引用本文
赖思翰, 刘严松, 李成林, 王地, 何星慧, 刘琦, 沈茜. 铅锌矿石稀散元素镉含量的高光谱反演研究[J]. 光谱学与光谱分析, 2023,43(4): 1275-1281.
LAI Si-han, LIU Yan-song, LI Cheng-lin, WANG Di, HE Xing-hui, LIU Qi, SHEN Qian. Study on Hyperspectral Inversion of Rare-Dispersed Element Cadmium Content in Lead-Zinc Ores[J]. Spectroscopy and Spectral Analysis, 2023,43(4): 1275-1281.
Doi:10.3964/j.issn.1000-0593(2023)04-1275-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
铅锌矿石稀散元素镉含量的高光谱反演研究
赖思翰1, 刘严松1,2,3,*, 李成林1, 王地1, 何星慧1, 刘琦1, 沈茜4
1.自然资源部构造成矿成藏重点实验室(成都理工大学), 四川 成都 610059
2.中国地质调查局成都地质调查中心, 四川 成都 610081
3.中国地质大学(北京), 北京 100083
4.四川三合空间科技有限公司, 四川 成都 610094
*通讯作者 e-mail: liuyansong2012@cdut.edu.cn

作者简介: 赖思翰, 女, 1997年生, 自然资源部构造成矿成藏重点实验室(成都理工大学)硕士研究生 e-mail: laisihan@stu.cdut.edu.cn

收稿日期: 2022-02-18 修回日期: 2022-07-05
基金: 四川省自然资源厅基金项目(KJ2016-16), 四川省教育厅基金项目(18ZB0065), 中国地质调查局地调项目(DD20221697), 国家自然科学基金项目(41971226)资助
摘要

稀散元素矿产资源是国民经济中的关键性矿产资源, 元素含量的提取是矿产资源潜力评价、 靶区优选的基础。 现有稀散元素含量分析面临快速检测、 潜力评价的需求, 基于高光谱的稀散元素含量反演是解决此问题的一种途径。 因此, 采集西藏斯弄多-则学矿集区的铅锌矿石, 开展铅锌矿石稀散元素镉(Cd)含量的高光谱反演方法与反演模型研究。 选用ASD Field Spec 3地物光谱仪及配套软件进行光谱数据采集和预处理; 在光谱特征分析基础上, 开展一阶微分(FD)、 二阶微分(SD)、 倒数的对数(AT)、 倒数对数的一阶微分(AFD)、 倒数对数的二阶微分(ASD)光谱数据变换处理, 结合皮尔森相关性系数( r)筛选特征波段, 进行随机森林(RF)、 人工神经网络(ANN)、 支持向量机(SVM)模型构建与反演, 选用决定系数( R2)和均方根误差(RMSE)评价反演模型效果与预测精度。 结果表明: 样品反射率集中于40%~60%区间; 1 420、 1 920和2 200 nm处形成吸收峰; 特征波段覆盖可见光和近红外波段, 771~2 051 nm为特征波段的最优区间。 SD光谱变换的降维效果最好, 筛选出15个特征波段; 其次为ASD和AFD光谱变换, 分别筛选出8个和2个特征波段。 FD与AT光谱变换未筛选出特征波段。 SD筛选的特征波段用于反演, 镉元素含量预测效果最好的是SD-ANN模型( R2=0.884, RMSE=2.679), 其次是SD-SVM模型( R2=0.830>0.8, RMSE=1.382), SD-RF模型预测效果最差( R2=0.505<0.6)。 ASD筛选的特征波段用于反演, 镉元素含量预测最好的是ASD-SVM模型( R2=0.857, RMSE=2.198), 其次是ASD-ANN模型( R2=0.846, RMSE=2.625)。 对比分析, 镉元素含量的高光谱反演模型效果为: SD-ANN>ASD-SVM>ASD-ANN>SD-SVM>ASD-RF>SD-RF。 该研究总结了铅锌矿石稀散元素镉的高光谱特征, 建立了镉元素含量的高光谱反演方法及模型, 为镉等稀散元素含量的高光谱反演、 无损检测、 快速分析提供了参考, 为高海拔勘探区稀散元素矿产资源的潜力评价、 靶区优选提供了科学支持。

