Long-wave infrared (LWIR) spectra can be interpreted using a Random Forest machine learning approach to predict mineral species and abundances. In this study, hydrothermally altered carbonate rock core samples from the Fourmile Carlin-type Au discovery, Nevada, were analyzed by LWIR and micro-X-ray fluorescence (μXRF). Linear programming-derived mineral abundances from quantified μXRF data were used as training data to construct a series of Random Forest regression models. The LWIR Random Forest models produced mineral proportion estimates with root mean square errors of 1.17 to 6.75% (model predictions) and 1.06 to 6.19% (compared to quantitative X-ray diffraction data) for calcite, dolomite, kaolinite, white mica, phlogopite, K-feldspar, and quartz. These results are comparable to the error of proportion estimates from linear spectral deconvolution (±7–15%), a commonly used spectral unmixing technique. Having a mineralogical and chemical training data set makes it possible to identify and quantify mineralogy and provides a more robust and meaningful LWIR spectral interpretation than current methods of utilizing a spectral library or spectral end-member extraction. Using the method presented here, LWIR spectroscopy can be used to overcome the limitations inherent with the use of short-wave infrared (SWIR) in fine-grained, low reflectance rocks. This new approach can be applied to any deposit type, improving the accuracy and speed of infrared data interpretation.

中文翻译：

---

钻芯表面矿物定量图II：使用μXRF和机器学习进行的长波红外矿物表征

可以使用随机森林机器学习方法解释长波红外（LWIR）光谱，以预测矿物种类和丰度。在这项研究中，对内华达州Fourmile Carlin型Au发现的热液蚀变碳酸盐岩岩心样品进行了LWIR和微X射线荧光（μXRF）分析。从量化的μXRF数据线性推导的矿物丰度用作训练数据，以构建一系列的Random Forest回归模型。LWIR随机森林模型得出的方解石，白云石，高岭石，白云母，金云母的矿物质比例估计的均方根误差为1.17至6.75％（模型预测）和1.06至6.19％（与定量X射线衍射数据相比），钾长石和石英。这些结果可与线性光谱解卷积（±7-15％）的比例估计误差相比较，线性光谱解卷积是一种常用的光谱分解技术。具有矿物学和化学培训的数据集使鉴定和定量矿物学成为可能，并且比当前利用光谱库或光谱末端成员提取的方法提供了更强大和有意义的LWIR光谱解释。使用此处介绍的方法，LWIR光谱可用于克服在细粒，低反射率岩石中使用短波红外（SWIR）固有的局限性。这种新方法可以应用于任何沉积物类型，从而提高了红外数据解释的准确性和速度。具有矿物学和化学培训的数据集使鉴定和定量矿物学成为可能，并且比当前利用光谱库或光谱末端成员提取的方法提供了更强大和有意义的LWIR光谱解释。使用此处介绍的方法，LWIR光谱可用于克服在细粒，低反射率岩石中使用短波红外（SWIR）固有的局限性。这种新方法可以应用于任何沉积物类型，从而提高了红外数据解释的准确性和速度。具有矿物学和化学培训的数据集使鉴定和定量矿物学成为可能，并且比当前利用光谱库或光谱末端成员提取的方法提供了更强大和有意义的LWIR光谱解释。使用此处介绍的方法，LWIR光谱可用于克服在细粒，低反射率岩石中使用短波红外（SWIR）固有的局限性。这种新方法可以应用于任何沉积物类型，从而提高了红外数据解释的准确性和速度。LWIR光谱可用于克服在细粒，低反射率岩石中使用短波红外（SWIR）所固有的局限性。这种新方法可以应用于任何沉积物类型，从而提高了红外数据解释的准确性和速度。LWIR光谱可用于克服在细粒，低反射率岩石中使用短波红外（SWIR）所固有的局限性。这种新方法可以应用于任何沉积物类型，从而提高了红外数据解释的准确性和速度。