新疆雪米斯坦铀成矿有利区高光谱遥感识别方法研究

韩晓青，杨国防，木红旭，杨云汉

（核工业北京地质研究院，北京 100029）

铀成矿有利区识别预测是铀矿地质勘查技术的重要研究方向。为了实现铀成矿有利区预测需要使用GIS、证据权法等技术，以及高光谱遥感技术、人工智能技术等新技术。矿产资源预测基于GIS 成矿预测方法，研究人员己成功地把GIS技术与证据权法结合起来并成功应用［1-2］。张会琼基于ArcGIS 空间分析模块，在栅格数据环境下建立空间数据库，进行二次信息提取，以及依据专家打分模型、权重计算等数学方法，进行适宜性分析，获得适宜成矿靶区［3］。中国地质科学院肖克炎（2000 年）在MAPGIS 软件平台上开发了矿产资源评价系统（MRAS），软件中包括证据权预测模型［4］。矫东风等在MOR PAS 系统基础上从中优选出与矿床关系密切的7 类20 个变量，利用证据权重法对甘南临潭-宕昌地区铅锌矿远景区进行了圈定，为在该区进一步找矿指明了方向［5］。中国地质大学池顺都（1998 年）基于GIS 实现了金属矿产经验预测、矿产资源潜力评价等方面应用［6］。中国地质矿产信息研究院向运川（1996年）等与四川地质矿产勘查开发局合作在ARC/INFO软件平台开发了基于GIS 矿产资源区域评价方法（AMS-GIS）［7］。甘甫平等研究人员在高光谱遥感技术领域进行了相关研究，为成矿有利区预测提供了大量信息［8-10］。

近年来，国内外众多研究机构利用航天航空高光谱技术开展了遥感地质应用研究，涉及蚀变信息提取、矿物填图、岩石分类、遥感地质勘查等多方面，获得了很多成果，如叶发旺等人利用航空高光谱识别高、中、低铝绢云母矿物成因学研究［11］，使高光谱技术在遥感地质勘查领域有了重要进展。核工业北京地质研究院自2008 年在国内引进了CASI/SASI 航空高光谱测量系统，我国核地质系统增加了铀矿勘查新技术，如张川、刘德长、叶发旺等在新疆白杨河铀铍矿区利用航空高光谱进行矿物填图及蚀变特征分析［12-14］。随着深度学习新技术的出现，基于深度学习的高光谱图像识别分类在方法和性能上得到了突破性的进展。中科院遥感所张兵等提出利用蚁群算法、离散粒子群优化算法进行高光谱矿物端元提取，在美国内华达地区的AVIRIS 高光谱影像上取得成功应用［15］。阎继宁等利用SVM方法对ASTER数据进行岩性分类，获得较好的岩性分类效果［16］。

从20 世纪80 年代起王谋、肖艳东、赵聪等对新疆雪米斯坦火山岩铀成矿区进行了深入的铀矿地质成矿环境、控矿构造、蚀变矿物等研究，取得了一系列成果［17-19］。核工业北京地质研究院2011 年在该区进行航空飞行采集了CASI/SASI 高光谱数据。本研究在已有研究基础上，对新疆雪米斯坦铀成矿区进行地质背景分析，指出成矿要素为地层、断裂、岩体、蚀变矿物和铀矿化点，使用深度学习长短时记忆（Long Short Term Memory Neswork，LSTM）模型进行铀成矿区高光谱数据矿物提取，使用证据权法建立铀成矿有利区预测模型，圈定新疆雪米斯坦铀成矿远景预测区，实现基于SASI 成像光谱铀成矿有利区人工智能识别技术方法研究。

1 地质背景

新疆雪米斯坦是我国重要的火山岩铀成矿区，同时该地区也是我国晚古生代火山岩型多金属成矿带。研究区内产出工业化火山岩型铀铍矿床，具有重要研究意义。研究区位于我国新疆准噶尔雪米斯坦火山岩带东部地区。雪米斯坦东部火山岩带从西部的铁列克德地区，经白杨河、伊尼萨拉、巴音布拉克、十月工区到达马门特地区，长度约200 km，宽度约50 km，面积约10 000 km2。

