基于深度学习的堤坝群自动化测绘与分类：来自埃及东部沙漠高分辨率卫星图像的新发现

《Remote Sensing Applications: Society and Environment》：Deep learning-based automated mapping and classification of dyke swarms: New insights from high-resolution satellite imagery in the Eastern Desert, Egypt

　　埃曼·A·阿塔（Eman A. Atta）| 马哈茂德·S·费尔弗拉（Mahmoud Sh. Felfla）| 海瑟姆·塞萨（Haytham Sehsah）| 莫娜·埃尔-哈拉伊雷（Mona El-harairey）| 哈特姆·阿布埃尔凯尔（Hatem Aboelkhair）
埃及达米埃塔大学（Damietta University）理学院地质系，新达米埃塔市34517

**摘要**
阿拉伯-努比亚盾（Arabian-Nubian Shield, ANS）暴露出密集的岩脉群，这些岩脉群是其构造-岩浆演化和地壳应力状态的基本档案。由于岩脉密度高、几何形态复杂以及传统野外研究的局限性，对这些岩脉进行区域尺度的测绘仍然具有挑战性。本研究结合了强大的深度学习框架、野外数据和岩石学分析方法，实现了对北部ANS地区埃尔-米西卡特-哈德拉比亚（El-Missikat–Hadrabiya）地区岩脉群的自动检测、分类和定量分析。高分辨率多光谱卫星图像（0.31米）与详细的野外调查和岩石学验证相结合，并使用Mask R-CNN实例分割模型在845平方公里的复杂基底地形上进行了有效处理。该方法生成了包含18,020条独立岩脉的高精度清单，其中最窄的岩脉宽度约为1米，这些岩脉被分为9,750条基性岩脉和8,270条长英岩脉。随后的定量几何和空间分析揭示了其强烈的分异结构。根据岩脉的切割关系和变形特征，可以识别出三个不同的岩脉阶段，从而进行相对构造重建：
- **晚构造第一阶段（Late Tectonic Phase I）**的岩脉呈正交状、被包裹并伴有断层，反映了可能与冈瓦纳大陆北部边缘板块边界重配置相关的地壳缩短；
- **晚构造第二阶段（Late Tectonic Phase II）**的岩脉平行排列、发生剪切并形成阶梯状阵列，表明其形成于活跃的变形过程中；
- **后构造阶段（Post-tectonic）**的岩脉平行分布、未发生变形，并切割所有先前形成的结构，这与红海裂谷晚期的伸展作用一致。
这种自动化方法比传统的手动方法具有更高的效率、客观性和可重复性，不仅为ANS的多阶段构造-岩浆演化提供了新的见解，还为干旱基底地区的构造重建提供了可靠且可扩展的工具。

**引言**
阿拉伯-努比亚盾（ANS；图1A）是地球上最大且保存最完好的新元古代大陆地壳之一（Abu El-Kheir等人，2025；Gamaleldien等人，2026；Johnson等人，2011；Sehsah等人，2025）。它形成于东非造山运动期间（8.7亿至5.5亿年前），通过逐渐积累的洋内岛弧、蛇绿岩碎片和微大陆块最终形成了冈瓦纳超级大陆（Ali等人，2010；Fritz等人，2013；Johnson等人，2011）。ANS的构造-岩浆演化经历了多个明确的阶段，每个阶段都具有不同的变形特征和应力状态（Fritz等人，2013；Shalaby，2010）。早期阶段以洋弧火山活动、蛇绿岩俯冲和与洋弧-洋弧及洋弧-大陆碰撞相关的区域压缩构造为主（Johnson等人，2011；Sehsah和Eldosouky，2022）。随后，在冈瓦纳超级大陆形成过程中伴随着纳杰德断层系统（Najd fault system）的广泛走滑变形，以及东非造山运动晚期的伸展构造（Abdelsalam和Stern，1996；Ernst和Buchan，2001；Stern，2002；Fritz等人，2013；Hamimi等人，2020a）。这些连续的变形阶段形成了以NW-SE和NE-SW方向为主、次要E-W方向为辅的复杂结构框架。这种结构复杂性对岩浆上升路径和侵入体的分布产生了重要影响，包括广泛的岩脉群（Vail，1970；Dawoud等人，2006；Hamdy等人，2017；Masoud，2020）。

