高光譜相機是一種能夠獲取連續(xù)光譜信息的影像設備，它能夠?qū)ξ矬w進行高精度的光譜分析和成像。其原理是利用多個窄帶濾波器或光譜儀器分解被測物體反射或輻射出的光譜，然后通過圖像處理技術將這些光譜信息轉(zhuǎn)化為像素級的光譜數(shù)據(jù)，從而實現(xiàn)對被測物體的光譜特征分析和圖像重建。

碳酸鹽巖的特性與識別方法概覽：

碳酸鹽巖是一種由碳酸鈣（主要成分為方解石和白云石）組成的沉積巖，具有良好的儲集和儲層性質(zhì)。其特性包括顏色多樣、可溶性高、酸性弱等。碳酸鹽巖的識別方法包括地質(zhì)剖面、巖心分析、地震反演等。通過觀察巖心樣本、測定巖石物理性質(zhì)以及地震波的傳播特征等能夠準確判斷碳酸鹽巖的存在和特征。

高光譜相機在碳酸鹽巖巖性識別中的應用優(yōu)勢：

高光譜相機具有高空間和高光譜分辨率的特點，可以獲取豐富的、連續(xù)的光譜信息。在碳酸鹽巖巖性識別中，高光譜相機能夠有效地提取巖石的光譜特征，如礦物組成、化學成分和水質(zhì)等，從而更準確地判斷巖石類型和性質(zhì)。此外，高光譜相機還能夠進行無損檢測，不需要取樣，減少了工作量和成本。

高光譜相機在不同地質(zhì)環(huán)境下的實際應用案例介紹：

例如，在礦產(chǎn)勘探中，高光譜相機被應用于礦石類型的識別和礦石品質(zhì)的評估；在環(huán)境監(jiān)測中，高光譜相機可以探測植被的健康狀態(tài)、土壤的含水量和質(zhì)量等。在地質(zhì)災害預警中，高光譜相機能夠提供土地利用和地貌變化的信息，幫助準確判斷災害風險。

高光譜相機與傳統(tǒng)巖性識別方法（如地震、測井、巖心）的對比分析：

高光譜相機相比傳統(tǒng)巖性識別方法具有非接觸、無損、高精度等優(yōu)勢。傳統(tǒng)方法所獲得的信息通常是離散的，而高光譜相機能夠提供連續(xù)的光譜信息，可以更全面地反映巖石的特征。同時，高光譜相機的成本較低，便于大范圍應用。

碳酸鹽巖巖性高光譜識別及模型精度研究

本研究應用了400-1000nm的高光譜相機，可采用廣東賽斯拜克科技有限公司產(chǎn)品SP130M進行相關研究。光譜范圍在400-1000nm，波長分辨率優(yōu)于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。

1國內(nèi)外高光譜遙感技術與發(fā)展

1.1 高光譜遙感技術的成像原理和特點

至今，碳酸鹽巖巖性識別方法主要分為兩類；其一是經(jīng)驗判讀法，主要是具有豐富經(jīng)驗的地質(zhì)學家在室內(nèi)觀察樣品或者去野外通過觀察巖石的顏色、紋理與結構等特征來對灰?guī)r和白云巖進行區(qū)分?？傮w而言，經(jīng)驗判讀法具有效率低、受判讀者主觀影響大等不足，因而即使對于經(jīng)驗豐富的地質(zhì)學家，在野外有時也難以區(qū)分碳酸鹽巖中的石灰?guī)r與白云巖；其二是光譜識別法。由于物質(zhì)在電磁波的照射下，其會引起巖石內(nèi)部分子進行一定的運動，在吸收、散射或者轉(zhuǎn)動某種波長的光后，得到信號強度與光波長或頻率的關系圖，并能夠用于物質(zhì)結構、組成及化學變化的分析，具體如圖 1 所示。

