摘要
利用高光谱数据对地表物质中元素含量进行定量反演，首先需要研究目标元素与光谱波段之间的相关性，寻求特征波段或变量组合，并建立有效的反演模型。从光谱形成机理和矿物光谱特征分析，金属成矿区（带）中成矿元素富集的光谱响应，更大程度上是由矿化过程中产生的蚀变矿物或载体矿物引起的。基于此认识，本文以东天山景峡地区为实验区，研究了该区1∶5万岩屑（土壤）地球化学测量数据的元素异常与航空高光谱（HyMap）蚀变矿物信息异常之间的空间关系和成因联系，统计分析了主要成矿元素Au、Cu 含量与高光谱蚀变矿物丰度、原始高光谱波段及多种光谱变换波段（包括一阶微分、倒数对数和连续统去除）之间的相关性。结果表明，相较于原始光谱及其变换光谱的特征波段，与矿化有关的蚀变矿物丰度与成矿元素含量之间具有更高的相关性；进而选用相关性较高的蚀变矿物组合的丰度数据作为自变量，采用多元线性回归模型进行 Au、Cu含量反演，其模型拟合优度（R2 ）亦有明显提升。由此可见，高光谱蚀变矿物填图不仅可为矿产勘查提供定性的找矿空间信息，而且可作为指示成矿元素富集程度的量化指标。
Abstract
To quantitatively invert the elemental content in surface materials using hyperspectral data, it is necessary to study the correlation between target elements and spectral bands, seek characteristic band or variable combinations, and establish an effective inversion model. From the analysis of spectral formation mechanisms and mineral spectral characteristics, the spectral response of enrichment for ore-forming elements in metal mineralization areas (zones) is largely caused by altered minerals or carrier minerals generated during the mineralization process. Based on this understanding, this article takes the Jingxia area of the East Tianshan as the experimental area to study the spatial relationship and genetic relationship between the element anomalies of 1∶50000 rock fragments (soil) geochemical measurement data and the alteration mineral information anomalies of the aerial hyperspectral data (HyMap)，statistics and analysis the correlation between the main ore-forming elements Au and Cu content and the abundance of hyperspectral alteration minerals, the original hyperspectral bands, and various spectral transformation bands (including first-order differentiation, reciprocal logarithm, and continum removal) in the area. The