基于可见光-近红外光谱的BIF磁性率确定方法研究

铁矿中磁性率是评价铁矿床工业价值和划分矿石工业类型的重要指标。传统的磁性率测定法存在工作量大、效率低、周期长的缺陷,成为经济、合理、高效开采铁矿资源的瓶颈问题。采用便携式地物光谱测试仪对辽宁省鞍钢集团鞍千矿业有限责任公司的BIF实验样品进行可见光-近红外光谱测试,分析了光谱特征,构建了比值指数(RI)、差值指数(DI)和归一化指数(NDI),并确定光谱指数与样品磁性率相关性最显著的敏感波段及对应的相关系数值;优选出与样品磁性率相关性最显著的比值指数(RI),构建实验样品磁性率的定量反演模型,并进行了验证。结果表明,三种光谱指数与样品磁性率敏感波段均位于935与1 050 nm,且该波段处的相关系数均达到0.9以上,其中比值指数与样品磁性率的相关性最高;基于比值指数构建的实验样品磁性率定量反演模型的预测误差为0.038,反演磁性率与实测磁性率的判定系数(R2)为0.964 5,预测结果比较理想。为确定BIF的磁性率提供了一种新方法,该方法具有工作强度小、经济、高效、便捷的优点,且对遥感找矿具有一定指导意义。     

鞍山式铁矿SiO2含量的热红外光谱分析方法

SiO₂含量是铁矿石质量控制的主要技术指标,亦是衡量铁矿石品质好坏的关键指标之一,对选矿方法、配矿流程的确定具有重要意义。传统的SiO₂含量测定法虽然准确度高,但工作量大,操作繁琐,花费时间长,难以快速、高效确定铁矿石中SiO₂含量。采用红外光谱辐射计Turbo FT对辽宁省鞍钢集团鞍千矿业有限责任公司的“鞍山式”铁矿样品进行热红外光谱测试,分析了光谱特征,构建了比值指数(RI)、差值指数(DI)和归一化指数(NDI),并确定光谱指数与样品SiO₂含量相关性最显著的敏感波段及对应的相关系数值;优选出与样品SiO₂含量相关性最显著的归一化指数(NDI),构建样品SiO₂含量的定量反演模型,并进行了验证。结果表明,三种光谱指数与样品SiO₂含量的敏感波段均位于余辉带特征(RF)的左边界8.06与8.2 μm处,相关系数均达到0.9以上,其中NDI与样品SiO₂含量的相关性最高;基于NDI构建了实验样品SiO₂含量的二次函数反演模型,预测误差为3.57%。该方法相对于传统的研磨化验法,具有工作强度小、便捷、快速、高效、无污染的优点,对遥感找矿也具有一定指导意义。     

基于可见光波段的燃烧与未燃烧矸石分类方法研究

我国煤矿数量众多,分布广泛,大量堆积的煤矸石对矿区环境造成严重影响,其中部分煤矸石处理不当可能引发自燃和爆炸,对矿区安全构成直接威胁。根据煤矸石的燃烧状态可以分为燃烧矸石和未燃烧矸石两类,其存在的安全隐患和对环境的危害性有所不同,同时其综合利用的途径亦不相同。因此,对煤矸石进行燃烧矸石和未燃烧矸石的分类识别与监测就显得尤为重要。目前的监测方法主要为实地勘查调研,其效率低、成本高,难以满足煤矸石监测的实际需求。选择辽宁省铁法矿区作为研究区,首先从矿区矸石山现场采集典型的煤矸石样本106个;然后,利用SVC HR1024光谱仪测试其可见光-近红外光谱,分析燃烧和未燃烧矸石的光谱特征,并基于可见光波段构建光谱指数NDGI,用于识别燃烧矸石和未燃烧矸石。选择实验室测试的光谱数据和实际卫星遥感数据对该指数进行了验证,并与随机森林法进行对比。结果显示：在350～760 nm燃烧矸石光谱曲线斜率整体较高,在550～630 nm反射率存在陡升现象,而未燃烧矸石在整个可见光波段光谱曲线斜率较低;以0.25作为NDGI指数阈值,可以很好地将燃烧矸石和未燃烧矸石区分开来,实验室样本验证结果显示,NDGI指数的分类精度可达99.1%,高于随机森林分类法的95.2%;现场的验证结果表明,使用铁法矿区的landsat8 OLI数据,并基于NDGI指数对矿区内的矸石山进行燃烧和未燃烧区域识别划分,所提取的燃烧和未燃烧矸石在形态和大小上与Google Earth具有很好地一致性,表明该指数对于矸石的燃烧状态具有很好识别效果。在上述研究基础上,分别取燃烧和未燃烧矸石进行矿物鉴定,通过对比矸石燃烧前后矿物种类的变化,分析造成燃烧和未燃烧矸石的光谱特征差异的原因。结果表明：燃烧使矸石中的Fe2+被氧化为Fe3+。Fe3+的大量增加造成光谱曲线在550nm处形成明显的波谷特征,在整个燃烧过程中生成的玻璃质在750nm处形成高反射率,二者综合造成燃烧和未燃烧矸石的NDGI指数差异。研究结果为煤矿区燃烧和未燃烧矸石的区分识别提供了一种快速、高效、较为准确的实用方法。     

