The Feature Selection and Extraction of Hyperspectral Mineralization Information

合集下载

格陵兰岛科瓦内湾遥感异常提取及找矿预测

矿产资源M ineral resources格陵兰岛科瓦内湾遥感异常提取及找矿预测陈超1，朱志敏2，王璠3（１．成都理工大学　地球科学学院，四川　成都　６１００００；２．　中国地质科学院矿产综合利用研究所，四川　成都６１００００；３．四川省巴中市南江县国土资源局，四川　巴中　６３５６００）摘要：以格陵兰岛科瓦内湾Ｌａｎｄｓａｔ８、ＡＳＴＥＲ数据为基础，开展工作区遥感地质解译，分析岩性构造规律；以铁染蚀变、羟基蚀变的波谱特征为依据，采用主成分分析法分别提取铁染、羟基异常信息；结合地质解译及遥感异常提取，在现代成矿理论支撑下甄别找矿异常信息，圈定找矿预测区。

关键词：遥感地质解译；主成分分析法；遥感异常提取；找矿预测中图分类号：Ｐ６２７文献标识码：Ｂ文章编号：１００２－５０６５（２０１９）０２－００７６－３Remote sensing anomaly extraction and prospecting prediction in Kovane Bay, GreenlandCHEN Chao1,ZHU Zhi-min2,WANG Fan3（１．　Ｓｃｈｏｏｌ　ｏｆ　Ｅａｒｔｈ　Ｓｃｉｅｎｃｅｓ，　Ｃｈｅｎｇｄｕ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，　Ｃｈｅｎｇｄｕ，　Ｓｉｃｈｕａｎ，　Ｃｈｉｎａ；２．　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｍｉｎｅｒａｌ　Ｒｅｓｏｕｒｃｅｓ　Ｃｏｍｐｒｅｈｅｎｓｉｖｅ　Ｕｔｉｌｉｚａｔｉｏｎ，　Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆ　Ｇｅｏｌｏｇｉｃａｌ　Ｓｃｉｅｎｃｅｓ，　Ｃｈｅｎｇｄｕ，　Ｓｉｃｈｕａｎ　Ｐｒｏｖｉｎｃｅ；３．　Ｎａｎｊｉａｎｇ　Ｃｏｕｎｔｙ　Ｌａｎｄ　ａｎｄ　Ｒｅｓｏｕｒｃｅｓ　Ｂｕｒｅａｕ，　Ｂａｚｈｏｎｇ　Ｃｉｔｙ，　Ｓｉｃｈｕａｎ　Ｐｒｏｖｉｎｃｅ）Abstract:　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｌａｎｄｓａｔ８　ａｎｄ　ＡＳＴＥＲ　ｄａｔａ　ｏｆ　ｔｈｅ　Ｋｏｖａｎｅ　Ｂａｙ　ｉｎ　Ｇｒｅｅｎｌａｎｄ，　ｔｈｅ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｇｅｏｌｏｇｉｃａｌ　ｉｎｔｅｒｐｒｅｔａｔｉｏｎ　ｏｆ　ｔｈｅ　ｗｏｒｋｉｎｇ　ａｒｅａ　ｉｓ　ｃａｒｒｉｅｄ　ｏｕｔ　ｔｏ　ａｎａｌｙｚｅ　ｔｈｅ　ｌｉｔｈｏｌｏｇｉｃａｌ　ｔｅｃｔｏｎｉｃ　ｌａｗｓ．　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｓｐｅｃｔｒａｌ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｉｒｏｎ　ｃｏｒｒｏｓｉｏｎ　ａｌｔｅｒａｔｉｏｎ　ａｎｄ　ｈｙｄｒｏｘｙｌ　ａｌｔｅｒａｔｉｏｎ，　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ　ｉｓ　ｕｓｅｄ．　Ｅｘｔｒａｃｔｉｎｇ　ｉｒｏｎ　ｓｔａｉｎｉｎｇ　ａｎｄ　ｈｙｄｒｏｘｙｌ　ａｎｏｍａｌｙ　ｉｎｆｏｒｍａｔｉｏｎ；　ｃｏｍｂｉｎｉｎｇ　ｇｅｏｌｏｇｉｃａｌ　ｉｎｔｅｒｐｒｅｔａｔｉｏｎ　ａｎｄ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ａｎｏｍａｌｙ　ｅｘｔｒａｃｔｉｏｎ，　ｉｄｅｎｔｉｆｙｉｎｇ　ｏｒｅ　ｐｒｏｓｐｅｃｔｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｕｎｄｅｒ　ｔｈｅ　ｓｕｐｐｏｒｔ　ｏｆ　ｍｏｄｅｒｎ　ｍｅｔａｌｌｏｇｅｎｉｃ　ｔｈｅｏｒｙ，　ａｎｄ　ｄｅｌｉｎｅａｔｉｎｇ　ｔｈｅ　ｐｒｏｓｐｅｃｔｉｎｇ　ｐｒｅｄｉｃｔｉｏｎ　ａｒｅａ．Keywords: Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｇｅｏｌｏｇｉｃａｌ　ｉｎｔｅｒｐｒｅｔａｔｉｏｎ；Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ；Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ａｎｏｍａｌｙ　ｅｘｔｒａｃｔｉｏｎ；Ｐｒｏｓｐｅｃｔｉｎｇ　ｐｒｅｄｉｃｔｉｏｎ1 区域概况工作区位于格陵兰岛南部的加达尔（Gardar）省那萨克（Narsaq）镇，地理坐标：60°57′30.53″N，45°56′51.45″W。

一种低秩和图正则化的协同稀疏高光谱解混

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．０４．０１６引用格式：韩红伟，陈聆，苗加庆．一种低秩和图正则化的协同稀疏高光谱解混方法［Ｊ］．无线电工程，２０２３，５３（４）：８６８－８７６．［ＨＡＮＨｏｎｇｗｅｉ，ＣＨＥＮＬｉｎｇ，ＭＩＡＯＪｉａｑｉｎｇ．ＡＬｏｗｒａｎｋａｎｄＧｒａｐｈＲｅｇｕｌａｒｉｚａｔｉｏｎＣｏｌｌａｂｏｒａｔｉｖｅＳｐａｒｓｅＨｙｐｅｒｓｐｅｃｔｒａｌＵｎｍｉｘｉｎｇＭｅｔｈｏｄ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５３（４）：８６８－８７６．］一种低秩和图正则化的协同稀疏高光谱解混方法韩红伟１，陈　聆２，苗加庆３（１．成都理工大学工程技术学院基础教学部，四川乐山６１４０００；２．成都理工大学数学地质四川省重点实验室，四川成都６１００５９；３．西南民族大学数学学院，四川成都６１００４１）摘　要：针对经典协同稀疏解混方法中稀疏性表征不足以及丰度矩阵过平滑等问题，提出一种低秩和图正则化的协同稀疏高光谱解混方法。

引入加权因子，进一步促进丰度矩阵的稀疏性；引入了图正则化项，获取图像的空间信息，以促进图像的平滑性；在模型中增加低秩项，进而挖掘高光谱数据的细节结构，进一步提高解混的精度。

