2016 至 2025 年地球化学制图的方法学进展与新兴视角

《Journal of Geochemical Exploration》：Methodological advances and emerging perspectives in geochemical mapping from 2016 to 2025

　　

• 一篇综合综述追踪了地球化学填图的范式转变。
• 文献计量分析与LDA（隐含狄利克雷分配）分析描绘了地球化学填图领域的研究热点和前沿。
• 数据驱动的异常识别与多源数据融合是当前研究热点。
• 不确定性量化、同位素填图与人工智能将引领未来找矿探索方向。

1. 引言

地球化学填图长期以来一直是理解地球内部及地表地球化学元素空间分布的基本工具（Goldschmidt, 1954）。通过对河流沉积物、土壤和水体等表面介质中的元素浓度进行系统测量，地球化学填图可为矿产勘查（Beus and Grigorian, 1977; Xie and Wang, 1991; Zuo et al., 2019）、环境质量评估与污染监测（Johnson and Ander, 2008; Reimann et al., 2014）、农业用地管理（Xie et al., 2008）、地质过程解释（Cohen et al., 2010; Wang et al., 2023a; Wang et al., 2023b）以及公共卫生研究（Fordyce et al., 2013）提供关键证据。地球化学填图的发展历程反映了其在空间尺度、采样介质和应用范围方面的逐步扩展。从20世纪30年代苏联开创性的金属量调查（Fersman, 1939），到20世纪50至60年代在斯堪的纳维亚、北美和非洲开展的区域性河流沉积物普查（Hawkes and Webb, 1962; Garrett et al., 2008），该学科从矿床规模找矿发展到区域规模普查，进而扩展到全国乃至大陆尺度的覆盖。中国区域地球化学-全国普查（RGNR）计划始于1978年，已覆盖超过600万km2，对河流沉积物进行39种元素分析，建立了世界上规模最大的地球化学数据库之一（Xie et al., 1997; Xie et al., 2008）。此外，国际地质对比计划（IGCP）第259和第360项目推动了采样和分析标准的国际化，促进了各类大陆尺度项目的开展（Darnley et al., 1995; Salminen et al., 2003; de Caritat and Cooper, 2011; Smith et al., 2013; Reimann et al., 2014）。近年来，全球尺度地球化学国际中心（ICGG）于2016年启动了"测绘化学地球"计划，旨在建立全球地球化学观测网，以记录地球近地表环境中几乎所有天然化学元素的基线并监测其时间变化（Wang et al., 2020）。这些项目日益广泛的范围和不断成熟的体系，彰显了地球化学填图的持久重要性，同时也揭示了该领域固有的方法学挑战。

地球化学填图的核心在于重建和解释地球化学场——一个在空间和时间上变化的量，表示特定采样介质在特定地点和时间的某一地球化学指标浓度。该地球化学场由多种在不同空间和时间尺度上作用的一次性和二次地质过程叠加形成（Cheng, 2012; Zuo et al., 2019）。一次过程（如岩浆结晶、构造-岩浆活动和热液矿化）建立了基底和围岩中元素的初始分布和富集；二次过程，如风化、侵蚀、生物循环和人为扰动，则通过地表物质中的元素迁移和再分配进一步改变了这种分布（Anand et al., 2016）。因此，地球化学特征本质上表现出非线性、随机性、多尺度变异性、异方差性、偏态性、空间异质性以及复杂的多因素控制（如B?lviken et al., 1992; Goovaerts, 1997; Agterberg, 2014）。特别是，与矿化相关的地球化学异常作为与矿化过程相关的分散晕，通常比矿体本身延伸范围更广，并且可能通过垂直和/或侧向迁移在隐伏矿体上覆地表介质中产生可检测的特征（Govett et al., 1975; Goldberg, 1998; Wang et al., 1997; Anand et al., 2016）。因此，在实际应用中，仅仅重建地球化学场通常是不足的。必须对地球化学场进行分解，以识别反映目标地质过程的特定分布模式，无论是与矿化相关的异常、岩性标志还是环境污染，从而使分析结果能够服务于资源勘查、环境管理和地质理解等实际目的（Carranza, 2008; Zuo et al., 2016; Hajihosseinlou et al., 2024; Wang and Zuo, 2024）。从这个意义上说，地球化学异常识别——包括异常模式的圈定与解释——构成地球化学填图工作流程的核心组成部分，而非独立学科。我们认为，阐明这一关系至关重要，因为异常检测领域的许多创新对整个填图过程具有重大影响。总体而言，该流程中存在两个根本性的科学挑战：

