CN107589094A - 基于光谱特征的鞍山式铁矿石类型确定方法 - Google Patents
基于光谱特征的鞍山式铁矿石类型确定方法 Download PDFInfo
- Publication number
- CN107589094A CN107589094A CN201710852749.2A CN201710852749A CN107589094A CN 107589094 A CN107589094 A CN 107589094A CN 201710852749 A CN201710852749 A CN 201710852749A CN 107589094 A CN107589094 A CN 107589094A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- iron ore
- rock
- ore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明的目的是为了解决现有技术中尚无空中遥感探测铁矿石区进行区分围岩与矿石以及不同类型矿石识别以及在现场、原位、实时、快速、高效地的确定铁矿石类型方法,提供了一种基于光谱特征的鞍山式铁矿石类型确定方法,属于矿山地质和遥感应用技术领域。该方法通过对不同围岩、不同类型铁矿石进行可见光‑近红外的光谱测试,分析其光谱特征,根据其光谱特征建立矿石区分模型,利用在空中遥感扫描地面,将地面划分成小方格,利用可见光‑近红外光谱仪对各个小方格进行扫描,或者在现场取样利用可见光‑近红外光谱仪扫描,能够实空中遥感探测实时区分围岩与矿石以及不同类型矿石的识别以及在现场原位对不同类型矿石识别。
Description
技术领域
本发明属于矿山地质和遥感应用技术领域,特别涉及一种基于光谱特征的铁矿石类型确定方法。
背景技术
目前,铁矿石类型划分主要采用现场取样、室内化验的方法,上述方法需要使用机械或人工的方法进行现场取样,化验前需经过破碎、筛分、拌匀、缩分等工序,存在工序多、成本高,速度慢、费时费力的缺点。亦有利用光谱测试进行矿石原位检测的方法,如应用I-7000便携式矿山品位成分分析仪,但该种仪器测试的是X射线光谱,只能测定样品的元素构成,无法测试其矿物组成以及确定矿石类型。
机载高光谱遥感是当前遥感的前沿技术,高光谱以其独特的技术特点,在资源、环境、城市、生态、地质找矿等领域得到了广泛应用。甘甫平等利用成像光谱遥感技术识别和提取了矿化蚀变信息。王青华等运用MAIS影像数据,采用不同的图像处理方法,较好地提取了岩石信息,达到较准确识别岩类目的。中国国土资源航空物探遥感中心在新疆土屋东--三岔口地区,应用HyMap机载成像光谱数据填绘出了白云母、绿泥石、绿帘石、绿泥石和绿帘石组合、高岭石、蒙脱石、透辉石、透闪石、蛇纹石、褐铁矿、方解石等种矿物种类。一些学者分析了磁铁矿(Fe3O4)的光谱特性,发现于850~900nm波段范围内,矿石中的铁含量与光谱反射率均值存在较好的相关性,铁含量与光谱反射率呈指数函数负相关关系,据此建立了矿石中铁含量的反演模型,并取得了较好的效果。但是采用遥感技术实时对铁矿石区以及铁矿石类型分析划分的方法的研究较少,且建立的模型多是针对铁矿石铁品位的反演,而未对铁矿石类型进行区分。
因此,有必要对空中遥感探测铁矿石区并区分围岩与矿石和识别不同类型铁矿石,以及在现场、原位、实时、快速、高效地的确定铁矿石类型的建模方法进行研究。
发明内容
本发明的目的是为了对空中遥感探测铁矿石区并区分围岩与矿石和识别不同类型铁矿石,以及在现场、原位、实时、快速、高效地的确定铁矿石类型的建模方法进行研究,提供了一种基于光谱特征的鞍山式铁矿石类型确定方法。该方法通过对不同围岩、不同类型铁矿石进行可见光-近红外的光谱测试,分析其光谱特征,根据其光谱特征建立矿石区分模型,能够实现空中遥感探测实时区分围岩与矿石以及不同类型矿石的识别以及在现场原位对不同类型矿石识别。
本发明的技术方案为,一种基于光谱特征的鞍山式铁矿石类型确定方法,包括如下步骤:
1)利用可见光-近红外光谱仪对岩石进行光谱测定,获取岩石的可见光-近红外光谱;
2)利用岩石的光谱结果确定岩石类型,即岩石类型属于围岩或赤铁矿或磁铁矿;
2.1)将岩石的光谱结果与铁矿石与围岩区分识别模型比较,符合模型要求的岩石为鞍山式铁矿石,不符合的为围岩;
所述鞍山式铁矿石与围岩区分识别模型为:
式中,Kλ1-λ2表示可见光-近红外光谱曲线在波长λ1到波长λ2处的斜率;
R770和R890表示可见光-近红外光谱曲线在770和890nm波长处的反射率;
λ单位为nm;
2.2)当所述岩石为鞍山式铁矿石时,将岩石的光谱结果输入赤铁矿与磁铁矿区分识别模型,区分出所述铁矿石为赤铁矿或磁铁矿;
所述赤铁矿与磁铁矿区分识别模型为:
其中归一化差异铁指数NDII的计算公式为:
式中,R1244和R934表示可见光-近红外光谱曲线在1244nm和934nm波长处的反射率。
进一步的,所述可见光-近红外光谱仪对岩石进行光谱测定的方法为以下任一方法:
方法一、利用可见光-近红外光谱仪在空中扫描地面,将地面划分成小方格,对各个小方格进行扫描,获取该地面区域内各个小方格的平均可见光-近红外光谱;