可见光-近红外光谱的矽卡岩型铁矿反演模型

铁矿资源是我国国民经济基础产业中的重要组成要素,在我国经济发展中有举足轻重的地位。铁矿品位的检定效率对铁矿石开采效率有重大影响。目前,铁矿石品位的化学分析检定法,不仅存在成本较高,化验周期长的问题,更主要的是其无法实现铁矿品位原位测定,相对配矿流程存在滞后效应,无法有效降低矿石开采的损失贫化率;基于可见光-近红外光谱分析的铁矿品位原位测定技术是解决这一问题的有效途径。以225个红岭矽卡岩型铁矿测试样本的可见光-近红外光谱数据及化学分析数据为数据源,首先对原始数据进行了平滑处理,并分析了矽卡岩型铁矿可见光-近红外光谱特征,然后利用倒数对数、多元散射校正（MSC）两种预处理方法对平滑后的光谱数据进行处理,再分别以主成分分析法（PCA）、遗传算法（GA）两种降维算法对预处理前后的光谱数据进行了处理,获取了六种不同预处理组合算法处理后的数据源。其中以PCA降维算法所降维数分别为3维、3维、7维;以GA降维算法所降维数分别为477维、489维、509维。最后基于随机森林（RF）和极限学习机（ELM）建立了矽卡岩型矿石金属铁品位的定量反演模型,以决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）三个指标分别对模型的稳定性、精确度、可信度进行评价。结果表明,经MSC处理及PCA降维后的数据基于ELM算法建立的定量反演模型效果最优,其R2可达0.99、RMSE为0.005 7、MRE为2.0%,该方法所建模型对红岭矽卡岩型铁矿品位反演精度有明显的提升。对矽卡岩铁矿品位的实时、快速分析提供了一种有效的方法,对实现矽卡岩型铁矿的高效开采具有重要的现实意义。     

径向基神经网络的苏打盐碱地重金属定量反演

土壤是自然生态系统的重要组成部分,是人类赖以生存和农业生产的重要物质基础。随着社会经济高速发展,高强度的工农业生产活动导致重金属等各种污染物通过大气沉降、污水灌溉等途径进入土壤,并在土壤中不断富集造成土壤盐渍化和土壤重金属污染,两者是导致全球荒漠化和土壤退化的主要诱因。然而中国的耕地非常有限,粮食安全尤为重要。因此,如何快速、准确地大面积反演盐碱地的重金属含量是保障粮食安全的重要研究课题。针对上述关键问题,以吉林省镇赉县盐碱地为研究对象,建立了盐碱地重金属元素锰（Mn）、钴（Co）和铁（Fe）含量与土壤可见光-近红外光谱数据的定量反演模型。首先对原始光谱数据分别进行了Savitzky-Golay平滑、多元散射校正、连续统去除变换处理;然后基于预处理后的光谱数据构建了比值（RI）、差值（DI）和归一化（NDI）三种光谱指数,通过光谱指数与重金属含量的相关性分析确定模型训练样本,利用径向基神经网络算法进行建模并反演盐碱地重金属含量;最后通过相关系数等梯度循环建模的精度分析方法确定了光谱指数与锰、钴和铁含量相关性显著的敏感波段组合,建立了基于径向基神经网络算法的盐碱地重金属含量最优反演模型。研究结果表明,Mn选取相关系数r>0.70,Co选取相关系数r>0.80,Fe选取相关系数r>0.80,并选取敏感指数组合分别为108组、690组和31组,基于上述显著敏感指数组合建立的Mn,Co和Fe最优反演模型R2分别为0.703 4,0.897 6和0.848 4,均方根误差RMSE分别为53.007 3,1.059 2和0.363 4,平均相对精度达到88.64%,90.36% 和91.78%。该研究对盐碱地重金属含量的准确、快速分析提供了一种有效的方法,对实现土壤重金属污染治理具有重要的现实意义。     

