洪名瑶 张雅馨 仲峻松 叶金燕 杨树洁 田琼

摘 要 近红外光谱作为用于矿产资源勘探和检测的一种技术，以其快速、无损、低成本和易操作的特点，在地质学领域显示出巨大潜力。本文主要介绍近红外光谱技术在铁矿石中的应用现状、发展趋势以及面临的挑战和未来发展方向，为矿物资源的高效利用提供参考依据。

关键词 近红外光谱技术；铁矿资源勘探；成分分析；在线监测

Research on the Application of Near Infrared Spectroscopy Technology in Iron Ore

HONG Ming-Yao¹ ZHANG Ya-Xin¹ ZHONG Jun-Song¹

YE Jin-Yan¹ YANG Shu-Jie¹ TIAN Qiong^1*

Abstract Near infrared spectroscopy technology, as an emerging tool for mineral resource exploration and detection, has demonstrated significant potential in geological applications due to its fast, non-destructive, low-cost, and easy to operate characteristics. This review primarily examines the current application status, development trends, challenges, and future directions of near-infrared spectroscopy technology in iron ore. The aim is to offer a scientific foundation for the efficient utilization of mineral resources using near-infrared spectroscopy technology.

Keywords near infrared spectroscopy technology; exploration of iron ore resources; component analysis; online monitoring

铁矿是国家经济发展和国家安全的重要组成部分，合理高效开发铁矿资源，对于促进经济发展、保障国家资源安全意义重大^[1]。传统的矿产品检测方法，如化学分析、X射线衍射等，通常存在检测周期长、成本高、操作复杂、破坏样品等局限性，制约了铁矿石检测的效率和准确性。因此，研究高效经济且操作简便的铁矿石检测方案具有重要的现实意义。

近红外光谱技术主要通过获取分子振动时非谐振性信息，快速得到样品中的各种成分含量信息或性质参数。该技术凭借无损检测、低成本、操作简便、快速准确等优势，在矿物检测领域显示出巨大潜力^[2-3]。近红外光谱技术结合化学计量学，能够对样品中多种成分含量进行快速高效的定量分析。该技术在含水矿物和有机物的分析上效果明显，为矿产资源的快速、高效检测提供了可借鉴的技术手段。

本文通过分析近红外光谱技术在铁矿勘测、铁矿成分分析、铁矿在线监测中的应用和实例，以期为铁矿资源勘探、开发和利用提供新的视角和方法。同时，本文还探讨了该技术在实际应用中面临的挑战和未来发展趋势，旨在为相关领域的研究人员提供参考。

1 近红外光谱技术原理

近红外光谱的波长区间为780～2526 nm，该技术通过检测X-H（X代表C，O，N）等含氢官能团振动产生的合频和倍频来分析样品，获取物质的组成和分子结构的详细信息。其主要优势表现在以下几个方面：（1）易操作：近红外光谱的吸光度相对较低，大多数样品可以直接进行测量，无需复杂的预处理步骤；测试中不使用试剂，不会破坏试样和污染环境；对光路的精度要求较低，日常分析不需要校准光路；微量物质对测量结果的干扰并不显著。（2）低成本：近红外光波长适中，所用测量元件和仪器一般采取玻璃或石英作为光学材料，价格较低廉。近红外光谱分析中的光传输可以利用成本较低的低羟基石英光纤，这使得它非常适合在特定环境下进行在线和远程分析^[4]。（3）分析速度快、效率高：光谱与化学计量学模型相结合，可以在几秒内准确预测样品的多种成分和特性，并且其结果的重复性和一致性优于传统检测技术。

尽管近红外光谱技术拥有上述优势，但其局限性也不容忽视：（1）近红外光谱技术进行定性和定量分析时，很大程度上依赖于校准模型的准确性。校准模型需针对不同样品单独构建，当遇到模型边界外的样品时，必须根据测试样品的成分和性质不断地对模型进行扩展和校准，这给非常规的分析工作带来极大的挑战。（2）校准模型对所用仪器的稳定性要求极高，任何光学组件的更换都可能使模型失去效力。若使用已有的校正模型，则所用近红外光谱仪和建构模型仪器间具有一致性，否则预测误差很大。（3）近红外光谱领域物质检测限一般为0.1%，不适合微量分析。

基于近红外光谱技术的优势和不足，其适用于以下场景：（1）对天然复杂样品进行快速、高效、完整和现场分析。（2）用于组成高度一致、具有稳定性的物质检测。（3）适用于石油冶炼、化工等工业设备的实时分析，通过优化系统和控制过程，产生较大的经济效益。

