章欽瑜，張登榮，黃國成，朱 駿

板橋稀土礦遙感找礦信息提取與礦產預測研究

章欽瑜1，張登榮2，黃國成3，朱 駿1

(1.浙江大學地球科學系，杭州 310027;2.杭州師范大學遙感和地球科學研究院，杭州 310027;3.浙江省地質調查院，杭州 310027)

通過對離子吸附型稀土礦成礦規(guī)律的分析，從浙江省板橋地區(qū)的遙感地質特征研究入手，在研究區(qū)地表范圍內進行稀土遙感找礦信息的提取。首先利用SPOT圖像和DEM數(shù)據(jù)構建的坡度數(shù)據(jù)對與稀土成礦相關的地貌單元進行解譯;然后通過光譜特征分析和基于ASTER圖像的礦物遙感異常提取，獲取與成礦相關的高嶺土、絹云母、綠泥石等風化特征礦物的分布信息;最后疊合分析地貌、坡度及異常提取結果，進行稀土遙感找礦預測。與地質調查資料及化探數(shù)據(jù)的對比分析證實，上述方法對圈定1∶5萬的大比例尺離子吸附型稀土礦分布范圍是有效的，可為更詳細的稀土礦產資源潛力評價提供依據(jù)。

離子吸附型稀土礦;遙感;地貌解譯;異常提取;礦產預測

0 引言

稀土礦作為重要的戰(zhàn)略資源，國內外需求量一直很大。我國雖是世界稀土資源大國，但因近年來過度開采，稀土資源量儲備已大幅度下降，迫切需要加強新礦產地調查，以保證稀土礦的后備供應［1］。

目前，在江西、福建、廣東、廣西等南方省份已經陸續(xù)發(fā)現(xiàn)了一批離子型稀土礦。具有相似成礦環(huán)境的浙江省有可能存在稀土礦產的開發(fā)潛力。但由于浙江省稀土礦的地質調查工作起步較晚，雖已取得了一定的成果，但工作程度還比較低，大部分地區(qū)尚未完成大比例尺的地質勘查［2］。

利用遙感技術提取成礦區(qū)域內的地貌、構造、巖性、蝕變等與成礦相關的特征信息，從而為地質找礦提供前期調查資料，一直是國內外學者關注的焦點［3］。迄今為止，遙感在國內的稀土礦產調查中已開展了一些應用，但公開發(fā)表的相關技術方法及應用研究成果的文獻極少;而遙感技術在具有相似成礦模式的堆積型鋁土礦的找礦應用中則取得了很多有效的實際成果［4－7］。

本文利用SPOT，ASTER圖像和DEM數(shù)據(jù)，根據(jù)板橋型稀土礦成礦特征，從遙感地質特征入手，開展板橋型稀土礦找礦信息的提取和礦產遙感預測研究。

1 成礦地質背景

到目前為止，浙江省已探明的稀土礦類型以風化殼離子吸附型為主，約占全省已探明稀土礦的64%，均分布于浙江省南部(N28°40'以南)，其中以板橋稀土礦最為典型［2］。

板橋地區(qū)離子吸附型稀土礦的形成過程與巖體的風化作用密切相關。首先，含有稀土元素的母巖定位后，受構造抬升影響，蓋層被剝蝕殆盡，使巖體大量出露地表，在溫暖濕潤的氣候條件下，逐步遭受風化，并在原地堆積形成風化殼;其次，受化學風化作用的影響，稀土元素被活化，常呈離子態(tài)被吸附于粘土礦物的表面;最后，風化殼中的稀土成礦物質在經歷了淋溶、解析、遷移、吸附，再淋溶、解析、遷移、吸附的反復作用后，在合適的地質環(huán)境下富集，形成具有工業(yè)品位的離子吸附型稀土礦床［8］。

2 研究區(qū)概況

2.1 自然地理概況

研究區(qū)位于浙江省麗水市松陽縣東部的板橋鄉(xiāng)內，其地理范圍為 E119°30'～ 119°45'，N28°19'～28°29'，面積約 421.8 km2(圖 1)。

圖1 研究區(qū)地理位置Fig.1 Location of study area

該地區(qū)屬于典型的亞熱帶季風氣候區(qū)，四季分明，雨量豐沛，空氣濕潤，年平均氣溫約17℃，年平均降水量1 500 mm。區(qū)內地貌以山地丘陵為主，中部為地勢較低的臺地，四周為低山丘陵，海拔高度100～1 100 m，平均海拔375 m，植被覆蓋密集。

