Sandra Lorenz 1,*, Sara Salehi 2,3, Moritz Kirsch 1, Robert Zimmermann 1 ID, Gabriel Unger 1, Erik Vest Sørensen 2 ID и Richard Gloaguen 1 ID

1 Helmholtz-Zentrum Dresden-Rossendorf, Helmholtz Institute Freiberg for Resource Technology, Division "Exploration Technology", Chemnitzer Straße 40, 09599 Freiberg, Germany; m.kirsch@hzdr.de (M.K.); r.zimmermann@hzdr.de (R.Z.); g.unger@hzdr.de (G.U.); r.gloaguen@hzdr.de (R.G.) 2 Department of Petrology and Economic Geology, Geological Survey of Denmark and Greenland, 1350 Copenhagen K, Denmark; ssal@geus.dk (S.S.); evs@geus.dk (E.V.S.) 3 Department of Geosciences and Natural Resource Management, University of Copenhagen, 1165 Copenhagen K, Denmark * Correspondence: s.lorenz@hzdr.de; Tel.: +49-351-260-4487

Получено: 22 декабря 2017; Принято: 24 января 2018; Опубликовано: 26 января 2018

Аннотация: В последние годы наземная гиперспектральная съёмка вышла на первый план, облегчая трудоёмкую задачу картирования почти вертикальных, труднодоступных геологических обнажений. Методы съёмки обнажений с расстояния от одного до нескольких сотен метров, включая геометрическую коррекцию и интеграцию с точными моделями наземного лазерного сканирования, уже быстро развиваются. Однако исследований наземной съёмки удалённых объектов, находящихся на расстоянии нескольких километров, таких как горные хребты, отвесные скалы и борта карьеров, пока немного. Особенно серьёзной и до сих пор нерешённой проблемой для спектральных данных остаётся влияние атмосферы и различий в освещённости, обусловленных рельефом. Эти эффекты невозможно скорректировать стандартными средствами, предназначенными для надирных спутниковых или аэросъёмочных данных. В статье представлен адаптированный рабочий процесс для наземной съёмки с большой дальности, включающий атмосферную и топографическую коррекцию. На примере двух различных наборов данных показано его применение и значение предложенных поправок для достоверной геологической интерпретации. Продукты спектрального картирования интегрированы с трёхмерными фотограмметрическими данными для создания крупномасштабных «гипероблаков» — геометрически корректных представлений гиперспектрального куба данных. Предложенный рабочий процесс расширяет возможности гиперспектральной съёмки благодаря существенному увеличению масштаба наземных измерений.

Ключевые слова: гиперспектральная съёмка; топографическая коррекция; атмосферная коррекция; радиометрическая коррекция; съёмка с большой дальности; структура из движения (SfM); фотограмметрия; картирование минералов; картирование по минимуму длины волны; Маарморилик; Риотинто

гиперспектральная съёмка все чаще используется для поддержки разведки полезных ископаемых и геологических картографических кампаний. Полученные спектральные сигнатуры дают подробную информацию о составе горных пород и возникновении промышленных минералов. Гиперспектральные приборы обычно управляются с углом обзора надира, включающим различные масштабы охвата области и пространственного разрешения при работе на спутнике [1,2], самолете [3-6] или беспилотнике [7]. В зависимости от высоты поглощения в приобретаемом спектре может наблюдаться различное влияние атмосферы между датчиком и мишенью, а также различия освещения за счет топографии.

Образы. В попытке преодолеть эти эффекты были введены многочисленные подходы: атмосферные воздействия либо корректируются атмосферным моделированием с использованием моделей переноса излучения (например, [8-10]), использованием наземных целей с известными или предполагаемыми спектрами (эмпирическая калибровка линии [11], коррекция плоского поля [12], вычитание темных объектов [13]), либо комбинацией обоих [14]. В то время как модели передачи излучения основаны на правильном вводе набора внешних параметров и в основном используются для спутниковых и воздушных данных, использование наземных целей, темных объектов или плоских полей обеспечивает гораздо более простой подход. Однако эти методы требуют пространственного разрешения, достаточно высокого для разрешения спектрально однородной контрольной цели (целей) и/или разумных знаний о спектрах присутствующих материалов, и поэтому в основном используются для данных беспилотных летательных аппаратов или воздушных судов с низкими высотами захвата (например, [7,15]). В последние несколько лет появился наземный подход к использованию гиперспектральных датчиков для геологических применений. Смонтированное на штативе устройство может быть использовано для быстрого получения спектрально и пространственно высокоразрешенных данных почти вертикальных геологических обнажений, то есть пространственных ориентаций, которые не наблюдаются (или почти не наблюдаются) приборами с надиром. Ближайшие вертикальные обнажения могут включать крутые горные склоны, водные скалы, открытые шахтные стены и разрезы дорог. В частности, в арктических или влажных регионах, где снег и лед, лишайники или густая растительность покрывают поверхность Земли, исследование таких естественных или искусственных разрезов через слои может быть единственной возможностью получить спектральную информацию местной геологии. В настоящее время Наземные гиперспектральные датчики для геологических применений почти исключительно используются для целей на расстояниях от одного до нескольких сотен метров (например, [16-18]). В этом диапазоне пространственное разрешение варьируется от сантиметра до дециметра, что достаточно для разрешения даже небольших минеральных соединений и систем разломов. Другим значительным преимуществом измерений на близком расстоянии является незначительное влияние атмосферы, что потенциально исключает необходимость тщательной радиометрической коррекции. Вместо этого эмпирический подход с использованием опорных целей с той же ориентацией, расстоянием и условиями освещения, что и геологическая цель, достаточен для преобразования в отражательную способность. Однако наблюдение за геологической целью на близком расстоянии не всегда возможно или разумно. В частности, более крупные и вертикально ориентированные цели, такие как крутые горные склоны, скалы с морским или озерным лицом и стены больших открытых шахт, часто полностью видны только из противоположного места, такого как соседняя гора [19], уровень ямы, берег или даже лодка [20]. Расстояние между датчиком и интересующей мишенью может легко превышать ближний диапазон и простираться на несколько километров. Эти расстояния не только приводят к серьезным атмосферным искажениям, но и препятствуют логистической установке видимых эталонных целей для радиометрической коррекции, а также наземных контрольных точек для геореференции изображения. Кроме того, из-за гораздо большего масштаба наблюдаемой поверхности и наземной перспективы просмотра пиксели в одной сцене могут представлять диапазон различных расстояний и ориентаций, что приводит к сильно изменяющимся радиометрическим искажениям. По этим причинам, Методы коррекции, установленные для надирных приобретений, неприменимы или нуждаются в интенсивной модификации с учетом особых условий наземного зондирования на больших расстояниях. В этой статье мы встречаем эти дополнительные проблемы и представляем новый рабочий процесс, который позволяет создавать полностью скорректированные данные наземных гиперспектральных изображений дальнего действия для геологических применений. В дополнение к сенсорной коррекции геометрических искажений рабочий процесс теперь включает в себя новый подход к радиометрической коррекции наземных данных дальнего действия, а также алгоритм топографической коррекции, основанный на интеграции с данными 3D поверхности с использованием автоматических алгоритмов сопоставления. Мы также описываем подробную методологию получения 3D-гипероблаков, т.е. геометрически корректных представлений гиперспектрального куб данныха, для отображения генерируемых продуктов спектрального картирования. Представленные методы будут включены в открытый исходный код Mineral Exploration Python Hyperspectral Toolbox MEPHySTo [7]. Мы демонстрируем методологию в двух областях, которые различаются по геологии, климату и научным целям. Первая область расположена в арктической среде, где два гиперспектральных сканирования, полученных с разных точек зрения, используются для обнаружения и отображения минералогических вариаций в составе мраморов формирования Марморилика в Западной Гренландии. Единая карта результатов интегрирована с данными фотограмметрии для обеспечения пространственного контекста и 3D-вида, который может быть интегрирован в 3D-моделирование. Второй набор данных был приобретен в заброшенной открытом карьере.

