基于野外實(shí)測(cè)光譜的玄武巖地球化學(xué)成分反演

于峻川， 劉文良， 閆柏琨， 董新豐， 王喆， 李娜

(1.中國(guó)國(guó)土資源航空物探遙感中心,北京 100083； 2.中國(guó)地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院地質(zhì)過程與礦產(chǎn)資源國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100083)

基于野外實(shí)測(cè)光譜的玄武巖地球化學(xué)成分反演

于峻川1， 劉文良2， 閆柏琨1， 董新豐1， 王喆1， 李娜1

(1.中國(guó)國(guó)土資源航空物探遙感中心,北京 100083； 2.中國(guó)地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院地質(zhì)過程與礦產(chǎn)資源國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100083)

巖石地球化學(xué)成分對(duì)巖石分類、成因及演化研究有重要地質(zhì)意義。利用遙感手段反演巖石地球化學(xué)成分是一個(gè)較新的課題，也是遙感相關(guān)應(yīng)用研究的難點(diǎn)。以甘肅省柳園鎮(zhèn)南部二疊紀(jì)玄武巖帶為研究目標(biāo)，在進(jìn)行系統(tǒng)采樣、光譜分析、地球化學(xué)測(cè)試的基礎(chǔ)上，采用偏最小二乘回歸(partial least squares regression，PLSR)對(duì)擁有2 150個(gè)波段的實(shí)測(cè)波譜數(shù)據(jù)及相應(yīng)的6種主量礦物數(shù)據(jù)進(jìn)行反演建模。首先選擇有效的預(yù)處理方法對(duì)目標(biāo)數(shù)據(jù)集進(jìn)行優(yōu)化，再利用k折交叉檢驗(yàn)方法獲得最小均方根誤差下的最適主成分個(gè)數(shù)。運(yùn)算結(jié)果表明，PLSR模型具有較好的穩(wěn)定性和精度，在利用遙感數(shù)據(jù)進(jìn)行巖石地球化學(xué)成分反演方面有很好的應(yīng)用前景。

玄武巖； 地球化學(xué)成分； 反演； 實(shí)測(cè)光譜； 偏最小二乘回歸(PLSR)； 柳園

0 引言

近年來，遙感技術(shù)作為一種重要技術(shù)手段從地質(zhì)解譯、礦物信息提取到巖石地球化學(xué)成分含量反演，已廣泛應(yīng)用于地質(zhì)調(diào)查領(lǐng)域。隨著遙感技術(shù)在光譜分辨率和空間分辨率方面的不斷提高，遙感地質(zhì)應(yīng)用由定性分析走向定量分析，由巖石到礦物再到元素的反演研究已成為遙感地質(zhì)的發(fā)展趨勢(shì)。目前，人們已在利用遙感數(shù)據(jù)進(jìn)行巖石地球化學(xué)成分反演方面做了很多嘗試。在地質(zhì)環(huán)境方面，Choe等[1]和Song等[2]利用地面光譜或高光譜數(shù)據(jù)提取重金屬元素和稀土元素，實(shí)現(xiàn)了對(duì)土壤污染及礦山環(huán)境的檢測(cè)。在月球探測(cè)方面，通過利用環(huán)月軌道探測(cè)器(clementine)、干涉成像光譜儀(interference imaging spectrometer，IIM)、月球礦物制圖儀(moon mineralogy mapper，M3)、“預(yù)言者”(diviner)月球輻射計(jì)(lunar radiometer)等遙感數(shù)據(jù)，基于角度參數(shù)、吸收深度、克里斯琴森指數(shù)(Christiansenfeature，CF)等方法，實(shí)現(xiàn)了Fe,Ti等元素含量的反演[3-6]。在地表巖石成分反演方面，部分學(xué)者嘗試?yán)脽峒t外數(shù)據(jù)實(shí)現(xiàn)了對(duì)SiO2含量的反演[7-9]，但對(duì)利用其他遙感數(shù)據(jù)對(duì)SiO2之外巖石成分反演的研究較少，有待于進(jìn)一步嘗試。從地質(zhì)角度講，巖漿作用與成礦作用關(guān)系密切，巖漿巖中隱含著其成因、演化及構(gòu)造環(huán)境等重要信息，而玄武巖更是探測(cè)地球深部的“探針”和“窗口”[10-11]，對(duì)巖漿巖地球化學(xué)成分的反演對(duì)巖石分類、成因及演化研究具有重要意義。