利用２个模拟和１个真实高光谱数据进行实验，结果表明，提出方法的解混精度与经典解混方法相比得到显著提升。

关键词：高光谱图像；稀疏；低秩；光谱解混；图正则化中图分类号：ＴＰ３９１．４１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）０４－０８６８－０９ＡＬｏｗｒａｎｋａｎｄＧｒａｐｈＲｅｇｕｌａｒｉｚａｔｉｏｎＣｏｌｌａｂｏｒａｔｉｖｅＳｐａｒｓｅＨｙｐｅｒｓｐｅｃｔｒａｌＵｎｍｉｘｉｎｇＭｅｔｈｏｄＨＡＮＨｏｎｇｗｅｉ１，ＣＨＥＮＬｉｎｇ２，ＭＩＡＯＪｉａｑｉｎｇ３（１．ＤｅｐａｒｔｍｅｎｔｏｆＢａｓｉｃＥｄｕｃａｔｉｏｎ，ＴｈｅＥｎｇｉｎｅｅｒｉｎｇ＆ＴｅｃｈｎｉｃａｌＣｏｌｌｅｇｅｏｆＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｌｅｓｈａｎ６１４０００，Ｃｈｉｎａ；２．ＧｅｏｍａｔｈｅｍａｔｉｃｓＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ，ＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｃｈｅｎｇｄｕ６１００５９，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＭａｔｈｅｍａｔｉｃｓ，ＳｏｕｔｈｗｅｓｔＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００４１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｌｏｗｒａｎｋａｎｄｇｒａｐｈｒｅｇｕｌａｒｉｚａｔｉｏｎｃｏｌｌａｂｏｒａｔｉｖｅｓｐａｒｓｅｈｙｐｅｒｓｐｅｃｔｒａｌｕｎｍｉｘｉｎｇｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄｔｏａｄｄｒｅｓｓｔｈｅｌａｃｋｏｆｔｈｅｓｐａｒｓｉｔｙｏｆａｂｕｎｄａｎｃｅｉｎｃｌａｓｓｉｃａｌｃｏｌｌａｂｏｒａｔｉｖｅｓｐａｒｓｅｕｎｍｉｘｉｎｇｍｅｔｈｏｄｓａｎｄｔｈｅｅｘｃｅｓｓｉｖｅｓｍｏｏｔｈｎｅｓｓｏｆａｂｕｎｄａｎｃｅｍａｔｒｉｘ．Ｆｉｒｓｔｌｙ，ａｗｅｉｇｈｔｅｄｆａｃｔｏｒｉｓｕｔｉｌｉｚｅｄｔｏｆｕｒｔｈｅｒｐｒｏｍｏｔｅｔｈｅｓｐａｒｓｉｔｙｏｆａｂｕｎｄａｎｃｅｍａｔｒｉｘ．Ｓｅｃｏｎｄｌｙ，ａｇｒａｐｈｒｅｇｕｌａｒｉｚａｔｉｏｎｔｅｒｍｉｓｅｍｐｌｏｙｅｄｔｏｃａｐｔｕｒｅｔｈｅｓｐａｔｉａｌｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｉｍａｇｅｔｏｐｒｏｍｏｔｅｔｈｅｓｍｏｏｔｈｎｅｓｓｏｆｔｈｅｉｍａｇｅ．Ｆｉｎａｌｌｙ，ａｌｏｗｒａｎｋｔｅｒｍｉｓａｄｄｅｄｔｏｔｈｅｍｏｄｅｌｔｏｅｘｐｌｏｒｅｔｈｅｄｅｔａｉｌｅｄｓｔｒｕｃｔｕｒｅｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｎｄｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｕｎｍｉｘｉｎｇ．Ｔｗｏｓｉｍｕｌａｔｅｄｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｎｄｏｎｅｒｅａｌｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｒｅｕｓｅｄｆｏｒｅｘｐｅｒｉｍｅｎｔｓ，ａｎｄｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｓｍｏｒｅａｃｃｕｒａｔｅｔｈａｎｏｔｈｅｒｃｌａｓｓｉｃａｌｍｅｔｈｏｄｓ．Ｋｅｙｗｏｒｄｓ：ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇ；ｓｐａｒｓｅ；ｌｏｗｒａｎｋ；ｓｐｅｃｔｒａｌｕｎｍｉｘｉｎｇ；ｇｒａｐｈｒｅｇｕｌａｒｉｚａｔｉｏｎ收稿日期：２０２２－１０－１２基金项目：四川省科技厅－中央引导地方项目（２０２１ＺＹＤ００２１）；数学地质四川省重点实验室开放基金项目（ｓｃｓｘｄｚ２０２１ｚｄ０１，ｓｃｓｘｄｚ２０１９ｙｂ０１）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＤｅｐａｒｔｍｅｎｔｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅＬｏｃａｌＰｒｏｊｅｃｔｓＧｕｉｄｅｄｂｙｔｈｅＣｅｎｔｒａｌＧｏｖｅｒｎｍｅｎｔ（２０２１ＺＹＤ００２１）；ＧｅｏｍａｔｈｅｍａｔｉｃｓＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅＯｐｅｎＦｏｕｎｄａｔｉｏｎ（ｓｃｓｘｄｚ２０２１ｚｄ０１，ｓｃｓｘｄｚ２０１９ｙｂ０１）０　引言高光谱图像在军事目标探测、智慧农业和环境监测等领域得到了广泛的应用，这是因为它具有“图谱合一”的特点［１］。

面向矿产资源信息的空间关联性分析

常力恒等：面向矿产资源信息的空间关联性分析
３１５
经过几轮全国范围内区域地质调查工作，国家地质数据库体系已经基本形成（谭永杰，。地质数据是地质工２０１６ａ）作的真实记录和成果的最终表达载体，具有海量、类型复杂和应用广等特点（谭永杰，朱月琴等，。２０１６年２０１６ｂ；２０１５）国土资源部制定发布了《关于促进国土资源大数据应用７月发展的实施意见》，意见指出建立地质大数据支撑平台，挖掘和释放数据资源的潜在价值，建立 “用数据说话、用数据决策、用数据管理、用数据创新 ” 的管理机制，让机器学习、深度学习、可视分析等大数据技术逐步成为必需（张旗和周永章，。２０１７）成矿信息是指指示和识别某种矿床的成矿条件和赋存方式的地质信息的总和，可以分为描述性信息、事实性信息和通过深加工才能获取的加工型信息（肖克炎等，１９９９）。陈毓川（和叶天竺（调了运用多学科、多来源数２０１１）２０１３）强据进行综合信息成矿预测方法的重要性。通常进行成矿信息提取的数据包括区域构造、岩类信息（沉积岩、变质岩、岩浆岩）、大地构造背景以及物化探遥等综合信息。从这些复杂多源的数据中提取成矿信息，目标就是研究矿产产出的规律，总结成矿标志特征和控矿要素，发现可能赋存矿产的空间位置，圈定矿致异常区，即解决矿产 “在哪儿 ”的问题。地质大数据的应用，为数据的统计分析和空间关联性分析等信息提取技术提供了契机。如何利用多来源、多模态的地质大数据进行相关性和模式分析，挖掘、预测和预警是目前需要２０１５；２０１７）周永章等，。研究数据之解决的问题（严光生等，间的相关关系对于充分利用多源地质数据，发现数据之间关系，挖掘矿产预测信息，具有重要的意义。关联规则挖掘是发现数据集中隐藏的关联关系。随着地质大数据的应用，发现和提取大数据中的关联规则成为一出，并Ａｇｒａｗａｌｅｔａｌ（１９９３）提个方向。关联规则挖掘首先由于提出法（，１９９４年Ａｐｒｉｏｒｉ算ＡｇｒａｗａｌａｎｄＳｒｉｋａｎｔ，１９９４）１９９５年出序列模式挖掘，ＫｏｐｅｒｓｋｉＡｇｒａｗａｌａｎｄＳｒｉｋａｎｔ（１９９５）提将关联规则应用到空间数据挖掘。陈江平等ａｎｄＨａｎ（１９９５）（提出了一种基于空间分析的空间关联规则的挖掘算２００３）借鉴法探讨了多层多关系空２００５）Ａｐｒｉｏｒｉ算法。马荣华等（间关联规则方法，何彬彬等（应用法进行２０１１）则Ａｐｒｉｏｒｉ算了成矿关联规则的提取和质量评价。在地质大数据挖掘与可视化表达方面，也有相关的研究，例如我们前期基于地质图书文献的关联分析，基于知识图谱的地质大数据的可视化２０１７；Ｚｈｕｅｔａｌ，表达与关联分析等相关研究等（张戈一等，２０１５，２０１７；Ｌｕｏｅｔａｌ，２０１７）。本文从我们前期的研究基础出发，特别是在地质大数据２０１６；关联规则挖掘及可视化表达研究的基础上（张戈一等，Ｚｈｕｅｔａｌ，２０１５，２０１７），以全国矿产地数据库中的热液型金矿数据和潜力评价数据为研究对象进行关联性分析，进而提取关联规则。其核心方法就是首先通过空间位置建立不同类型数据之间的联系，形成热液型金矿属性数据库，并基于统计方法分析不同数据之间的联系，最终挖掘矿产资源信息

一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法

收稿日期：２０１３ — ０５一Ｏ１，修订日期：２０１３ — ０７ — ２２基金项０１２ＡＡ１２Ａ３０８），地质矿产调查评价项目（１２１２０１１１２０２３０）￣＇ＩＩ２０１２年吉林省博士后科研启动经费项目资助
（１）每个数据样本用一个维特征向量Ｘ一｛，ｘ２， …，ｚ）表示，分别描述对个属性Ａ，Ａｚ，…Ａ样本的ｎ个度
量。
（２）假定有ｍ个类ｃ，Ｃ２，… ，给定一个未知的数据样本ｘ（即没有类标号），分类器将预测ｘ属于具有最高后验
第３４卷，第２期
２０１４年２月
光
谱
学
与
光
谱
分
析
ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ
Ｖｏ１．３４，Ｎｏ．２，ｐｐ５０５ — ５０９Ｆｅｂｒｕａｒｙ，２０１４
概率（条件Ｘ下）的类。也就是说，朴素贝叶斯分类将未知的样本分配给类Ｃｉ（１ ≤ｉ ≤ｍ），当且仅当Ｐ（ＧｌＸ）＞Ｐ（ｌＸ），对任意的Ｊ一１，２，… ，ｍ， ≠ｉ。这样，最大化Ｐ（ＧｌＸ）。其中Ｐ（Ｇｌｘ）最大的类Ｇ称为最大后验假定。根据贝
叶斯定理
较小，更受到矿物混合光谱等因素的影响，大多数光谱识别方法对一些光谱特征相似的矿物极易出现混淆和误判现象［１］。另外，同种矿物因发育过程和发育状态的不同，其成分、结构及光谱特征会产生一定差异，使其光谱具有地理区域特征；并且由于测量条件的不同，矿物的光谱特征也会随光照、背景颜色、颗粒大小等因素发生多种变化。因此，针对矿物光谱的“ 同物异谱” 、“ 同谱异物 ” 现象，提出了一种基