圖 1 信號強度與光的波長或頻率的關系圖

基于此原理，巖性光譜識別則是利用巖石或礦物對特定波長范圍內(nèi)的電磁波所表現(xiàn)出的反射、吸收和輻射等方面的差異性，從而對巖性進行識別。相比經(jīng)驗判斷法，光譜識別法具有效率高、省時省力且精度較高等優(yōu)點，因而得到了廣泛的應用。專家學者研究表明在可見光-近紅外光譜區(qū)（0.4~1.3 μm），巖石吸收光譜主要由于巖石內(nèi)部金屬陽離子發(fā)生電子躍遷或振動過程；發(fā)現(xiàn)在短波紅外光譜區(qū)（1.3~2.5 μm），巖石吸收光譜則主要由于羥基、水分子和碳酸根等基團分子發(fā)生振動；他們展開了通過多類型光譜特征對礦物信息進行遙感識別、以北方山山口地區(qū)為研究區(qū)，對典型蝕變巖礦的光譜特征進行分析、結合遙感技術，對地質(zhì)巖石進行勘查與分析等多項研究分析活動；此外，他們還有利用多光譜遙感影像對尾亞雜巖體的巖性進行識別。通過對已有研究文獻進行歸納，總結得到不同光譜波段可識別的礦物，具體如表 1所示。

表1不同礦物波段識別范圍

根據(jù)表 1 可以得到，不同的礦物識別波段差異較大，其中部分礦物識別波段相對較窄，比如方解石等，其波段識別范圍為 2.26~2.30  μm。因此，傳統(tǒng)的多光譜遙感因其波段范圍較大，光譜分辨率低等原因難以高精度地識別礦物；相比之下，高光譜因具有光譜分辨率高等優(yōu)勢，甚至達到 2 個納米波段，因而與多光譜相比，識別精度更高。當然，高光譜數(shù)據(jù)在運用時也需要一定的預處理方法。目前，常用的預處理方法包括光譜反射率微分、連續(xù)統(tǒng)去除和其他數(shù)學變換方法。專家學者研究表明不同光譜變換方式的建模精度和預測精度具有以下關系：光譜對數(shù)微分>光譜一階微分>光譜倒數(shù)微分>光譜連續(xù)統(tǒng)去除>光譜倒數(shù)對數(shù)>原始光譜；然而該預測精度的排序并非全然一致的，仍需要通過具體的建模精度進行綜合判斷，如某專家在研究可見光-近紅外光譜的成分預測時，盡管對光譜進行導數(shù)運算能夠消除光譜中基線的平移和漂移，能夠減輕粒徑干擾，然而在實際運用時，若樣本前處理效果得當，使用原始吸光度光譜的預測精度更好。另外，除對高光譜數(shù)據(jù)進行預處理外，光譜變量挑選和模型方法的選取也是重要環(huán)節(jié)。其中，光譜變量挑選涉及到從幾百甚至幾千個光譜波段變量中挑選出敏感波段，因為大多數(shù)變量與所研究的巖性種類無關。事實上，光譜變量篩選主要包括三個目的：剔除無效信息變量；濾除冗余信息變量；消除共線性信息變量。目前，常用的光譜變量篩選方法包括遺傳算法、非信息變量消除法、連續(xù)投影算法、競爭自適應重加權采樣算法（CARS）、迭代變量子集優(yōu)化算法（IVSO）、蒙特卡洛無信息變量消除集成算法（EMCUVE）等。在模型選取方面，主要包括主成分回歸法（PCR）、偏最小二乘回歸法（PLSR）和連續(xù)小波變換（CWT）等。然而，每種方法都存在各自的優(yōu)缺點。比如有些專家學者研究表明偏最小二乘回歸法可以提供多對多變量的線性回歸建模，能夠很好地解決多重共線性問題；有些研究表明運用多特征波段構建的逐步模型精度較高?？傮w而言，已有高光譜建模研究中，并未有相對統(tǒng)一的光譜預處理方法、敏感波段挑選方法以及建模方法。由于不同的方法擁有各自的優(yōu)缺點，因而在實際應用中，仍然采用盡可能全面的處理方法，從而對比分析不同方法建模的精度。因此，本文從巖性識別的角度出發(fā)，以不同類型碳酸鹽巖的高光譜曲線為基礎數(shù)據(jù)，通過對高光譜數(shù)據(jù)進行預處理等操作，從而建立有效的巖性識別模型，為區(qū)域地質(zhì)勘探和油氣勘探及開發(fā)提供快速準確的分類方法。