关键词: 稀散元素; 镉含量分析; 高光谱反演; 可见光-近红外光谱; 铅锌矿石
中图分类号:TP79 文献标志码:A
Study on Hyperspectral Inversion of Rare-Dispersed Element Cadmium Content in Lead-Zinc Ores
LAI Si-han1, LIU Yan-song1,2,3,*, LI Cheng-lin1, WANG Di1, HE Xing-hui1, LIU Qi1, SHEN Qian4
1. Key Laboratory of Tectonic Controlled Mineralization and Oil Reservoir of Ministry of Natural Resources(Chengdu University of Technology), Chengdu 610059, China
2. Chengdu Center, China Geological Survey, Chengdu 610081, China
3. China University of Geosciences, Beijing, Beijing 100083, China
4. Sichuan Sumhope Spatial Technology Co., Ltd., Chengdu 610094, China
*Corresponding author
Abstract

Rare-dispersed element mineral resources are the key mineral resource in the national economy. The information extraction of content is the basis for potential evaluation and target optimization of mineral resources, but the existing analysis technology of rare-dispersed elements cannot meet the needs of rapid detection and potential evaluation. The analysis technology of rare-dispersed element based on Hyperspectral is a way to solve this problem. Therefore, the Sinongduo-Zexue ore concentration area in Tibet is the study area, and the hyperspectral inversion method and inversion model about the content of rare-dispersed element cadmium (Cd) in lead zinc ore are studied. ASD FieldSpec 3 spectrometer and supporting software are used for spectral data acquisition and pretreatment. Based on spectral feature analysis, multi-type spectral transformations such as first derivative (FD), second derivative (SD), logarithm of the reciprocal (AT), first derivative of logarithm of the reciprocal (AFD), second derivative of logarithm of the reciprocal (ASD) are carried out, the characteristic bands selected by Pearson correlation coefficient ( r) are used for the modeling and inversion of random forest (RF), artificial neural network (ANN), support vector machine (SVM), the effect and prediction accuracy of content inversion models are evaluated by the coefficient of determination ( R2), and root mean square error (RMSE). The results show that the spectral reflectance of the sample is concentrated in the range of 40%~60%, and the absorption peaks are formed at 1 420, 1 920 and 2 200 nm. The characteristic bands cover the visible and near-infrared bands, and 771~2 051 nm is the optimal range of the characteristic band. SD is the best spectral data dimensionality reduction method, which has selected 15 characteristic bands. ASD has selected 8 characteristic bands, and AFD has selected 2 characteristic bands. FD and AT did not select the characteristic band. In the characteristic band inversion of SD selection, the SD-ANN model ( R2=0.884, RMSE=2.679) has the best prediction effect of cadmium content, followed by the SD-SVM model ( R2=0.830>0.8, RMSE=1.382), SD-RF model has the worst prediction effect ( R2=0.505<0.6). In the characteristic band inversion of ASD selection, the best prediction of cadmium content is the ASD-SVM model ( R2=0.857, RMSE=2.198), followed by the ASD-ANN model ( R2=0.846, RMSE=2.625). The hyperspectral inversion effect of cadmium (Cd) content is: SD-ANN>ASD-SVM>ASD-ANN>SD-SVM>ASD-RF>SD-RF. The study summarizes the hyperspectral characteristics of cadmium, establishes the hyperspectral inversion method and model of cadmium content, provides a reference for hyperspectral inversion, nondestructive testing and rapid analysis of rare-dispersed elements such as cadmium, and provides theoretical support for the potential evaluation and target optimization of rare-dispersed element mineral resources in the high-altitude exploration area.