（I）如何从有限的、离散采样的、可能存在偏差的观测数据中恢复高分辨率、连续且具有地质代表性的元素空间分布？这一挑战至关重要，因为局部地质过程作用的尺度远小于地球化学采样网络中典型的采样间距，而各种二次过程可能会掩盖或覆盖所采集样品中有用的一次信号（Kirkwood et al., 2016; Wang and Zuo, 2024）。

（II）在多过程混合和多尺度异质性的情况下，如何有效地分离出具有目标过程（如矿化）诊断特征的地球化学模式，而不受无关背景或叠加信号的干扰？这仍然是一个关键难题，因为传统的"简单背景+异常"结构假设并不能充分表征真实地球化学场的复杂性，尤其是在具有复杂岩性条件或叠加矿化事件的区域（Hawkes and Webb, 1962; Xie et al., 1997; Grunsky and de Caritat, 2020; Zuo and Wang, 2016; Chen and Wu, 2017）。

因此，地球化学填图的科学价值不仅取决于算法性能，还取决于方法是否能够保留与地质过程相关的结构、考虑不确定性，并在地质学意义上保持可解释性。相应地，本文将地球化学异常定义为一种空间上相干的地球化学模式，它在定量上与适当的参考总体具有可区分性，并且能够与目标地质过程相关联进行解释。其识别过程涉及制定决策规则以划定异常样品或空间域，并评估所得模式是否与独立的地质证据一致。对于与矿化相关的异常，这种解释应基于控制元素活化、捕获和保存的结构通道、岩浆源、热液运移过程以及地层或岩性赋存条件（Carranza et al., 2019; Govett et al., 1975; Goldberg, 1998; Anand et al., 2016）。

应对这些挑战一直是应用地球化学领域持续的研究优先方向，吸引了从经典统计、多元统计和地统计学到多重分形模型、成分数据分析以及近期兴起的机器学习和深度学习教育算法等一系列多样化且快速发展的定量方法（Zuo et al., 2019; Grunsky and de Caritat, 2020; Daviran et al., 2024）。这一方法论转变见证了众多数据驱动方法的涌现，其中左宏兵研究团队的方法学贡献在智能模式识别方面发挥了重要作用，主要通过地质约束的深度学习算法实现（Xu et al., 2025a）。自2016年以来，多篇有影响力的综述记录该领域方法论进展的重要方面。例如，Zuo et al.（2016）系统综述了用于勘查地球化学数据的空间分析和可视化技术；Zuo and Wang（2016）调查了分形和多重分形模型在分解地球化学总体和识别异常中的应用；Zuo（2017）早期综合了机器学习在矿化相关地球化学异常识别中的应用，同时将分形/多重分形和成分数据分析定位为持久的方法学支柱；Kirkwood et al.（2016）展示了机器学习方法利用辅助信息提高地球化学填图精度的潜力；Zuo and Xiong（2018）引入了地球化学数据科学作为挖掘地球化学勘查数据的新研究范式。在上述方法论进展的基础上，Zuo et al.（2019）首次系统综述了用于地球化学填图的深度学习教育算法，展示了其从复杂地球化学数据中提取高层表征的能力；Zuo et al.（2021b）综合了地球化学数据处理技术的演变，追溯了从经典和多元统计到最先进机器学习算法的范式转变。最近，Xu et al.（2025a）系统追踪并综述了2019至2025年地球化学填图深度学习架构的发展，涵盖基于图的方法、Transformer、空间-谱双分支架构和信息融合模型。尽管现有研究主要聚焦于特定算法族，但这种聚焦也留下了若干重要维度尚未得到充分讨论，如异常识别的范式转变以及应用领域向矿产勘查和环境评估之外的拓展。因此，迫切需要一种整体性的、演进式的地球化学填图综述视角。此外，仍缺乏一种文献计量学视角来客观而全面地描绘地球化学填图领域过去十年的演化轨迹、主题结构和新兴视角。

