加权样本汇水盆地聚类分析在地球化学异常识别中的应用及其对成矿预测的贡献

本文系统评估了K-Means（KM）、模糊C均值（FCM）和DBSCAN三种聚类算法在加权样本汇水盆地（WSCB）模型中对铜矿化异常的识别效能。研究通过引入断层密度加权机制，显著提升了复杂地质背景下地球化学异常模式的分辨能力，为矿产勘探提供了数据驱动的智能解译范式。DBSCAN凭借优异的AUC表现（Area Under Curve），展现出在高维地球化学数据处理中的突出优势。

　　

Highlight

Geology

研究区位于伊朗东北部拉扎维霍拉桑省，地理坐标介于东经60°00′至60°30′、北纬35°00′至30°00′之间（图2）。该区域地质构造复杂，从前寒武纪到第四纪的岩层沿西北-东南走向展布。基底由元古代变质地体组成，包括片岩、变质火山岩和重结晶石灰岩，为后期热液成矿作用提供了重要的地质背景。

Input data

研究共采集374个河流沉积物样本，覆盖Kariz-Now全区域。在23种检测元素中，筛选砷(As)、钡(Ba)、钴(Co)、铬(Cr)、铜(Cu)、镍(Ni)、铅(Pb)、锶(Sr)、钒(V)和锌(Zn)等10种关键成矿元素作为分析指标。所有样本经伊朗地质调查局（GSI）采用电感耦合等离子体质谱法（ICP-MS）完成化学分析，确保数据可靠性。

KM modeling

经过中心对数比（clr）转换的钴(Co)、铜(Cu)、钒(V)数据与各样本汇水盆地（SCB）的断层模糊权重值整合为374×4特征矩阵。通过轮廓系数法（图7a）和肘部法则（图7b）共同确定最佳聚类数为3。K均值聚类（KM）将研究区划分为高、中、低潜力区，其中高异常区与已知矿化点和断层密集带呈现显著空间耦合性。

Conclusion

本研究综合运用KM、FCM和DBSCAN三种无监督机器学习技术，成功构建了Kariz-Now地区铜矿潜力预测模型。通过引入断层密度加权的样本汇水盆地（WSCB）算法，有效凸显了与古近纪火山-沉积岩系及高断层密度区密切相关的矿化异常。成功率曲线（AUC）表明DBSCAN算法在异常识别精度上显著优于传统聚类方法，为复杂地质环境下的矿产勘探提供了更可靠的智能解译方案。