基于航空高光谱和伽马能谱的铀矿勘查集成软件开发与应用.pdf

第 40 卷 第 2 期2024年 3月Uranium Geology铀矿地质Vol.40 No.2Mar.2024基于航空高光谱和伽马能谱的铀矿勘查集成软件开发与应用李新春，邱骏挺，叶发旺（核工业北京地质研究院，北京 100029）摘要 航空高光谱和航空伽马能谱是当前铀矿勘查领域两类重要的数据源，由于其异构且海量的特性，使数据的处理难度大，处理效率低，协同应用效果不足。在这种情况下开发一款面向航空高光谱和伽马能谱的铀矿勘查集成软件显得尤为重要。文章根据航空高光谱和航空伽马能谱数据的类型及处理方法，开展了针对两种数据应用的集成软件系统的设计。研究引入虚拟总线结构，实现了对不同数据处理模块的调用，并以 Visual Basic为主要开发语言，对前台主系统进行搭建。最终利用搭建好的系统，以银根地区的航空高光谱和伽马能谱数据为数据源，完成软件的应用测试。测试结果发现，利用 GS融合算法可以较好地保留地表纹理信息，同时丰富图像颜色，从而为铀矿赋矿围岩岩性的准确识别与划分提供参考。关键词 航空高光谱；伽玛能谱；铀矿勘查；软件；设计开发文章编号 1000-0658（2024）02-0274-11 中图分类号 P627 文献标志码 A为提高矿产勘查成功率和降低勘查成本，需对各种找矿信息（如：地质、物化探、遥感等信息）进行全面整理、分析与研究。随着工作的不断深入，当前矿产勘查领域已积累了大量观测数据，为开展大数据综合分析和解决地质找矿问题提供了前所未有的机会1。数据综合分析不仅能有效克服单一数据的局限性，提升信息识别的准确率2，还能充分利用数据结果开展远景区和深部矿产的预测工作3-12。虽然大数据综合分析比传统单一数据分析更具优势，但数据量大、处理过程复杂，增加了数据的处理难度。随着计算机技术的发展，各类数据处理软件应运而生，能很好地辅助地质人员进行大数据的处理与分析工作13-16。在铀矿勘查领域，航空高光谱和航空伽马能谱是两类重要的数据源，在解译区域岩性、构造、蚀变以及各种放射性异常方面具有技术优势。其中，航空高光谱具有图谱合一的特征，图可以直观各类信息的形状、空间分布范围，谱可以确定地物的种类、丰度信息等。航空伽马能谱可获得与铀矿有关的U、Th、K 含量信息，间接确定古陆、铀源、热液活动等信息。倘若能将航空高光谱和航空伽马能谱信息进行融合、协同处理，充分发挥两种数据源各自优势，对提升铀矿找矿效果具有积极意义。遗憾的是，当前针对航空高光谱和航空伽马能谱数据的集成，国内并没有专门的处理软件，导致数据的自动化、批量化处理水平不高，降低了数据处理效率。此外，对航空高光谱和航空伽马能谱数据的融合与协同处理的支持也不够，不能充分发挥两种数据的找矿效能。针对上述问题，本研究根据航空高光谱和伽马能谱数据的处理流程和方法以及数据融合与协同方式，开展了基于航空高光谱与航空伽马能谱的铀矿勘查集成软件系统的设计、开发工作，并采用虚拟总线结构实现了不同功能模块的集成，最后利用测试数据完成了部分功能模块的测试工作。1 系统总体设计基于航空高光谱与航空伽马能谱的铀矿勘查集成软件系统的原理是通过对航空高光谱和伽马能谱数据进行管理、处理与分析解释，最终从数据DOI:10.3969/j.issn.1000-0658.2024.40.023基金项目 核能开发项目“基于航空高光谱与伽玛能谱的铀矿勘查技术研究”（编号：2021 88）资助。收稿日期 2023-05-25 改回日期 2023-06-26作者简介 李新春（1982），女，北京人，工程师，硕士，主要从事遥感地质、水文地质研究。E-mail：李新春李新春，等：基于航空高光谱和伽马能谱的铀矿勘查集成软件开发与应用第 2期中寻找有利于铀矿形成的线索，并提出找矿方向。因此，系统需包含相应的数据管理、数据处理、数据协同分析解释与数据融合等功能。1.1 数据管理功能设计计算机以文件方式存储航空高光谱和伽马能谱数据。由于二者涉及的数据类型很多，需要用不同的文件拓展名对不同类型的数据进行区分。表 1汇总了当前航空高光谱和伽马能谱涉及的常见数据类型，并列出了本次软件系统设计中采用的文件拓展名。表 1 常见的航空高光谱和伽马能谱数据类型Table 1 Common data types in airborne hyperspectral remote sensing and radioactivity survey类型真彩色灰度二值高光谱散点文本光谱矢量拓展名*.jpg*.gry*.bny*.hdr*.sct*.txt*.spc*.vct使用领域航空高光谱航空高光谱/航空伽马能谱航空高光谱航空高光谱航空伽马能谱航空伽马能谱航空高光谱航空高光谱/航空伽马能谱数据说明用于肉眼直观解释用于反映信息的强度变化用于反映真假（有无）信息用于保存航空高光谱数据原始数据用于保存航空伽马能谱原始数据用于保存各种文件说明信息用于展示光谱曲线用于保存解释的点、线、面数据很多情况下，一个研究区由于面积很大，可能会涉及多个航空高光谱数据文件。此外，在数据处理过程中会出现中间数据。