SisuROCK工作站是一款全自动高光谱样芯成像设备，可轻松、高速扫描岩芯和其它地质样品（如土壤、湖泊/海洋沉积物样芯）。它能够以高分辨率模式对单个样芯进行成像，或者以高速扫描模式对整个样芯盒进行成像，整个样芯盒的高光谱成像数据获取时间小于15秒，每天可采集数百箱样芯数据，并且无需样品制备,获取的高光谱成像数据可以转化为沿样芯和整个矿床的一致且客观的矿物图, 极大的提高了样芯分析效率。

主要特点

快速高通量

SisuROCK工作站使用所有的高光谱镜头在几秒钟内对整个样品区域进行全面扫描，从加载第一个样品盘完成扫描到下一个，间隔不到2分钟，每天可扫描数百个样品盘， 是目前最快的系统。

可重复和完整性

地质样品高光谱成像是一种 100% 可重复的方法，每天、每次都能给出相同的完整结果。当使用 SisuROCK 工作站时，第一次扫描时即以数字格式获得完整样芯区域的所有高光谱数据，无需再次扫描。

通用性

可搭载可见光到红外热成像波段多个高光谱成像，全范围记录数据，可用于分析包括沉积物样品在内的各种地质样品。

可靠性

在多年的高频次使用中，SisuROCK已证明其可靠性，而维护保养要求则低于其它设备。

相机类型

FX10e

波段范围：400–1000 nm (VNIR)

• 辉石

• 橄榄石

• 赤铁矿

SWIR

波段范围：970–2500 nm (SWIR)

• 含羟基矿物：粘土、页硅酸盐、角闪石、硫酸盐

•  碳酸盐

FENIX

波段范围：380–2500 nm (VNIR + SWIR)

•  含羟基矿物：粘土、页硅酸盐、角闪石、硫酸盐

• 赤铁矿、针铁矿、黄钾铁矿

• 稀土元素

FX50

波段范围：2.7 - 5.3 µm (MWIR)

•  硅酸盐：石英、长石等。

•  在 SWIR 和 LWIR 中都可以看到的碳酸盐和许多其他矿物

RGB

高分辨率 RGB

• 质地和颜色

矿物鉴定表

产地

欧洲

案例一 高光谱成像在土壤有机碳氮研究中的应用

加拿大阿尔伯塔大学Sorenson等人（2020）利用SisuROCK对连续耕地、连续牧草、耕地和牧草轮作三种土壤类型进行研究，发现连续牧草后土壤浅表层有机碳含量最高，对于增加土壤碳汇有重要意义。

案例二 高光谱成像在金矿组分研究中的应用

新西兰怀卡托大学理学院的Barker等人（2020）利用SisuROCK长波红外（LWIR）高光谱成像技术对内华达州一处卡林型金矿组分进行了研究，此方法无需破译混合像元中的光谱变量，也无需为地质领域单独生成光谱库，可广泛应用于多种矿床类型，在节约宝贵时间的同时极大的提高了光谱数据分析速度和准确性。

案例三 高光谱成像在湖底沉积物研究中的应用

法国格勒诺布尔阿尔卑斯大学的Kévin Jacq等（2019）利用高光谱成像技术对法国布尔吉湖底沉积物样芯进行了分析，通过有机物（OM）含量以重建不同年代的碳通量过程。

部分参考文献

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) Tuşa 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).