2 近红外光谱技术在矿物学领域的发展历程

近红外光谱技术最初主要被用于有机物的检测分析，随着工业化的不断演进，被逐渐应用于无机矿物的检测领域。近红外矿物分析主要聚焦于岩石矿物的含水性及近红外光谱特性、矿物识别等方面研究^[5]。1979年，丁暄等^[6]采用近红外光谱技术对铁矿石、石英岩等矿物样本进行检测分析，为矿物检测提供了一种新的技术手段，也为后续的研究奠定了基础。1987年，Townsend T E等^[7]通过对高光谱遥感数据的研究，成功确定了近红外反射率的最低点位置，并证实了利用这一技术估算地表针铁矿与赤铁矿含量比例的可行性。这一研究将近红外光谱技术与遥感技术相结合，实现了对矿物的远程检测，不仅扩大了检测范围，提高了检测效率，还为地质勘探等领域提供了新的技术支持。1999年，Ehsani M R等^[8]证实了利用近红外反射技术可以迅速测定土壤中的氮含量。该研究进一步拓展了近红外光谱技术在无机物检测领域的应用范围，使得土壤氮含量的检测变得更加高效和便捷，这对于农业生产和土壤研究等领域具有重要意义。2002年，Ramsey J等^[9]开发了一种基于漫反射光谱的矿物识别技术，并设计了专门用于识别碳酸盐矿物的算法，减少了人为因素对结果的影响，提高了矿物识别的准确性和效率，对矿物学研究的深入和矿产资源的开发利用起到了重要的推动作用。2005年，武子玉^[10]通过对层状硅酸盐矿物的近红外光谱特性进行研究，成功建立了该类矿物的近红外光谱定量分析标准模型。这一研究为层状硅酸盐矿物的定量分析提供了一种标准化的方法。2009年，修连存等^[11]运用近红外光谱技术对蚀变矿物进行了定性和定量分析，为蚀变矿物的研究提供了新的技术支持，对于地质研究和矿产勘查具有重要的参考价值。2013年，李军华等^[12]利用近红外光谱仪对白云母、高岭土和蒙脱石3种矿物进行了分析，成功获取了这些岩石矿物的组分含量数据。这一研究进一步验证了近红外光谱技术在矿物组分分析方面的有效性。2019年，宋华玲等^[13]利用近红外光谱技术对硅酸盐矿物进行深入分析，发现通过近红外光谱中的水峰可以预测锆石及其变生形式的存在。该研究为硅酸盐矿物的研究提供了新的思路和方法，也为锆石的寻找和研究提供了一种新的途径。2023年，张生等^[14]探讨了近红外光谱技术在铝土矿勘查中的有效性，为铝土矿勘查提供了新的技术支持。

近红外光谱技术在矿物学领域的发展历程中，从最初的技术引入到与遥感技术的结合，再到对不同矿物的识别、定量分析以及在矿产勘查中的应用，不断拓展近红外光谱技术的应用范围，提高其在矿物检测中的准确性和效率，推动了矿物学领域的发展和进步。

3 矿物光谱吸收特征

3.1 磁铁矿和磁赤铁矿

在可见-近红外光谱中，磁铁矿和磁赤铁矿的反射率较低，前者约为2%，后者约为11%；在6000～14000 nm波长范围内，磁铁矿的反射较差，只能通过光谱中的显著垂直偏移间接指示^[15]。

3.2 针铁矿和赤铁矿

在可见-近红外光谱区域，与赤铁矿相比，针铁矿在520 nm左右存在较好的吸收峰，在700 nm处的吸收比赤铁矿样品更明显。跟赤铁矿-针铁矿相关氧化铁的主要吸收峰在900 nm左右。与赭色针铁矿相比，1000～1400 nm之间的反射率斜坡是玻璃质针铁矿的典型特征。

在6000～14500 nm波长范围内，由于基本的-OH弯曲振动，针铁矿在11200～11400 nm和12400～12600 nm范围内显示出2个突出的反射峰。微平面赤铁矿光谱在6500 nm存在一个轻微的吸收峰，而在6000～7500 nm的波长范围内，放射率逐渐增强，超过7500 nm后放射率开始降低。这种变化趋势可作为在光谱混合物中检测赤铁矿的特征^[16]。

