Анализ и сравнение спектральной информации горных пород с использованием гиперспектрального датчика на базе БПЛА
Со-Чжин ли, Ге-Чхоль Чжон, Чжон-Тэ Ким*
*Со-Чжин ли - исследователь, Корпоративный исследовательский институт, Nature and Tech Inc. Ге-Чхоль Чжон - профессор кафедры наук о Земле и окружающей среде Андонского национального университета. Чжон-Тэ Ким - генеральный директор Института корпоративных исследований Nature and Tech Inc.
*Со-Чжин ли - исследователь, Корпоративный исследовательский институт, Nature and Tech Inc. Ге-Чхоль Чжон - профессор кафедры наук о Земле и окружающей среде Андонского национального университета. Чжон-Тэ Ким - генеральный директор Института корпоративных исследований Nature and Tech Inc.
Проведено фундаментальное исследование по распознаванию горных пород в небольших образцах с помощью гиперспектральных камер, установленных на беспилотных летательных аппаратах (БПЛА) различных типов. Полученная информация применена для сравнения и классификации горных пород. Выполнена гиперспектральная съемка десяти горных пород, проведено сравнение их отражательной способности и максимальных числовых значений данных. Результаты показали разницу в отражении и его числовом значении для разных образцов. Это означает, что цвета горных пород и минералов различаются, или отражательная способность отличается из-за блеска их поверхности. Среди горных пород известняк, использовавшийся для гиперспектральной съемки, имел серовато-белый цвет, конгломерат имел участки разного размера и цвета в темно-красной материнской породе и гранит состоял из обесцвеченных минералов – белых, черных, серых и цветных, что привело к отличиям в отражательной способности. Коэффициент отражения в видимом диапазоне электромагнитного спектра в десяти образцах пород составлял 16,00 – 85,78%, в ближнем инфракрасном диапазоне в среднем он составлял 23,94 – 86,43%, самый низкий в базальте и самый высокий в мраморе в обоих случаях.
Ключевые слова: гиперспектральная съемка, минерал, коэффициент отражения, распознавание горных пород, видимый диапазон спектра
ВВЕДЕНИЕ
В последнее время в различных областях активно проводятся исследования с использованием гиперспектральных данных. Благодаря миниатюризации гиперспектральных датчиков стали возможны их установка на БПЛА и получение высокого спектрального разрешения, непрерывной спектральной полосы съемки, а также изучение особенностей спектральных характеристик целевых объектов.
Гиперспектральные снимки состоят из более чем 200 следующих друг за другом спектральных каналов. Спектральная информация об объектах выражается сходным образом, что позволяет проводить анализ более детально по сравнению с обычными мультиспектральными снимками (van der Meer, 2003; Kim et al., 2010; Rasti et al., 2018). Свойства материала поверхности могут быть получены более полно, что полезно для анализа свойств индикаторов, которые трудно обнаружить с помощью мультиспектральных снимков (Goetz, 1991; Shaw and Burke, 2003; Heo et al., 2010; Lowe et al., 2017). Изучаются различные области применения этих данных: сельское хозяйство, окружающая среда и биология, геология (Gowen et al., 2007; Brewer et al., 2008; Akbari et al., 2010).
Предыдущие исследования включали в себя изучение картирования гидротермальных изменений с использованием камеры AVIRIS (бортовой гиперспектральный спектрометр для съемки в видимом и инфракрасном диапазонах), анализ и классификацию метаморфических пород с использованием спектров отражения гиперспектральных данных и изучение распределения вещественного состава минералов с использованием тепловых инфракрасных гиперспектральных сканеров (Crósta et al., 1998; Longhi et al., 2001; Kirkland et al., 2002). Кроме того, классификация изображений была выполнена с использованием данных гиперспектральной съемки высокого разрешения с бортовых камер для оценки городской среды и загрязнения почв (Herold et al., 2003; Mars and Crowley, 2003; Benediktsson et al., 2005; Choe et al., 2008). Было проведено исследование для разработки характерной схемы поперечного сечения зоны контактного метаморфизма с использованием метода спектрального анализа, также был рассмотрен и опубликован анализ спектральной информации неясного геологического обнажения (van der Meer and Kato, 2002; van der Meer, 2003).