野外巖礦實(shí)測(cè)光譜數(shù)據(jù)具有較高的空間分辨率和光譜分辨率，為地表巖石地球化學(xué)成分的定量反演提供了廣闊的應(yīng)用空間。本文以甘肅省柳園鎮(zhèn)南部二疊紀(jì)玄武巖帶為研究目標(biāo)，采用偏最小二乘回歸(partial least squares regression,PLSR)模型，對(duì)實(shí)測(cè)光譜數(shù)據(jù)進(jìn)行了玄武巖的主量礦物反演，為高光譜遙感在巖石地球化學(xué)成分反演方面的研究和應(yīng)用提供理論參考。

1 研究區(qū)地質(zhì)概況

研究區(qū)位于甘肅省西北部，隸屬于柳園鎮(zhèn)，在大地構(gòu)造上位于北山南部陸緣活動(dòng)帶上。該區(qū)在二疊紀(jì)以伸展拉張作用為主，地?；顒?dòng)頻繁，有大量基性-超基性巖發(fā)育。研究區(qū)的地層以二疊系為主，主要包括下二疊統(tǒng)哲斯群和上二疊統(tǒng)。下二疊統(tǒng)不整合于下古生界地層之上，與上二疊統(tǒng)也呈不整合接觸。下二疊統(tǒng)哲斯群分為上、下2組，上組發(fā)育玄武巖，下組則以凝灰質(zhì)砂巖及砂礫巖為主。哲斯群上組的底部為深綠色微晶質(zhì)細(xì)粒玄武巖和灰綠色中細(xì)粒玄武巖夾少量枕狀玄武巖[12]，向上為灰綠色中粒枕狀玄武巖和微晶細(xì)粒枕狀玄武巖，總厚度約2 600 m。玄武巖表面呈墨綠色，塊狀、枕狀構(gòu)造； 鏡下呈斑狀結(jié)構(gòu)，斑晶為粒狀輝石和長(zhǎng)板狀斜長(zhǎng)石(含量約10%)，基質(zhì)由長(zhǎng)石及輝石微晶組成。根據(jù)玄武巖的巖石類型及展布特征共設(shè)計(jì)6條采樣路線，對(duì)整個(gè)玄武巖帶進(jìn)行了較好的控制； 并開展了細(xì)致的采樣工作，共采集樣品120個(gè)(圖1)，用于后期分析測(cè)試。

圖1 甘肅柳園玄武巖采樣位置

2 研究方法

2.1 PLSR理論

偏最小二乘回歸(PLSR)是一種多因變量對(duì)多自變量的新型的多元統(tǒng)計(jì)數(shù)據(jù)分析方法，其優(yōu)勢(shì)在于對(duì)數(shù)據(jù)建模的同時(shí)能消除數(shù)據(jù)之間的冗余信息，達(dá)到降維的目的，且具簡(jiǎn)單穩(wěn)定、計(jì)算量小等優(yōu)點(diǎn)，可較好地解決許多普通多元回歸方法無法解決的問題。該方法于1983年由Wold等[13]首次提出； 近10 a來，在理論和方法上得到了迅速的發(fā)展，并在各研究領(lǐng)域均有應(yīng)用。其中,PLSR方法結(jié)合可見-近紅外光譜在醫(yī)藥檢驗(yàn)、食品安全等方面的應(yīng)用均取得了較好效果[14]。為此，本文將其作為研究的理論基礎(chǔ)。

PLSR的基本原理是將n個(gè)樣品的m個(gè)組分含量矩陣Y=(yij)n×m和測(cè)定的n個(gè)樣品的p個(gè)波段處的反射率值矩陣X=(xij)n×p分解成特征向量的形式，即

Y=U·Q+F,

(1)

X=T·P+E,

(2)

式中：U和T分別為n行d列的組分含量特征因子矩陣和反射率載荷矩陣；Q為d×m階組分含量載荷矩陣；P為d×p階反射率載荷矩陣；F和E分別為n×m和n×p階組分含量殘差矩陣和反射率殘差矩陣[15]。