在埃及，东部沙漠（Eastern Desert, ED）是ANS的西北部分，暴露了多种新元古代岩石类型，包括蛇绿岩、与洋弧相关的变质火山-沉积序列、同构造期至后构造期的花岗岩体、后聚合期的火山-沉积序列以及大量的基性和长英岩脉（Ernst和Buchan，2001；Stern，2002；El-Bialy，2010；Ali等人，2020；Samir等人，2024）。这些岩石组合被复杂的断层和剪切带系统切割，这些系统代表了长期存在的地壳薄弱区及岩浆侵入的优先路径。北部ED与中部ED之间的边界特征是密集的双模态岩脉群和少量辉长岩体，反映了洋弧积累和大陆碰撞后的多次岩浆活动（El-Gaby等人，1988；Abuamarah等人，2023；Hegab等人，2025）。由于这种长期的多阶段构造-岩浆演化，中部ED与北部ED之间的边界形成了异常密集且几何形态复杂的岩脉群（Stern，2024）。这些岩脉在成分、方向、厚度和长度上表现出广泛的变异性，并经常显示出复杂的切割关系。它们的空间分布与主要剪切带、断层系统和岩石边界密切相关（Kamel等人，2016；Masoud，2020；Stern，2024）。此外，岩脉群直接记录了古应力场、岩浆通道系统和岩石圈伸展情况，保存了从晚泛非造山运动后伸展到后续重新激活阶段的详细构造演化档案，包括多坎火山（Dokhan Volcanics）的供给系统以及与红海裂谷早期发育相关的系统（Azer和Stern，2007；Fritz等人，2013；Shahien等人，2021；Stern，2024）。ANS内的岩脉群具有重要的经济价值，常作为热液流体的通道，并与金、基础金属和稀有金属矿化作用空间相关（Pirajno，2009；Eldosouky等人，2020；El-Wardany等人，2025）。因此，准确全面的岩脉测绘不仅有助于理解地壳演化，还能为ED地区的矿产勘探策略和结构控制矿床的定位提供支持。

**传统的岩脉群测绘方法**
传统的基于野外的岩脉群测绘方法耗时、技术要求高，且常受地形崎岖和可达性限制的影响。而从卫星图像进行手动数字化则具有主观性、劳动强度大且容易出错，尤其是在岩脉密度极高的区域（Sultan等人，1987；Hamimi等人，2020b；Luo等人，2021；Ashutosh等人，2024）。尽管最近的高分辨率卫星图像技术显著提高了干旱环境中细小线性地质特征的可见性（Drury，2001；Jaud等人，2022；Oguchi等人，2022），并且遥感结合GIS工具在干旱地区的结构测绘中已被证明有效（Gouiss等人，2023），但岩脉的自动提取仍然具有挑战性。这些挑战包括岩脉通常具有米级宽度、与围岩的光谱对比度低以及与其他线性特征（如断层、节理和人工构造）的形态相似性（Pour和Hashim，2015；Khalifani等人，2019；Ni等人，2019；Masoud，2020）。地表风化也是一个复杂因素：在ED的干旱环境中，岩脉由于比周围岩石更耐机械风化而形成正地形隆起，导致风化物质堆积在围岩表面而非岩脉本身上，这在一定程度上缓解了光谱模糊性，因为每条岩脉的中心部分在亚米级分辨率下仍保持相对纯净的光谱特征。这些限制需要先进的分析方法，能够同时利用光谱、空间和上下文信息。