шахта Corta Atalaya недалеко от Минас-де-Риотино, Испания. Испанский набор данных демонстрирует применимость исправленного набора данных для картирования зоны изменения массивного сульфидного месторождения в жарких и пыльных условиях, а также интегрируемость наборов данных, полученных в разное время.

Первая исследовательская зона расположена в центральной Западной Гренландии, в районах Уумманнак Фьорд и Каррат Исфьорд (рисунок 1). Исследованная область охватывает большую часть полуострова Нунгарут в фьорде Каамаруджук, где расположен бывший шахтерский город Маарморилик. Близлежащее месторождение Black Angle Pb-Zn отделено от полуострова Нунгарут меньшим фьордом Affarlikassaa. Область исследования принадлежит формации Mârmorilik, последовательности пород с преобладанием карбоната толщиной 1600 м, представляющей самую южную стратиграфию палеопротерозойской группы каррата [21]. Он был отложен между 2,1 и 1,9 Г в эпиконтинентальном предельном бассейне в виде карбонатов платформы [21], несоответствующим образом перекрывает набор сильных деформированных архейских ортогней и покрыт метаосадочными породами типа флиша Nûkavsak Formation [22]. В формации Марморилика преобладают богатые доломитом мраморы в нижней части и богатые кальцитом мраморы в верхней части. Локально переплетаются горизонты кварцитов, богатых тремолитом мраморов и возможных метаморфозных испарений в виде ангидрита [21,23]. Месторождение Black Angel Mississippi-Valley-Type (MVT) Pb-Zn расположено в формации Mârmorilik [22,24], вызывая надпечатку мрамора базальными рассолами. Вся последовательность архейского подвала и группы Каррат была сильно сложена и сдвинута орогенезом Нагсугтокидиана-Ринкя. Во время этого орогенеза формация Марморилика претерпела по меньшей мере три фазы деформации [19], что привело к перекристаллизации и метаморфизму в условиях высокого гриншизма до амфиболитных фаций [25]. Формирование Mârmorilik интерпретируется как боковой эквивалент образования Qaarsukassak [26]. и вместе образуют несколько сотен квадратных километров большой перспективной области для минерализации цинка [19,27].

Корта Аталая, недалеко от Минас-де-Риотино в провинции Уэльва (южная Испания), имеет размер 1200 × 900 м и максимальную глубину 365 м, одна из самых известных открытых ям горнодобывающего района Риотинто (рисунок 1). Вулканогенная массовая минерализация сульфида (VMS) Риотинто связана с Иберийским поясом пирита (IPB), который считается местом наибольшей концентрации массивных сульфидов в земной коре [28]. IPB расположен в северном сгибе и поясе тяги позднего варисканского возраста [29], простирающемся от востока Сетубала, Португалия, к северу от Севильи, Испания, и был широко добыт для меди, марганца, железа и золота начиная с бронзового века. В Риотинто литостратиграфическую последовательность можно разделить на три единицы (снизу вверх): (i) филлиты и кварциты; (ii) сланцы, базальтовые подоконники, фельсовые вулканы (риолиты и дациты); и (iii) так называемая серия Калма (грейваки и сланцы). Объективы VMS расположены в пределах фельсовых вулканов от верхнедевонского до нижнего каменноугольного возраста [28]. Зоны хлоритного и аргиллитического изменения связаны с массивной минерализацией сульфида. Запасные зоны возникают под линзами в непосредственной близости от разломов [28]. Госсан обычно образуется в кепке выше. Месторождение самого Риотинто расположено в шарнире антиклины E-W-trending с восточным погружением оси складки. Корта Аталая расположена на южном фланге этой так называемой антиклины Риотинто. Стоковые и массивные рудные тела связаны с ударными тягами E-W. Набор более поздних поперечных разломов, ориентированных на NW-SE, компенсирует антиклину Риотинто. Самый известный из этих недостатков, Фалла Эдуардо, Вытесняет массивное сульфидное тело Сан Дионисио примерно на 150 м к югу и находит свое продолжение в рудном теле Филон Сур к востоку от Корта Аталая [28]. Массивный сульфидный корпус Сан-Дионисио, который эксплуатировался в Корта-Аталая, первоначально имел запасы в 100 миллионов тонн. Первоначально шахта была посвящена добыче сульфидов железа и меди (в основном пирита с меньшим количеством халькопирита).

Первоначальная цель состояла в том, чтобы извлечь медь из сульфидов меди, но впоследствии сера, содержащаяся в пирите, использовалась для производства серной кислоты до окончательного закрытия открытой ямы в 1991 году [28].

Данные гиперспектрального изображения (HSI) были получены с помощью сканера SPECIM AisaFENIX. Сканер имеет 384 пикселей с 624 спектральными полосами каждый, охватывающими видимый и ближний инфракрасный (VNIR) диапазон от 380 до 2500 нм. Спектральное разрешение (полная ширина при половине максимума — FWHM) варьируется от 3,5 нм для VNIR до 12 нм, в SWIR на расстоянии спектральной выборки около 1,5 нм (VNIR) и 5 нм (SWIR) соответственно. При установке прибора на поворотной ступени можно получить непрерывное гиперспектральное изображение с вертикальным полем зрения (FOV) 32,3. и максимальным углом сканирования 130. в одном измерении. Во время измерений было зафиксировано положение GPS камеры, время приобретения и общее направление просмотра (отсюда именуемое «угол камеры»). Белая панель Spectralon SRS-99 была установлена рядом с камерой в FOV и с такой же общей ориентацией, как и на изображенном обнажении.

Изображения для реконструкции геометрии поверхности были записаны с помощью предварительно откалиброванных RGB и гиперспектральных камер. В случае с Maarmorilik использовался Nikon D800E с 35-мм объективом 1.4 Zeiss с вертолёта. 3D-облако CortaAtalaya было основано на слиянии изображений, полученных с помощью дронов, с гиперспектрального изображения RikolaHyperspectral Imager (красная полоса) и Canon EOS M с объективом EF-M 22 мм f/2 STM (в виде изображения серого масштаба). Позиции камеры были получены из подключенного GPS-устройства, тогда как геометрия изображения была реконструирована с использованием рабочего процесса Structure from Motion (SfM) и MultiView Stereo (MVS). До обработки фотограмметрии были удалены искажения изображения.

Пробы основных литологий были взяты для проверки исправительного рабочего процесса и результатов картографирования полезных ископаемых. Местоположение образцов записывалось с помощью портативного GPS-устройства. Спектры репрезентативных свежих и измененных поверхностей пород были приобретены in situ с использованием портативного спектрорадиометра спектральной эволюции PSR-3500 с использованием контактного зонда (размер пятна 8 мм) с внутренним искусственным источником света. Его спектральное разрешение составляет 3,5 нм (1,5 нм интервал выборки) в VNIR и 7 нм (2,5 нм интервал выборки) в SWIR, что приводит к 1024 каналам в спектральном диапазоне от 350 до 2500 нм. Значения излучения были преобразованы в коэффициент отражения с использованием калиброванной панели PTFE с коэффициентом отражения >99% в VNIR и >95% в SWIR (либо Spectralon SRS-99, либо Zenith Polymer). Каждая спектральная запись состояла из 10 отдельных измерений, которые проводились последовательно, а затем усреднялись.

Полученные необработанные гиперспектральные наборы данных сначала преобразуются в At-Sensor-Radiance с использованием вычитания темного тока с последующей нормализацией изображения и умножением данных радиометрической калибровки для датчиков и полос (рисунок 2). На втором этапе необходимо применить две геометрические коррекции сенсорных оптических искажений. Первым эффектом является искажение вдоль FOV, сравнимое с искажением линз рыбьего глаза. Это приводит к увеличению укорочения изображения от центра до верхних и нижних границ изображения. Второй эффект может быть описан как изгиб щели и относится к изогнутой записи сканируемой (прямой) линии. Оба эффекта могут быть удалены путем применения значений коррекции для каждого пикселя в FOV. Необходимые параметры включены в таблицу поиска, предоставленную производителем датчика. В случае, если несколько сканов одной и той же сцены были получены с одинаковыми настройками, на этом этапе может быть выполнена укладка и усреднение этих сцен. Путем укладки изображений соотношение сигнал-шум может быть увеличено, уменьшая возможные изменения временного освещения из-за изменения облачного покрова.