3.3 矸石矿物

与铁矿床相关的典型脉石或有害矿物具有电磁波谱红外部分不同频率的吸收特征^[17]。（1）1300～1600 nm：含羟基矿物中结构羟基的泛音（2ν）区域；（2）1900～2500 nm：含羟基矿物质中结构羟基组合（ν + δ）区域，与碳酸盐络合物（3νCO₃）重叠；（3）2500～3000 nm：羟基伸缩区域（νO–H）；（4）6000～7000 nm：碳酸盐中的CO₃基团；（5）7500～14000 nm：硅酸盐中的Si-O伸缩区域（νSi–O，δO–H）；（6）＞14000 nm：弯曲振动区域（δSi–O，δO–H，δM–O）。

3.4 石英

在可见光至近红外光谱区间内，石英不表现出明显的特征吸收峰。但当波长进入中红外区域时，石英在8000～8627 nm之间具有8627 nm的光谱特征，这是由于Si-O键的非对称伸缩振动所致，当样品被制成浆时，这一特征仍然存在，可以根据其相对深度来估计其相对丰度。由于Si-O键的对称伸缩振动，弱特征出现在12300～13230 nm之间^[18]。

3.5 硅酸盐矿物

在硅酸盐矿物的近红外光谱中，光谱特征主要与铁、锰和铜等离子的电子跃迁有关，这些跃迁过程通常与水分子和羟基的振动有关。以下是对硅酸盐矿物及其近红外光谱特性的综合性描述^[10]。

3.5.1 岛状硅酸盐矿物

这类典型矿物为橄榄石族，化学式表达为(Fe,Mg,Mn,Ca)SiO₄。它们的特征吸收谱带涵盖了二价和三价铁离子在0.82 μm、1.06 μm、1.3 μm处的吸收峰，以及0.73 μm处铁锰复合吸收带。铝锰榴石矿物的二价、三价铁吸收谱带位于1.275 μm、1.7 μm和0.8 μm、0.9 μm处。黄玉矿物中-OH倍频和合频在1.4 μm处，H₂O振动在1.9 μm处，而Al-O-H弯曲基谐振的合频谱带则位于2.15 μm、2.2 μm处。

3.5.2 链状硅酸盐矿物

在这类矿物中，近红外光谱特征显示，1.04 μm、0.85 μm处存在二价和三价铁离子的吸收带，在1.4 μm处观察到-OH的合频和倍频吸收峰，在1.9 μm处是H₂O的振动吸收，在2.32～2.38 μm区间内可以检测到Mg-O-H的振动吸收带，而在2.32 μm处则是Al-O-H的弯曲谐振合频吸收带。

3.5.3 层状硅酸盐矿物

层状硅酸盐矿物的层状结构可能是1∶1型或2∶1型，由四面体和八面体配位的原子层构成。层与层之间存在羟基、水分子和水络合物等，对光谱吸收峰的形态和位置产生影响。该矿物的近红外光谱特征包括：1.4 μm处的OH合频和倍频吸收，1.9 μm处的H₂O振动吸收，2.32 μm的Al-O-H弯曲谐振合频谱带，以及2.32～2.345 μm区间的Mg-O-H振动吸收带^[19]。受晶体结构、层间物质成分和金属阳离子的综合影响，层状硅酸盐矿物的近红外光谱呈复杂多样化。

3.6 碳酸盐矿物

该类型矿物的近红外区光谱由碳酸根的合频或倍频振动引起。碳酸盐在短波红外中存在几个吸收特征，这些特征吸收峰的位置和形状主要取决于Mg、Fe的数量以及Mn取代Ca。短波红外中的主要吸收特征位于2340～2300 nm之间，并显示出特征性左侧不对称，指向主要特征短波长边缘可能集中在2230～2275 nm波长区域。随着Mg和Fe含量的增加，例如在白云石或菱铁矿中，碳酸盐矿物会出现向短波长移动现象。在碳酸盐中，约1990 nm和1870 nm的2个次要特征总是成对出现，尽管随着Mg 或 Fe 含量的增加而强度减弱，但它们在Ca被Mg和Fe替代时也显示出蓝移。由于不对称的C-O伸缩振动，碳酸盐矿物在6～7 μm和11000～12000 nm的波长范围内展现出两个强反射光谱峰。在13400～14200 nm之间出现的较弱反射峰是由于CO₃分子内C-O键的弯曲振动所致。特征波长位置随着阳离子的性质和与CO₃阴离子的键强度而变化[20]，不同矿物中碳酸盐光谱特征分别为赤铁矿13400～13600 nm、白云石/方解石13600～13950 nm和方解石1395～14002 nm。