雪米斯坦火山岩带铀铍多金属成矿明显呈东西向展布，自西向东主要发育白杨河铀铍矿床和一系列铀矿点、铜矿点。矿化主要赋存于陆相为主的次火山岩、中酸性火山岩及火山碎屑岩中，矿化部位和周边蚀变发育强烈。与铀、铍金属成矿相关的蚀变矿物主要为高铝绢云母、中铝绢云母、低铝绢云母、绿泥石化、高岭石、碳酸盐、蒙脱石等。SASI（Shortwave infrared Airborne Spectrographic Imager，SASI）航空高光谱数据光谱分辨率能够达到纳米级，可以准确识别高铝绢云母、中铝绢云母、低铝绢云母、绿泥石、高岭石、碳酸盐、蒙脱石等蚀变矿物。

1.1 铀成矿要素

地层：区内出露最老的地层为奥陶系，仅在工作区东北角有小块出露。最广泛分布的地层为晚古生代泥盆系，由下、中、上泥盆统构成。雪米斯坦山西部主要发育下泥盆统，雪米斯坦山中部和东部主要由中泥盆统构成，上泥盆统发育很少，泥盆系构成了雪米斯坦山的主体。雪米斯坦山南坡出露有下石炭统的海相沉积碎屑岩，中基性、中酸性火山岩及火山碎屑岩，晚石炭至早二叠统的陆相中酸-酸性火山岩及火山碎屑岩。

断裂：雪米斯坦火山岩带断裂构造十分发育，并且规律性较强。按构造尺度可分为一、二、三、四级构造。研究区内所有断裂的方向、名称、分布范围和特征都被详细统计用于铀成矿有利区预测（图1）。

图1 新疆雪米斯坦地区断裂分布图Fig.1 Fault distribution in Xuemistan area，Xinjiang

岩浆活动：从已有资料看，雪米斯坦火山岩带主要发育华力西晚期的各种侵入岩。岩石类型复杂，超基性-基性岩、中性岩、酸性岩均有程度的出露，其中以花岗岩最为发育。在空间上受构造控制明显，岩体展布方向与区域构造基本一致，呈北东东-南西西方向延伸（图2）。

图2 雪米斯坦成矿带侵入岩体分布图（据参考文献［20］修改）Fig.2 Distribution of intrusive pluton in the Xuemistan metallogenic belt（after reference［20］）

1.2 铀矿床

经过多年铀矿勘查及持续的铀矿地质研究，雪米斯坦火山岩带内发现了众多的铀矿床和铀矿化异常点，如白杨河矿床、雪米斯坦工区矿点、七一工区矿化点、十月工矿化点、马门特工区矿化点等，均位于近东西向的查干陶勒盖-巴音布拉克深大断裂所控制的陆相火山岩中，呈带状分布，构成了近东西向展布的雪米斯坦铀多金属成矿带。

2 高光谱SASI 数据来源

高光谱遥感数据数据量大、数据波谱间存在高度相关性，可以使用深度学习方法实现蚀变矿物提取。高光谱数据深度学习蚀变矿物提取，将提取结果与其他地质要素结合构建铀成矿有利区预测模型，可以实现铀成矿有利区的远景预测。SASI 高光谱数据使用短波红外机载成像光谱仪，光谱范围950～2 450 nm，空间分辨率达到亚米级，光谱分辨率达到纳米级，下表（见表1）为SASI 技术参数。

表1 SASI 高光谱数据参数Table 1 SASI hyperspectral data parameters

2011 年核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室在雪米斯坦火山岩带获取了近4 200 km2具有高光谱分辨率和高空间分辨率的SASI 航空高光谱数据。SASI 高光谱数据的参数为：空间分辨率1.9 m，101 个波段，光谱分辨率约7.5 nm。根据航空高光谱矿物识别原理和矿物填图技术，SASI 数据可以实现雪米斯坦铀矿区矿物填图。

3 SASI 高光谱数据矿物提取深度学习网络模型

SASI 高光谱数据在950～2 450 nm 波段内可用波段为101 个，具有高光谱分辨率和高空间分辨率。SASI 数据特点是波段多，数据量大，波段之间高度相关。高光谱数据的传统处理方法为纯净指数法（PPI）、匹配滤波法（MTMF）等，虽然效果不错但费时费力，必须使用商业软件（如ENVI）才能完成。目前随着深度学习神经网络技术的发展，高光谱数据处理也引入深度学习进行矿物提取。在高光谱领域，深度学习技术可以更有效地处理大数据量和数据高度相关问题，并提高地物提取精度，同时可以根据需求编制专门的深度学习目标物提取软件，满足各类任务要求。