Недавно были опубликованы исследования о картировании руд с ультраосновными породами, характерных для региона, на основе автоматического картирования пород с помощью гиперспектральных данных (Rogge et al., 2014; Kumar et al., 2020). Гиперспектральные снимки использовались для полевых исследований с целью определения степени покрытия и обнаружения целевых объектов на поверхности земли (Manolakis and Shaw, 2002; Mhanolakis et al., 2003). Кроме того, были проведены исследования по анализу состава верхнего слоя почвы местности. Спектральный анализ состава почвы на основе видимого и ближнего инфракрасного излучения является эффективным и неразрушающим объекты исследования (Srodon et al., 2001; Brown et al., 2006; Nocita et al., 2013). Изучена возможность использования гиперспектрального оборудования для анализа геологических объектов и минералов (Boesche et al., 2015; Koerting et al., 2015; Rogass et al., 2017; Krupnik and Khan, 2019, 2020). В частности, с его помощью проводят исследования и составляют карты минеральных ресурсов, формируют спектральные библиотеки для анализа изображений Thompson et al., 2013; Laakso et al., 2015; Feng et al., 2018; Graham et al., 2018; Chattoraj et al., 2020).
Тем не менее, большинство геологических исследований и исследований по распознаванию горных пород проводились в конкретных областях с использованием гиперспектральной съемки с близкого расстояния, возможно, из-за трудности получения данных гиперспектральной съемки для больших территорий. Кроме того, поскольку существующие спектральные датчики имеют значительный вес и требуют место для хранения, возможен только точечный анализ, а мониторинг больших площадей затруднителен.
Большинство горных пород имеет различные характеристики и физико-химические свойства, а также характеристики поглощения и отражения света, поэтому область их распространения может быть подтверждена с помощью специфичной для горных пород спектральной информации. Эта работа представляет собой фундаментальное исследование в области геологии по распознаванию горных пород с использованием гиперспектральных снимков. Целью данного исследования является выполнение гиперспектральной съемки небольших образцов различных видов горных пород с помощью БПЛА, а также сравнение и классификация горных пород путем интерпретации полученной информации. Гиперспектральная съемка была выполнена на десяти образцах пород, были сопоставлены максимальные числовые значения данных, и определена отражательная способность пород. Также с помощью сравнения и анализа оценивалась применимость метода к каждому образцу породы.
МАТЕРИАЛЫ И МЕТОДЫ
Метод
Классификация горных пород – это основной процесс, проводимый для геологических исследований. Информация о геологическом строении и горных породах, распространенных в конкретном районе, важна для существующих объектов и конструкций, при строительстве зданий.
Однако, труднодоступные районы, такие как склоны холмов и скалы, не могут быть исследованы напрямую. Геологическую информацию и информацию о горных породах можно получить с помощью существующих геологических карт, но актуальную подробную информацию можно получить только в полевых условиях. Поэтому в последнее время в районах, где наземные исследования затруднены, стала использоваться дистанционная разведка, проводимая с использованием БПЛА.
Дистанционное исследование с помощью гиперспектральной камеры позволяет относительно легко собирать информацию широкого спектра, невидимую человеческому глазу. Очень похожие материалы можно отличить по их точным спектральным характеристикам, и в этом заключается преимущество использования метода. По мере уменьшения веса и размера гиперспектральных датчиков стала возможной установка их на дроны, зона использования расширилась, что позволило проводить дистанционную разведку в труднодоступных районах.
Целью данного исследования является анализ информации, свойственной горным породам, с помощью гиперспектрального датчика. Для десяти образцов пород были сделаны снимки, максимальное значение данных (PDV) было рассчитано путем анализа значений четырех точек для каждой породы (рис. 1, 2). Значение данных, рассчитанное при анализе изображения, указывает на спектральную плотность энергетической яркости. Коэффициент отражения сводит к минимуму возможную ошибку в изменении энергии солнечного излучения при использовании белого эталона с отражающими характеристиками 99% или более.
Ключевые слова: гиперспектральная съемка, минерал, коэффициент отражения, распознавание горных пород, видимый диапазон спектра
ВВЕДЕНИЕ
В последнее время в различных областях активно проводятся исследования с использованием гиперспектральных данных. Благодаря миниатюризации гиперспектральных датчиков стали возможны их установка на БПЛА и получение высокого спектрального разрешения, непрерывной спектральной полосы съемки, а также изучение особенностей спектральных характеристик целевых объектов.
Гиперспектральные снимки состоят из более чем 200 следующих друг за другом спектральных каналов. Спектральная информация об объектах выражается сходным образом, что позволяет проводить анализ более детально по сравнению с обычными мультиспектральными снимками (van der Meer, 2003; Kim et al., 2010; Rasti et al., 2018). Свойства материала поверхности могут быть получены более полно, что полезно для анализа свойств индикаторов, которые трудно обнаружить с помощью мультиспектральных снимков (Goetz, 1991; Shaw and Burke, 2003; Heo et al., 2010; Lowe et al., 2017). Изучаются различные области применения этих данных: сельское хозяйство, окружающая среда и биология, геология (Gowen et al., 2007; Brewer et al., 2008; Akbari et al., 2010).