PLSR根據(jù)特征向量的相關(guān)性分解Y和X，建立回歸模型，即

U=T·B+Ed,

(3)

式中：Ed為隨機(jī)誤差矩陣；B為d維對(duì)角回歸系數(shù)矩陣。若反射率向量為x，則組分含量為y=x(U·X)′B·Q。

評(píng)價(jià)PLSR模型性能的基本指標(biāo)有決策系數(shù)(R2)和均方根誤差(root mean square error，RMSE)。

R2反映了測(cè)量數(shù)據(jù)與真實(shí)值的相關(guān)程度，即

(4)

RSME反映了測(cè)量數(shù)據(jù)偏離真實(shí)值的程度，即

(5)

2.2 光譜數(shù)據(jù)優(yōu)化

可見光-近紅外波段(350～2 500μm)主要由含氫基團(tuán)的倍頻和組頻吸收峰組成，吸收強(qiáng)度弱，靈敏度相對(duì)較低，且吸收帶寬有一定疊加現(xiàn)象。光譜數(shù)據(jù)優(yōu)化的目的是通過對(duì)光譜的適當(dāng)預(yù)處理和變換，減弱乃至消除各種非目標(biāo)因素對(duì)光譜的影響，增強(qiáng)和突出自變量光譜的吸收特征，使算法能夠更準(zhǔn)確地捕捉到這些特征并與因變量建立起對(duì)應(yīng)關(guān)系，從而提高模型的預(yù)測(cè)能力和穩(wěn)定性。常見的優(yōu)化處理方法有標(biāo)準(zhǔn)化、歸一化、平滑處理、一階和二階導(dǎo)數(shù)、標(biāo)準(zhǔn)正態(tài)變量(standardnormalvariable,SNV)變換及多元散射校正(multiplicativescattercorrection,MSC)等[16-17]。其中，對(duì)光譜數(shù)據(jù)求導(dǎo)方法有直接差分法和Savitzky-Golay求導(dǎo)法。直接差分法一般用于對(duì)分辨率高、波長(zhǎng)采樣點(diǎn)多的光譜數(shù)據(jù)進(jìn)行操作，不適合稀疏波長(zhǎng)采樣點(diǎn)的光譜數(shù)據(jù)； 而Savitzky-Golay卷積平滑方法適用于各種條件下的光譜數(shù)據(jù)的優(yōu)化。

SNV主要用于消除固體顆粒大小、表面散射以及光程變化對(duì)可見光-近紅外反射光譜的影響。SNV算法與標(biāo)準(zhǔn)化算法的不同之處在于其只針對(duì)一條光譜進(jìn)行處理，其計(jì)算公式為

(6)

式中：ΔXi為第i個(gè)樣品光譜的平均值； k=1,2，…,m； m為波長(zhǎng)點(diǎn)數(shù)； i=1,2，…,n； n為校正集樣品數(shù)。

3 PLSR建模及結(jié)果

3.1 數(shù)據(jù)集獲取

對(duì)采集的120個(gè)樣品進(jìn)行反射率光譜測(cè)試，測(cè)試儀器采用美國(guó)ASD公司生產(chǎn)的FieldSpec光譜儀。先將光譜儀預(yù)熱10～30min后再進(jìn)行測(cè)定，并用標(biāo)準(zhǔn)白板進(jìn)行校正； 視場(chǎng)角為10°，傳感器探頭垂直向下，波段范圍為350～2 500nm，光譜采樣間隔為1nm。挑選其中具有代表性的110件巖石樣品進(jìn)行全巖地球化學(xué)分析，獲得樣品的SiO2,TiO2,Fe2O3,MgO,CaO和Al2O3等主量礦物數(shù)據(jù)。

