综合多源数据的蚀变矿物填图及其地质应用:以内蒙古新忽热地区为例

doi:10.13745/j.esf.sf.2025.4.57

摘要/Abstract

摘要：

部分地形复杂的区域可以利用遥感技术进行矿产资源勘探。高光谱遥感技术具有高光谱分辨率和丰富的空间信息,可以有效地识别这些区域的地质特征和矿化异常信息,并广泛应用于地质填图和找矿。随着中国航天事业高质量发展,GF-5高光谱数据已用于蚀变矿物的精细识别,可结合多源信息评价相关研究区域的找矿潜力。本研究针对内蒙古新忽热地区浩尧尔忽洞金矿周围区域,利用GF-5高光谱数据进行蚀变矿物信息提取与分析,采用两种类间距离方法选择参考端员光谱,通过传统的光谱角匹配(SAM)方法完成蚀变信息填图。综合分析了岩性-构造-蚀变多源地学要素,形成蚀变矿物多源地学信息综合图。本研究成功提取出8种蚀变矿物,分别为高岭石、白云母、蒙脱石、明矾石、赤铁矿、钛铁矿、针铁矿、方解石,并绘制蚀变矿物分布图。将遥感蚀变信息与研究区现有典型矿区进行类比分析,进而验证了遥感蚀变信息在地质找矿上的适用性。综上所述,多源数据在蚀变矿物填图方面更具经济实用性,可为潜在成矿区找矿工作提供指导和参考。

关键词: 多源地学信息融合, GF-5, 蚀变矿物填图, 光谱优选

Abstract:

For regions with complex terrain, remote sensing technology can be utilized for mineral resource exploration. Hyperspectral remote sensing technology, characterized by high spectral resolution and rich spatial information, enables effective identification of geological features and mineralization anomalies in these areas, and has been widely applied in geological mapping and mineral prospecting. With the high-quality development of China’s aerospace industry, GF-5 hyperspectral data have been employed for the precise identification of alteration minerals. By integrating multi-source information, this approach facilitates the evaluation of prospecting potential in target regions. This study focuses on the area surrounding the Haoyao’erhudong gold deposit in Xinhure area, Inner Mongolia Autonomous Region. GF-5 hyperspectral data were used for alteration mineral information extraction and analysis. Two inter-class distance methods were adopted to select reference endmember spectra, and the traditional Spectral Angle Mapper (SAM) method was applied to complete alteration information mapping. A comprehensive analysis of lithology-structure-alteration multi-source geoscientific elements was conducted to generate an integrated map of alteration minerals. The study successfully extracted eight alteration minerals: kaolinite, muscovite, montmorillonite, alunite, hematite, ilmenite, goethite, and calcite, with corresponding distribution maps created. Comparative analysis between remotely sensed alteration information and existing typical mining zones in the study area validated the applicability of remote sensing-derived alteration data in geological prospecting. In conclusion, multi-source data integration demonstrates enhanced economic practicality in alteration mineral mapping, providing critical guidance and references for identifying potential mineralization zones.

Key words: multi-source geoscientific integration, GF-5, alteration mineral mapping, spectral optimization selection

中图分类号:

王瑶, 肖克炎, 唐瑞, 李程, 孔韫辉. 综合多源数据的蚀变矿物填图及其地质应用:以内蒙古新忽热地区为例[J]. 地学前缘, 2025, 32(4): 213-221.

WANG Yao, XIAO Keyan, TANG Rui, LI Cheng, KONG Yunhui. Integrated multi-source data-driven alteration mineral mapping and its geological applications: A case study in the Xinhure area, Inner Mongolia[J]. Earth Science Frontiers, 2025, 32(4): 213-221.

图/表 10

表1 GF-5高光谱卫星主要载荷参数表

Table 1 Main load parameters of GF-5 hyperspectral data

可见短波红外高光谱相机	光谱范围	0.4~2.5 mm
	空间分辨率	30 m
	幅宽	60 km
	光谱分辨率	VNIR: 5 nm; SWIR: 10 nm
大气环境红外甚高分辨率探测仪	光谱范围	750~4 100 cm
大气环境红外甚高分辨率探测仪	光谱分辨率	0.03 cm
全谱段光谱成像仪	光谱范围	0.45~5.05 mm
	空间分辨率	8.01~12.5 mm 共12个通道
	幅宽	60 km

图1 研究区地质简图(据文献[41]修改)

Fig.1 Regional geological sketch map of the study area. Modified after [41].