Предыдущие исследования включали в себя изучение картирования гидротермальных изменений с использованием камеры AVIRIS (бортовой гиперспектральный спектрометр для съемки в видимом и инфракрасном диапазонах), анализ и классификацию метаморфических пород с использованием спектров отражения гиперспектральных данных и изучение распределения вещественного состава минералов с использованием тепловых инфракрасных гиперспектральных сканеров (Crósta et al., 1998; Longhi et al., 2001; Kirkland et al., 2002). Кроме того, классификация изображений была выполнена с использованием данных гиперспектральной съемки высокого разрешения с бортовых камер для оценки городской среды и загрязнения почв (Herold et al., 2003; Mars and Crowley, 2003; Benediktsson et al., 2005; Choe et al., 2008). Было проведено исследование для разработки характерной схемы поперечного сечения зоны контактного метаморфизма с использованием метода спектрального анализа, также был рассмотрен и опубликован анализ спектральной информации неясного геологического обнажения (van der Meer and Kato, 2002; van der Meer, 2003).
Недавно были опубликованы исследования о картировании руд с ультраосновными породами, характерных для региона, на основе автоматического картирования пород с помощью гиперспектральных данных (Rogge et al., 2014; Kumar et al., 2020). Гиперспектральные снимки использовались для полевых исследований с целью определения степени покрытия и обнаружения целевых объектов на поверхности земли (Manolakis and Shaw, 2002; Mhanolakis et al., 2003). Кроме того, были проведены исследования по анализу состава верхнего слоя почвы местности. Спектральный анализ состава почвы на основе видимого и ближнего инфракрасного излучения является эффективным и неразрушающим объекты исследования (Srodon et al., 2001; Brown et al., 2006; Nocita et al., 2013). Изучена возможность использования гиперспектрального оборудования для анализа геологических объектов и минералов (Boesche et al., 2015; Koerting et al., 2015; Rogass et al., 2017; Krupnik and Khan, 2019, 2020). В частности, с его помощью проводят исследования и составляют карты минеральных ресурсов, формируют спектральные библиотеки для анализа изображений Thompson et al., 2013; Laakso et al., 2015; Feng et al., 2018; Graham et al., 2018; Chattoraj et al., 2020).
Тем не менее, большинство геологических исследований и исследований по распознаванию горных пород проводились в конкретных областях с использованием гиперспектральной съемки с близкого расстояния, возможно, из-за трудности получения данных гиперспектральной съемки для больших территорий. Кроме того, поскольку существующие спектральные датчики имеют значительный вес и требуют место для хранения, возможен только точечный анализ, а мониторинг больших площадей затруднителен.
Большинство горных пород имеет различные характеристики и физико-химические свойства, а также характеристики поглощения и отражения света, поэтому область их распространения может быть подтверждена с помощью специфичной для горных пород спектральной информации. Эта работа представляет собой фундаментальное исследование в области геологии по распознаванию горных пород с использованием гиперспектральных снимков. Целью данного исследования является выполнение гиперспектральной съемки небольших образцов различных видов горных пород с помощью БПЛА, а также сравнение и классификация горных пород путем интерпретации полученной информации. Гиперспектральная съемка была выполнена на десяти образцах пород, были сопоставлены максимальные числовые значения данных, и определена отражательная способность пород. Также с помощью сравнения и анализа оценивалась применимость метода к каждому образцу породы.
МАТЕРИАЛЫ И МЕТОДЫ
Метод
Классификация горных пород – это основной процесс, проводимый для геологических исследований. Информация о геологическом строении и горных породах, распространенных в конкретном районе, важна для существующих объектов и конструкций, при строительстве зданий.
Однако, труднодоступные районы, такие как склоны холмов и скалы, не могут быть исследованы напрямую. Геологическую информацию и информацию о горных породах можно получить с помощью существующих геологических карт, но актуальную подробную информацию можно получить только в полевых условиях. Поэтому в последнее время в районах, где наземные исследования затруднены, стала использоваться дистанционная разведка, проводимая с использованием БПЛА.
Дистанционное исследование с помощью гиперспектральной камеры позволяет относительно легко собирать информацию широкого спектра, невидимую человеческому глазу. Очень похожие материалы можно отличить по их точным спектральным характеристикам, и в этом заключается преимущество использования метода. По мере уменьшения веса и размера гиперспектральных датчиков стала возможной установка их на дроны, зона использования расширилась, что позволило проводить дистанционную разведку в труднодоступных районах.
Целью данного исследования является анализ информации, свойственной горным породам, с помощью гиперспектрального датчика. Для десяти образцов пород были сделаны снимки, максимальное значение данных (PDV) было рассчитано путем анализа значений четырех точек для каждой породы (рис. 1, 2). Значение данных, рассчитанное при анализе изображения, указывает на спектральную плотность энергетической яркости. Коэффициент отражения сводит к минимуму возможную ошибку в изменении энергии солнечного излучения при использовании белого эталона с отражающими характеристиками 99% или более.
