关键词:
鞍山式铁矿
高光谱图像
特征波段提取
机器学习
可视化
摘要:
铁矿品位是评价铁矿贫富程度和经济价值的重要指标,铁矿品位的检定效率对铁矿开采效率具有重大影响。鉴于高光谱图像在物质分类与含量反演等领域具有分析速度快、准确性高、无破坏性等优势,分别在可见光-近红外(VIS-NIR)与短波红外(SWIR)两个波段范围内采集鞍山式铁矿的高光谱图像,探讨基于高光谱图像实现鞍山式铁矿品位反演的可行性。首先,提取高光谱图像感兴趣区(ROI)中的平均光谱代表对应样本的光谱数据,分别采用多元散射校正(MSC)与标准正态变量变换(SNV)对其进行光谱变换。然后,分别利用蒙特卡洛无信息变量消除(MCUVE)、竞争性自适应重加权采样(CARS)和连续投影算法(SPA)提取变换前后光谱数据的特征波段。最后,利用径向基函数神经网络(RBFNN)和极限学习机(ELM)分别建立鞍山式铁矿品位的定量反演模型。结果表明,在VIS-NIR范围内的光谱数据,经MSC变换后,利用CARS提取的特征波段建立的ELM品位反演模型效果最优(R^(2)=0.90,RPD=3.02,RMSE=3.27,MAE=2.77)。将MSC-CARS-ELM模型应用于鞍山式铁矿样品的VIS-SWIR高光谱图像,能够生成像素级的铁矿品位分布图。该研究为快速、有效地实现鞍山式铁矿品位反演及可视化提供了一种新方法,在地质采矿领域具有重要的应用价值。