Keyword: Rare-dispersed element; Cadmium content analysis; Hyperspectral inversion; Visible and near infrared spectroscopy; Lead zinc ore
引言

稀散元素即稀有分散元素(rare-dispersed element), 又称分散元素, 是指在地壳中丰度低(一般为10-9级)、 多分散赋存的元素, 常形成伴生、 共生矿产资源, 很少形成独立的矿床类型, 主要包括镓(Ga)、 锗(Ge)、 镉(Cd)、 铟(In)、 铼(Re)、 铊(Tl)等8种元素[1]。 稀散元素因其独特、 优异的物理、 化学性能而被广泛应用于国民经济各行业, 是全球高新技术产业中不可或缺的关键性矿物原料, 是世界各主要经济体重点勘探的战略性矿产资源[2]。

稀散元素具有超常富集的特征和成矿专属性(包括矿床类型的专属性和赋存矿物的专属性)[3]。 扬子地台西缘的会泽、 天宝山等铅锌矿床是我国镉(Cd)、 锗(Ge)、 镓(Ga)、 铊(Tl)等稀散金属元素的超常富集区[4, 5], 冈底斯成矿带的斯弄多-则学、 亚贵拉-沙让等铅锌矿集区是近年来镉(Cd)等稀散金属元素的找矿潜力区[6]。 如何快速、 有效地实现镉(Cd)等稀散金属元素含量信息提取与靶区筛选是勘探工作的热点, 也是目前矿产资源勘探与评价领域面临的技术难点[1, 2]。

现有的镉(Cd)等稀散金属的含量提取主要是通过实验室化学分离等预处理过程, 采用原子吸收光谱仪(AAS)、 电感耦合等离子体光谱仪(ICP-AES)、 电感耦合等离子体质谱仪(ICP-MS)等仪器设备完成测试分析的[7]。 其测试流程虽成熟规范却较为繁杂费时, 成本较高, 且因化学试剂的使用而不环保, 无法满足镉(Cd)等稀散元素野外现场测试、 区域资源潜力快速评价、 靶区优选等勘探工作的需求。 便携式X射线荧光光谱仪(XRF)虽能进行现场单点元素含量的定量-半定量分析[8, 9], 但在线状、 面状等具区域空间属性的元素筛查和评价方面技术优势不明显, 仍需花费大量人力、 物力和时间成本。

随着高光谱成像技术的发展, 能够用于勘探领域的波段范围已覆盖可见光至近红外的整个连续波段, 波谱分辨率已提升至纳米级, 具备了光谱分辨率高、 波段多、 波谱连续、 特征明显、 识别能力强等优势, 使不同空间尺度的点、 线、 面分析具有了技术上的可行性[10, 11]。 但是, 和其他基于矿石物化特征进行找矿勘探的方法一样, 利用高光谱进行镉(Cd)等稀散金属资源潜力的快速评价首先需建立光谱与稀散元素间的相关性, 使光谱数据具有识别稀散元素类别、 含量等方面的能力。

稀散元素含量反演研究是稀散矿产资源勘探区开展高光谱快速扫面、 潜力评价和靶区优选的前提。 因此, 以西藏冈底斯成矿带斯弄多-则学铅锌矿集区的铅锌矿石为测试样品, 利用ASD Field Spec 3地物光谱仪及相关软件进行镉(Cd)元素的光谱采集与预处理, 分析镉(Cd)元素的光谱特征与规律, 筛选特征波段, 开展随机森林(random forests, RF)、 人工神经网络(artificial neural network, ANN)、 支持向量机(support vector machine, SVM)模型的机器学习与反演, 评价基于高光谱的镉(Cd)元素含量反演模型, 为镉(Cd)等稀散金属元素含量反演、 快速无损检测提供参考, 为研究区等高海拔区域的镉(Cd)等稀散金属矿产资源勘探、 评价提供思路, 为进一步的稀散金属矿产资源高光谱快速扫面勘探研究提供学术支持。

1 实验部分
1.1 样品处理

镉(Cadmium, Cd)的原子序数是48, 位于元素周期表第五周期Ⅱ B族, 单质为银白色金属。 镉(Cd)是典型的稀散元素, 具有亲硫化和亲石性, 多伴生于中低温的铅锌矿床中, 铅锌矿石(方铅矿-闪锌矿矿石)是镉(Cd)的主要载体, 是研究镉(Cd)元素地球化学性质及光谱特征的主要对象。

为了保证样品的有效性和代表性, 野外均匀选取斯弄多-则学矿集区不同类型的铅锌矿石作为实验样品, 带回实验室进行挑选、 研磨、 过筛等预处理, 控制样品粒径小于75 μ m。 每件试样缩分成2份, 1份用于化学分析, 1份留作副样并用于光谱测试(图1)。