较好的,可见光-近红外光谱仪测试波段范围包含0.35-1.8μm,光谱分辨率小于8.5nm;光谱测定在晴天10:00-14:00进行,太阳高度角在45±5°;
所述在空中扫描地面的空中高度为不高于1000米;
所述小方格的边长不超过5米;
方法二、在矿区现场对岩石取芯,对芯部进行处理,形成样品,对样品进行光谱测定;
较好的,所述芯部具有石英和/或铁矿条带,并且样品表面与样品内的石英和/或铁矿条带垂直;
较好的,可见光-近红外光谱仪测试波段范围包含0.35-1.8μm,光谱分辨率小于8.5nm。
较好的,所述样品为圆形薄片,直径为6~10cm、厚度为0.8~1.5cm。
与现有技术相比,本发明的优势在于:
1、本发明的方法能够利用空中遥感的方式发现铁矿矿区和矿区内矿石类型,为矿山地质勘探提供了简便的方法。
2、本发明的方法能够在铁矿现场进行原位、实时、快速、高效地将围岩与矿石区分开来,而且可以确定矿石的不同类型。
3、本发明的方法对围岩与铁矿石的区分识别精度达到97%以上,而对铁矿石类型的区分精度达到93%以上。
附图说明
图1为鞍山式铁矿几种主要围岩的反射光谱图;
图2为赤铁矿的反射光谱图;
图3为磁铁矿的反射光谱图。
具体实施方式
本发明中铁矿石与围岩区分识别模型以及赤铁矿与磁铁矿区分识别模型的原理:
1、在典型的鞍山式铁矿所在地--鞍千露天矿现场采集有代表性的围岩(绿泥石片岩、云母片岩、花岗岩、千枚岩、斜长角闪岩)以及磁铁矿、赤铁矿样本若干。
2、对采集的样本进行取芯、切割、磨平处理。利用岩石取芯机对原岩块体进行取芯,对取芯后的样品进行切割,形成直径6cm、厚度为1cm的薄片样品。为使得光谱测试结果具有代表性,要求在矿石样品加工的过程中,圆形薄片表面与铁矿石中分布的石英与磁铁矿条带垂直。
3、利用可见光-近红外光谱仪对样本进行光谱测试,获取其可见光-近红外光谱。
可见光-近红外光谱仪采用便携式地物光谱仪,测试波段范围包含0.35-1.8μm,光谱分辨率小于8.5nm。对采集的所有样品进行可见光-近红外光谱测试,为了降低气溶胶和太阳辐射传播路径的影响,光谱测试在晴天10:00-14:00进行,太阳高度角在45°左右。测量时让样品观测面保持水平,光谱仪镜头与观测面基本垂直。将采样积分时间设置为3s,每个样品重复测试2次,取其反射率平均值。
4、对磁铁矿、赤铁矿和围岩的可见光-近红外光谱进行分析,发现:
1)几种围岩的主要光谱特征如图1所示:
A、绿泥石片岩、斜长角闪岩、云母片岩三者的光谱特征相似,光谱曲线变化趋势基本一致,只有上下平移;光谱特征表现为于350~500nm波段范围呈现出上升的趋势,于500nm波段处形成一个波峰,然后于500~1120nm波段范围呈现下降的趋势,于1120~1800nm波段范围呈现出轻缓的上升趋势。
B、混合花岗岩光谱特征表现为于350~500nm波段范围内较平缓,于500~630nm波段范围呈现出上升的趋势,然后于630~1120nm波段范围呈现出轻缓的下降趋势,于1120~1800nm波段范围内较平缓。
C、千枚岩光谱特征表现为整体反射率值较低,位于15%以下,且于350~1120nm波段范围呈现出轻缓下降趋势,于1120~1800nm波段范围内较平缓。
2)赤铁矿样品光谱特征如图2:于350~934nm波段范围呈现较为平缓的下滑特征,于934~1244nm波段范围呈现较为明显的上升趋势,1244nm以后的波段呈现整体缓和趋势;由于实验样品中含有水(包括孔隙水和结晶水),于1380nm波段处出现比较显著的波谷。
3)磁铁矿样品的光谱特征图3:于350~1800nm波段范围内呈现整体的下降趋势,其中于1000nm以后的波段范围内呈现较平缓的趋势;同理,由于实验样品含有部分水(包括孔隙水和结晶水),于1380nm波段处出现波谷,但波谷深度明显小于赤铁矿样品的波谷深度。
4)赤铁矿光谱与围岩光谱的主要区别在于980~1120nm波段范围反射率斜率(K980-1120)差异,赤铁矿光谱于该波段范围内斜率为正,围岩光谱于该波段范围内斜率为负。凭此,将围岩与赤铁矿区分开。
5)磁铁矿光谱于350~630nm波段范围反射率斜率均为负,而绿泥石片岩、斜长角闪岩、云母片岩三者光谱于350~500nm波段范围反射率斜率(K350-500)为正,花岗岩于500~630nm波段范围反射率斜率(K500-630)为正。凭此,将绿泥石片岩、斜长角闪岩、云母片岩和花岗岩围岩与磁铁矿区分开;而磁铁矿光谱与千枚岩光谱于770~890nm波段范围内光谱下降速率不同,依据此可将两者区分开。
根据上述分析,可以首先将铁矿石样品从围岩中分离开来,依据的识别提取模型为:
式中,Kλ1-λ2表示可见光-近红外光谱曲线在波长λ1到波长λ2处的斜率,Rλ表示可见光-近红外光谱曲线在λ波长处的反射率。λ单位为nm。
5、将铁矿石从围岩中分离后,对铁矿石的类型(赤铁矿和磁铁矿)做进一步区分识别。识别模型依据赤铁矿样品与磁铁矿样品光谱特征差异。为此,构建归一化差异铁指数(Normalized Difference Iron Index,NDII):
式中,Rλ表示可见光-近红外光谱曲线在λ波长处的反射率。依据赤铁矿样品光谱NDII大于0,而磁铁矿样品光谱NDII小于0,构建赤铁矿、磁铁矿区分识别模型:
NDII>0,样品为赤铁矿;
NDII<0,样品为磁铁矿。