**深度学习在地质测绘中的应用**
在这种情况下，深度机器学习，特别是卷积神经网络（Convolutional Neural Network, CNN）架构，已成为从遥感数据中进行自动地质测绘的强大工具（Lary等人，2016；Maxwell等人，2018；Robson等人，2020；Da Silva Bomfim等人，2025）。像Mask区域基础卷积神经网络（Mask R-CNN）这样的实例分割模型能够实现地质对象的自动检测、分类和精确绘制，相比传统的基于像素的分类或线性特征提取技术具有明显优势（He等人，2017；Machefer等人，2020；Yang等人，2024；Russon等人，2025）。因此，本研究提出了一种基于深度学习的框架，用于自动检测、分类和绘制北部ED与中部ED边界处的岩脉群。通过利用高分辨率卫星图像和实例分割技术，该方法能够构建高精度的岩脉清单，捕捉到宽度约为一米的单个侵入体。所得数据集支持对岩脉方向、厚度、长度和空间密度的全面定量分析，为ANS的构造-岩浆演化提供了新的见解，并为干旱基底地区的矿产勘探提供了可靠且可扩展的工具。

**ED的区域地质**
北部ANS形成于7.6亿至7.3亿年前（Fritz等人，2013），随后沿阿拉基-海尼安缝合带（Allaqi-Heiani suture zone）与南部较老的地块发生碰撞（Ali等人，2010；Johnson等人，2011）。ED被认为是ANS的西北部分，分为三个省（El-Gaby等人，1988）。每个省具有独特的构造-岩浆单元和变形特征（Makroum等人，2025）。北部ED以片麻岩为主。

**数据与方法**
本研究采用了一种综合方法，结合了遥感分析、基于野外的地质测绘和深度学习Mask R-CNN实例分割技术来检测、分类和分析岩脉群。整体工作流程和数据整合策略如图3所示。

**Mask R-CNN模型的性能与验证**
Mask R-CNN模型经过训练和评估，用于检测和分割研究区域内的岩脉特征。100个训练周期内的训练损失曲线如图5A所示，训练损失从初始值降至0.54，而验证损失在最后一个周期达到0.62。在IoU阈值为0.7时，基性岩脉的平均精度（mAP）得分为0.576，长英岩脉为0.577，总体mAP为0.58。图5B展示了基于深度学习的岩脉检测可靠性。

**结论**
本研究有力证明了自动化深度学习方法可以彻底改变基底复合体中复杂结构特征（如岩脉群）的测绘。通过在高分辨率卫星图像上应用Mask R-CNN实例分割框架，我们建立了一种快速、客观且可重复的工作流程，从根本上超越了传统劳动密集型野外方法和主观手动数字化的局限性。

**出版伦理声明**
我代表所有合作者声明，我们提交的文章遵循了出版伦理原则：
1. 本研究准确描述了所进行的工作，所有数据均真实无误，方法足够详细，他人可以据此复制实验；
2. 本手稿完全为原创作品，若使用了他人成果或文字，已适当引用并获得了必要的许可；
3. 该材料未在其他地方全部或部分发表；
4. 本手稿目前尚未被其他期刊接受。

**作者贡献声明**
海瑟姆·塞萨（Haytham Sehsah）：撰写、审稿与编辑、可视化、监督、概念化；
马哈茂德·S·费尔弗拉（Mahmoud Sh. Felfla）：撰写、初稿撰写、可视化、软件应用、方法论、定量分析、概念化；
埃曼·A·阿塔（Eman A. Atta）：撰写、初稿撰写、可视化、软件应用、方法论、调查；
哈特姆·阿布埃尔凯尔（Hatem Aboelkhair）：撰写、初稿撰写、可视化、验证、调查、定量分析、概念化；
莫娜·埃尔-哈拉伊雷（Mona El-Harairey）：撰写、审稿与编辑、监督。

**未引用的参考文献**
Abdeen等人，2014；Abdelsalam和Stern，1996；Abuamarah等人，2023；Ali等人，2020；Azer和Stern，2007；Bentor，1985；Cai和Vasconcelos，2019；Chen等人，2014；COCO - Common Objects in context；Cracknell和Reading，2014；De Boissieu等人，2018；El-Bialy，2010；Elsaid等人，2014；Ernst和Buchan，2001；Gandhi和Gandhi，2025；Gazley等人，2021；Hamdy等人，2017；Hamimi等人，2020b；He等人，2017；Kamel等人，2016；Lary等人，2016；Lin等人，2017；Luo等人。