Гиперспектральная съемка редкоземельных элементов с дрона: на примере месторождения Birthday Stock в Маунтин-Пасс и карьера Sulphide Queen Mine Pit, Калифорния

MuhammadQasim1,ShuhabD.Khan1,* ,Virginia Sisson 1, Presley Greer 1, Lin Xia 2 and Nicole Franco 2, Unal Okyay 3

1 Department of Earth and Atmospheric Sciences, University of Houston, Houston, TX 77204, USA; mqasim@cougarnet.uh.edu (M.Q.)
2  MPMaterials, Las Vegas, NV 89135, USA
3 Cobb, Fendley & Associates, Inc., Houston, TX 77040, USA

* Correspondence: sdkhan@uh.edu; Tel.: +1-713-743-5404

Remote Sens. 2024, 16(17), 3353; https://doi.org/10.3390/rs16173353

Аннотация

С приближением XXI века спрос на редкоземельные элементы (РЗЭ) растет, что требует более надежных методов разведки. Наша исследовательская группа использует гиперспектральное дистанционное зондирование в качестве инструмента для картирования РЗЭ. Уникальные спектральные особенности минерала бастнезит оказались эффективными для обнаружения РЗЭ как с помощью космических, так и воздушных данных. В нашем исследовании мы собрали гиперспектральные данные с помощью гиперспектральной камеры Senop в полевых условиях и гиперспектральной камеры SPECIM в лабораторных условиях. Данные, собранные в районе Маунтин-Пасс в Калифорнии, выявили зоны, богатые бастнезитом, и предоставили подробную информацию о распределении бастнезита в породах. Дальнейший анализ выявил конкретные зерна породы, богатые бастнезитом. Наши результаты показали более высокую концентрацию бастнезита в карбонатитовых породах по сравнению со щелочными магматическими породами.

Кроме того, породы из рудника Sulphide Queen показали более высокую концентрацию бастнезита, чем из шонкинитового запаса Birthday. Результаты были подтверждены с помощью исследований тонкого среза и геохимических данных, подтверждающих надежность различных гиперспектральных модальностей данных. Это исследование демонстрирует потенциал технологии гиперспектральной съемки на основе дронов в дополнении традиционных методов картирования минералов и помощи горнодобывающей промышленности в принятии обоснованных решений об эффективной и действенной добыче РЗЭ. Ключевые слова: редкоземельные элементы; индекс бастнезита; горный перевал; запас шонкинита Birthday; рудник Sulphide Queen; беспилотный летательный аппарат; гиперспектральное дистанционное зондирование

1. Введение

Редкоземельные элементы (РЗЭ) — это металлические элементы, обладающие уникальными физическими и химическими свойствами. Они не только необходимы, но и критически важны для нашего выживания, успеха и роста в 21 веке, поскольку они используются во многих высокотехнологичных устройствах, автомобильной, аэрокосмической, ветроэнергетической и ИТ-технологиях будущего [1,2,3,4,5,6]. РЗЭ, такие как неодим (Nd), празеодим (Pr) и диспрозий (Dy), используются для изготовления мощных постоянных магнитов. Эти магниты используются в зеленой энергетике будущего, такой как беспилотники, поезда на магнитной подушке, электромобили, энергоэффективные компьютеры, ветряные турбины и т. д. [7,8]. Они также имеют решающее значение для национальной обороны в электронных дисплеях, системах наведения, лазерах, а также радиолокационных и гидроакустических системах [9,10]. РЗЭ, такие как Nd, европий (Eu) и тербий (Tb), являются компонентами смартфонов и компьютеров. Некоторые РЗЭ, такие как церий (Ce), лантан (La) и иттрий (Y), также используются для изготовления электронных компонентов, таких как конденсаторы, резисторы, транзисторы и светодиоды [11].

Из-за их важности во многих приложениях спрос на РЗЭ со временем увеличивается [6,12,13]. Китай доминирует в мировом предложении и спросе на РЗЭ, поскольку самые значительные запасы РЗЭ находятся в Китае, на долю которого приходится более 90% мирового производства [12,14]. Геологическая служба США (USGS) сообщила о нескольких месторождениях РЗЭ в США: округ Беар-Лодж в Вайоминге, комплекс Бокан-Маунтин на Аляске, месторождение Айрон-Хилл в Колорадо, округ Лемхи-Пасс в Айдахо и Монтане и месторождение Пи-Ридж в Миссури. Однако не все эти месторождения были экономически освоены или разрабатывались, поскольку они сталкиваются с различными проблемами, такими как низкие концентрации, сложная минералогия и воздействие на окружающую среду. Поэтому Соединенные Штаты по-прежнему в значительной степени зависят от импорта РЗЭ из других стран, особенно из Китая. Крупнейшим и самым известным рудником РЗЭ в США является рудник Sulphide Queen в районе Маунтин-Пасс, Калифорния, который вновь открылся в 2017 году после того, как был закрыт в течение нескольких лет по ряду причин [15,16,17,18]. Из-за стратегической ценности и ограниченного предложения РЗЭ Геологическая служба США отнесла их к категории критически важных минералов в 2018 году. Другие страны, включая США, пытаются диверсифицировать свои источники и снизить зависимость от Китая. Опора исключительно на один источник РЗЭ может привести к нестабильности рынка и сбоям в цепочке поставок, создавая критическую уязвимость для отраслей, которые лежат в основе экономического процветания стран с низким производством РЗЭ.

РЗЭ названы «редкими» не потому, что они редко встречаются в земной коре. Их сложно и дорого отделить от природных источников [19]. Другими словами, их месторождения, имеющие экономическую ценность, редки и требуют критических условий для обогащения РЗЭ. Существуют некоторые существенные проблемы при добыче РЗЭ, поскольку они часто встречаются в низких концентрациях и смешаны с другими элементами, что делает их извлечение и разделение сложным и дорогостоящим. Добыча РЗЭ приводит к образованию большого количества токсичных отходов, которые могут загрязнять почву, воду и воздух [20,21,22], нанося вред здоровью и средствам к существованию местных сообществ и дикой природы. Однако существуют также возможности для инноваций и улучшений. Например, некоторые исследователи изучают альтернативные методы разведки и извлечения РЗЭ из вмещающей породы, такие как биовыщелачивание, экстракция растворителем и ионный обмен, которые могут снизить воздействие на окружающую среду и повысить эффективность добычи РЗЭ [23,24,25].

Дистанционное зондирование — это мощный и эффективный метод, который использует датчики для измерения электромагнитного излучения, отраженного или испускаемого объектами на поверхности Земли, и широко применяется для изучения различных природных явлений [26,27,28,29,30,31]. В горнодобывающей промышленности дистанционное зондирование обеспечивает точные, своевременные и всеобъемлющие данные, которые могут поддерживать планирование, управление и оценку горнодобывающей деятельности, а также смягчение экологических и социальных последствий [32,33,34,35,36]. Дистанционное зондирование может обнаруживать РЗЭ, анализируя их спектральные сигнатуры, которые являются характерными моделями поглощения и испускания света на разных длинах волн в видимой ближней инфракрасной (VNIR) части электромагнитного спектра. Например, Nd имеет отличительные спектральные особенности при ~560 нм, ~745 нм, ~800 нм и ~966 нм [37,38] (рисунок 1). Однако дистанционное зондирование РЗЭ сталкивается с некоторыми проблемами, такими как низкие концентрации, сложная минералогия и помехи от других элементов. Поэтому дистанционное зондирование РЗЭ требует гиперспектральных датчиков высокого разрешения, передовых методов обработки данных и проверки наземных данных. Установлено, что РЗЭ в концентрации 300 ppm [38] или 1000 ppm [39] достаточно для получения диагностических признаков поглощения в спектральном профиле.