图1 镉元素含量反演流程图Fig.1 Flow chart of cadmium element content inversion

1.2 光谱测试

共筛选出32件镉元素光谱测试样, 每件光谱试样重量均大于100 g。 选用美国ASD Field Spec 3地物光谱仪进行光谱测试, 该地物光谱仪波长范围为350~2 500 nm, 在350~1 000 nm波段的采样间距为1.4 nm, 光谱分辨率为3 nm; 在1 000~2 500 nm波段的采样间距为2 nm, 光谱分辨率为10 nm。

为避免外界光线等因素的干扰, 在夜间封闭的实验环境中测试。 测试前, 对地物光谱仪进行白板校正, 测试过程中每隔10 min左右进行一次白板校正。 为消除随机噪声的干扰, 将光谱试样置于专用光谱测试样品杯中混匀整平, 利用专用便携式地物光谱仪探头固定装置保持地物光谱仪探头垂直试样平面; 每个试样分别测试5次, 每次采集后, 微调探头固定装置, 以便继续测试同一样品的不同平面微区(图2)。

图2 样品光谱采集Fig.2 Spectrum collection

2 结果与讨论
2.1 实测镉元素含量统计分析

化学分析样品32件, 样品实测的镉元素含量最大值为33.900× 10-6, 最小值为10.100× 10-6, 平均值为17.975× 10-6, 样品变异系数为40.310%(表1)。 对比镉元素在地幔、 地壳及各类岩石中的丰度值[12, 13], 实测铅锌矿石样品的镉元素含量异常特征明显, 具有较强的空间异质性, 适合开展元素含量的光谱反演研究。

表1 矿石实测镉元素含量统计分析 Table 1 Statistical analysis of measured cadmium content in ore
2.2 光谱数据预处理

光谱数据预处理是光谱分析、 特征波段选择、 模型构建、 反演预测等的基础, 通过光谱数据的预处理, 可有效降低光谱数据的噪声及冗余信息, 增强光谱数据的有用信息及特征波段。

光谱测试结束后, 利用地物光谱仪配套的光谱数据处理软件View Spec Pro进行光谱数据的均值预处理和可视化分析, 将去除异常值后的光谱数据作为镉元素的实测光谱数据, 利用该数据生成镉元素的原始光谱曲线(图3), 进行光谱数据质量评价和光谱特征分析。

图3 铅锌矿石的镉元素原始光谱曲线Fig.3 Original spectra of cadmium in lead-zinc ore

总体上, 实测矿石样品中稀散金属镉元素的光谱反射率较高, 反射率分布相对集中, 波谱异常明显, 波谱特征稳定。

在反射率特征方面, 所测样品中有29件样品的反射率集中分布于40%~60%区间, 2件样品的反射率主要分布于60%~70%区间, 1件样品的反射率主要分布于30%~40%区间。

在波段特征方面, 350~700 nm波段区间为样品反射率上升区间, 但波谱上升斜率有所差异。 其中, 1件样品的反射率迅速增高后于400 nm附近开始出现抛物线式的下降特征; 4件样品的反射率上升后于450 nm附近出现平缓的变化趋势; 8件样品的反射率上升趋势较缓, 于750 nm左右出现宽缓波峰后微弱下降; 19件样品的反射率上升斜率较大, 于500 nm左右形成不对称波峰。

大部分样品在800~850 nm区间出现了一个宽缓的反射率波峰曲线, 并在1 000 nm附近出现小幅度的反射率陡降。 在1 420, 1 920, 2 200, 2 350和2 450 nm附近均形成明显的反射率波谷曲线(吸收峰), 尤其以1 420, 1 920和2 200 nm处的尖棱状波谷最为明显。 在2 290~2 500 nm区间所有样品的反射率均为右倾下降趋势。

