和矿物化学反演等方面的应用情况和最新进展，最后对其在青藏高原地质研究中的应用前景进行了展望。

矿物填图是高光谱技术应用最成熟也是最能发挥其优势的领域之一，加深对岩石矿物光谱机理的理解、推动区域岩矿光谱数据库的构建，有效利用遥感成像的空间优势，对更方便、快捷、全面地进行地质调查和科学研究大有帮助。但目前仍面临着数据量大、像元混合普遍、处理过程复杂等问题，未来需要提升高光谱填图技术的定量化和智能化水平，降低应用门槛。充分利用不同传感器和不同波段的特性，进行多源数据融合、全光谱范围分析，保证岩矿信息提取的准确性。将传统地质学、地球化学和地球物理方法获得的地下深部资料与遥感手段获取的地表观测数据、岩心光谱数据结合，注重多学科交叉、多方法集成，可将高光谱遥感应用到解决基础地质科学问题上来，这也是未来青藏高原地球系统科学发展的重要途径之一。