因此，一项数据处理任务往往涉及几十甚至上百个文件，如不进行有效管理很容易出现错乱、丢失等。ENVI、ArcGIS 等遥感、地理信息软件都设计了文件管理器模块，可将多个文件以列表形式展现在管理器中，用户可以很方便地从文件管理器中调取和查看这些文件。本软件系统在设计过程中也采用了类似的机制，制 作 了 文 件 列 表 管 理 器。该 管 理 器 由 一 个TreeView 控件和一个 Collection 对象共同构成。其中，TreeView控件负责前台显示，可向用户展示文件列表和图标，列表中的文件名采用短名显示以节约空间；Collection 对象负责后台存储，可保存文件的完整地址和数据类型（图 1）。TreeView 和 Collection对象采用一一映射方式进行关联。当 TreeView 控件 接 收 到 用 户 事 件 时，会 通 过 这 种 映 射 关 系 从Collection 对象中抽取对应文件的地址返回给软件进行调用（图 1）。当添加或删除文件时，Collection对象优先更新，之后通过一次循环重载 TreeView 中的对象，以保证一一映射始终成立。图 1 TreeView控件和 Collection对象展示文件的一一映射关系Fig.1 One to one projecting relation presented in TreeView control and Collection object 1.2 数据处理功能设计数据处理包括对航空高光谱数据进行预处理、对航空伽马能谱数据进行散点插值、对高光谱数据进行彩色合成和信息提取等。表 2列举了航空高光谱和航空伽马能谱常见数据处理功能。这些功能以外加模块的方式与软件主系统进行集成，并在软件系统的菜单栏中添加对应的菜单按钮。当用户点击菜单按钮后，软件主系统会自动调用对应的功能模块。由于不同的数据处理模块可能使用不同的编 275铀 矿 地 质第 40 卷程语言，模块类型可能为程序代码、dll、activeX、exe等，因而在进行整合和文件交互过程中不能简单通过“引用”和修改程序代码的方式实现。为了解决这一问题，本研究提出了一种基于虚拟总线结构的调用模式来实现模块调用和对处理结果进行反馈（图 2）。此处的虚拟总线结构是指在计算机上设置一个临时的公共存取区域，由不同计算机语言编写的程序在一个程序运行周期内按照一定的时间间隔周期性访问该区域。这个区域分为 3个部分：指令、地址、信号。指令总线负责存储主系统提供的各类用户指令和参数，地址总线负责存储各类数据资源在硬盘中的存储位置，信号总线负责存储后台数据处理模块的处理结果和各种异常结果等。表 2 常见航空高光谱和航空伽马能谱数据处理功能Table 2 Common data processing functions in airborne hyperspectral and radioactivity measurement 类别航空高光谱航空伽马能谱阶段数据预处理数据处理数据预处理数据处理功能空间配准大气校正几何校正彩色合成图像镶嵌数据融合岩石信息提取矿物信息提取自动寻峰含量反演空间插值波段运算作用将不同类型数据进行空间匹配将航空高光谱数据转化为反射率数据修正图像的几何畸变生成肉眼可解译的彩色图像将多幅影像叠合成一幅影像将不同类型数据融合成新数据利用多种方法开展岩石的分类利用多种方法开展矿物信息的提取寻找对应元素的峰值将信号值转化为元素含量值将散点数据插值为平面数据用于计算不同元素比值图 3展示了一个完整调用过程的运行时序。首先，由用户启动软件系统，引导程序会打开前台主系统的操作台和状态栏以及后台伺服程序。此时，操作台拥有对指令和地址总线的写入权限，状态栏负责监听信号总线；后台伺服拥有对信号总线的写入权限，同时监听指令和地址总线。之后，用户利用操作台发出指令并指定需要处理的文件，该指令和文件的地址被写入指令和地址总线，随后被后台伺服程序监听。随后，伺服程序根据指令类型调用功能模块，并将文件地址传递给功能模块。此时，功能模块根据文件地址完成对硬盘文件的读取、处理，并将结果重新写入硬盘，完成后通知后台伺服。最后，后台伺服将处理结果写入信号总线，并被前台主系统的状态栏监听。状态栏将结果反馈给用户，从而完成整个过程。1.3 数据分块与批处理功能设计针对航空高光谱数据体积过大无法一次性完整载入内存进行处理的问题，本软件引入了数据分块 与 批 处 理 机 制，该 机 制 的 具 体 实 现 方 式 简 述如下：数据分块处理机制如图 4 所示，包含 3 个步骤：分 别 是 分 块、批 处 理 和 整 合。其 中，分 块 采 用IDL_CREATE_TILES过程实现。该过程可将大的航空高光谱遥感数据拆分成若干带有地理空间信息的小文件。批处理采用循环语句控制并调用表 2中所 述 的 相 关 功 能 模 块 实 现。整 合 采 用 IDL_COMBINE_TILES 过程将处理后的小文件按照地理信 息 重 新 整 合 为 一 个 完 整 的 结 果 文 件。IDL_CREATE_TILES 和 IDL_COMBINE_TILES 两个过程采用 IDL语言开发。