Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Kết hợp Dữ liệu Địa hóa và Cảm biến Từ xa cho Phân loại Thạch học Sử dụng Học Đo lường Rừng Ngẫu nhiên
Tóm tắt
Dữ liệu địa chất từ nhiều nguồn có thể cung cấp thông tin quan trọng cho việc tìm kiếm khoáng sản theo nhiều cách khác nhau. Ví dụ, hình ảnh cảm biến từ xa ghi lại các đặc điểm quang phổ của đối tượng, và dữ liệu địa hóa thể hiện sự giàu có hoặc suy giảm của các nguyên tố địa hóa, phản ánh các thuộc tính vật lý và hóa học của các đặc điểm địa chất. Trong nghiên cứu này, một mô hình lai bao gồm việc kết hợp dữ liệu và học máy đã được áp dụng cho việc lập bản đồ thạch học. Quy trình này được minh họa thông qua một nghiên cứu trường hợp về việc lập bản đồ một số đơn vị thạch học ở Đỉnh Cuonadong, nằm ở phần Đông Bắc của dãy Himalaya, Trung Quốc. Trong quy trình này, công nghệ kết hợp dữ liệu từ nhiều nguồn đầu tiên được sử dụng để cung cấp thông tin phong phú hơn bằng cách tích hợp dữ liệu địa hóa và hình ảnh cảm biến từ xa của Đo lường và Phản xạ Nhiệt Từ Không gian (ASTER), giữ lại cả các mô hình địa hóa và cấu trúc kết cấu của hình ảnh cảm biến từ xa. Sau đó, một phương pháp học đo lường rừng ngẫu nhiên (RFML) được sử dụng để đạt được hiệu suất phân loại cao dựa trên dữ liệu đã được kết hợp. RFML áp dụng học đo lường trong quy trình phân loại của mỗi phép tính cây quyết định, phát huy tối đa ưu điểm của rừng ngẫu nhiên và học đo lường. Bảy đơn vị thạch học mục tiêu đã được phân biệt với độ chính xác tổng thể 93,0%. Hiệu suất xuất sắc này chứng minh tính hiệu quả của phương pháp lai trong việc khảo sát địa chất các khu vực có môi trường khó khăn đã trải qua nghiên cứu địa chất hạn chế.
Từ khóa
#Thạch học #Dữ liệu địa hóa #Hình ảnh cảm biến từ xa #Học máy #Kết hợp dữ liệu #Rừng ngẫu nhiênTài liệu tham khảo
Adelson EH, Anderson CH, Bergen JR, Burt PJ, Ogden JM (1984) Pyramid methods in image processing. RCA Eng 29(6):33–41
Aiazzi B, Alparone L, Barducci A, Baronti S, Pippi I (1999) Multispectral fusion of multisensor image data by the generalized Laplacian pyramid. IEEE Int Geosci Remote Sens Symp. https://doi.org/10.1109/IGARSS.1999.774572
Baghshah MS, Shouraki SB (2010) Non-linear metric learning using pairwise similarity and dissimilarity constraints and the geometrical structure of data. Pattern Recogn 43(8):2982–2992. https://doi.org/10.1016/j.patcog.2010.02.022
Bannari A, El-Battay A, Saquaque A, Miri A (2016) PALSAR-FBS L-HH mode and Landsat-TM data fusion for geological mapping. Adv Remote Sens 5(4):246–268. https://doi.org/10.4236/ars.2016.54020
Breiman L (1986) Probability and stochastic processes: with a view toward applications. Course Technology
Breiman L (1996) Bagging predictors. Mach Learn 24(2):123–140. https://doi.org/10.1023/A:1018054314350
Breiman L (2001) Random forests. Mach Learn 45(1):5–32. https://doi.org/10.1023/A:1010933404324
Cao X, Ge Y, Li R, Zhao J, Jiao L (2019) Hyperspectral imagery classification with deep metric learning. Neurocomputing 356:217–227. https://doi.org/10.1016/j.neucom.2019.05.019
Cao H, Li G, Zhang Z, Zhang L, Dong S, Xia X, Liang W, Fu J, Huang Y, Xiang A (2020) Miocene Sn polymetallic mineralization in the Tethyan Himalaya, southeastern Tibet: a case study of the Cuonadong deposit. Ore Geol Rev. https://doi.org/10.1016/j.oregeorev.2020.103403
Cheng G, Yang C, Yao X, Guo L, Han J (2018) When deep learning meets metric learning: remote sensing image scene classification via learning discriminative CNNs. IEEE Trans Geosci Remote Sens 56(5):2811–2821. https://doi.org/10.1109/TGRS.2017.2783902
De Maesschalck R, Jouan-Rimbaud D, Massart DL (2000) The Mahalanobis distance. Chemometr Intell Lab Syst 50(1):1–18. https://doi.org/10.1016/S0169-7439(99)00047-7
Ding H, Jing L, Li H, Tang Y, Ma H, Zhu B, Wang W, Qiu L (2018) A method and system for improving the resolution of geochemical layers. Chinese patent no. 201811275285.4
Dong Y, Du B, Zhang L (2015) Target detection based on random forest metric learning. IEEE J Sel Top Appl Earth Observ Remote Sens 8(4):1830–1838. https://doi.org/10.1109/JSTARS.2015.2416255
Eldosouky AM, Abdelkareem M, Elkhateeb SO (2017) Integration of remote sensing and aeromagnetic data for mapping structural features and hydrothermal alteration zones in Wadi Allaqi area, South Eastern Desert of Egypt. J Afr Earth Sci 130:28–37. https://doi.org/10.1016/j.jafrearsci.2017.03.006
Fisher RA (1936) The use of multiple measurements in taxonomic problems. Ann Eugen 7(2):179–188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x