深度学习网络模型在高光谱数据提取分类方面有较好效果。高光谱矿物提取分类LSTM 模型采用端到端的架构对高光谱数据进行提取分类。LSTM 模型（图3）用长短时记忆算法提取图像光谱时序特征，再用二维卷积神经网络模型提取图像一般光谱特征，将LSTM模型中全连接层与卷积神经网络模型中全连接层连接起来，用一个新全连接层获得提取分类结果。LSTM 模型解决了长序列数据在模型训练过程中梯度消失和爆炸问题。LSTM 模型的组成包括输入门、忘记门、输出门和自循环连接。输入门控制是否允许输入信号更新记忆单元状态，输出门控制单元状态是否在下一个时间节点有效，忘记门控制自循环连接记忆单元记住或忘记它之前状态。高光谱数据进行LSTM 模型分类输入数据是光谱数据，LSTM模型提取的光谱时序特征和卷积神经网络提取的一般光谱特征融合得到图像的空谱特征，通过全连接层分类并输出分类结果。

图3 LSTM 网络模型示意图Fig.3 Schematic diagram of LSTM network model

4 SASI 高光谱数据处理

深度学习矿物提取和参数设置：深度学习矿物提取主要分为网络训练和网络预测两部分。高光谱数据矿物提取流程如图4 所示。包括SASI 高光谱数据输入、样本数据输入、矿物提取SASI 高光谱数据训练、矿物提取参数输入、矿物提取SASI 高光谱数据预测等。矿物提取时高光谱图像样本标注困难，标注成本及数据质量等原因导致样本数据较少，这使得网络模型在训练过程中容易陷入局部最小值和过度拟合等现象产生，所以上述网络模型训练过程中使用数据增强方法扩展训练集，以避免模型过拟合，提高模型分类的精度。

图4 SASI 高光谱数据矿物提取流程图Fig.4 Flow chart of mineral extraction from SASI hyperspectral data

白杨河矿区完成了LSTM 增强矿物提取，白杨河矿区识别出多种蚀变矿物，高光谱SASI图像提取出的蚀变矿物类型和分类见图5。白杨河矿床北部矿物类型为：高铝绢云母、中铝绢云母、低铝绢云母、高岭土、叶蜡石、绿泥石、绿帘石等，白杨河矿床南部矿物类型为：中铝绢云母、低铝绢云母等。

图5 SASI 高光谱多条航带白杨河矿床LSTM 增强矿物提取结果Fig.5 LSTM enhanced mineral extraction results of Baiyanghe deposit

矿物提取结果精度对比分析：矿物提取模型精度评价使用三种方法：总分类精度（Overall accuracy，OA）、平均分类精度（Average accuracy，AA）和Kappa系数（Kappa coefficient，Kappa）。

OA值是指预测结果正确的样本数量占所有标签样本数据的比例，AA值是对每个类别的分类精度求和后再求平均。根据定义，OA值和AA值可用下式（1）、（2）分别计算：

Kappa系数采用离散分析方法，可以避免总体分类精度或平均分类精度由于标签样本数量轻微变化而引起较大波动，能更好反映分类算法的优劣，因此Kappa系数是评价高光谱图像分类算法重要指标。Kappa系数计算公式见式（3）：

式中，c表示总的类别数量；Ni表示第i类的样本数量；N表示样本总数量；m是一个大小为c×c的混淆矩阵，是由分类结果和地表真实值进行比较计算得出的；mij表示第j类被识别成第i的样本数。

表2 分别给出LSTM 模型和LSTM 模型+数据增强后的对比结果，进行十次试验，然后取平均值得到OA、AA和Kappa的值。可以看出数据增强后，LSTM 模型的分类精度均有提升。