利用上述机制成功实现了超过10 GB的航空高光谱遥感数据的处理（图 4）。图 2 虚拟总线结构示意图Fig.2 Diagram showing the virtual thread mechanism 276李新春，等：基于航空高光谱和伽马能谱的铀矿勘查集成软件开发与应用第 2期图 3 主系统调用后台处理模块完成数据处理的运行时序图Fig.3 The running time sequence of the main system calling the backend processing module to complete data processing图 4 应用层分块处理机制示意图17Fig.4 Diagram showing the principles of data segmentation and processing171.4 数据协同分析解释功能设计数据的协同分析解释主要以专家人工目视配合多源数据空间对应分析为主。多源数据空间对应包括两种类型，即叠合分析和对比分析。1.4.1 数据叠合分析方法设计数据叠合是将不同类型的信息在同一图像上进行展示。可将不同信息设想为不同图层，其中越高层级的信息位于越高的图层，叠合后高层级信息会遮挡低层级信息（图 5）。由于被遮盖的信息无法显示，可等效认为高层级信息替换了对应的位置低层级信息。图 5 数据叠合示意图Fig.5 Diagram shows principle of data overlaying 依据这一原理设计了软件系统的多源信息叠合方法。具体分两步进行：第一步：利用 where语句，检索高层级信息点所对应的像元序号：Locations=where（a 条件）第二步：替换低层级对应点的信息：Information Locations=b如果是多个层级的信息进行叠合，可使用循环从最低层级开始，依次进行替换，直至最高层级替换完毕：For i=1：layers do begin Locations=where（base i 条件）Information Locations=bEndfor最后，Information 中保存了叠合的结果。利用视窗对 Information 中的信息进行可视化后，即可开展分析。277铀 矿 地 质第 40 卷1.4.2 数据对比分析方法设计数据对比是将不同类型数据在多窗口中进行展示，并让窗口间数据的空间对应位置始终保持一致。假定窗体 1是主动窗口，窗体 2是从动窗口（图6）。当鼠标拖动窗体 1 中的图像时，为保证窗体 2中的图像同步移动，设计了如下方案：第一步：记录鼠标移动前窗体 1中心点（x，y）相对图像左上角的位置：x=left+w/2y=top+h/2其中 left 和 top 分别表示窗体左边界和顶边界距离图像左边界和顶边界的距离。第二步：计算鼠标移动的距离：x=MouseUp（x）MouseDown（x）y=MouseUp（y）MouseDown（y）其中 MouseDown（x）和 MouseUp（x）分别代表鼠标按键按下和松开时对应的 x 坐标，MouseDown（y）和 MouseUp（y）分别代表鼠标按键按下和松开时对应的 y坐标。第三步：在窗体 2中重新绘制对应图像：PictureBox.PaintPicture picture，xw/2，yh/2，w，h，left+x，top+y，w，h图 6 多窗体及窗体变量间的关系示意图Fig.6 The relationship between windows and the parameters通过上述方式可保证主动窗口与从动窗口间图像空间位置的一致性，从而协助开展不同图像间的对比分析。1.5 数据融合功能设计航空高光谱和航空伽马能谱在数据结构上有很大不同：航空高光谱数据为面状数据，而航空伽马能谱数据为散点数据。为实现两种数据间有效配准与融合，设计了如图 7 所示的数据融合流程。首先，航空伽马能谱数据以文本文件形式保存在计算机硬盘上，利用顺序文件读取方法，逐行读取坐标和值数据。与此同时，根据航空伽马能谱数据的地理空间范围，生成二维数组，保证数组元素与航图 7 航空高光谱与航空伽马能谱数据融合流程图Fig.7 Fusion procedure of airborne hyperspectral and airborne gamma data 278李新春，等：基于航空高光谱和伽马能谱的铀矿勘查集成软件开发与应用第 2期空高光谱数据在二维平面上维度一致。之后，对读取的航空伽马能谱数据进行坐标变换，将原先的地理坐标（经纬度）转换为投影坐标（X，Y），再根据变换后的 X、Y 坐标将航空伽马能谱的值数据逐个插入到新建立的二维数组的对应元素中，形成空间散点数据集。空间散点数据集可通过插值方法转变为平面数据集。插值方法有很多，其中最常见的是反距离权重法和克里金法。相比克里金法，反距离权重法的计算更为简便，因此本软件中采用了反距离权重法完成散点数据的空间插值。