2.3 镉元素特征波段筛选

特征波段选择是在波段预处理的基础上, 通过提取原始波谱数据中信息量大、 相关性小的波段子集来降低光谱数据维度, 提高模型反演的精度和稳定性。

利用View Spec Pro软件中的Process功能对镉元素原始光谱曲线进行数据统计分析, 并选取一阶微分(first derivative, FD)、 二阶微分(second derivative, SD)、 倒数的对数(logarithm of the reciprocal, AT)、 倒数对数的一阶微分(first derivative of logarithm of the reciprocal, AFD)、 倒数对数的二阶微分(second derivative of logarithm of the reciprocal, ASD)五种数据变换方法进行光谱数据的处理, 突出光谱曲线的吸收特征, 以便更加直观和定量地开展镉元素光谱曲线的变化规律分析, 总结光谱数据特征, 进行镉元素特征波段筛选。

基于相关性、 信息量和特征波段的准则, 利用SPSS 26.0软件, 结合皮尔森相关性系数r(Pearson correlation coefficient)分析进行特征波段的选择, 筛选出对建模贡献大的波段作为建立反演模型的最佳变量。

皮尔森相关性系数r是反映两个变量的相关性程度, r的取值范围为[-1, 1], r的绝对值越接近于1, 则变量间的相关性越强, 反之则弱。 对镉元素原始光谱曲线分别进行FD, SD, AT, AFD和ASD变换和皮尔森相关性系数r分析, 不同变换方式筛选出的特征波段及相关性系数见表2。

表2 不同光谱变换方式的特征波段及相关性系数 Table 2 Characteristic bands and correlation coefficients with different transformation methods

分析结果表明, 在各类光谱变换方式中, 获得较大相关性系数的波段区间为353~2 283 nm, 在2 290~2 500 nm波段区间内相关性系数很小。 在光谱数据降维与特征波段筛选变换中, SD光谱变换处理的效果最好, 其次为ASD光谱变换和AFD光谱变换, 三种光谱变换处理方式筛选的特征波段覆盖可见光及近红外波段, 771~2 051 nm波段为特征波段集中分布的区段, 是特征波段的最优区间。

SD光谱变换处理共筛选出15个特征波段, 覆盖可见光及近红外波段(图4)。 在0.01级别相关性显著的特征波段有10个(665、 709、 781、 907、 1 146、 1 182、 1 202、 1 563、 1 920和1 984 nm), 主要分布在近红外波段区间; 在0.05级别相关性显著的特征波段有5个(379、 603、 771、 848和1 623 nm)。

图4 SD变换光谱曲线Fig.4 Spectral curve of SD transform

ASD光谱变换处理共筛选出8个特征波段[图5(a)], 0.01相关性显著水平的特征波段有6个(353、 709、 893、 1 563、 1 815和2 051 nm), 0.05相关性显著水平的特征波段有2个。 AFD光谱变换处理筛选出的特征波段仅有两个[图5(b)]。

图5 ASD与AFD变换光谱曲线Fig.5 Spectral curves of ASD and AFD transforms

FD光谱变换与AT光谱变换未筛选出特征波段[图6(a)和(b)], AT光谱变换的相关性系数r绝对值最小, 相关性最差。

图6 FD与AT变换光谱曲线Fig.6 Spectral curves of FD and AT transform

2.4 反演模型构建

分析了不同模型的优缺点后, 决定采用随机森林(random forest, RF)、 人工神经网络(artificial neural network, ANN)、 支持向量机(support vector machine, SVM)三类机器学习模型进行稀散元素镉含量的高光谱反演。

随机森林模型(RF)是结合多棵决策树的一种集成学习方法, 可有效应用在回归分析中[14]。 人工神经网络(ANN)是一种由许多节点构成的运算模型, 可以有多种连接方式, 具有适应性信息处理能力[15]。 支持向量机模型(SVM)可根据有限样本信息, 减少训练数据复杂度, 得到模型最优支持向量的数目, 可用于地学中的非线性分类情况。

镉元素含量反演模型在IBM SPSS Modeler Subscription中以多条数据流(data streams)的方式构建完成的(图7)。 模型构建过程中, 首先将经SD、 ASD两类变换处理方式筛选的镉元素特征波段及相关数据导入SPSS Modeler中, 在类型(type)处选择预测含量作为目标, 引导数据流至过滤器模块(filter), 分别选择RF、 ANN、 SVM三种模型(modeling method), 完成含量预测模型的构建。