表2 LSTM 模型和LSTM+数据增强模型精度对比Table 2 Model accuracy comparison results

5 遥感信息铀成矿有利区预测

为了预测铀成矿有利区，需要将提取的地质、遥感等多元找矿信息结合，建立基于ArcGIS 矿产资源评价平台，使用证据权法进行铀成矿有利区预测，圈定铀成矿有利区。

5.1 证据图层确定

根据前述研究认为雪米斯坦火山岩铀成矿区主要控矿因素为：断层、侵入岩体、岩石组分、围岩蚀变。成矿预测前，在ArcGIS 平台使用空间分析方法对断层、侵入岩、地层岩石、蚀变矿物证据因子分别进行证据层确定。

1）断层图层：区内断层密度与成矿作用密切相关，断层密度分析反映断层汇聚程度，目的是确定断层汇聚程度和已知矿（点）的空间关系。处理方法为对断层线要素类进行线密度分析得到断层密度连续型栅格数据，再进行重分类获得断层密度图（图6）。断层在研究区中部分布比较集中，大致从西南部赛力克地区向北至杨庄地区，再从杨庄一直向东部的马门特矿点都为断层高值区，是已知铀矿点（矿化点）比较集中的地方。结合统计结果，33%的矿点集中分布在等密度起始值［3.6，5.0］的区间范围内，因此选择等密度异常区间［3.6，5.0］作为证据因子。

图6 新疆雪米斯坦火山岩地区断裂密度分级图Fig.6 Fracture density classification in the Xuemistan volcanic area in Xinjiang

2）侵入岩图层：研究区岩浆活动频繁，对成矿作用影响显著。根据区内典型铀矿床特点，对原始侵入岩体做缓冲区分析获得侵入岩热液影响范围分级图（图7）。通过对已知矿点在不同缓冲区出现的频率统计，当侵入岩缓冲区为2 km 时，矿点覆盖的最多，得到连续型栅格数据，重新分类后选取侵入岩2 km 缓冲区作为预测的一个证据因子。

图7 新疆雪米斯坦火山岩地区侵入岩热液影响范围分级图Fig.7 Classification of the influence range of intrusive rocks and hydrothermal fluids in the Xuemistan volcanic area，Xinjiang

3）岩层图层：对成矿有利岩石组合进行详细划分，获得各类岩石组合空间分布范围，进行相关分析和重分类后得到岩石组合分类图（见图8）。通过将已知矿点与地层进行相交分析，统计得出赋存于侵入岩已知矿点最多，所占总矿点数的比例为55%，其次是泥盆系火山岩火山碎屑岩组合（D），所占比例为44%，因此将这两组地层分别提取出来作为预测的证据因子。

图8 新疆雪米斯坦火山岩地区岩石组合分类图Fig.8 Classification of rock assemblages in the Xuemistan volcanic area in Xinjiang

4）蚀变矿物图层：为了预测雪米斯坦铀成矿有利区域，采用深度学习方法对区内全部SASI高光谱数据航带进行LSTM 模型矿物提取，获得蚀变矿物分布。研究区提取的矿物为：低铝绢云母、迪开石、高铝绢云母、绿泥石、明矾石、碳酸盐、叶腊石、中铝绢云母。通过铀成矿带内所有已知铀矿矿床点在各类矿物不同距离范围出现的频率统计，统计表明蚀变矿物500 m 缓冲区是频率高值区（图9），可以作为证据权预测有利证据因子。

图9 新疆雪米斯坦铀矿区蚀变矿物分类缓冲图Fig.9 Buffer map of altered mineral classification in Xinjiang Xuemistan uranium mining area

5.2 证据权分析

将研究区划分为1500×1500 m 的规则网格单元，研究区被划分成6 210 个单元网格，建立该地区的证据权重法模型，将上述所提取出来的地质、遥感数据作为证据因子，分别计算各个证据因子的权重值及其与成矿的相关性，并计算出个证据因子的证据权值，最终选出12 个与成矿关系比较密切的证据因子（表3）。

从表3 可见：①矿物蚀变异常与成矿的相关度最高，说明围岩蚀变对找矿指示作用明显。蚀变矿物中碳酸盐、高铝绢云母、低铝绢云母、绿泥石、中铝绢云母的C 值都比较高（C值大于2.99），其中碳酸盐、高铝绢云母的C 值最高（C 值等于3.647），说明这两种矿物与铀成矿的关系紧密；②成矿有利地层中，泥盆系的C值比较高（C 值等于1.94），说明泥盆系地层对成矿有利；③侵入岩2km 缓冲区的C 值比较大，与成矿关系密切（C 值等于1.328）；④断裂密度异常区的C 值较大（C 值等于0.569），对成矿有一定的指示作用。