Рисунок 1. Образцы горных пород, использованные для гиперспектрального анализа
Рисунок 2. Гиперспектральный снимок тестовых образцов
На получение снимков с помощью БПЛА влияет атмосферное поглощение и отражение, поэтому необходима их коррекция. Однако, для случаев, когда спектральная информация была получена с использованием гиперспектрального датчика на малой высоте в полевых условиях, атмосферная коррекция в этом исследовании не проводилась, поскольку на яркость излучения, образующегося в атмосфере, или энергию, отраженную от материала, атмосфера влияет редко.
Для исследования использовался гиперспектральный датчик Nano-Hyperspec компании Headwall Photonics (США) (таблица 1). Он обладает достаточным пространственным и спектральным разрешением, высоким соотношением сигнал/шум и может получать гиперспектральные изображения в 270 каналах. Кроме того, диапазоны длин волн могут быть разделены на десятки или сотни для сбора спектральной плотности каждого канала (рис. 3а).
Была использована модель дрона Aibot X6 (с двухосным подвесом), предоставленная компанией Aibotix в Германии. Он имеет грузоподъемность во время полета до 3,0 кг и может получать точные изображения с помощью беспроводного ручного управления и на основе GPS (рис. 3b). Анализ изображений был выполнен с использованием программного обеспечения ENVI версии 5.5 компании Harris Geospatial Solutions, позволяющего анализировать и извлекать информацию из мультиспектральных и гиперспектральных данных, работать в различных векторных и растровых форматах, а также выполнять базовые задачи обработки изображений.
Для исследования использовался гиперспектральный датчик Nano-Hyperspec компании Headwall Photonics (США) (таблица 1). Он обладает достаточным пространственным и спектральным разрешением, высоким соотношением сигнал/шум и может получать гиперспектральные изображения в 270 каналах. Кроме того, диапазоны длин волн могут быть разделены на десятки или сотни для сбора спектральной плотности каждого канала (рис. 3а).
Была использована модель дрона Aibot X6 (с двухосным подвесом), предоставленная компанией Aibotix в Германии. Он имеет грузоподъемность во время полета до 3,0 кг и может получать точные изображения с помощью беспроводного ручного управления и на основе GPS (рис. 3b). Анализ изображений был выполнен с использованием программного обеспечения ENVI версии 5.5 компании Harris Geospatial Solutions, позволяющего анализировать и извлекать информацию из мультиспектральных и гиперспектральных данных, работать в различных векторных и растровых форматах, а также выполнять базовые задачи обработки изображений.
Таблица 1. Технические характеристики гиперспектрального датчика и дрона.
Рисунок 3. Гиперспектральный датчик на основе БПЛА (а), гиперспектральная камера, установленная на дроне (b)
Образцы
В этом исследовании для гиперспектральной съемки было использовано в общей сложности десять образцов горных пород (пять осадочных, две магматические и три метаморфические). Их можно разделить на три группы: осадочные породы, в том числе образцы сланцев, аргиллитов, известняков, песчаников и конгломератов; магматические породы, включая образцы гранита и базальта, и метаморфические породы, включая образцы мрамора, кварцита и гнейса (рис. 1). Размер образцов горных пород составляет приблизительно 10 м, и для точного анализа спектральной информации были отобраны породы с небольшим изменением частиц.
Сланец темно-красного цвета и настолько мелкозернистый, что его частицы нельзя увидеть невооруженным глазом, а аргиллит прозрачно-желтого цвета и достаточно зернистый, чтобы частицы не были видны невооруженным глазом. Сланец и аргиллит образуются в результате отложения грязи, но вес аргиллита намного меньше, чем сланца. Известняк серовато-белый, а песчаник бледно-зеленый и мелкозернистый, состоящий из кварца, полевого шпата, слюды и роговой обманки. Конгломерат представляет собой обломок темно-красной материнской породы, состоящей из участков различных размеров и цветов.
Гранит среднезернистый, с большим содержанием бесцветных минералов, чем цветных; базальт темно-серый, и его частицы невозможно различить невооруженным глазом, на его поверхности наблюдаются поры различных размеров. Кварцит светло-серый, наблюдается слоистое строение; гнейс перекристаллизован, имеет небольшой блеск и слоистую темно-серую поверхность, содержащую очень небольшое количество светлоокрашенных или бесцветных минералов.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЯ
Для десяти пород были сравнены и проанализированы значения данных и изменения коэффициента отражения четырех точек в каждой породе.
Сравнение максимальных значений данных
Длины волн и значения данных для каждой точки были классифицированы по десяти породам. Анализ показал, что похожие закономерности отмечены соответственно красному, зеленому и синему диапазонам видимого света в зависимости от типа породы (таблица 2, рис. 4, 5).