综上所述，可利用吸收峰位置来鉴别矿物特征，特别是对同族亚类矿物鉴别效果明显。例如，埃洛石和高岭石可以通过高岭石在2.167～2.17 μm处的吸收峰来进行区分。这些光谱特征为矿物的快速识别和分析提供了重要的科学依据。

4 近红外光谱技术在铁矿资源上的应用

4.1 近红外光谱技术在铁矿勘测中的应用

近红外光谱技术能够迅速识别蚀变矿物及其组合，从而提取与矿化过程密切相关的关键信息，已成为澳大利亚、加拿大等国家矿产资源勘探的重要工具。这项技术特别擅长于识别含有羟基和水分的黏土矿物。由于黏土矿物通常在基岩蚀变和风化等地质过程中形成，并且与流体活动紧密相连^[21]，因此，近红外光谱技术是黏土矿物勘探中的一个重要工具，黏土矿物的结构羟基和分子水对1000～2500  nm近红外波段非常敏感。通过分析这些羟基的特征组合频率（2200～2370 nm），可以鉴定黏土矿物的种类及其相对含量。研究表明，与羟基结合的金属原子种类显著影响其振动频率。例如，富含铝的黏土矿物的羟基振动频率约为2200 nm，而富含铁离子的黏土矿物则在2280～2320 nm之间，富含镁和亚铁离子的黏土矿物则分别在2330～2340 nm和2350～2370 nm之间^[22]。因此，近红外光谱技术在勘探含铁矿物等矿产资源中展现出巨大的应用前景。

Haest M等^[23]利用快速岩心测井系统收集光谱反射数据，涵盖了短波红外、近红外以及可见光区域。将这些数据与X射线荧光光谱结果结合，验证了铁矿床一维、二维和三维的衍生矿物丰度和成分信息。这些矿物信息有助于更清晰地界定矿床的分层特征，以及其底部地质结构和上覆的风化覆盖层。

近红外光谱技术在识别矿物种类和估算含量方面也会受到多种因素的影响，如地质环境和矿物的物化特性^[24]。自然界中的岩石和矿物表面因地质作用而覆盖着其他矿物层，这些覆盖层可能由单一矿物或多种矿物的混合物构成，包括二氧化硅、岩盐、赤铁矿和黏土矿物等^[25]。尽管某些覆层的厚度仅在几微米至几毫米之间，它们却能几乎完全反射地面的光谱信号，从而掩盖岩石基体的光谱特性，对近红外反射光谱分析造成干扰。

4.2 近红外光谱技术在铁矿成分分析中的应用

矿物资源的勘探、储存和应用等环节都要求对其成分和含量进行精确分析。近红外光谱技术能够在不破坏样本的前提下，通过计算机辅助精密计算，达到精准分析矿物的目的。近红外光谱技术在铁矿分析中的应用是多方面的，从实验室检测技术、高光谱成像技术，再到遥感技术，该技术都展现出了其独特的优势和广泛的应用前景。

4.2.1 实验室近红外光谱技术

近红外光谱技术通常在实验室中被用来精确测定铁矿石中的多种化学成分。例如，早期的USGS Tetracorder算法便是利用矿物的光谱吸收特征来表征其化学性质。Park K S等[26]利用漫反射红外光谱和多元矫正法确定烧结矿中FeO含量。Fredericks P M等[27]使用近红外放射光谱对铁矿物样品进行快速表征，其主要特征是0.9 μm附近的一个大带，这可归因于铁的电子跃迁。1.9 μm弱宽带可归属于水的组合谱带，与2.5 μm附近较弱的宽带存在所有光谱中，属于仪器伪影。1.4 μm附近谱带也是仪器伪影，是衍射光栅的一种特性。

基于近红外光谱数据建立数据库，用于分析和预测矿物成分、种类等性质，以及开发能够对检测目标进行详细表征的现场成像仪器，也是矿物研究领域的热点。例如，王岳等[28]将不同铁矿石的可见光至近红外光谱数据与支持向量机算法相结合，构建了赤铁矿、磁铁矿以及典型围岩的识别和分类模型数据库。该算法在岩矿上分类精度均值为98.3%，Kappa系数均值为0.965，在赤铁矿和磁铁矿分类精度上均值达到93.1%，Kappa系数均值为0.79，为快速识别铁矿石类型提供了一种新方法。毛亚纯等[29]基于矽卡岩型铁矿的近红外光谱数据和化学分析结果，通过平滑处理、预处理、降维算法等步骤，构建了矽卡岩型铁矿定量反演铁品位的模型数据库，用于分析矿物成分。Liu Z[30]等运用可见光-近红外光谱技术，并结合随机森林算法与主成分分析方法，对6种铁矿石光谱数据进行了降维处理和分类预测，识别准确率平均可达95%以上。近红外光谱技术在铁矿分析中的应用不断深化，铁矿模型的建立在铁矿石类型快速识别上展现出了强大的潜力和广泛的应用前景，预计该技术在资源快速勘探领域将发挥更加重要的作用。