1數(shù)據(jù)獲取、預處理及模型確定 

1.1 碳酸鹽巖高光譜數(shù)據(jù)采集
本研究去野外總共采集 340 塊碳酸鹽巖樣本，并在實驗室內(nèi)采用非成像光譜儀測量巖樣光譜。在具體實驗室測量時，為確保高光譜數(shù)據(jù)的準確性，在測量前對其進行白板定標，并對每一個碳酸鹽巖樣品新鮮表面測量多次，最終取其算術平均值作為該樣品的反射光譜數(shù)據(jù)。

1.2 光譜數(shù)據(jù)預處理
碳酸鹽巖樣本在野外采集后，由于巖石樣本受其化學成分、外部環(huán)境、表面特征和照射條件等因素影響，因此為排除外部因素影響，需要對其光譜數(shù)據(jù)進行預處理操作，從而去除噪聲和不平滑的光譜曲線波段，從而采用更加適合分析的光譜曲線。本文通過對已有研究進行整理，所采用的光譜預處理方法包括 Savitzky-Golay 卷積平滑濾波、趨勢線（DT）和連續(xù)統(tǒng)去除（CR）等。其中 Savitzky-Golay卷積平滑濾波法是采用一個多項式來計算波長 t 處經(jīng)過平滑處理后的均值，其計算公式如式（1）所示。

式中，hi 是 Savitzky-Golay 平滑系數(shù)，H 被稱為歸一化因子。平滑系數(shù)可以通過多項式擬合計算。Savitzky-Golay 平滑方法強化了中心波長點的作用，其能夠降低噪聲，提高光譜信噪比。此外，本文在進行預處理后，為研究不同光譜采樣間隔對模型精度的影響，分別將光譜重采樣間隔為 0 nm、2 nm、4 nm、6 nm、8 nm 和 10 nm，其中 0 nm 即是原始光譜，從而最終得到 6 份不同采樣間隔的高光譜數(shù)據(jù)。

1.3 模型的確定與精度評價
根據(jù)對現(xiàn)有相關研究模型進行整理與對比分析，本文最終選擇以下四種建模方法，分別為多元線性回歸模型（MLR）、主成分回歸模型（PCA）、偏最小二乘回歸模型（PLSR）和逐步回歸模型（SR）。具體而言，多元線性回歸模型是將 Y 的總體條件期望表示為多個解釋變量的函數(shù)；主成分回歸模型是通過提取彼此之間正交的主成分分量，并同時建立線性回歸預測模型，本研究中所使用的主成分分量數(shù)為 5；偏最小二乘回歸模型是考慮與因變量相關性情況下的最小二乘算法，是通過投影分別將預測變量和觀測變量投影到一個新的空間，并建立新的線性回歸模型的過程；逐步回歸模型是指用被解釋變量對每一個待研究的解釋變量做簡單回歸分析，使用貢獻最大的解釋變量對應的回歸方程為基礎，并按照貢獻大小的順序逐個引入剩余的解釋變量。模型確定后，需要對模型的精度進行檢驗。本文利用決定系數(shù)（R2）對模型的穩(wěn)定性進行評價，R2取值范圍為 0~1，其值越大，表明模型穩(wěn)定性越強，模型擬合程度越高；利用均方根誤差（Root Mean Square Error，RMSE）對模型的預測能力進行評價，RMSE 越小，表明預測值和真實測量值之間的偏差越小，模型的預測能力越強，其計算公式如式（2）所示。

