Точная гиперспектральная съемка для геологии: определение наличия литийсодержащих пегматитов

René Booysen ^{a b}, Sandra Lorenz ^a, Samuel T. Thiele ^a, Warrick C. Fuchsloch ^c, Timothy Marais ^c, Paul A.M. Nex ^b, Richard Gloaguen ^a

ИНФОРМАЦИЯ О СТАТЬЕ

АННОТАЦИЯ

Для открытия новых месторождений и перехода на экологически чистую энергетику требуются эффективные, социально приемлемые и быстрые методы разведки. Устойчивая геологоразведка требует сочетания инновационного мышления и новых технологий. Гиперспектральная визуализация (HSI) - это быстро развивающаяся технология, которая позволяет быстро и систематически составлять карты полезных ископаемых, облегчая исследование земной поверхности в различных масштабах на различных платформах. Вновь доступные датчики позволяют получать данные в широком спектральном диапазоне и предоставляют информацию о количестве и пространственном расположении руд и минералов-первопроходцев в керне, ручных образцах и обнажениях с точностью от миллиметра до сантиметра. И наоборот, сложная геометрия отображаемых поверхностей влияет на спектральное качество и отношение сигнал/шум (SnR) данных HSI при таких очень узких пространственных выборках. Кроме того, сложные минеральные ассоциации, обнаруженные в рудных месторождениях, подвергшихся гидротермальным изменениям, могут затруднить интерпретацию результатов спектрального анализа.
В этой работе мы предлагаем инновационный подход, который объединяет множество датчиков и масштабов сбора данных, чтобы помочь разобраться в сложной минералогии, связанной с минерализацией лития и олова в пегматитовом комплексе Юис, Намибия. Мы отрабатываем этот метод, используя ручные пробы, и, наконец, создаем трехмерное облако точек для картирования литиевой минерализации в карьере. Мы смогли идентифицировать и нанести на карту литийсодержащие кукеит и монтебразит в масштабе обнажения. Точность этого подхода была подтверждена с помощью сверления керна данные, рентгеновский анализ и измерения LIBS. Этот подход облегчает эффективное картографирование сложных ландшафтов, а также важный мониторинг и оптимизацию добычи руды. Наш метод может быть легко адаптирован к другим полезным ископаемым, имеющим отношение к горнодобывающей промышленности.

1. Введение

Переход к "зеленой" энергетике приводит к заметному увеличению спроса на сырье, и, хотя показатели переработки улучшаются, для поддержания предложения требуются новые открытия (Ганди и Саркар, 2016; Али и др., 2017). Для составления карт залегания полезных ископаемых с учетом экологических требований требуются минимально инвазивные и экономически эффективные технологии разведки. Дистанционное геологическое зондирование предлагает экономически эффективный способ разведки минеральных ресурсов, и, хотя спутниковые и бортовые снимки обычно используются для определения целей разведки, в масштабе обнажений остается пробел. Гиперспектральная съемка (HSI), обычно выполняемая со спутников или бортовых платформ, полезна для крупномасштабного регионального картографирования (Kruse et al., 2003). С другой стороны, спутниковые и воздушные датчики съемки имеют разрешение наземной съемки от нескольких метров до десятков метров и ограничены слабовыраженным рельефом из-за угла обзора (ниже) надира. Кроме того, для точной интерпретации потенциальных месторождений руды и определения их местоположения необходимо детальное понимание минерализации. Решение заключается в наклонной геофизической съемке обнажений с земли или с помощью беспилотных летательных аппаратов, которая позволяет составить структурные и минералогические карты с точностью от миллиметра до сантиметра.

Визуализация сложных геологических поверхностей с очень высоким разрешением чрезвычайно актуальна для нескольких критически важных сырьевых материалов, таких как литий (Li), редкоземельные элементы (РЗЭ), вольфрам и тантал-ниобий, поскольку они обычно встречаются в относительно небольших месторождениях размером до нескольких сотен м². Литий, например, стал ключевым минералом в энергетическом переходе к низкоуглеродному будущему (Heredia et al., 2020). Эту тенденцию демонстрирует Комиссия ЕС, которая изменила статус Ли на «критический» в отчете Европейской комиссии за 2020 год (EU Commission, 2020).

Двумя основными источниками Li являются месторождения солевого раствора и месторождения твердых пород, таких как пегматиты. Пегматиты представляют собой интрузивные магматические породы, характеризующиеся некоторой комбинацией крупнозернистых, но переменных размеров кристаллов, выраженной анизотропии ориентации кристаллов, минералогической зональности и скелетных, радиальных и графических сростков кристаллов (London, 2018). Большинство пегматитов имеют гранитный состав, в основном состоящий из кварца, полевого шпата и слюды (London, 2018). В большинстве исследований по дистанционному зондированию, направленных на идентификацию и картографирование литий-содержащих пегматитов в полевых условиях, используются спутниковые мультиспектральные данные. Лишь в нескольких исследованиях гиперспектральные данные использовались либо для выявления зон интереса, либо для создания пегматитовых карт в полевых условиях (например, Momose et al., 2011; Cardoso-Fernandes et al., 2020a). Cardoso-Fernandes et al. (2020b) отметили, что для улучшения разведки лития следует рассмотреть другие типы платформ дистанционного зондирования. Однако ни в одной из этих публикаций не описано прямое картирование литийсодержащих минералов в обнаженных обнажениях пегматитов. Оловянный рудник Уис, расположенный в Намибии, недавно заявил о более чем 450 тыс. тонн оксида лития в пегматитовом месторождении V1V2 (AfriTin Mining Ltd., 2019), что делает его идеальным кандидатом для проксимального подхода HSI.

Точное картирование геологической литологии остается сложной задачей в труднодоступных районах, таких как пересеченная местность или места добычи полезных ископаемых. Методы ближайшего зондирования могут повысить надежность, безопасность и эффективность геологической деятельности при разведке или добыче полезных ископаемых. Кроме того, он генерирует объективные, воспроизводимые результаты и ценные исходные данные, которые могут быть архивированы, обработаны и повторно интерпретированы. Использование наземной гиперспектральной визуализации обнажений неуклонно росло в течение последнего десятилетия, отчасти благодаря развитию сенсоров и улучшению процедур обработки. Boesche et al. (2015) и Krupnik and Khan (2019) приобрели наземные коротковолновые инфракрасные (SWIR) гиперспектральные данные для создания двумерных (2D) карт минералов. В последнее время были предприняты усилия по интеграции наземных гиперспектральных изображений с трехмерной (3D) моделью поверхности для лучшей контекстуальной визуализации. Snyder et al. (2016) объединили наземные гиперспектральные изображения видимого и ближнего инфракрасного диапазона (VNIR) с 3D-информацией для картографирования осадочных структур. Kurz et al. (2013) и Buckley et al. (2013) разработали рабочий процесс для интеграции облаков точек обнаружения и определения дальности наземного света (LiDAR) и наземного гиперспектрального сканирования. Это был один из первых случаев, когда наземные гиперспектральные изображения были наложены на 3D-модель, полученную с помощью LiDAR, чтобы визуализировать гиперспектральные данные в точно масштабированном представлении. Krupnik et al. (2016) зарегистрировали гиперспектральные данные с помощью геометрически точной 3D-модели, полученной на основе LiDAR, для картографирования седиментологических структур на основе пользовательской спектральной библиотеки, созданной на основе ручных образцов. В то время как цифровые 3D-модели поверхности и облака точек использовались для улучшения визуализации, данные HSI оставались двумерной информацией с базовыми спектральными и топографическими поправками. Lorenz et al. (2018) предложили новый рабочий процесс коррекции, который включает в себя атмосферные и топографические поправки для наземных гиперспектральных данных с интеграцией 3D-фотограмметрических данных для создания крупномасштабных так называемых «гипероблаков» (т.е. геометрически правильных представлений полностью скорректированных гиперспектральных кубов данных). Это было применено Kirsch et al. (2018) для объединения беспилотных и наземных HSI в карьере Наундорф в восточной Германии с целью картирования геологических структур и литологических единиц для целей разведки или мониторинга рудников. Этот подход адаптирован к структурам метрических масштабов, но не учитывает эффекты освещения в более мелких масштабах. Из-за веса и стоимости полноценных датчиков SWIR съемка с беспилотников в настоящее время ограничена легкими датчиками, охватывающими диапазон VNIR в эксплуатационных условиях, и сталкивается с аналогичными проблемами (Booysen et al., 2020).

Как описано ранее, нет опубликованных данных о прямом картировании Li-содержащих минералов в пегматитах с использованием гиперспектральной визуализации (например, Momose et al., 2011; Cardoso-Fernandes et al., 2020a). В этой статье мы предлагаем полностью 3D-скорректированный и валидированный метод гиперспектральной визуализации для характеристики геологической литологии, который может быть использован при разведке полезных ископаемых или добыче полезных ископаемых. Мы демонстрируем дополнительные преимущества этого многомасштабного гиперспектрального рабочего процесса дистанционного зондирования, непосредственно картируя внутреннюю изменчивость нескольких литийсодержащих минералов в пегматитах, активно добываемых в Уисе, Намибия. Для этого исследования мы реализуем адаптированный рабочий процесс, который включает в себя (1) улучшенную топографическую коррекцию на основе последних разработок по коррекции эффектов освещения (Thiele et al., 2021); (2) использование минералогических спектральных характеристик (например, соотношения полос и картографирование минимальной длины волны); (3) автоматизированная идентификация минералов на основе признаков для картографирования следопытов и литийсодержащих минералов. Мы объединяем данные RGB, VNIR и SWIR в масштабе образца и обнажения для создания точных 3D-карт минералов, которые мы проверяем с помощью лабораторных анализов, непрерывных спектральных измерений, охватывающих диапазон VNIR и длинноволнового инфракрасного (LWIR), лазерно-индуцированной флуоресценции (LIF) и лазерно-индуцированной спектроскопии пробоя (LIBS).