为弥补这些空白，本研究对2016年至2025年的地球化学填图领域进行了系统综述。选择2016年作为起始点，是因为它标志着深度学习开始重塑地球化学填图的关键时期，以Xiong and Zuo（2016）的开创性工作为代表——该工作首次引入深度自编码器网络用于地球化学异常识别，实际上将地球化学填图带入了人工智能时代。鉴于这一广泛变革，本综述不限于单一方法类别，而是通过文献计量分析和主题综合采用整体视角，涵盖定量方法、演进的研究范式、应用领域和新兴视角。本文余下部分组织如下：第2节描述材料和方法，包括文献检索与筛选策略，以及所采用的文献计量分析和可视化技术；第3节呈现结果与讨论，围绕三个方面展开：领域发展轨迹、研究热点和新兴视角；第4节讨论研究发现的启示，并强调未来研究需要关注的关键挑战；第5节总结全文，概括主要发现。

2. 材料与方法

2.1 数据来源与检索策略

文献数据从Web of Science核心合集检索，限定为2016年至2025年间以英语发表的学术论文和综述。为确保充分覆盖，基于领域知识将检索关键词组织为六个语义互不相同的组别：（i）主题组（如"geochemical map*"、"geochemical anomal*"、"geochemical distribution*"）；（ii）操作组（如"detect*"、"delineat*"、"identif*"、"reconstruct*"）；（iii）方法组（如"machine learning"、"geostatist*"、"multifractal"）；（iv）属性组（如"spatial dependence"、"stationarity"、"uncertainty"、"anisotropy"）；（v）应用组（如"mineralize*"、"ore-forming"）；（vi）综述组（如"review*"、"state-of-the-art"）。通过将两个或以上关键词组以AND/OR运算符及Web of Science支持的通配符（*）组合，构建了五个互补的布尔查询。最基本的查询将主题组和操作组相连，如表1所示。在此基础上，后续查询逐步纳入方法组、属性组、应用组和综述组，以捕获更多相关文献。去重后，共获得1755篇出版物。

表1. 从Web of Science进行系统文献检索（2016–2025）的查询1。

| 步骤 | 检索字段 | 检索查询 | 布尔连接符 |
|------|----------|----------|------------|
| #1 | 标题（TI） | "geochemical map*" OR "geochemical anomal*" OR "geochemical pattern*" OR "geochemical survey*" | OR（与#2组合） |
| #2 | 标题（TI） | (map* OR identif* OR recogni* OR delineat* OR detect* OR separat* OR extract* OR predict* OR classif* OR reconstruct* OR interpolat*) AND (geochem* OR "element distribution" OR "elemental distribution" OR "trace element*") | OR（与#1组合） |
| #3 | 主题（TS） | detect* OR identif* OR recogni* OR delineat* OR map* OR separat* OR extract* OR threshold* OR reconstruct* OR interpolat* OR krig* OR cokrig* OR "co-krig*" OR grid* OR model* OR predict* OR estimat* OR classif* OR decompos* OR simulat* OR visuali* | AND（与[#1 OR #2]组合） |
| 最终 | 综合 | (#1 OR #2) AND #3 | — |

注：TI = 标题字段；TS = 主题字段（标题 + 摘要 + 作者关键词 + 关键词扩展）。所有查询应用的筛选条件：发表年份：2016–2025；文献类型：Article、Review；语言：英语。