В этом исследовании для гиперспектральной съемки было использовано в общей сложности десять образцов горных пород (пять осадочных, две магматические и три метаморфические). Их можно разделить на три группы: осадочные породы, в том числе образцы сланцев, аргиллитов, известняков, песчаников и конгломератов; магматические породы, включая образцы гранита и базальта, и метаморфические породы, включая образцы мрамора, кварцита и гнейса (рис. 1). Размер образцов горных пород составляет приблизительно 10 м, и для точного анализа спектральной информации были отобраны породы с небольшим изменением частиц.
Сланец темно-красного цвета и настолько мелкозернистый, что его частицы нельзя увидеть невооруженным глазом, а аргиллит прозрачно-желтого цвета и достаточно зернистый, чтобы частицы не были видны невооруженным глазом. Сланец и аргиллит образуются в результате отложения грязи, но вес аргиллита намного меньше, чем сланца. Известняк серовато-белый, а песчаник бледно-зеленый и мелкозернистый, состоящий из кварца, полевого шпата, слюды и роговой обманки. Конгломерат представляет собой обломок темно-красной материнской породы, состоящей из участков различных размеров и цветов.
Гранит среднезернистый, с большим содержанием бесцветных минералов, чем цветных; базальт темно-серый, и его частицы невозможно различить невооруженным глазом, на его поверхности наблюдаются поры различных размеров. Кварцит светло-серый, наблюдается слоистое строение; гнейс перекристаллизован, имеет небольшой блеск и слоистую темно-серую поверхность, содержащую очень небольшое количество светлоокрашенных или бесцветных минералов.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЯ
Для десяти пород были сравнены и проанализированы значения данных и изменения коэффициента отражения четырех точек в каждой породе.
Сравнение максимальных значений данных
Длины волн и значения данных для каждой точки были классифицированы по десяти породам. Анализ показал, что похожие закономерности отмечены соответственно красному, зеленому и синему диапазонам видимого света в зависимости от типа породы (таблица 2, рис. 4, 5).
Таблица 2. Значение данных и среднее значение измерений по типу породы
Рисунок 4. Значение данных для каждого типа породы в зависимости от длины волны
Рисунок 5. Среднее значение данных по типу породы
Для сланца максимальный диапазон значений данных для каждой точки составляет 207~270, максимальное рассчитанное значение составляет 226,00, когда применялось среднее значение для каждой длины волны в четырех точках. Большинство из них имели одинаковый цвет, и в видимом диапазоне наблюдался пологий наклон графика. Диапазон значений для аргиллита составлял 505~549, максимальное значение – 517,50, когда среднее значение применялось к каждому каналу в четырех точках. Максимальный диапазон значений для известняка составлял 540~605, максимальное значение – 562,75, когда среднее значение применялось к каждому каналу в четырех точках. Максимальный диапазон значений для песчаника составлял 444~486, а PDV – 463,75, когда среднее значение применялось к каждому каналу в четырех точках. Значения данных для каждой длины волны в четырех точках были одинаковыми, а диапазон PDV узким. Максимальный диапазон значений данных конгломерата составлял 245~333, максимальное значение – 288,50, когда среднее значение применялось к каждому каналу в четырех точках. Как и в случае со сланцем, диапазон значений данных в четырех точках находился в диапазоне длин волн 500 ~ 700 нм.
Максимальный диапазон значений данных для гранита составлял 285~358, максимальное значение – 320,25, когда среднее значение применялось к каждому каналу в четырех точках. Три точки показали очень похожие значения, но одна точка – различие в значении данных, и на основе этого делается вывод, что разница обусловлена наличием или отсутствием частиц в породе. Максимальный диапазон значений данных для базальта составлял 180~205, максимальное значение – 189,50, когда среднее значение применялось к каждому каналу в четырех точках. На графике четыре точки показывали очень похожие значения на большинстве длин волн, а наклон графика был очень пологим. Максимальный диапазон значений данных для кварцита составлял 530~603, максимальное значение – 552,75, когда среднее значение применялось к каждому каналу в четырех точках. При длинах волн 450~600 нм диапазон значений данных в четырех точках стал шире, и между точками появился промежуток. Максимальный диапазон значений данных для мрамора составлял 994~1122, максимальное значение – 1050,50, когда среднее значение применялось к каждому каналу в четырех точках. Среди десяти пород значение данных было самым высоким, и разница значений в канале для каждой точки по длине волны также была большой. Максимальный диапазон значений данных для гнейса составлял 209~244, максимальное значение данных – 212,75, когда среднее значение применялось к каждому каналу в четырех точках. Четыре точки показали значения, аналогичные базальтовым на большинстве длин волн, и наклон графика был очень пологим.