1.1. Территория исследования

Пегматиты Роя Уис, которые являются частью пегматитового пояса Кейп-Кросс-Уис, вторгаются в гранитные и метаосадочные литологии неопротерозойского пояса Дамара, Намибия (Richards, 1986; Diehl, 1993; Fuchsloch et al., 2018) на площади ~650 км². Выявлено несколько сотен отдельных пегматитовых интрузий, выходящих на поверхность (рис. 1А) (Marais, 2019). Хотя петрогенез пегматитов является спорным, предполагается, что они происходят либо в результате фракционирования синтектонических гранитов, либо в результате посттектонического анатексиса метаосадочных пород супергруппы Дамара (Fuchsloch et al., 2018, Fuchsloch et al., 2019a). Пегматиты обычно образуют линзо- или сигмовидные интрузии с северо-восточным трендом, заполняя посттектонические транстензиональные структуры, связанные с орогенным коллапсом (Marais, 2019). Размеры интрузий варьируются от заполненных разрывов растяжения в сантиметровом масштабе до километровых интрузий шириной 100 м (Fuchsloch et al., 2018; Marais, 2019). Они практически не деформируются, имеют поперечный слой вмещающих пород и известные структурные структуры в этом районе, а также кристаллизуются при температурах от 450 до 550 °C (Ashworth et al., 2018).

Пегматиты Уис представляют собой гранитные литий-цезий-танталовые (LCT) редкоэлементные пегматиты, варьирующиеся в основном с точки зрения минералов акцессорной фазы по всему рою и не демонстрирующие классической минералогической зональности (Fuchsloch et al., 2018; Fuchsloch et al., 2019a; Fuchsloch et al., 2019b; Marais, 2019). К породообразующим минералам относятся альбит, кварц, ортоклаз, мусковит и петалит (табл. 1). Акцессорные фазы включают касситерит, минералы колумбит-группы (CGM), турмалин, магнетит, ильменит, берилл, апатит, монацит, лепидолит, кукеит, монтебразит, эукриптит и циркон (Richards, 1986; Fuchsloch et al., 2018; Marais, 2019). Гидротермальные изменения, как правило, значительны и включают в себя серицитизацию, грейзенизацию и альбитизацию. Зоны альтерации, грейзены и аплиты, многочисленны и связаны с более высоким содержанием касситеритов и минералов CGM (Fuchsloch et al., 2018).

Таблица 1. Основные литийсодержащие минералы с соответствующим стехиометрическим содержанием лития. Li-фазы, которые были идентифицированы в Уисе, выделены в первой колонке жирным шрифтом.


Наши данные охватывают пегматит V1V2 оловянного рудника Уйст (рис. 1 B), который образует интрузию сигмоидальной формы длиной 1,2 км, простирающуюся на северо-восток и падающую под углом от 35° до 50° к северо-западу (Fuchsloch et al., 2019b). Она имеет резкие, но нерегулярные контакты с вмещающей породой, которая в основном представлена ​​биотитовым сланцем и темно-серым кварцитом. Первоначальные металлургические испытания (XRD; Fuchsloch, личное сообщение) на керне показали, что некоторые образцы содержат исключительно петалит в качестве доминирующей фазы Li, тогда как другие содержат кукеит (таблица 1). Примечательно, что идиоморфные зерна петалита или полевого шпата часто полностью псевдоморфизированы в кукеит или другие содержащие Li глинистые минералы. Для оценки возможности добычи лития из этого месторождения требуется дальнейшая характеристика фаз, содержащих Li, и их распределения.

2 .Методология и оборудование

2.1.Сбор и предварительная обработка данных

Для получения изображений и обработки данных HSI был использован единый рабочий процесс (рис. 2). Этот шаг является первостепенным для обеспечения точного картирования минералов. Процедура начинается с точной регистрации и радиометрической коррекции данных визуализации. Затем мы применяем спектроскопические методы и методы машинного обучения для извлечения соответствующей минералогической информации. Мы валидируем процедуру и оцениваем точность результатов с помощью петрологического и минералогического анализа. В следующей главе подробно описываются процедуры.

Гиперспектральные данные были получены с помощью штатива Specim AisaFENIX (далее FENIX) в главном карьере в Уисе, а также в лаборатории с использованием FENIX и Specim AisaOWL (далее именуемых OWL), установленных на сканере бурового керна/конфигурации SisuRock (рис. 3). FENIX захватывает данные в областях VNIR и SWIR электромагнитного спектра, в то время как OWL захватывает данные в диапазоне LWIR (Таблица 2). Оба датчика представляют собой компактные сканеры с фиксированным спектральным разрешением 3,5 нм (VNIR), 12 нм (SWIR) и 100 нм (LWIR) соответственно и пространственной выборкой (GSD), которая зависит от расстояния до цели. Пространственная выборка составила 1,5 мм в каменном сканере, в то время как при наземной полевой установке она составила ~8 см (учитывая расстояние обзора ~60 м).

Таблица 2. Основные минералы, обнаруженные в пегматитах Уиса и диапазон их характерных спектральных особенностей.

2.1.1.Обработка данных керна

Мы отсканировали 16 м бурового керна и 8 ручных проб из основного карьера в Уисе с помощью датчиков FENIX и OWL в конфигурации сканера SiSuRock (рис. 3A). Это представляет собой идеальную лабораторную среду с оптимизированным источником света, обеспечивающим высокое соотношение сигнал/шум и очень высокую пространственную выборку. Исходные данные FENIX и OWL обрабатывались в соответствии со стандартными процедурами с использованием собственных наборов инструментов Python Hylite (Thiele et al., 2021) и Mephysto (Jakob et al., 2017) (рис. 2). Этот протокол начинается со стандартных процедур, необходимых для получения откалиброванных данных. Данные темнового тока вычитаются для учета чувствительности пикселей, а затем применяется калибровка конкретного датчика для преобразования цифровых чисел в измеренное излучение. Эта калибровка зависит от датчика, а процедуры коррекции предоставляются конструктором. Плохие или мигающие пиксели были заменены медианой окружающих пикселей сенсорной плоскости. Затем дисторсия объектива была скорректирована для создания планиметрических изображений отсканированных образцов. Наконец, измерения яркости были преобразованы в оценки коэффициента отражения путем объединения данных с измерениями с помощью белой калибровочной панели Spectralon R90 (для FENIX) и панели из матового алюминия (для OWL). Это преобразование в коэффициент отражения можно считать точным, учитывая управляемый источник света, обеспечиваемый галогенными лампами с постоянной интенсивностью по всей ширине сканирования, плоскую поверхность объекта и надирную конфигурацию освещения и датчиков. Образцы керна с довольно низкой температурой (окружающей среды) подвергались кратковременному, но интенсивному тепловому облучению во время измерения LWIR. Благодаря такой настройке излучательную способность образцов можно считать незначительной, а составляющая отражательной способности доминирует в сигнале, что позволяет напрямую оценить коэффициент отражения с использованием описанного рабочего процесса.

Таким образом были отсканированы четыре коробки с типичными буровыми кернами, каждая из которых состояла из 4 м керна, взятого из пегматита основного карьера V1V2. Коробка 1 содержит образцы керна, которые были получены с наименьшей глубины, и включает в себя контакт между пегматитовым телом и окружающим сланцем, в то время как коробка 4 представляет самую глубокую часть пегматитового тела. Для гиперспектрального анализа мы выбрали квадраты 1 и 4, поскольку они демонстрируют явные петрологические различия и представляют собой минералогические конечные элементы. Геохимические анализы, полученные с помощью комбинации анализов ICP-MS и ICP-OES с интервалом в 1 м из двойной скважины, предоставленной компанией AfriTin, показывают, что керны в коробке 1 содержат примерно 2000–2500 ppm Li, в то время как в коробке 4 содержат 3500–4000 ppm Li.

Распределение минералов, содержащих литий, в керне было подтверждено косвенным образом путем оценки содержания Li с помощью портативного лазерно-индуцированного спектрометра пробоя (LIBS). На выбранных участках керна были проведены измерения лазерно-индуцированной флуоресценции (LIF) для картирования кварца и полевых шпатов. В измерительной установке LIF для измерения фотолюминесценции в образце при отсутствии окружающего света использовалась высокоинтенсивная лазерная линия с длиной волны возбуждения 447 нм. Спектральный сигнал регистрировался в инфракрасном диапазоне с помощью высокочувствительного гиперспектрального линейного сканера sCMOS-50V 10 E с высоким разрешением. Полученные данные корректировались по темновому току и регистрировались совместно с гиперспектральными измерениями коэффициента отражения. Тонкие срезы, сделанные из репрезентативных частей керна, были использованы для оптической микроскопии и петрографии, чтобы подтвердить карты минералов.
Гиперспектральная визуализация очищенных половин кернов с помощью сканера горных пород позволяет получить очень точные спектры минералов, которые не полностью отражают спектральные характеристики тех же пород в естественных условиях (например, шероховатость поверхности, выветривание поверхности). Поэтому мы отсканировали образцы, взятые вручную из основного карьера, с помощью прибора FENIX в той же установке, чтобы получить данные, которые более реалистично отражают состояние поверхности. Информация, полученная в лаборатории, может быть использована для углубленных исследований и предоставить контекстуальную информацию, которая может быть использована для составления карты обнажения (рис. 2). Этапы предварительной обработки для этого набора данных такие же, как и для кернов буровых скважин в конфигурации SisuRock. Ручные образцы были отправлены на рентгеновский дифракционный анализ (XRD) и ICP-AES для определения объемного элементного и минералогического составов и проверки гиперспектральных результатов.