2.2 地質概況

研究區(qū)中部發(fā)育燕山晚期靖居包巖體，巖性為中粒石英二長巖、似斑狀黑云母石英二長巖。其中主要礦物包括鉀長石(占40% ～65%)、斜長石(占20% ～35%)和石英(占5% ～15%)，副礦物主要有磁鐵礦、赤褐鐵礦、鋯石等，含稀土礦物主要為獨居石、磷釔礦等。微量元素中，Pb，La，Ce，Y為高度富集元素(富集系數(shù)K＞4)。稀土元素呈離子態(tài)吸附于粘土礦物中，賦存于完全風化層及半風化層中。

區(qū)內風化殼中粘土礦物含量高，礦物成分以高嶺土、伊利石為主;風化殼厚度大，平均厚度達10 m以上，最厚達17 m。其中，低緩圓平的山頭、平緩的山坡、臺地上的風化殼厚度較大，而在溝谷、山腳等部位風化殼厚度較小，甚至尖滅。風化殼發(fā)育類型以被蓋式為主，少數(shù)為帽蓋式，兼有癩痢式和裸腳式等特征［9］。

3 稀土遙感找礦信息提取

通過對成礦地質背景及地質特征分析可知，板橋地區(qū)稀土礦的形成主要與成礦母巖的巖石系列和地貌條件及風化殼特征密切相關。因此，稀土遙感找礦信息的提取從這些方面入手，著重解譯研究區(qū)內與成礦有關的地貌特征，并對風化特征礦物遙感異常信息進行提取。

3.1 殘坡積地貌信息提取

殘坡積地貌是按照第四紀地質成因分類理論、根據(jù)地質作用的動力原則劃分的地貌類型，是基巖經物理、化學等風化作用后，未經任何搬運而殘留于原地較平緩的地表形成底部基巖的覆蓋層［10］。由于離子吸附型稀土礦的分布與殘坡積地貌有良好的對應關系，因此將遙感解譯的殘坡積區(qū)作為離子吸附型稀土礦分布區(qū)預測的一個重要標志。

3.1.1 殘坡積地貌遙感識別

本次研究綜合考慮外營力作用和成因類型，采用人機交互的目視解譯方法，根據(jù)研究區(qū)影像的形態(tài)、紋理和色調特征，并結合區(qū)內地形、地勢特點等，建立第四系殘坡積地貌的遙感影像解譯標志，提取殘坡積物分布的遙感地貌信息。采用的遙感數(shù)據(jù)是2009年3月1日獲取的SPOT 5圖像，分別用B2，(B3·B1+B3)/B4，B3對應R，G，B通道，構成假彩色合成圖像(其中B1，B2，B3分別代表SPOT的綠、紅和近紅外波段)。通過Brovey方法將多光譜波段與2.5 m空間分辨率的全色波段融合，獲得融合圖像。

在遙感圖像上，裸露及植被覆蓋較少的殘坡積(Qedl)區(qū)一般具有不同于植被覆蓋區(qū)的色調特征，主要表現(xiàn)為棕色、土黃色、灰綠色，總體上呈不均勻的斑塊，空間分布零亂。其中，裸露的殘坡積區(qū)主要呈棕色、土黃色，表面結構較光滑;而植被覆蓋較少的殘坡積區(qū)則呈灰綠色、灰色，色調飽和度較低，影紋結構較復雜。

另外，殘坡積區(qū)主要分布于侵蝕山區(qū)內的地勢平緩地區(qū)，無明顯的山脊線或山體切割淺。影像上一般表現(xiàn)出較高的農業(yè)利用程度，多被開墾為梯田、道路等(圖2)。從地形地貌來看，殘坡積區(qū)主要位于經風化侵蝕的地勢較平緩的山區(qū)(如臺地、丘包、饅頭山的頂部和上部)，局部位于谷地以及山麓與平原的交接部位［11］。

圖2 殘坡積地貌的SPOT圖像Fig.2 SPOT image of Qedl

依據(jù)上述遙感解譯標志對研究區(qū)內殘坡積地貌進行目視解譯，共解譯出與殘坡積地貌有關的圖斑46個。圖斑面積大小不一，最大的達2.71 km2，最小的僅0.06 km2，平均為0.49 km2;主要分布于研究區(qū)中部后塘、塘里源等地區(qū)的臺地和丘包上，少部分位于大坑等山坡以及谷地中，多呈塊狀或者不規(guī)則橢圓等形狀(圖3)。