基于改进ＤｅｅｐＬａｂＶ３＋的引导式道路提取方法及在震源点位优化中的应用

２０２４年３月第３９卷第２期西安石油大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＸｉ’ａｎＳｈｉｙｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｍａｒ．２０２４Ｖｏｌ．３９Ｎｏ．２收稿日期：２０２３０６０３基金项目：国家自然科学基金面上项目“基于频变信息的流体识别及流体可动性预测”（４１７７４１４２）；四川省重点研发项目“工业互联网安全与智能管理平台关键技术研究与应用”（２０２３ＹＦＧ０１１２）；四川省自然科学基金资助项目“基于超分辨感知方法的密集神经图像分割”（２０２２ＮＳＦＳＣ０９６４）第一作者：曹凯奇（１９９８），男，硕士，研究方向：遥感图像标注。

Ｅｍａｉｌ：８１９０８８３３８＠ｑｑ．ｃｏｍ通讯作者：文武（１９７９），男，博士，研究方向：人工智能在地球科学的应用、高性能计算。

Ｅｍａｉｌ：ｗｅｎｗｕ＠ｃｕｉｔ．ｅｄｕ．ｃｎＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３０６４Ｘ．２０２４．０２．０１６中图分类号：ＴＥ１９文章编号：１６７３０６４Ｘ（２０２４）０２０１２８１５文献标识码：Ａ基于改进ＤｅｅｐＬａｂＶ３＋的引导式道路提取方法及在震源点位优化中的应用曹凯奇１，张凌浩２，徐虹１，吴蔚３，文武１，周航１（１．成都信息工程大学计算机学院，四川成都６１０２２５；２．国网四川省电力公司电力科学研究院，四川成都６１００９４；３．中国石油集团东方地球物理勘探有限责任公司采集技术中心，河北涿州０７２７５０）摘要：为解决自动识别方法在道路提取时存在漏提、错提现象，提出一种引导式道路提取方法提高修正效率。

在ＤｅｅｐＬａｂＶ３＋原有输入通道（３通道）的基础上添加额外输入通道（第４通道），将道路的４个极点转化为二维高斯热图后作为额外通道输入网络，网络以极点作为引导信号，使网络适用于引导式道路提取任务；设计并行多分支模块，提取上下文信息，增强网络特征提取能力；融合类均衡二值交叉熵和骰子系数组成新的复合损失函数进行训练缓解正负样本不均衡问题。

