随机森林与SVM-RBF在埃及Wadi Umm Eish El-Zarqa用EnMAP高光谱数据圈定金矿靶区，RF精度完美且高置信靶区多出37%
该研究在埃及Wadi Umm Eish El-Zarqa地区首次将机器学习与EnMAP高光谱数据结合，用三个已知金矿点的像元光谱训练随机森林（RF）与径向基支持向量机（SVM-RBF）模型，并以0.05光谱概率容差扩充训练集，同时用ALOS-PALSAR DEM提取水系连接上游基岩源与下游砂矿；地面验证显示SVM-RBF总体精度略高（91.8%对89.9%），RF在识别矿化靶区上达到完美精度，且圈定的高置信（概率>80%）潜在矿化靶区比SVM-RBF多37%，水系分析指出3至5级河流为砂矿沉积最佳区带，野外确认存在手工开采且河流沉积物据报每车（约85吨）产金25-30克。