В исследованиях дистанционного зондирования исследователи разрабатывают или используют уже существующие математические уравнения, известные как спектральные индексы, для выделения интересующих пикселей на цифровых изображениях. Спектральные индексы широко применяются в различных дисциплинах, включая анализ растительности и сельское хозяйство [40,41,42], урбанизацию [43], геологию [44,45] и многие другие области [46,47]. Наша исследовательская группа ранее разработала BI (уравнение (1)), спектральный индекс, который доказал свою эффективность в определении зон, обогащенных РЗЭ, на руднике Маунтин-Пасс в Калифорнии при тестировании как на космических, так и на воздушных и лабораторных гиперспектральных данных [48,49].

Гиперион — один из используемых гиперспектральных космических датчиков, обладает пространственным разрешением около 30 метров, тогда как воздушная гиперспектральная система AVIRIS обеспечивает значительно лучшее разрешение порядка 3 метров. Метод спектрального анализа BI выявил зоны обогащения редкоземельными элементами (REE) в различных участках шахты Маунтин-Пасс. Однако поскольку концентрации REE в потенциальных вмещающих породах обычно измеряются в частях на миллион (ppm), важно оценить эффективность метода BI на дистанционных данных с высоким пространственным разрешением. Дополнительно, общедоступные данные часто не охватывают конкретные исследуемые районы, поскольку сбор данных зависит от запросов на получение данных (Data Acquisition Requests, DARs), подаваемых общественностью для конкретных областей. Теперь, когда Гиперион выведен из эксплуатации, больше не будет доступно дополнительной гиперспектральной космической информации с этого датчика. Более того, другие существующие доступные исследователям базы гиперспектральных данных могут не точно отражать современное состояние выхода горных пород, особенно в динамичной среде открытой горнодобывающей выработки.

В этом исследовании мы получили гиперспектральные данные с высоким пространственным и спектральным разрешением, используя гиперспектральную камеру Senop, установленную на штативе, и беспилотник в двух местах в районе Маунтин-Пасс: на участке Birthday и в карьере Sulphide Queen. Мы также провели полевой отбор проб и геохимический анализ образцов горных пород, собранных в обоих местах. Мы обработали гиперспектральные данные и применили индекс BI для определения горизонтов, обогащенных РЗЭ. Мы подтвердили результаты BI с помощью лабораторных гиперспектральных данных, геохимических данных и исследований тонких срезов и наблюдали высокую степень согласованности между ними. Это исследование имело две основные цели: (1) оценить производительность BI в гиперспектральных данных с более высоким пространственным разрешением, собранных с помощью различных платформ, и (2) разработать оптимизированный рабочий процесс для быстрой и эффективной обработки и интерпретации гиперспектральных данных для разведки РЗЭ. Это исследование подтверждает надежность индекса BI для различных типов гиперспектральных данных и демонстрирует, как дистанционное зондирование может улучшить традиционные методы картирования критически важных минералов. Это особенно ценно в геологических условиях, где космические или воздушные данные не являются общедоступными. Кроме того, это подчеркивает способность гиперспектральной технологии на основе дронов помогать горнодобывающей промышленности принимать обоснованные решения.

2. Геология исследуемой области

В районе Маунтин-Пасс находится самое ценное в США месторождение РЗЭ, имеющее решающее значение для экономического развития [15,18,50]. Он расположен в центральной пустыне Мохаве на юго-востоке Калифорнии, примерно в 75 км к юго-юго-западу от Лас-Вегаса, штат Невада, в топографической низменности между горой Кларк и хребтом Мескаль. Регионально район попадает в коровую провинцию Мохаве, регион, характеризующийся кристаллическими породами фундамента, который простирается через большую часть юго-восточной Калифорнии, достигая Невады, Юты и Аризоны [51,52,53].

С геологической точки зрения район Маунтин-Пасс состоит из палеопротерозойских метаморфических и мезопротерозойских магматических пород, ограниченных на юге и востоке четвертичными аллювиальными отложениями в долине Айвенпа (рис. 2) [15,50,54]. На западе нормальный разлом Кларк-Маунтин (Южный разлом) отделяет блок от осадочных и вулканических пород палеозойского и мезозойского возраста. Район имеет заметный поперечный разлом в качестве своей границы на севере. Докембрийский метаморфический комплекс включает литологические единицы, которые прорваны ультракалиевыми, основными до кислых, плутоническими силикатными породами мезопротерозойского возраста (около 1,4 млрд лет). Эти интрузии являются частью мезопротерозойской интрузивной свиты Маунтин-Пасс (MPIS) [17,55]. В регионе имеется восемь крупных штоков наряду с многочисленными более мелкими дайками, шириной от менее метра до нескольких метров, состоящими из шонкинита, сиенита, щелочного гранита и карбонатита. Эти дайки варьируются по ширине от 0,3 до 10 м и могут простираться до километра в длину. Шонкинит доминирует в этой свите, за ним следуют сиенит и щелочной гранит (второстепенный). Полевые наблюдения показывают, что шонкинит внедрился первым, затем сиенит и щелочной гранит, и, наконец, карбонатит, который пересекает все другие типы щелочных силикатных интрузивных пород, за исключением одного зарегистрированного случая, когда дайка шонкинита пересекает карбонатитовую жилу в зоне штока Birthday [50].

Среди восьми штоков шток Sulphide Queen выделяется как значительная карбонатитовая интрузия. Он содержит высококачественный бастнезит [56], наиболее распространенный минерал REE в карбонатитах. Рудное тело обогащено легкими РЗЭ (атомные номера 57–63), такими как La, Ce и Nd, по сравнению с тяжелыми РЗЭ (атомные номера 64–71). Что отличает карбонатит Sulphide Queen, так это его первичное магматическое происхождение бастнезита в сочетании с интригующей ассоциацией с ультракалиевыми породами — нетипичное явление в карбонатитах. Многие исследователи изучали петрогенезис, минералогию, геохимию и геохронологию этой уникальной геологической особенности [15,16,18,50,56,57,58]. Карбонатит Sulphide Queen имеет две группы карбонатитов: (1) рудные типы, которые включают кальцитовый карбонатит (бастнезит-барит-совит) и доломитовый карбонатит (бастнезит-барит-доломит) или их смесь, и (2) другие типы, которые включают как кальцитовые, так и доломитовые карбонатиты с такими минералами, как паразит и монацит. Карбонатиты рудного типа являются наиболее экономически важными, так как они содержат 5% или более редкоземельных оксидов (РЗЭ) и до 25% РЗЭ локально. Хотя рудное тело имеет скромное пространственное покрытие, достигая до 700 м в самой широкой точке и максимальной толщины 150 м, оно имеет высокое качество [56].

С момента его открытия в начале 1950-х годов компания Chevron Mining Inc., Энглвуд, штат Колорадо, США (ранее Molycorp Inc.) добывала РЗЭ из этого карбонатита открытым способом (рисунок 3). В период с 1960-х до середины 1990-х годов рудник Sulphide Queen был крупнейшим в мире источником легких РЗЭ. Однако производство существенно снизилось до 1998 года, в конечном итоге полностью прекратившись к 2002 году из-за экологических и экономических факторов, в основном конкуренции со стороны Китая. Добыча возобновилась в 2007 году после пятилетнего перерыва. Начав всего с восьми сотрудников, MP Material приобрела рудник в 2017 году с многоэтапными долгосрочными планами по успешному и устойчивому восстановлению участка. С ростом числа сотрудников до более чем 600 человек MP Material превратила рудник в интегрированный объект от добычи до переработки, производя минеральный концентрат и разделяя РЗЭ в одном месте по низкой стоимости. Как упоминалось в последнем пресс-релизе компании, MP Materials произвела более 41 000 метрических тонн оксидов РЗЭ в концентрате, продала более 36 000 метрических тонн РЗЭ и получила доход в размере 253,4 млн долларов США в 2023 году. Месторождение Sulphide Queen остается крупнейшим месторождением РЗЭ в Соединенных Штатах [59,60]. Его предполагаемые ресурсы составляют от 20 до 47 миллионов метрических тонн РЗЭ со средним содержанием 8,9% [61].