基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究

!第1*卷第5'期原子能科学技术d M S Z1*!%M Z5' !'-',年5'月9E M3J LV Q N)"I D L J N Q L N C Q&U N L A Q M S M"I P N L Z'-',基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究段忠义5 肖!昆5 ( 杨亚新5 黄!笑' 姜!山' 张!华5 罗齐彬5"5Z东华理工大学核资源与环境国家重点实验室!江西南昌!,,--5,)'Z核工业二四三大队!内蒙古赤峰!-'6---#摘要地层岩性的准确识别与砂岩型铀矿层的圈定密切相关!岩性组合的正确分析对于开展砂岩型铀矿的勘查与异常识别具有重要意义%本文针对传统测井岩性识别方法与机器学习类方法中存在的问题!以北方松辽盆地砂岩型铀矿为研究对象!采用两种典型的集成算法模型"H^:M M R E和D!#U V随机森林#开展地层岩性自动识别研究!并将识别结果与0最近邻分类算法"0%%#$梯度提升决策树算法"^:P U#等典型机器学习算法进行对比%结果表明!H^:M M R E和D!#U V随机森林两种集成算法模型对砂岩型铀矿地层岩性识别的准确率都在.1@以上!且较0%%模型和^:P U模型的准确率有明显提高% H^:M M R E模型用于控制过拟合的正则项和节点分裂时支持特征多线程进行增益的计算!显著提高了运算效率!D!#U V合成少数过采样技术解决了样本数据不平衡的问题%基于集成算法的优化过程可为砂岩型铀矿岩性分类问题提供理论依据与技术支撑%关键词 H^:M M R E)D!#U V)集成学习)砂岩型铀矿)岩性识别中图分类号 U F..)U P./,文献标志码 9文章编号 5---$8.,5"'-',#5'$'66,$5'503 5-Z*1,/+I]\Z'-',Z I M>_J C Q Z-5-5H920=+234V32/0-0E8Q5.623<34+23060<P+657206.%28;.Y1+639=Z.;0732 36P06E-3+0T+736T+7.506C67.=,-.V.+1636EP`9%(A M Q"I J5!H+9#0>Q5!(!e9%^e C_J Q5!c`9%^H J C M'![+9%^D A C Q'!(c9%^c>C5!F`#f J G J Q5"5-?5053N39'0O<605<69<I@A%+306,34<A6%3401>71*/6<1K315!7045=;/10J1/*364/59<I(3%;1<+<89!@01%;018,,--5,!=;/10)'-@A%+306D1>A4569V6<A&@<-'6,!=;/I318-'6---!=;/10#H,721+42*!U A N C L L>)C E N J&N Q E J K J L C E J M QM K R E)C E J")C T A J L S J E A M S M"I J RL S M R N S I)N S C E N&E ME A N &N S J Q N C E J M QM KR C Q&R E M Q N$E I T N>)C Q J>3&N T M R J E R Z+QE A NK C L NM KL M3T S N_R E)C E J")C T A J L R E)>L E>)N!E A NL M))N L EC Q C S I R J RM K S J E A M S M"I L M3G J Q C E J M QJ RM K")N C ER J"Q J K J L C Q L NE ME A N N_T S M)C E J M QC Q&C Q M3C S I J&N Q E J K J L C E J M QM K R C Q&R E M Q N$E I T N>)C Q J>3&N T M R J E R Z+Q>)C Q J>3收稿日期 '-',$-,$-5)修回日期 '-',$-1$'*基金项目江西省主要学科学术和技术带头人培养计划"'-'-6:W[',-'*#)核资源与环境国家重点实验室联合创新基金"'-''%O V$F c$5/#)江西省自然科学基金"'-',':9:'-,-*'#)东华理工大学研究生创新专项基金"P c e W$'-',51#(通信作者肖!昆N_T S M)C E J M Q!"N M T A I R J L C S S M""J Q"&C E C!C RCG)J&"NG N E b N N QE A NL A C Q"NM K"N M T A I R J L C S T)M T N)E J N R C Q&E A N>Q&N)")M>Q&"N M S M"J L C S N Q a J)M Q3N Q E!J R C Q N K K N L E J a N C Q&J))N T S C L N C G S N 3N E A M&E M>Q&N)R E C Q&E A N>Q&N)")M>Q&)M L\R E)>L E>)NC Q&)N R N)a M J)L A C)C L E N)J R E J L R Z W M Q a N Q E J M Q C S S J E A M S M"I J&N Q E J K J L C E J M Q3N E A M&RR>L A C RL)M R R T S M E3N E A M&!T)M G C G J S J E I R E C E J R E J L3N E A M&!L S>R E N)C Q C S I R J R3N E A M&C Q&L M Q a N Q E J M Q C S3C L A J Q N S N C)Q J Q"L S C R R3N E A$ M&A C a N R M3N&N K N L E R!R>L AC R S M bC L L>)C L I!J&N Q E J K J L C E J M QN K K J L J N Q L I C Q&"N Q N)C S J]C E J M Q C G J S J E I Z V Q R N3G S N S N C)Q J Q"J R C3N E A M&M K C L A J N a J Q"L M Q R N Q R>R J Q T)N&J L E J M Q R G I J Q E N")C$ E J Q"R J"Q J K J L C Q E C E E)J G>E N R M K E b MM)3M)N3M&N S R!3C\J Q"E A N K J Q C S S N C)Q J Q"K)C3N b M)\ 3M)N L M3T)N A N Q R J a N E A C QE A C EM K CR J Q"S NL M3T M Q N Q E3M&N S!)N&>L J Q"N))M)RC Q&M E A N) K C L E M)R Z W M3T C)N&b J E AM)&J Q C)I3C L A J Q N S N C)Q J Q"C S"M)J E A3R!J Q E N")C E N&S N C)Q J Q"C S"M$ )J E A3RA C a N3M)NC&a C Q E C"N R J Q&C E C T)M L N R R J Q"Z+QE A J R T C T N)C J3J Q"C E E A N T)M G S N3R N_J R E J Q"J QE)C&J E J M Q C SS M""J Q"S J E A M S M"I J&N Q E J K J L C E J M Q3N E A M&RC Q&3C L A J Q NS N C)Q J Q" 3N E A M&R!E A N R C Q&R E M Q N$E I T N>)C Q J>3M)N J QD M Q"S J C MG C R J Q J QQ M)E AW A J Q Cb C R E C\N Q C R E A N)N R N C)L AM G g N L E!C Q&E A N M)J"J Q C S&C E Cb N)N C Q C S I]N&C Q&T)N E)N C E N&Z W M3G J Q N&b J E A T)N a J M>RR E>&J N R!E b M E I T J L C SJ Q E N")C E N&C S"M)J E A33M&N S R"H^:M M R EC Q&D!#U V )C Q&M3;M)N R E#b N)N>R N&E ML C))I M>E C>E M3C E J L S J E A M S M"I J&N Q E J K J L C E J M QM K R C Q&R E M Q N$ E I T N>)C Q J>3M)N J QD M Q"S J C MG C R J Q!C Q&E A N)N L M"Q J E J M Q)N R>S E RM K E A NE b MJ Q E N")C E N& C S"M)J E A33M&N S Rb N)N L M3T C)N&b J E A0$%N C)N R E%N J"A G M)"0%%#!^)C&J N Q E:M M R E J Q" P N L J R J M QU)N N"^:P U#C Q&M E A N)E I T J L C S3C L A J Q N S N C)Q J Q"C S"M)J E A33M&N S Rb N)NC S R M L M3T C)N&Z U A N)N R>S E R R A M bE A C E E A N C L L>)C L I M KH^:M M R E C Q&D!#U VR E M L A C R E J L K M)N R E J Q E N")C E N&C S"M)J E A33M&N S K M)S J E A M S M"I J&N Q E J K J L C E J M QM K R C Q&R E M Q N$E I T N>)C Q J>3M)N J R C G M a N.1@!C Q&E A N C L L>)C L I M K0%%3M&N S C Q&^:P U3M&N S J R R J"Q J K J L C Q E S I J3T)M a N&Z +QM)&N)E M R M S a N E A N T)M G S N3M K M a N)K J E E J Q"J QM T N)C E J M Q!H^:M M R E C S"M)J E A33M&N Sb C R >R N&E M L M Q E)M S E A N)N">S C)E N)3M K M a N)K J E E J Q"C Q&Q M&N R T S J E E J Q"!C Q&R>T T M)E L A C)C L E N)$ J R E J L3>S E J E A)N C&J Q"E ML C S L>S C E NE A N"C J Q!b A J L AJ3T)M a N RE A NM T N)C E J M QN K K J L J N Q L I C Q& N Q R>)N R E A N)N S J C G J S J E I M KE A NJ Q E N")C E N&C S"M)J E A33M&N S Z D!