2.2 数据筛选与精炼

由于本综述主要关注用于矿产勘查的地球化学填图方法学进展，因此采用了系统筛选程序来排除超出该范围的出版物（如仅聚焦于实验室、点位尺度、农业、大气或沉积学应用的文献）。为此开发了一个两阶段评分框架来评估文献的相关性。

在第一个阶段（排除筛选），根据两条硬性排除标准对记录进行评估：基于非主题标题关键词以及缺乏任何空间或分析指标术语的标准。具体为：（1）标题或作者关键词包含预定义的非主题术语，如与气候变化、大气过程、食品安全、流行病学、沉积相或古气候相关的术语，且标题中没有核心地球化学锚点；（2）标题中既没有核心地球化学填图短语，也没有空间、填图、异常识别或分析指标术语。需要注意的是，包含核心地球化学填图短语（如"地球化学填图"、"地球化学异常"、"地球化学模式"或"地球化学调查"）的记录自动豁免。在第二阶段（结构化多维评分），通过第一阶段的记录在五个维度上进行评估，即研究目标契合度、定量方法、应用领域、空间尺度和期刊相关性，得出百分制综合评分。在第一阶段被标记或在第二阶段评分低于30分的记录被排除。表S1提供了两个阶段筛选规则应用的代表性示例。剩余记录构成初步候选集，随后进行人工主题筛选以验证其与地球化学填图方法学进展的相关性。此最终审查移除了关键词表观相关性与其实际研究范围不符的记录，最终获得2016年至2025年间713篇出版物组成的最终数据集。这些出版物的完整书目元数据，包括作者、所属机构、标题、出版年份、来源期刊、关键词、摘要和引用次数，提供在补充数据中（采用Web of Science纯文本格式）。

2.3 数据分析与制图

分析工作流程包含四种互补技术。文献计量分析用于表征总体研究模式。潜在狄利克雷分配（LDA）主题建模实现了主题结构的概率性发现。关键词趋势和突发分析量化了研究重点的方向性转变。整体工作流程如图1所示。

图1 方法流程图。

2.3.1 文献计量表征与分类分级

我们首先通过量化年度出版物数量和界定十年间（2016-2025年）地理研究强度，评估地球化学填图研究的时空演变。为追踪方法学转变，文献通过筛选标题、摘要和作者关键词中的领域特定术语，分为三类：AI驱动类、经典类和其他类。AI驱动类由"机器学习"、"深度学习"、"随机森林"和"神经网络"等术语的普遍性定义；经典类包括"地统计学"、"多重分形"、"主成分分析"和"因子分析"等已确立框架；所有剩余论文归入其他类。与此方法学分类互补，每篇出版物被分配至四个互斥的调查尺度之一：微尺度、中尺度、宏观尺度或多尺度。分类通过标题、摘要和作者关键词的规则匹配进行，使用预定义词汇表（表S2）。微尺度研究涉及矿物或颗粒尺度的测量、原位分析填图、剖面、钻孔或岩心段。中尺度研究涉及地方到区域地球化学调查、溪流沉积物或土壤地球化学、地球化学异常界定、矿场调查或空间污染评估。宏观尺度研究涉及国家、大陆、全球、克拉通、地块或成矿带尺度的地球化学模式。多尺度研究明确整合或关联两个或以上空间尺度，例如通过多尺度或跨尺度分析，或尺度放大/缩小方法。需要注意的是，没有尺度特定匹配的记录被分配为中尺度，除非被识别为与尺度无关的方法学或分析研究，在这种情况下，它们被排除在尺度分析之外（表S2）。此外，每篇出版物被分配至七个互斥应用领域之一：矿产勘查与找矿潜力、环境污染与健康、区域调查与基线填图、地质过程理解、水文地球化学与水质、土壤质量与农业地球化学，以及其他。分类基于书目文本与预定义领域词汇表的规则匹配，每篇出版物被分配至相关性最高的领域（表S3）。这种双重分类使得系统表征不同发展阶段的主题和功能转变成为可能。此外，通过制图研究产出的地理分布，评估空间动态，以识别区域中心和全球研究强度固有的不平衡。需要注意的是，国家级出版物产出和国际合作由Web of Science元数据中记录的作者所属机构地址得出。从每篇出版物列出的所有所属机构中提取国家，并在出版物层面去重。我们使用全计数：具有多个国家所属机构的出版物为每个代表性国家贡献一篇出版物，而不是被分配至单一国家。对于合作分析，出版物中共同出现的每个唯一国家对计数一次。