经过上述4和5两步,即可将铁矿石样品从各类围岩样品中识别提取,并对铁矿石样品进行矿石类型区分确定。
实施例1
1)利用可见光-近红外光谱仪在空中扫描地面,空中高度300±15米,将地面划分成小方格,对各个小方格进行扫描,小方格的边长不超过2±0.2米,获取该地面区域内各个小方格的平均可见光-近红外光谱;
可见光-近红外光谱仪测试波段范围包含0.35-1.8μm,光谱分辨率小于8.5nm;光谱测定在晴天10:00-14:00进行,太阳高度角在45±5°;
2)利用围岩与铁矿石、以及赤铁矿与磁铁矿之间的光谱特征差异建立的铁矿石与围岩区分识别模型以及铁矿石类型识别模型,对空中遥感扫描的地面区域内各个小方格的可见光-近红外光谱特征进行分析识别;
2.1)将岩石的光谱结果与铁矿石与围岩区分识别模型比较,符合模型要求的岩石为铁矿石,不符合的为围岩;
2.2)当所述岩石为铁矿石时,将岩石的光谱结果输入赤铁矿与磁铁矿区分识别模型,区分出所述铁矿石为赤铁矿或磁铁矿;
3)再进一步实地考察初步划定为矿区内铁矿石的品位和矿石类型的分布等数据。
本方法通过与实际地质勘探对比,对围岩与铁矿石的区分识别精度达到72%,对铁矿石类型的区分精度达到76%。
实施例2
1)在鞍山式铁矿所在地--鞍千露天矿现场对铁矿石块体取芯,由于鞍山式铁矿为磁铁矿、赤铁矿和石英伴生矿,因此选取具有石英或铁矿条带的芯部,对芯部进行处理,形成样品;
所述样品为圆形薄片,直径为6~10cm、厚度为0.8~1.5cm;
样品表面与样品内的石英或铁矿条带垂直;
2)利用可见光-近红外光谱仪对样本进行光谱测定,获取其可见光-近红外光谱;
可见光-近红外光谱仪测试波段范围包含0.35-1.8μm,光谱分辨率小于8.5nm;
3)利用赤铁矿与磁铁矿之间的光谱特征差异建立的铁矿石类型识别模型,对样品的可见光-近红外光谱特征进行区分识别,确定样品的类型;
赤铁矿与磁铁矿区分识别模型为:
其中,归一化差异铁指数NDII的计算公式为:
式中,R1244和R934表示可见光-近红外光谱曲线在R1244和R934波长处的反射率。
该方法与化学分析法进行比较,对铁矿石类型的区分精度达到95.7%。
Claims (6)
1.一种基于光谱特征的鞍山式铁矿石类型确定方法,其特征在于,包括如下步骤:
1)利用可见光-近红外光谱仪对岩石进行光谱测定,获取其可见光-近红外光谱;
2)利用岩石的光谱结果确定岩石类型,即岩石类型属于围岩或赤铁矿或磁铁矿;
2.1)将岩石的光谱结果与铁矿石与围岩区分识别模型比较,符合模型要求的岩石为铁矿石,不符合的为围岩;
所述铁矿石与围岩区分识别模型为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>&lambda;</mi>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>></mo>
<mn>0</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mn>1</mn>
<mo>=</mo>
<mn>980</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mn>2</mn>
<mo>=</mo>
<mn>1120</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mi>o</mi>
<mi>r</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>&lambda;</mi>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mn>2</mn>
</mrow>
</msub>
<mo><</mo>
<mn>0</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mn>1</mn>
<mo>=</mo>
<mn>350</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mn>2</mn>
<mo>=</mo>
<mn>500</mn>
<mo>)</mo>
</mrow>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<msub>
<mi>K</mi>
<mrow>
<mi>&lambda;</mi>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mn>2</mn>
</mrow>
</msub>
<mo><</mo>
<mn>0</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mn>1</mn>
<mo>=</mo>
<mn>550</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mn>2</mn>
<mo>=</mo>
<mn>630</mn>
<mo>)</mo>
</mrow>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<msub>