图2 GF-5高光谱数据预处理技术流程图

Fig.2 Flow chart of GF-5 hyperspectral data preprocessing technology

表2 GF-5高光谱数据剔除波段

Table 2 Eliminated bands of GF-5 hyperspectral data

波段序号	波长位置/nm	剔除原因	谱段范围	剔除波段数
Band 145~149	1 001~1 013	低信噪比	VNIR	6
Band 150	1 014	低信噪比
Band 193~200	1 359~1 434	水汽吸收波段, 无数据	SWIR	8
Band 246~262	1 805~1 956	水汽吸收波段, 无数据	17
Band 328~330	2 495~2 513	低信噪比	3

表3 GF-5高光谱数据大气校正参数

Table 3 Atmospheric correction parameters of GF-5 hyperspectral data

参数明细	参数设置
影像中心坐标(scene center location)	E109.1°, N41.7°
传感器高度(sensor altitude/km)	705 km
地面平均海拔(ground elevation/km)	1.534 km
成像时间(flight data)	2024-05-12 UTC 5:34:56
大气模式(atmospheric model)	Sub-Arctic(SAS)
水汽吸收波段(water absorption band)	1 135 nm
气溶胶模式(aerosol model)	乡村(rural)

图3 GF-5数据提取蚀变矿物技术流程图

Fig.3 Technical workflow showing mineral mapping based on GF-5 data

表4 蚀变矿物间分离程度值表(JM,TD)

Table 4 Values of the degree of separation of alteration minerals(JM,TD)

蚀变矿物	各蚀变矿物间分离程度值
蚀变矿物	高岭石	白云母	蒙脱石	明矾石	赤铁矿	钛铁矿	针铁矿
高岭石	0	1.999 999 44	2	1.999 999 80	2	2	1.999 999 08
白云母	1.999 999 44	0	1.999 999 93	1.999 885 99	2	1.999 993 16	1.999 174 53
蒙脱石	2	1.999 999 93	0	1.999 996 12	2	1.999 999 57	1.999 998 51
明矾石	1.999 999 80	1.999 885 99	1.999 996 12	0	2	1.999 715 13	1.996 772 22
赤铁矿	2	2	2	2	0	2	2
钛铁矿	2	1.999 993 16	1.999 999 57	1.999 715 13	2	0	1.999 965 66
针铁矿	1.999 999 08	1.999 174 53	1.999 998 51	1.996 772 22	2	1.999 965 66	0

图4 GF-5数据矿物端员光谱图

Fig.4 Minerals end-member spectra of GF-5 data

图5 研究区高光谱蚀变矿物分布图 1—高岭石;2—白云母;3—蒙脱石;4—明矾石;5—赤铁矿;6—钛铁矿;7—针铁矿;8—方解石。

Fig.5 Map showing distribution of alteration minerals extracted from hyperspectral data in the study area. 1—Kaolinite; 2—Muscovite; 3—Montmorillonite; 4—Alunite; 5—Hematite; 6—Ilmenite; 7—Goethite; 8—Calcite.

图6 研究区地学-蚀变矿物多源综合信息图 1—高岭石;2—白云母;3—蒙脱石;4—明矾石;5—赤铁矿;6—钛铁矿;7—针铁矿;8—方解石。

Fig.6 Multi-source comprehensive information map of geological alteration minerals in the study area. 1—Kaolinite; 2—Muscovite; 3—Montmorillonite; 4—Alunite; 5—Hematite; 6—Ilmenite; 7—Goethite; 8—Calcite.