2.1.2.Визуализация горных пород

Датчики LWIR требуют дополнительного административного разрешения для въезда в страну и выезда из нее, поэтому только FENIX можно было использовать для получения снимков обнажений в Намибии во время полевой кампании (рис. 3B). С помощью FENIX были отсканированы три ямы, но для простоты мы приводим в этой статье результаты только основной ямы V1V2. Установленный на треноге датчик был направлен на юг, к югу от места залегания пегматита в главном карьере V1V2, и просматривал основную вертикальную стенку шахты горизонтально на расстоянии приблизительно 60 м, в результате чего расстояние отбора проб грунта составляло около 8 см. Восемь гиперспектральных сцен были получены в часы наибольшего солнечного освещения, когда вертикальная поверхность максимально освещена при отсутствии облачного покрытия, что обеспечивает максимальную отдачу сигнала. Для анализа была выбрана сцена с наилучшей отдачей сигнала. На сцене была установлена белая контрольная панель Spectralon SRS-99 с ориентацией, аналогичной изображенному участку горных пород, чтобы обеспечить контрольные спектры для атмосферных и топографических поправок (рис. 2).

Для этих корректировок требуется подробная информация о геометрии горных пород, которая была получена с помощью фотограмметрии SfM-MVS, описанной Carrivick et al. (2016) и James et al. (2017), со 111 наземными фотографиями. Они были обработаны с помощью Agisoft Photoscan Professional v. 1.2.5 для создания плотного 3D-облака точек ямы (рис. 2), содержащего около 50 миллионов точек, расположенных на расстоянии ~3 см друг от друга. Затем это плотное облако было привязано к местности в CloudCompare v. 2.10 с использованием алгоритма итеративно-ближайшей точки (ICP) для выравнивания модели с цифровой моделью рельефа (DEM), созданной дроном с разрешением 20 см, предоставленной компанией AfriTin Mining. Затем из облака точек с пространственной привязкой была создана текстурированная 3D-сетка для визуализации.

Наземные гиперспектральные данные собираются путем сканирования стенки шахты с помощью поворотной консоли. Используемая установка линейного сканера имеет внутреннее изогнутое оптическое искажение поперек и бочкообразное искажение вдоль направления сканирования.. Оба эффекта были скорректированы в соответствии с протоколами, изложенными Lorenz et al. (2018) после вычитания темноты и преобразования в сияние (рис. 2).Пиксели, расположенные на вертикальной стене, не могут быть привязаны к местности с помощью географической проекции, так как высота (Z-измерение) является доминирующей переменной в целевом положении. Кроме того, при визуализации 2D-гиперспектральных данных один пиксель на изображении может примыкать к другому (рис. 4А), тогда как на самом деле точная геолокация двух наблюдаемых поверхностей может находиться на расстоянии десятков метров друг от друга в трех измерениях (рис. 4В). Таким образом, 3D-среда необходима для сохранения содержимого данных HSI. Таким образом, гиперспектральные данные были объединены с фотограмметрическим облаком точек с помощью метода, описанного Thiele et al. (2021). Процедура использует обнаружение и сопоставление признаков SIFT (Lowe, 1999) для определения 3D-местоположения ключевых точек в гиперспектральных данных, которые используются для оценки положения и ориентации камеры (позы) с помощью решателя PnP и обнаружения выбросов RANSAC, реализованных в OpenCV. Данные HSI были спроецированы на плотное облако точек на основе этого предполагаемого положения камеры, чтобы присвоить каждой точке измеренный спектр излучения и создать «гипероблако» (рис. 2) (Lorenz et al., 2018). Это привело к тому, что каждому пикселю были присвоены координаты x, y и z с присоединенными данными о спектре. Чтобы преобразовать данные в отражательную способность, мы используем эмпирическую линейную коррекцию (ELC). Белая опорная цель размещается в поле, близком к обнажению, эти опорные спектры сравниваются с извлеченными спектрами изображений наземных целей для оценки поправочных коэффициентов для каждого канала. Гиперспектральное изображение преобразуется в отражательную способность поверхности путем применения этих поправочных коэффициентов (рис. 2). Угол падения входящего света на неровную поверхность (например, на обнажение горной породы) всегда варьируется. Это приводит к тому, что датчик улавливает различное количество отраженного излучения, что приводит к искажениям сигнала. Углы падения могут быть рассчитаны с помощью 3D-облака точек, а количество выбранного света может быть оценено путем определения текстур поверхности и ориентации обнажения. Кроме того, яркие условия и отражающая природа скал приводят к значительному отражению светового фонаря. Кроме того, на сигнал влияют и другие факторы, такие как эффект соседства (т.е. окружающее освещение). Мы смоделировали вклад солнечного света и спектров светового фонаря для каждого пикселя и компенсировали тени (Thiele et al., 2021). Мы скорректировали сигнал на эти искажения во время процедур топографической коррекции для получения отражательной способности (рис. 2). Эти поправки важны для получения надежного спектра. Разница в спектре между выполнением только at-сенсорных коррекций и дополнительными топографическими коррекциями с коррекцией окружающего шума представлена на рисунке 5. Идентификация особенностей, характерных для минералов, может быть выполнена правильно только при условии точной обработки.

2.2. Спектральный анализ и картирование полезных ископаемых

Геологические приложения оптической спектрометрии используют зависящие от длины волны изменения отражательной способности материала для характеристики и, в идеале, идентификации минеральных фаз (Lorenz, 2019; Laukamp et al., 2021). Диагностические вариации отражательной способности в области спектров VNIR-SWIR вызваны атомными или молекулярными колебаниями и электронными переходами, которые проявляются в виде отличительных особенностей поглощения (Clark, 1999). При исследовании минералов и горных пород наиболее часто наблюдаемые спектральные особенности в этом диапазоне обычно обусловлены ионами металлов, водой и OH-группами (Hunt, 1977). Таким образом, минералы, содержащие Fe₃⁺Фе₂⁺, AlOH, MgOH или FeOH, а также CO₃⁻² Группы, к которым относятся оксиды железа, глины, слюды, хлориты и карбонаты, могут быть картированы с использованием этих областей электромагнитного спектра. Напротив, фундаментальные вибрационные процессы более важны в регионе LWIR, чем обертоны и/или комбинации, наблюдаемые в диапазоне SWIR, и, таким образом, могут быть использованы для идентификации распространенных породообразующих минералов, таких как кварц, полевой шпат, а также листовых силикатов, таких как слюда (Lorenz et al., 2019).

Минеральные смеси и относительные концентрации элементов влияют на характерные спектральные особенности как в области SWIR, так и в области LWIR, что может затруднить прямую интерпретацию. Данные LWIR особенно трудно интерпретировать, так как характерные спектральные особенности в этом диапазоне также сильно зависят от кристалличности, структурной симметрии (например, моноклинной или триклинной), степени упорядоченности (например, упорядочения Si и Al) (Harris et al., 1989; Salje, 1994), ориентацию кристаллов (Tappert et al., 2013) и размер зерен. Эти сложные эффекты делают различие между различными видами минералов в этом регионе довольно сложным, но также подчеркивают значительный объем полезной информации, которая потенциально может быть извлечена, и множество областей, где эти методы могут быть применены.

Гранитные пегматиты в основном состоят из кварца, полевого шпата и слюды (Лондон, 2018 г.), все из которых могут быть идентифицированы в регионе LWIR. Тем не менее, гидротермальные изменения, такие как замена полевого шпата на минералы кукеита и литий-глины, наблюдаемые в Уисе (Marais, 2019), вносят разнообразие минералов, которые лучше всего можно охарактеризовать в диапазоне SWIR. Это оправдывает комбинированный, мультисенсорный подход, который может иметь применение в разведке и промышленном масштабе.

В последнее время наблюдается рост методов машинного обучения, как поверхностных, так и глубоких, в сообществе дистанционного зондирования. Эти подходы требуют больших размеченных наборов данных для обучения алгоритмов классификации. В нашем случае, как и в большинстве геологических приложений, справочные данные по этому конкретному участку недоступны. Для такой привязки потребовались бы маркированные карты минералов в масштабе обнажений, что трудно достижимо. В результате мы применили ряд специальных операций для получения значимых спектральных характеристик на основе предварительных знаний об определяющих спектральных характеристиках ожидаемых минералов, хранящихся в общедоступных библиотеках USGS (Kokaly et al., 2017) и CSIRO (Laukamp et al., 2015). В качестве обучающей выборки мы использовали выборку ручных образцов, извлеченных из карьера, а затем нанесли на карту соответствующие минералы in situ в масштабе обнажения.
Во-первых, положение и глубина диагностических объектов поглощения были картированы путем подгонки нескольких гауссов функций к скорректированным спектрам Халла, охватывающим определенные спектральные диапазоны. Этот метод известен как картирование минимальной длины волны (MWM) (Hecker et al., 2019). Эти оценки положения и глубины объекта были использованы для создания карт в цветовом пространстве HSI, где оттенок определяется положением объекта, а интенсивность (яркость) — глубиной поглощения. Этот метод эффективен на данных с высоким спектральным разрешением, где положение узких объектов поглощения чувствительно к конкретным минеральным составам. Кроме того, были рассчитаны отношения полос. Отношение полос — это деление одного или нескольких спектральных каналов для получения карт относительной интенсивности, чувствительных к градиенту в определенном спектральном диапазоне. Этот метод усиливает специфические спектральные особенности, которые могут быть отнесены к определенным минеральным составам (Mars and Rowan, 2011).

Основные активные минералы SWIR, обнаруженные в кернах, были сравнены с эталонными спектрами, взятыми из библиотеки USGS. Шесть спектров, представляющих основные минералы, активные в диапазоне VNIR-SWIR, были отобраны путем усреднения от 20 до 30 пикселей того же минерала, идентифицированного с помощью MWM. Следует отметить, что смеси этих спектров также присутствуют, так как размер зерен часто намного меньше размера пикселя. Спектральные характеристики соответствующих минералов описаны в приложении. Мы уверены, что сможем картировать монтебразит, кукеит, мусковит и аммонийсодержащие минералы с помощью сенсора SWIR, а кварц, альбит, микроклин, плагиоклаз и ортоклаз — с помощью сенсора LWIR (см. таблицу 3).