#U VR I Q E A N E J L3J Q M)J E I M a N)R C3T S J Q"E N L A Q J i>NR M S a N RE A N T)M G S N3M KR C3T S N&C E CJ3G C S C Q L NJ QE A N)C Q&M3 K M)N R E C S"M)J E A33M&N S Z U A NM T E J3J]C E J M Q T)M L N R RG C R N&M Q J Q E N")C E N&C S"M)J E A33M&N S T)M a J&N R C E A N M)N E J L C S G C R J R K M)S J E A M S M"I L S C R R J K J L C E J M QM K R C Q&R E M Q N$E I T N>)C Q J>3&N T M R$ J E R!C Q&T)M a J&N R E N L A Q J L C S R>T T M)E K M)R E)C E N"J LG)N C\E A)M>"A J Q>)C Q J>3N_T S M)C E J M Q Z I.8@0157*H^:M M R E)D!#U V)N Q R N3G S NS N C)Q J Q")R C Q&R E M Q N$E I T N>)C Q J>3&N T M R J E) S J E A M S M"I J&N Q E J K J L C E J M Q!!北方沉积盆地砂岩型铀矿作为我国储量最多的铀矿类型!区内仍有大面积的铀异常亟待查证!铀矿资源勘探潜力巨大'5(%在铀矿勘查中!地球物理测井数据作为连接地球物理性质变化和地下地质环境的桥梁!是了解地下岩层结构和储层特征的有效且不可替代的方法%因此!测井数据解释在铀矿勘查中具有重要意义''$,(%对测井数据的分析和挖掘已成为提高勘查效率的重点之一'6$*(%随着测井勘探技术的发展!在地下地质结构环境多变且复杂的情况下!对测井数据的解释和地层分析也提出了更高的要求'/$55(%利用测井数据的分析结果对地下空间目标进行准确的识别与划分是测井资料解释的重要环节!包括地层结构划分$沉积相$岩性识别$以及储层识别等'5'$5,(%其中岩性识别在理解地质体结构$成矿信息预测等研究中发挥着重要作用'56$51()储层识别是复杂储层勘探开发的基础!储层的正确表征是降低勘探开发风险的重要手段!可为更好地设计和制定方案提供依据%666'原子能科学技术!!第1*卷岩性识别是测井数据分析的核心!目前广泛使用的岩性识别方法主要有*传统岩性识别方法!包括交会图法'58$5/($概率统计方法'5.$'-($聚类分析方法''5$',()机器学习类岩性识别方法!包括支持向量机D d!''6$'8($神经网络''*$'/($集成学习类方法''.(%传统的岩性识别$储层识别方法存在精度$识别效率和泛化能力低等问题',-(%针对异常值$不平衡性和高复杂性的测井数据!传统的测井解释方法有很大的局限性%随着储层地质条件的复杂性以及测井数据的多样性和数量不断增加!主观的专业知识和经验无法更好地解释%在面对复杂且更具挑战性问题时!机器学习类方法为实现自动化$性能提升提供了新的解决方案!在大量数据中学习复杂的模式和关系方面显示出巨大的优势!使得岩性识别$储层识别有了新的突破',5$,,(%集成学习是通过融合两个或多个模型的显著属性在预测中达成共识的方法!使得最终的学习框架较单个构成模型更全面!减少了误差和其他因素影响%相对于普通机器学习算法!集成学习算法在数据处理方面有更多优势!面对复杂度较高的问题!可以增强分类性能的信息融合!以获取更可靠的决策%基于:M M R E J Q"的H^:M M R E模型借助由回归树组成的强学习器!引入了正则项与并行计算技术!在提高效率的同时!确保了模型的可靠性',6()基于:C""J Q"优化的D!#U V随机森林算法借助人工合成少数过采样技术!解决了数据样本的不平衡问题',1(%因此!本文采用集成学习算法中的H^:M M R E和D!#U V随机森林模型开展砂岩型铀矿地层岩性识别研究!对松辽盆地的砂岩型铀矿建立岩性自动识别模型!以模型岩性识别的准确率为评价标准!并与0%%模型和^:P U模型进行对比分析!考察改进集成模型的可行性!以提升我国北方砂岩型铀矿储层识别的效率与精度!为实现我国铀矿资源勘查战略性突破提供技术支撑%!!理论与方法!"!!W>T0072算法在;)J N&3C Q',8(提出的:M M R E J Q"算法基础上!W A N Q等',*(通过改进目标函数与优化导数信息!并针对性地处理缺失值和模型过拟合!提出了一种优于^:P U的模型!即H^:M M R E模型%相较于^:P U!H^:M M R E精度更高$灵活性更强!并行计算与列抽样的引入提高了H^:M M R E的计算效率%H^:M M R E的目标函数如下*'"##"0/+"W9+!9/##0U."I U#"5#其中*'"##为整体目标函数!即最小化的目标) #为模型的参数!其最佳值需要通过优化目标函数来确定)+"W9+!9/#为预测值W9+与真实值9/之间的损失函数!W9+为模型预测值!9/为样本/的真实值!/为样本的索引)."I U#7+(< 5'&1G1'!I U为树的结构!该结构将输入样本映射到一个确定的叶子节点上!+和&为惩罚系数!(为决策树的叶子节点数!1G1'为决策树叶子节点上的输出分数的平方%式"5#右边第一项是损失函数!第二项是对模型复杂度的惩罚项"正则项#%经过5次迭代得到目标函数*'"5#"01/"5+"9/!W9"5$5#+#I5")/###."I5##="'# !!对式"'#进行二阶泰勒展开*'"5#+01/"'5+"9/!W9"5$5#+##8/I5")/##5';/I'5")/(##."I5##=",#其中*8/7,W9"545#+"9/!W9"545#+#表示+"W9"545#+#对W9"545#+的一阶导数);/7,'W9"545#+"9/!W9"545#5#表示+"W9"545#+#对W9"545#+的二阶导数)=为常数项%最终简化函数的目标形式如下*'"5#"01/"'58/I5")/##5';/I'5")/(##."I5#"6# !"#!基于P$)*C的随机森林算法随机森林算法属于集成算法中的:C""J Q"方法!作为一种集成学习方法!它在随机选择的数据样本上构建了许多决策树%然后从每棵树上获得预测!并通过多数投票!选择获得多数票的决定%其中构建随机森林算法模型的步骤如下*5#从给定数据或训练集中随机挑选N个数据点作为随机样本)'#构建与N个数据点相关联的决策树),#选择要构建的树的数量!166'第5'期!!段忠义等*基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究定义为@!然后重复前两步)6#对于一个新数据点!让已经构建的@棵树来预测新数据点所属的类别!并将新数据点分配给赢得多数票的类别%对于处理高维数据的分类问题!随机森林表现出不错的效果!通过:C""J Q"算法弥补了单个决策树对训练集噪声的敏感问题!降低了训练多棵决策树存在的关联问题!有效解决了模型过拟合问题%针对数据集中出现的分类不平衡问题!采用D!#U V合成少数过采样技术!在保持样本各自形态的基础上进行插值!使各类数据平衡!以此提高少数类的分类精度',/$,.(!在D!#U V合成邻近样本示意图中!横纵坐标通常代表数据点的某些特征%假设一个二维数据集的每个数据点都有两个特征组成*特征5和特征'%这种情况下!示意图的横坐标通常代表特征5!纵坐标则代表特征'%具体过程如图5所示%图5!D!#U V合成邻近样本"据W A C b S C等',.(#;J"Z5!D!#U VL M3T M R J E N C&g C L N Q E R C3T S N"3M&J K J N&K)M3W A C b S C N E C S',.(##!建模与应用本文以我国北方松辽盆地典型砂岩型铀矿区为研究对象!砂岩型铀矿地球物理测井资料为基础数据!提取研究区目的井次'/8-个数据点作为训练数据集!5'*-个数据点作为验证数据集%#"!!样本构建根据岩石粒级的粗细程度与综合测井曲线对岩性进行划分!依次为黏土$泥岩$粉砂岩$细砂岩$中砂岩$粗砂岩和砂砾岩%以多维数据为样本进行训练!划分岩性作为样本的可靠分类标签!结合砂岩型铀矿中不同岩性在不同地球物理测井数据中的响应规律!进行测井属性的优选!挑选在砂岩型铀矿岩性研究中常见的测井曲线作为输入变量*井径"W9F#$岩石密度"P V%#$声波时差"P U#$放射性"+#$自然伽马"^O#$三侧向电阻率"F F P,#$视电阻率"O U#$自然电位"D=#共/条曲线'6-(!每种岩性的不同测井曲线幅值差异如表5所列%由表5可知!岩石的致密程度与各物性参数存在一定的相关性!如密度和视电阻率随岩石粒级的增加呈增长趋势!声波时差则相反)自然伽马数值相对较高!但在中砂岩中存在局部高自然伽马值!表明研究区含矿主岩为砂岩%对于同岩性的岩石!其数值变化范围较大%泥岩一般放射性伽马值相对较高!砂岩放射性伽马值相对较低%但从粉砂岩$细砂岩以及中砂岩的自然伽马值来看!出现了部分高自然伽马值!指示一定的铀矿异常或矿化特征%为了进一步分析岩性类别在测井变量组合之间的区分度!通过交会图分析测井响应参数对岩性储层的敏感性!结果如图'所示%由图'可看出!在二维测井交会图中!岩性样本点的分布越离散!对岩性的区分度越好%黏土较其他,种岩性分区明显!其密度相对较高!聚集程度较高!而粉砂岩$中砂岩$细砂岩与粗砂岩重叠在一起!不易分类%总体来看!二维测井曲线交会图不能很好地划分砂岩型铀矿岩性!故需要采用分类功能更全面的集成学习法来进行精确岩性划分%#"#!数据处理5#曲线校深与曲线滤波测井过程中!受地下地质环境客观因素以及操作方法等影响!测井响应值在深度上存在866'原子能科学技术!!第1*卷表!!不同岩性类别测井数据*+,-.!!V 0E E 36E 5+2+0<53<<.1.62-32/0-0E 84-+77.7岩性统计量++"Q W +\"&A #W 9F +33^O +9=+P V %+""+L 3,#F F P ,+",&3#O U +",&3#D =+3d P U +"$R +3#样本总数黏土平均值5?8.58/?,/,.?,5'?-/'68?616,?8.4,/?185-66?'881'最大值,?'85*6?-**1?--'?5/5*-8?/5,-5?8'45/?**55',?15最小值-?/6518?--5*?--5?../*?5551?1145-/?'/*81?51标准差-?,/8?.//?51-?-,55.?8''5?5,55?6.61?.6粉砂岩平均值'?6656.?6*8,?/-'?-,/,?5,56?/1456?*.55,.?,1'11最大值,?/*5*,?88'-/?--'?',5.*?58,6?./4*?6*558/?/.最小值5?-55'5?6/,'?--5?/1,*?*-8?/'4,5?.65-*-?81标准差-?6/5.?8''5?*/-?5-6'?***?118?'8'1?-8细砂岩平均值'?*65,6?1/1.?1.'?--5-.?.,5.?1/45.?-,55''?61816最大值8?/-5*,?1/,1*?--'?'',--?,11,?'54*?-,55*-?15最小值5?--55.?'-'.?1-5?**,6?*/8?,5465?6.5-,'?88标准差-?*'5/?85''?5'-?5'6.?**/?*.*?-*'/?'/中砂岩平均值'?/.5,1?5-8-?,.'?-,55.?86'5?'