Запас шонкинита Birthday, расположенный в 800 м к северу от карьера Sulphide Queen, представляет собой вторую по величине интрузию в районе Mountain Pass (рисунок 2). Это место имеет важное значение, поскольку является местом открытия района [57]. Минерал бастнезит был обнаружен здесь в карбонатите в 1949 году (рисунок 4). Впоследствии, в 1950-х годах, был обнаружен и признан крупным месторождением РЗЭ запас карбонатита Sulphide Queen.

3. Материалы и методы

На рисунке 5 показан обобщенный рабочий процесс, который мы приняли в этом исследовании. В этом исследовании используются две различные гиперспектральные камеры: гиперспектральная камера HSC-2 VNIR (Senop Oy, Финляндия) [62], развернутая в полевых условиях с использованием штатива и дрона, и гиперспектральные камеры VNIR-SWIR SPECIM (SPECtral IMaging Ltd., Оулу, Финляндия) [63], используемые в лабораторных условиях. Первая представляет собой камеру моментальных снимков на основе кадров, а вторая представляет собой линейный сканер pushbroom. В исследовании задействованы три дрона, каждый из которых оснащен уникальной камерой и служит определенной цели (рисунок 6).

DJI M600 Pro [64] оснащен камерой Senop HSC-2 для сбора гиперспектральных данных. DJI M300 RTK [65] захватывает изображения RGB с помощью лидарной камеры Zenmuse L-1 [66]. Используя ArcGIS Drone2Map [67], эти изображения используются для создания единого бесшовного изображения с географической привязкой, известного как ортомозаика, которая служит базовой картой высокого разрешения для географической привязки гиперспектральных данных. Многоспектральный дрон DJI Mavic 3 [68] используется для разведывательных исследований местности и захвата изображений RGB в полевых условиях. По сравнению с другими используемыми дронами меньший и более компактный размер Mavic 3 делает его лучшим выбором для быстрого запуска и выполнения быстрых разведывательных исследований и RGB-фотосъемки. Проведение предварительной разведки перед сбором данных имеет решающее значение, особенно в сложных условиях, таких как открытые карьеры и их окрестности. В таких случаях, полагаясь исключительно на базовые карты из таких инструментов, как Google Earth, можно неточно отобразить реальную местность, что делает оценку на месте необходимой для определения точных границ области исследования.
Кроме того, мы собрали несколько образцов горных пород с участка Birthday и карьера. Мы проанализировали их в лаборатории с помощью лабораторной гиперспектральной камеры SPECIM и спектрорадиометра ASD [69], в дополнение к петрографии.

3.1. Материалы

3.1.1. Гиперспектральная камера Senop HSC-2

Камера Senop HSC-2 — это сравнительно недорогая гиперспектральная камера (рисунок 7a), которая работает в спектральном диапазоне VNIR 500–900 нм (Senop Oy, Финляндия) и предлагает до тысячи узких полос. Это покадровая система записи моментальных снимков с максимальной скоростью записи 149 кадров в секунду. Камера захватывает кадры для создания набора спектральных полос для генерации гиперспектрального куба (HC), где каждая спектральная полоса в HC охватывает определенную длину волны. Захваченное изображение имеет истинные пиксели с пространственным разрешением 1 мегапиксель, что устраняет необходимость в интерполяции.

Камера имеет два дополнительных датчика металл-оксид-полупроводник (CMOS), каждый из которых охватывает определенный диапазон спектра. Один датчик регистрирует видимый электромагнитный спектр в диапазоне от 500 нм до 636 нм, в то время как другой получает более длинные полосы VNIR в диапазоне от 650 нм до 900 нм. «Область разрыва» с недействительными данными возникает около длины волны 636 нм, где датчики переключаются [70] (рисунок 7b,c). Некоторые дополнительные характеристики камеры обобщены в таблице 1. Мы использовали объектив Edmond VNIR с фокусным расстоянием 50 мм.

Таблица 1. Технические характеристики гиперспектральной камеры Senop HSC-2

Гиперспектральная камера Senop работает, когда при подключении камеры запускается сценарий непосредственно из пользовательского интерфейса камеры или с компьютера, использующего программное обеспечение Senop HSI (версия 1.1). В нашем сценарии использовалось программное обеспечение Shop HSI, загруженное в камеру. В сценарии пользователь может выбрать желаемые спектральные диапазоны, границы диапазона и спектральное разрешение гиперспектральных кубов, которые будут получены датчиком.

3.1.2. DJI M600 Pro и приложение Litchi

DJI Matrice 600 Pro, широко известный как DJM 600 Pro, представляет собой сложную платформу для беспилотных летательных аппаратов, используемую для профессиональной аэрофотосъемки. Он включает в себя контроллер полета A3 Pro, систему передачи данных LightBridge 2 HD, интеллектуальные аккумуляторы и систему управления аккумуляторами. Несмотря на то, что он обладает низким сопротивлением ветру (28,8 км/ч) по сравнению с DJI M300 RTK (53,9 км/ч) и что DJI выпустила много продвинутых дронов, мы выбрали его в качестве платформы для гиперспектральной камеры Senop по нескольким причинам:

1.      Различные камеры Zenmuse и стабилизирующие подвесы были бесшовно интегрированы. Вместо того, чтобы разрабатывать индивидуальную платформу, как это делали некоторые исследователи [71], мы использовали подвес DJI Ronin MX для установки камеры Senop HSC-2 на дрон. Его легко установить на дрон и подключить камеру к нему. Камеру необходимо правильно балансировать каждый раз, когда ее снимают и переустанавливают после использования на штативе. Мы использовали приложение DJI Assistant для балансировки камеры на подвесе.

2.      Модульная конструкция дрона упрощает установку дополнительных модулей и обеспечивает полную интеграцию со сторонним программным обеспечением и оборудованием. В отличие от других дронов, которые поставляются с предустановленным приложением DJI Pilot или DJI Pilot 2 на контроллерах, для управления полетными заданиями m600 Pro можно использовать любое приложение по выбору. Мы использовали приложение Litchi для проектирования и управления полетами дронов по нескольким причинам, которые описаны далее в этом разделе.

3.      Грузоподъемность M600 Pro (6,02 кг) выше, чем у m300 RTK (2,70 кг), поэтому при весе камеры 1 кг и подвеса Ronin mx весом 2,2 кг все еще остается место для дополнительной сторонней камеры для прямой трансляции.

Для этого исследования мы использовали приложение Litchi для полета дрона. Оно позволяет эффективно управлять миссией через свой веб-сайт Mission Hub на нескольких платформах, таких как настольный компьютер, ноутбук или планшет. После разработки миссии полета для карьера Mountain Pass на веб-сайте Mission Hub мы получили к нему доступ в приложении Litchi с помощью iPad во время полета дрона. Мы собрали гиперспектральные данные обнажения шонкинита Birthday и карьера Sulphide Queen, используя одну и ту же камеру Senop HSC-2, но с разными платформами. Поэтому мы представим их отдельно, так как они требуют разных методов сбора и обработки данных. Мы использовали систему, установленную на штативе для обнажения шонкинита Birthday, поскольку обнажение было небольшим и крутым. Для карьера мы использовали систему, установленную на дроне, поскольку карьер был большим и имел более пологие склоны.

3.1.3. Лабораторный анализ

Образцы горных пород были получены в лабораторных условиях с использованием гиперспектральных камер SPECIM VNIR и SWIR (рисунок 8a), фиксирующих спектральные сигнатуры в диапазоне от 400 до 2500 нм. Камера VNIR, оснащенная объективом с полем зрения 28,9° и размером пикселя 0,3 мм, использовалась вместе с камерой SWIR, которая использовала широкоугольный объектив (OLES 22,5, 24° FOV, размер пикселя 0,4 мм). Камеры были установлены на подставке, а образцы были помещены на подвижный столик для сканирования их в направлении вдоль трассы с постоянной скоростью. Расстояние между образцами и объективом камеры составляет около 1,5 футов. Освещение обеспечивалось четырьмя галогенными лампами мощностью 50 Вт. Для уменьшения фонового шума изображения темнового тока были получены путем закрытия линз. Для калибровки рядом с образцами на столике была размещена белая контрольная панель Spectralon.