图7 反演模型构建流程图Fig.7 Flow chart of constructing inversion model

分别运行RF, ANN和SVM模型单条数据流(data stream), 以镉元素含量作为模型方程的因变量, 将SD、 ASD两类变换提取的特征波段参数作为模型方程自变量, 进行镉元素含量反演, 获得镉元素预测含量值, 并进行模型精度检验。

2.5 反演模型精度检验

采用决定系数(R2)和均方根误差(RMSE)来评价反演模型的稳定性与模型预测含量的精度, 棍检验参数的计算公式如式(1)和式(2)

${{R}^{2}}=1-\frac{\overset{n}{\mathop{\mathop{\sum }_{i=1}}}\,{{({{{{\hat{y}}}}_{i}}-{{y}_{i}})}^{2}}}{\overset{n}{\mathop{\mathop{\sum }_{i=1}}}\,{{({{y}_{i}}-{\bar{y}})}^{2}}}$ (1)

$\text{RMSE}=\sqrt{\frac{1}{n}\overset{n}{\mathop{\underset{i=1}{\mathop \sum }\,}}\,{{({{y}_{i}}-{{{{\hat{y}}}}_{i}})}^{2}}}$(2)

其中yi为样品中镉元素的实测含量值, $\bar{y}$为实测平均值, ${{{\hat{y}}}_{i}}$为预测含量值。 R2指示模型的稳定性, 若R2> 0.8, 说明模型稳定, 预测效果良好; R2越大且接近1, 表示模型的拟合程度高、 效果佳; 若0.7< R2< 0.8, 说明模型预测效果一般; 若R2< 0.7, 说明该模型预测效果差。

RMSE指示模型的预测精度, RMSE越小, 则说明预测值与实测值的误差越小, 代表所建立的反演模型精度越高, 反之则反演精度低。

模型预测效果及精度评价结果表明(表3), 经SD变换后, 反演效果最好的模型是ANN模型(SD-ANN), 其R2达到0.884, 模型稳定性好, RMSE=2.679, 预测精度高; 反演效果其次的是SVM模型(SD-SVM), 其R2=0.830> 0.8, RMSE=1.382; RF模型(SD-RF)反演效果最差, 其R2< 0.6, RMSE=2.797。

表3 模型预测效果及精度评价 Table 3 Prediction effect and accuracy evaluation of model

经ASD变换后, 反演效果最好的是SVM模型(ASD-SVM), 其R2=0.857, RMSE=2.198, 模型预测精度高; 其次是ANN模型(ASD-ANN), 其R2=0.846, RMSE=2.625, 模型稳定性好, 精度较高(图8)。

图8 不同模型的预测精度Fig.8 Prediction accuracies of different models

总体来说, 经过SD、 ASD两种变化方式处理的ANN、 SVM模型反演效果良好, 其R2均大于0.8, 表明这两个模型可适用于稀散金属镉元素的含量反演, 而RF模型反演效果不佳, 其R2均小于0.6。

3 结论

(1)铅锌矿石样品中的稀散元素镉含量较高, 镉元素在可见光-近红外波段的光谱特征明显, 波形稳定, 波谱反射率较高且集中分布于40%~60%区间, 在1 420、 1 920和2 200 nm处形成有吸收峰, 适合开展稀散元素含量的高光谱反演研究。

(2)不同光谱变换方法的光谱数据降维效果与特征波段筛选区间不同, 光谱变换处理获得的特征波段主要分布于近红外波段, 771~2 051 nm为镉元素特征波段的最优分布区间。 FD, SD, AT, AFD和ASD五种光谱变换方法中以SD变换方法的效果最佳(筛选特征波段15个), 其次为ASD和AFD光谱变换(分别筛选特征波段8个和2个), FD与AT光谱变换未筛选出特征波段。

(3)经SD和ASD变化处理的光谱数据反演预测结果对比分析表明, 人工神经网络(ANN)、 支持向量机(SVM)模型的预测效果良好, 其R2> 0.8; 随机森林(RF)模型预测效果不佳, 其R2< 0.6。 镉元素含量反演模型的预测效果总体为: SD-ANN> ASD-SVM> ASD-ANN> SD-SVM> ASD-RF> SD-RF。