圖3 研究區(qū)殘坡積地貌分布(以SPOT影像為背景)Fig.3 Qedlmapped in study area

3.1.2 基于坡度的殘坡積提取

由于目視解譯方法受解譯人員的經驗、操作等人為因素影響較大，為了獲得更加客觀、可靠的殘坡積地貌的空間分布信息，本文利用坡度信息對殘坡積地貌的目視解譯結果進行修正。

本次研究采用空間分辨率為30 m的ASTER DEM數(shù)據(jù)，利用GIS的地形分析功能提取研究區(qū)的坡度空間分布信息。根據(jù)以往的地質調查可知，殘坡積地貌一般分布在坡度小于20°的丘陵山區(qū)［2］。因此，本文按＜10°，10°～20°，＞20°共分3 級，分離出坡度在20°以下的各級坡度信息，并生成坡度分布圖(圖4)。

圖4 研究區(qū)坡度分布Fig.4 Slope distribution map of the study area

從圖4可以看出，坡度在20°以下的區(qū)域主要分布于平緩的山麓坡地、山間臺地、低丘頂部、山間谷地、河谷平原以及河道、湖泊、水庫等部位。其中，河谷平原以及河道、湖泊、水庫等與殘坡積地貌無關，其坡度極為平緩，一般低于10°，需要剔除。值得注意的是，由于計算機自動提取，部分圖斑零碎雜亂(面積小到僅數(shù)個像元大小)，在輔助地貌解譯中并無實際意義。因此在數(shù)據(jù)后期處理中，對碎小的坡度圖斑進行了歸并處理。

最后，將殘坡積區(qū)的上述目視解譯結果與20°以下的坡度信息及已知的侵入巖體空間分布信息進行疊加分析，進一步確定與成礦相關的殘坡積區(qū)的空間分布范圍，生成最終的殘坡積地貌解譯圖(圖5)。

圖5 巖體范圍內20°坡度以下殘坡積地貌分布圖Fig.5 Residual talus slope topography map with the slope below 20°in rocks

在巖體的分布范圍內，共解譯出殘坡積區(qū)的24個圖斑，面積最大的達5.874 km2，面積最小的僅0.005 km2，平均面積為 0.633 km2，多呈不規(guī)則塊狀。解譯圖斑的外包絡線分布范圍大致與地質圖上的靖居包巖體出露范圍相當。在巖體的北部及東部，圖斑分布相對較集中、連續(xù)性好;南部及西部則較零星、連續(xù)性相對較差。

3.2 風化特征礦物遙感信息提取

3.2.1 光譜特征分析

由區(qū)域地質調查資料可知，研究區(qū)的稀土成礦母巖為一套堿性花崗斑巖。在表生風化作用下，花崗斑巖中的深色礦物常發(fā)生分解，形成高嶺土、絹云母、綠泥石等礦物［12］。因此，高嶺土、綠泥石和絹云母是母巖表生風化作用的特征礦物。此外，獨居石是主要的含稀土礦物，由于與稀土成礦呈高度相關，該礦物在一定程度上也可以為研究區(qū)稀土成礦分布提供指示信息。因此，本文嘗試利用光譜特征分析和異常提取的方法獲取高嶺土、絹云母、綠泥石和獨居石的分布信息。

為了分析上述礦物在ASTER數(shù)據(jù)的VNIR—SWIR波段的光譜特征，將全波段的實驗室光譜數(shù)據(jù)重采樣到ASTER的各個波段(圖6)。

圖6 特征礦物光譜曲線圖Fig.6 Spectral curves of the characteristic minerals

從重采樣后的光譜曲線圖上可以看出，高嶺土和絹云母的光譜吸收特征十分相似，在ASTER6波段處表現(xiàn)為強吸收;在ASTER4波段前，高嶺土的反射率要高于絹云母，而在其后的波段則相反。綠泥石的反射率由可見光到近紅外是逐步上升的，在ASTER8波段處出現(xiàn)強吸收。獨居石在短波紅外的特征不明顯，而在ASTER3波段表現(xiàn)為強吸收谷。根據(jù)這些特征制訂了基于ASTER的高嶺土、絹云母、綠泥石和獨居石的遙感異常信息提取方案。

3.2.2 礦物異常信息提取

本次風化特征礦物遙感異常信息提取采用的數(shù)據(jù)是ASTER L1B數(shù)據(jù)，空間分辨率重采樣到15 m。由于研究區(qū)跨越了多景數(shù)據(jù)，先對其進行鑲嵌拼接、裁剪，然后轉換到統(tǒng)一的投影坐標系。