results showed that compared to the characteristic bands of the original spectrum and its transformed spectrum, there is a higher correlation between the abundance of altered minerals related to mineralization and the content of ore-forming elements. Therefore, the abundance of alteration mineral combinations with high correlation was selected as independent variables, and a multiple linear regression model was used for Au and Cu content inversion, its model fitting goodness (R2 ) was also significantly improved. This shows that hyperspectral alteration mineral mapping can not only provide qualitative spatial information for mineral exploration, but also serve as a quantitative indicator for the enrichment degree of ore-forming elements.
0 引言
高光谱遥感技术在地质矿产勘查中最广泛的应用是蚀变矿物填图，国内外学者进行了大量的基础理论和技术方法研究，并取得了显著成效，在矿产勘查中逐渐发挥了重要作用（刘德长等，2016）。目前，基于高光谱数据定量反演成矿元素含量成为又一个研究热点，尽管在反演机理和建模方面还处于探索之中，但已显现出很好的实用效果和应用前景（滕靖等，2016；马秀梅等，2018；成功等，2019a，2019b；代晶晶等，2019；孙立影等，2020；孔华等， 2022）。近年来较为丰富的相关研究成果是土壤重金属含量的高光谱定量反演（郭颖等，2018；成永生和周瑶，2021；赵宁博等，2021；肖洁芸等，2023；张亚龙等，2023；蒋宇恒等，2024；吴梦娟等，2024；易孜芳等，2024；张素荣等，2024），归纳起来，国内外研究进展主要体现在如下几个方面：①反演机理：学者们围绕土壤的理化性质与光谱特征之间的关系开展了大量的研究与探索，主要表现为基于土壤重金属和基于土壤活性成分的光谱特征反演问题； ②特征谱段提取：通过目标元素或组分含量与光谱反射率之间的相关性分析提取特征谱段，为了突出光谱变化特征，学者们采取对原始光谱进行各种光谱变换，主要的变换方法有一阶微分（FD）、二阶微分（SD）、倒数、对数、逆对数、均方根变换、连续统去除（CR）、连续小波变换（CWT）、多次散射校正 （MSC）、扩展散射校正平滑等；③反演模型：针对不同的土壤条件建立有效的反演模型，其中基于线性关系的算法主要包括单变量回归、主成分回归 （PCR）、偏最小二乘回归（PLSR）和多元线性回归 （MLR）等，基于非线性关系的算法主要包括支持向量机（SVM）、决策树（DT）、人工神经网络（ANN）、随机森林（RF）、超限学习机（ELM）等；④反演方法：包括直接方法和间接方法，由于直接反演方法存在一定的局限性，研究者根据重金属元素与有机质、碳酸盐类、铁锰氧化物、黏土矿物等的依存关系，探索出间接反演方法。这些研究成果为本文研究提供了借鉴。