RF反演模型预测效果总体较差, 分析可能与样品数量偏少有一定的关系。 由于影响模型预测精度的因素有很多(如样品数量、 实验环境以及仪器精度等), 其具体影响因素还有待于进一步的工作和探讨。 近红外波段是镉(Cd)元素特征波段的主要分布区间, 其特征机理将在后续工作中进一步研究。

另外, 稀散元素多具成矿专属性, 铅锌矿床中的镉(Cd)元素与锌(Zn)等元素具有强的相关性, 这些相关性特征多具有矿床类型和成因的指示意义, 后期研究工作应加强多元素的光谱特征及相关性分析, 丰富光谱信息中的地学属性, 为基于高光谱的镉(Cd)元素资源快速扫面、 靶区筛选和评价等工作提供更多参考。

致谢: 感谢中国地质调查局成都地质调查中心、 中国地质科学院矿产综合利用研究所及成都理工大学珠峰项目团队为野外调查和室内分析提供的帮助。

参考文献
[1] TAO Yan, HU Rui-zhong, TANG Yong-yong, et al(陶琰, 胡瑞忠, 唐永永, 等). Acta Geologica Sinica(地质学报), 2019, 93(6): 1210. [本文引用:2]
[2] MAO Jing-wen, YUAN Shun-da, XIE Gui-qing, et al(毛景文, 袁顺达, 谢桂青, 等). Mineral Deposits(矿床地质), 2019, 38(5): 935. [本文引用:2]
[3] WEN Han-jie, ZHU Chuan-wei, DU Sheng-jiang, et al(温汉捷, 朱传威, 杜胜江, 等). Chinese Science Bulletin(科学通报), 2020, 65(33): 3688. [本文引用:1]
[4] LI Kai-xuan, LENG Cheng-biao, REN Zhi, et al(李凯旋, 冷成彪, 任志, 等). Acta Mineralogica Sinica(矿物学报), 2021, 41(3): 225. [本文引用:1]
[5] LI Yun-gang, ZHU Chuan-wei(李云刚, 朱传威). Acta Mineralogica Sinica(矿物学报), 2020, 40(6): 765. [本文引用:1]
[6] LIU Chang, YANG Zhu-sen, XU Pei-yan, et al(刘畅, 杨竹森, 徐培言, 等). Geoscience(现代地质), 2021, 35(2): 466. [本文引用:1]
[7] QU Wen-jun, WANG Deng-hong, ZHU Yun, et al(屈文俊, 王登红, 朱云, 等). Acta Geologica Sinica(地质学报), 2019, 93(6): 1514. [本文引用:1]
[8] HU Yu-si, YE Lin, HUANG Zhi-long, et al(胡宇思, 叶霖, 黄智龙, 等). Acta Petrologica Sinica(岩石学报), 2019, 35(11): 3477. [本文引用:1]
[9] CAO Fa-sheng, LIU Yan-song, HE Zheng-wei, et al(曹发生, 刘严松, 何政伟, 等). Chinese Journal of Analytical Chemistry(分析化学), 2021, 49(2): 292. [本文引用:1]
[10] MAO Ya-chun, WEN Jian, FU Yan-hua, et al(毛亚纯, 温健, 付艳华, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(1): 68. [本文引用:1]
[11] Lyu Pengyi, He Li, He Zhengwei, et al. Ore Geology Reviews, 2021, 138: 104359. [本文引用:1]
[12] CHI Qing-hua(迟清华). Hand book of Applied Geochemical Element Abundance Data(应用地球化学元素丰度数据手册). Beijing: Geological Publishing Press(北京: 地质出版社), 2007. 39. [本文引用:1]
[13] SHI Chang-yi, LIANG Meng, FENG Bin(史长义, 梁萌, 冯斌). Earth Science(地球科学), 2016, 41(2): 234. [本文引用:1]
[14] LI Mao-gang, LIANG Jing, YAN Chun-hua, et al(李茂刚, 梁晶, 闫春华, 等). Chinese Journal of Analytical Chemistry(分析化学), 2021, 49(8): 1410. [本文引用:1]
[15] HU Yang, LI Zi-han, LÜ Tao(胡杨, 李子涵, 吕涛). Laser & Optoelectronics Progress(激光与光电子学进展), 2017, 54(5): 345. [本文引用:1]