4.2.2 近红外光谱技术在高光谱成像技术中的应用

随着高光谱成像技术的发展，地质学界开始更加关注光谱和光谱测量中的尺度问题，以了解矿物混合如何影响光谱响应，以及这种影响如何反过来影响矿物学成分的量化。近红外光谱技术作为高光谱成像技术的重要组成部分，为矿物识别和分析提供了关键的光谱信息。

1987年，Townsend T E^[7]等利用对高光谱遥感数据的研究，利用近红外光谱技术成功确定了地表针铁矿与赤铁矿反射率的最小值位置，进而验证了估算这两种矿物相对比例的可行性。Fonteneau L C等^[31]利用450～2500 nm可见近-短波红外高光谱成像技术，对不同地区的铁矿石进行了矿物学和纹理的比较分析。这种技术结合了近红外光谱的化学分析能力和成像技术的空间分辨率优势，能够迅速且精确地获得矿石特性，为地质勘探提供了一种创新的技术方法。由于含铁矿物的近红外光谱与玻璃等其他物质的光谱重合，Horgan B H N等^[32]通过研究含铁矿物与玻璃的混合物，提出了一种基于近红外光谱技术的高光谱技术鉴定方法，对矿物学、成分和行星表面光谱中的矿物混合物具有较高的敏感性。这进一步说明了近红外光谱技术在高光谱成像技术中的重要作用。

高光谱钻探岩心和碎屑扫描系统结合了近红外光谱和高光谱成像技术，允许对样本的化学组成和物理性质进行非破坏性、快速的分析，同时提供空间分辨率信息，为研究物质的微观结构和分布提供了新的视角，不仅提升了分析的效率与精确度，还推动了地质勘探等相关领域的技术革新。在铁矿勘探中，高光谱成像技术可以帮助地质学家更准确地识别和评估矿床的品位和分布。

目前，在铁矿行业中使用多种超光谱钻探岩心和芯片扫描系统，不仅提供从450～2500 nm的全光谱图像，还提供表面地形图像。比如，“HyLogging 3系统”可以在380～2500 nm和6000～14500 nm波长范围内连续记录钻探岩心的空间和光谱信息^[33]。其中，380～2500 nm的波长范围涵盖了近红外区域，是高光谱成像技术的核心组成部分。

4.2.3 近红外光谱技术在遥感监测中的应用

遥感技术利用飞机或卫星搭载的近红外传感器来监测和分析地表的铁矿资源。这种技术可以覆盖大面积的区域，提供关于铁矿分布和品位的宏观信息。通过分析从遥感设备收集的光谱数据，尤其是近红外波段的数据，可以识别出铁矿石的潜在位置并能够估计其资源量。

光学遥感技术可以根据其光谱范围的分辨率和采样间隔分为多光谱和高光谱系统。例如，ASTER是一种空间多光谱成像光谱仪，能够收集14个在近、短和中红外范围内波段。利用其波段的半高全宽特性和波长位置足以识别3种相应波长区域中的铁氧化物、粘土矿物以及无水硅酸盐（如石英）。此外，另一种空间多光谱系统Landsat TM也被用于绘制地球表面的铁氧化物范围，但由于其光谱分辨率的限制，无法区分其他主要矿物组^[34]。相比之下，航空高光谱系统能够提供更详细的地球表面铁氧化物矿物学及相关矿物组合的图像。这些高光谱系统通过增加光谱分辨率，进一步提升了对矿物的识别能力，尤其是在近红外波段。