参考文献 51

[1]	高猛, 付翰泽, 陈川. 遥感技术在和田玉成矿要素识别与找矿预测中的应用:以南阿尔金塔什萨依一带为例[J]. 西北地质, 2019, 52(3):240-252.
[2]	金谋顺, 高永宝, 李侃, 等. 伟晶岩型稀有金属矿的遥感找矿方法—:以西昆仑大红柳滩地区为例[J]. 西北地质, 2019, 52(4): 222-231.
[3]	MOHAMED M, AL-NAIMI L, MGBEOJEDO T, et al. Geological mapping and mineral prospectivity using remote sensing and GIS in parts of Hamissana, Northeast Sudan[J]. Journal of Petroleum Exploration and Production, 2021, 11(3): 1123-1138.
[4]	连琛芹, 封志明, 刘永新, 等. 基于中高分辨率数据的内蒙古红石山地区遥感找矿信息提取及找矿预测[J]. 现代地质, 2023, 37(1): 227-232.
[5]	褚志远, 温殿刚, 吕青, 等. 山东蒙阴地区金刚石遥感找矿模型的构建与应用[J]. 地球科学与环境学报, 2024, 46(2): 240-251.
[6]	谭荣, 徐裕敏, 徐先宇, 等. 江西德安彭山矿田遥感找矿预测研究[J]. 岩石矿物学杂志, 2024, 43(4): 973-981.
[7]	王生礼, 李志军, 余杰, 等. 模糊逻辑模型在珠勒地区遥感找矿中的应用[J]. 科学技术与工程, 2024, 24(1): 134-142.
[8]	TANG S L, CAO J N. Deposit location identification based on feature decomposition of high-resolution remote sensing images[J]. IEEE Access, 2020, 9: 15239-15251.
[9]	ABDELKAREEM M, AL ARIFI N. Synergy of remote sensing data for exploring hydrothermal mineral resources using GIS based fuzzy logic approach[J]. Remote Sensing, 2021, 13(22): 4492.
[10]	唐淑兰, 曹建农, 王凯. 结合PCA、多尺度分割及SVM的ASTER遥感蚀变信息提取[J]. 遥感学报, 2021, 25(2): 653-664.
[11]	唐淑兰, 曹建农, 王国强, 等. 结合小波包变换和随机森林的ASTER蚀变信息提取[J]. 地质学报, 2021, 95(3): 924-933.
[12]	陈琪, 赵志芳, 姜琦刚, 等. 基于ASTER与Sentinel-2A融合数据的云南普朗铜矿化蚀变信息提取[J]. 地质与勘探, 2021, 57(4): 728-738.
[13]	刘磊, 蒲小楠, 洪俊, 等. 巴基斯坦山达克矿区ASTER遥感数据蚀变信息提取及找矿预测[J]. 地质论评, 2022, 68(6): 2381-2395.
[14]	孙雨, 刘家军, 赵英俊, 等. 航空高光谱CASI-SASI数据蚀变矿物信息提取与应用:以甘肃省敦煌市小金窝子地区为例[J]. 地质与勘探, 2022, 58(3): 653-664.
[15]	王平平, 王婷, 赵慧, 等. 基于ASTER和WorldView-3数据在新疆坡北地区蚀变矿物信息提取对比研究[J]. 新疆地质, 2024, 42(1):127-132.
[16]	王茜, 任广利. 高光谱遥感异常信息在阿尔金索拉克地区铜金矿找矿工作中的应用[J]. 国土资源遥感, 2022(1): 277-285.
[17]	赵佳琪, 董新丰, 李娜, 等. 基于高光谱数据的甘肃花西山金矿蚀变特征分析与找矿预测应用[J]. 地质与勘探, 2023, 59(1):122-133.
[18]	田雨欣, 苏文林, 王正海. 基于SID-SGA_tan的随机森林高光谱遥感蚀变矿物识别[J/OL]. 地学前缘, 2025[2024-12-05]. https://doi.org/10.13745/j.esf.sf.2024.11.83.
[19]	孙雨, 赵英俊, 李瀚波, 等. 青海省都兰县阿斯哈金矿区HySpex高光谱矿物填图及其找矿意义[J]. 地质学报, 2015, 89(1): 195-203.
[20]	ROBILA S A. Aninvestigation of spectral metrics in hyperspectral image preprocessing for classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(12): 2806-2815.
[21]	张焜, 马世斌, 李根军, 等. 基于国产卫星数据的遥感找矿预测:以青海省柴北缘地区为例[J]. 遥感信息, 2019, 34(1): 58-68.
[22]	冯博, 段培新, 程旭, 等. 高分五号航天高光谱遥感技术在甘肃龙首山铀矿找矿中的应用[J]. 现代地质, 2022, 36(6): 1594-1604.
[23]	白龙洋, 代晶晶, 王楠, 等. 基于GF-5卫星的西藏珠勒-芒拉地区矿物蚀变信息提取及找矿前景分析[J]. 中国地质, 2024, 51(3): 995-1007.
[24]	孙雨, 刘家军, 赵英俊, 等. 基于GF-5高光谱数据的蚀变矿物填图及地质应用:以甘肃省瓜州县花牛山地区为例[J]. 中国地质, 2022, 49(2): 558-574.
[25]	连琛芹, 姚佛军, 陈懋弘, 等. GF-5高光谱数据在植被覆盖区的蚀变信息提取研究:以广东省玉水铜矿为例[J]. 现代地质, 2020, 34(4): 680-686.
[26]	杜晓川, 娄德波, 张长青, 等. 基于GF-5、Landsat8与GF-2遥感数据的蚀变信息提取研究:以四川宁南铅锌矿集区为例[J]. 矿床地质, 2022, 41(4): 839-858.