基于近红外光谱和ELM算法的菱镁矿石品级分类研究

由工业发展需求,针对菱镁矿石矿物含量不同以及分布不均匀而难以判定其品级的情况,提出一种由近红外光谱技术结合ELM的菱镁矿石品级分类模型。该模型可以实现菱镁矿石品级的快速分类。近红外光谱利用菱镁矿中不同种类含H基团对近红外光谱有不同吸收的特性,用来测定菱镁矿石的成分及其含量,其操作简便、不破坏样品、速度快、准确高效。以辽宁省营口市大石桥的菱镁矿石30组为研究对象,采集菱镁矿石的近红外光谱数据样本30×973。采用主成分分析(PCA)对其进行降维处理,以主元贡献率大于99.99%而得到10维的特征变量值。建立了ELM算法定量分析数学模型,取20组样本为训练样本(包括6组特级,14组非特),其余10组作为测试样本(其中4组特级,6组非特),ELM算法模型的隐含层节点数选取20。为了进一步提高分类效果,提出两种ELM算法模型的改进：采用循环模式对传统ELM的输入权值和阈值进行寻优的精选ELM和在精选ELM基础上进行集成的集成-精选ELM。并与用人工方法、化学方法和BP神经网络模型方法对菱镁矿石样品品级分类作对比。结果表明：近红外光谱和ELM菱镁矿石品级分类模型不论在时间上还是成本上,都具有明显的优势,且其准确率能够达到90%以上,为菱镁矿石品级分类提供了一条新的途径。     

可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类

煤是工业的主要能源,煤的品质对工业和环境起决定性作用。在使用煤的过程中,如果不能准确确定煤的品种,有可能对生产效率、环境污染、经济损失等会造成重大的影响。传统的煤分类,主要依靠人工方法和化学分析方法,这些方法的缺点是高成本和耗费时间。如何快速准确确定煤的品质很重要。因此,提出深度学习、极限学习机-ELM算法和可见、红外光谱联合建立煤矿分类模型。首先,从抚顺、伊敏和河南夹津口煤矿区采取不同煤样品,并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。然后利用深度学习的卷积神经网络-CNN提取光谱特征,并采用ELM算法对光谱数据建立分类模型。最后,为进一步提高分类精度,引入粒子群算法。通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法,并使用改进粒子群算法优化CNN-ELM网络。实验结果表明,和PCA特征提取方法比较,CNN网络能够更好的提取光谱特征,CNN-ELM分类模型有良好的分类效果;改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。与传统的化学分析方法和人工方法相比,此方法在经济、速度、准确性方面均具有无可比的优势。     

基于可见-近红外和热红外光谱联合分析的煤和矸石分类方法研究

煤与矸石是矿山采煤过程中主要固体堆放物,对其进行遥感动态监测是矿山环境保护的重要需求。由于煤与部分矸石存在“异物同谱”现象,在使用传统的可见-近红外遥感分类时,往往将部分矸石划分为煤,导致遥感分类精度降低。首先对铁法矿区的12个煤样本和115个矸石样本进行可见-近红外光谱测试,发现绝大部分矸石样品的光谱与煤差异很大,二者易于区分,但有部分矸石与煤样本存在“异物同谱”现象。为进一步对矸石与煤区分,测试了混分样本的热红外光谱,发现二者存在明显的光谱差异,利用热红外光谱特征可以将其区分开来。在此基础上,提出了基于可见-近红外和热红外光谱联合分析的煤与矸石区分方法。该方法首先对所有样本进行可见-近红外光谱测试,利用Mao模型进行第一步分类识别;其次对煤与矸石混分的样品进行热红外光谱测试,利用光谱吸收比率SAR作为判别指标进行第二步分类,两步的分类结果为最终分类结果。该方法在铁法、兖州、神东和木里矿区的验证结果表明,其具有很高的分类准确率,效果远好于单独基于可见-近红外光谱特征的分类方法。研究结果表明,利用多种光谱联合分析的方法可以解决单波段存在的“异物同谱”现象,对于地物遥感分类具有重要的借鉴意义。     

典型伪装材料高光谱特征及识别方法研究

针对某些特定环境下,伪装目标和背景目标出现的“异物同谱”现象,传统的可见光及多光谱遥感伪装识别存在局限性,为此,将高光谱应用到典型伪装材料的特征分析与识别。以北方地区常用丛林迷彩伪装网为研究对象,利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱,通过光谱相似性度量和包络线去除处理,分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段,并基于近红外波段构建光谱比值指数RCI,用于识别绿色植被环境中的伪装目标,最后通过高光谱成像实验获取仿真伪装环境高光谱图像,并利用高光谱图像对识别效果进行验证。结果显示：(1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似,且反射率随浸水时间的增加而整体呈下降趋势;1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段,其光谱特征会因浸水处理而相似于植被,相似度从0.895提高到了0.939。(2)丛林迷彩伪装网和植被在可见光波段的相似度较高,光谱波动情况相似,但在近红外波段光谱特征差异明显。通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段,且基于迷彩伪装网和各植...