3.2 數(shù)據(jù)處理

在進(jìn)行PLSR建模之前，需對(duì)光譜數(shù)據(jù)進(jìn)行一些預(yù)處理，并剔除異常數(shù)據(jù)。首先利用多項(xiàng)式卷積(Savitzky-Golay多項(xiàng)式法)平滑處理消除測(cè)量過程中產(chǎn)生的隨機(jī)高頻噪聲。分別選用3,5,7,9點(diǎn)平滑處理后的光譜進(jìn)行建模，通過觀測(cè)其RMSE，經(jīng)過反復(fù)試驗(yàn)認(rèn)為5點(diǎn)平滑處理對(duì)后續(xù)建模的效果最好。然后按照同樣的原理，分別對(duì)一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、MSC和SNV變換進(jìn)行試驗(yàn)，通過對(duì)R2、最佳主成分及RMSE等指標(biāo)的觀察，最終確定“卷積平滑+一階導(dǎo)數(shù)+SNV校正”是適用于本次研究的最佳處理方法。對(duì)挑選的110個(gè)樣品預(yù)處理后的光譜數(shù)據(jù)進(jìn)行投圖，觀測(cè)其波譜形態(tài)，剔除與整體趨勢(shì)反差較大的10個(gè)樣品的異常波譜，將剩余的100個(gè)樣品的光譜數(shù)據(jù)(350～2 500nm，共2 150個(gè)波段)所構(gòu)成的[2 150×100]矩陣作為X，將所有樣品的6種主量礦物含量值組成的[6×100]矩陣作為Y，帶入建立的PLSR模型(式(3))中進(jìn)行運(yùn)算。

3.3 主成分個(gè)數(shù)選擇

PLSR主成分的選擇需同時(shí)考慮主成分個(gè)數(shù)對(duì)Y的累計(jì)方差貢獻(xiàn)率以及模型的RMSE。本文采用k折(k-fold)交叉驗(yàn)證法進(jìn)行主成分個(gè)數(shù)的選取，即將數(shù)據(jù)集隨機(jī)分為k份，每次將其中1份作為測(cè)試集，剩余的(k-1)份作為訓(xùn)練集進(jìn)行訓(xùn)練。通過計(jì)算，得到主成分個(gè)數(shù)與對(duì)應(yīng)RMSE及Y的累計(jì)方差貢獻(xiàn)率之間的關(guān)系圖，如圖2所示。

(a) PLSR主成分與Y累計(jì)方差貢獻(xiàn)率 (b) PLSR主成分與RMSE

圖2 PLSR主成分個(gè)數(shù)與Y累計(jì)方差貢獻(xiàn)率及RMSE的關(guān)系

Fig.2 Relationship between number of PLSR components and percent variance explained inYas well asRMSE

從圖2(a)可以看出，當(dāng)主成分個(gè)數(shù)大于6時(shí)，Y的累計(jì)方差貢獻(xiàn)率接近85%。而從圖2(b)可以看出，在主成分個(gè)數(shù)為7時(shí)，模型具有最小的RMSE。綜上所述，選擇主成分個(gè)數(shù)為7較為合理。

3.4 結(jié)果與討論

3.4.1 實(shí)驗(yàn)結(jié)果

通過R2和RMSE這2個(gè)指標(biāo)對(duì)PLSR模型的性能進(jìn)行評(píng)價(jià)，表1給出了6種主量礦物對(duì)應(yīng)的RMSE和R2。

表1 PLSR模型計(jì)算6種主量礦物的RMSE及R2

從表1可以看出，所有礦物對(duì)應(yīng)的RMSE均小于1，均值為0.423，表明該模型計(jì)算出的預(yù)測(cè)值偏離實(shí)測(cè)值的程度非常小，模型精度很高。

由PLSR模型計(jì)算出各主量礦物預(yù)測(cè)值與實(shí)際值的比值，如圖3所示。

(a) Al2O3(b) Fe2O3(c) TiO2

(d) MgO (e) SiO2(f) CaO

圖3 由PLSR模型計(jì)算出的6種主量礦物預(yù)測(cè)值與實(shí)際值對(duì)比

Fig.3 Comparison between prediction values of 6 oxides calculated by PLSR model and observed reflectance

從圖3可以看出，PLSR模型的模擬效果整體上較好，各主量礦物的預(yù)測(cè)值與實(shí)際值均沿y=x直線分布，其R2均高于0.80，平均R2達(dá)0.88，其中R2最高的為TiO2(R2=0.91)，R2最低的為SiO2(R2=0.83)，可見基于PLSR模型、結(jié)合實(shí)測(cè)光譜數(shù)據(jù)，可以實(shí)現(xiàn)對(duì)巖石地球化學(xué)成分的高精度反演。除此之外，該模型還給出了各主量礦物對(duì)應(yīng)各波段的載荷系數(shù)(圖4)，這些系數(shù)反映出各主量礦物與各波長(zhǎng)位置上反射率值間的相關(guān)關(guān)系。