2.3.2 潜在狄利克雷分配主题建模

为揭示潜在主题结构并概率性验证核心研究领域，对全部保留摘要应用LDA主题建模（Blei et al., 2003）。最优主题数K通过K∈{3,4,5,6,7,8}的一致性扫描确定，使用C_v一致性度量评估模型拟合。采用C_v得分最高的K值作为最终配置，该配置为每篇出版物分配跨主题的后验概率分布。每篇论文可归属于后验概率最高的主题。此外，为识别推动该领域发展的有影响研究社群，构建了针对性的作者级合著网络。该分析特别关注归属于方法学相关主题的子语料库。保留满足最低文档阈值的作者以可视化学者团队的层级结构及其合作中心。

2.3.3 网络分析与趋势检测

除主题建模外，我们采用网络分析和趋势检测技术考察地球化学填图的结构和时间特征。在进行网络分析之前，通过合并同义词、统一单复数形式、解析缩写和移除无关术语对关键词进行预处理，以确保数据一致性。通过VOSviewer中实施的合著和关键词共现分析评估结构模式（Van Eck and Waltman, 2010）。在国家级构建合著网络以识别合作集群，设置最低文档阈值以保留最活跃的实体。关键词共现分析用于揭示该领域的主题结构，通过构建频繁关联术语网络，其中集群代表连贯的研究主题（Bovi et al., 2022）。为实现方法学转变的时间映射，生成了叠加可视化，其中节点颜色编码与每个关键词关联论文的年均出版年份。

为识别研究前沿，将与网络共现分析识别的集群对齐的同义或密切相关关键词综合为主题组。每年每组原始计数通过当年总出版物量进行归一化，得出每百篇论文频率指标以校正整体领域扩张。通过比较半十年代平均频率（2016-2020 vs. 2021-2025），我们界定了主题重点的方向性转变并识别了增长快于领域平均水平的组。此外，通过数据驱动的突发检测标准识别了研究关注加剧的时期，其中"突发起始期"定义为归一化频率超过十年均值超过0.5个标准差（Kleinberg, 2002）。这种综合方法确保新兴视角的识别既具有统计稳健性，又具有地质相关性。

3. 结果与讨论

3.1 地球化学填图研究的演变特征

3.1.1 主要发展阶段

过去十年间，地球化学填图研究的出版物产出大幅增加，从2016年的49篇增至2024年的峰值96篇，尽管存在年度间波动。在此演变过程中可以识别出三个不同阶段（图2a）。然后我们考察了这些阶段中总体产出和类别特定产出的趋势，后者通过上一节所述的领域特定关键词匹配定义。第一阶段（2016-2018年）是产出有限但稳定的时期，年度出版物数量在41至50篇之间。基于AI的方法在该阶段贡献的论文少于20%（图2c），反映了该领域对已确立的多重分形、地统计学和多变量框架的普遍依赖。第二阶段（2019-2021年）以显著增长为特征，总产出从每年70篇增至94篇。重要的是，AI和经典类别并行扩展（图2b），表明机器学习最初作为现有方法的补充而非替代被采用，这与同期地球科学领域深度学习工具的广泛传播一致（Dramsch, 2020; Bergen et al., 2019; Reichstein et al., 2019）。第三阶段（2022-2025年）代表了结构转变而非单纯的体积增长。尽管总体产出稳定在每年78至96篇，但到2024年AI方法约占出版物的55-60%（图2c），而其他方法的份额明显下降。经典方法特别是2021年后在绝对数量和比例上都显示出下降趋势（图2b, c），反映了该领域向AI方法逐渐转变。综合来看，这些趋势表明地球化学填图已超越AI的探索性采用阶段，正在经历更为根本的分析范式转变。