[27]	CLARK R N, ROUSH T L. Reflectance spectroscopy: quantitative analysis techniques for remote sensing applications[J]. Journal of Geophysical Research, 1984, 89(B7): 6329-6340.
[28]	吴浩, 徐元进, 高冉. 基于光谱相关角和光谱信息散度的高光谱蚀变信息提取[J]. 地理与地理信息科学, 2016, 32(1): 44-48.
[29]	杨伟光, 郑有业, 刘婷, 等. 多源数据在西藏罗布莎铬铁矿床遥感找矿模型中的应用[J]. 矿产勘查, 2018, 9(2): 346-353.
[30]	连琛芹, 姚佛军, 封志明, 等. 多源数据在甘肃山羊坝地区找矿勘查中的应用[J]. 现代地质, 2022, 36(6): 1605-1612.
[31]	王颖, 丁孝忠, 韩坤英, 等. 基于多源遥感数据的月球薛定谔盆地及邻区地质特征和演化分析[J]. 地学前缘, 2023, 30(4): 525-538. DOI
[32]	WU C Y, DAI J J, ZHOU A, et al. Mapping alteration zones in the southern section of Yulong copper belt, Tibet using multi-source remote sensing data[J]. Frontiers in Earth Science, 2023, 11: 1164131.
[33]	季文, 李宝, 李金旺. 多源数据的综合信息成矿预测方法在矿产勘查中的应用[J]. 中国金属通报, 2023, 17(9): 70-72.
[34]	王子烨, 左仁广. 基于多源数据融合的喜马拉雅淡色花岗岩识别[J]. 地学前缘, 2023, 30(5): 216-226. DOI
[35]	GAO M, WANG G W, XU Y C, et al. 3D mineral exploration Cu-Zn targeting with multi-source geoscience datasets in the Weilasituo-Bairendaba district, Inner Mongolia, China[J]. Frontiers in Earth Science, 2023, 11: 1102640.
[36]	裴秋明, 沈家乐, 王世明, 等. 多源遥感卫星数据在脉状萤石矿床中的找矿预测应用:以内蒙古水头萤石矿床为例[J]. 西北地质, 2024, 57(4):121-134.
[37]	王晓云, 井国正, 李文君, 等. 基于多源遥感卫星数据的青海东昆仑沟里地区线性构造识别及找矿预测[J]. 地质科技通报, 2024, 43(1): 326-342.
[38]	ZHANG G, ZHAO Z, ZHANG X, et al. Comprehensive multi-source remote sensing data integration for enhanced mineralization alteration extraction and geological structure interpretation in the Lala region of Sichuan Province[J]. Ore Geology Reviews, 2024, 168: 106032.
[39]	李楠, 曹瑞, 叶会寿, 等. 内蒙古浩尧尔忽洞金矿三维建模与深部成矿预测[J]. 地学前缘, 2021, 28(3): 170-189. DOI
[40]	肖荣阁, 彭润民, 王美娟, 等. 华北地台北缘西段主要成矿系统分析[J]. 地球科学: 中国地质大学学报, 2000, 25(4): 362-368
[41]	曹秀兰. 华北陆块北缘西段中元古代与裂谷作用有关的铁、稀土、多金属矿床特征及成因[J]. 前寒武纪研究进展, 2002, 25(3-4): 246-255.
[42]	彭润民, 翟裕生, 韩雪峰, 等. 内蒙古狼山造山带构造演化与成矿响应[J]. 岩石学报, 2007, 23(3): 679-688.
[43]	刘银年, 孙德新, 胡晓宁, 等. 高分五号可见短波红外高光谱相机设计与研制[J]. 遥感学报, 2020, 24(4): 333-344.
[44]	内蒙古自治区地质矿产局. 内蒙古自治区区域地质志[M]. 北京: 地质出版社, 1991.
[45]	左群超, 叶天竺, 冯艳芳, 等. 中国陆域1∶25万分幅建造构造图空间数据库(V1)[DB]. 北京: 中国地质调查局发展研究中心, 全国地质资料馆, 2006.
[46]	吴畅宇, 代晶晶, 陈伟, 等. 内蒙古苏莫查干敖包萤石矿区遥感蚀变信息提取及其找矿指示意义[J]. 矿床地质, 2023, 42(4): 845-858.
[47]	孙家抦. 遥感原理与应用[M]. 武汉: 武汉大学出版社, 2009.
[48]	SAVITZKY A, GOLAY M. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Chemistry, 1964, 36(8): 1627-1639.
[49]	SEN R, GOSWAMI S, CHAKRABORTY B. Jeffries-Matusita distance as a tool for feature selection[C]// Proceedings of 2019 international conference on Data Science and Engineering (ICDSE), Patna, India. New York: IEEE, 2019: 15-20. DOI: 10.1109/ICDSE47409.2019.8971800.
[50]	LANDGREBE D A. Signaltheory methods in multispectral remote sensing[M]. New Jersey: John Wiley & Sons, 2003.
[51]	白杨林, 吕凤军, 苏鸿博, 等. 高光谱遥感蚀变矿物信息提取研究综述[J]. 遥感信息, 2023, 38(1): 1000-3177.