摘要

沉积磷块岩是全球粮食安全的关键，为化肥工业提供了超过 90% 的需求。然而，由于地层中磷浓度的显著横向和纵向变化，其勘探和开采面临着重大挑战。传统的表征方法耗时且成本高昂，需要复杂的样品制备，这往往限制了矿石体内测量的空间分辨率。另一方面，红外高光谱岩心扫描已成为一种成熟的岩心快速表征技术，通过利用先进的机器学习算法，为预测地球化学变化提供了一种强大的工具。在这种情况下，本研究旨在评估高光谱红外图像在非破坏性方法中快速量化磷块岩岩心中 P₂O₅ 分布的能力。为此，分析了来自摩洛哥磷酸盐系列的 ~65 米岩心。使用 Thermo Fisher XL5 便携式 XRF (pXRF) 获取 P₂O₅ 测量值，并使用 SPECIM SisuROCK 岩心扫描仪收集高光谱图像，该扫描仪具有 SWIR (1000-2500 nm) 和 MWIR (2700-5200 nm) 相机。为了从高光谱图像中记录的红外光谱预测 P₂O₅ 浓度，我们探索了一种直接方法，使用在 ~5 米岩心数据集上训练的高性能机器学习算法。当应用于整个岩心数据集时，机器学习算法——Random Forest Regressor, KernelRidge Regressor, Gradient Boosting, Support Vector Regressor, and K-Nearest Neighbors——报告了良好的预测性能，在 SWIR 区域分别具有 79%、62.1%、69.4%、60.3% 和 68.7% 的强相关性，在 MWIR 区域分别具有 82.5%、83.6%、80.7%、82.3% 和 85.1% 的强相关性。因此，使用支持向量回归模型在 MWIR 图像上直接估计 P₂O₅ 代表了一种更有效的方法，为 P₂O₅ 化学制图和改进磷资源估计提供了显着的潜力，平均绝对误差低至 3.07。通过采用更大的训练数据集和深度学习算法，可以进一步改进。

一、目标

本研究的主要目标是通过一种基于机器学习模型中光谱和地球化学信息集成的无损方法来评估红外高光谱岩心扫描在评估P205浓度方面的效果。

二、介绍

沉积型磷酸盐岩是磷的主要来源；然而，由于矿床内部存在显著的横向和纵向差异，其开采面临着越来越多的挑战。传统的勘探方法难以在高分辨率下覆盖大面积区域并捕捉这些差异，这使得整个过程成本高昂且充满不确定性，尤其是在勘探的早期阶段。

随着传感器技术、计算能力和自动化程度的不断提高，岩芯扫描已成为矿产勘探中一种极具前景的工具。在本研究中，我们采用综合方法来评估钻芯扫描在解决沉积型磷酸盐矿开采中的一个关键难题方面的潜力一一即追踪目标元素（特别是高覆盖率P2O5等元素）的地球化学变化。

三、方法

本研究采用了以下方法：

红外岩心成像： 使用 SPECIM SisuROCK 岩心扫描仪收集 65 米岩心的 SWIR (1000-2500 nm) 和 MWIR (2700-5200 nm) 高光谱图像。X 射线岩心分析： 使用 Thermo Fisher XL5 便携式 XRF (pXRF) 沿岩心收集 330 个 P₂O₅ 测量点，并在单个岩心箱上收集额外的 100 个点。模型构建： 使用岩心箱 100 的光谱和相应的地球化学数据点训练 5 个回归模型：Random Forest, Ridge, K-Nearest Network, Gradient Boosting, and Support Vector Regressor。P₂O₅ 估计和制图： 使用性能最佳的模型从训练岩心箱中提取 P₂O₅ 浓度图。模型评估： 将每个构建的模型用于预测整个岩心沿线的 P₂O₅ 浓度，并与 pXRF 测量浓度进行比较。

四、结果

模型评估： 与 SWIR 相比，MWIR 区域的模型评估报告了更好的预测性能，相关性超过 80%，并解释了约 70% 的变化（表 1）。支持向量回归： MWIR 区域的支持向量回归指标显示为表现最佳的模型，为 P₂O₅ 化学分析提供了显著的潜力（图 1）。地球化学制图： 该方法显示直接从高光谱数据对岩心进行地球化学制图具有良好的潜力。误差分析： 总体计算误差相对较低，但表明需要改进模型性能以减少异常值的影响。

表1. SWIR和MWIR中使用的不同机器学习模型的准确性指标  范围. MAE：平均绝对误差，MedAE：中位数绝对误差，CC：一致性相关系数，CI：置信区间。

图1.高光谱核心扫描和pXRF数据集成结果。从左到右：RGB岩芯的图像。使用便携式X射线测量P2O5的

荧光（PxRF）与MWIR支持载体回归量预测进行比较。

图2.使用PXRF（A）沿着训练沉积磷岩芯盒的P2O5谱线，与使用MWIR支持Vecrtor回归量（B）P2O5的预测地图进行比较。

五、结论

本研究表明，红外高光谱岩心扫描是一种很有前途的非破坏性方法，可用于快速估计沉积磷块岩岩心中的 P₂O₅ 分布。MWIR 区域的预测性能优于 SWIR，支持向量回归模型在 MWIR 图像上表现最佳。通过采用更大的训练数据集和深度学习算法，可以进一步提高预测精度。

（文章来源于Specim高光谱成像，如有侵权，请联系删文）