<mi>R</mi>
<mn>770</mn>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mn>890</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>></mo>
<mn>0.7</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中,Kλ1-λ2表示可见光-近红外光谱曲线在波长λ1到波长λ2处的斜率;
R770和R890表示可见光-近红外光谱曲线在770和890nm波长处的反射率;
λ单位为nm;
2.2)再将铁矿石的光谱结果输入赤铁矿与磁铁矿区分识别模型,区分出所述铁矿石为赤铁矿或磁铁矿;
所述赤铁矿与磁铁矿区分识别模型为:
其中归一化差异铁指数NDII的计算公式为:
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>I</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mn>1244</mn>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mn>934</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mn>1244</mn>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mn>934</mn>
</msub>
</mrow>
</mfrac>
</mrow>
式中,R1244和R934表示可见光-近红外光谱曲线在1244nm和934nm波长处的反射率。
2.根据权利要求1所述的一种基于光谱特征的鞍山式铁矿石类型确定方法,其特征在于,所述可见光-近红外光谱仪对岩石进行光谱测定的方法为以下任一方法:
方法一、利用可见光-近红外光谱仪在空中扫描地面,将地面划分成小方格,对各个小方格进行扫描,获取该地面区域内各个小方格的平均可见光-近红外光谱;
方法二、在矿区现场对岩石取芯,对芯部进行处理,形成样品,对样品进行光谱测定。
3.根据权利要求2所述的一种基于光谱特征的鞍山式铁矿石类型确定方法,其特征在于,所述方法一中,所述可见光-近红外光谱仪测试波段范围包含0.35-1.8μm,光谱分辨率小于8.5nm;光谱测定在晴天10:00-14:00进行,太阳高度角在45±5°。
4.根据权利要求2所述的一种基于光谱特征的鞍山式铁矿石类型确定方法,其特征在于,所述方法一中,所述在空中扫描地面的空中高度为不高于1000米;所述小方格的边长不超过5米。
5.根据权利要求2所述的一种基于光谱特征的鞍山式铁矿石类型确定方法,其特征在于,所述方法二中,所述样品为圆形薄片,直径为6~10cm、厚度为0.8~1.5cm。
6.根据权利要求2所述的一种基于光谱特征的鞍山式铁矿石类型确定方法,其特征在于,所述方法二中,所述芯部具有石英和/或铁矿条带,并且样品表面与样品内的石英和/或铁矿条带垂直。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852749.2A CN107589094B (zh) | 2017-09-20 | 2017-09-20 | 基于光谱特征的鞍山式铁矿石类型确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852749.2A CN107589094B (zh) | 2017-09-20 | 2017-09-20 | 基于光谱特征的鞍山式铁矿石类型确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107589094A true CN107589094A (zh) | 2018-01-16 |
CN107589094B CN107589094B (zh) | 2020-02-21 |
Family
ID=61047541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852749.2A Active CN107589094B (zh) | 2017-09-20 | 2017-09-20 | 基于光谱特征的鞍山式铁矿石类型确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107589094B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030388A (zh) * | 2018-07-17 | 2018-12-18 | 东北大学 | 一种基于光谱数据的铁矿石全铁含量检测方法 |
CN110618106A (zh) * | 2019-08-12 | 2019-12-27 | 中国地质调查局西安地质调查中心 | 一种基于近红外反射光谱的绿泥石矿物种类鉴定方法 |
CN110907379A (zh) * | 2019-12-23 | 2020-03-24 | 鞍钢集团矿业有限公司 | 一种基于随机森林算法的鞍山式铁矿成分及含量测定方法 |