具体计算方法如下：zp=i=1n()zidpii=1n()1dpi（1）式中：Zp二维数组中某一个元素的值；Zi空间散点中第 i个元素的值；di空间第 i个点与 Zp对应元素间的距离；p距离指数，通常 p=2。利用循环语句即可计算获得二维数组中所有元素的数值，如此便得到空间连续的航空伽马数据集。由于二维数组与航空高光谱数据维度一致，因此二者可以直接进行对应位置的融合。目前，主要的数据融合算法包括波段替换法、主 成 分 法（Principal Component Analysis，PCA）、色相-饱 和 度-亮 度 法（Hue-Saturation-Lightnes，HSL）、色 调-饱 和 度-值 法（Hue-Saturatio-Value，HSV）、格 拉 姆-施 密 特 法（Gram-Schmidt，GS）等。为实现航空高光谱和航空伽马能谱数据的融合，软件增加了对上述 5种融合算法的支持。2 软件开发如前所述，本研究设计的航空高光谱和伽马能谱集成软件系统包含前台主系统和后台程序两部分。由于后台程序可采用基于虚拟总线结构的方式进行功能模块的调用，且后期还可以根据需求对功能模块进行添加，因而不是本次软件开发的重点。本研究重点关注前台主系统的开发工作。2.1 开发语言由于前台主系统需要与客户之间完成交互操作，因而编程语言应具备优秀的界面设计、人机交互、事件响应和功能拓展能力。基于这些考虑，本研究选择 Visual Basic 作为主要的编程语言。该语言采用面向对象程序设计方法，把程序和数据封装起来作为一个对象，且每个对象都是可视的，便于制作出优秀的图形界面。语言采用事件驱动编程，针对用户触发某个对象的相关事件进行编码，每个事件都可以驱动一段特定程序的运行，可以很好地对用户的交互事件进行响应和处理。此外，该语言支持 ActiveX 技术，能够实现对其他应用程序的调取。最后，Visual Basic 语言使用的控件与 Windows具有共用特性，使得采用 Visual Basic 编译的 exe 文件不仅体积小巧，而且在 Windows 系统上可以直接运行，兼容性较高，错误率较低，且可以最大程度地节约软件的占用空间。2.2 开发过程前台主系统一方面需要对原始数据和处理结果进行展示，另一方面需要接收用户发来的指令信号，以便对用户提出的处理需求做出响应。为此，本研究利用 Visual Basic 语言包含的几种控件对前台主系统进行了可视化开发。系统主窗体采用 MiDForm 控件搭建。MiDForm是一个窗体容器，可以承载其他类型的窗体，以便同时开启多个文件进行处理或者展示。主窗体包含一个菜单栏，菜单栏的内容包括如下目录：“文件”“数据”“处理”“工具”“分析”“智能化”“窗口”“帮助”。其中，“文件”和“数据”两个目录负责数据管理；“处理”和“工具”两个目录负责调用后台处理模块实现对数据的处理。“分析”目录负责对数据的分析工作。除上述主要功能外，系统还增加了“智能化”目录负责调用智能处理方面的后台模块。软件的主界面如图 8所示。主界面搭建完成后，根据具体的数据处理需求搭建功能界面。功能界面使用包括“文本框”“列表框”“单选框”“复选框”以及“按钮”等控件来接收和传递用户参数与指令。图 9 和图 10 分别展示了岩性智能识别和数据融合功能的界面。3 软件应用航空高光谱与伽马能谱集成体现在协同与融合两个方面。其中，协同处理是指将两种数据按照对应空间位置进行叠合或对比，通过反复人机交互、目视解译，挖掘新信息与提出新认识的过程；融合处理指将两种数据按照空间对应位置匹配后，利用融合算法计算得出新数据，再对新数据进行分析得出新认识的过程。本研究以内蒙古银根地区的 279铀 矿 地 质第 40 卷图 8 软件主界面图Fig.8 The main interface of the software图 9 岩性智能识别模块的功能界面Fig.9 The interface of AI lithology identification function图 10 数据融合模块的功能界面Fig.10 The interface of data fusion function 280李新春，等：基于航空高光谱和伽马能谱的铀矿勘查集成软件开发与应用第 2期航空高光谱和伽马能谱数据为主要的数据源，开展了软件协同与数据融合功能的测试。3.1 协同功能应用测试在协同方面，将航空伽马能谱反演的 U含量（图11a）、航空高光谱彩色合成结果（图 11b）以及航空伽马能谱反演的 Th/U 值（图 11c）进行空间比对，发现影像左上角存在明显的 U正异常。从航空高光谱彩色合成图上可以看出，U 正异常所属区域以暗色调（墨绿、黑色）为主，其岩性很可能为基性岩浆岩。由于基性岩浆岩初始 U含量低，因此，此处的 U更可能为次生富集。在 Th/U 值图上，U 正异常所属区域以暗色调为主，表示 Th/U 值低，说明此处存在 U 迁入。因此，可以判断图 11中所示的 U 正异常为次生U 富集导致的异常。该结果同时说明，将航空高光谱与航空伽马能谱进行协同分析有助于信息的研判。