4.3 近红外光谱技术在铁矿在线检测中的应用

目前国内矿石成分在线检测方法有中子活化技术，其优势在于物料穿透性强、快速、无需样品预处理，但该技术需要使用放射性中子源，对操作环境和安全有较高要求，且分析周期较长，成本较高，对操作技术的要求也较为复杂。而近红外光谱技术操作相对简便，成本低廉，无污染，使其在矿物在线检测领域极具潜力，其无损、快速、可多元素分析等优势正促使该技术成为实时检测的主流。例如，中国铝业采用了Spectraflow公司近红外光谱在线分析仪对生产过程中的铝土矿原料进行实时监控，以实时优化液体剂量和流程中可用氧化铝的回收率，同时避免增加二氧化硅[35]。近红外光谱在线分析在铁矿上同样得到了广泛应用。2023年6月，巴西淡水河谷公司开始使用Spectraflow公司的近红外Crossbelt分析仪在其港口和矿山在线测量铁矿石材料[36]。随后，印度塔塔钢铁烧结厂也采用该技术测量氧化物、矿物相水平、有机物和水分等。利用测试数据结合烧结化学计算，实现了焦炭、石灰石等微调添加量的精确控制[37]。此外，中国海关也对相关技术进行了研究，例如湛江海关通过创建近红外特征光谱智能比对模型，实现了进口铁矿石中固体废物实时在线排查，基于该快速筛查功能建立的“智慧商检”应用场景目前已在多个海关进行了复制推广，大大提高了口岸现场查验效率和监管水平。该案例证明近红外光谱技术有望应用于其他大宗散货中固废夹杂物的在线监测中。

近红外光谱技术运用于铁矿石在线监测中，能够实时监测铁矿石中的多种组分，推动矿业智能化和环境友好型矿业的发展，增强企业的市场竞争力。伴随技术的完善和进步，近红外光谱技术将在铁矿石在线监测领域发挥更加重要的作用。

5 挑战与展望

5.1 挑战

由于近红外光谱的谱带宽且复杂，存在明显的吸收峰重叠现象，同时其吸收强度相对较弱，这些特性导致从近红外光谱数据中准确提取有用信息成为了技术挑战。此外，近红外光谱数据容易因外部条件干扰出现偏差。例如，氢键的存在会使得光谱中的吸收峰向更长的波长方向偏移，而温度的上升则会导致吸收峰向较短的波长方向移动。同时，光谱分析过程中还可能受到散射和漫反射等干扰因素的影响，这些都会使得光谱的解读变得更加困难。

为了提高近红外光谱检测结果的可靠性，需要开发稳健的校正模型来减少不确定性。然而，化学计量学模型不仅复杂而且抽象，因此，要明确系统构成的主要影响因素和特征，达到优化模型的目的。

5.2 展望

近红外光谱技术灵敏度高、分析快速和低成本的特点使其成为地质勘查和矿产评估的重要工具。随着技术的成熟和应用的深入，其将推动谱图数据和采集条件的进一步标准化和规范化，这对于提高数据分析的准确性和可靠性至关重要。

展望未来，随着人工智能和机器学习技术的不断进步，近红外光谱技术的应用正在向更智能、更自动化的方向发展。例如，IMDEX公司的AI SIRIS系统通过分析全球200多万份超1000个矿业项目的光谱数据，实现了自动化和标准化的数据解释。这种技术的发展不仅提高了解释速度，而且通过深度学习算法提高了解释的准确性[38]。此外，近红外光谱技术与其他地质数据的集成，如地球化学和地质学数据，将进一步推动矿产勘查的多学科融合。这种集成可以提供更全面的矿产勘查解决方案，从而提高找矿效率和准确率。

近红外光谱技术的特点使其在海关业务中也具有广阔的应用前景。其快速检测能力能助力铁矿石等货物成分快速鉴定，提升通关效率；无损检测特性可用于文物等贵重物品查验，避免损坏；高效性则适用于禁止进出口物品如易制毒化学品等筛查，保障国门安全。此外，可通过建立不同产地货物的近红外光谱模型进行原产地识别，助力智慧海关建设。

6 结语

近红外光谱技术凭借在矿物检测中的快速、无损和低成本优势，逐渐成为矿产检测的重要手段。通过探讨近红外光谱技术在铁矿石勘测、铁矿成分分析、铁矿石在线监测中的应用实例，展示了该技术在铁矿资源勘探、开发和利用中的新视角和方法。尽管近红外光谱技术仍面临一些挑战，如谱带重叠、受外界因素影响导致的不确定性，以及对校正模型高度依赖等问题，但随着技术的不断进步，包括增强校正模型的稳定性以及深入探讨化学计量学模型参数背后的物理含义，近红外光谱技术有望在铁矿资源勘探、材料科学等众多领域扮演更加关键的角色。

参考文献

[1] 罗钊. 浅析金属矿产地质勘查技术[J]. 世界有色金属, 2024(14): 142-144.