圖4 由PLSR模型計(jì)算出的6種主量礦物 對(duì)應(yīng)各波段值的相關(guān)系數(shù)

3.4.2 討論

1)根據(jù)用PLSR獲得的各主量礦物的擬合方程，結(jié)合該地區(qū)同類型巖石光譜數(shù)據(jù)，可實(shí)現(xiàn)對(duì)其主量礦物含量的反演。如果針對(duì)不同時(shí)代、不同地區(qū)的玄武巖利用PLSR進(jìn)行建模，由于研究對(duì)象在特征上的差異，所得到的結(jié)果也會(huì)有一定的差異； 但主量礦物含量與光譜吸收特征之間關(guān)系的趨勢(shì)是不變的。因此，該方法在研究巖石地球化學(xué)成分反演方面具有一定的推廣意義。

2)研究對(duì)象也不僅限于對(duì)玄武巖主量礦物含量的反演。通過實(shí)驗(yàn)證明，PLSR模型對(duì)于花崗巖等巖石也同樣適用，且根據(jù)該模型獲得的載荷矩陣可以進(jìn)一步精簡(jiǎn)模型的輸入變量，利用最少的波段實(shí)現(xiàn)較好的反演效果。利用實(shí)測(cè)數(shù)據(jù)保證了光譜數(shù)據(jù)的質(zhì)量； 而從應(yīng)用的角度來講，該模型也適用于高光譜遙感數(shù)據(jù)，但需要考慮大氣等因素造成的影像波譜與實(shí)測(cè)波譜的差異對(duì)實(shí)驗(yàn)結(jié)果的影響。相信通過對(duì)該方法的逐步優(yōu)化，有望實(shí)現(xiàn)利用航空、航天高光譜數(shù)據(jù)對(duì)地面巖石地球化學(xué)成分進(jìn)行區(qū)域性填圖的目標(biāo)。

4 結(jié)論

本文利用偏最小二乘回歸(PLSR)方法，結(jié)合實(shí)測(cè)光譜數(shù)據(jù)和地球化學(xué)分析數(shù)據(jù)，實(shí)現(xiàn)了對(duì)甘肅柳園地區(qū)二疊紀(jì)玄武巖的巖石地球化學(xué)成分的反演。得出如下結(jié)論：

1)PLSR可以在實(shí)現(xiàn)數(shù)據(jù)建模的同時(shí)消除數(shù)據(jù)之間的冗余信息，達(dá)到降維的目的； 該方法具有諸多優(yōu)勢(shì)，可用于實(shí)現(xiàn)地表巖石地球化學(xué)成分的反演，彌補(bǔ)遙感在該方面應(yīng)用的不足。

2)本文利用地面實(shí)測(cè)光譜數(shù)據(jù)、結(jié)合巖石地球化學(xué)分析數(shù)據(jù)，以柳園南部玄武巖帶為例，實(shí)現(xiàn)了對(duì)玄武巖中SiO2，TiO2，F(xiàn)e2O3， MgO，CaO和Al2O3這6種主量礦物信息的提取。

3)實(shí)驗(yàn)結(jié)果表明，PLSR模型具有較好的穩(wěn)定性和精度，R2均在0.8以上，對(duì)利用高光譜數(shù)據(jù)進(jìn)行巖石地球化學(xué)成分反演具有推廣意義。

4)本文僅利用地面實(shí)測(cè)光譜數(shù)據(jù)對(duì)玄武巖地球化學(xué)成分反演進(jìn)行了試驗(yàn)，今后的研究重點(diǎn)是利用高光譜影像數(shù)據(jù)對(duì)不同類型巖石地球化學(xué)成分反演開展實(shí)驗(yàn)分析，實(shí)現(xiàn)在保證模型精度的前提下，逐步精簡(jiǎn)模型所需自變量的數(shù)量，以滿足工程化應(yīng)用的需求。

[1] Choe E,van der Meer F,van Ruitenbeek F,et al.Mapping of heavy metal pollution in stream sediments using combined geochemistry,field spectroscopy,and hyperspectral remote sensing:A case study of the Rodalquilar mining area,SE Spain[J].Remote Sensing of Environment,2008,112(7):3222-3233.