图 11 航空高光谱与伽马能谱协同对比分析Fig.11 Comparison between airborne hyperspectral and gamma dataaU含量图：b航空高光谱彩色合成结果图；cTh/U值图。3.2 融合功能应用测试在融合方面由于航空高光谱数据和伽马能谱数据具有不同的空间分辨率，且航空高光谱数据的空间分辨率高于伽马能谱数据，因而利用软件打开两种数据后，航空高光谱数据可以清晰地显示出地表地物的颜色及纹理信息（图 12a，图 13a），而伽马能谱数据则较为模糊（图 12b，c、d），甚至出现一定的马赛克现象（图 13b）。图 12 利用集成软件系统打开银根地区彩色合成结果和航空放射性 U、K、Th结果Fig.12 Color remote sensing image and airborne U，K，Th results presented in the software for Yin gen area.a彩色合成结果图；bU含量图；cK含量图；dTh含量图。281铀 矿 地 质第 40 卷图 13 航空高光谱真彩色图和航放数据彩色合成图Fig.13 True color remote sensing image and composited airborne radioactivity imagea航空高光谱真彩色合成图；b航空放射性彩色合成图（U含量充当红波段；Th含量充当绿波段；K含量充当蓝波段）。分别采用波段直接替换法、主成分法（Principal Component Analysis，PCA）、色 调-饱 和 度-值 法（Hue-Saturatio-Value，HSV）和 格 拉 姆-施 密 特 法（Gram-Schmidt，GS）4 种方法将两种类型的数据进行像元级融合后得到的结果如图 14 所示。由图 14可见，波段直接替换、PCA、HSV 3 种方法均没有很好地保留住纹理信息，采用 PCA 和 HSV 处理后的数据，马赛克现象变得更为严重，可能与两种类型数据的空间分辨率相差过大有关。相比而言，采用 GS方法融合后的数据虽然依然有马赛克现象，但可以较好地保留住纹理信息。此外，经过 GS融合后的数据图像比航空高光谱直接彩色合成后的图像的颜色更加鲜艳与丰富，这对进行岩性的细致划分具有十分重要的作用（图 15）。图 14 不同融合方法得到的数据融合结果图Fig.14 The results of data fusion of different methodsa直接彩色合成图；bPCA融合图；cHSV融合图；dGS融合图。282李新春，等：基于航空高光谱和伽马能谱的铀矿勘查集成软件开发与应用第 2期图 15 航空高光谱真彩色合成结果与融合后结果对比Fig.15 Comparison between true color remote sensing image and data fusion imagea真彩色合成结果图；b融合结果图。4 结论本研究围绕航空高光谱与伽马能谱数据的类型和处理方法开展集成软件系统的设计，通过引入虚拟总线结构对不同数据处理模块进行调用，以Visual Basic 为主要开发语言对前台主系统进行搭建，并最终利用银根地区的航空高光谱和伽马能谱数据完成软件的应用测试。研究表明，利用 Visual Basic开发的前台系统配合虚拟总线结构可以很好地实现对后台功能模块的调用并获得数据处理结果，证明该方案在大型集成系统开发方面是可行的。此外，通过对比不同的数据融合方法，发现 GS融合可以较好地保留地表纹理信息，并丰富图像颜色，从而为铀矿赋矿围岩岩性的识别与划分提供参考。参考文献1 DENG M，DI L.Building an online learning and research environment to enhance use of geospatial data.J.International Journal of Spatial Data Infrastructures Research，2008，4：7795.2 WANG D，LIU X，LIU L.Characteristics of big geodata and its application to study of minerogenetic regularity and minerogenetic series J.Miner Deposits，2015，34：11431154.3 XIONG Y H，ZUO R G，EMMANUEL John M Carranza.Mapping mineral prospectivity through big data analytics and a deep learning algorithmJ.Ore Geology Reviews，2018，102：811-817.4 SUN T，CHEN F，ZHONG L X，et al.GIS-based mineral prospectivity mapping using machine learning methods：A case study from Tongling ore district，eastern