Таблица 3. Основные минералы, обнаруженные в пегматитах Уиса и диапазон их характерных спектральных особенностей.


Наконец, деревья принятия решений были созданы с использованием спектральных элементов и элементов, идентифицированных в наборе данных ручной выборки, на основе автоматической кластеризации, и использованы для картирования полезных ископаемых, представляющих интерес, на основе их характерных спектральных характеристик. Этот метод использует древовидную комбинацию пороговых значений для фильтрации набора признаков по определенным классам. Внутренний узел или условия разделения с двумя или более исходами, конечный узел или выход обеспечивают окончательную классификацию. Если каждый слой полностью состоит из бинарных решений (например, истинных или ложных, больше или меньше, чем), то дерево называется бинарным деревом решений ( (Kucheryavskiy, 2018). В нашем случае каждый входной слой состоял из карты объектов, созданной с помощью одного из двух подходящих методов спектральной обработки (например, MWM или соотношения полос). Классификация на основе пикселей основана на системе определения истинности или ложности, которая создает классифицированную карту полезных ископаемых, состоящую из нескольких минералов.

3. Результаты

3.1. Идентификация соответствующих минералов на ручных пробах

Из основного котлована было отобрано восемь репрезентативных проб. Мы выбрали эти образцы, потому что они показывают различные степени минерализации и изменения, обнаруженные в обнаженном пегматите V1V2. Мы наблюдали те же шесть минералов в данных SWIR ручных проб, которые были идентифицированы в данных бурового керна с незначительной вариабельностью (рис. 6). Четко выделены спектры железосодержащих минералов альтерации, монтебразита, мусковита и кукеита (рис. 6А, В, Е и F). Однако в ручных образцах спектр железосодержащего минерала изменения имеет спектральные характеристики, аналогичные спектру лепидолита в библиотеке USGS. Незначительные количества лепидолита были идентифицированы компанией AfriTin в Уисе (Таблица 1).

Спектры аммония, которые мы идентифицировали в образцах рук, немного отличались от спектров аммония, наблюдаемых в кернах. Очевидно, что в кернах буровых скважин присутствуют два типа аммонийсодержащих минералов: один с свойством поглощения AlOH и один без этого свойства (см. Приложение). Однако в образцах рук один из спектров содержал глубокую особенность поглощения AlOH (рис. 6B), в то время как другая также содержала эту особенность, хотя и менее выраженную (рис. 6D). Мы интерпретируем это наблюдение как проблему смешивания; спектры с менее выраженной особенностью AlOH представляют собой комбинацию слюды/глины и аммонийсодержащего полевого шпата.

Эти спектральные особенности, идентифицированные в наборе данных SWIR для образцов, взятых вручную, были использованы в дереве решений для создания карты минералов (рис. 7). Белая слюда (предположительно мусковит) отмечена оранжевым цветом, в то время как литийсодержащие минералы, кукеит и монтебразит, нанесены на карту зеленым и фиолетовым соответственно (рис. 7B). Аммонийсодержащие минералы были картированы темно-синим и светло-синим цветом, в то время как незначительные количества железосодержащих минералов были картированы красным цветом (рис. 7Б). Карта минералов показывает, что наибольшее количество поваретита было картировано в образцах 1, 6 и 8, в то время как образец 4 содержал наибольшее количество монтебразита (рис. 7B).

3.2. Картографирование горных пород

Основываясь на спектральной информации, полученной от ручных образцов и подтвержденных данными бурового керна, мы составили карту всего карьера с использованием полностью скорректированного 3D-гипероблака. Спектры между 1370 нм–1480 нм и 1865 нм–2025 нм данных обнажений не могут быть использованы из-за интенсивной перепечатки, вызванной поправками для устранения эффектов атмосферного поглощения из водяного пара. Таким образом, для картирования различных минералов в основном карьере использовались только особенности поглощения за пределами этих областей (рис. 8). Мы использовали особенность поглощения 2198 нм для картирования появления AlOH зеленым цветом (рис. 8B). Большинство активных минералов SWIR, обнаруженных в пегматите, содержат свойство AlOH. Глубокие особенности AlOH, отмеченные более темно-зеленым цветом, сосредоточены вокруг картируемых декеита и монтебразита (рис. 8B). Мы использовали функцию поглощения на длине волны 1593 нм для картографирования распространенности поверхности кукита (оранжевый) и особенность 1538 нм для картографирования распространенности монтебразита (фиолетовый цвет) (рис. 8C). Как кукеит, так и монтебразит сосредоточены в пространственно локализованных зонах и, по-видимому, не перекрывают друг друга. Диагональные, параллельные плоскости переменной минерализации отчетливо прослеживаются в районах, картированных как кукеит и монтебразит (рис. 8B и C). Это повторяющееся и повсеместное наслоение является косым по отношению к растру изображения и не может быть отнесено к обработке данных. Эти полосы также наблюдаются на данных RGB с высоким разрешением, но не в полной мере.

3.3. Валидация с анализом керна и геохимией ручных проб

Наблюдения с помощью микроскопии тонкого сечения показали, что породы состоят из сложных минеральных ассоциаций. Это указывает на то, что при пространственном разрешении прибора каждый пиксель гиперспектральных изображений представляет собой различные минеральные смеси. Это явление создает смешанные спектральные сигнатуры, в результате чего пиксели с характерными особенностями представляют различные минералы, которые активны в различных частях электромагнитного спектра в областях VNIR, SWIR, а также LWIR. Это очевидно во всех трех наборах данных (керн, ручные образцы и обнажение).
Поскольку точно отличить мусковит от других белых слюд в SWIR сложно, мы сгруппировали белые слюды в один класс, показанный оранжевым цветом (рис. 9A и 10A). Класс cookeite отображается зеленым цветом (рис. 9A и 10A). Минералы, содержащие аммоний, были классифицированы как аммоний-серицит/иллит и буддингтонит и показаны оттенками синего. Незначительные количества железосодержащих минералов и монтебразита показаны красным и фиолетовым цветами соответственно (рис. 8А и 9А). В LWIR мы картировали щелочные полевые шпаты синим и фиолетовым цветом, ортоклаз — светло-голубым, а неуточненные щелочные полевые шпаты — темно-синим цветом (рис. 8C и 9C). Микроклин классифицируется на две группы, одна из которых имеет ярко выраженные особенности, нанесена на карту в темно-синем цвете, а другая с нечеткими особенностями нанесена на карту фиолетовым цветом. Мы классифицировали плагиоклаз по отдельному классу альбитов, картографированному оранжевым цветом и отличаемому от других, неуточненных плагиоклазов желтым. Кварц был разделен на два класса, дифференцируя пиксели с глубокими и неглубокими особенностями поглощения в оттенках зеленого (рис. 9C и 10C). Глубина объекта может использоваться в качестве показателя относительного содержания (Hecker et al., 2019).

Пространственные корреляции между активными минералами SWIR и активными минералами LWIR можно наблюдать на классифицированных картах минералов из боксов 1 и 4 (рис. 9, рис. 10). Из наблюдений за картами дерева принятия решений можно сделать вывод, что кукеит, картографированный в SWIR, пространственно коррелирует с кварцем, картографированным в LWIR (оба показаны зеленым цветом на соответствующих картах на рис. 9A и C; Рис.10А и В). Особенности аммония, картированные в SWIR, показаны синим цветом и пространственно коррелируют с щелочными полевыми шпатами в LWIR, которые также показаны синим/фиолетовым цветом (рис. 9A и C; Рис.10А и В). Белая слюда, картированная в SWIR, показана оранжевым цветом и пространственно коррелирует с альбитом и неуточненным плагиоклазом (рис. 9A и C; Рис.10А и В). Эти ассоциации представляют собой различные типы изменений, обнаруженные по мере того, как первичные пегматитовые минералы постепенно изменяются (и минерализуются).

Контакт между сланцем и пегматитом четко виден во вставке 1 в крайнем левом буровом керне (рис. 9А и 10В). Карта показывает, что сланец содержит высокую долю кварца (рис. 9C). Во вставке 4 показано более высокое содержание кукеита и монтебразита по сравнению со вставкой 1( рис. 9А и 10А). Это согласуется с результатами геохимического анализа, которые показывают, что ячейка 4 содержит большее количество лития, чем ячейка 1. Во вставке 4 было обнаружено больше альбита по отношению к неуказанному плагиоклазу по сравнению с ячейкой 1 (рис. 9C и 10C). Кроме того, на вставке 4 показана меньшая, разрозненная и неоднородная минеральная совокупность в LWIR по сравнению с вставкой 1 (рис. 9C и 10C).

Чтобы проверить картированные литий-содержащие минералы (т.е. кукеит и монтебразит), мы выбрали кусок керна из вставки 4 для точечных измерений с помощью портативного устройства LIBS (рис. 11A). С описанием прибора, его точностью и количественными результатами можно ознакомиться в приложении. Измерения проводились с интервалом 3 мм по 5 профилям, 2 из которых показаны на рис. 11А. 5 выбранных профилей отражают изменчивость минералов в кернах. Выборка 3 мм позволяет нам относительно быстро отображать вариации на коротком расстоянии. Выбранные профили простираются по областям с высоким содержанием кукеита и монтебразита, картированных с помощью MWM.

Измерения LIBS сильно коррелируют с картографированными литий-содержащими минералами. Строки 1 и 2 показали, что там, где мы картировали высокие концентрации кукеита и монтебразита, LIBS измерял от 0,3% до 1% Li. Участки с низкими концентрациями Li-содержащих минералов показали менее 0,09% Li (рис. 11A, см. Приложение). Кроме того, мы использовали лазерную индуцированную флуоресценцию на том же образце. Из-за отсутствия ссылок в литературе мы постулируем, что полевые шпаты люминесцируют синим цветом (картографированы голубым), а кварц — желто-зеленым (картографирован красным) из-за присутствия примесей (например, Fe) при лазерном возбуждении (рис. 11Б). Эти результаты еще раз установили минералогическую сложность пегматитов. Мегакристаллы, которые выглядят как полевые шпаты в RGB, на самом деле являются кластерами, состоящими из очень сложной минеральной совокупности остатков полевого шпата, кварца, слюды и кукеита.