[2] Song L,Jian J,Tan D J,et al.Estimate of heavy metals in soil and streams using combined geochemistry and field spectroscopy in Wan-sheng mining area,Chongqing,China[J].International Journal of Applied Earth Observation and Geoinformation,2015,34:1-9.

[3] Lucey P G,Blewett D T,Jolliff B L.Lunar iron and titanium abundance algorithms based on final processing of Clementine ultraviolet-visible images[J].Journal of Geophysical Research,2000,105(E8):20297-20305.

[4] Le Mouélic S,Lucey P G,Langevin Y,et al.Calculating iron contents of lunar highland materials surrounding Tycho crater from integrated Clementine UV-visible and near-infrared data[J].Journal of Geophysical Research,2002,107(E10):5074.

[5] Greenhagen B T,Lucey P G,Wyatt M B,et al.Global silicate mineralogy of the Moon from the Diviner lunar radiometer[J].Science,2010,329(5998):1507-1509.

[6] Yan B K,Xiong S Q,Wu Y Z,et al.Mapping lunar global chemical composition from Chang’E-1 IIM data[J].Planetary and Space Science,2012,67(1):119-129.

[7] 閆柏琨,劉圣偉,王潤(rùn)生,等.熱紅外遙感定量反演地表巖石的SiO2含量[J].地質(zhì)通報(bào),2006,25(5):639-643. Yan B K,Liu S W,Wang R S,et al.Quantitative inversion of the SiO2content in surface rocks using thermal infrared remote sensing[J].Geological Bulletin of China,2006,25(5):639-643.

[8] 王俊虎,張杰林,張靜波.基于ASTER熱紅外數(shù)據(jù)的SiO2含量反演在某礦田信息提取中的應(yīng)用[J].鈾礦地質(zhì),2010,26(5):306-312. Wang J H,Zhang J L,Zhang J B.SiO2content retrieving based on ASTER thermal data and its application in substracting metallogenic factor of a uranium deposit[J].Uranium Geology,2010,26(5):306-312.

[9] 楊杭,張立福,黃照強(qiáng),等.基于熱紅外發(fā)射光譜的巖石SiO2定量反演模型研究[J].光譜學(xué)與光譜分析,2012,32(6):1611-1615. Yang H,Zhang L F,Huang Z Q,et al.Quantitative inversion of rock SiO2content based on thermal infrared emissivity spectrum[J].Spectroscopy and Spectral Analysis,2012,32(6):1611-1615.

[10]莫宣學(xué).巖漿與巖漿巖:地球深部"探針"與演化記錄[J].自然雜志,2011,33(5):255-259. Mo X X.Magma and magmatic/igneous rocks:A lithoprobe into the deep earth and records of the Earth’s evolution[J].Chinese Journal of Nature,2011,33(5):255-259.

[11]莫宣學(xué),趙志丹,鄧晉福,等.印度-亞洲大陸主碰撞過程的火山作用響應(yīng)[J].地學(xué)前緣,2003,10(3):135-148. Mo X X,Zhao Z D,Deng J F,et al.Response of volcanism to the India-Asia collision[J].Earth Science Frontiers,2003,10(3):135-148.

[12]趙澤輝,郭召杰,韓寶福,等.新疆東部―甘肅北山地區(qū)二疊紀(jì)玄武巖對(duì)比研究及其構(gòu)造意義[J].巖石學(xué)報(bào),2006,22(5):1279-1293. Zhao Z H,Guo Z J,Han B F,et al.Comparative study on Permian basalts from eastern Xinjiang-Beishan area of Gansu Province and its tectonic implications[J].Acta Petrologica Sinica,2006,22(5):1279-1293.

[13]Wold S,Albano C,Dunn III W J,et al.Pattern recognition:Finding and using regularities in multivariate data[C]//Proceedings of Food Research and Data Analysis.London,UK:Applied Science Pub,1983:146-189.