ChinaJ.Ore Geology Reviews，2019，109：26-49.5 KEYKHAY-HOSSEINPOOR M，AMIR-HOSSEIN K，HOSSEIN-MORSHEDY A.A machine learning-based approach to exploration targeting of porphyry Cu-Au deposits in the Dehsalm district，eastern IranJ.Ore Geology Reviews，2020，116：103234.6 CHEN Y L，WU W.Mapping mineral prospectivity using an extreme learning machine regressionJ.Ore Geology Reviews，2017，80：200-213.7 CHEN J，MAO X C，LIU Z K，et al.Three-dimensional metallogenic prediction based on random forest classification algorithm for the Dayingezhuang gold depositJ.Geotectonica et Metallogenia，2020，44（2）：231-241.8 WANG Y，ZHOU Y Z，XIAO F.Numerical metallogenic modelling and support vector machine methods applied to predict deep mineralization：A case study from the Fankou Pb-Zn ore deposit in northern Guangdong J.Geotectonica et Metallogenia，2020，44（2）：222-230.9 LIU Y P，ZHU L X，ZHOU Y Z.Experimental research on big data mining and intelligent prediction of prospecting target area-application of convolutional neural network modelJ.Geotectonica et Metallogenia，2020，44（2）：192-202.10ZHANG Y，LI M C，HAN S.Machine learning methods application in gold mineralization prediction based on gold unit data J.Geotectonica et Metallogenia，2020，44（2）：183-191.11 张亚光，陈建平，贾志杰，等.基于循环神经网络的找矿 283铀 矿 地 质第 40 卷模型构建与预测J.地质通报，2019，38（12）：2033-2042.ZHANG Yaguang，CHEN Jianping，JIA Zhijie，et al.Construction and prediction of a prospecting model based on recurrent neural network J.Geological Bulletin，2019，38（12）：2033-2042（in Chinese）.12蔡惠慧，徐永洋，李孜轩，等.基于卷积神经网络模型划分成矿远景区以甘肃大桥地区金多金属矿田为例J.地质通报，2019，38（12）：1999-2009.CAI Huihui，XU Yongyang，LI Zixuan，et al.The division of metallogenic prospective areas based on convolutional neural network model：A case study of the Daqiao gold polymetallic depositJ.Geological Bulletin，2019，38（12）：1999-2009（in Chinese）.13XIONG Y，ZUO R.Effects of misclassification costs on mapping mineral pro-spectivity J.Ore Geological Reviews，2017，82：1-9.14ZUO R，CARRANZA E J M.Support vector machine：A tool for mapping mineral prospectivity J.Computers and Geosciences，2011，37：1967-1975.15AGTERBERG F P，BONHAM-CARTER G F.Logistic regression and weights of