[2] 严衍禄, 陈斌, 朱大洲, 等. 近红外光谱分析的原理、技术与应用[M]. 北京: 中国轻工业出版社, 2013: 1-10.

[3] 张福东. 基于近红外光谱技术的油页岩含油率原位分析建模方法及应用研究[D]. 长春:吉林大学, 2019.

[4] 张丽娟. 基于近红外光谱技术对蓝莓果渣检测模型优化的研究[D]. 杭州:中国计量大学, 2020.

[5] 王东升, 王海龙, 张芳, 等. 砂岩的近红外光谱特征及其含水量反演[J]. 光谱学与光谱分析, 2022, 42(11): 3368-3372.

[6] 丁暄, 郑楚生, 何在成, 等. 鞍山地区主要岩石的可见-近红外光谱及其在遥感上的意义[J]. 地质与勘探, 1979(5): 25-30.

[7] Townsend T E.. Discrimination of iron alteration minerals in visible and near-infrared reflectance data[J]. Journal of Geophysical Research: Earth Surface, 1987, 92(B2): 1441-1454.

[8] Ehsani M R, Upadhyaya S K, Slaughter D, et al. A NIR Technique for Rapid Determination of Soil Mineral Nitrogen[J]. Precision Agriculture, 1999, 1(2): 219-236.

[9] Ramsey J, Gazis P, Roush T, et al. Automated Remote Sensing with Near Infrared Reflectance Spectra: Carbonate Recognition[J]. Data Mining and Knowledge Discovery, 2002, 6(3): 277-293.

[10] 武子玉. 矿物近红外光谱信息提取及应用研究[D]. 长春: 吉林大学, 2005.

[11] 修连存, 郑志忠, 俞正奎, 等. 近红外光谱仪测定岩石中蚀变矿物方法研究[J]. 岩矿测试, 2009, 28(6): 519-523.

[12] 李军华, 吴炜, 何艳, 等. 近红外光谱对天然岩石中矿物成分含量测定的研究[J]. 光谱学与光谱分析, 2013, 33(1): 85-88.

[13] 宋华玲, 郭雪飞, 谭红琳, 等. 岛状硅酸盐宝石矿物的近红外光谱特征研究[J]. 硅酸盐通报, 2019, 38(11): 3592-3596.

[14] 张生, 何卫军, 文明, 等. 近红外光谱分析方法在桂西地区沉积型铝土矿找矿中的研究[J]. 化工矿产地质, 2023, 45(1): 58-65.

[15] Chamritski I, Burns G. Infrared-and Raman-active phonons of magnetite, maghemite, and hematite: a computer simulation and spectroscopic study[J]. The Journal of Physical Chemistry B, 2005, 109(11): 4965-4968.

[16] Yang Y Q, Yin K, Wang C W, et al. Advances of the research on quantification of hematite and goethite using diffuse reflectance spectroscopy[J]. Acta Mineral. Sin, 2020, 40(1): 92-100.

[17] Clark R N, King T V V, Klejwa M, et al. High spectral resolution reflectance spectroscopy of minerals[J]. Journal of Geophysical Research: Solid Earth, 1990, 95(B8): 12653-12680.

[18] Smith M R, Bandfield J L, Cloutis E A, et al. Hydrated silica on Mars: Combined analysis with near-infrared and thermal-infrared spectroscopy[J]. Icarus, 2013, 223(2): 633-648.

[19] 王锦地, 中国典型地物波谱知识库[D]. 北京: 北京师范大学, 2005.

[20] Ninomiya Y. Map quartz, carbonate minerals, and mafic-ultramafic rocks using remotely sensed multispectral thermal infrared ASTER data[J]. Thermosense XXIV. 2002, 4710: 191-202.

[21] 汤艳杰, 贾建业, 谢先德. 粘土矿物的环境意义[J]. 地学前缘, 2002(2): 337-344.

[22] Bishop J L, Fairén A G, Michalski J R, et al. Surface clay formation during short-term warmer and wetter conditions on a largely cold ancient Mars[J]. Nature Astronomy, 2018, 2(3): 206-213.

[23] Haest M, Cudahy T, Laukamp C, et al. Quantitative mineralogy from infrared spectroscopic data. II. Three-dimensional mineralogical characterization of the Rocklea channel iron deposit, Western Australia[J]. Economic Geology, 2012, 107(2): 229-249.

[24] Wight J P, Ashworth A J, Allen F L. Organic substrate, clay type, texture, and water influence on NIR carbon measurements[J]. Geoderma, 2016, 261: 36-43.