Fu J, Li G, Wang G, Huang Y, Zhang L, Dong S, Liang W (2017) First field identification of the Cuonadong dome in southern Tibet: implications for EW extension of the North Himalayan gneiss dome. Int J Earth Sci 106(5):1581–1596. https://doi.org/10.1007/s00531-016-1368-2
Fu J, Li G, Wang G, Zhang L, Liang W, Zhang Z, Zhang X, Huang Y (2018) Synchronous granite intrusion and E-W extension in the Cuonadong dome, southern Tibet, China: evidence from field observations and thermochronologic results. Int J Earth Sci 107(6):2023–2041. https://doi.org/10.1007/s00531-018-1585-y
He H, Yang X, Li Y, Li Y, Wang L (2010) Multi-source data fusion technique and its application in geological and mineral survey. J Earth Sci Environ 32(1):44–47
Hunt GR (2017) Spectroscopic properties of rocks and minerals. CRC Press, London, pp 295–386
Jing L, Cheng Q (2010) A technique based on non-linear transform and multivariate analysis to merge thermal infrared data and higher-resolution multispectral data. Int J Remote Sens 31(24):6459–6471. https://doi.org/10.1080/01431160903439841
Kuhn S, Cracknell MJ, Reading AM (2018) Lithologic mapping using Random Forests applied to geophysical and remote-sensing data: a demonstration study from the Eastern Goldfields of Australia. Geophysics 83(4):183–193. https://doi.org/10.1190/geo2017-0590.1
Le C, Zhong S, Chen K (2014) An efficient fusion method of distance metric learning and random forests distance for image verification. In: IEEE international conference on audio, language and image processing, pp 222–227. https://doi.org/10.1109/icalip.2014.7009790
Li G, Zhang L, Jiao Y, Xia X, Dong S, Fu J, Liang W, Zhang Z, Wu J, Dong L (2017) First discovery and implications of Cuonadong superlarge Be–W–Sn polymetallic deposit in Himalayan metallogenic belt, southern Tibet. Miner Depos 36(4):1003–1008. https://doi.org/10.16111/j.0258-7106.2017.04.014
Liu Z, Wu F, Liu X, Wang J, Yin R, Qiu Z, Ji W, Yang L (2019) Mineralogical evidence for fractionation processes in the Himalayan leucogranites of the Ramba Dome, southern Tibet. Lithos 340:71–86. https://doi.org/10.1016/j.lithos.2019.05.004
Van der Meer FD, Van der Werff HM, Van Ruitenbeek FJ, Hecker CA, Bakker WH, Noomen MF, Van Der Meijde M, Carranza EJM, De Smeth JB, Woldai T (2012) Multi-and hyperspectral geologic remote sensing: a review. Int J Appl Earth Obs Geoinf 14(1):112–128. https://doi.org/10.1016/j.jag.2011.08.002
Viera A, Garrett J (2005) Understanding interobserver agreement: the kappa statistic. Fam Med 37(5):360–363
Wang W, Cheng Q (2008) Mapping mineral potential by combining multi-scale and multi-source geo-information. In: IEEE international geoscience and remote sensing symposium, pp 1321–1324. https://doi.org/10.1109/igarss.2008.4779247
Wang Z, Dong Y, Zuo R (2019a) Mapping geochemical anomalies related to Fe–polymetallic mineralization using the maximum margin metric learning method. Ore Geol Rev 107:258–265. https://doi.org/10.1016/j.oregeorev.2019.02.027
Wang Z, Zuo R, Dong Y (2019b) Mapping geochemical anomalies through integrating random forest and metric learning methods. Nat Resour Res 28(4):1285–1298. https://doi.org/10.1007/s11053-019-09471-y
Wang Z, Zuo R, Dong Y (2020) Mapping Himalayan leucogranites using a hybrid method of metric learning and support vector machine. Comput Geosci. https://doi.org/10.1016/j.cageo.2020.104455
Wu F, Liu X, Liu Z, Wang R, Xie L, Wang J, Ji W, Yang L, Liu C, Khanal GP (2020) Highly fractionated Himalayan leucogranites and associated rare-metal mineralization. Lithos 352:105319. https://doi.org/10.1016/j.lithos.2019.105319
Xie X, Mu X, Ren T (1997) Geochemical mapping in China. J Geochem Explor 60(1):99–113. https://doi.org/10.1016/s0375-6742(97)00029-0
Xie J, Qiu H, Bai X, Zhang W, Wang Q, Xia X (2018) Geochronological and geochemical constraints on the Cuonadong leucogranite, eastern Himalaya. Acta Geochim 37(3):347–359. https://doi.org/10.1007/s11631-018-0273-8
Xie L, Tao X, Wang R, Wu F, Liu C, Li X, Zhang R (2020) Highly fractionated leucogranites in the eastern Himalayan Cuonadong dome and related magmatic Be–Nb–Ta and hydrothermal Be–W–Sn mineralization. Lithos 354:105286. https://doi.org/10.1016/j.lithos.2019.105286
Xiong C, Johnson D, Xu R, Corso JJ (2012) Random forests for metric learning with implicit pairwise position dependence. In: Proceedings of the 18th ACM international conference on knowledge discovery and data mining, pp 958–966. https://doi.org/10.1145/2339530.2339680
Yin A (2006) Cenozoic tectonic evolution of the Himalayan orogen as constrained by along-strike variation of structural geometry, exhumation history, and foreland sedimentation. Earth Sci Rev 76(1–2):1–131. https://doi.org/10.1016/j.earscirev.2005.05.004