化探元素异常与土壤重金属污染研究有所不同，化探的采样介质一般为代表下伏基岩的残坡积岩屑或母质层土壤，样品检测对象为与成矿有关的金属元素组合，物质来源为地层岩石中的背景含量和成矿作用形成的成矿元素富集。因此，基于高光谱数据进行成矿元素含量反演具备更明确的目标和条件。前人研究表明，在当前普遍使用的高光谱谱段范围（0.4~2.5 μm）内，岩矿标型光谱特征都与碳酸根、水、羟基等阴离子基团和一些阳离子（如 Fe2+、Fe3+ 和 Mn3+ 等）有关（甘甫平等，2003；王润生等，2010），而成矿元素的富集常伴随热液蚀变矿物 （多为含羟基矿物和铁化合物）的产生，且两者存在一定的正相关关系（袁茂文等，2017；陈少锋和白文龙，2019；望开磊等，2023；曹雪峰等，2024），因此认为金属成矿区（带）中成矿元素富集的光谱响应，更大程度上是由矿化过程中产生的蚀变矿物或载体矿物引起的，而非岩石中含量相对较低的成矿元素本身。基于此认识，本文以东天山景峡地区为实验区，利用 1∶5 万岩屑（土壤）地球化学测量数据和航空高光谱（HyMap）数据，通过化探数据处理、高光谱蚀变矿物填图及综合地质分析，研究了该区化探元素异常与蚀变矿物信息异常之间的空间关系和成因联系，统计分析了主要成矿元素 Au、Cu含量与高光谱蚀变矿物丰度之间的相关性，并选用相关性较高的蚀变矿物组合作为自变量，采用多元线性回归模型进行 Au、Cu 含量定量反演，获得了较好的效果。同时，对比了 Au、Cu含量与原始光谱及多种变换光谱（包括一阶微分、倒数对数和连续统去除）特征波段之间的相关性和定量反演结果，结果表明，蚀变矿物丰度与成矿元素含量之间具有更高的相关性，定量反演的模型拟合优度（R2 ）亦有明显提升。
1 研究区概况及数据源
1.1 研究区概况
研究区位于新疆哈密市南东约 120 km 处的景峡站一带，大致为 1∶5 万国际分幅景峡站幅 （K46E013018）的北半幅。
研究区大地构造位置上处于天山—兴蒙造山系（Ⅰ）的次级构造单元觉罗塔格晚古生代裂陷槽 （Ⅰ-4-4），区内以雅满苏大断裂为界进一步划分为 2 个Ⅳ级构造单元，北面属康古尔海槽（Ⅰ-4-42），南面属雅满苏边缘火山岩带（Ⅰ-4-43）。
根据区域地质资料和遥感地质解译（图1），雅满苏断裂以北出露地层主要为新元古界下南华统照壁山组及呈断片相杂其间的蛇绿混杂岩。照壁山组为一套碎屑岩建造，具有滨海—浅海相沉积特征，为间冰期碎屑岩沉积，岩性以砂岩、变砂岩为主，局部夹凝灰质砂岩、凝灰岩，高光谱地质填图将其划分为砂岩建造（Nh1zhss）和凝灰质砂岩-凝灰岩建造（Nh1zhtf）。蛇绿混杂岩的物质组成包括蛇绿岩岩块、上覆岩系、基质及外来岩块，其中蛇绿岩岩块呈透镜状残片就位于照壁山组内，与围岩均为断层接触，岩性有玄武岩、辉绿岩、硅质岩、碧玉岩等。
雅满苏断裂以南大面积覆盖第四系砾、砂、砂土、亚砂土等洪冲积物和渐新统—中新统砾岩、砂岩、泥岩类，局部出露的基岩地层由老至新分别为下石炭统雅满苏组和下二叠统阿齐克布拉克组。雅满苏组岩性以火山碎屑岩-沉积岩为主夹火山熔岩，高光谱地质填图将雅满苏组划分为 4 种建造类型，即砂岩-硅质岩建造（C1yss）、凝灰岩-凝灰质砂岩建造（C1ytf）、安山岩-熔结凝灰岩建造（C1yα）和灰岩建造（C1ymb）。阿齐克布拉克组下部为一套正常沉积碎屑岩，主要岩性为中粒岩屑砂岩、含砾岩屑砂岩、砾岩等；中部为一套火山碎屑岩夹火山熔岩，主要岩性为熔结凝灰岩、安山岩及少量凝灰质砂岩； 上部为一套泥砂质灰岩夹中酸性火山岩，主要岩性为粉砂泥质灰岩、砂质灰岩、砂岩及流纹斑岩、英安岩等。高光谱地质填图将阿齐克布拉克组划分为4 种建造类型，即砂岩建造（P1ass）、熔结凝灰岩-安山岩建造（P1ait）、泥砂质灰岩建造（P1aml）和流纹斑岩-英安岩建造（P1aλζ）。
侵入岩不发育，主要见脉状产出的闪长玢岩、闪长岩和辉绿岩。
断裂构造较为发育，断裂的性质、产状、规模、展布方向等受区域性构造运动及造山方式控制，以逆冲断层、逆断层、韧-脆性剪切断层居多，正断层发育较少，构造线方向以北东东、近东西向为主，其次为北西向，具有多期活动特点。
区内及外围分布有韧性剪切带蚀变岩型金矿点、火山热液型铜矿点和沉积型钛磁铁砂矿。
研究区属于戈壁荒漠区，岩石基本裸露，风化强烈，坡残积发育，常形成低矮的丘陵地貌。
1.2 数据源及其预处理
1.2.1 高光谱数据及预处理
采用的高光谱数据为 HyMap 机载成像高光谱仪数据，是有色金属矿产地质调查中心于 2014— 2015年组织实施地质调查局“新疆重点地区航空高光谱调查与找矿预测技术研究”项目时飞行获取的。该数据的波长范围为 450~2480 nm，波段带宽在可见光近红外（VNIR）谱段为 15~16 nm，短波红外（SWIR）谱段为 15~20 nm，总波段数 128 个，空间分辨率为4.5 m。
获得的产品数据已经过了辐射定标、大气校正（光谱重建）、几何校正以及各航带图像的匹配和无缝拼接等预处理。本研究的预处理是按照化探采样的坐标范围裁剪出研究区图像数据，并采样双线性插值方法抽稀到45 m分辨率，以与网格化化探数据相匹配。数据去除了第 1、2、128波段 3个边缘波段和第 62、63波段 2个受水汽吸收影响较为严重的波段。
图1研究区遥感地质图
1—第四系全新统；2—第四系上更新统；3—渐新统—中新统桃树园组；4—下二叠统阿齐克布拉克组流纹斑岩-英安岩建造；5—下二叠统阿齐克布拉克组泥砂质灰岩建造；6—下二叠统阿齐克布拉克组熔结凝灰岩-安山岩建造；7—下二叠统阿齐克布拉克组砂岩建造；8—下石炭统雅满苏组砂岩-硅质岩建造；9—下石炭统雅满苏组凝灰岩-凝灰质砂岩建造；10—下石炭统雅满苏组安山岩-熔结凝灰岩建造；11—下石炭统雅满苏组灰岩建造；12—新元古界下南华统照壁山组砂岩建造；13—新元古界下南华统照壁山组凝灰质砂岩-凝灰岩建造；14—寒武系—石炭系蛇绿混杂岩；15—闪长岩脉；16—石英脉；17—地质界线；18—角度不整合界线；19—蛇绿混杂岩构造界线；20—区域性断裂及产状；21—一般性断裂及产状；22—性质不明断层；23—隐伏断层；24—韧性剪切带；25—金矿点；26—铁矿点
1.2.2 化探数据及预处理
采用的化探数据为 2017 年完成的 1∶5 万岩屑 （土壤）地球化学测量数据。测量工作按 500 m× 200 m 网度布设采样点，测线方向基本垂直近东西向地质构造线走向；基岩区采集代表下伏基岩的残坡积物，即基岩上部具棱角或半棱角岩石碎屑层为主的岩屑，第四系覆盖区采集接近基岩面的残坡积土壤，即B层（淋积层）或C层（母质层）土壤；分析测试了 Au、Ag、Cu、Pb、Zn、As、Sb、Bi、Hg、W、Mo、Sn、 Cr、Co、Ni、Cd共16种元素。
由于化探元素数据一般服从对数正态分布，所以对化探数据进行自然对数转换（保其兵等， 2024），使数据实现正态化，这样能够更好地反映元素含量的变化趋势，同时，自然对数转换在一定程度上降低了特高值对数据统计的影响，故未对少量异常值做进一步的稳健性处理。另外，为了与高光谱数据匹配并以栅格数据形式整合，对化探数据进行了坐标转换（转换成与高光谱数据一致的投影坐标系）和网格化处理，网格间距取 45 m。基于化探数据的空间自相关性特征（孟海东等，2016），网格化方法采用 Kring 法，它能够比较精确地反映出隐含在原始数据中的趋势，避免距离倒数方法中产生的“牛眼”点（吴现兴等，2016）。图2为经预处理后的主要成矿元素Au、Cu地球化学异常图。
2 研究方法
2.1 高光谱蚀变矿物信息提取
研究区内已知金矿化产于雅满苏断裂北侧与之平行的韧性剪切带中，出露地层为照壁山组变质砂岩，具强烈的片理化、糜棱岩化，石英细脉发育，矿化体为石英脉和破碎蚀变岩，围岩蚀变强烈，主要蚀变类型有硅化、绢云母化、高岭土化、碳酸盐化、绿帘石化和褐铁矿化等（任经武等，2018）。已知铜矿化主要产于雅满苏组火山岩中，矿化体明显受含角砾凝灰岩与蚀变安山岩层间破碎带及其下盘构造裂隙的控制，围岩蚀变有绿泥石化、绿帘石化、硅化、绢云母化和碳酸岩化等（孙志远等， 2016），地表具褐铁矿化、孔雀石化、高岭土化。
图2研究区Au（a）、Cu（b）地球化学异常图
根据区内地质背景和金、铜矿化蚀变特征，主要对绢云母、绿泥石、绿帘石、高岭石、方解石、黄钾铁矾、褐铁矿和孔雀石 8 种蚀变矿物进行了高光谱信息提取。从本文研究的目的出发，利用 ENVI 软件的线性波谱分离（LSU）方法获取上述蚀变矿物的相对丰度图。采用的端元波谱取自 ENVI波谱库的矿物标准波谱，端元波谱集除包含8种目标矿物外，还根据地层岩石中主要矿物成分，增加了石英、斜长石、黑云母、辉石和角闪石5种造岩矿物。采用的端元波谱按照HyMap数据120个有效波段的中心波长，进行了重采样处理（图3）。
图3蚀变矿物的光谱曲线
图4高光谱蚀变矿物丰度异常图
a—绢云母；b—绿泥石；c—绿帘石；d—高岭石；e—方解石；f—黄钾铁矾；g—黄铁矿；h—孔雀石
高光谱蚀变信息提取的结果为蚀变矿物的相对丰度。为了更直观地反映蚀变矿物丰度异常及其空间分布，便于对比和综合地质分析，对蚀变矿物丰度数据进行了异常提取。方法是以均值+标准差为阈值划分出异常数值区间，采用直方图最优密度分割方法（吴德文等，2002），进行异常强度分级，将异常强度划分为 4 级，由低到高分别赋以蓝、青、黄、红色（图4）。
2.2 高光谱数据的光谱变换
基于高光谱数据对地表物质中元素含量进行定量反演，首先需要研究目标元素与光谱变量之间的相关性，寻求最佳相关变量组合。相关光谱变量主要是高光谱特征波段，为了突出光谱变化特征，一般对原始光谱进行各种光谱变换（如前述）。本文研究采用一阶微分（FD）、倒数对数（LR）和连续统去除（CR）3种光谱变换方法，提取相应的相关特征波段，与蚀变矿物丰度参量进行对比分析。
（1）一阶微分变换
光谱一阶微分可以去除部分线性或接近线性的背景，以及噪声光谱对目标光谱的影响，其计算公式如下：
(1)
式（1）中，为i波段对应的一阶微分数值， R（ λi）为i波段的原本数值，λi为i波段对应的中心波长，i+1和i-1分别为i波段的后序波段和前序波段。
（2）倒数对数变换
光谱倒数对数可以有效地增强相似光谱之间的差异，削弱由于地形、光照等条件带来的随机影响，其计算公式如下：
(2)
式（2）中，为i波段对应的倒数对数数值， R（ λi）为i波段的原本数值，λi为i波段对应的中心波长。
（3）连续统去除
连续统去除即去包络线变换，它是一种归一化处理，可以有效地突出光谱曲线的吸收和反射特征，并在统一的背景上衡量吸收强度和提取特征参量。其算法是先求取光谱曲线的包络线，然后用各波段的原本数值去除包络线上相应波段的数值，得到包络线消除法归一化后的值。光谱包络线去除处理在ENVI软件中实现。
2.3 光谱变量与成矿元素的相关性统计分析
光谱变量包括原始波段、光谱变换波段和蚀变矿物丰度，它们与成矿元素含量之间的相关程度通过相关系数反映。在数理统计上，相关系数就是 2 个变量的协方差除以各变量的标准差，即：
(3)
式（3）中，cov（ x，y）为变量x，y的协方差，σx，σy分别为变量x，y的标准差。
研究区的统计样本为214行×456列的网格化数据。对于一种光谱变量，通过计算全部波段与成矿元素之间的相关系数来选择特征波段。
2.4 定量反演建模与检验
高光谱特征波段和蚀变矿物丰度与成矿元素含量之间均存在一定的线性相关性，因此采用多元线性回归（MLR）进行定量反演建模，利用回归统计的相关系数（R）、拟合优度（即决定系数）（R2）和均方根误差（RMSE）来检验模型的拟合程度，以此对基于不同光谱变换和蚀变矿物丰度定量反演成矿元素含量的效果进行对比分析。RMSE的计算公式如下：
(4)
式（4）中，n为样本数量，xi为第 i个样本的预测值，yi为第i个样本的真实值。
3 结果与分析
3.1 高光谱蚀变矿物与成矿元素异常的耦合分析
（1）空间关系
对比高光谱蚀变矿物丰度异常图（图4）与主要成矿元素 Au、Cu 地球化学异常图（图2）可以看到，两者整体上呈带状展布，除方解石丰度异常外，其他蚀变矿物丰度异常与 Au、Cu 异常均在不同的地质-构造部位存在一定的叠合关系。结合研究区遥感地质图（图1）分析，方解石丰度异常主要与碳酸盐岩地层（C1ymb、P1aml）和第四系洪冲积物、残坡积物中钙质胶结层有关，碳酸盐化蚀变信息相对较弱而被掩盖，因而与 Au、Cu异常基本不重合；绢云母、绿泥石和绿帘石丰度异常主要分布于雅满苏断裂北部，其展布方向与主构造线方向基本一致，三者的综合异常与雅满苏断裂以北区域的 Au、Cu 异常分布区吻合；高岭石丰度异常主要分布于研究区南部出露的雅满苏组和阿齐克布拉克组，其次沿北部南华系地层中的断裂构造带分布，这些位置同样出现 Au、Cu 异常，特别是与 Cu 异常的叠合关系更为明显，吻合程度更高；黄铁矿与黄钾铁矾丰度异常存在较高的相关性，主要分布于雅满苏断裂北部，受断裂构造带控制明显，其次分布于南部出露的雅满苏组和阿齐克布拉克组中，展布方向与地层褶皱轴向一致，整体上与 Au、Cu 异常分布区套合较好；孔雀石丰度异常主要沿雅满苏断裂北侧呈带状分布，与Au、Cu局部异常均有较好的吻合度。
（2）成因联系
研究区金矿化主要产于雅满苏断裂北侧韧性剪切带，以及南华系变质砂岩与寒武系—石炭系蛇绿混杂岩接触带的片理化带中，含矿体为石英脉和破碎蚀变岩，矿化以黄铁矿化为主（黄铁矿为金的载体矿物），地表褐铁矿化，围岩蚀变有硅化、绢云母化、绿帘石化、高岭土化、碳酸盐化和褐铁矿化等。铜矿化主要产于雅满苏组火山岩中，受层间破碎带和构造裂隙控制，围岩蚀变有绿泥石化、绿帘石化、绢云母化、硅化和碳酸岩化，地表具褐铁矿化、孔雀石化和高岭土化。
依据区域地球化学资料，照壁山组为Au、As、Sb 等元素高背景区，Au高值区—强高值区沿照壁山组与蛇绿混杂岩接触带分布在高背景区中，强高值区明显受韧性剪切带控制，与金矿化关系密切；蛇绿混杂岩为 Cr、Co、Ni、Cu 等元素高背景区，Cu 高值区—强高值区呈东西向带状断续分布于高背景区， Cu强高值区与韧性剪切带吻合，反映后期热液活动影响较大。另外，根据岩石地面光谱测量结果，照壁山组变质砂岩普遍具绢云母化，蛇绿混杂岩普遍具绿帘石化和绿泥石化，同样地，受后期热液活动和矿化作用影响，出现蚀变矿物信息异常的局部增强。
总而言之，与矿化相关的蚀变矿物丰度异常与成矿元素含量异常是在同一热液作用过程中产生的，这种成因联系决定了它们在空间上的依存关系。
（3）统计关系
对预处理后的 Au、Cu 化探数据和高光谱提取的 8 种蚀变矿物丰度数据进行相关性分析，从统计结果（表1）看，全区范围内与 Au含量相关性较高的蚀变矿物中，相关系数由高到低分别为孔雀石、绿帘石、黄钾铁矾、褐铁矿、绢云母和绿泥石；与 Cu含量相关性较高的蚀变矿物中，相关系数由高到低分别为孔雀石、绿帘石、黄钾铁矾、褐铁矿和绿泥石。这种统计意义上的相关性与它们的空间叠合关系情形基本一致，比较特殊的情况是高岭石丰度数据，由于高岭土化蚀变受构造控制更加突出，且强高值异常主要出现在雅满苏断裂南部地层区，所以尽管与 Au、Cu异常局部叠合较好，但在全区范围内没有统计相关性。
表1蚀变矿物丰度与Au、Cu含量的相关系数
3.2 光谱变换波段与成矿元素含量的相关性分析
光谱变换波段与成矿元素含量的相关性统计结果见图5和表2，分析如下：
（1）相对于原始光谱，倒数对数变换波段与Au、 Cu 含量的相关性基本上没有变化，相似波段（指相关性较高的邻近波段）之间的差别没有得到增强，而且特征波段的相关系数相对较低，因此，倒数对数变换在本研究区的应用效果不理想。
（2）连续统去除变换的特征波段与 Au、Cu含量的相关性有明显的提高，而且增强了相似波段之间的差异性，突出了特征波段。
（3）一阶微分变换有效去除了部分线性背景，增强了相似波段之间的差异性，突出了特征波段，而且特征波段与 Au、Cu含量的相关性有显著提高，效果优于连续统去除变换。
（4）对比表1和表2可以看到，部分高光谱蚀变矿物丰度与 Au、Cu 含量的相关性比光谱变换特征波段有显著提升，这是因为蚀变矿物丰度提取是基于全谱带光谱分解，同时利用了特征谱段和整体光谱特征，将光谱数据转换为表征相关物质成分占比的参量。
图5光谱波段与Au、Cu含量的相关系数
a—原始光谱；b—连续统去除；c—倒数对数；d—一阶微分
表2不同光谱数据与Au、Cu含量的相关系数最大绝对值
3.3 定量反演结果分析
3.3.1 特征变量选择与建模
基于上述相关性分析，采用连续统去除和一阶微分变换数据及蚀变矿物丰度数据，分别进行 Au、 Cu 含量的定量反演，其特征变量（包括光谱变换特征波段和相关蚀变矿物丰度）选择结果见表3。表3中特征波段的选择方法是，首先提取与 Au、Cu含量相关系数较大的部分波段，再对这些波段进行相关性统计，剔除其中相关性高的波段，保证自变量之间具有一定的互斥性。蚀变矿物丰度做了同样的选择，其中黄钾铁矾和褐铁矿因高相关性而择其一。
以特征变量作为自变量，Au、Cu 含量作为因变量，进行多元线性回归系数求解，得到 MLR 定量反演模型（表4）。
表3不同光谱数据的特征变量选择
表4基于不同光谱数据的定量反演模型
3.3.2 定量反演结果分析
利用表4的 MLR 反演模型进行 Au、Cu 含量定量反演，获得的回归统计精度参数见表5，反演结果数据的色阶分级见图6，图中为了突显高值异常部分，将占比40%左右的低值部分归并到了最低一级色阶。结合表3、表5和图6分析，可以得到如下认识：
（1）连续统去除和一阶微分变换的特征波段多与相关蚀变矿物的特征吸收谱带相对应，如 2.2 μm 附近的 Al-OH 吸收带、2.25 μm 附近的 Fe-OH 吸收带、2.3 μm附近的Mg-OH吸收带和0.9 μm附近的Fe 离子吸收带等，据此结合岩石光谱形成机理分析认为，成矿元素富集的光谱响应主要是由伴随的蚀变矿物或载体矿物引起的。
（2）Au、Cu含量的MLR模型反演统计参数R、R2 和RMSE均显示，模型反演精度由高到低排序是：蚀变矿物丰度>一阶微分>连续统去除。因为蚀变矿物丰度提取是基于全谱带光谱分解，所以相较于光谱变换的特征波段，蚀变矿物丰度更好地响应了成矿元素含量的变化。
表5基于不同光谱数据的定量反演精度检验结果
图6不同光谱数据反演Au、Cu含量结果图
a—连续统去除反演Au；b—连续统去除反演Cu；c—一阶微分反演Au；d—一阶微分反演Cu；e—蚀变矿物丰度反演Au；f—蚀变矿物丰度反演Cu
（3）3 种光谱类型数据的反演结果呈现的 Au、 Cu异常区和背景区均与化探异常图基本一致，但局部异常的吻合度各有差异，在数值统计上表现为全区范围内的相关性相对较高，在分区或局部范围内的相关性相对较低。这种情况与化探数据采样间距大、插值到像元尺度的代表性不够强有关，如果采用更密网度的化探数据作为建模样本，将在一定程度上提高反演精度。
（4）一阶微分和蚀变矿物丰度反演出的 Au、Cu 含量最大值均大大低于化探数据原始最大值，这种情况是化探数据存在特高值导致的。特高值仅限于极少数采样点，并不代表整体异常特征。
（5）3 种光谱类型数据反演的 Au、Cu 异常比原始化探异常的连续性更好，这也是由两者的数据特征所决定的。
4 讨论与结论
4.1 问题讨论
（1）光谱变换特征波段、蚀变矿物丰度与Au、Cu 含量的相关系数及定量反演拟合优度偏低，究其原因，一方面是本研究采用的化探数据采样间距较大，经网格化插值处理后与图像像元的对应性不够强；另一方面可能是光谱变量与成矿元素含量之间并非完全的线性关系，实际上，对化探数据进行自然对数变换，已经在一定程度上提高了两者之间的线性相关性，但有必要进一步开展非线性模型的定量反演研究。
（2）基于高光谱数据进行成矿元素含量的定量反演，影响其效果的因素是多方面的，从本文研究的结果分析，主要影响因素包括建模样本数据的质量、数据源的预处理、特征光谱变量的选择和反演模型的适用性等
（3）就本文研究的基于蚀变矿物丰度定量反演成矿元素含量而言，尽管存在上述一些问题，但比较结果是客观的。也就是说，在成矿元素富集与矿化蚀变作用耦合关系下，基于蚀变矿物丰度定量反演成矿元素含量的效果优于光谱变换特征波段。
4.2 结论
（1）研究区内与 Au、Cu含量相关性较高的光谱变换特征波段，多与成矿相关蚀变矿物的诊断性吸收谱带对应，反映了成矿元素富集的光谱响应主要是由矿化蚀变作用形成的蚀变矿物或载体矿物引起的，并且成矿元素含量与光谱特征波段之间存在一定的线性相关性。
（2）研究区内 Au、Cu异常与蚀变矿物丰度异常之间存在一定的空间叠合关系和成因联系，并且 Au、Cu含量与蚀变矿物丰度的相关系数高于与光谱变换特征波段的相关系数，因而基于蚀变矿物丰度定量反演成矿元素含量具有更好的效果。