式中，N 為樣本集包含樣本的總數(shù)目，y（i）realy和y（i）predicty分別表示第 i 個樣本的真實值和利用模型建立的預測值。 經(jīng)過對光譜數(shù)據(jù)進行處理、模型確定與精度評價等步驟，最終可得到本文的技術路線圖如圖 3 所示。

圖 3  研究技術路線圖

2結果與分析 

2.1 光譜預處理結果對比 
經(jīng)過預處理后，選擇單個樣品將其結果進行對比顯示，具體如圖 4 所示。

（a）預處理前                                           （b）預處理后

圖 4  碳酸鹽巖樣品高光譜曲線預處理前后對比

根據(jù)圖 4 可以發(fā)現(xiàn)，經(jīng)過預處理操作后，碳酸鹽巖光譜典型吸收特征被放大，進而更加突出土壤光譜吸收顯著的區(qū)域，具體包括 1500 nm、1900 nm和 2300 nm 處附近。

2.2 建模精度對比評價
表 2 是建模集中各模型精度對比表。

表 2  模型總體精度對比分析表 

根據(jù)表 2 可得，從各模型平均精度來看，主成分分析模型（PCA）>偏最小二乘回歸模型（PLSR）>逐步回歸模型（SR）>多元線性回歸模型（MLR），其中主成分分析模型平均精度為 75.19%；從各采樣間隔模型平均精度來看，各采樣間隔模型精度排序為 4 nm>2 nm>0 nm（原始光譜）>6 nm>8 nm>10 nm，可得在采樣間隔為 4 nm 時候，光譜模型平均精度最高（74.43%）。整體而言，各模型平均精度為 71.62%。為了解各模型建立方法的精度隨光譜采樣距離的變化趨勢，結合表 2，繪制得到各模型精度變化折線圖（圖 5）。

圖 5  不同模型不同光譜采樣間隔精度變化 

根據(jù)圖 5，可以發(fā)現(xiàn)雖然在 4 nm 時，四種建模方法平均精度最高，但并非所有模型都在 4 nm 時，模型精度最高。具體而言，主成分分析模型（PCA）和逐步回歸模型（SR）在采樣間隔為 2  nm 時，模型精度最高；而偏最小二乘回歸模型（PLSR）和多元線性回歸模型（MLR）在采樣間隔為 4  nm 時，模型精度最高。綜合分析可得，主成分分析模型（PCA）在光譜采樣間隔為 2 nm 時，模型精度最高，為 79.78%，接近于 80%；而多元線性回歸模型（MLR）在對原始光譜曲線進行建模時，精度最低，為 64.34%；另外，光譜采樣間隔為 10  nm 時，四種模型構建方法精度均較低，均低于 70%。

3結論

本研究通過對野外采集的 340 塊碳酸鹽巖樣品進行高光譜測量，經(jīng)過光譜預處理及光譜重采樣等操作后，選擇四種方法進行模型的構建。通過對結果進行分析，得到如下結論：（1）主成分分析模型在光譜采樣間隔為 2  nm 時，具有最高的模型精度（79.78%），其次是采樣間隔為 2 nm 時的逐步回歸模型（76.61%），最后是采樣間隔為 4 nm 時的偏最小二乘回歸模型和多元線性回歸模型，其精度分別為 73.48%和 73.21%；（2）隨著光譜采樣間隔的增加，四種模型的精度均基本表現(xiàn)為先增加，后下降的變化趨勢；（3）當光譜采樣間隔較大時，所有模型精度均低于 70.00%。然而，本研究也存在一定的不足之處，首先是所有模型的精度均未超過 80%，其次是模型的預處理過程相對較粗糙，未能使得模型構建精度更高?？傮w而言，本研究可為區(qū)域地質(zhì)判斷及油氣區(qū)識別等提供有效的技術和方法手段。