После преобразования необработанных гиперспектральных данных в излучение необходимо применить преобразование в отражательную способность датчика, которое может быть достигнуто с помощью белой опорной панели, расположенной рядом с датчиком. Эта эталонная мишень Spectralon (SRS-99) близка к идеальному ламбертовскому отражателю с коэффициентом отражения >99% в VNIR и >95% в SWIR. Его точный спектр отражения известен и может быть использован для эмпирической коррекции линии данных излучения. Таким образом, рассчитывается и применяется линейная регрессия между значениями излучения изображения и значениями эталонного отражения для каждой полосы. В зависимости от расстояния изображения и климатических условий полученное изображение с отражательной способностью датчика может по-прежнему иметь атмосферные искажения (см. Рисунок 3). В отличие от аэро- или космических данных, можно предположить, что специфический для сцены промежуточный атмосферный слой имеет однородную композицию с незначительными вариациями. Тем не менее, количество атмосферного воздействия варьируется для каждого пикселя и зависит в основном от расстояния между датчиком и мишенью, но также может зависеть от местных изменений, например, от различной интенсивности водяного пара.

Учитывая эти обстоятельства, мы пытаемся выполнить радиометрическую коррекцию для удаления атмосферных искажений с использованием одного спектра атмосферной коррекции для каждой сцены. Интенсивность коррекции должна меняться в зависимости от количества атмосферных искажений. Поправочный подход

Чтобы быть надежным и независимым от дополнительных параметров или знаний о составе воздействующего атмосферного слоя, спектр коррекции атмосферы выводится непосредственно и автоматически из самого гиперспектрального изображения. Таким образом, спектр коррекции представляет собой всеобъемлющее представление всех спектральных компонентов атмосферы, которые могут включать в себя атмосферную пыль, водяной пар и другие атмосферные газы. Спектр коррекции не является ни селективным, ни ограниченным определенными компонентами и, таким образом, применим для любых атмосферных условий. Из-за предполагаемого постоянного состава атмосферы над сценой глубины всех связанных с атмосферой особенностей должны меняться одинаково, если атмосферное влияние изменяется. Такой подход позволяет оценить величину атмосферного воздействия для каждого пикселя по глубине только одной особенности поглощения атмосферы и устраняет необходимость в атмосферных моделях, дополнительных калибровочных мишенях и измерениях расстояния. В настоящее время так называемая функция управления обязательно должна быть как общей во всех возможных атмосферных композициях, так и достаточно сильной, чтобы ее можно было обнаружить даже при низком атмосферном воздействии. Кроме того, он не должен пересекаться с какими-либо характерными особенностями, связанными с минералогией, чтобы избежать помех и ошибок. Полоса поглощения, которая, как мы обнаружили, наилучшим образом соответствует этим условиям, расположена на 1126 нм (рисунок 3d) и связана с парами атмосферной воды [14]. Атмосферный корректирующий рабочий процесс состоит из нескольких этапов, которые также можно скорректировать на рисунке 3:

1. Маскировка связанных с небом пикселей: все пиксели изображения, представляющие небо и небо, отраженные зеркальными поверхностями, такими как вода, автоматически маскируются от отражения изображения с использованием соотношения между полосами изображения, расположенными на 410 и 890 нм. Эти положения длины волны должны охватывать два конца экстремального снижения отражения VNIR, которое характерно для спектров, связанных с небом. Эта характерная форма приводит к обычно очень четкой разнице в соотношении между пикселями неба и ненеба. В наших примерах порог маскировки был наиболее успешным в диапазоне соотношения между 1,0 и 2,0. 2. Определение и обработка возможных спектров коррекции: Глубина управляющей функции при 1126 нм рассчитывается для всех оставшихся пикселей. Все пиксельные спектры с глубиной управляющего признака в пределах 80-100% от максимума извлекаются в виде набора управляющего спектра (рисунок 3а), который будет использоваться для определения окончательного спектра коррекции атмосферы. Удаление континуума и выравнивание глубины контрольного признака применяются на каждом спектре набора управления отдельно. Соответствующий корпус континуума вычисляется с использованием линейной интерполяции пошаговых приобретенных максимумов по всему соответствующему спектру (рисунок 3b). Движущееся окно для расчета корпуса континуума может быть либо установлено на фиксированный размер шага, либо ограничено конкретными запасенными диапазонами длин волн, которые расположены снаружи или на краю известных атмосферных абсорбционных окон. 3. Исключение неатмосферных признаков: Некоторые спектры полученного уравненного набора контрольных спектров могут по-прежнему содержать дополнительные неатмосферные поглощения. Эти признаки должны быть исключены из спектра коррекции во избежание ослабления или удаления важных минералогических признаков в процессе атмосферной коррекции. В отличие от атмосферных особенностей, неатмосферные поглощения происходят с различной интенсивностью и только в спектральном подмножестве контрольных спектров (рисунок 3c,d). Они могут быть исключены из спектра управления, установленного путем поддержания только самых высоких из всех спектральных значений для каждой длины волны. При необходимости используемый порог может быть изменен вручную. 4. Расчет и применение спектра конечного контроля: Оставшаяся спектральная информация усредняется для каждой длины волны, чтобы уменьшить возможный шум. Результат всей процедуры обеспечивает единый спектр коррекции с удалением континуума, содержащий исключительно характерный атмосферный вклад анализируемого гиперспектрального изображения (рисунок 3d). Сама атмосферная коррекция выполняется по пикселю. Для каждого пикселя интенсивность спектра коррекции должна быть отрегулирована как на глубину, так и на значение отражения функции управления в спектре пикселей. Сама коррекция достигается простым делением спектра пикселей на скорректированный спектр коррекции. Первоначальная интенсивность отражения сохраняется в скорректированных спектрах изображения во время этого процесса.

Время обработки для автоматической коррекции гиперспектрального сканирования с пространственными и спектральными размерами, как в наших примерах, составляет менее одной минуты. Таким образом, метод чрезвычайно экономит время и усилия и может быть легко интегрирован в рабочий процесс пакетной обработки. В зависимости от соотношения сигнал/шум (SNR) обработанного набора данных может быть выгодно последующее сглаживание минимального шума (MNF). Сглаживание MNF влечет за собой преобразование изображения в пространство MNF, отказ от полос с низким SNR и последующую обратную трансформацию в исходное пространство изображения [30]. Число полос MNF, подлежащих отклонению, может быть определено путем рассмотрения функции собственных значений вычисленных полос MNF, которая достигает плато после резкого увеличения и предполагает отклонение, если функция асимптотических собственных значений приближается к линейной функции [31].

Цифровая модель поверхности основана на аэрофотоснимках с использованием алгоритмов Structure-from-Motion MultiView Stereo(SfM-MVS) в Agisoft Photoscan Professional 1.2.5. SfM-MVS - это недорогой, удобный рабочий процесс, сочетающий фотограмметрические методы, 3D компьютерное зрение и обычные методы съемки. Он решает уравнения для позы камеры и геометрии сцены автоматически, используя очень избыточную настройку пучка [32,33]. Типичный рабочий процесс SfM-MVS в направлении окончательной модели поверхности состоит из следующих восьми этапов [33,34]:

1. Обнаружение характерных точек изображения; 2. Автоматическое сопоставление точек с использованием гомологичной трансформации; 3. Фильтрация ключевых точек — этот шаг имеет решающее значение для точности модели и проверки более поздних результатов [35]; 4. Итеративная корректировка пакета для реконструкции геометрии получения изображения и внутренних параметров камеры; 5. Масштабирование и геореференсирование внутренней системы координат к доступным опорным точкам (GCP) или координатам камеры и оптимизация результирующего разреженного облака; 6. Применение алгоритмов MultiView Stereo (плотное сопоставление) для вычисления плотного облака — результирующее плотное облако является основой для геометрической коррекции гиперспектральных данных; 7. Интерполирование плотного облака с помощью, например, сетки или обратного удалённого взвешивания (IDW), для извлечения цифровой модели поверхности (DSM); 8. Текстурирование 3D-модели.