图2 2016年至2025年地球化学填图研究的方法学演变。出版物（n = 713）通过领域特定关键词匹配分为三类：AI相关（类别A）、经典（类别B）和其他（类别C）。(a) 显示绝对年度出版物数量的堆叠柱状图，每根柱子上方标注数值总和。(b) 三类绝对轨迹。垂直虚线表示数据驱动机器学习模型稳健超越经典框架的拐点。(c) 100%堆叠面积图，展示过去十年不同方法学范式相对主导地位的演变。(d) 经典类别（类别B）内部结构演变，展示地统计学、多变量统计、成分数据分析（CoDa）、分形/多重分形模型和其他经典方法随时间的相对比例变化。

3.1.2 研究轨迹的关键特征

(1) 时间上，出版物产出呈现中等但波动的增长，而该领域的方法学组成变化速度远快于总体产出。尽管总体呈上升趋势，但地球化学填图研究的年度产出增长率相对温和，从2016年到2024年累计增长约74%（图2a）。这种温和增长可能反映了该领域的专业化特征，因为该领域的研究需要跨多个领域的专业知识，因此涉及的社群比更广泛的地球科学或数据科学领域小（Dramsch, 2020）。值得注意的是，出版物产出还显示出明显的年度波动，与相邻年份相比，2017年、2020年和2023年出现下降（图2a）。这种波动是小型专业化研究社群的典型特征，其中少数活跃群体的产出可大幅影响领域整体出版物计数。它们也可能反映新方法学途径出现与其有效整合到 ongoing 研究之间的滞后。更具信息量的是总体产出增长与方法学组成变化的对比。尽管出版物总数温和增加，但基于AI研究的比例从2016年的约20%升至2024年的55%以上（图2c），反映了比领域整体扩张更为显著的方法学转变。在经典类别内部，还观察到方法学组成的额外变化：多变量统计和地统计学在十年后半段相对份额逐渐下降，而分形/多重分形模型和CoDa则维持或略微增加其份额（图2d）。上述观察表明该领域正在经历结构转变而非简单扩张。

(2) 空间上，地球化学填图研究表现出显著不平衡，产出高度集中于少数主导国家，这些国家支撑了大多数国际合作。在2016-2025年十年间，贡献来自78个国家，但中国、伊朗和澳大利亚合计占所有出版物的72.3%（分别贡献335、96和92篇；图3）。仅中国就占全部记录的47.1%，这一主导份额由其广泛的全国地球化学调查项目和长期对矿产勘查的战略重点所支撑。伊朗和澳大利亚表现出不同的研究重点：伊朗强调方法学发展（例如分形分析和基于AI的异常检测），而澳大利亚的优势在于其资金充裕的应用地球化学传统。

欧洲的研究产出虽然各自中等，但形成了一个紧密连接的区域性集群，其中意大利、德国、法国和英国各自贡献了25至37篇论文。南美洲（巴西、智利）和南部非洲（南非）代表了新兴的贡献者，而北美洲（加拿大和美国）相对于其更广泛的地球科学研究能力而言，产出比例偏低，这表明地球化学填图仍然是北美洲地球科学界中的一个专业领域。合作弧线显示，澳大利亚充当着该领域的主要国际桥梁，连接着亚太地区（中国，n = 25；伊朗，n = 17）与北美洲（加拿大，n = 14）和欧洲。中国的国际合作更具选择性，主要集中在澳大利亚和南非，这与双边矿产资源伙伴关系相一致。