CN111122383A (zh) * | 2019-12-23 | 2020-05-08 | 鞍钢集团矿业有限公司 | 一种基于矿石类型和品级划分的露天采场精细验收方法 |
CN111272686A (zh) * | 2020-03-19 | 2020-06-12 | 华北理工大学 | 铁矿石选矿粉铁品位的高光谱检测方法 |
CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
CN117422991A (zh) * | 2023-10-07 | 2024-01-19 | 中色地科蓝天矿产(北京)有限公司 | 基于大数据的智能矿山检测系统、方法和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070265783A1 (en) * | 2006-05-10 | 2007-11-15 | Abb Schweiz Ag | Bulk material analyzer system |
CN103984940A (zh) * | 2014-06-03 | 2014-08-13 | 核工业北京地质研究院 | 一种基于高光谱数据识别赤铁矿化的方法 |
CN105574621A (zh) * | 2016-01-18 | 2016-05-11 | 中国地质科学院矿产资源研究所 | 基于遥感蚀变异常的斑岩铜矿预测系统及方法 |
CN106842348A (zh) * | 2015-12-04 | 2017-06-13 | 核工业北京地质研究院 | 油气微渗漏高光谱遥感识别方法 |
CN107169205A (zh) * | 2017-05-17 | 2017-09-15 | 东北大学 | 一种铁矿石的分类建模方法 |
-
2017
- 2017-09-20 CN CN201710852749.2A patent/CN107589094B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070265783A1 (en) * | 2006-05-10 | 2007-11-15 | Abb Schweiz Ag | Bulk material analyzer system |
CN103984940A (zh) * | 2014-06-03 | 2014-08-13 | 核工业北京地质研究院 | 一种基于高光谱数据识别赤铁矿化的方法 |
CN106842348A (zh) * | 2015-12-04 | 2017-06-13 | 核工业北京地质研究院 | 油气微渗漏高光谱遥感识别方法 |
CN105574621A (zh) * | 2016-01-18 | 2016-05-11 | 中国地质科学院矿产资源研究所 | 基于遥感蚀变异常的斑岩铜矿预测系统及方法 |
CN107169205A (zh) * | 2017-05-17 | 2017-09-15 | 东北大学 | 一种铁矿石的分类建模方法 |
Non-Patent Citations (1)
Title |
---|
宋亮 等: "基于可见-近红外和热红外光谱联合分析的煤和矸石分类方法研究", 《光谱学与光谱分析》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030388A (zh) * | 2018-07-17 | 2018-12-18 | 东北大学 | 一种基于光谱数据的铁矿石全铁含量检测方法 |
CN110618106A (zh) * | 2019-08-12 | 2019-12-27 | 中国地质调查局西安地质调查中心 | 一种基于近红外反射光谱的绿泥石矿物种类鉴定方法 |
CN110907379A (zh) * | 2019-12-23 | 2020-03-24 | 鞍钢集团矿业有限公司 | 一种基于随机森林算法的鞍山式铁矿成分及含量测定方法 |
CN111122383A (zh) * | 2019-12-23 | 2020-05-08 | 鞍钢集团矿业有限公司 | 一种基于矿石类型和品级划分的露天采场精细验收方法 |
CN111272686A (zh) * | 2020-03-19 | 2020-06-12 | 华北理工大学 | 铁矿石选矿粉铁品位的高光谱检测方法 |
CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
CN111595792B (zh) * | 2020-06-12 | 2023-07-25 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
CN117422991A (zh) * | 2023-10-07 | 2024-01-19 | 中色地科蓝天矿产(北京)有限公司 | 基于大数据的智能矿山检测系统、方法和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107589094B (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107589094A (zh) | 基于光谱特征的鞍山式铁矿石类型确定方法 | |