Знание угла падения солнца для каждого пикселя гиперспектрального изображения имеет решающее значение для его топографической коррекции. В отличие от данных надира, вертикальные сканы обнажения могут иметь несколько пикселей, расположенных в любом заданном положении координат широты / долготы, которое может быть только пространственно дифференцировано их значениями высоты. Таким образом, общие инструменты для расчета угла наклона, аспекта и угла падения солнца цифровых моделей подъема (DEM) не могут быть применены здесь. Вместо этого мы вычисляем угол падения Солнца для каждой отдельной точки облака точек, генерируемого в разделе 4.3, как угол между нормальной точкой и вектором Солнца (рисунок 4а). Нормы точки были либо рассчитаны во время построения облака точки, либо могут быть вычислены задним числом с помощью триангуляции соседних точек. Вектор Солнца характеризуется

при этом SE является углом возвышения солнца и AZ азимутом солнца в заданную дату, время и положение приобретения. Расчетные углы падения солнца хранятся в виде дополнительных точечных свойств в файле облака точек и сохраняются на всех последующих этапах обработки.

Для топографической коррекции и окончательного создания 3D-гипероблака необходима интеграция гиперспектральных данных 2Dи облачных данных 3D-точки. Чтобы облегчить автоматическое сопоставление и уменьшить искажение в последующем процессе обертывания, облако точек проецируется на 2D-поверхность таким образом, что напоминает вид гиперспектральной камеры во время получения изображения. Здесь крайне важно, чтобы

Через весь процесс последующих преобразований исходные координаты каждой точки облака сохраняются в качестве дополнительных параметров. Из-за нажимного характера датчика не подходит простая орфографическая проекция облака точек на плоскость. Вместо этого облако точек сначала преобразуется так, что положение камеры устанавливается как новое происхождение, а угол обзора камеры устанавливается вдоль оси Y системы координат.

Trans f ormed points = Оригинальные точки −Camera Position *(−Camera Angle). (2)

Пространственное отношение между облаком точек, углом камеры и положением камеры в преобразованной системе координат показано на рисунке 5.

Каждая координата точки преобразованного облака точек теперь соответствует вектору →v между преобразованным положением камеры в (0,0,0) и точкой в (x3D, y3D, z3D). Если мы предположим, что камера FOV представляет собой подмножество виртуальной окружающей сферы зрения с центром в положении камеры, облако точек может быть проецировано на эту сферу путем нормализации каждого вектора точек с помощью FOV.

См. также Рисунок 5b. Проецируемое облако точек теперь разворачивается на 2D-плане с помощью цилиндрической проекции.

с x2D и y2D, являющимися декартовыми координатами созданного 2D-изображения, и с xn, yn и zn или ρ и φ, являющимися декартовыми или сферическими координатами нормализованного облака точек 3D,

соответственно (рисунок 5с). Угол, под которым разрезается цилиндр для проекции, может быть задан дополнительным параметром. Проекция в 2D-пространство учитывает все точки в истинной линии обзора гиперспектральной камеры, которая включает в себя точки, скрытые за точками на переднем плане (передние точки), такие как задняя сторона горы (задние точки). Это приводит к появлению артефактов в созданном 2D-изображении (см. Рисунок 6а) и негативно влияет на последующие этапы обработки. Используя максимальный порог для исходного пространственного расстояния между соседними точками, неблагоприятные задние точки могут быть удалены. Чтобы обеспечить быструю обработку даже для огромных облаков точек, используется движущееся окно для обработки нескольких точек одновременно. Для каждого приложенного окна находится содержащаяся точка с самым близким расстоянием до положения камеры. Это расстояние можно вычислить по исходной координации облака точек, которое сохраняется в качестве дополнительных параметров точек. Таким образом, выгодно использовать только исходную координационную ось, которая была ближе всего к исходному углу камеры. В то время как соседние передние точки показывают аналогичное местоположение с разницей от дециметров до нескольких метров (в зависимости от пространственной точности данных), задние точки в основном имеют местоположения далеко, с расстояниями от нескольких десятков до сотен метров от ближайшей передней точки камеры. В соответствии с этим устанавливается порог, и все полученные обратные точки удаляются (рисунок 6b). Из-за характера этого рабочего процесса меньший размер окна гарантирует более высокую точность, а также более высокое время вычислений.

После удаления мешающих обратных точек оставшиеся передние точки интерполируются в растр с пространственным разрешением, аналогичным или немного превышающим пространственное разрешение гиперспектральных данных. Помимо информации о цвете RGB, этот орто-изображение имеет четыре дополнительные полосы, содержащие исходные координаты облака точек и рассчитанные углы падения солнца. Созданный растр RGB теперь можно использовать для автоматической совместной регистрации гиперспектрального изображения. Соответствующий рабочий процесс, используемый для совместной регистрации, будет частью набора инструментов MEPHySTo, представленного в Jakob et al. [7], а также успешно адаптирован и используется для интеграции сосудных гиперспектральных данных и облаков 3D точек в сопроводительной статье [20]. Рабочий процесс основан на алгоритме SIFT (Scale-invariant Feature Transform) [36], который из обоих изображений извлекает локальные функции или ключевые точки, которые инвариантны для трансляции, вращения и масштабирования и частично инвариантны для аффинной или 3D-проекции и изменения освещения. FLANN (Быстрая библиотека для ближайших соседей)

В библиотеке алгоритмов [37] найдены корреляционные пары точек между двумя наборами ключевых точек. Наиболее подходящие пары точек используются в качестве контрольных точек для полиномиального деформирования гиперспектрального изображения, чтобы поместиться на растре RGB. После совместной регистрации каждая перекрывающаяся точка обоих наборов данных имеет спектральные данные высокого разрешения, географическое положение и высоту, а также угол падения солнца во время приобретения.

Топографическая коррекция аналогична подходу, описанному в Jakob et al. [7]. Основное различие заключается в расчете углов падения солнца, специфичных для пикселей, что описано выше в разделе 4.4. Вычисленные углы теперь можно использовать для применения алгоритма топографической коррекции. Метод c-фактора дал наилучшие результаты коррекции всех методов, реализованных в наборе инструментов, и достиг очень плавной и точной коррекции даже при высоких различиях освещенности (см. Рисунок 4с). Топографически скорректированное изображение рассчитывается

где c - a/m от линейной регрессии re fo = a + m ∗IL и IL = cos(i) [38]. Подход c-фактора применяется отдельно для каждой спектральной полосы. Коррекция общего гиперспектрального сканирования обычно занимает менее минуты. Для очень темных и глубоко затененных областей изображения пиксели могут быть сильно перекорректированы. Эти пиксели характеризуются экстремальными, вплоть до бесконечных значений, которые явно превышают общий диапазон значений данных отражения. Пораженные пиксели обнаруживаются и маскируются с использованием соответствующих порогов, которые устанавливаются в соответствии с минимумом спектрального отражения и максимумом топографически некорректированного изображения (например, 0 и 1).

Окончательно исправленный HSI теперь можно использовать для последующего отображения и интерпретации. В настоящем документе для проверки качества и применимости данных для картографирования полезных ископаемых в качестве примера используется подход к картированию с минимальной длиной волны (MWL). Картографирование MWL с помощью Wavelength Mapper[39,40] направлено на оценку положения самой глубокой функции поглощения в заданном диапазоне длин волн. Положение минимума поглощения является ключом к увязке поверхностной минералогии с тонкими вариациями минерального состава (например, смещение функции Al-OH в зависимости от координации Al). Сначала вычисляется кривая корпуса и делится на спектры. Во-вторых, положение и глубина наиболее заметного поглощения вычисляются с помощью полиномиальной функции второго порядка. Эти два параметра могут быть использованы для создания карт положения MWL, где положение исследуемого признака отображается изменением цвета, а интенсивность цвета контролируется глубиной поглощения. Успех картографического подхода MWL в решающей степени зависит от анализа тонких изменений положения и глубины в основном небольших минералогических особенностей поглощения. Поэтому это отличная возможность оценить методы коррекции изображения, которые влияют как на соотношение интенсивности между одиночными пикселями изображения (топографическая коррекция), так и на форму самого спектра (радиометрическая и атмосферная коррекция). В этом контексте успешное устранение искажений так же важно, как поддержание существующих и реальных отношений интенсивности и спектральных признаков.

