Applied Computing and Geosciences·9月19日 · 周六论文农业遥感与作物表型阅读 0
Identification of granitic pegmatites based on GF-5 hyperspectral data and LSTM-Transformer model
Zhong Li · Ziye Wang
论文解读
0未达精选线
速览
提出数据增强驱动的LSTM-Transformer框架，用GF-5高光谱数据识别花岗伟晶岩。
方法
GF-5高光谱数据，融合实测与红外扫描光谱增强样本，构建LSTM-Transfo
发现
在新疆金儿泉锂矿成功圈定伟晶岩脉，验证区Li2O平均品位7.86 wt.%。
机会点
可将该高光谱-深度学习框架迁移至农田土壤属性或作物养分反演，解决标签稀缺问题。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文聚焦高光谱遥感与深度学习用于伟晶岩型锂矿识别，属地质矿产勘探领域，与三农、农业信息化、智慧农业主题无关，不建议进入每日精选。
原文摘要
锂是支撑新能源与先进技术的关键战略矿产，主要富集于花岗伟晶岩中。高光谱遥感与深度学习框架的融合已成为伟晶岩定量识别的前沿方法。然而，深度学习算法常受限于标注样本稀缺以及高维光谱数据特征提取的难题。本研究提出了一种数据增强驱动的LSTM-Transformer框架，用于基于GF-5高光谱遥感数据的伟晶岩填图。针对样本有限的问题，本研究通过整合野外实测光谱与红外扫描光谱构建了增强训练数据集，模拟真实光谱变异与线性混合以提升数据多样性。所提出的LSTM-Transformer架构结合了LSTM在局部序列特征建模方面的优势与Transformer捕捉长程全局关系的能力，从而增强了对弱诊断光谱特征的检测。该框架在中国新疆镜儿泉锂矿床进行了验证。所提模型圈定的高概率区域成功捕获了以往地质研究中记录的若干伟晶岩脉。预测结果进一步通过野外采样得到验证。从预测高概率目标区采集的标本地球化学分析显示，Li₂O平均品位为7.86 wt.%，满足工业要求，证实了所提方法的可靠性。总体而言，这些结果展示了所提框架在标注样本有限条件下用于伟晶岩填图及后续矿产勘查的潜力。