[14]陳潔梅,肖青青,潘濤,等.NIR光譜結(jié)合穩(wěn)定等效MW-PLS方法用于高脂血癥指標(biāo)分析[J].光譜學(xué)與光譜分析,2014,34(10):2827-2832. Chen J M,Xiao Q Q,Pan T,et al.NIR spectroscopy combined with stability and equivalence MW-PLS method applied to analysis of hyperlipidemia indexes[J].Spectroscopy and Spectral Analysis,2014,34(10):2827-2832.

[15]李耀翔,汪洪濤,耿志偉,等.基于NIR及PLS-PCR-SVR預(yù)測(cè)森林土壤有機(jī)碳含量[J].安徽農(nóng)業(yè)科學(xué),2014,42(15):4702-4706,4742. Li Y X,Wang H T,Geng Z W,et al.Prediction of forest soil carbon content based on the near infrared spectroscopy and PLS-PCR-SVR[J].Journal of Anhui Agricultural Sciences,2014,42(15):4702-4706,4742.

[16]褚小立,袁洪福,陸婉珍.近紅外分析中光譜預(yù)處理及波長(zhǎng)選擇方法進(jìn)展與應(yīng)用[J].化學(xué)進(jìn)展,2004,16(4):528-542. Chu X L,Yuan H F,Lu W Z.Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J].Progress in Chemistry,2004,16(4):528-542.

[17]黎文兵,藥林桃,劉木華,等.光譜預(yù)處理對(duì)LIBS檢測(cè)臍橙中Cu的偏最小二乘定量模型影響[J].光譜學(xué)與光譜分析,2015,35(5):1392-1397. Li W B,Yao L T,Liu M H,et al.Influence of spectral pre-processing on PLS quantitative model of detecting Cu in navel orange by LIBS[J].Spectroscopy and Spectral Analysis,2015,35(5):1392-1397.

(責(zé)任編輯： 劉心季)

Inversion of geochemical compositions of basalts based on field measured spectra

YU Junchuan1， LIU Wenliang2， YAN Bokun1， DONG Xinfeng1， WANG Zhe1， LI Na1

(1.ChinaAeroGeophysicalSurveyandRemoteSensingCenterforLandandResources，Beijing100083，China； 2.StateKeyLaboratoryofGeologicalProcessesandMineralResources，SchoolofEarthSciencesandMineralResources，ChinaUniversityofGeosciences(Beijing)，Beijing100083，China)

Geochemical compositions have significant implications for rock classification，identification of the petrogenesis and evolution of the rocks. The utilization of remote sensing method to estimate the geochemical compositions of the rocks is a new subject, and is also a difficult point in remote sensing related researches due to its relatively immature applications. In this study, he Permian basalts were chosen as the study object. Based on systematical sampling, spectral analysis and geochemical test, the authors constructed a mathematical model between field measured spectra data (2 150 bands) and available data of six representative major elements by using partial least squares regression (PLSR). It is essential to initially choose proper preprocessing method to optimize the spectra data, and then search for the optimal number of principal components with minimum root-mean-square error throughk-fold cross-validation. The results show that the PLSR model yields higher stability and precision，and plays a significant role in applications of geochemical composition inversion using remote sensing data.

basalt； geochemical compositions； inversion； field measured spectra； partial least squares regression(PLSR)； Liuyuan

10.6046/gtzyyg.2017.01.24

于峻川,劉文良,閆柏琨,等.基于野外實(shí)測(cè)光譜的玄武巖地球化學(xué)成分反演[J].國(guó)土資源遙感,2017,29(1):158-163.(Yu J C,Liu W L,Yan B K,et al.Inversion of geochemical compositions of basalts based on field measured spectra[J].Remote Sensing for Land and Resources,2017,29(1):158-163.)

2015-07-27；

2015-08-28

國(guó)土資源部公益性行業(yè)科研基金項(xiàng)目“月球試驗(yàn)場(chǎng)遙感探測(cè)研究”(編號(hào)： 201211071-2)和中國(guó)地質(zhì)調(diào)查局地質(zhì)調(diào)查項(xiàng)目“高光譜地質(zhì)調(diào)查技術(shù)方法研究”(編號(hào)： 12120115040801)共同資助。

于峻川(1984-),男,博士,工程師,主要從事高光譜及相關(guān)地質(zhì)研究工作。Email： jasonyu@live.cn 。

TP 79

A

1001-070X(2017)01-0158-06