.4'-?6,5558?*.6'/最大值58?5'5*6?-.*-.?1-'?'-,-5?6/1,?654.?5-558'?5*最小值5?5-558?8.,1?--5?/,68?'8/?,,46,?/85-',?'/标准差5?1.58?.5,8?*.-?-.86?,.55?,*.?5.,8?*.粗砂岩平均值'?5-5*'?*666?.5'?5-566?*''1?*'4'6?*55-..?855*最大值'?8/5*,?151-?1-'?5,588?5-'.?1-4'-?815551?.-最小值5?155*5?'8,6?1-'?-/5-8?555/?.-4'8?8'5-.5?/8标准差-?,,-?/*6?,'-?-'51?-''?815?*58?/*泥岩平均值'?/.56,?/-*'?-*'?-'8-?./5-?.,455?-,5516?6,5*.5最大值*?1/5*6?5/6*.?1-'?'.,/5?*,8*?1.48?8-55*'?,-最小值5?,,558?*-,1?--5?*1,'?-,1?/'46,?*'5-',?16标准差-?*55*?,,''?/--?556-?-/*?-/1?,-'5?'5砂砾岩平均值'?1-58'?5*86?'5'?55'-/?**,*?-,4,'?./5-88?1/'.-最大值6?865*,?*1566?1-'?''6',?5**6?.-45-?'/551*?*1最小值5?,*55.?'8'.?1-5?/861?,6/?5*418?58.*,?.*标准差-?815,?8.'-?,*-?-8..?1*5*?1.5,?5*1'?8*图'!二维测井参数交会图;J "Z '!W )M R R T S M E M K E b M $&J 3N Q R J M Q C S S M ""J Q "TC )C 3N E N )R *66'第5'期!!段忠义等*基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究不一致性!不能有效完成后续处理解释工作%本文采用W+;F M"'?5测井软件中的数据预处理模块对工区原始测井数据进行校深和滤波!使同一口井中所有测井数据之间的深度关系保持一致!以满足后续测井资料处理与训练要求!具体过程如图,所示%滤波采用5-点移动平均滤波以过滤序列中的高频扰动!保留有用低频趋势%C,,,密度校深曲线)G,,,视电阻率校深曲线图,!曲线校深图;J"Z,!W M))N L E N&&N T E AL A C)E!!'#标准化在利用集成算法进行岩性识别时!不同类型的测井曲线具有不同的量纲和数量级!其差异性会对模型的识别精度产生影响'65(%本文采用D L J\J E$S N C)Q中的D E C Q&C)&D L C S N)模块对数据的特征维度进行去均值和方差归一化!使数据符合正态分布!转化函数如下*)(")$-)"1#其中*-为所有样本的均值))为所有样本数据的标准差%#"A!模型应用与对比5#模型参数设置对于由H^:M M R E模型建立的岩性识别模型!可以根据其高度的灵活性优势!自定义优化目标和评价标准!在参数调优过程中!除通用参数和学习目标函数外!对模型预测结果影响较大的参数是学习率"S N C)Q J Q"0)C E N#和树的最大深度"3C_0&N T E A#%在初始化模型参数时!尽量让模型的复杂度较高!然后通过网格搜索^)J&D N C)L A W d超参数空间调优来降低模型复杂度%学习率和最大迭代次数这两个参数的调优是联系在一起的!学习率越大!达到相同性能的模型所需要的最大迭代次数越小)学习率越小!达到相同性能的模型所需要的最大迭代次数越大%H^:M M R E 每个参数的更新都需要进行多次迭代!因此!学习率和最大迭代次数是首先需要考虑的参数!且学习率和最大迭代参数的重点不是提高模型的分类准确率!而是提高模型的泛化能力%因此!当模型的分类准确率很高时!最后一步应减图6!学习率和树最大深度的变化;J"Z6!F N C)Q J Q"0)C E N C Q&3C_0&N T E A E N Q&N Q L I L A C)E 小学习率的是调节树的最大深度!以提高模型的泛化能力!逐步降低模型复杂度%调参过程如图6所示!其中!纵坐标为数损失函数"F M"F M R R#!用于衡量模型对真实标签的概率预测与实际标签之间的差异!较小的学习率通常需要在模型中添加更多的树!可以通过调整参数组合来探索这种决策关系)横坐标表示树的最大深度!从1!6-不等)学习率从-?5!-?1不等!/66'原子能科学技术!!第1*卷3C_0&N T E A有/个变量!S N C)Q J Q"0)C E N有1个变量%每个组合使用5-倍交叉验证进行评估!因此共需要训练和评估6--个H^:M M R E模型%调参目标是针对给定的学习率!使性能随树的数量的增加而提高!然后稳定下来%由于算法或评估过程的随机性或数值精度的差异!结果可能会有所不同!需要多次运行并比较平均结果!多次迭代后将输出每个评估的最佳组合以及对数损失函数%最终可以得到最佳结果的学习率为-?'!树的最大深度为5-%在构建提升树之后!检索每个属性的重要性分数%通常!重要性分数反映的是每个特征在构建模型内的增强决策树中的有用性或价值%使用决策树做出关键决策的属性越多!其相对重要性就越高!为数据集中的每个属性明确计算此重要性!允许对属性进行排名和相互比较%单个决策树的重要性是通过每个属性分割点改进性能度量的量计算的!由节点负责的观察数加权%性能度量可以是用于选择分割点的纯度"^J Q J指数#也可以是另一个更具体的误差函数%对于集成模型中的多棵决策树!可以计算每个决策树的特征重要性!并对所有决策树的特征重要性取平均值!以此更全面地评估特征的重要性%使用的内置H^:M M R E特征重要性图!因算法或评估程序的随机性或数值精度的差异而有所不同!因此多次运行该示例!并比较平均结果!如图1所示!其中横坐标;R L M)N表示每个特征的重要性得分!衡量的是特征在模型中的相对重要程度)纵坐标;N C E>)N R表示测井特征参数%从图1可知!重要性相对较高的特征参数为W9F和P V%%图1!H^:M M R E特征重要性筛选;J"Z1!H^:M M R E K N C E>)N J3T M)E C Q L N R L)N N Q J Q"'#模型预测结果及与真实结果的对比经过模型参数调整和交叉验证后!两种模型样本测试集中的岩性分类结果如图8所示!其中横坐标为岩性*5!粗砂岩)'!粉砂岩),!泥岩)6!砂砾岩)1!细砂岩)8!黏土)*!中砂岩%用混淆矩阵分析模型的分类结果!按照真实类别与模型预测类别两个标准进行统计!最终以矩阵形式呈现%其中矩阵的行表示真实值!矩阵的列表示预测值%上述混淆矩阵的每个单元格"/!S#表示模型将真实类别为/的样本预测为类别S的数量!观测值在对角线位置!数值越多越好)反之!在其他位置出现的观测值则越少越好%对于*种岩性!两种集成模型都表现出较好的识别效果!其中泥岩和细砂岩的分类结果与其他岩性的差异明显!H^:M M R E模型略优于D!#U V随机图8!混淆矩阵预测数据;J"Z8!W M Q K>R J M Q3C E)J_T)N&J L E J M Q&C E C.66'第5'期!!段忠义等*基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究森林模型%受试者工作特征"O #W #曲线是模型的另一种评价指标!O #W 曲线下与坐标轴围成的面积"9`W #用于衡量分类模型的准确性%O #W 曲线反映的是不同阈值下真正例率和假正例率之间的权衡关系%在O #W 曲线中!完美测试的9`W 值为5!表示模型在所有阈值下都能完美区分正例和反例%对角线表示随机猜测的模型性能!即真正例率等于假正例率%利用所计算的9`W 值!可以衡量分类器在不同阈值下的整体性能!面积越大!表示模型的分类准确性越高%O #W 曲线越接近左上角!说明模型在预测样本为正样本的同时还尽可能地减少了错误分类%采用H ^:M M R E 模型和D !#U V随机森林模型所得O #W 曲线如图*所示%由图*可知!两个模型的O #W 曲线都靠近左上角的点!且9`W 值均大于-?*!说明两种模型都具有较高的诊断价值!最佳边界点是曲线最靠近左上角的点!其中H ^:M M R E 模型最佳边界点的敏感度为-?/!特异度为-?'1%D !#U V 随机森林模型最佳边界点的敏感度为-?8!特异度为-?'8%可见H ^:M M R E 模型较D !#U V随机森林模型诊断价值更高!整体预测结果更优%图*!O #W 曲线;J "Z *!O #WL >)a N !!为了检验本文所建立的集成模型的准确性!将H ^:M M R E 模型与D !#U V 随机森林模型的识别结果与0%%模型和^:P U 模型的识别结果进行对比%利用W +;F M "'?5测井软件绘制部分井段钻井取心的岩性剖面与模型预测剖面!如图/所示%从图/可知!H ^:M M R E 模型和D !#U V 随机森林模型能更准确地对地层不同岩性做出响应!与钻井取心的岩性剖面的对比可知!H ^:M M R E 模型和D !#U V 随机森林模型对于砂岩型铀矿岩性的识别较其他模型更准确%针对岩性连续变化的井段!H ^:M M R E 模型的岩性识别效果与钻井取心岩性剖面基本一致!D !#U V 随机森林模型的岩性识别效果与钻井取心岩性剖面绝大部分对应较好!但对于少部分数据集较少的井段会出现岩性不对应的情况!这是因为随机森林算法对于小数据或低维数据"特征较少的数据#!不能达到很好的分类效果%而0%%模型和^:P U 模型在面对高维数据和不平衡数据时所表现出的局限性!导致部分岩性不能准确对应!识别效果与H ^:M M R E 模型和D !#U V 随机森林模型相比较差%各模型的运行时间和准确性如表'所列%由表'可知*H ^:M M R E 模型的识别效果最好!准确率高达.1?'*@!其次是D !#U V 随机森林模型!准确率为.1?-'@)^:P U 模型和0%%模型的分类效果较弱!准确率分别为.,?/5@和.,?*'@%H ^:M M R E 模型之所以准确率最高!在于H ^:M M R E 模型采用并行计算技术使得多个弱分类器组合进行学习!模型学习的结果优于以决策树作为基学习器的^:P U 模型!同时还借鉴了随机森林的列抽样!降低过拟合%从运行时间来看!基于模型本身的原理简单!模型训练较快来考虑!0%%模型和^:P U 模型所用时间较短%整体上!H ^:M M R E 模型和D !#U V 随机森林模型优于0%%模型和^:P U 模型!这是因为集成学习通过不同方法改变原始训练样本的分布构建分类器!最终集合弱分类器成强分类器!并且在每轮迭代中使用内置交叉验证!方-16'原子能科学技术!!第1*卷图/!单井段岩性识别效果;J"Z/!D J Q"S Nb N S S J Q E N)a C S S J E A M S M"I J&N Q E J K J L C E J M Q)N R>S E便获得最优迭代次数!减少了计算量!提高了模型准确率%其中:M M R E J Q"方法每次迭代时训练集的选择与前面各轮的学习结果有关!而且每次通过更新各样本权重的方式来改变数据分布):C""J Q"方法每次迭代前!采用有放回的随机抽样来获取训练数据!这使得每次迭代不依赖之前建立的模型!生成的各弱模型之间没有关联!可以彻底实现训练数据之间的并行训练%表#!各模型的准确率和运行时间*+,-.#!H4491+48+65196636E23=.0<.