摘要: 摘要：【研究目的】稀土元素（REE）作为关键战略性矿产，其品位的精准估算对资源勘查与评价至关重要。然而，传统地球化学分析虽精度高，却受限于高成本、长周期及采样密度不足，导致数据稀疏且空间代表性差，严重制约了大数据方法在矿产预测中的应用。为此，本文旨在探索一种基于高光谱遥感与机器学习融合的低成本、高效率稀土品位定量反演新方法。【研究方法】基于典型稀土矿物（如氟碳铈矿、氟碳钙铈矿等）在可见光-近红外（VNIR）与短波红外（SWIR）波段的诊断性吸收特征，优选37个敏感波段作为模型输入；针对稀土品位样本数量少、分布不均和极端值多的问题，采用对数变换缓解数据偏态，并引入高斯噪声的回归型合成过采样算法（SMOGN）进行数据增强；在此基础上，构建“大数据-XGBoost”回归预测模型，并以微山稀土矿钻孔ZK5-1数据为对象，按8:2划分训练集与测试集开展建模与验证。【研究结果】模型在测试集上表现优异（R² = 0.85，RMSE = 1.00）；对10个独立井下样本（含矿化与非矿化）的外部验证进一步证实其良好泛化能力（R² = 0.87，RMSE = 1.13），表明该方法能有效从高光谱信息中提取稀土矿化信号。【结论】本研究成功验证了“高光谱敏感波段 + SMOGN数据增强 + XGBoost回归”技术路线在稀土品位预测中的有效性与稳健性，为数据稀缺条件下战略性矿产资源的快速、定量评价提供了可推广的新范式，具有重要的勘查应用前景。