下载：下载高分辨率图像（544KB）下载：下载全尺寸图像图3. 2016至2025年间地球化学填图研究产出与国际合作的地理分布。每个圆圈表示从至少一位作者单位识别出的国家，圆圈面积与全计数出版产出成正比。具有多国单位的论文在每个代表国家各计数一次。弧线连接拥有五篇及以上合著论文的国家对；线宽与合著论文数量成线性比例。该地图采用自然地球投影渲染。

(3) 按研究尺度，中尺度研究在整个十年间占据主导地位，而多尺度整合显示出明显的上升趋势。中尺度研究涵盖区域地球化学调查、矿化远景填图以及矿床尺度填图等，在三个时期中持续主导文献（第一阶段：84.3%，n = 118；第二阶段：87.7%，n = 193；第三阶段：88.0%，n = 309）。其稳定的占比以及绝对产出近乎三倍的增长（从118篇增至309篇论文）证实了调查级地球化学填图仍然是该领域的基础方向（图4）。大尺度研究（大陆尺度和岩石圈尺度调查）在三个时期中均保持了次要地位（分别为n = 13、21和23）。其比例从9.3%小幅下降至6.6%，表明文献的广泛扩展主要由中尺度产出驱动，而非行星尺度地球化学。微观尺度研究（原位矿物分析和仪器级元素填图）在各阶段间波动于1.8%至5.7%之间，无明显方向性趋势，始终是文献中较为次要的组成部分。尽管多尺度研究仍然有限，但从第一阶段的一篇论文增至第三阶段的六篇（0.7%至2.8%），这一趋势值得关注。在第三阶段，这种增长由方法上各不相同的途径驱动，包括基于迁移学习的异常识别（Wu等，2022；Shi和Zuo，2025）、通过深度学习进行地球化学图超分辨率重建（Pei等，2025）以及跨空间尺度的多点地统计模拟（Zhao等，2025），这些共同表明机器学习正成为跨尺度地球化学综合的关键工具。

下载：下载高分辨率图像（305KB）下载：下载全尺寸图像图4. 三个出版阶段（2016–2025）研究尺度的演变。上部以环形图展示各阶段的比例构成。每个环形图中心报告总论文数量。下部为各阶段每个尺度类别的绝对论文数量，绘制在断裂Y轴上以适应中尺度的大量论文与较小类别的并存。

(4) 按应用领域，地球化学填图研究以矿产勘探和远景填图为主导，而环境评估、地质过程理解和区域基线研究仍然是较小但持续存在的领域。矿产勘探和远景填图占研究产出的绝大多数（64.2%）。这一主导地位反映了方法学创新（特别是在异常检测方面）以及机器学习驱动的远景建模与全球对矿产资源勘探持续需求之间的契合（图5a）。环境污染和健康风险评估构成第二大应用集群（14.0%），由对土壤和沉积物中潜在毒性元素富集的日益增长的关注及其生态和人类健康影响所驱动。地质过程理解（主要包括岩性填图、通过同位素填图表征岩石圈结构、沉积物来源示踪以及地表过程解释）排名第三（7.2%）。这突显了地球化学填图在超越资源导向应用领域、理解地壳演化和构造框架方面的更广泛价值。区域地球化学调查和基线表征（5.9%）构成了一个战略重要的基础设施层，为其他所有领域的异常评估提供基础支撑。水地球化学和水质评估（2.5%）以及土壤质量和农业地球化学（1.8%）各自构成专业化但不够突出的子领域。在时间上，矿产勘探产出从2016年到2024年翻了一倍以上，而次要领域的年度贡献大致保持稳定。这一模式表明，该领域的增长主要由勘探导向的方法学进展驱动，而非应用范围的扩大（图5b）。