Анализ графика показал, что значение данных для мрамора было самым высоким среди десяти пород, и была разница в длинах волн между аргиллитом, известняком, песчаником, конгломератом, гранитом и кварцитом. Однако наблюдалась разница в значениях данных в зависимости от типа породы. В частности, было обнаружено, что диапазон длин волн становится шире с увеличением значения данных в случае аргиллита по сравнению с другими породами. Значения данных, так же как и образцы сланца, базальта и гнейса с низкими значениями были схожими, что затрудняло их различение, но разница в значениях отображалась в зеленой и красной областях 500~700 нм. На рис. 6 сравнивается длина волны PDV породы с PDV и показывается, что длина волны PDV довольно схожа, несмотря на разницу в PDV, которая является внутренней информацией от породы.
Максимальный диапазон значений данных для гранита составлял 285~358, максимальное значение – 320,25, когда среднее значение применялось к каждому каналу в четырех точках. Три точки показали очень похожие значения, но одна точка – различие в значении данных, и на основе этого делается вывод, что разница обусловлена наличием или отсутствием частиц в породе. Максимальный диапазон значений данных для базальта составлял 180~205, максимальное значение – 189,50, когда среднее значение применялось к каждому каналу в четырех точках. На графике четыре точки показывали очень похожие значения на большинстве длин волн, а наклон графика был очень пологим. Максимальный диапазон значений данных для кварцита составлял 530~603, максимальное значение – 552,75, когда среднее значение применялось к каждому каналу в четырех точках. При длинах волн 450~600 нм диапазон значений данных в четырех точках стал шире, и между точками появился промежуток. Максимальный диапазон значений данных для мрамора составлял 994~1122, максимальное значение – 1050,50, когда среднее значение применялось к каждому каналу в четырех точках. Среди десяти пород значение данных было самым высоким, и разница значений в канале для каждой точки по длине волны также была большой. Максимальный диапазон значений данных для гнейса составлял 209~244, максимальное значение данных – 212,75, когда среднее значение применялось к каждому каналу в четырех точках. Четыре точки показали значения, аналогичные базальтовым на большинстве длин волн, и наклон графика был очень пологим.
Анализ графика показал, что значение данных для мрамора было самым высоким среди десяти пород, и была разница в длинах волн между аргиллитом, известняком, песчаником, конгломератом, гранитом и кварцитом. Однако наблюдалась разница в значениях данных в зависимости от типа породы. В частности, было обнаружено, что диапазон длин волн становится шире с увеличением значения данных в случае аргиллита по сравнению с другими породами. Значения данных, так же как и образцы сланца, базальта и гнейса с низкими значениями были схожими, что затрудняло их различение, но разница в значениях отображалась в зеленой и красной областях 500~700 нм. На рис. 6 сравнивается длина волны PDV породы с PDV и показывается, что длина волны PDV довольно схожа, несмотря на разницу в PDV, которая является внутренней информацией от породы.
Рисунок 6. Максимальные значения данных и длин волн для пород
Анализ коэффициента отражения
Коэффициент отражения десяти пород был проанализирован с помощью сравнения значений данных с эталоном белого цвета, имеющим коэффициент отражения 99%. Белые эталоны были установлены рядом с породой для прямого сравнения со значением данных о породе, коэффициент отражения был рассчитан путем сравнения значений данных (интенсивность излучения) области для каждой породы со стандартными белыми пластинами, как показано в уравнении (1).
R = Vtarget/Vreference (1),
где Vtarget обозначает значение данных целевого объекта, а Vreference обозначает значение данных эталонов (белые эталоны).
На рис. 7 представлен график, показывающий отражательную способность четырех точек, проанализированных внутри каждой породы, а на рис. 8 – график, показывающий среднюю отражательную способность каждой породы. Коэффициент отражения горных пород обычно варьировался в зависимости от породы в диапазоне длин волн видимого излучения 400~700 нм, а ближний инфракрасный диапазон 700 нм или более показал постепенное увеличение для всех десяти пород.
Коэффициент отражения десяти пород был проанализирован с помощью сравнения значений данных с эталоном белого цвета, имеющим коэффициент отражения 99%. Белые эталоны были установлены рядом с породой для прямого сравнения со значением данных о породе, коэффициент отражения был рассчитан путем сравнения значений данных (интенсивность излучения) области для каждой породы со стандартными белыми пластинами, как показано в уравнении (1).
R = Vtarget/Vreference (1),
где Vtarget обозначает значение данных целевого объекта, а Vreference обозначает значение данных эталонов (белые эталоны).
На рис. 7 представлен график, показывающий отражательную способность четырех точек, проанализированных внутри каждой породы, а на рис. 8 – график, показывающий среднюю отражательную способность каждой породы. Коэффициент отражения горных пород обычно варьировался в зависимости от породы в диапазоне длин волн видимого излучения 400~700 нм, а ближний инфракрасный диапазон 700 нм или более показал постепенное увеличение для всех десяти пород.
