地球科学学院地信系副教授邵燕林在《RemoteSensing》发表题为“A Machine Learning-Based Method for Lithology Identificationof Outcrops Using TLS-Derived Spectral and Geometric Features”的研究论文（图1）。
图1 文章首页
该研究提出了一种基于机器学习的露头岩性智能识别方法SG-RFGeo，通过融合地面激光扫描（TLS）点云的光谱与几何特征，显著提升了复杂地质环境下岩性识别的精度与效率，为数字地质与智能勘探提供了新方案。本研究以新疆准噶尔盆地南缘月牙湾露头为研究区，该区域出露白垩系清水河组(K1q)地层，主要发育泥岩、砂岩和砾岩三类岩性。由于露头岩性成岩程度低，且经历长期暴露，受风化和表面浮土、植被等因素影响，岩性分类识别难度较大，传统自动识别方法面临挑战。
SG-RFGeo框架主要包括以下模块：首先，基于规则格网分割构建岩性识别单元，提取反射率统计特征（均值、标准差、峰度等）与几何形态特征（表面变化率、曲率、平面度等）；然后，设计双层随机森林岩性识别模型，浅层模块通过基尼系数筛选特征，完成植被、砾岩和泥砂岩的粗分类；深层模块针对砂泥岩薄互层优化特征组合，实现岩性的精细分类。并引入地层产状等地质先验知识，对岩性识别结果进行空间约束后处理优化，有效提升了识别成果的地质可靠性。总体技术流程如图2。
图2 SG-RFGeo框架流程图
根据实验结果，得出以下结论：1、基于规则网格分割的光谱-几何特征能够有效捕捉不同岩石类型的岩性变化，结合双层随机森林架构，能够对容易混淆的岩性进行精细区分。2、将地质先验知识，如地层倾向，引入分类过程提高了分类结果的地质合理性，并提升了整体模型性能。3、与传统机器学习分类方法相比，SG-RFGeo方法表现出更高的准确率，总体分类准确率达到93%，满足地质勘探的实际需求。这表明多源特征融合与地质先验约束可有效解决复杂露头岩性识别难题，为高精度地质建模与勘探提供了新方法。
论文信息：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
参考文献：
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.