Гиперспектральный анализ SPECIM был подтвержден с помощью спектрорадиометра ASD FieldSpec Pro FR (Malvern Panalytical, Малверн, Великобритания) (рисунок 8b). В контролируемых лабораторных условиях этот прибор фиксирует уникальное спектральное поведение горных пород в областях VNIR и SWIR электромагнитного спектра в диапазоне от 0,35 до 2,5 мкм с интервалом дискретизации от 2 до 3 мкм. После калибровки с помощью Spectralon высокоинтенсивный контактный зонд, оснащенный галогенной лампой, был помещен на плоскую поверхность каждого образца. Детекторы света этого зонда регистрировали отраженный свет, создавая уникальные спектральные сигнатуры. Спектральные сигнатуры были получены для каждого образца породы как минимум в двух точках: областях с высокой концентрацией РЗЭ и областях с низкой концентрацией РЗЭ. Эти области были оценены по результатам гиперспектральных изображений SPECIM. Для некоторых образцов дополнительные сигнатуры были собраны из областей с умеренной концентрацией РЗЭ. Глубины особенностей поглощения в спектральных профилях ASD, извлеченных из этих областей, использовались для проверки результатов гиперспектральных данных SPECIM и, в конечном счете, результатов гиперспектральных данных, полученных в полевых условиях с использованием камеры Senop.

Тонкие срезы образцов горных пород были подготовлены для того, чтобы гарантировать сохранение той же части горной породы, которая использовалась при гиперспектральном сканировании SPECIM и анализе спектрорадиометра ASD. Эти тонкие срезы позволили нам дополнительно подтвердить результаты данных дистанционного зондирования как гиперспектральных камер SPECIM, так и Senop.

3.2. Методы

3.2.1. Гиперспектральные данные, полученные с помощью штатива

Для месторождения Шонкинитового покрова мы установили камеру Senop HSC-2 на штатив примерно в 30 метрах от объекта и записали семь перекрывающихся изображений. Мы также разместили на обнажении белую ламбертовскую цель с отражательной способностью 75% и черную цель с отражательной способностью 10%. Для калибровки камеры Senop HSC-2 и измерения темнового тока гиперспектрального датчика Senop мы закрыли объектив и воспроизвели сценарий после сбора семи изображений обнажения и удаления шума из исходных изображений. Время сбора данных с пятью HC с разным временем экспозиции составило 35 с. Процедура сбора данных заняла полчаса, включая настройку камеры, регулировку фокуса и экспозиции, получение семи изображений с пятью HC каждым и разборку установки. Мы обработали семь гиперспектральных изображений по отдельности. Начальный шаг включал выполнение вычитания темнового тока изображения в ENvironment for Visualizing Images (ENVI) [72], что устранило фоновый шум камеры. Затем был выполнен спектральный поднабор для отбрасывания пятнадцати кадров, которые демонстрировали чрезвычайно низкие или аномально высокие значения DN. Для преобразования значений DN в отражательную способность мы использовали инструмент Empirical Line Calibration (ELC), предоставленный ENVI. Области интереса (ROI), извлеченные из белых и темных целевых панелей, использовались при извлечении отражательной способности ELC. Мы применили инструменты MNF и Inverse MNF, а также инструменты спектрального сглаживания THOR для удаления шума из данных отражательной способности. После этого мы применили BI для создания карты распределения минерала бастнезита. Чтобы исключить ошибочные результаты более темных пикселей, представляющих тени, мы создали маску и вырезали эти пиксели на карте BI. На последнем этапе мы применили таблицу цветов радуги к карте BI и назначили соответствующую растяжку для акцентирования областей с более высокими концентрациями бастнезита.

3.2.2. Гиперспектральные данные, полученные с дронов

При установке на дрон мы разработали другой сценарий для камеры Senop, используя тот же диапазон длин волн от 512 нм до 900 нм, но с большим спектральным зазором в 3 нм. Таким образом, один HC состоял из 130 кадров. Хотя время записи для одного HC составляло всего несколько секунд, дрон никогда не был такой же стабильной платформой, как штатив для камер. Нестабильность дрона вызывала смещение пикселей и спектральные искажения в большинстве сложенных кадров в HC. Чтобы смягчить эту проблему, мы записывали кадры по отдельности в скрипте, а затем использовали автоматизированный процесс регистрации кадров Python для их выравнивания. В скрипте Python мы использовали pystackreg, который является библиотекой Python с открытым исходным кодом. Мы использовали «for loop» в скрипте, чтобы автоматизировать процесс регистрации всех кадров в HC. Кроме того, сценарий Senop HSC-2, установленный на дроне, записал только один HC с оптимальным временем экспозиции, в отличие от сценария камеры Senop HSC 2, установленной на штативе, который записывает пять HC. Камера Senop HSC-2 была неэффективна для последовательностей с более чем одним HC. Поэтому поиск оптимального времени экспозиции для одного HC имеет решающее значение для сценария камеры на основе дрона. Сохранение только одного HC в сценарии также сократило время захвата изображения дрона и сэкономило заряд батареи, что позволило нам охватить больше областей обнажения. Мы запустили сценарий с помощью пользовательского интерфейса камеры до того, как дрон взлетел. Кнопка моментального снимка на пульте дистанционного управления Lightbridge 2 управляла триггером, как только дрон достигал целевой высоты.

Мы также разработали миссию полета дрона в приложении Litchi. Чтобы поддерживать перекрытие не менее 40–50% между соседними изображениями, мы установили точки маршрута миссии полета на расстоянии 17 м друг от друга. Мы рассчитали это расстояние на основе различных параметров, таких как размер сенсора камеры, высота дрона и фокусное расстояние объектива. Дрон зависал в каждой точке маршрута на 6 секунд, позволяя камере Senop сделать снимок. Разработка сценария Senop и полетной миссии DRONE таким образом обеспечила точный контроль над процессом записи данных, повысив качество и актуальность полученных данных. Гиперспектральные данные, полученные камерой Senop, установленной на дроне, проходят ту же процедуру обработки, что и гиперспектральные данные, полученные на штативе, хотя и с несколькими дополнительными шагами. Первоначально данные, хранящиеся камерой Senop, находятся в сложной иерархической структуре каталогов. Мы реализовали сценарий Python для оптимизации рабочего процесса и систематической организации данных, классифицируя записанные данные по отдельным точкам маршрута. Важный дополнительный шаг включает совместную регистрацию всех 130 кадров точки маршрута. Без этой регистрации спектральные профили пикселей изображения искажаются, что приводит к ошибочным результатам. Чтобы исправить это, мы использовали скрипт Python для фильтрации и регистрации этих кадров, что привело к новому HC со всеми кадрами, выровненными для каждой точки маршрута. ROI, используемые при извлечении отражательной способности ELC, были извлечены из самых темных и самых ярких пикселей каждого изображения. Полученные спектры нормализованы, поэтому большинство спектров в исследовании представляют кажущуюся отражательную способность. Остальные этапы обработки для данных, установленных на дроне, идентичны этапам для данных, установленных на штативе, что обеспечивает согласованность нашего подхода.

4. Результаты

4.1. РЗЭ в штоке шонкинита Birthday

При сравнении панорамы участка шонкинита Birthday, созданной путем сшивания семи гиперспектральных изображений (рисунок 9а), с полевой фотографией участка (рисунок 4), мы можем различить заметное преувеличение в самой правой части обнажения. Мы выполнили процесс сшивания в ArcGIS Pro [73], который сопоставляет особенности в перекрывающихся зонах соседних изображений без учета гомографии полученных изображений. Однако это преувеличение было проигнорировано, поскольку карта распределения концентрации бастнезита не требует такого уровня точности, поскольку измерения длины или площади не проводятся.