В конце рабочего процесса, описанного выше, каждый пиксель HSI (и любой картографический продукт HSI) имеет определенное географическое положение и высоту через соответствующий пиксель в прогнозируемом и растеризованном облаке 2D-точки. Получив эту информацию для каждого пикселя спектрального растра, мы можем создать так называемое «гипероблако», которое визуализирует спектральные данные как 3D-облако точек. Отображаемые данные могут содержать любые спектральные данные или результат, такие как простые данные отражения, результаты декорреляции и методы отображения конечного элемента, или результаты отображения MWL, как представлено.

Вот. Гипероблако может отображаться и обрабатываться дополнительно с помощью соответствующего программного обеспечения 3D, такого как CloudCompare (программное обеспечение GPL с открытым исходным кодом, извлекаемое из http://www.cloudcompare.org/) или SKUA-GOCAD (Emerson/Paradigm, Хьюстон, США). Если гиперспектральная съемка состояла из нескольких сканирований, охватывающих различные части наблюдаемой области, создание гипероблаков может быть отличным вариантом для установки единичных результатов отображения в пространственный контекст путем одновременного отображения или слияния нескольких гипероблаков. Гипероблако 3D также позволяет интегрироваться с другими наборами пространственных данных, такими как скважины или структурные наблюдения.

Два гиперспектральных сканирования были получены из двух разных мест сканирования, охватывающих большую часть южного и восточного побережья полуострова Нунгарут (рисунок 1а). Приблизительное расстояние между датчиком и наблюдаемой целью составляло от 2 до 5 км для большинства всех пикселей изображения, связанных с обнажением. Несмотря на общие сухие и солнечные условия во время приобретения, многочисленные резкие особенности атмосферного поглощения в спектральных данных (см. Рисунки 3 и 7) предполагали высокое влияние атмосферного слоя между датчиком и мишенью. На рисунке 7 показаны известные основные атмосферные вклады (в данном случае водяной пар, CO2, O2 и O3) в общие наблюдаемые атмосферные возмущения и полученный расчетный спектр, используемый для коррекции. Мы показываем, что представленный здесь метод радиометрической коррекции позволяет практически полностью устранить влияние атмосферы, в то время как типичные минерально-связанные спектральные особенности формирования Марморилика остаются. В результате атмосферно скорректированного целевого спектра оставшиеся признаки поглощения, несомненно, связаны с характерными минеральными особенностями. Помимо отличительной карбонатной особенности мрамора Марморилика, четко представлены характерные особенности AlOH и OH/H2O. Эти характерные поглощения связаны либо с обильными испарительными гипсом и/или глиняными минералами, происходящими из включений, либо с близлежащими горизонтами пелита, которые, как известно, присутствуют в этой литологической единице. Скан 1, изображающий южную обрыв полуострова Нунгарут, был прямо противопоставлен солнцу во время измерений и поэтому равномерно освещен. Скан 2, приобретенный утром и обращенный к восточному побережью полуострова, отличался высокой освещенностью. Топографическая коррекция имеет решающее значение для последующего картографического процесса (рисунок 4с). С атмосферными и топографическими поправками, успешно применяемыми к гиперспектральным куб данныхам, они обеспечивают основу для характеристики минералогического состава карбонатов формирования Марморилика, что имеет отношение к картированию разведки. Идентификация различных карбонатов из гиперспектральных данных возможна с использованием положения и глубины связанной с карбонатом вибрационной полосы поглощения от 2310 до 2340 нм [41]. В то время как чистый кальцит имеет поглощение около 2340 нм, полоса поглощения чистого доломита происходит при 2320 нм. Связанные с карбонатом поглощения на еще более коротких длинах волн могут указывать на возникновение тремолита вместе с доломитом. Эта связь подтверждается спектроскопическим анализом репрезентативных образцов пород из формации Марморилика (рисунок 8а). Элементарный и минералогический состав образцов дополнительно подтвержден pXRF (портативная рентгеновская флуоресценция) и анализом тонкого сечения, соответственно (см. Rosa etal. [19]; pers. commun. C.A. Partin). Из результатов pXRF были рассчитаны соответствующие соотношения Ca/Mg четырех-шести точек измерения на каждом образце и сопоставлены с классификацией известняков и доломитов Чилингара [42]. Образец #SLA15 имеет высокое соотношение Ca/Mg между 31,2 ± 0,7 и 619,3 ± 13,7 и поэтому классифицируется как кальцитный известняк. Соотношение образца #562032 варьировалось между 2,0 ± 0,5 и 5,9 ± 0,9, что указывает на высокодоломитный известняк или известковый доломит. Образец #562048 колеблется между доломитом и магнезианским доломитом с низким соотношением Ca/Mg между 1,0 ± 0,1 и 2,0 ± 0,1 [42]. Таким образом, простой подход к картированию MWL обеспечивает хорошее средство для устранения этих различных фаз карбоната в обнажении (рисунок 9). Пелитовые горизонты и некарбонатитические породы, которые спектрально характеризуются очень слабыми или

Несуществующие карбонатные признаки были замаскированы с использованием порога, основанного на глубине MWLкартографированного карбонатного признака. Контакт между верхней и нижней формациями Mârmorilik хорошо виден на восточном склоне Нунгарута, так как в нижней формации Mârmorilik преобладает доломит, связанный с богатыми тремолитом горизонтами [43], тогда как в верхней формации Mârmorilik преобладает кальцит. Также можно проследить доломитизацию по разломам.

Для Corta Atalaya используются три перекрывающихся гиперспектральных сканирования для демонстрации описанного рабочего процесса (рисунок 1b). Сканы были приобретены с одной и той же панорамной точки зрения Corta Atalaya, но в разное время: Scan 1 был приобретен в марте 2016 года, а Scans 2 и 3 были приобретены в октябре 2016 года. Расстояние между датчиком и мишенью составляет от 400 до 1100 м. Условия в оба дня приобретения были сухими и солнечными, с очень хорошей и постоянной подсветкой изображенной пит-стены. Несмотря на более короткое расстояние до цели по сравнению с испытательным полигоном Нунгарут и средиземноморскими климатическими условиями, то есть с жарким и сухим летом, в данных изображения наблюдались различные особенности поглощения атмосферы. Все сканы были атмосферно скорректированы и геометрически исправлены с помощью фотограмметрического облака точек. Топографическая коррекция была предпринята, но в итоге признана ненужной, поскольку геологически наиболее интересная северная и восточная часть обнажения освещена равномерно, а затененная южная стена ямы не содержит достаточной спектральной информации. После предварительной обработки и исправления сцен на всех трех сценах было проведено отображение положения с минимальной длиной волны функции AlOH между 2190 и 2215 нм, чтобы наглядно показать возможность исправленных наборов данных для отображения изменений. Созданные гипероблака показывают большое совпадение в зонах изменения карты и могут быть легко объединены в одну последнюю карту Hypercloud AlOH (рисунок 10). Спектральная валидация результата картирования проводилась с использованием набора данных полевого спектрометра, полученных in situ. Из-за ограниченной доступности шахты спектральные показания ограничены несколькими уровнями шахты. Однако, Можно было бы охватить широкий спектр литологий и сравнить его с соответствующим спектром пикселей HSI. Выбор показан на рисунке 11а и доказывает сходство спектральной формы и возникновение спектральных признаков между спектрами изображения и поля. Данная плотность выборки поля позволяет также проверить распределение положения AlOH MWL. На рисунке 11b положение функции AlOH каждого измерения спектрометра поля в основной интересующей области отображается в виде цветных квадратов с использованием той же цветовой шкалы, что и основной результат отображения HSI.