為了使ASTER光譜數(shù)據(jù)更好地匹配地物的真實光譜，減少干擾，需要將其轉化為垂直方向的地表反射率。因此，在進行光譜特征提取前，首先對ASTER數(shù)據(jù)進行預處理。由于所采用的ASTER L 1B數(shù)據(jù)已經進行過輻射定標，可以直接通過FLAASH大氣校正消除大氣的影響。鑒于研究區(qū)處于山地丘陵地區(qū)，相鄰像元間的地形變化比較大，像元光譜可能會受到相鄰像元的影響，本文還采用了非朗伯體方程進行光譜的地形校正［13］，最后將其校正到垂直方向的地表反射率(圖7)。

此外，區(qū)內存在大面積的高植被覆蓋區(qū)，水系也比較發(fā)育。為了去除水體和植被的干擾，需要通過掩模運算將二者去掉，從而將地表露頭較好的像元單獨提取出來。根據(jù)水體在ASTER3和ASTER4波段的下降趨勢，二者的比值小于1，可作為水體的掩模。采用NDVI指數(shù)小于0.3作為植被的掩模。

圖7 礦物異常提取流程Fig.7 Flow chart of mineral anomaly extraction

借鑒前人在蝕變礦物異常信息提取中的研究成果，采用比較成熟的波段組合主成分分析方法［14－16］分別提取絹云母和綠泥石礦物異常信息。由于高嶺土與絹云母的光譜變化特征相似以及獨居石獨特的光譜吸收波段，本文使用波段深度法(band depth，BD)來提取高嶺土和獨居石異常信息。

利用ASTER數(shù)據(jù)提取粘土類礦物主要采用對ASTER1，3，4，n波段組合進行主成分分析(PCA)的方法(n的選擇由目標礦物的波譜特征決定)。絹云母在ASTER6波段表現(xiàn)為強吸收，在ASTER7波段則表現(xiàn)為強反射，因此選擇 ASTER1，3，4，6，7 作為PCA的輸入。通過PCA變換得到的特征向量如表1所示。

表1 ASTER1，3，4，6，7 波段的 PCA 特征向量Tab.1 PCA eigenvectors of ASTER1，3，4，6，7 bands

從表1中可以看出，對PC5的主要貢獻來自絹云母的特征波段，它很好地反映了絹云母在ASTER7的高反射和在ASTER6的強吸收關系。由于高反射一般表示為正的貢獻，為了處理的方便，對PC5取反，以便使圖像中的高值對應于異常。

根據(jù)綠泥石的波段特征，選擇 ASTER1，2，3，5，8，9波段進行PCA變換，得到的特征向量如表2所示。從PCA分析結果看，PC5得到的ASTER5，8波段貢獻最大，且 ASTER5，9波段和 ASTER2，8波段的符號相反，最符合綠泥石在ASTER5，9的高反射率和在ASTER2，8波段的吸收關系。

表 2 ASTER 1，2，3，5，8，9 波段的 PCA 特征向量Tab.2 PCA eigenvectors of ASTER 1，2，3，5，8，9 bands

根據(jù)高嶺土在ASTER6波段的吸收谷和在ASTER4，7波段的谷肩，采用波段深度方法，構造波段運算公式(ASTER4+ASTER7)/ASTER2作為波段特征生成高嶺土特征圖;根據(jù)獨居石在ASTER3波段的吸收谷和在ASTER2，4波段的谷肩，構造波段運算公式(ASTER2+ASTER4)/ASTER3作為波段特征生成獨居石特征圖。選擇均值加2倍標準差作為異常下限閾值，最后生成高嶺土、絹云母、綠泥石、獨居石異常分布圖(圖8)。

由圖8可見，通過上述方法提取的特征礦物遙感異常信息主要離散分布于巖體內部及邊緣地區(qū)，在巖體的北部、中部和南部各有幾處異常聚集區(qū)。其中，研究區(qū)內綠泥石異常的分布面積最大，在各個聚集區(qū)均有分布。中部和南部則提取出了較多的獨居石異常，而北部僅有零星分布。絹云母和高嶺土異常提取的面積相對較小，分布也比較均勻。由于這些特征礦物與稀土礦密切相關，所提取的異常信息可以大致反映稀土礦的分布趨勢。