Анализ XRD и ICP-AES был проведен на восьми ручных пробах, взятых из карьера, и использован для проверки спектральной плотности в ручных пробах и кернах бурения. Все образцы содержали большое количество кварца, полевого шпата и мусковита (табл. 4). Распространенность кварца пропорциональна варкеиту (табл. 4). Количество монтебразита в образцах варьируется, и корреляции с другими минералами не наблюдалось.

Таблица 4. Результаты дифрактометрии (оранжевый) и концентрация лития измерены с помощью ICP-AES (зеленый) на ручных образцах, взятых из ямы. Поверхностная распространенность литийсодержащих минералов была оценена по засекреченным гиперспектральным данным и показана синим цветом (см. рис. 7). Номера образцов изображены на рисунке 7.

Мы картировали наибольшее количество монтебразита в образце 4 (рис. 7B), что также было подтверждено результатами рентгенографии (табл. 4). Результаты дерева принятия решений ручной пробы показали значительное количество кукеита, картированного в образце 6 (рис. 7B). Результаты рентгенографии показывают, что наибольшее количество кукерита обнаружено в образце 6 (Таблица 4).

Чтобы оценить точность гиперспектрального картирования, мы сравнили общую распространенность поверхности, рассчитанную с использованием классифицированных данных HSI, с концентрациями Li ICP-AES, измеренными внешним подрядчиком. Существует существенное соответствие между концентрациями Li и расчетным количеством литийсодержащих минералов. Мы также обнаружили значимую корреляцию между содержанием литий-содержащих минералов на поверхности ручного образца и концентрациями в них XRD. Р² коэффициенты между процентами площади поверхности кукеита и монтебразита (рис. 7) и их объемным % по результатам дифрактометра (табл. 4) составляют 0,79 и 0,62 соответственно.

4.      Обсуждение

Это исследование является первым в своем роде, в котором литийсодержащие минералы были непосредственно картированы с помощью гиперспектральной визуализации в открытом карьере. Геологическая информация об рудном теле обычно получается из отчетов о минералах, полученных в результате геологического картирования поверхности, отбора проб и анализа бурового керна. Это, однако, требует времени и не дает полного пространственного представления о залеганиях минералов и отклонениях по открытой протяженности пегматитового тела. Виртуальные модели горных пород предлагают инновационный подход к картированию минерализованных зон в активном карьере, позволяя проводить более безопасные и эффективные исследования, в результате которых получается объективная, геометрически правильная и пространственно непрерывная карта полезных ископаемых. Картографируя таким образом, геологи могут разработать усовершенствованную стратегию отбора проб для дальнейших структурных, геохимических и петрологических исследований.

Этот подход также призван дополнить геологические полевые работы, обеспечивая качественную дискриминацию геологических областей для быстрого управления горными работами в карьере. На основе такого рода данных можно выборочно разрабатывать конкретные участки в пределах пегматита в сочетании с геологическим картированием и поверхностными исследованиями (например, могут быть нацелены на зоны изменения с более высоким содержанием руды). Изменчивость руды (с точки зрения минералогии) также крайне важна для переработки. Приток слюды или глины может серьезно повлиять на перерабатывающий завод. Заблаговременное знание входящей минералогии позволяет металлургам соответствующим образом корректировать процессы разделения и обработки минералов.

В настоящее время для установки оборудования требуется генератор и портативные компьютеры с датчиками весом от 20 до 40 кг. Это делает съемку в удаленных местах без инфраструктуры еще более сложной задачей. Этот вопрос решается в связи с современной тенденцией миниатюризации гиперспектральных сенсоров. Тем не менее, потребуется еще несколько лет, чтобы уменьшить размер датчиков SWIR и LWIR, которые производят данные того же качества, что и имеющиеся в настоящее время датчики, которые будут интегрированы в беспилотные летательные аппараты (БПЛА).

В этом исследовании многомасштабный подход к гиперспектральной визуализации позволил нам составить карту литий-содержащих минералов и их пространственной изменчивости в пегматитах в трех масштабах. Чтобы точно идентифицировать минералы, обнаруженные в пегматитах, мы визуализировали образцы взятых вручную в области SWIR и использовали XRD-анализ тех же образцов в качестве валидации Эти данные были использованы для определения особенностей поглощения, чтобы применить информацию к масштабу горных пород. Мы уверены, что минералы правильно отображены в гиперспектральных данных образцов, полученных вручную, благодаря положительной корреляции между содержанием кукеита и монтебразита на поверхности образцов, полученных с рук, и результатами рентгеновского исследования. Гиперспектральное картирование образцов, взятых вручную, обеспечивает более быструю и дешевую оценку содержания минералов на поверхности, чем рентгеновский анализ. Образцы могут быть отсканированы без какой-либо подготовки, что ускоряет обмен информацией. Кроме того, с помощью гиперспектрального картирования полезных ископаемых мы можем создать непрерывную поверхностную карту полезных ископаемых, которая не требует дополнительной интерполяции.

Нам удалось идентифицировать присутствие аммонийсодержащих минералов с помощью гиперспектральных данных, о которых ранее не сообщалось ни в одной из публикаций и доступных отчетов. Обнаружение аммония с помощью типичных геохимических методов, таких как методы, которые мы применяем, является сложной задачей. Тем не менее, используя HSI, мы можем определить присутствие и пространственное распределение аммония как в кернах, так и в ручных образцах. Присутствие аммония в пегматитах было замечено и описано в нескольких исследованиях (например, Solomon and Rossman, 1988) и может предоставить полезную информацию о типе гидротермальных флюидов, которые могут влиять на минералогию горных пород. Следовые количества ионов аммония (0,7 мол.% замещения NH₄) были идентифицированы по инфракрасным спектрам щелочных полевых шпатов из пегматитов, встречающихся в южной части района Блэк-Хиллз, Южная Дакота (Solomon and Rossman, 1988). Спектроскопические данные указывают на то, что аммоний структурно связан, скорее всего, в М-участке микроклина. Эти результаты указывают на то, что аммоний, вероятно, был компонентом метаморфических жидкостей, присутствующих во время анатексиса метаосадочных пород в южной части района Блэк-Хиллз (Solomon and Rossman, 1988). Эта информация в настоящее время оценивается геологами компании, чтобы лучше понять происхождение различных процессов изменения из-за ее связи с высокими содержаниями Sn и Ta в пегматитах.⁺

Полученные карты минералов являются чисто поверхностными оценками и не могут непосредственно служить количественными концентрациями. Мы использовали существующие спектральные библиотеки (спектральные библиотеки USGS и CSIRO) для точной идентификации минералов в пегматитах. Однако некоторые спектры минералов отсутствуют в этих библиотеках, что затрудняет идентификацию некоторых ожидаемых минералов. В данном исследовании мы не смогли найти монтебразит в существующих спектральных библиотеках, поэтому использовали референсный спектр группы амблигонитов и сравнили его с наблюдениями, сделанными в других исследованиях пегматитов. Тем не менее, это все равно может вызвать путаницу при идентификации определенных минералов. Кроме того, дифференциация между различными полевыми шпатами по-прежнему затруднена из-за уже упомянутой природы спектров в LWIR, а также из-за отсутствия разнообразия спектров полевых шпатов в существующих спектральных библиотеках. Большинство наших оценок по классификации различных полевых шпатов были основаны на исследованиях, в которых изучались изменения в спектрах полевых шпатов, вызванные различными параметрами (например, Salje, 1987; Harris et al., 1989; Salje, 1994;). Существует острая потребность в полных библиотеках минералов от VIS до LWIR, которые также документируют изменчивость спектральных сигнатур в различных формах минералов. В случае долгосрочного мониторинга спектральная библиотека для конкретного участка, разработанная на основе образцов, полученных в этом районе, и проверенная с помощью минералогического анализа, такого как μXRF, EMP или SEM-MLA, приведет к оптимальной классификации минералов.
Проблема с правильной идентификацией минералов в пегматитах может возникнуть из-за сильного наложения из-за гидротермальных изменений и рекристаллизации, которые создают псевдоморфные кристаллические текстуры. RGB показал крупные кристаллические структуры, напоминающие полевой шпат и кварц, которые на самом деле были в значительной степени заменены другими минералами. С помощью гиперспектральной визуализации мы смогли определить состав вторичных минеральных ассоциаций, которые заменили исходные кристаллы. Использование гиперспектрального подхода позволило нам определить минеральную сложность пегматитов в макромасштабе. Как правило, этот тип информации определяется путем исследования тонких срезов с помощью детального картирования, поляризационной световой микроскопии, рентгенофлуоресцентного анализа или электронной микроскопии. Однако этот процесс является трудоемким и трудоемким и может охватывать только небольшие участки ручных образцов или кернов, что сложно применить к пегматитам из-за таких больших размеров кристаллов. Визуализация кернов буровых скважин с помощью SWIR и LWIR послужила для спектральной валидации карт минералов ручного образца и позволила лучше понять минеральные ассоциации в пегматитах. Используя данные VNIR-SWIR и LWIR, мы смогли идентифицировать широкий спектр соответствующих минералов. Мы также создали две карты минералов, на которых различима пространственная корреляция между различными минералами. Нам удалось составить карту степени альбитизации, связанной с более мелкими, разрозненными гетерогенными минералами в кернах (рис. 9C и 10C), что может указывать на более высокую степень изменения гидротермальными флюидами или грейзенизацией. Этот тип информации делает гиперспектральный анализ кернов буровых скважин и ручных проб уникальным в том смысле, что другие типичные геохимические анализы не могут быстро предоставить информацию о распределении минералов в кернах или пространственной корреляции между этими минералами. Кроме того, мы уверены в полученной карте минералов из-за положительной корреляции, наблюдаемой между количеством Li, измеренным LIBS на кернах, и картографированными литийсодержащими минералами.
Сбор наземных гиперспектральных данных в полевых условиях приводит к внешним эффектам, отсутствующим в лабораторных условиях. В нашем случае чрезвычайно яркие условия и очень белая отражающая литология привели к интенсивному спектральному наложению атмосферных особенностей в данных. В результате получился общий зашумленный набор данных с сильно преувеличенными полосами воды, что делало точную идентификацию и картографирование определенных минералов ненадежным. Для улучшения спектров мы использовали корректирующие алгоритмы для устранения или уменьшения радиометрических и геометрических искажений, основанные на работе Lorenz et al. (2018) и Thiele et al. (2021). С помощью улучшенных спектров мы смогли с уверенностью различить две близко расположенные абсорбционные особенности монтебразита на длине волны около 1538 нм и кукиита на длине волны около 1593 нм. Несмотря на существенное улучшение, обеспечиваемое точными поправками, зондирование обнажений по-прежнему затруднено из-за определенных ограничений. Данные гиперспектрального обнажения имеют пиксели со средним размером 8 см. В целом, размеры кристаллов в пегматите варьируются от менее 1 см до 6 см в ширину (с изменением некоторые размеры кристаллов даже меньше), что приводит к смешанным спектральным сигнатурам. Таким образом, карты поверхности минералов показывают относительное обилие минералов кукеита и монтебразита, тесно перемешанных с кварцем и полевым шпатом.