+4/=05.-模型准确率+@运行时间+R H^:M M R E.1?'*,?1 D!#U V随机森林.1?-',?-^:P U.,?/5'?80%%.,?*''?*A!结论5#通过测井资料和交会图分析!确定了与模型相关的/条曲线作为输入变量!并运用模型评价指标对两种集成学习模型进行评估!验证了模型的可行性)利用网格搜索^)J&D N C)L A W d从超参数空间寻找最优的参数组合!运用5-倍交叉验证结合参数组合!通过迭代确定了初步最优化模型%'#H^:M M R E模型对损失函数添加正则项以及二阶泰勒展开!弥补了传统:M M R E J Q"算法的缺陷!提升了优化效果!通过对缺失值切分方法的优化!使得每个特征的缺失值学习到一个最优的切分方向!特征的正确排序与分割结合多线程并行极大提高了运算准确率%,#:M M R E J Q"和:C""J Q"两种集成学习在预测分类中都表现出不错的性能!H^:M M R E模型对砂岩型铀矿地层岩性识别的准确率最高!达到了.1?'*@!D!#U V随机森林模型次之! 0%%模型的识别效果最差%参考文献'5(!李子颖!秦明宽!蔡煜琦!等Z鄂尔多斯盆地砂岩型铀矿成矿作用和前景分析'[(Z铀矿地质!'-'-!,8"5#*5$5,ZF+(J I J Q"!f+%!J Q"\>C Q!W9+e>i J!N EC S Z9Q C S I R J RM QE A N3J Q N)C S J]C E J M Q C Q&T)M R T N L EM KR C Q&R E M Q NE I T N>)C Q J>3&N T M R J EJ Q M)&M R G C R J Q'[(Z`)C Q J>3^N M S M"I!'-'-!,8"5#*5$5,"J Q516'第5'期!!段忠义等*基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究W A J Q N R N#Z''(!操应长!姜在兴!夏斌!等Z利用测井资料识别层序地层界面的几种方法'[(Z石油大学学报"自然科学版#!'--,!'*"'#*',$'8ZW9#e J Q"L A C Q"![+9%^(C J_J Q"!H+9:J Q!N EC S ZD N a N)C S3NE A M&RM K J&N Q E J K I J Q"R N i>N Q L N R E)C$E J")C T A J L J Q E N)K C L NG I S M""J Q"&C E C'[(Z[M>)Q C S M KE A N`Q J a N)R J E I M K=N E)M S N>3"%C E>)C S D L J N Q L NV&J E J M Q#!'--,!'*"'#*',$'8"J QW A J Q N R N#Z',(!O`P!9%9[!F9%0D U#%O2Z D E)C E J")C T A$ J L L M))N S C E J M QM Kb N S S S M"R G I L M3T>E N)E N L A Q J i>N R'[(Z99=^:>S S N E J Q!5.*,!1*"5,#*1**$1//Z '6(![#D c+P!=9U+P9O90!!+D c O99!N E C S Z =)N&J L E J M QM K R M Q J L S M"C Q&L M))N S C E J M Q M K S J E A M S M"IG I L M3T C)J Q""N M T A I R J L C S b N S SS M"&C E C>R J Q"3C L A J Q N S N C)Q J Q"T)J Q L J T S N R'[(Z^N M[M>)Q C S!'-'5!/*"8#*5$''Z'1(!杨兴!李娜!赵旭Z砂岩型铀矿勘查中密度测井曲线的校正研究及应用'[(Z新疆地质!'-'5!,.",#*6.*$1-5Ze9%^H J Q"!F+%C!(c9#H>ZD E>&I C Q&C T T S J L C E J M QM K&N Q R J E I S M"L M))N L E J M Q J QR C Q&R E M Q NE I T N>)C Q J>3N_T S M)C E J M Q'[(Z^N M S M"I M K H J Q$g J C Q"!'-'5!,.",#*6.*$1-5"J QW A J Q N R N#Z'8(!杨怀杰!乔宝强!冯延强Z小口径砂岩型铀矿测井资料处理解释系统设计'[(Z铀矿地质!'-5.!,1",#*5*-$5*6Ze9%^c>C J g J N!f+9#:C M i J C Q"!;V%^e C Q$i J C Q"ZP N R J"Q M KS M""J Q"&C E C T)M L N R R J Q"C Q&J Q E N)T)N E C E J M Q R I R E N3K M)R3C S S&J C3N E N)R C Q&$R E M Q N E I T N>)C Q J>3&N T M R J E'[(Z`)C Q J>3^N M S M$"I!'-5.!,1",#*5*-$5*6"J QW A J Q N R N#Z'*(!邓小卫!赵军辉!李继安!等Z可地浸砂岩型铀矿测井资料自动化处理解释系统的开发研究'[(Z铀矿地质!'--*!',"8#*,8,$,*-ZP V%^H J C M b N J!(c9#[>Q A>J!F+[J/C Q!N E C S ZO N R N C)L AM QE A NC>E M3C E J L T)M L N R R J Q"C Q&J Q E N)$T)N E C E J M Q R I R E N3M K S M""J Q"&C E CM K E A N S N C L A C G S NR C Q&R E M Q N E I T N>)C Q J>33J Q N'[(Z`)C Q J>3^N M S$M"I!'--*!',"8#*,8,$,*-"J QW A J Q N R N#Z'/(!c#D D9+%U!!29U9P9[!9(+(+9!N E C S ZF J E A M S M"IT)N&J L E J M Q>R J Q"b N S S S M"R*9")C Q>S C)L M3T>E J Q"C T T)M C L A'[(Z+Q E N)Q C E J M Q C S[M>)Q C S M K +Q Q M a C E J a NW M3T>E J Q"!+Q K M)3C E J M QC Q&W M Q E)M S!'-'5!5*"5#*''1$'66Z'.(!徐建国!吴显礼!王卫国Z自组织竞争人工神经网络在砂岩型铀矿测井数据解释中的应用'[(Z世界核地质科学!'--/!'1"'#*556$55/ZH`[J C Q">M!2`H J C Q S J!29%^2N J">M Z9T T S J$L C E J M Q M K R N S K$M)"C Q J]J Q"L M3T N E J E J a N C)E J K J L J C S Q N>$)C S Q N E b M)\J Q S M""J Q"&C E C J Q E N)T)N E C E J M Q M KR C Q&R E M Q N E I T N>)C Q J>33J Q N'[(Z2M)S&%>L S N C)^N M S M"I!'--/!'1"'#*556$55/"J QW A J Q N R N#Z'5-(张成勇!聂逢君!刘庆成!等Z二连盆地巴彦乌拉地区砂岩型铀矿目的层电测井曲线响应分析'[(Z铀矿地质!'-5-!'8"'#*5-5$5-*!55.Z(c9%^W A N Q"I M Q"!%+V;N Q"g>Q!F+`f J Q"$L A N Q"!N EC S Z9Q C S I R J RM QN S N L E)J L S M""J Q"L>)a NM K E C)"N E S C I N)M K R C Q&R E M Q N E I T N>)C Q J>3&N T M R J E J Q:C I C Q b>S C C)N C!V)S J C Q G C R J Q'[(Z`)C Q J>3^N M S M"I!'-5-!'8"'#*5-5$5-*!55."J Q W A J$Q N R N#Z'55(陈钢花!余杰!张孝珍Z基于小波时频分析的测井层序地层划分方法'[(Z新疆石油地质!'--*!'/",#*,11$,1/ZW c V%^C Q"A>C!e`[J N!(c9%^H J C M]A N Q ZF M""J Q"R N i>N Q L NR E)C E J")C T A J L&J a J R J M Q3N E A M&G C R N&M Q b C a N S N E E J3N$K)N i>N Q L I C Q C S I R J R'[(ZH J Q g J C Q"=N E)M S N>3^N M S M"I!'--*!'/",#*,11$,1/"J QW A J Q N R N#Z'5'(潘保芝!李舟波!付有升!等Z测井资料在松辽盆地火成岩岩性识别和储层评价中的应用'[(Z石油物探!'--.!6/"5#*6/$1'!18Z=9%:C M]A J!F+(A M>G M!;`e M>R A N Q"!N EC S Z9T T S J L C E J M QM K S M""J Q"&C E C J Q S J E A M S M"I J&N Q E J K J L C$E J M QC Q&)N R N)a M J)N a C S>C E J M QM K J"Q N M>R)M L\J QD M Q"S J C M:C R J Q'[(Z^N M T A I R J L C S=)M R T N LE J Q"K M)=N E)M S N>3!'--.!6/"5#*6/$1'!18"J Q W A J$Q N R N#Z'5,(吴灿灿!李壮福Z基于:=神经网络的测井相分析及沉积相识别'[(Z煤田地质与勘探!'-5'!6-"5#*8/$*5Z2`W C Q L C Q!F+(A>C Q"K>Z F M""J Q"K C L J N R C Q C S I$R J RC Q&R N&J3N Q E C)I K C L J N R)N L M"Q J E J M Q G C R N&M Q:=Q N>)C S Q N E b M)\'[(Z W M C S^N M S M"I C Q&V_T S M$)C E J M Q!'-5'!6-"5#*8/$*5"J QW A J Q N R N#Z'56(U+!`O!!O9D D`F e!9!+O^9F+e V d eZ !C L A J Q N S N C)Q J Q"C S"M)J E A3R K M)L S C R R J K J L C E J M Q"N$M S M"I&C E C K)M3b N S S S M""J Q"'W('56E A+Q E N)Q C$E J M Q C SW M Q K N)N Q L NM Q V S N L E)M Q J L R W M3T>E N)C Q&W M3T>E C E J M Q"+W V W W##Z0C R\N S N Q*'R ZQ Z(!'-5/Z'51(杨怀杰!何中波!吴仙明Z基于测井曲线的小波分析识别地层岩性界面,,,以三江盆地钻孔为'16'原子能科学技术!!第1*卷。