Карта BI участка шонкинита Birthday (рисунок 9b) показывает более высокую концентрацию бастнезита в карбонатитовом теле, которое внедрилось в шток шонкинита. Любой пиксель на карте со значением индекса, превышающим 0,04, указывает на концентрацию бастнезита более 3 мас. %. Геохимический анализ образцов горных пород, проведенный MP Materials, подтверждает наши выводы. Стоит отметить, что несколько валунов с правой стороны карбонатитового тела также демонстрируют более высокую концентрацию бастнезита.

4.2. РЗЭ в карьере рудника Sulphide Queen

Учитывая точность зависания дрона DJI M600 Pro, которая составляет приблизительно 0,5 м в вертикальном направлении и 1,5 м в горизонтальном направлении при использовании режима P-GPS, большинство кадров, снятых в каждой точке маршрута, демонстрировали больше горизонтальных, чем вертикальных или вращательных смещений (рисунок 10a). Таким образом, трансляционное преобразование оказалось достаточным для точной регистрации кадров и выравнивания горных пород, запечатленных в каждом кадре (рисунок 10b).

Нашей целью в карьере Sulphide Queen было получение гиперспектральных данных с помощью дрона светло-коричневого обнажения (рисунок 11a), которое имело самую высокую концентрацию бастнезита согласно геохимическому анализу MP Materials. MP Materials назвали его «бело-черным карбонатитом». Однако устаревшая спутниковая базовая карта приложения Litchi не показывала текущего состояния обнажения карьера. Таким образом, неточно спроектированная миссия дрона привела к неполному покрытию целевой области нашим дроном, что очевидно из сшитых изображений, полученных во время полета (рисунок 11a). Тем не менее, нам удалось захватить разумную часть целевого обнажения, достаточную для проверки нашей рабочей концепции. Карта BI обнажения подтвердила наличие бастнезита в более высокой концентрации, чем в любом другом месте в зарегистрированных гиперспектральных данных (рисунок 11b). Гиперспектральные данные, извлеченные из изображений карьера, показаны на рисунках 12a,c.

В исследованиях дистанционного зондирования одним из основных требований является обеспечение достоверности и точности результатов. Результаты различных методов, которые мы использовали в этом исследовании, объясняются в следующих разделах. Хотя мы полагались на ранее опубликованные геохимические результаты для подтверждения наших выводов, мы настоятельно рекомендуем провести комплексную геохимическую оценку собранных образцов. Этот дополнительный анализ укрепит надежность наших выводов и повысит научную строгость нашего исследования.

4.3. Лабораторный гиперспектральный анализ на близком расстоянии

Мы применили BI к гиперспектральным данным собранных образцов, полученным с помощью камеры SPECIM VNIR в лабораторных условиях. Гиперспектральные данные, извлеченные из изображений, показаны на рисунке 12b, d. Пространственное разрешение гиперспектральных изображений, полученных с этой настройкой, составляет миллиметровый масштаб, что позволяет нам анализировать образцы горных пород (рисунок 13a–h) на предмет распределения в них РЗЭ (рисунок 13i–p). Распределение бастнезита в этих образцах коррелирует с распределениями, полученными с помощью гиперспектральных наборов данных, полученных с помощью штатива-Сенопа и дрона-Сенопа в полевых условиях.

4.4. Точечный спектральный анализ

Спектральные профили ASD (рисунок 14) почти всех образцов согласуются с результатами, полученными с помощью гиперспектральной камеры SPECIM и гиперспектральных данных Senop. Самые глубокие характеристики поглощения минерала бастнезита в спектральных профилях образцов карбонатита как с участка Birthday, так и с шахты подтверждают самую высокую концентрацию бастнезита в этих породах (рисунок 14a–c,f). Образцы сиенитовой породы с участка Birthday, имеющие очень низкий индекс BI в гиперспектральной камере SPECIM, дали спектральный профиль с более мелкими характеристиками поглощения (рисунок 14d). Однако мы не смогли увидеть баснезита в тонком сечении. Мы предполагаем, что некоторые из карбонатитовых флюидов, богатых РЗЭ, могли изменить сиенит. Образец шонкинита из месторождения Birthday не показал ни одной из четырех особенностей поглощения минерала бастнезита в спектральном профиле ASD (рисунок 14e).

Предыдущие исследования дистанционного зондирования показали, что глубина особенностей поглощения в спектральном профиле прямо пропорциональна концентрации минерала в фокусе. Чтобы сравнить относительное содержание РЗЭ в образцах с обоих участков (место залегания шонкинита в месторождении Birthday и карьер рудника Sulphide Queen), мы построили единый график всех спектральных профилей ASD из областей с высокой концентрацией РЗЭ в каждом образце (рисунок 15). Мы стремились сравнить относительную глубину четырех диагностических особенностей поглощения минерала бастнезита в части VNIR электромагнитного спектра каждого образца.

Наши результаты показывают, что образец белого карбонатита из карьера рудника Sulphide Queen демонстрирует наиболее глубокие абсорбционные характеристики, тем самым предполагая самую высокую концентрацию РЗЭ, в то время как карбонатитовые жилы штока шонкинита Birthday имеют относительно более низкие концентрации РЗЭ.

4.5. Опубликованные геохимические результаты

Многочисленные предыдущие исследования проводили геохимические анализы пород района Mountain Pass [17,18,56,58,59,61]. Консенсус этих исследований заключается в том, что сиенитовые породы содержат более низкие концентрации РЗЭ, чем шонкинит. Это открытие противоречит результатам дистанционного зондирования из наших исследований, которые указывают на некоторые РЗЭ (вероятно, бастнезит) в сиените. Уоттс и др. [18] провели геохимические анализы образцов шонкинита и сиенита в районе Mountain Pass, включая шток шонкинита Birthday. Их образец сиенита находится примерно в 800 м к западу от участка Birthday. В этом образце концентрация Ce составила 214 ppm, а концентрация Nd — 72 ppm, что ниже, чем во всех семи образцах шонкинита, собранных в районе исследования, который включает участок Birthday и пять других участков в округе, при этом в одном образце шонкинита концентрации Ce и Nd составили 996 ppm и 440 ppm соответственно.

5. Обсуждение

При сравнении наших результатов с результатами предыдущих исследований возникают два потенциальных вывода, которые требуют дальнейшего изучения:

1.      Концентрации Ce и Nd в образцах шонкинита могут быть стабильно выше по всему округу, за исключением запаса шонкинита Birthday.

2.      Единственный образец сиенита, который мы использовали для гиперспектрального анализа, может демонстрировать аномально высокие концентрации Ce и Nd. Поэтому для подтверждения этого наблюдения следует собрать и протестировать дополнительные образцы сиенита.

Тем не менее, геохимические результаты карбонатитовых пород, как в штоке шонкинита Birthday, так и в шахте Sulphide Queen, подтверждают более высокие концентрации РЗЭ в них. MP Materials сообщает о схожих геохимических результатах (рисунок 16).

Результаты по BI, штоку шонкинита Birthday и руднику Sulphide Queen поднимают важные геологические вопросы, в частности, о работе индекса на измененных породах. Два образца, 24MP-02 и 24MP-53 (рисунок 12), представляют собой сильно измененные породы. Месторождение карбонатита рудника Sulphide Queen демонстрирует генетические ассоциации со щелочными магматическими плутонами, которые возникли примерно 1,4 миллиарда лет назад [56]. Однако нынешнее порошкообразное состояние породы свидетельствует о значительной степени изменения. Успешное и эффективное обнаружение РЗЭ в карбонатите с использованием BI предполагает, что этот индекс эффективен на измененных породах, при условии, что РЗЭ не мобилизуются в процессе изменения. Анализ тонкого сечения показывает, что большинство пород подверглись значительному выветриванию и изменению (рисунок 17).