Во многих случаях также важно картировать не только филлосиликаты, но и тектосиликаты и ортосиликаты в самом карьере, для будущих исследований мы рекомендуем использовать инструменты LWIR и SWIR для зондирования обнажений. В случае с Уисом одна из основных проблем заключается в том, что петалит имеет тенденцию спектрально напоминать полевые шпаты, и идентифицировать петалит в ручных образцах или забоях ям очень сложно. Даже в масштабах тонкого сечения оптические свойства петалита идентичны полевым шпатам, когда не наблюдается заметной спайности. Таким образом, методы, описанные в данном исследовании, могут значительно помочь в идентификации петалита при условии наличия эталонного спектра. Данные HSI также могут помочь в изучении генезиса месторождений, поскольку они предоставляют карты минералов и, таким образом, выделяют потенциальные пространственные характеристики. В случае с Уисом карты минералов отображают очень сильные полосы. Ориентация наблюдаемых слоев субпараллельна простиранию пегматитового тела. Эти структуры наблюдались ранее и отмечены в Marais (2019). Слоистые аплиты и грейзены также имеют аналогичную ориентацию, что позволяет предположить, что пути и зоны изменения флюида предпочтительно локализованы вдоль внутренней полосчатой структуры пегматита, что, возможно, также указывает на множественные магматические импульсы и структурный режим, одинаковый на протяжении всего гидравлического разрыва пласта во время растворения Sn-минерализующейся водной фазы.

5. Заключение и перспективы

В этом исследовании мы использовали многомасштабный гиперспектральный подход к визуализации для картирования литийсодержащих минералов и их пространственного распределения в пегматитах в трех масштабах. Нам удалось создать геометрически правильную и пространственно непрерывную 3D-карту минералов основного карьера. Мы показали важность точной обработки в 3D-пространстве и смогли напрямую картировать литийсодержащие минералы в обнажениях с помощью гиперспектральной визуализации. Описанные здесь процедуры могут быть легко адаптированы к любому рудному минералу, непосредственно наблюдаемому по данным отражения, или выведены с помощью ассоциаций минералов-первопроходцев. Ключ к успеху кроется в точных геометрических и спектральных поправках. Таким образом, мы продемонстрировали, что, несмотря на некоторые ограничения, HSI может быть ценным активом для разведки и оптимизации добычи многих сырьевых товаров. Следующим шагом будет включение временной составляющей, а также предоставление 4D-моделей с помощью повторных сборов данных и обработки в режиме реального времени, которые позволят отслеживать эволюцию геологической или экологической цели. Это особенно интересно для оценки экологических проблем, которые имеют высокую временную изменчивость, таких как кислотный дренаж шахт или прорыв дамбы хвостохранилища.

Декларация о конкурирующих интересах
Авторы заявляют об отсутствии конфликта интересов.

Подтверждения

Мы выражаем благодарность Центру им. Гельмгольца в Дрездене-Россендорфе, Институту ресурсных технологий им. Гельмгольца во Фрайберге, а также Университету Витватерсранда и Центру передового опыта (CoE) DSI-NRF по комплексному анализу минеральных и энергетических ресурсов (DSI-NRF CIMERA) за поддержку и финансирование этого проекта. Высказанные мнения и сделанные выводы принадлежат авторам и не обязательно должны быть отнесены к Совету Европы. Мы благодарим компанию AfriTin за поддержку во время полевых работ и за предоставленный нам доступ к руднику. Мы также хотели бы поблагодарить команду AfriTin за предоставленную геологическую информацию и геохимические данные, которые помогли в этом исследовании.

Заявление автора об авторе

Все авторы внесли свой вклад в исследование, сбор и обработку данных, а также написание данной рукописи.

Приложение А. Приложение

A.1. Идентификация ключевых полезных ископаемых

Мы использовали конкретные спектральные характеристики для картирования соответствующих минералов, обнаруженных на руднике Уис (рис. 12, рис. 13). Мы идентифицировали шесть первичных активных минералов SWIR в кернах и сравнили их со спектрами библиотеки USGS. Спектры от кернов представляют собой в среднем от 20 до 30 пикселей одного и того же минерала (рис. 12). В образцах керна был обнаружен железосодержащий минерал в незначительных количествах (называемый железосодержащим минералом изменения; Рис.12А) на основе диагностических спектральных особенностей ВНИР, вызванных характерными электронными процессами с участием трехвалентного (Fe3+) и/или двухвалентного (Fe2+) железа (Crowley et al., 2003). Диагностическая спектральная особенность проявляется в виде одного или двух пиков около 600 нм и 900 нм, за которыми следует широкий объект с центром около 1000 нм. Положение пиков и широкой впадины может быть использовано для определения конкретных минеральных видов. Таким образом, этот железосодержащий минерал был картирован с использованием соотношения полос между 733 и 922 нм.

Мы идентифицировали аммонийсодержащие минералы на основе отличительных особенностей поглощения, связанных с NH4+ на длинах волн 2005 нм и 2120 нм (рис. 12 B и D) (Simpson, 2015), и обнаружили, что в кернах присутствуют два типа аммонийсодержащих минералов: один с свойством поглощения AlOH на длине волны 2192 нм, который мы связываем со слюдой (рис. 12B), а другой без. вероятно, это буддингтонит (рис. 12D). Эти два минерала были картированы путем идентификации особенностей NH4+ на картах с минимальной длиной волны и наличия/отсутствия особенности AlOH.

Основываясь на нашем анализе и наблюдениях Cardoso-Fernandes et al. (2018), монтебразит (минерал амблигонитовой группы) и кукеит демонстрируют отличительные особенности поглощения в диапазоне от 1500 нм до 2000 нм, а также поглощения, связанные со связями AlOH и MgOH (рис. 12C и F). Монтебразит может быть идентифицирован на основе его отличительных особенностей на длине волны около 1538 нм, 1766 нм, 1850 г., а также по особенностям поглощения AlOH (2189 нм) и MgOH (2378 нм) (рис. 12C). Аналогичным образом, кукеит может быть однозначно идентифицирован с помощью положений его характерных особенностей поглощения на длинах волн 1593 нм и 1839 нм (рис. 12F). Таким образом, для картографирования монтебразита мы использовали дискриминирующий признак на длине волны 1538 нм и его особенности AlOH и MgOH. Чтобы составить карту кукеита, мы использовали как дискриминирующие особенности поглощения на длинах волн 1593 нм и 1839 нм, так и особенность AlOH. MWM было достаточно для картографирования кукеита и монтебразита, без каких-либо сомнений, поскольку выбранные особенности очень характерны.

Московит был идентифицирован по характерной для него абсорбции AlOH на длине волны 2192 нм и характерной широкой водопоглощающей способности на длине волны 2000 нм (рис. 12E) (Beran, 2002; Scott and Yang, 1997). Следовательно, спектры, содержащие свойство AlOH, но не связанные с другими минералами, были охарактеризованы как мусковитные.

Мы идентифицировали шесть первичных активных минералов LWIR в кернах и сравнили их со спектрами библиотеки CSIRO (когда это возможно). Спектры от кернов представляют собой в среднем от 20 до 30 пикселей одного и того же минерала (рис. 13). Основными идентифицированными породообразующими минералами являются кварц и множественные полевые шпаты. Нам удалось идентифицировать концевые элементы полевого шпата, присутствующие в кернах (т.е. альбит, микроклин и ортоклаз), в то время как другие виды были без разбора описаны как плагиоклазовые или щелочные полевые шпаты. Там, где это было возможно, идентифицированные спектры сравнивали с эталонными спектрами, полученными из спектральной библиотеки CSIRO (рис. 13A, C и E). Как упоминалось ранее, положения удельных пиков отражения и интенсивности спектров минералов в области LWIR являются переменными. Таким образом, мы основывали наше отображение не только на положениях минимумов и максимумов, но и на относительной разнице отражений между репрезентативными локальными максимумами и минимумами. Мы идентифицировали кварц на основе его двух характерных пиков между 8000 нм и 9500 нм (Tappert et al., 2013) и составили карту его пространственного распределения, выбрав спектры с одним характеристическим спектральным минимумом, встречающимся около 8620 нм (рис. 13A).

