基于随机森林回归与航空地球物理数据融合的巴西Borborema省锂资源勘探新方法

针对传统锂矿勘探方法效率低、成本高的问题，研究人员创新性地将随机森林回归算法与低密度地球化学数据、航空γ射线数据相结合，成功将巴西Borborema省土壤锂浓度图分辨率从25 km提升至1 km，预测出锂含量高达70 ppm的富集区，为可再生能源关键金属的绿色勘探提供了新范式。

　　

随着全球能源结构向绿色转型加速，锂作为锂离子电池的核心材料需求激增。目前全球90%锂资源集中于南美"锂三角"和澳大利亚等地，资源分布的高度集中带来供应链风险。传统锂矿勘探依赖耗时费力的地表地球化学方法，而伟晶岩型锂矿（LCT pegmatites）虽占全球储量40%，但在巴西Borborema省等前寒武纪地体的勘探仍面临精度不足的挑战。

针对这一难题，巴西地质调查局的研究人员创新性地将机器学习与地球物理技术相结合，在《Journal of Geochemical Exploration》发表研究。他们采用随机森林回归（Random Forest）算法，整合25 km间距的低密度地球化学数据和500 m航线的航空γ射线数据（飞行高度100 m，采样率1秒/点），成功构建了分辨率达1 km的锂浓度预测模型。关键技术包括：基于Spearman秩相关的探索性数据分析、中心对数比变换处理成分数据、以及利用1000余处伟晶岩露头数据验证模型。

研究结果显示：

1. 模型性能：预测值与实测值的相关系数达0.86，但极端值预测存在改进空间；

2. 勘探突破：在传统伟晶岩带外发现新的锂富集区，最高含量70 ppm；

3. 地质关联：预测结果与已知地质特征高度吻合，证实了方法可靠性；

4. 技术优势：相比传统方法，航空γ射线（Gamma-ray spectrometry）成本降低50%以上。

这项研究的意义在于：首次在前寒武纪地体实现大尺度锂资源的高精度预测，证实了机器学习融合多源数据在矿产勘探中的价值。特别是将勘探范围从传统伟晶岩扩展到更广的变质岩区，为全球类似地质背景区的锂矿勘探提供了新思路。未来需优化极端值预测算法，并探索在含锂卤水（LiOH-H₂O）等其他矿床类型的适用性。研究团队特别感谢Izaac Cabral Neto对初稿的宝贵意见，以及匿名评审专家对方法学的完善建议。