Boulay et al. | Mineralogy and sedimentology of Pleistocene sediment in the South China Sea (ODP Site 1144) | |
Demattê et al. | Visible–NIR reflectance: a new approach on soil evaluation | |
CN105574621A (zh) | 基于遥感蚀变异常的斑岩铜矿预测系统及方法 | |
Bellinaso et al. | Soil spectral library and its use in soil classification | |
Gauthier et al. | Assessing XRF for the geochemical characterization of radiolarian chert artifacts from northeastern North America | |
Demattê et al. | Morphological Interpretation of Reflectance Spectrum (MIRS) using libraries looking towards soil classification | |
CN113946950B (zh) | 一种快速圈定金矿找矿靶区的方法 | |
CN104615843B (zh) | 一种识别隐伏火山岩型铀矿化信息的物化探综合方法 | |
CN110333200A (zh) | 一种基于短波红外光谱圈定矿化中心的方法 | |
CN107367480B (zh) | 基于热红外光谱的鞍山式铁矿中二氧化硅含量测定方法 | |
CN106680215B (zh) | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 | |
Cui et al. | Temperature and emissivity separation and mineral mapping based on airborne TASI hyperspectral thermal infrared data | |
Watson et al. | Thermal infrared exploration in the Carlin trend, northern Nevada | |
Yang et al. | Detection of Pb–Zn mineralization zones in west Kunlun using Landsat 8 and ASTER remote sensing data | |
Shahriari et al. | Selection of less biased threshold angles for SAM classification using the real value–area fractal technique | |
Wise et al. | Handheld LIBS for Li exploration: an example from the Carolina tin-spodumene belt, USA | |
CN103308454A (zh) | 一种矿物分析装置 | |
CN109709623A (zh) | 非破坏性的金矿化作用探测方法 | |
CN109444189B (zh) | 利用数字岩石分析技术开展复杂地层对比与定量评价方法 | |
Thompson et al. | Mapping mineralogy with reflectance spectroscopy: Examples from volcanogenic massive sulfide deposits | |
Dong et al. | Progress and prospectives on engineering application of hyperspectral remote sensing for geology and mineral resources | |
WO2018087988A1 (ja) | 金属鉱床の探鉱方法、資源開発方法、採鉱方法、二次硫化銅の産出方法、資源産出方法、鉱山開発方法およびボーリング方法 | |
Mao et al. | Research and verification of a remote sensing BIF model based on spectral reflectance characteristics | |
Li et al. | Combining 3D Geological Modeling and 3D Spectral Modeling for Deep Mineral Exploration in the Zhaoxian Gold Deposit, Shandong Province, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |