β-VAE、离散小波变换与高斯混合模型相结合，用于基于 Sentinel-2 的伊朗 Zafarghand 区热液蚀变与铁态制图

为何从太空寻找隐蔽金属很重要

随着易于开采的金属矿床被开采殆尽，勘探公司不得不在越发偏远和崎岖的地带搜寻。本研究展示了科学家如何结合欧洲的地球观测卫星与现代人工智能，从卫星影像中识别岩石的细微化学变化——称为蚀变带——这些蚀变带常围绕铜金矿床分布。通过在伊朗中部的空间尺度上检测这些线索，研究者证明了一种更快、更便宜且侵入性更低的方法，可用于指导地面矿产勘查。

伊朗中部的一个岩石靶区

研究集中于 Zafarghand 区，属于伊朗中部的一条主要火山带，该带孕育有含铜的“斑岩”系统。在这些系统中，热流体曾自冷却的岩浆上升，形成一系列同心的蚀变晕。靠近侵入岩体处形成富石英和白云母的斑状（phyllic）蚀变，通常与铜和金相关；更外侧则发育绿泥石、透辉石等呈绿色的侵蚀（propylitic）蚀变，描绘出热液系统的外围边界。铁也在此过程中重分配，生成含不同化学态铁的矿物，这些差异在卫星影像的颜色与亮度中留下可识别的模式。

在卫星光谱中看见隐形模式

为利用这些线索，团队使用了 Sentinel-2 卫星的数据，该卫星以 20 米分辨率记录多波段的可见光与红外反射——足以绘制大型蚀变晕。研究并未仅依赖人工构建的色彩组合或简单波段比率，而是构建了完全无监督的工作流程。首先，他们将六个精心挑选的 Sentinel-2 波段输入一种称为 β-变分自编码器（beta‑variational autoencoder）的深度学习模型。非技术性地讲，这种“模式压缩器”学习用一小组数字来表示每个像素，捕捉其最重要的光谱特征，而无需任何预先标注的训练数据。这些压缩特征突出了原始波段可能隐藏的、蚀变与未蚀变岩石之间的微妙差异。

加入纹理与概率信息

下一步是引入空间纹理感知——像素与邻域像素的关系——因为蚀变带是在数百米尺度上组织的，而不是逐像素孤立分布。为此，作者使用了离散小波变换这一数学工具，将每个潜在特征图分解为大尺度背景与更精细的细节。他们关注低频成分，这些成分强调景观中的宽广、连贯模式。最后，他们用高斯混合模型对这些增强特征进行聚类，这是一种在允许模糊边界不确定性的前提下将像素分组的统计方法。这个流程——压缩、多尺度平滑、然后概率聚类——生成了斑状、侵蚀和富铁区的独立地图，而无需告知算法这些区位于何处。

与岩石、化学数据和简单比率的对比检验

由于单靠遥感可能产生误导，团队用 251 个土壤和岩石样品的现场与实验室数据对其制图结果进行了验证。独立的地质与薄片学工作已识别出哪些样品位于斑状或侵蚀带。将这些点叠加到卫星衍生地图上后，约 95% 的斑状和侵蚀样品落入模型相应的区域。使用样品周围小缓冲区进行更严格的逐像素测试，斑状和侵蚀蚀变的总体准确率仍分别约为 94.5% 和 86.9%。在缺乏现场铁数据的情况下，作者将其结果与可突出三价铁与二价铁的标准 Sentinel-2 波段比率进行了比较，结果一致性依然很高，不同铁态的总体准确率接近或超过 97%。

这对未来勘探意味着什么

简而言之，研究表明，卫星影像与人工智能的巧妙结合能够在没有标注训练数据的情况下，可靠地勾勒出斑岩铜系统周围关键的蚀变晕与铁分布模式。虽然较小且较深的带状蚀变——例如钾化或硅质蚀变——在 Sentinel-2 的分辨率下仍难以识别，但该方法稳健地捕捉到对早期靶区定位最重要的宽广斑状和侵蚀带。由于该方法以数据为驱动、成本低且具有可迁移性，可推广到全球其它潜在区，帮助勘探者将昂贵的地面工作集中在最有前景的地区。

引用: Kalkhoran, S.E., Ghannadpour, S.S. Integration of β-VAE, DWT, and GMM for Sentinel-2-based mapping of hydrothermal alteration and iron speciation in the Zafarghand area, Iran. Sci Rep 16, 6470 (2026). https://doi.org/10.1038/s41598-026-36349-w

关键词: 遥感, 斑岩铜, 热液蚀变, Sentinel-2, 深度学习