Единственным исключением из этого является баснестит, который не изменен. В случае сиенита, содержащего РЗЭ, следует отметить, что области с серицитовыми изменениями совпадают с небольшими обогащениями РЗЭ. Важно отметить, что, несмотря на это выветривание, полученные результаты остаются надежными, поскольку бастнезит не изменен. Это еще раз подчеркивает надежность BI в обнаружении РЗЭ, даже в сильно измененных образцах горных пород. Мы рекомендуем провести дальнейшее тестирование индекса на карбонатитах из других месторождений и в различных условиях изменения, чтобы подтвердить эффективность и надежность BI.

6. Выводы

В нашем исследовании оценивалась эффективность BI при применении к гиперспектральным данным с более высоким пространственным разрешением, полученным с помощью нескольких платформ. Нашей основной целью было картирование относительной концентрации бастнезита в карбонатитовых породах округа Маунтин-Пасс с использованием гиперспектральных данных, полученных в разных масштабах, и понимание генезиса карбонатита и его потенциала РЗЭ.

BI применялось к обработанным гиперспектральным изображениям для создания карт распределения бастнезита, выявляющих количественное распределение бастнезита в карбонатитовых дайках как штока шонкинита Birthday, так и карьера рудника Sulphide Queen. Карты распределения дали многообещающие результаты при перекрестном сопоставлении с результатами геохимических анализов, проведенных MP Materials и предыдущими исследователями, а также результатами анализа спектрорадиометра ASD. Карты распределения бастнезита в штоке шонкинита Birthday отображают распределение бастнезита в карбонатитовых дайках как штока шонкинита Birthday, так и карьера Sulphide Queen.

Карты распределения, при перекрестной проверке с результатами геохимических анализов, проведенных MP Materials и предыдущими исследователями, а также результатами лабораторных гиперспектральных исследований образцов горных пород, собранных в районе исследования, дали многообещающие результаты. Эти результаты были дополнительно проверены с помощью исследования собранных образцов горных пород спектрорадиометром ASD. Карты бастнезита показали, что самая высокая концентрация РЗЭ находится в центре карбонатита, а более низкие концентрации — в направлении контакта с вмещающей породой. Сиенитовая порода содержит небольшие и разбросанные участки, богатые РЗЭ, что позволяет предположить, что флюиды, богатые РЗЭ, проникли и кристаллизовались в трещинах вмещающей породы во время внедрения карбонатита. Шонкинитовый шток, который содержит как сиенит, так и карбонатит, демонстрирует концентрации РЗЭ, достаточно низкие, чтобы их можно было обнаружить с помощью дистанционного зондирования.

Подводя итог, наши результаты показывают, что BI эффективно и удаленно картирует концентрации бастнезита, предоставляя ценную информацию о генезисе карбонатитовых пород. Кроме того, наш оптимизированный рабочий процесс, использующий гиперспектральные камеры, установленные на дронах, демонстрирует простоту и эффективность в получении и обработке гиперспектральных данных для удаленного изучения потенциала пород на наличие критических минералов, особенно РЗЭ. Это достижение значительно поможет горнодобывающим корпорациям в выполнении обоснованных процессов принятия решений, проведении эффективных геологоразведочных работ и достижении существенной экономии времени, бюджета и энергии.

Вклад авторов

Conceptualization, M.Q., S.D.K.; methodology, M.Q., S.D.K., V.S.; software, M.Q., S.D.K., U.O.; validation, M.Q., S.D.K., and V.S.; resources, S.D.K., L.X., N.F.; data curation, M.Q., S.D.K., V.S., L.X., N.F., P.G.; writing—original draft preparation, M.Q.; writing—review and editing, S.D.K., V.S., L.X., N.F.; supervision, S.D.K.; project administration, S.D.K. All authors have read and agreed to the published version of the manuscript.