Оба сценария испытаний содержат спектральные искажения из-за особенностей поглощения атмосферы. В Корта-Аталая / Испания большинство наблюдаемых особенностей поглощения атмосферы могут происходить как от водяного пара в озере, так и от пыли и частиц, вызванных близлежащей добычей.

деятельность в соседней открытом карьере Серро Колорадо. Это предположение подтверждается распределением атмосферно нарушенных пикселей изображения, которые напрямую не связаны с расстоянием до цели и датчика, но в основном происходят в областях, где сигнал необходим для прохождения над поверхностью воды в шахте. Напротив, для участка Гренландии интенсивность поглощения атмосферы была примерно пропорциональна расстоянию между датчиком и мишенью. Здесь можно предположить вклад как общей влажности воздуха, так и паров воды из фьордов, разделяющих полуостров Нунгарут, и соответствующих позиций наблюдения на прилегающих скалах. Общее атмосферное воздействие на сигнал было намного выше, чем в Корта Аталая, что может быть связано как с явно увеличенным расстоянием до цели, так и с более высокой влажностью воздуха в арктическом климате. Описанный новый рабочий процесс коррекции атмосферы учитывает эту изменчивость в составе атмосферного слоя между датчиком и мишенью, извлекая форму кривой коррекции непосредственно из сцены и определяя интенсивность коррекции в соответствии с пиксельной глубиной поглощения атмосферы, а не расстоянием до цели. Для всех пяти обработанных наборов данных подход к атмосферной коррекции был быстрым и надежным. Атмосферные поглощения были удалены, в то время как общая спектральная форма и меньшие минеральные свойства были сохранены. Было показано, что коррекционный подход относится ко всем распространенным атмосферным компонентам, которые способствуют полученному повсеместному сигналу и которые мы приписываем атмосферным возмущениям. Кроме водяного пара, Это может включать любые обильные атмосферные газы (такие как CO2 или O3) и незначительное или повсеместное количество атмосферной пыли, которые показывают значительные спектральные характеристики поглощения в VNIRи SWIR. Только в редких случаях экстремального количества локально концентрированной атмосферной пыли или газа, например, из-за взрыва или выхлопа отработанных газов в шахте, может не сработать атмосферная коррекция для пораженной области изображения. В этом случае локальные атмосферные возмущения будут отклоняться от используемого спектра коррекции и вызывать неудовлетворительный спектральный результат. Однако таких сценариев можно легко избежать с помощью соответствующих сроков получения изображения, например, перед запланированными взрывными операциями. Следует отметить, что для сильно искаженных пикселей спектральный шум может оставаться в прежних положениях поглощения атмосферы. Пораженные пиксели в основном происходят от очень отдаленных целей. Здесь доля целевого сигнала на спектральном сигнале, принимаемом на датчике, настолько мала, что снятие атмосферного воздействия приводит к крайне низкому отношению сигнал-шум возвращаемого спектра, который поэтому кажется шумным и бесхарактерным. Это может указывать на верхний предел расстояния для HSI большой дальности. Однако этот предел будет находиться на расстоянии до десяти и более километров в зависимости от атмосферных условий сцены. На этом расстоянии результирующий пиксельный след на земле будет находиться в диапазоне нескольких сотен квадратных метров, что ставит под сомнение информативность измерения. В заключение мы смогли доказать успешное применение введенного подхода атмосферной коррекции в пределах разумного расстояния визуализации.

Как показано на примере полуострова Нунгарут на рисунке 4, топографическая коррекция необходима при определенных обстоятельствах, так как она обеспечивает сопоставимость интенсивностей поглощения между по-разному освещенными частями изображения. Однако, в то время как коррекция эффективна для корректировки изменений интенсивности, она не может реконструировать спектральные особенности в плохо освещенных областях изображения с связанной низкой интенсивностью сигнала, SNR и особенностью детализации. Поэтому мы рекомендуем маскировать или хотя бы тщательно интерпретировать крайне плохо освещенные или глубоко затененные части изображения. Мы также предлагаем оценить полезность топографической коррекции для каждой изображенной сцены. Исходя из нашего общего опыта и конкретных характеристик показанных примеров, природные цели, такие как горные склоны или скалы, часто имеют более гладкую топографию и, следовательно, более последовательное освещение, чем искусственные обнажения, такие как карьеры и открытые шахты. В естественных мишенях при результирующих более плавных переходах между частями изображения с максимальной и минимальной подсветкой соответственно топографическая коррекция обычно хорошо работает. Искусственные цели часто имеют террасную геометрию и / или грубые края из-за взрыва и раскопок, что создает большую подсветку.

различия. Топографическая коррекция не обязательно даст улучшение изображения, так как применяемые исправления в хорошо освещенных частях незначительны, в то время как коррекция темных частей может быть бесполезной по указанным причинам. Метод c-фактора, несмотря на его хорошую производительность для топографической коррекции, необходимо применять осторожно. Благодаря повязочному вычислению коррекционного фактора с помощью линейной регрессии экстремальные или бесконечные значения в одной или нескольких полосах могут вызвать преувеличение коррекционного фактора для этих полос и, наконец, изменение спектральной формы. Эти пиковые значения могут быть вызваны плохими пикселями в датчике HSI, которые из-за характера камеры образуют плохие пиксельные линии, которые ограничены несколькими смежными полосами. Если требуется топографическая коррекция, то для получения достоверного результата изображения неизбежно требуется коррекция или маскировка этих плохих линий.

Спектральная валидация с использованием данных полевого спектрометра продемонстрировала большую точность как спектральной формы, так и функционального положения корректируемых спектров изображения. В целом, разница между интерполированными минимальными длинами волн полевых спектров и соответствующими библиотечными спектрами для определенной функции поглощения была ниже 5 нм в обеих областях исследования. Это значение представляет собой расстояние выборки полосы данных SWIR и лежит ниже достижимого спектрального разрешения 12 нм (FWHM). Локально наблюдались более высокие ошибки между некоторыми точками спектра изображения и валидации, но они могут быть связаны с большой разницей пространственных следов различных инструментов. Данные полевого спектрометра были получены из одного или нескольких 8-миллиметровых пятен одного литологически репрезентативного образца, тогда как соответствующий пиксель HSI может легко представлять собой смесь площади некоторых квадратных метров обнажения в зависимости от расстояния до датчика. Локальная вариабельность в изменении может влиять на репрезентативность показания спектрометра и приводить к отклонениям от записанного спектра изображения в одном и том же месте. Дополнительно к спектральным вариациям необходимо учитывать небольшое неправильное расположение показаний спектрометра, которое может быть вызвано ограниченной точностью выборки положения GPS, которая может достигать до 5 м.

Потенциал, пространственная точность и возможное применение интеграции HSI с фотограмметрическими точечными облаками более подробно обсуждаются в Salehi et al. [20]. В настоящем документе подтверждается не только успешная 3D-интеграция для двух дополнительных примеров, но и доказывается способность рабочего процесса интегрировать и объединять гиперспектральные наборы данных из разных мест камеры и углов обзора, а также различные даты и время получения, устраняя эффекты топографии, различных условий освещения и поглощения атмосферы. Это позволяет использовать гиперспектральные данные по-новому, поскольку это облегчает оценку пространственных отношений между гиперспектральными результатами, которые не видны из одной точки наблюдения или отображаются в одном наборе данных, таком как противоположные грани горы или шахты.

В этой статье мы представляем новый подход к атмосферной и топографической коррекции наземных гиперспектральных изображений большой дальности. Такие корректировки необходимы для получения достоверной информации о составе полезных ископаемых в геологическом применении. Общий рабочий процесс частично основан на алгоритмах, разработанных для данных HSI на основе беспилотных летательных аппаратов и судов, которые были представлены и использованы в наших предыдущих работах [7,20], но адаптированы и расширены путем добавления радиометрических и топографических подходов для решения конкретных задач HSIназемного базирования. Наиболее важными результатами этой работы являются следующие:

1.Спектр коррекции для атмосферной коррекции получается непосредственно из сцены, а интенсивность коррекции определяется в соответствии с пиксель-специфическим поглощением атмосферы.