表3 新疆雪米斯坦铀矿区各证据因子权重值Table 3 The weight value of each evidence factor in the Xinjiang Xuemistan uranium mining area

5.3 铀成矿有利区圈定

对研究区内各个单元进行成矿后验概率计算，将结果按照后验概率值划分了5 个等级，不同等级赋予不同颜色，得到后验概率分布图（图10）。统计分析认为全部已知矿点都落在后验概率值大于0.1 的区域，其中有94.4%的已知矿点落在后验概率值大于0.5 的区域，还有33.3%的已知矿点落在后验概率值大于0.9的高值区，预测效果良好。

图10 成矿预测后验概率分布图Fig.10 The posterior probability distribution of mineralization prediction

结合成矿后验概率分布，综合考虑研究区地质背景和典型铀矿床特征，最终圈定5 个成矿远景预测区（图11）。将5 个远景预测区与地层、断裂构造、岩浆岩体、蚀变异常等成矿影响因素进行叠加分析，得到以下结论：成矿远景区Ⅰ位于白杨河矿区，该区有工业品位的铀铍矿床，还有较多的已知矿点，属于后验概率高值区，该区含矿岩层为泥盆系火山岩、火山碎屑岩和岩浆岩，地层厚度大，断裂构造发育，高铝绢云母、碳酸盐等蚀变矿物发育，Ⅰ区是研究区内最重要的成矿远景区；成矿远景区Ⅱ位于研究区中部雪米斯坦矿区，属于后验概率中值区。成矿远景区Ⅲ、Ⅳ、Ⅴ位于研究区东部的七一工区、十一工区和马门特工区，其中成矿远景区Ⅴ区属于后验概率高值区。

图11 新疆雪米斯坦铀成矿区远景区预测图Fig.11 Distribution of uranium prospective area in Xuemistan uranium metallogenic area，Xinjiang

6 结 论

对新疆雪米斯坦火山岩铀铍成矿地区多种成矿因素进行了分析研究，使用深度学习方法对SASI 高光谱数据进行了蚀变矿物提取，用证据权法进行铀矿资源分析、定量预测与评价，圈定了成矿远景区。获得以下结论：

1）铀成矿区主要成矿因素为地层、侵入岩、断裂、蚀变矿物。通过对雪米斯坦火山岩铀铍多金属成矿带地质背景详细分析，结合GIS 空间分析，获得各类地层岩石组合空间分布范围和地层岩石组合分类图，并将已知矿点与地层进行相交分析，统计出区内火山侵入岩中赋存的铀铍矿点最多，所占总矿点数的比例为55%；地层岩石中泥盆系火山岩火山碎屑岩中矿点所占比例为44%，泥盆系火山岩火山碎屑岩地层为该研究区控制成矿主要因素；区内断裂构造十分发育，断裂密度统计认为密度值［3.6，5.0］区间矿点集中分布。

2）研究区自西向东主要发育一系列矿床和矿点。矿床矿点部位和周边部位矿化蚀变发育强烈，使用深度学习LSTM 模型对SASI 数据进行了矿物提取，并对LSTM 模型分类结果进行了精度评价，提取出与成矿有关高铝绢云母、中铝绢云母、低铝绢云母、绿泥石化等蚀变矿物的中心位置和分布面积范围。

3）为了预测铀成矿有利区，将提取出的地质、遥感等多元找矿信息结合，建立基于ArcGIS 矿产资源评价平台，确定断层、侵入岩、地层岩石、蚀变矿物作为证据因子，并进行空间分析，获得如下证据图层：断层图层、侵入岩图层、岩层图层和蚀变矿物图层。

4）使用证据权法进行铀成矿有利区预测，圈定铀成矿有利区。将研究区划分为1500×1500 m 的规则网格单元划分成6 210 个单元网格，建立该地区的证据权重法模型，计算各个证据因子权重值及其与成矿的相关性，计算出个证据因子的证据权值，最终选出12 个与成矿关系比较密切的证据因子。

5）利用证据权法计算证据权因子与铀成矿床（点）权重值和相关度，得到铀成矿后验概率值，圈定了5 个成矿远景区。最终预测结果对研究区进一步找矿工作具有重要指导意义。