节理岩石的应力波动与能量耗散

第25卷第12期岩石力学与工程学报 V ol.25 No.122006年12月 Chinese Journal of Rock Mechanics and Engineering Dec .，2006收稿日期：2006–03–31；修回日期：2006–10–08基金项目：国家重点基础研究发展规划(973)项目(2002CB412705，2002CB412707)；教育部新世纪优秀人才资助计划项目(NCET –05–0215) 作者简介：鞠杨(1967–)，男，博士，1989年毕业于青岛建筑工程学院土木工程学院土木工程专业，现任教授，主要从事岩石混凝土损伤断裂力学与工程应用等方面的教学与研究工作。

E-mail ：juy@节理岩石的应力波动与能量耗散鞠杨1，李业学2，谢和平1，2，宋振铎1，田鹭璐1(1. 中国矿业大学煤炭资源与安全开采国家重点实验室，北京 100083；2. 四川大学，四川成都 610065)摘要：应用SHPB 试验和分形方法研究节理岩石的应力波动与能量耗散关系，分析节理面不规则结构对应力波穿越节理时的波动性质、非弹性变形和能量耗散的影响。

研究结果表明：节理面不规则结构明显地影响应力波的传播性质。

在相同入射波条件下，粗糙节理岩样的应力波衰减程度大于平直光滑节理岩样的衰减程度，粗糙节理的实际变形大于平直节理的变形。

节理岩石的能量耗散比W J /W I 随节理面分维值D 增大而增加，两者呈非线性关系；但当分维值小于临界值时，粗糙节理岩样的能量耗散比W J /W I 与平直节理面的能量耗散比基本相同，并给出节理岩石能量耗散随节理面分维值D 变化的表达式。

关键词：岩石力学；节理岩石；应力波；能量耗散；分形模型；节理面中图分类号：TU 45 文献标识码：A 文章编号：1000–6915(2006)12–2426–09STRESS WA VE PROPAGATION AND ENERGY DISSIPATION INJOINTED ROCKSJU Yang 1，LI Yexue 2，XIE Heping1，2，SONG Zhenduo 1，TIAN Lulu 1(1. State Key Laboratory of Coal Resources and Safety Mining ，China University of Mining and Technology ，Beijing 100083，China ；2. Sichuan University ，Chengdu ，Sichuan 610065，China )Abstract ：The stress wave propagation and energy dissipation in jointed rocks are investigated by split Hopkinson pressure bar(SHPB) technique and fractal theory. The influence of the irregular geometrical configuration of the joint surface on the wave propagation ，inelastic deformation and energy dissipation has been analyzed. It is shown that the irregularity of the joint surface apparently affects the stress wave transmission. With the same incident pulses ，the amplitude of stress wave was attenuated seriously when it traveled through the rough fractal joint compared with the smooth plane joint. The deformation of a rough fractal joint was found to be larger than that of a smooth plane joint. The ratio of energy dissipation W J /W I increases nonlinearly with increment of fractal dimension D of the jointed surface. Nevertheless ，the energy dissipation ratio W J /W I of the roughly jointed rocks seems to be the same as that of the smoothly jointed rocks if the fractal dimension of the joint surface is less than the critical value. An empirical model for energy dissipation ratio to the fractal dimension of joint surface has been formulated.Key words ：rock mechanics ；jointed rocks ；stress wave ；energy dissipation ；fractal model ；joint surface1 引言地下开采和工程爆破所产生的应力波会直接导致地质体和工程体的破坏与失效。

一种红外光谱免疫计算的矿物组分定量提取方法

混合模型和光谱夹角相似度评价为例，建立了一个具体的组分反演模型；针对模型求解过程中的组合优化
问题，提出了一种人工免疫克隆选择计算的矿物组分光谱（ＩＣＳＦＳＬＩＭ）识别方法；利用在中国新疆包古图地
区选取的２２个野外岩石样品的实测近红外／短波红外光谱进行了矿物组分提取试验，以样品薄片鉴定结果
１０００９４
１０００８３
摘
要
近红外／短波红外光谱的矿物组分快速鉴定技术可以大大提高野外矿产勘查、遥感矿物填图、岩芯
矿物组分分析等工作的效率，成为目前高光谱技术研究的热点之一。文章给出了一个基于光谱相似度评价
约束的联合目标岩石样品光谱和矿物光谱端元库进行矿物组分光谱反演的统一模型，然后以矿物光谱线性
为准，将ＩＣＳＦＳＬＩＭ识别结果与组合特征光谱线性反演模型（ＣＦｓＬＩＭ）识别结果进行了定量的对比分析。结
果表明：ＩＣＳＦＳＬＩＭ比ＣＦＳＬＩＭ的识别正确率提高了２．２６，有效率提高了１８．６，并且具有更高的识别
过程需在实验室中进行，操作环境具有局限性；（２）鉴定过
程中，需要对岩石样品进行一系列的加工处理，鉴定成本比
际应用中光谱库的端元光谱数一般远大于目标特征光谱维数，而对端元光谱进行组合ｃ（当：１００，ｍ＝１０时，Ｃ｝８ｏ＝２．９３７２ｅ＋０２５），会造成较大的计算量；（２）利用组合后的部分端元特征光谱与目标特征光谱进行线性方程组递归左

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Longwave Thermal Infrared Spectral Variability in Individual Rocks

Balick, L.; Gillespie, A.; French, A.; Danilina, I.; Allard, J.-P.; Mushkin, A.; Geoscience and Remote Sensing Letters, IEEE Volume: 6 , Issue: 1 Digital Object Identifier: 10.1109/LGRS.2008.2006005 Publication Year: 2009 , Page(s): 52 - 56 Cited by: 2

Abstract An hyperspectral imaging spectrometer measuring in the longwave thermal infrared (7.6-11.6 mum), with a spatial resolution less than 5 mm at a range of 10 m, was used in the field to observe the variability of emissivity spectra of individual rock surfaces. The rocks were obtained commercially, were on the order of 20 cm in size, and were selected to have distinct spectral features: they include alabaster (gypsum), soapstone (steatite with talc), obsidian (volcanic glass), norite (plagioclase and orthopyroxene), and ldquojasperrdquo (silica with iron oxides). The advantages of using an imaging spectrometer to characterize these rocks spectrally are apparent. Large spectral variations were observed within individual rocks that may be attributed to roughness, surface geometry, and compositional variation. Nonimaging spectrometers would normally miss these variations as would small samples used in laboratory measurements, spatially averaged spectra can miss the optimum spectra for identification of materials, and spatially localized components of the rock can be obscured.

The Feature Selection and Extraction of Hyperspectral Mineralization Information Based on Rough Sets Theory

Yunjun Zhan; Guangdao Hu; Yanyan Wu; Computational Intelligence and Industrial Application, 2008. PACIIA '08. Pacific-Asia Workshop on Volume: 1 Digital Object Identifier: 10.1109/PACIIA.2008.35 Publication Year: 2008 , Page(s): 282 - 286

Abstract Space borne imaging spectrometry provides spectral information which can be used to extract parameters of interest in monitoring regional environmental remediation initiatives. The environment surrounding the City of Greater Sudbury in Ontario Canada has been affected by deposition of sulphur-dioxide and metals from a century of smelting operations. Impacts have been noted up to 100 km downwind of the smelter sites, with areas of barren rock replacing natural forested cover. Regional remediation measures have been undertaken in the area since the late-1970s, involving a reduction of smelter emissions and a re-vegetation initiative. Space borne hyperspectral acquisitions from EO-1 Hyperion are evaluated for providing regional information on land cover change and relative vegetation health in support of remediation monitoring measures.

Spectral mapping capabilities of sedimentary rocks using hyperspectral data in Sicily, Italy

Villa, P.; Pepe, M.; Boschetti, M.; de Paulis, R.; Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International Digital Object Identifier: 10.1109/IGARSS.2011.6049741 Publication Year: 2011 , Page(s): 2625 - 2628 Abstract Geologic applications of remote sensing data often rely on ancillary and support information for effectively mapping geolithologies. This work aims to investigate the capabilities of mapping geologic outcrops of sedimentary rocks using only spectral information coming from aerial hyperspectral data. MI VIS hyperspectral data obtained in the area of Serra di Falco, in southern Italy, have been exploited for testing and comparing geologic maps resulting from 4 different spectral supervised algorithms (SVM, SAM, SID, MAXLIKE) in combination with 4 different methods of selecting the training sample for feeding the classifiers, and making use of various ancillary data (ground surveys, geological map) only as reference information for evaluation the results. Geologic mapping results comparison shows the pros and cons of spectral classification in a complex sedimentary geology context. Applying boosting for hyperspectral classification of ore-bearing rocks

Monteiro, S.T.; Murphy, R.J.; Ramos, F.; Nieto, J.; Machine Learning for Signal Processing, 2009. MLSP 2009. IEEE International Workshop on Digital Object Identifier: 10.1109/MLSP.2009.5306219 Publication Year: 2009 , Page(s): 1 - 6 Cited by: 1 Abstract Hyperspectral sensors provide a powerful tool for nondestructive analysis of rocks. While classification of spectrally distinct materials can be performed by traditional methods, identification of different rock types or grades composed of similar materials remains a challenge because spectra are in many cases similar. In this paper, we investigate the application of boosting algorithms to classify hyperspectral data of ore rock samples into multiple discrete categories. Two variants of boosting, GentleBoost and LogitBoost, were implemented and compared with support vector machines as benchmark. Two pre-processing transformations that may improve classification accuracy were investigated: derivative analysis and smoothing, both calculated by the Savitzky-Golay method. To assess the performance of the algorithms over noisy data, white Gaussian noise was added at various levels to the data set. We present experimental results using hyperspectral data collected from rock samples from an iron ore mine.