Основываясь на нашем собственном анализе и наблюдениях, сделанных Hecker et al. (2010), микроклин может демонстрировать три характерных пика отражения в диапазоне от 9000 нм до 10 000 нм (рис. 13C). Для картографирования микроклинали были выбраны пиксели, содержащие спектральные минимумы на длинах волн 9340 нм и 9655 нм между тремя пиками и не содержащие других минимумов. Наблюдения Salje (1994) и Mauger et al. (2016) показывают, что альбит можно идентифицировать по двум характерным пикам отражательной способности между 9200 нм и 10 000 нм, причем первый пик на 9655 нм обычно выше, чем второй пик на 9975 нм (рис. 13E). Для того, чтобы составить карту альбита, мы предлагаем использовать положение минимума между этими двумя пиками на 9790 нм, а также отношение полос для определения взаимосвязи между пиками.

Мы обнаружили, что три других основных репрезентативных спектра в диапазоне LWIR было сложнее классифицировать. Основываясь на наблюдениях Harris et al. (1989), щелочные полевые шпаты могут демонстрировать два пика отражательной способности между 8500 нм и 10 000 нм, с локальным минимумом примерно в 9000 нм. При этом первый пик отражения значительно меньше второго, более широкого пика (рис. 13B). Чтобы составить карту щелочных полевых шпатов, мы определили локальный минимум на 8885 нм, а также использовали отношение полос для определения соотношения высот между двумя пиками на 8706 нм и 9518 нм.

Наблюдения, проведенные Mauger et al. (2016), показали, что ортоклаз может иметь два широких пика отражательной способности между 8000 нм и 10 000 нм, причем первый пик немного ниже второго (рис. 13D). Локальный минимум между двумя пиками, около 9000 морских миль, также относительно широк. Мы использовали положение локального минимума в сочетании с зонным отношением для определения разницы между интенсивностями двух пиков для картирования ортоклаза. Плагиоклаз может демонстрировать множественные, более узкие пики отражения в диапазоне от 8000 нм до 10 000 нм (рис. 13F) (Salje, 1987). Мы использовали локальные минимумы на длинах волн 9792 нм, 8975 нм и 8620 нм для картирования плагиоклаза.

А.2. Валидация картированных литийсодержащих минералов с помощью LIBS

Мы использовали портативный анализатор SciAps Z-300 LIBS для валидации картированных литийсодержащих минералов в гиперспектральных результатах. Портативный анализатор измеряет диапазон от 190 до 950 нм и может достигать пределов обнаружения от 2 до 5 ppm для измерений лития (SciAps Inc., 2019). В таблице 5 приведены результаты измеренных точек, указанных на рис. 11А.

Таблица 5. Измерения LIBS каждой точки в строках 1 (синий) и 2 (зеленый) на рис. 11 А (номера точек указаны слева направо в каждой строке). В таблице указано измеренное количество Li в %, а также степень погрешности для каждого измерения.

Ссылки

1. AfriTin Mining Ltd., 2019

AfriTin Mining Ltd.
Maiden JORC resource at Uis
Alternative Metal Market, London Stock Exchange (2019)
RNS number: 3635M
Google Scholar

2. Ali et al., 2017
S.H. Ali, D. Giurco, N. Arndt, E. Nickless, G. Brown, A. Demetriades, R. Durrheim, M.A. Enriquez, J. Kinnaird, A. Littleboy, L.D. Meinert
Mineral supply for sustainable development requires resource governance
Nature, 543 (7645) (2017), pp. 367-372
View at publisherCrossrefView in ScopusGoogle Schola

3.Ashworth et al., 2018
L. Ashworth, J.A. Kinnaird, P.A.M. Nex, R.M. Erasmus, W.J. Przybylowicz
Characterization of fluid inclusions from mineralized pegmatites of the Damara belt, Namibia: insight into late-stage fluid evolution and implications for mineralization
Mineral. Petrol., 112 (2018), pp. 753-765
View at publisherCrossrefView in ScopusGoogle Scholar

4.Beran, 2002
A. Beran
Infrared spectroscopy of micas
Rev. Mineral. Geochem., 46 (1) (2002), pp. 351-369
View at publisherCrossrefGoogle Scholar

5.Boesche et al., 2015
N.K. Boesche, C. Rogass, C. Lubitz, M. Brell, S. Herrmann, C. Mielke, S. Tonn, O. Appelt, U. Altenberger, H. Kaufmann
Hyperspectral REE (rare earth element) mapping of outcrops—applications for neodymium detection
Remote Sens., 7 (5) (2015), pp. 5160-5186
CrossrefView in ScopusGoogle Scholar

6.Booysen et al., 2020
R. Booysen, R. Jackisch, S. Lorenz, R. Zimmermann, M. Kirsch, P.A.M. Nex, R. Gloaguen
Detection of REEs with lightweight UAV-based hyperspectral imaging
Sci. Rep., 10 (1) (2020), pp. 1-12
Google Scholar

7.Buckley et al., 2013
S.J. Buckley, T.H. Kurz, J.A. Howell, D. Schneider
Terrestrial lidar and hyperspectral data fusion products for geological outcrop analysis
Comput. Geosci., 54 (2013), pp. 249-258
View PDFView articleView in ScopusGoogle Scholar

8.Cardoso-Fernandes et al., 2018
J. Cardoso-Fernandes, A. Lima, A.C. Teodoro
Potential of Sentinel-2 data in the detection of lithium (Li)-bearing pegmatites: a study case
Earth Resources and Environmental Remote Sensing/GIS Applications IX, vol. 10790, International Society for Optics and Photonics (2018, October), p. 107900T
View in ScopusGoogle Scholar

9.Cardoso-Fernandes et al., 2020a
J. Cardoso-Fernandes, A.C. Teodoro, A. Lima, C. Mielke, F. Körting, E. Roda-Robles, J. Cauzid
Multi-scale approach using remote sensing techniques for lithium pegmatite exploration: first results
IGARSS 2020–2020 IEEE International Geoscience and Remote Sensing Symposium, IEEE (2020), pp. 5226-5229
CrossrefView in ScopusGoogle Scholar

10.Cardoso-Fernandes et al., 2020b
J. Cardoso-Fernandes, A.C. Teodoro, A. Lima, M. Perrotta, E. Roda-Robles
Detecting Lithium (Li) mineralizations from space: current research and future perspectives
Appl. Sci., 10 (5) (2020), p. 1785
CrossrefView in ScopusGoogle Scholar

11.Carrivick et al., 2016
J.L. Carrivick, M.W. Smith, D.J. Quincey
Structure from Motion in the Geosciences
John Wiley & Sons (2016)
Google Scholar

12.Clark, 1999
R.N. Clark
Spectroscopy of rocks and minerals, and principles of spectroscopy
Man. Remote Sens., 3 (3–58) (1999), p. 2
Google Scholar

13.Crowley et al., 2003
J.K. Crowley, D.E. Williams, J.M. Hammarstrom, N. Piatak, I.M. Chou, J.C. Mars
Spectral reflectance properties (0.4–2.5 μm) of secondary Fe-oxide, Fe-hydroxide, and Fe-sulphate-hydrate minerals associated with sulphide-bearing mine wastes
Geochemistry, 3 (3) (2003), pp. 219-228
CrossrefView in ScopusGoogle Scholar

14.Diehl, 1993
B.T.M. Diehl
Rare metal pegmatites of the Cape Cross – Uis pegmatite belt, Namibia: geology, mineralisation, rubidium-strontium characteristics and petrogenesis
J. Afr. Earth Sci., 17 (1993), pp. 167-181
View in ScopusGoogle Scholar

15.EU Commission, 2020
EU Commission
Study on the EU’s List of Critical Raw Materials – Final Report
European Commission, Brussels, Belgium (2020)
Google Scholar

16.Fuchsloch et al., 2018
W.C. Fuchsloch, P.A.M. Nex, J.A. Kinnaird
Classification, mineralogical and geochemical variations in pegmatites of the Cape Cross – Uis pegmatite belt, Namibia
Lithos, 296-299 (2018), pp. 79-95
View PDFView articleView in ScopusGoogle Scholar

17.Fuchsloch et al., 2019a
W.C. Fuchsloch, P.A.M. Nex, J.A. Kinnaird
The geochemical evolution of the Nb-Ta-Sn oxides from pegmatites of the Cape Cross-Uis pegmatite belt, Namibia
Miner. Mag., 86 (2019), pp. 161-179
CrossrefView in ScopusGoogle Scholar

18.Fuchsloch et al., 2019b
W.C. Fuchsloch, T. Marais, J.A. Kinnaird, P.A.M. Nex
Characterisation of one of Africa’s Giants: the V1-V2 pegmatite, Uis, Namibia
Can. Mineral., 57 (2019), pp. 737-740
CrossrefView in ScopusGoogle Scholar

19.Gandhi and Sarkar, 2016
S.M. Gandhi, B.C. Sarkar
Essentials of Mineral Exploration and Evaluation
Elsevier (2016)
Google Scholar

20.Harris et al., 1989
M.J. Harris, E.K. Salje, B.K. Guttler, M.A. Carpenter
Structural states of natural potassium feldspar: an infrared spectroscopic study
Phys. Chem. Miner., 16 (7) (1989), pp. 649-658
View in ScopusGoogle Scholar

21.Hecker et al., 2010
C. Hecker, M. Van der Meijde, F.D. Van der Meer
Thermal infrared spectroscopy on feldspars—successes, limitations and their implications for remote sensing
Earth Sci. Rev., 103 (1–2) (2010), pp. 60-70
View PDFView articleView in ScopusGoogle Scholar

22.Hecker et al., 2019
C. Hecker, F.J. van Ruitenbeek, W.H. Bakker, B.J. Fagbohun, D. Riley, H.M. van der Werff, F.D. van der Meer
Mapping the wavelength position of mineral features in hyperspectral thermal infrared data
Int. J. Appl. Earth Obs. Geoinf., 79 (2019), pp. 133-140
View PDFView articleView in ScopusGoogle Scholar

23.Heredia et al., 2020
F. Heredia, A.L. Martinez, V. Surraco Urtubey
The importance of lithium for achieving a low-carbon future: overview of the lithium extraction in the ‘Lithium Triangle’
J. Energy Nat. Resourc. Law, 38 (3) (2020), pp. 213-236
CrossrefView in ScopusGoogle Scholar