глубина. В результате рабочий процесс не зависит от знаний о составе атмосферного слоя или расстоянии до цели. 2.Углы падения для топографических поправок рассчитываются с использованием точечных норм фотограмметрической 3D-модели обнажения. Это позволяет нам впервые использовать общие алгоритмы топографической коррекции, такие как используемый метод с-фактора, для вертикальных обнажений. 3.Поколение гипероблака, т.е. геометрически и спектрально точное сочетание фотограмметрического облака точек и шкалы данных HSI, достигается за счет проективных преобразований фотограмметрической 3D-модели обнажения. Удаление эффектов атмосферы и топографии позволяет интегрировать результаты гиперспектрального отображения, происходящие из разных положений камеры, дат и, следовательно, из различных условий освещения. 4. Две области исследования с пятью наборами данных HSIв общей сложности доказали применимость и надежность рабочего процесса в различных сложных условиях измерения, касающихся климата, расстояния, состава атмосферы, геологического разнообразия и целей картирования. Успешное картирование MWLпродемонстрировало как геологическую применимость, так и точность позиций и глубин спектрального поглощения. 5.Точность и достоверность созданных данных и результатов картографирования подтверждены полевыми спектрами и минералогическим анализом геологических образцов. 6.Представленный рабочий процесс является быстрым и простым и требует только минимального количества входных параметров. Большинство этапов обработки автоматизированы и не требуют ручных действий. 7. рабочий процесс обеспечивает (i) надежное спектральное отображение вертикальных и полностью недоступных выходов; (ii) трехмерную интеграцию нескольких сканирований и других источников данных; и (iii) более высокое спектральное разрешение, дальность и SNR, чем большинство данных HSI, передаваемых с дронов или с воздуха.

Учитывая многообещающее качество представленных наборов данных, мы настоятельно рекомендуем использовать тщательно обработанные и скорректированные наземные данные HSI большой дальности для геологических применений и предлагаем дальнейшую разработку высоко адаптированных алгоритмов топографической и атмосферной коррекции. В нескольких предстоящих прикладных работах мы далее представим и обсудим геологическую интерпретацию данных, исправленных с представленным рабочим процессом, и их интеграцию с другими типами данных, такими как структурные данные и длинноволновые инфракрасные (LWIR) гиперспектральные данные.

Институт Гельмгольца Freiberg for Resource Technology благодарит за поддержку и финансирование этого проекта. Авторы благодарят всю группу «Технологий исследования» за конструктивную обратную связь и обширное тестирование сценариев. Кроме того, мы благодарим Atalaya Mining за доступ к руднику Riotinto и IPH Ingeniería y proyectos за выполнение полета БАС в Корта-Аталая. Министерство минеральных ресурсов, правительство Гренландии и Геологическая служба Дании и Гренландии с благодарностью признаются за финансирование и поддержку полевых работ и сбора данных в рамках проекта «Каррат Цинк».

Авторские вклады: S.L. разработал рабочий процесс обработки с существенным вкладом S.S., M.K. и R.G. и реализовал рабочий процесс в Python. R.Z. и E.V.S. оказывали логистическую поддержку в этой области и отвечали за сбор данных и фотограмметрическую обработку. S.L., R.Z. и G.U. обработали гиперспектральные наборы данных и выполнили геологическую интерпретацию и валидацию. С.Л. написал рукопись с участием всех авторов. Р.Г. руководил исследованием на всех этапах.

Конфликт интересов: авторы не заявляют о конфликте интересов.

Book design is the art of incorporating the content, style, format, design, and sequence of the various components of a book into a coherent whole. In the words of Jan Tschichold, "Methods and rules that cannot be improved upon have been developed over centuries. To produce perfect books, these rules must be revived and applied." The front matter, or preliminaries, is the first section of a book and typically has the fewest pages.

Список литературы

1. Hubbard, B.E.; Crowley, C.K.; Zimbelman, D.R. Comparative alteration mineral mapping using visible to shortwave infrared (0.4–2.4 mm) Hyperion, ALI, and ASTER imagery. IEEE Trans. Geosci. Remote Sens. 2003, 41, 1401–1410. [CrossRef] 2. Kruse, F.A. Mineral mapping with AVIRIS and EO-1 Hyperion. In Proceedings of the 12th JPL Airborne Geoscience Workshop; Pasadena, CA, USA, 24–28 January 2003, Jet Propulsion Laboratory: Pasadena, CA, USA, 2003; Volume 41, pp. 149–156. 3. Bedini, E. Mapping lithology of the Sarfartoq carbonatite complex, southern West Greenland, using HyMap imaging spectrometer data. Remote Sens. Environ. 2009, 113, 1208–1219. [CrossRef]

4. Laukamp, C.; Cudahy, T.; Thomas, M.; Jones, M.; Cleverley, J.S.; Oliver, N.H. Hydrothermal mineral alteration patterns in the Mount Isa Inlier revealed by airborne hyperspectral data. Aust. J. Earth Sci. 2011, 58, 917–936. [CrossRef] 5. Zimmermann, R.; Brandmeier, M.; Andreani, L.; Mhopjeni, K.; Gloaguen, R. Remote Sensing Exploration of Nb-Ta-LREE-Enriched Carbonatite (Epembe/Namibia). Remote Sens. 2016, 8, 620. [CrossRef] 6. Jakob, S.; Gloaguen, R.; Laukamp, C. Remote Sensing-Based Exploration of Structurally-Related Mineralizations around Mount Isa, Queensland, Australia. Remote Sens. 2016, 8, 358. [CrossRef] 7. Jakob, S.; Zimmermann, R.; Gloaguen, R. 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. Remote Sens. 2017, 9, 88. [CrossRef] 8. Gao, B.-C.; Heidebrecht, K.B.; Goetz, A.F.H. Derivation of scaled surface reflectances from AVIRIS data. Remote Sens. Environ. 1993, 44, 165–178. [CrossRef] 9. Adler-Golden, S.M.; Matthew, W.M.; Bernstein, L.S.; Levine, R.Y.; Berk, A.; Richtsmeier, S.C.; Acharya, P.K.; Anderson, G.P.; Felde, J.W.; Gardner, J.A.; et al. Atmospheric correction for shortwave spectral imagery based on MODTRAN4. In Summaries of the Eighth JPL Airborne Earth Science Workshop; Jet Propulsion Laboratory: Pasadena, CA, USA, 1999; Volume 99–17, pp. 21–29. 10. Richter, R.; Schlaepfer, D. Geo-atmospheric processing of airborne imaging spectrometry data, Part 2: Atmospheric/topographic correction. Int. J. Remote Sens. 2002, 23, 2631–2649. [CrossRef] 11. Smith, G.M.; Milton, E.J. The use of the empirical line method to calibrate remotely sensed data to reflectance. Int. J. Remote Sens. 1999, 20, 2653–2662. [CrossRef] 12. Roberts, D.A.; Yamaguchi, Y.; Lyon, R. Comparison of various techniques for calibration of AIS data. In Proceedings of the 2nd Airborne Imaging Spectrometer Data Analysis Workshop; Pasadena, CA, USA, 6–8 May 1986; Jet Propulsion Laboratory: Pasadena, CA, USA, 1986; Volume 86–35, pp. 21–30. 13. Chavez, P.S. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sens. Environ. 1988, 24, 459–479. [CrossRef] 14. Clark, R.N.; Swayze, G.A.; Livo, K.E.; Kokaly, R.F.; King, T.V.V.; Dalton, J.B.; Vance, J.S.; Rockwell, B.W.; Hoefen, T.; McDougal, R.R. Surface Reflectance Calibration of Terrestrial Imaging Spectroscopy Data: A Tutorial Using AVIRIS. In Proceedings of the 10th Airborne Earth Science Workshop; Jet Propulsion Laboratory: Pasadena, CA, USA, 2002; Volume 02-1. 15. Laliberte, A.S.; Goforth, M.A.; Steele, C.M.; Rango, A. Multispectral remote sensing from unmanned aircraft: Image processing workflows and applications for rangeland environments. Remote Sens. 2011, 3, 2529–2551. [CrossRef] 16. Kurz, T.H.; Buckley, S.J.; Howell, J.A. Close-range hyperspectral imaging for geological field studies: Workflow and methods. Int. J. Remote Sens. 2013, 34, 1798–1822. [CrossRef] 17. Kurz, T.H.; Buckley, S.J. A review of hyperspectral imaging in close range applications. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2016, 41, 865–870. [CrossRef] 18. Murphy, R.J.; Taylor, Z.; Schneider, S.; Nieto, J. Mapping clay minerals in an open-pit mine using hyperspectral and LiDAR data. Eur. J. Remote Sens. 2015, 48, 511–526. [CrossRef] 19. Rosa, D.; Dewolfe, M.; Guarnieri, P.; Kolb, J.; Laflamme, C.; Partin, C.A.; Salehi, S.; Sørensen, E.V.; Thaarup, S.; Thrane, K.; et al. Architecture and Mineral Potential of the Paleoproterozoic Karrat Group, West Greenland: Results of the 2016 Season; GEUS Rapport 2017/5; Geological Survey of Denmark and Greenland: Copenhagen, Denmark, 2017; p. 112. 20. Salehi, S.; Lorenz, S.; Sørensen, E.V.; Zimmermann, R.; Fensholt, R.; Heincke, B.H.; Kirsch, M.; Gloaguen, R. Integration of Vessel-Based Hyperspectral Scanning and 3D-Photogrammetry for Mobile Mapping of Steep Coastal Cliffs in the Arctic. Remote Sens. 2008, 10, 175. [CrossRef] 21. Kolb, J.; Keiding, J.K.; Steenfeld, A.; Secher, K.; Keulen, N.; Rosa, D.; Stensgaard, B. M Metallogeny of Greenland. Ore Geol. Rev. 2016, 78, 493–555. [CrossRef] 22. Sørensen, L.L.; Stensgaard, B.M.; Thrane, K.; Rosa, D.; Kalvig, P. Sediment-Hosted Zinc Potential in Greenland; GEUS Rapport 2013/56; Geological Survey of Denmark and Greenland: Copenhagen, Denmark, 2013; p. 184. 23. Grocott, J.; McCaffrey, K.J.W. Basin evolution and destruction in an Early Proterozoic continental margin: The Rinkian fold–thrust belt of central West Greenland. J. Geol. Soc. 2017, 174, 453–467. [CrossRef] 24. Pedersen, F.D. Remobilization of the massive sulfide ore of the Black Angel Mine, central West Greenland. Econ. Geol. 1980, 75, 1022–1041. [CrossRef]