4 稀土礦遙感找礦預測與驗證

通過對板橋離子吸附型稀土礦成礦規(guī)律的上述分析，本文建立離子吸附型稀土礦遙感找礦預測模型為:①母巖分布范圍內的第四系殘坡積地貌;②母巖分布范圍內地形坡度在20°以下的區(qū)域;③存在與稀土成礦有關的高嶺土、絹云母、綠泥石等風化特征礦物和獨居石的光譜信息。根據(jù)稀土礦遙感找礦預測模型，綜合前述殘坡積地貌信息提取和與成礦有關的礦物光譜異常分析，圈定出研究區(qū)內的稀土礦預測范圍，最后得到稀土礦遙感找礦預測分布圖(圖9)。

圖9 稀土遙感找礦預測分布圖Fig.9 Map of rare earth distribution forecasted by remote sensing exploration

為了驗證本文提出的離子吸附型稀土礦遙感找礦預測模型的可靠性，利用已有地質調查資料以及研究區(qū)內稀土元素的化探數(shù)據(jù)分別進行了分析比對。從已探明的稀土礦的礦區(qū)分布范圍圖來看，研究區(qū)北部的稀土礦遙感找礦預測區(qū)分布范圍與已知礦區(qū)范圍基本吻合，且區(qū)內發(fā)育稀土礦點1處［9］(圖9)。此外，通過化探取樣分析，可知區(qū)內存在化探鑭(La)、釔(Y)異常區(qū)，均呈北北東向展布，其中La異常內帶分布范圍與靖居包巖體的展布基本一致(圖10(a));而Y異常的高值區(qū)主要分布在研究區(qū)的西南［9］(圖10(b))，這與稀土相關礦物的遙感異常分布范圍基本一致。從化探數(shù)據(jù)與稀土礦遙感找礦預測區(qū)的分布情況來看，用遙感找礦預測模式獲取的稀土礦分布趨勢與化探反映的La的異常分布趨勢更相符。

通過對比分析可以看出，采用上述遙感方法提取的稀土礦地表分布信息與已知礦區(qū)和化探數(shù)據(jù)分布基本吻合，說明本文提出的離子吸附型稀土礦遙感找礦預測模型具有較高的可靠性和可適性，可以推廣應用于浙南離子吸附型稀土礦的找礦預測。

圖10 化探異常分布圖Fig.10 Map of geochemical anomaly

5 結論

1)本文選取SPOT遙感圖像和DEM數(shù)據(jù)提取板橋地區(qū)與稀土礦有關的殘坡積信息，確定了研究區(qū)殘坡積的分布范圍;同時運用ASTER數(shù)據(jù)的波段組合進行主成分分析(PCA)和波段深度運算(BD)，提取出獨居石、高嶺土、絹云母和綠泥石遙感異常信息。

2)依據(jù)離子吸附型稀土礦的成礦規(guī)律，綜合遙感地貌解譯和風化特征礦物異常信息提取，圈定了板橋地區(qū)稀土礦遙感找礦預測區(qū);通過與地質調查資料及化探數(shù)據(jù)的比對，證實了該方法的有效性，表明使用ASTER和SPOT數(shù)據(jù)可以提取出1∶5萬比例尺下的離子吸附型稀土礦的大致分布信息，從而為進一步的地質勘察工作節(jié)省大量人力物力。

3)嘗試性地建立了離子吸附型稀土礦的遙感找礦預測模型，為今后進一步開展稀土礦的遙感找礦工作提出了較為系統(tǒng)的方法和建議。

4)根據(jù)地質調查資料可知，風化特征礦物在研究區(qū)內的分布比較廣泛。而在其異常信息的提取中，由于受研究區(qū)高植被覆蓋影響，獲取的異常點相對較少。另外，分割閾值的設置對異常點數(shù)量的影響也比較大，目前還缺乏定量化的評判標準。如何有效地去除背景環(huán)境影響及更合理地選擇分割閾值以突顯異常信息，還有待于進一步深入研究。

［1］ 韓曉英，李 平，王 勇，等.中國稀土發(fā)展概況［J］.中國有色金屬，2010(2):29 －30.

［2］ 斯小軍.浙江省風化殼離子吸附型稀土礦產概查地質報告［R］.浙江省區(qū)域地質調查大隊，1992:10－30.

［3］ 耿新霞，楊建民，張玉君，等.遙感技術在地質找礦中的應用及發(fā)展前景［J］.地質找礦論叢，2008，23(2):89 －93.

