永利6774app手机版官网地信系副教授邵燕林在《RemoteSensing》發表題為“A Machine Learning-Based Method for Lithology Identificationof Outcrops Using TLS-Derived Spectral and Geometric Features”的研究論文（圖1）。
圖1 文章首頁
該研究提出了一種基于機器學習的露頭岩性智能識别方法SG-RFGeo，通過融合地面激光掃描（TLS）點雲的光譜與幾何特征，顯著提升了複雜地質環境下岩性識别的精度與效率，為數字地質與智能勘探提供了新方案。本研究以新疆準噶爾盆地南緣月牙灣露頭為研究區，該區域出露白垩系清水河組(K1q)地層，主要發育泥岩、砂岩和礫岩三類岩性。由于露頭岩性成岩程度低，且經曆長期暴露，受風化和表面浮土、植被等因素影響，岩性分類識别難度較大，傳統自動識别方法面臨挑戰。
SG-RFGeo框架主要包括以下模塊：首先，基于規則格網分割構建岩性識别單元，提取反射率統計特征（均值、标準差、峰度等）與幾何形态特征（表面變化率、曲率、平面度等）；然後，設計雙層随機森林岩性識别模型，淺層模塊通過基尼系數篩選特征，完成植被、礫岩和泥砂岩的粗分類；深層模塊針對砂泥岩薄互層優化特征組合，實現岩性的精細分類。并引入地層産狀等地質先驗知識，對岩性識别結果進行空間約束後處理優化，有效提升了識别成果的地質可靠性。總體技術流程如圖2。
圖2 SG-RFGeo框架流程圖
根據實驗結果，得出以下結論：1、基于規則網格分割的光譜-幾何特征能夠有效捕捉不同岩石類型的岩性變化，結合雙層随機森林架構，能夠對容易混淆的岩性進行精細區分。2、将地質先驗知識，如地層傾向，引入分類過程提高了分類結果的地質合理性，并提升了整體模型性能。3、與傳統機器學習分類方法相比，SG-RFGeo方法表現出更高的準确率，總體分類準确率達到93%，滿足地質勘探的實際需求。這表明多源特征融合與地質先驗約束可有效解決複雜露頭岩性識别難題，為高精度地質建模與勘探提供了新方法。
論文信息：Shao, Y.; Li, P.; Jing, R.; Shao, Y.; Liu, L.; Zhao, K.; Gan, B.; Duan, X.; Li, L. A Machine Learning-Based Method for Lithology Identification of Outcrops Using TLS-Derived Spectral and Geometric Features. Remote Sens. 2025, 17, 2434.https://doi.org/10.3390/rs17142434
參考文獻：
1.Franceschi, M., Teza, G., Preto, N., Pesci, A., Galgaro, A., Girardi, S., 2009.Discrimination between marls and limestones using intensity data from terrestrial laser scanner. ISPRS Journal of Photogrammetry and Remote Sensing 64, 522–528.https://doi.org/10.1016/j.isprsjprs.2009.03.003.
2.Yin, S.L.; Chen, G.Y.; Liu, Z.L.; Feng, W.; Liu, Y. 3D Digital Outcrop Characterization Technology based on Unmanned AerialVehicle Oblique Photography. Acta Sedimentol. Sin. 2018, 36, 72–80.
