我院硕士研究生干斌清在期刊《Scientific Reports》上发表了题为“3D point cloud lithology identification based on stratigraphically constrained continuous clustering”的论文 ，提出了一种基于地层约束连续聚类（SCCC）的三维点云岩性识别框架 。

针对现有方法在复杂地层条件下存在的过渡带边界模糊以及分类精度有限等问题，本文提出了一种融合沉积学侧向连续性原理的动态密度阈值层次聚类算法，利用基于相邻的簇合并准则来优化岩性单元边界。该框架通过集成块级特征聚合模块，将几何协方差矩阵与光谱分布熵聚合为紧凑的块级特征向量，构建了多模态特征空间，并结合随机森林分类器进行岩性判别。通过准噶尔盆地清水河组露头数据集的实验验证，其综合性能显著优于SVM、XGBoost等传统机器学习方法以及PointNet等深度学习方法，大幅提升了过渡带内的分类精度和边界划分能力 。此外，消融实验证实地层约束有效抑制了噪声并提高了计算效率。该方法将地质原理与计算模型深度融合，为智能地质勘探提供了高精度、可解释的技术路径。

论文链接：https://doi.org/10.1038/s41598-025-92822-y

图1 不同模型的岩性识别结果

图2 论文首页