evidence modeling in mineral exploration.In：Proceedings of the 28th International Symposium on Applications of Computer in the Mineral Industry（APCOM）J.Golden Colorado，1999：483-490.16ABEDI M，NOROUZI G H，BAHROUDI A.Support vector machine for multi-classi-fication of mineral prospectivity areasJ.Computers and Geosciences，2012，46：272-283.17李新春，木红旭，叶发旺，等.面向应用层的遥感数据分块技术及其应用 J.计算机科学与应用，2023，13（7）：1428-1437.LI Xinchun，MU Hongxu，YE Fawang，et al.Application level oriented remote sensing data segmentation technology and its applicationJ.Computer Science and Application，2023，13（7）：1428-1437（in Chinese）.Design，Development and Application of Uranium Exploration Software Based on Airborne Hyperspectral and Radioactivity DataLI Xinchun，QIU Junting，YE Fawang（Beijing Research Institute of Uranium Geology，Beijing 100029，China）Abstract：Airborne hyperspectral and gamma spectroscopy are two important data sources in the field of uranium exploration.Due to their massive characteristics，the data processing is difficult and low efficiency，and the collaborative application of different datasets is insufficient.Therefore，it is important to develop an integrated software system for uranium prospecting based on airborne hyperspectral and gamma spectroscopy.In this study，the software was designed based on the characteristics of airborne hyperspectral and radioactivity data type and data processing methods，and the foreground program was developed with Visual Basic language.A virtual thread mechanism is introduced for the foreground program to call the backend data processing program.The remote sensing and gamma-ray data from Yingen area were used to test the software.The results show that the GS fusion algorithm can effectively preserve surface texture information and enhance image color，which provides better reference for more accurate lithology classification.Keywords：airborne hyperspectral；gamma spectrum；uranium exploration；software；design and development基于哨兵-2数据的白岗岩型铀矿构造蚀变特征研究以纳米比亚罗辛矿区为例 武鼎1，周觅2，王俊虎1，郭帮杰3（1.核工业北京地质研究院 遥感信息与图像分析技术国家级重点实验室，北京 100029；2.中国核工业集团有限公司，北京 100822；3.中核战略规划研究总院，北京 100048）摘要 白岗岩型铀矿是重要的铀矿资源，但针对该类铀矿典型矿床遥感特征的研究还十分薄弱。文章以