[25] Seelos K D, Arvidson R E, Jolliff B L, et al. Silica in a Mars analog environment: Ka'u Desert, Kilauea volcano, Hawaii[J]. Journal of Geophysical Research: Planets, 2010, 115(E4): 1-18.

[26] Park K S, Lee H, Jun C H, et al. Rapid determination of FeO content in sinter ores using DRIFT spectra and multivariate calibrations[J]. Chemometrics and Intelligent Laboratory Systems, 2000, 51(2): 163-173.

[27] Fredericks P M, Tattersall A, Donaldson R. Near-infrared reflectance analysis of iron ores[J]. Applied spectroscopy, 1987, 41(6): 1039-1042.

[28] 王岳, 毛亚纯, 吴祥宇. 基于近红外光谱和支持向量机的露天采场铁矿类型识别方法探究[J]. 矿山测量, 2018, 46(1): 22-25.

[29] 毛亚纯, 温健, 付艳华, 等. 可见光-近红外光谱的矽卡岩型铁矿反演模型[J]. 光谱学与光谱分析, 2022, 42(1): 68-73.

[30] Liu Z, Li Z, Zhang J, et al. Rapid, Non-destructive Identification of Iron Ores-Based Random Forest (RF) Using Visible and Near-Infrared Spectroscopy[J]. Metallurgical and Materials Transactions B 55.4 (2024): 2591-2600.

[31] Fonteneau L C, Martini B, Elsenheimer D. Hyperspectral imaging of sedimentary iron ores-beyond borders[J]. ASEG Extended Abstracts, 2019, 1: 1-5.

[32] Horgan B H N, Cloutis E A, Mann P, et al. Near-infrared spectra of ferrous mineral mixtures and methods for their identification in planetary surface spectra[J]. Icarus, 2014(234): 132-154.

[33] Haest M, Cudahy T, Laukamp C, et al. Quantitative mineralogy from infrared spectroscopic data. II. Three-dimensional mineralogical characterization of the Rocklea channel iron deposit, Western Australia[J]. Economic Geology, 2012, 107(2): 229-249.

[34] Rowan, L. C., Salisbury, J. W., Kingston, M. J., et al. Evaluation of visible and near‐infrared and thermal‐infrared reflectance spectra for studying thermal alteration of Pierre Shale, Wolcott, Colorado[J]. Journal of Geophysical Research: Solid Earth, 1991, 96(B11): 18047-18057.

[35] Spectraflow. The alumina corporation of china (chalco) ordered a spectraflow crossbelt analyzer to optimize the bayer process in huasheng bauxite refinery[EB/OL]. [2024-04-19]. https://www.spectraflow-analytics.com/news/the-alumina-corporation-of-china-(chalco)-ordered-a-spectraflow-crossbelt-analyzer-to-optimize-the-bayer-process-in-their-huasheng-bauxite-refinery.

[36] Spectraflow. Spectraflow analytics receives a second order for a crossbelt analyzer for iron ore quality monitoring from VALE S.A.,BRAZIL[EB/OL].[2024-04-19]. https://www.spectraflow-analytics.com/news/spectraflow-analytics-receives-a-second-order-for-a-crossbelt-analyzer-for-iron-ore-quality-monitoring-from-vale-s.a.%2C-brazil.

[37] Spectraflow. Tata steel approves spectraflow crossbelt analyzer for iron ore base mix online measurement in sinter production[EB/OL]. [2024-05-01]. https://www.spectraflow-analytics.com/news/tata-steel-approves-spectraflow-crossbelt-analyzer-for-iron-ore-base-mix-online-measurement-in-sinter-production.

[38] 矿山系统工程研究所. 全球矿业科技发展态势与前沿技术[EB/OL].( 2024-07-19) [2024-04-20]. https://mse.xauat.edu.cn/info/1036/1856.htm.

基金项目：湛江海关科研项目（2024JHK001）；湛江市非资助科技攻关计划项目（2024B01093）

第一作者：洪名瑶（1997—），女，汉族，广东湛江人，硕士，助理工程师，主要从事矿产品检测工作，E-mail: 2276148124@qq.com

通信作者：田琼（1978—），男，汉族，辽宁锦州人，硕士，高级工程师，主要从事商品产地溯源工作，E-mail: 13542047202@163.com

1. 湛江海关技术中心 湛江 524000

1. Zhanjiang Customs District Technology Center, Zhanjiang 524000