Ссылки

1.        Balaram, V. Rare Earth Elements: A Review of Applications, Occurrence, Exploration, Analysis, Recycling, and Environmental Impact. Geosci. Front. 2019, 10, 1285–1303. [Google Scholar] [CrossRef]
2.        Charalampides, G.; Vatalis, K.I.; Apostoplos, B.; Ploutarch-Nikolas, B. Rare Earth Elements: Industrial Applications and Economic Dependency of Europe. Procedia Econ. Financ. 2015, 24, 126–135. [Google Scholar] [CrossRef]
3.        Atwood, D.A. The Rare Earth Elements: Fundamentals and Applications; John Wiley & Sons: Hoboken, NJ, USA, 2013; ISBN 9781118632635. [Google Scholar]
4.        Golroudbary, S.R.; Makarava, I.; Kraslawski, A.; Repo, E. Global Environmental Cost of Using Rare Earth Elements in Green Energy Technologies. Sci. Total Environ. 2022, 832, 155022. [Google Scholar] [CrossRef] [PubMed]
5.        Smith Stegen, K. Heavy Rare Earths, Permanent Magnets, and Renewable Energies: An Imminent Crisis. Energy Policy 2015, 79, 1–8. [Google Scholar] [CrossRef]
6.        Humphries, M. Rare Earth Elements: The Global Supply Chain; DIANE Publishing: Darby, PA, USA, 2010; ISBN 9781437937985. [Google Scholar]
7.        Dent, P.C. Rare Earth Elements and Permanent Magnets (Invited). J. Appl. Phys. 2012, 111, 07A721. [Google Scholar] [CrossRef]
8.        Croat, J.J. Current Status and Future Outlook for Bonded Neodymium Permanent Magnets (Invited). J. Appl. Phys. 1997, 81, 4804–4809. [Google Scholar] [CrossRef]
9.        Grasso, V.B. Rare Earth Elements in National Defense: Background, Oversight Issues, and Options for Congress; Congressional Research Service: Washington, DC, USA, 2011.
10.     Gholz, E. Rare Earth Elements and National Security; JSTOR: New York, NY, USA, 2014. [Google Scholar]
11.     Daigle, B.; DeCarlo, S. Rare Earths and the US Electronics Sector: Supply Chain Developments and Trends; Office of Industries, US International Trade Commission: Washington, DC, USA, 2021.
12.     Chen, W.-Q.; Eckelman, M.J.; Sprecher, B.; Chen, W.; Wang, P. Interdependence in Rare Earth Element Supply between China and the United States Helps Stabilize Global Supply Chains. One Earth 2024, 7, 242–252. [Google Scholar] [CrossRef]
13.     Wang, P.; Yang, Y.-Y.; Heidrich, O.; Chen, L.-Y.; Chen, L.-H.; Fishman, T.; Chen, W.-Q. Regional Rare-Earth Element Supply and Demand Balanced with Circular Economy Strategies. Nat. Geosci. 2024, 17, 94–102. [Google Scholar] [CrossRef]
14.     Yang, J.; Song, W.; Liu, Y.; Zhu, X.; Kynicky, J.; Chen, Q. Mineralogy and Element Geochemistry of the Bayan Obo (China) Carbonatite Dykes: Implications for REE Mineralization. Ore Geol. Rev. 2024, 165, 105873. [Google Scholar] [CrossRef]
15.     Olson, J.C. Geologic Setting of the Mountain Pass Rare Earth Deposits, San Bernardino County, California. US Geol. Surv. Open File Rep. 1952, 52–110, 109. [Google Scholar] [CrossRef]
16.     Mariano, A.N.; Mariano, A. Rare Earth Mining and Exploration in North America. Elements 2012, 8, 369–376. [Google Scholar] [CrossRef]
17.     Poletti, J.E.; Cottle, J.M.; Hagen-Peter, G.A.; Lackey, J.S. Petrochronological Constraints on the Origin of the Mountain Pass Ultrapotassic and Carbonatite Intrusive Suite, California. J. Petrol. 2016, 57, 1555–1598. [Google Scholar] [CrossRef]
18.     Watts, K.E.; Haxel, G.B.; Miller, D.M. Temporal and Petrogenetic Links Between Mesoproterozoic Alkaline and Carbonatite Magmas at Mountain Pass, California. Econ. Geol. 2022, 117, 1–23. [Google Scholar] [CrossRef]
19.     Dushyantha, N.; Batapola, N.; Ilankoon, I.M.S.K.; Rohitha, S.; Premasiri, R.; Abeysinghe, B.; Ratnayake, N.; Dissanayake, K. The Story of Rare Earth Elements (REEs): Occurrences, Global Distribution, Genesis, Geology, Mineralogy and Global Production. Ore Geol. Rev. 2020, 122, 103521. [Google Scholar] [CrossRef]
20.     Dutta, T.; Kim, K.-H.; Uchimiya, M.; Kwon, E.E.; Jeon, B.-H.; Deep, A.; Yun, S.-T. Global Demand for Rare Earth Resources and Strategies for Green Mining. Environ. Res. 2016, 150, 182–190. [Google Scholar] [CrossRef] [PubMed]
21.     Edahbi, M.; Plante, B.; Benzaazoua, M. Environmental Challenges and Identification of the Knowledge Gaps Associated with REE Mine Wastes Management. J. Clean. Prod. 2019, 212, 1232–1241. [Google Scholar] [CrossRef]
22.     Haque, N.; Hughes, A.; Lim, S.; Vernon, C. Rare Earth Elements: Overview of Mining, Mineralogy, Uses, Sustainability and Environmental Impact. Resources 2014, 3, 614–635. [Google Scholar] [CrossRef]
23.     Zhang, X.; Pazner, M.; Duke, N. Lithologic and Mineral Information Extraction for Gold Exploration Using ASTER Data in the South Chocolate Mountains (California). ISPRS J. Photogramm. Remote Sens. 2007, 62, 271–282. [Google Scholar] [CrossRef]
24.     Battsengel, A.; Batnasan, A.; Narankhuu, A.; Haga, K.; Watanabe, Y.; Shibayama, A. Recovery of Light and Heavy Rare Earth Elements from Apatite Ore Using Sulphuric Acid Leaching, Solvent Extraction and Precipitation. Hydrometallurgy 2018, 179, 100–109. [Google Scholar] [CrossRef]
25.     Xu, T.; Zheng, X.; Ji, B.; Xu, Z.; Bao, S.; Zhang, X.; Li, G.; Mei, J.; Li, Z. Green Recovery of Rare Earth Elements under Sustainability and Low Carbon: A Review of Current Challenges and Opportunities. Sep. Purif. Technol. 2024, 330, 125501. [Google Scholar] [CrossRef]
26.     Fassnacht, F.E.; White, J.C.; Wulder, M.A.; Næsset, E. Remote Sensing in Forestry: Current Challenges, Considerations and Directions. Forestry 2023, 97, 11–37. [Google Scholar] [CrossRef]
27.     Ceccato, V.; Ioannidis, I. Using Remote Sensing Data in Urban Crime Analysis: A Systematic Review of English-Language Literature from 2003 to 2023. Int. Crim. Justice Rev. 2024, 10575677241237960. [Google Scholar] [CrossRef]
28.     Fu, L.-L.; Pavelsky, T.; Cretaux, J.-F.; Morrow, R.; Farrar, J.T.; Vaze, P.; Sengenes, P.; Vinogradova-Shiffer, N.; Sylvestre-Baron, A.; Picot, N.; et al. The Surface Water and Ocean Topography Mission: A Breakthrough in Radar Remote Sensing of the Ocean and Land Surface Water. Geophys. Res. Lett. 2024, 51, e2023GL107652. [Google Scholar] [CrossRef]
29.     Chen, W.; Li, X.; Qin, X.; Wang, L. Geological Remote Sensing: An Overview. In Remote Sensing Intelligent Interpretation for Geology: From Perspective of Geological Exploration; Chen, W., Li, X., Qin, X., Wang, L., Eds.; Springer: Singapore, 2024; pp. 1–14. ISBN 9789819989973. [Google Scholar]
30.     Lausch, A.; Selsam, P.; Pause, M.; Bumberger, J. Monitoring Vegetation- and Geodiversity with Remote Sensing and Traits. Philos. Trans. A Math. Phys. Eng. Sci. 2024, 382, 20230058. [Google Scholar] [CrossRef] [PubMed]
31.     Schilling, S.; Dietz, A.; Kuenzer, C. Snow Water Equivalent Monitoring—A Review of Large-Scale Remote Sensing Applications. Remote Sens. 2024, 16, 1085. [Google Scholar] [CrossRef]
32.     Peyghambari, S.; Zhang, Y. Hyperspectral Remote Sensing in Lithological Mapping, Mineral Exploration, and Environmental Geology: An Updated Review. J. Appl. Remote. Sens. 2021, 15, 031501. [Google Scholar] [CrossRef]
33.     Sabins, F.F. Remote Sensing for Mineral Exploration. Ore Geol. Rev. 1999, 14, 157–183. [Google Scholar] [CrossRef]
34.     Cudjoe, M.N.M.; Kwarteng, E.V.S.; Anning, E.; Bodunrin, I.R.; Andam-Akorful, S.A. Application of Remote Sensing and Geographic Information System Technologies to Assess the Impact of Mining: A Case Study at Emalahleni. NATO Adv. Sci. Inst. Ser. E Appl. Sci. 2024, 14, 1739. [Google Scholar] [CrossRef]
35.     Wang, Q.; Guo, H.; Chen, Y.; Lin, Q.; Li, H. Application of Remote Sensing for Investigating Mining Geological Hazards. Int. J. Digit. Earth 2013, 6, 449–468. [Google Scholar] [CrossRef]
36.     Pour, A.B.; Zoheir, B.; Pradhan, B.; Hashim, M. Editorial for the Special Issue: Multispectral and Hyperspectral Remote Sensing Data for Mineral Exploration and Environmental Monitoring of Mined Areas. Remote Sens. 2021, 13, 519. [Google Scholar] [CrossRef]