24.Hunt, 1977
G.R. Hunt
Spectral signatures of particulate minerals in the visible and near infrared
Geophysics, 42 (3) (1977), pp. 501-513
View in ScopusGoogle Scholar

25.Jakob et al., 2017
S. Jakob, R. Zimmermann, R. Gloaguen
The need for accurate geometric and radiometric corrections of drone-borne hyperspectral data for mineral exploration: Mephysto—A toolbox for pre-processing drone-borne hyperspectral data
Rem. Sens., 9 (1) (2017), p. 88
View at publisherCrossrefView in ScopusGoogle Scholar

26.James et al., 2017
M.R. James, S. Robson, S. D’Oleire-Oltmanns, U. Niethammer
Optimising UAV topographic surveys processed with structure-from-motion: ground control quality, quantity and bundle adjustment
Geomorphology, 280 (2017), pp. 51-66
View PDFView articleView in ScopusGoogle Scholar

27.Kirsch et al., 2018
M. Kirsch, S. Lorenz, R. Zimmermann, L. Tusa, R. Möckel, P. Hödl, R. Booysen, M. Khodadadzadeh, R. Gloaguen
Integration of terrestrial and drone-borne hyperspectral and photogrammetric sensing methods for exploration mapping and mining monitoring
Rem. Sens., 10 (9) (2018), p. 1366
View at publisherCrossrefView in ScopusGoogle Scholar

28.Kokaly et al., 2017
R.F. Kokaly, R.N. Clark, G.A. Swayze, K.E. Livo, T.M. Hoefen, N.C. Pearson, R.A. Wise, W.M. Benzel, H.A. Lowers, R.L. Driscoll, A.J. Klein
USGS Spectral Library Version 7
U.S. Geological Survey Data Series 1035 (2017), p. 61, 10.3133/ds1035
View at publisherGoogle Scholar

29.Krupnik and Khan, 2019
D. Krupnik, S. Khan
Close-range, ground-based hyperspectral imaging for mining applications at various scales: review and case studies
Earth Sci. Rev., 198 (2019), p. 102952
View PDFView articleView in ScopusGoogle Scholar

30.Krupnik et al., 2016
D. Krupnik, S. Khan, U. Okyay, P. Hartzell, H.W. Zhou
Study of Upper Albian rudist buildups in the Edwards Formation using ground-based hyperspectral imaging and terrestrial laser scanning
Sediment. Geol., 345 (2016), pp. 154-167
View PDFView articleView in ScopusGoogle Scholar

31.Kruse et al., 2003
F.A. Kruse, J.W. Boardman, J.F. Huntington
Comparison of airborne hyperspectral data and EO-1 Hyperion for mineral mapping
IEEE Trans. Geosci. Remote Sens., 41 (6) (2003), pp. 1388-1400
View in ScopusGoogle Scholar

32.Kucheryavskiy, 2018
S. Kucheryavskiy
Analysis of NIR spectroscopic data using decision trees and their ensembles
J. Anal. Test., 2 (3) (2018), pp. 274-289
CrossrefView in ScopusGoogle Scholar

33.Kurz et al., 2013
T.H. Kurz, S.J. Buckley, J.A. Howell
Close-range hyperspectral imaging for geological field studies: workflow and methods
Int. J. Remote Sens., 34 (5) (2013), pp. 1798-1822
CrossrefView in ScopusGoogle Scholar

34.Laukamp et al., 2015
C. Laukamp, I.C. Lau, P. Mason, P. Warren, J. Huntington, A. Green, L. Whitbourn, W. Wright, P. Connor
CSIRO Thermal infrared Spectral Library – Evaluation and status report, July 2015
(2015)
Google Scholar

35.Laukamp et al., 2021
C. Laukamp, A. Rodger, M. LeGras, H. Lampinen, I.C. Lau, B. Pejcic, J. Stromberg, N. Francis, E. Ramanaidou
Mineral physicochemistry underlying feature-based extraction of mineral abundance and composition from shortwave, mid and thermal infrared reflectance spectra
Minerals, 11 (4) (2021), p. 347
CrossrefView in ScopusGoogle Scholar

36.London, 2018
D. London
Ore-forming processes within granitic pegmatites
Ore Geol. Rev., 101 (2018), pp. 349-383
View PDFView articleView in ScopusGoogle Scholar

37.Lorenz, 2019
S. Lorenz
The Need for Accurate Pre-processing Data Integration for the Application of Hyperspectral Imaging in Mineral Exploration
PhD thesis
Technische Universitat Bergakadamie Freiberg, Germany (2019), p. 163
Google Scholar

38.Lorenz et al., 2018
S. Lorenz, S. Salehi, M. Kirsch, R. Zimmermann, G. Unger, E. Vest Sørensen, R. Gloaguen
Radiometric correction and 3D integration of long-range ground-based hyperspectral imagery for mineral exploration of vertical outcrops
Rem. Sens., 10 (2) (2018), p. 176
CrossrefView in ScopusGoogle Scholar

39.Lorenz et al., 2019
S. Lorenz, P. Seidel, P. Ghamisi, R. Zimmermann, L. Tusa, M. Khodadadzadeh, I.C. Contreras, R. Gloaguen
Multi-sensor spectral imaging of geological samples: a data fusion approach using spatio-spectral feature extraction
Sensors, 19 (12) (2019), p. 2787
CrossrefView in ScopusGoogle Scholar

40.Lowe, 1999
D.G. Lowe
Object recognition from local scale-invariant features
Proceedings of the Seventh IEEE International Conference on Computer Vision, vol. 2, IEEE (1999, September), pp. 1150-1157
View in ScopusGoogle Scholar

41.Marais, 2019
T. Marais
The Uis Pegmatites: Morphology, Mineralisation and Distribution, with an Emphasis on the V1 and V2 Intrusions
MSc
University of the Witwatersrand (2019), p. 61
Google Scholar

42.Mars and Rowan, 2011
J.C. Mars, L.C. Rowan
ASTER spectral analysis and lithologic mapping of the Khanneshin carbonatite volcano, Afghanistan
Geosphere, 7 (1) (2011), pp. 276-289
View in ScopusGoogle Scholar

43.Mauger et al., 2016
A.J. Mauger, K. Ehrig, A. Kontonikas-Charos, C.L. Ciobanu, N.J. Cook, V.S. Kamenetsky
Alteration at the Olympic Dam IOCG–U deposit: insights into distal to proximal feldspar and phyllosilicate chemistry from infrared reflectance spectroscopy
Aust. J. Earth Sci., 63 (8) (2016), pp. 959-972
View in ScopusGoogle Scholar

44.Momose et al., 2011
A. Momose, S. Miyatake, Y. Arvelyna, A. Nguno, K. Mhopjeni, M. Sibeso, A. Muyongo, E. Muvangua
Mapping pegmatite using HyMap data in southern Namibia
2011 IEEE International Geoscience and Remote Sensing Symposium, IEEE (2011, July), pp. 2216-2217
CrossrefView in ScopusGoogle Scholar

45.Richards, 1986
T.E. Richards
Geological characteristics of rare-metal pegmatites of the Uis type in the Damara orogen, South West Africa/Namibia
Mineral Deposits of Southern Africa, 2 (1986), pp. 1845-1862
Google Scholar

46.Salje, 1987
E. Salje
Thermodynamics of plagioclases I: Theory of the I1¯−P1¯ phase transition in anorthite and Ca-rich plagioclases
Phys. Chem. Miner., 14 (2) (1987), pp. 181-188
View in ScopusGoogle Scholar

47.Salje, 1994
E.K.H. Salje
Phase transitions and vibrational spectroscopy in feldspars
Feldspars and their Reactions, Springer, Dordrecht. (1994), pp. 103-160
CrossrefGoogle Scholar

48.SciAps Inc., 2019
SciAps Inc.
Z-300 LIBS Analyzer
Accessed on 29.09.2021. URL:
https://sciaps.com/libs-handheld-laser-analyzers/z-300/ (2019)
Google Scholar

49.Scott and Yang, 1997
K.M. Scott, K. Yang
Spectral reflectance studies of white micas
439, Australian Mineral Industries Research Association Ltd. Report (1997), p. 35
Google Scholar

50.Simpson, 2015
M.P. Simpson
Reflectance spectrometry (SWIR) of alteration minerals surrounding the Favona epithermal vein, Waihi vein system, Hauraki Goldfield
Proceedings of the AusIMM New Zealand Branch Annual Conference, Dunedin, New Zealand (2015, August), pp. 490-499
Google Scholar

51.Snyder et al., 2016
C.J. Snyder, S.D. Khan, J.P. Bhattacharya, C. Glennie, D. Seepersad
Thin-bedded reservoir analogs in an ancient delta using terrestrial laser scanner and high-resolution ground-based hyperspectral cameras
Sediment. Geol., 342 (2016), pp. 154-164
View PDFView articleView in ScopusGoogle Scholar

52.Solomon and Rossman, 1988
G.C. Solomon, G.R. Rossman
NH₄⁺ in pegmatitic feldspars from the southern Black Hills, South Dakota
Am. Mineral., 73 (7–8) (1988), pp. 818-821
Google Scholar

53.Tappert et al., 2013
M.C. Tappert, B. Rivard, R. Tappert, J. Feng
Using reflectance spectroscopy to estimate the orientation of quartz crystals in rocks
Can. Mineral., 51 (3) (2013), pp. 405-413
View at publisherCrossrefView in ScopusGoogle Scholar

54.Thiele et al., 2021
S.T. Thiele, S. Lorenz, M. Kirsch, I.C. Contreras Acosta, L. Tusa, E. Herrmann, R. Möckel, R. Gloaguen
Multi-scale, multi-sensor data integration for automated 3-D geological mapping
Ore Geol. Rev., 136 (2021), p. 104252
View PDFView articleView in ScopusGoogle Scholar