［4］ 李領軍，張云峰，張 蓉，等.幾內亞金迪亞地區(qū)紅土型鋁土礦遙感礦化信息與找礦預測［J］.遙感信息，2010(5):93－97.

［5］ 成 功，陳松嶺，祝瑞勤，等.平果堆積型鋁土礦地質特征及遙感找礦預測［J］.輕金屬，2009(8):11－18.

［6］ 高光明，周利霞，黃寶華.波羅芬高原紅土型鋁土礦遙感影像特征及信息提?。跩］.圖像處理與模式識別，2007(3):73－75.

［7］ 羅允義.廣西鋁土礦遙感綜合成礦預測及資源總量估算［J］.地質與勘探，2003，39(3):58 －62.

［8］ 朱安慶，張永山，陸祖達，等.浙江省金屬非金屬礦床成礦系列和成礦區(qū)帶研究［M］.北京:地質出版社，2009:10.

［9］ 樊錫銀，呂新前.浙江省松陽縣板橋稀土礦區(qū)普查地質報告［R］.杭州:浙江省第七地質大隊，1995.

［10］周 翔，劉玉英，王敏龍，等.地貌學及第四紀地質學基礎［M］.北京:地質出版社，2007.

［11］范 敏，黃 潔，劉 智，等.基于遙感數(shù)據(jù)的西南地區(qū)第四紀殘坡積層分布與利用—以四川省鹽源盆地為例［J］.國土資源遙感，2010(增刊):204－208.

［12］徐耀鑒，徐漢南，任錫剛.巖石學［M］.北京:地質出版社，2007.

［13］ Mishra V D，Sharma J K，Singh K M，et al.Assessment of Different Topographic Corrections in Waifs Satellite Imagery of Himalaya Terrain［J］.Journal of Earth System Science，2009，118(1):11 －26.

［14］ Bertoldi L，Massironi M，Vison D，et al.Mapping the Buraburi Granite in the Himalaya of Western Nepal:Remote Sensing Analysis in a Collisional Belt with Vegetation Cover and Extreme Variation of Topography［J］.Remote Sensing of Environment，2011，115:1129－1144.

［15］張玉君，楊建民，陳 薇.ETM+(TM)蝕變遙感異常提取方法研究與應用——地質依據(jù)和波譜前提［J］.國土資源遙感，2002(4):30－34.

［16］張玉君，曾朝銘，陳 薇.ETM+(TM)蝕變遙感異常提取方法研究與應用——方法選擇和技術流程［J］.國土資源遙感，2003(2):44－50.

The Remote Sensing Prospecting Information Extraction and Mineral Resources Prognosis in the Banqiao Rare Earth Mineral Deposit

ZHANG Qin－yu1，ZHANG Deng－rong2，HUANG Guo－cheng3，ZHU Jun1
(1.Department of Earth Sciences，Zhejiang University，Hangzhou 310027，China;2.Institute of Remote Sensing and Earth Sciences，Hangzhou Normal University，Hangzhou 310027，China;3.Zhejiang Institute of Geological Survey，Hangzhou 310027，China)

In this paper，the prospecting information of the rare earth resources on Earth’s surface was extracted by analyzing the metallogenic regularity and geological remote sensing features of the study area.Firstly，the distribution of geomorphic units of Qedlwas interpreted based on SPOT imagery and slope map obtained from DEM data.Then，the distribution of characteristic minerals closely related to rare earth deposits such as kaolin，sericite and chlorite was extracted by using remote sensing alteration anomaly extraction methods in the study area.At last，the potential rare earth ore districts were predicted by using overlap analysis of geomorphic units of Qedlas well as slope and abnormal extraction results.A comparison with the results of geological and geochemical survey shows that the remote sensing methods proposed in this paper are effective and reliable in prognosis of rare earth mineral distribution at the scale of 1∶50 000 and can provide useful suggestions for more detailed potential evaluation of rare earth mineral resources.

ion adsorption type rare earth;remote sensing;geomorphologic interpretation;abnormal extraction;mineral prediction

TP 79

A

1001－070X(2012)01－0120－07

10.6046/gtzyyg.2012.01.21

2011－06－20;

2011－07－14

中國地質調查局全國礦產資源潛力評價浙江省礦產資源潛力評價項目(編號:1212010813010)和浙江省城市濕地與區(qū)域變化研究重點實驗室基金項目(編號:KZ11107)共同資助。

章欽瑜(1986－)，女，碩士研究生，主要研究方向為遙感地質應用。E－mail:yean333@gmail.com。

(責任編輯:劉心季)