37.     Boesche, N.K.; Rogass, C.; Lubitz, C.; Brell, M.; Herrmann, S.; Mielke, C.; Tonn, S.; Appelt, O.; Altenberger, U.; Kaufmann, H. Hyperspectral REE (Rare Earth Element) Mapping of Outcrops-Applications for Neodymium Detection. Remote Sens. 2015, 7, 5160–5186. [Google Scholar] [CrossRef]
38.     Rowan, L.C.; Kingston, M.J.; Crowley, J.K. Spectral Reflectance of Carbonatites and Related Alkalic Igneous Rocks; Selected Samples from Four North American Localities. Econ. Geol. 1986, 81, 857–871. [Google Scholar] [CrossRef]
39.     Neave, D.A.; Black, M.; Riley, T.R.; Gibson, S.A.; Ferrier, G.; Wall, F.; Broom-Fendley, S. On the Feasibility of Imaging Carbonatite-Hosted Rare Earth Element Deposits Using Remote Sensing. Econ. Geol. 2016, 111, 641–665. [Google Scholar] [CrossRef]
40.     Tran, T.V.; Reef, R.; Zhu, X. A Review of Spectral Indices for Mangrove Remote Sensing. Remote Sens. 2022, 14, 4868. [Google Scholar] [CrossRef]
41.     Xue, J.; Su, B. Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications. J. Sens. 2017, 2017, 1353691. [Google Scholar] [CrossRef]
42.     Radočaj, D.; Šiljeg, A.; Marinović, R.; Jurišić, M. State of Major Vegetation Indices in Precision Agriculture Studies Indexed in Web of Science: A Review. Agriculture 2023, 13, 707. [Google Scholar] [CrossRef]
43.     Prasad, A.D.; Ganasala, P.; Hernández-Guzmán, R.; Fathian, F. Remote Sensing Satellite Data and Spectral Indices: An Initial Evaluation for the Sustainable Development of an Urban Area. Sustain. Water Resour. Manag. 2022, 8, 19. [Google Scholar] [CrossRef]
44.     Ousmanou, S.; Fozing, E.M.; Kwékam, M.; Fodoue, Y.; Jeatsa, L.D.A. Application of Remote Sensing Techniques in Lithological and Mineral Exploration: Discrimination of Granitoids Bearing Iron and Corundum Deposits in Southeastern Banyo, Adamawa Region-Cameroon. Earth Sci. Inform. 2023, 16, 259–285. [Google Scholar] [CrossRef]
45.     Michałowska, K.; Pirowski, T.; Głowienka, E.; Szypuła, B.; Malinverni, E.S. Sustainable Monitoring of Mining Activities: Decision-Making Model Using Spectral Indexes. Remote Sens. 2024, 16, 388. [Google Scholar] [CrossRef]
46.     Montero, D.; Aybar, C.; Mahecha, M.D.; Martinuzzi, F.; Söchting, M.; Wieneke, S. A Standardized Catalogue of Spectral Indices to Advance the Use of Remote Sensing in Earth System Research. Sci. Data 2023, 10, 197. [Google Scholar] [CrossRef]
47.     Verstraete, M.M.; Pinty, B. Designing Optimal Spectral Indexes for Remote Sensing Applications. IEEE Trans. Geosci. Remote Sens. 1996, 34, 1254–1265. [Google Scholar] [CrossRef]
48.     Gadea, O.C.A.; Khan, S.D. Detection of Bastnäsite-Rich Veins in Rare Earth Element Ores Through Hyperspectral Imaging. IEEE Geosci. Remote Sens. Lett. 2023, 20, 1–4. [Google Scholar] [CrossRef]
49.     Gadea, O.; Khan, S.; Sisson, V. Estimating Rare Earth Elements at Various Scales with Bastnaesite Indices from Mountain Pass. Ore Geol. Rev. under review.
50.     Olson, J.C.; Shawe, D.R.; Pray, L.C.; Sharp, W.N. Rare-Earth Mineral Deposits of the Mountain Pass District, San Bernardino County, California. Science 1954, 119, 325–326. [Google Scholar] [CrossRef]
51.     Bennett, V.C.; Depaolo, D.J. Proterozoic Crustal History of the Western United States as Determined by Neodymium Isotopic Mapping. GSA Bull. 1987, 99, 674–685. [Google Scholar] [CrossRef]
52.     Wooden, J.L.; Miller, D.M. Chronologic and Isotopic Framework for Early Proterozoic Crustal Evolution in the Eastern Mojave Desert Region, SE California. J. Geophys. Res. 1990, 95, 20133–20146. [Google Scholar] [CrossRef]
53.     Whitmeyer, S.J.; Karlstrom, K.E. Tectonic Model for the Proterozoic Growth of North America. Geosphere 2007, 3, 220–259. [Google Scholar] [CrossRef]
54.     Multidisciplinary Investigations of REE Mineralization at Mountain Pass and in the Southeast Mojave Desert, California. Available online: https://www.usgs.gov/centers/gmeg/science/multidisciplinary-investigations-ree-mineralization-mountain-pass-and#overview (accessed on 27 August 2024).
55.     Denton, K.M.; Ponce, D.A.; Peacock, J.R.; Miller, D.M. Geophysical Characterization of a Proterozoic REE Terrane at Mountain Pass, Eastern Mojave Desert, California, USA. Geosphere 2020, 16, 456–471. [Google Scholar] [CrossRef]
56.     Castor, S.B. The Mountain Pass Rare-Earth Carbonatite and Associated Ultrapotassic Rocks, California. Can. Mineral. 2008, 46, 779–806. [Google Scholar] [CrossRef]
57.     Haxel, G. Ultrapotassic Mafic Dikes and Rare Earth Element- and Barium-Rich Carbonatite at Mountain Pass, Mojave Desert, Southern California: Summary and Field Trip Localities; US Geological Survey: Reston, VA, USA, 2005. [CrossRef]
58.     Watts, K.E.; Miller, D.M.; Ponce, D.A. Mafic Alkaline Magmatism and Rare Earth Element Mineralization in the Mojave Desert, California: The Bobcat Hills Connection to Mountain Pass. Geochem. Geophys. Geosyst. 2024, 25, e2023GC011253. [Google Scholar] [CrossRef]
59.     Verplanck, P.L.; Hitzman, M.W. Introduction: Rare Earth and Critical Elements in Ore Deposits; Society of Economic Geologists, Inc.: Littleton, CO, USA, 2016. [Google Scholar] [CrossRef]
60.     Verplanck, P.L.; Mariano, A.N.; Mariano, A. Rare Earth Element Ore Geology of Carbonatites; GeoScienceWorld: McLean, VA, USA, 2016. [Google Scholar] [CrossRef]
61.     Long, K.R.; Van Gosen, B.S.; Foley, N.K.; Cordier, D. The Principal Rare Earth Elements Deposits of the United States: A Summary of Domestic Deposits and a Global Perspective. In Non-Renewable Resource Issues: Geoscientific and Societal Challenges; Sinding-Larsen, R., Wellmer, F.-W., Eds.; Springer: Dordrecht, The Netherlands, 2012; pp. 131–155. ISBN 9789048186792. [Google Scholar]
62.     HSC-2 Hyperspectral Camera 450–800 nm. Available online: https://senop.fi/product/hsc-2-hyperspectral-camera-450-800nm/ (accessed on 18 August 2024).
63.     Products SPECIM. Available online: https://www.specim.com/products/ (accessed on 18 August 2024).
64.     Buy Matrice 600 Pro—DJI Store. Available online: https://store.dji.com/product/matrice-600-pro (accessed on 18 August 2024).
65.     Matrice 300 RTK—Industrial Grade Mapping Inspection Drones—DJI Enterprise. Available online: https://enterprise.dji.com/matrice-300 (accessed on 2 September 2024).
66.     Support for Zenmuse L1. Available online: https://www.dji.com/support/product/zenmuse-l1 (accessed on 2 September 2024).
67.     End-to-End 3D Drone Mapping Software. Available online: https://www.esri.com/en-us/cp/site-scan-for-arcgis-3d-drone-mapping-software/overview (accessed on 2 September 2024).
68.     Mavic 3 Multispectral Edition—See More, Work Smarter—DJI Agricultural Drones. Available online: https://ag.dji.com/mavic-3-m (accessed on 18 August 2024).
69.     ASD FieldSpec 4—High Resolution Spectroradiometer. Available online: http://www.malvernpanalytical.com/en/products/product-range/asd-range/fieldspec-range/fieldspec4-hi-res-high-resolution-spectroradiometer (accessed on 18 August 2024).
70.     Di Gennaro, S.F.; Toscano, P.; Gatti, M.; Poni, S.; Berton, A.; Matese, A. Spectral Comparison of DRONE-Based Hyper and Multispectral Cameras for Precision Viticulture. Remote Sens. 2022, 14, 449. [Google Scholar] [CrossRef]
71.     Sousa, J.J.; Toscano, P.; Matese, A.; Di Gennaro, S.F.; Berton, A.; Gatti, M.; Poni, S.; Pádua, L.; Hruška, J.; Morais, R.; et al. UAV-Based Hyperspectral Monitoring Using Push-Broom and Snapshot Sensors: A Multisite Assessment for Precision Viticulture Applications. Sensors 2022, 22, 6574. [Google Scholar] [CrossRef] [PubMed]
72.     Geospatial Solutions. Available online: https://www.nv5geospatialsoftware.com/Solutions/ENVI (accessed on 18 August 2024).
73.     Desktop GIS Software. Available online: https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview (accessed on 18 August 2024).