Рисунок 7. График коэффициента отражения для каждого типа породы по длине волн
Рисунок 8. Сравнительный график коэффициента отражения по типу пород
Анализ структуры графика показал, что значения для сланца и конгломерата умеренно увеличились в диапазоне длин волн видимого излучения, а значение для известняка осталось на определенном уровне, график для аргиллита имеет относительно крутую форму. Кроме того, существуют нерегулярные рисунки линий. Песчаник показывает значения, которые постепенно увеличиваются, а затем уменьшаются. Гранит, базальт и гнейс демонстрируют значения, которые уменьшаются примерно до длины волны 500 нм, а затем остаются на определенном уровне. Значения для кварцита увеличиваются примерно до длины волны 600 нм, а для мрамора – до длины волны 500 нм, а затем остаются на определенном уровне (рис. 7, 8).
В видимом диапазоне спектра диапазон отражения четырех точек в известняке, конгломерате, граните, кварците и мраморе относительно шире, чем в сланце, аргиллите, песчанике, базальте и гнейсе, или между всеми точками имеется неравномерный промежуток (рис. 7). Это говорит о том, что диапазон отражения расширяется за счет различных цветов материнской породы и минералов, образующих породу, или блеска поверхности. На данном гиперспектральном снимке известняк серовато-белый, а конгломерат содержит темно-красную материнскую породу с участками различных размеров и цветов. Поскольку гранит состоит из обесцвеченных минералов, таких как белый, черный и серый, диапазон отражения в четырех точках относительно шире, чем у сланцев, аргиллитов, песчаников, базальтов и гнейсов. Кроме того, кварцит и мрамор однородно окрашены, но имеют отчетливый блеск, поэтому диапазон отражения в четырех точках относительно более широкий, чем у сланца, аргиллита, песчаника, базальта и гнейса.
Сравнительный анализ коэффициента отражения по длине волны
В этом исследовании длины волн были разделены на видимый и ближний инфракрасный диапазоны, а видимый диапазон разделен на синий, зеленый и красный, чтобы сравнить коэффициент отражения каждого диапазона (таблица 3). Для каждой длины волны видимого диапазона (синего, зеленого и красного) было использовано 45 значений коэффициента отражения и 89 значений коэффициента отражения для ближнего инфракрасного диапазона.
Средняя отражательная способность видимого диапазона в десяти породах составляла 16,00~85,78%, самая низкая в базальте и самая высокая в мраморе. В ближнем инфракрасном диапазоне средняя отражательная способность составляла 23,94~86,43%, где самый низкий показатель для базальта и самый высокий для мрамора (таблица 3). Для сравнения, основанного на длинах волн в видимом диапазоне, значения для базальта были самыми низкими в синем, красном и зеленом диапазонах, а значения для мрамора были здесь самыми высокими.
В видимом диапазоне спектра диапазон отражения четырех точек в известняке, конгломерате, граните, кварците и мраморе относительно шире, чем в сланце, аргиллите, песчанике, базальте и гнейсе, или между всеми точками имеется неравномерный промежуток (рис. 7). Это говорит о том, что диапазон отражения расширяется за счет различных цветов материнской породы и минералов, образующих породу, или блеска поверхности. На данном гиперспектральном снимке известняк серовато-белый, а конгломерат содержит темно-красную материнскую породу с участками различных размеров и цветов. Поскольку гранит состоит из обесцвеченных минералов, таких как белый, черный и серый, диапазон отражения в четырех точках относительно шире, чем у сланцев, аргиллитов, песчаников, базальтов и гнейсов. Кроме того, кварцит и мрамор однородно окрашены, но имеют отчетливый блеск, поэтому диапазон отражения в четырех точках относительно более широкий, чем у сланца, аргиллита, песчаника, базальта и гнейса.
Сравнительный анализ коэффициента отражения по длине волны
В этом исследовании длины волн были разделены на видимый и ближний инфракрасный диапазоны, а видимый диапазон разделен на синий, зеленый и красный, чтобы сравнить коэффициент отражения каждого диапазона (таблица 3). Для каждой длины волны видимого диапазона (синего, зеленого и красного) было использовано 45 значений коэффициента отражения и 89 значений коэффициента отражения для ближнего инфракрасного диапазона.
Средняя отражательная способность видимого диапазона в десяти породах составляла 16,00~85,78%, самая низкая в базальте и самая высокая в мраморе. В ближнем инфракрасном диапазоне средняя отражательная способность составляла 23,94~86,43%, где самый низкий показатель для базальта и самый высокий для мрамора (таблица 3). Для сравнения, основанного на длинах волн в видимом диапазоне, значения для базальта были самыми низкими в синем, красном и зеленом диапазонах, а значения для мрамора были здесь самыми высокими.
