SisuROCK工作站是一款全自動高光譜樣芯成像設(shè)備，可輕松、高速掃描巖芯和其它地質(zhì)樣品（如土壤、湖泊/海洋沉積物樣芯）。它能夠以高分辨率模式對單個樣芯進(jìn)行成像，或者以高速掃描模式對整個樣芯盒進(jìn)行成像，整個樣芯盒的高光譜成像數(shù)據(jù)獲取時(shí)間小于15秒，每天可采集數(shù)百箱樣芯數(shù)據(jù)，并且無需樣品制備,獲取的高光譜成像數(shù)據(jù)可以轉(zhuǎn)化為沿樣芯和整個礦床的一致且客觀的礦物圖, 極大的提高了樣芯分析效率。

主要特點(diǎn)

快速高通量

SisuROCK工作站使用所有的高光譜鏡頭在幾秒鐘內(nèi)對整個樣品區(qū)域進(jìn)行全面掃描，從加載第一個樣品盤完成掃描到下一個，間隔不到2分鐘，每天可掃描數(shù)百個樣品盤， 是目前最快的系統(tǒng)。

可重復(fù)和完整性

地質(zhì)樣品高光譜成像是一種 100% 可重復(fù)的方法，每天、每次都能給出相同的完整結(jié)果。當(dāng)使用 SisuROCK 工作站時(shí)，第一次掃描時(shí)即以數(shù)字格式獲得完整樣芯區(qū)域的所有高光譜數(shù)據(jù)，無需再次掃描。

通用性

可搭載可見光到紅外熱成像波段多個高光譜成像，全范圍記錄數(shù)據(jù)，可用于分析包括沉積物樣品在內(nèi)的各種地質(zhì)樣品。

可靠性

在多年的高頻次使用中，SisuROCK已證明其可靠性，而維護(hù)保養(yǎng)要求則低于其它設(shè)備。

相機(jī)類型

FX10e

波段范圍：400–1000 nm (VNIR)

• 輝石

• 橄欖石

• 赤鐵礦

SWIR

波段范圍：970–2500 nm (SWIR)

• 含羥基礦物：粘土、頁硅酸鹽、角閃石、硫酸鹽

• ?碳酸鹽

FENIX

波段范圍：380–2500 nm (VNIR + SWIR)

• ?含羥基礦物：粘土、頁硅酸鹽、角閃石、硫酸鹽

• 赤鐵礦、針鐵礦、黃鉀鐵礦

• 稀土元素

FX50

波段范圍：2.7 - 5.3 μm (MWIR)

• ?硅酸鹽：石英、長石等。

• ?在 SWIR 和 LWIR 中都可以看到的碳酸鹽和許多其他礦物

RGB

高分辨率 RGB

• 質(zhì)地和顏色

礦物鑒定表

?

產(chǎn)地

歐洲

案例一 高光譜成像在土壤有機(jī)碳氮研究中的應(yīng)用

加拿大阿爾伯塔大學(xué)Sorenson等人（2020）利用SisuROCK對連續(xù)耕地、連續(xù)牧草、耕地和牧草輪作三種土壤類型進(jìn)行研究，發(fā)現(xiàn)連續(xù)牧草后土壤淺表層有機(jī)碳含量最高，對于增加土壤碳匯有重要意義。

案例二 高光譜成像在金礦組分研究中的應(yīng)用

新西蘭懷卡托大學(xué)理學(xué)院的Barker等人（2020）利用SisuROCK長波紅外（LWIR）高光譜成像技術(shù)對內(nèi)華達(dá)州一處卡林型金礦組分進(jìn)行了研究，此方法無需破譯混合像元中的光譜變量，也無需為地質(zhì)領(lǐng)域單獨(dú)生成光譜庫，可廣泛應(yīng)用于多種礦床類型，在節(jié)約寶貴時(shí)間的同時(shí)極大的提高了光譜數(shù)據(jù)分析速度和準(zhǔn)確性。

案例三 高光譜成像在湖底沉積物研究中的應(yīng)用

法國格勒諾布爾阿爾卑斯大學(xué)的Kévin Jacq等（2019）利用高光譜成像技術(shù)對法國布爾吉湖底沉積物樣芯進(jìn)行了分析，通過有機(jī)物（OM）含量以重建不同年代的碳通量過程。

?

部分參考文獻(xiàn)

1)?Sorenson, P. T., Quideau, S. A., Rivard, B. & Dyck, M. Distribution mapping of soil profile carbon and nitrogen with laboratory imaging spectroscopy. Geoderma 359, 113982 (2020).

2)?Sorenson, P. T., Quideau, S. A. & Rivard, B. High resolution measurement of soil organic carbon and total nitrogen with laboratory imaging spectroscopy. Geoderma 315, 170–177 (2018).

3)?Rocky D. Barker et al.Quantitative Mineral Mapping of Drill Core Surfaces II: Long-Wave Infrared Mineral Characterization Using μXRF and Machine Learning. Economic Geology 116 (4): 821–836 (2021).

4)?Jacq, K. et al. High-resolution prediction of organic matter concentration with hyperspectral imaging on a sediment core. Science of The Total Environment 663, 236–244 (2019).

5)?Alnahwi A, Kosanke T, Loucks R G, et al. High-resolution hyperspectral-based continuous mineralogical and total organic carbon analysis of the Eagle Ford Group and associated formations in south Texas[J]. AAPG Bulletin, 104(7): 1439-1462（2020,）.

6)?Koch M, Schodlok M C, Guggenberger G, et al. Effects of water tension and surface roughness on soil hyperspectral reflectance[J]. Geoderma, 2021, 385: 114888.

7)?Khodadadzadeh M, Contreras C, Tusa L, et al. Subspace clustering algorithms for mineral mapping[C]//Image and Signal Processing for Remote Sensing XXIV. SPIE,10789: 557-564 (2018).

8)?Nikonow W, Rammlmair D. The potential of lacquer peel profiles and hyperspectral analysis for exploration of tailings deposits[C]//International Congress on Applied Mineralogy. Springer, Cham,: 244-247 (2019).

9)?Blumberg A, Schodlok M C. The synergistic use of multi-scale remote sensing data for the identification of hydrothermal alteration patterns in Los Frailes, Spain[J]. International Journal of Applied Earth Observation and Geoinformation,114: 103034 (2022).

10)?Tu?a L, Kern M, Khodadadzadeh M, et al. Evaluating the performance of hyperspectral short-wave infrared sensors for the pre-sorting of complex ores using machine learning methods[J]. Minerals Engineering, 146: 106150 (2020).

?