基于混合变分自编码器-BIRCH深度学习算法的遥感与地球化学数据融合在铜矿预测制图中的应用

本研究创新性地提出了一种混合变分自编码器-BIRCH（VAE-BIRCH）无监督深度学习算法，通过融合多源遥感（ASTER/Landsat 8-OLI）与地球化学数据，成功实现了伊朗Shahr-e-Babak地区斑岩铜矿的智能预测制图。该算法有效解决了高维非线性地质数据的特征提取与聚类难题，经野外验证和X射线荧光（XRF）分析证实其预测可靠性，为全球矿产勘探提供了前沿技术方案。

　　

Highlights

（本部分内容需结合原文"Highlights"章节补充翻译，当前文档未提供具体高亮条目）

Geology of the study area

研究区域是乌尔米耶-多克塔尔金属成矿带（UDMA）的重要段带，以斑岩铜矿化作用而闻名。该带侵入岩主要为闪长岩至花岗岩，火成岩范围从玄武岩到流纹岩。这个火山-深成岩带包含多个重要斑岩铜矿床，包括Sungun、Dalli、Sarcheshmeh等（伊朗地质调查局，1987）。

Remote sensing data

本研究使用ASTER和Landsat 8 OLI影像。ASTER的1T级数据和Landsat 8-OLI数据从美国地质调查局（USGS）Earth-Explorer网站获取，并分别采用QUAC和FLAASH大气校正算法处理。所有数据集均以相同方式进行空间降尺度处理。

Stream sediment data analysis

共采集402个河流沉积物样品，通过因子分析（FA）显示铜（Cu）、铅（Pb）、锌（Zn）之间存在强相关性，这些元素被用于生成地球化学证据图层。

Methods

本研究旨在利用新型无监督算法VAE-BIRCH识别热液铜矿潜力。基于地质特征，使用从ASTER和Landsat 8-OLI影像提取的热液蚀变图层和通过因子分析（FA）生成的矿化相关地球化学图层（见表1）进行建模。

Input of remote sensing evidence layers

利用Landsat 8-OLI的7,4,1和2,5,7波段组合分别进行岩性单元识别（图5A）和沉积岩-火山岩区分（图5B），蚀变矿物在影像中呈现更亮特征。ASTER的4,6,8和8,1,1假彩色合成影像则有效揭示了绢英岩化、泥化和青磐岩化蚀变带。

Discussion

机器学习（ML）与深度学习（DL）方法在矿产勘探靶区预测中展现出强大潜力，因其能够探测细微的矿化相关模式。聚类算法在矿产预测分析中表现突出，然而传统方法在处理高维非线性地质数据时存在局限。本研究开发的VAE-BIRCH混合算法通过变分自编码器实现数据降维和概率分布建模，结合BIRCH聚类显著提升了斑岩铜矿预测精度。

Conclusions

本研究开发的新型无监督深度学习算法VAE-BIRCH，成功应用于伊朗Shahr-e-Babak地区斑岩铜矿预测制图。通过融合多源遥感与地球化学证据图层，并利用深度神经网络（DNN）能力识别细微矿化模式，证明该方法优于传统BIRCH算法，为全球矿产勘探提供了可靠技术手段。