Таблица 3. Сравнительный анализ коэффициента отражения в видимом и ближнем инфракрасном диапазоне
В таблице 3 была показана разница в отражательной способности пород, которая меняется в зависимости от цвета составляющих её компонентов. Среди горных пород базальт и гнейс имеют схожие серые породы, и максимальные данные по отражательной способности показывают, что значения для базальта были самыми низкими среди десяти пород. В случае базальта, вулканической породы, имеются поры (до 5-10 мм), образованные в результате охлаждения лавы, которые можно интерпретировать как отражающие меньше света, чем гнейс (метаморфическая порода) без пор, что приводит к более низкому значению данных (отражение).
ВЫВОДЫ
Это исследование по анализу спектральной информации горных пород с использованием гиперспектральных снимков направлено на выполнение гиперспектральной съемки различных типов образцов горных пород с помощью дронов, а также на сравнение и классификацию горных пород путем анализа полученных данных. Для этой цели была выполнена гиперспектральная съемка десяти горных пород с помощью БПЛА, и были получены и сопоставлены значения PDV и коэффициент отражения, которые являются характерной информацией о горных породах.
Результаты исследования показали, что существует разница в значении данных и коэффициенте отражения в зависимости от типа породы, что позволило предположить, что цвет пород и минералов различен, или коэффициент отражения отличается из-за блеска поверхности. Известняк, используемый для гиперспектральной съемки, имел серовато-белый цвет, конгломерат содержал участки различных размеров и цветов в темно-красной материнской породе, а гранит состоял из обесцвеченных минералов – белого, черного, серого и других цветов, что привело к разнице в отражательной способности. Кварцит и мрамор окрашены равномерно, но имеют отчетливый блеск, поэтому диапазон отражательной способности в четырех точках интерпретируется как относительно более широкий, чем у сланцев, аргиллитов, песчаника, базальта и гнейса. Средняя отражательная способность в видимом диапазоне спектра для десяти пород составляла 16,00~85,78%, самая низкая для базальта и самая высокая для мрамора. В ближнем инфракрасном диапазоне средняя отражательная способность составляла 23,9~86,43%, где самый низкий показатель у базальта и самый высокий у мрамора. Это связано с наличием пор в базальте, что, возможно, вызвало различие в отражательной способности.
В настоящее время исследования по использованию гиперспектральных снимков для классификации и обнаружения горных пород находятся на начальной стадии, и, что примечательно, было проведено мало исследований по анализу гиперспектральных снимков, полученных с помощью БПЛА. Информация, характерная для горных пород и полученная в результате этого исследования, будет полностью использована в качестве базовых данных для будущих геологических исследований и распознавания горных пород на обширных территориях.
ВЫВОДЫ
Это исследование по анализу спектральной информации горных пород с использованием гиперспектральных снимков направлено на выполнение гиперспектральной съемки различных типов образцов горных пород с помощью дронов, а также на сравнение и классификацию горных пород путем анализа полученных данных. Для этой цели была выполнена гиперспектральная съемка десяти горных пород с помощью БПЛА, и были получены и сопоставлены значения PDV и коэффициент отражения, которые являются характерной информацией о горных породах.
Результаты исследования показали, что существует разница в значении данных и коэффициенте отражения в зависимости от типа породы, что позволило предположить, что цвет пород и минералов различен, или коэффициент отражения отличается из-за блеска поверхности. Известняк, используемый для гиперспектральной съемки, имел серовато-белый цвет, конгломерат содержал участки различных размеров и цветов в темно-красной материнской породе, а гранит состоял из обесцвеченных минералов – белого, черного, серого и других цветов, что привело к разнице в отражательной способности. Кварцит и мрамор окрашены равномерно, но имеют отчетливый блеск, поэтому диапазон отражательной способности в четырех точках интерпретируется как относительно более широкий, чем у сланцев, аргиллитов, песчаника, базальта и гнейса. Средняя отражательная способность в видимом диапазоне спектра для десяти пород составляла 16,00~85,78%, самая низкая для базальта и самая высокая для мрамора. В ближнем инфракрасном диапазоне средняя отражательная способность составляла 23,9~86,43%, где самый низкий показатель у базальта и самый высокий у мрамора. Это связано с наличием пор в базальте, что, возможно, вызвало различие в отражательной способности.
В настоящее время исследования по использованию гиперспектральных снимков для классификации и обнаружения горных пород находятся на начальной стадии, и, что примечательно, было проведено мало исследований по анализу гиперспектральных снимков, полученных с помощью БПЛА. Информация, характерная для горных пород и полученная в результате этого исследования, будет полностью использована в качестве базовых данных для будущих геологических исследований и распознавания горных пород на обширных территориях.
06 июня / 2022