25. Henderson, G.; Pulvertaft, T.C.R. Geological Map of Greenland, 1:100 000. Mârmorilik 71 V.2 Syd, Nûgâtsiaq 71 V.2 Nord, Pangnertôq 72 V.2 Syd. Lithostratigraphy and Structure of a Lower Proterozoic Dome and Nappe Complex; Geological Survey of Greenland: Copenhagen, Denmark, 1987; p. 72. 26. Guarnieri, P.; Partin, C.; Rosa, D. Palaeovalleys at the Basal Unconformity of the Palaeoproterozoic Karrat Group, West Greenland; Geological Survey of Denmark and Greenland Bulletin; Geological Survey of Denmark and Greenland: Copenhagen, Denmark, 2016; pp. 63–66. 27. Rosa, D.; Guarnieri, P.; Hollis, J.; Kolb, J.; Partin, C.A.; Petersen, J.; Sørensen, E.V.; Thomassen, B.; Thomsen, L.; Thrane, K. Architecture and Mineral Potential of the Paleoproterozoic Karrat Group, West Greenland: Results of the 2015 Season; Geological Survey of Denmark and Greenland: Copenhagen, Denmark, 2016; p. 98. 28. Sáez, R.; Donaire, T. Corta atalaya. In Geología de Huelva: Lugares de Interés Geológico; Universidad de Huelva, Facultad de Ciencias Experimentales: Huelva, Spain, 2008; pp. 106–111. 29. Soriano, C.; Casas, J. Variscan tectonics in the Iberian Pyrite Belt, South Portuguese Zone. Int. J. Earth Sci. 2002, 91, 882–896. [CrossRef] 30. Green, A.A.; Berman, M.; Switzer, P.; Craig, M.D. A transformation for ordering multispectral data in terms of image quality with implications for noise removal. IEEE Trans. Geosci. Remote Sens. 1988, 26, 65–74. [CrossRef] 31. Phillips, R.D.; Blinn, C.E.; Watson, L.T.; Wynne, R.H. An Adaptive Noise-Filtering Algorithm for AVIRIS Data with Implications for Classification Accuracy. IEEE Trans. Geosci. Remote Sens. 2009, 47, 3168–3179. [CrossRef] 32. Westoby, M.J.; Brasington, J.; Glasser, N.F.; Hambrey, M.J.; Reynolds, J.M. ‘Structure-from-Motion’ photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology 2012, 179, 300–314. [CrossRef] 33. Eltner, A.; Kaiser, A.; Castillo, C.; Rock, G.; Neugirg, F.; Abellán, A. Image-based surface reconstruction in geomorphometry—Merits, limits and developments. Earth Surf. Dyn. 2016, 4, 359–389. [CrossRef] 34. Carrivick, J.L.; Smith, M.W.; Quincey, D.J. Structure from Motion in the Geosciences; John Wiley & Sons, Ltd.: Chichester, UK, 2016; ISBN 978-1-118-89581-8. 35. James, M.R.; Robson, S.; d’Oleire-Oltmanns, S.; Niethammer, U. Optimising UAV topographic surveys processed with structure-from-motion: Ground control quality, quantity and bundle adjustment. Geomorphology 2017, 280, 51–66. [CrossRef] 36. Lowe, D.G. Object recognition from local scale-invariant features. In Proceedings of the International Conference on Computer Vision, Kerkyra, Greece, 20–27 September 1999; Volume 2, pp. 1150–1157. 37. Muja, M.; Lowe, D. Fast approximate nearest neighbors with automatic algorithm configuration. In Proceedings of the Fourth International Conference on Computer Vision Theory and Applications, Lisboa, Portugal, 5–8 February 2009; Volume 1, pp. 1–10. 38. Teillet, P.M.; Guindon, B.; Goodenough, D.G. On the Slope-Aspect Correction of Multispectral Scanner Data. Can. J. Remote Sens. 1982, 8, 84–106. [CrossRef] 39. Bakker, W.H.; van Ruitenbeek, F.J.A.; van der Werff, H.M.A. Hyperspectral image mapping by automatic color coding of absorption features. In Proceedings of the 7th EARSEL Workshop of the Special Interest Group in Imaging Spectroscopy, Edinburgh, UK, 11–13 April 2011; pp. 56–57. 40. van der Meer, F.; Kopaˇcková, V.; Koucká, L.; van der Werff, H.M.A.; van Ruitenbeek, F.J.A.; Bakker, W.H. Wavelength feature mapping as a proxy to mineral chemistry for investigating geologic systems: An example from the Rodalquilar epithermal system. Int. J. Appl. Earth Obs. Geoinf. 2018, 64, 237–248. [CrossRef] 41. Gaffey, S.J. Reflectance spectroscopy in the visible and near-infrared (0.35–2.55 µm): Applications in carbonate petrology. Geology 1985, 13, 270–273. [CrossRef] 42. Chilingar, G.V. Classification of Limestones and Dolomites on Basis of Ca/Mg Ratio. SEPM J. Sediment. Res. 1957, 27, 187–189. [CrossRef] 43. Garde, A.A. The Lower Proterozoic Marmorilik Formation, East of Mârmorilik, West Greenland; Nyt Nordisk Forlag Arnold Busck: Copenhagen, Denmark, 1978; Volume 200, ISBN 978-87-17-02525-7.

© 2018 Авторы. Лицензиат MDPI, Базель, Швейцария. Эта статья является статьей открытого доступа, распространяемой в соответствии с условиями лицензии Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).