下载：下载高分辨率图像（384KB）下载：下载全尺寸图像图5. 按应用领域的地球化学填图研究分布（2016–2025）。(a) 水平棒棒糖图显示研究期内各应用领域的出版总数。百分比值表示各领域占全部713篇保留研究的比例。(b) 气泡矩阵展示2016至2025年各领域的年度出版量。气泡面积与给定年份的出版数量成正比，超过最低显示阈值10的气泡内标注数量。缩写：Min. Explor. = 矿产勘探与远景；Env. Pollut. = 环境污染与健康风险；Reg. Surv. = 区域调查与基线填图；Geol. Process Underst. = 地质过程理解；Hydrogeochem. & W.Q. = 水地球化学与水质；Soil & Agric. Geochem. = 土壤质量与农业地球化学。

3.2 当前研究热点3.2.1 主导研究主题关键词共现分析（图6a）识别出四个不同的主题集群，界定了地球化学填图当前的研究热点（2016–2025）。最大的集群（集群1，红色）以数据驱动的异常识别为中心。它展示了基础机器学习（如随机森林、隔离森林）与高级深度学习架构（如卷积神经网络、图神经网络和自编码器）的强有力整合。该集群内的高边密度强调了人工智能向地球化学填图快速且系统化的渗透。集群2（绿色）包含经典定量方法，包括局部奇异性分析、多重分形模型、成分数据、多元分析和地统计学，代表了在该领域仍然活跃的方法论基础。集群3（蓝色）代表环境地球化学应用，包括重金属、水地球化学、潜在毒性元素和健康风险评估。相对较小的集群4（黄色）聚焦于同位素填图和稀土元素，它们作为来源示踪和大规模地壳研究的主要指标。地球化学填图在网络中充当中心节点，与跨越所有四个集群的28个节点保持共现联系。值得注意的是，其最强的方法学联系包括来自AI集群的机器学习、深度学习和神经网络，以及来自经典方法集群的多重分形分析、多元分析、成分数据和主成分分析，还有来自地质协变量领域的岩性和遥感。这种多方向连接的模式表明，地球化学填图研究整合了多种方法并纳入地质协变量，突出了多信息整合和基于过程的空间预测作为主要研究焦点。叠加可视化（图6b），其中节点颜色表示平均出版年份，显示集群1的方法系统性地更为当代。具体来说，图神经网络、迁移学习、隔离森林和卷积神经网络显示出最新的时空中位，而集群2中的传统方法（如局部奇异性分析）表现出较早的位置。这一模式确认了在整个综述期内，整个领域向AI驱动方法转变的趋势。

下载：下载高分辨率图像（3MB）下载：下载全尺寸图像图6. 713篇地球化学填图出版物（2016–2025）的关键词共现网络，使用VOSViewer构建（最小关键词出现次数 = 5；词表归一化后保留46个节点）。(a) 带集群着色的网络可视化：集群1（红色）、集群2（绿色）、集群3（蓝色）和集群4（黄色）。节点大小与关键词出现频率成正比，边厚度反映共现强度。(b) 相同网络布局的叠加可视化。节点颜色表示包含该关键词的论文的平均出版年份（蓝色 = 较早；黄色 = 较新）。(对于图例中颜色参考的解释，请参阅本文的网络版本。)

我们进一步对整个语料库应用LDA主题建模来识别和验证上述研究热点。主题数量通过K ∈{3,4,5,6,7,8}的一致性扫描客观选择，K = 5产生最高的Cv分数（0.404）。LDA为每篇论文分配五个主题上的后验概率分布，每篇论文被归入其主要主题。主题1专注于AI驱动的地球化学异常识别，为在集群1中识别的主题模式提供了独立概率验证（图6）。主题2的特征为地球化学填图、溪流沉积物、土壤地球化学、地球化学背景、REE和采样设计，反映了区域地球化学调查和多源空间预测的方法论特征。这两个主题合计占综述文献的69%（图7）。

下载：下载高分辨率图像（629KB）下载：下载全尺寸图像图7. 地球化学填图文献的LDA主题建模（2016–2025；K = 5，一致性Cv = 0.404）。(a) 每个主导主题的文档数量。主题1和主题2表征两个主要方法学研究热点，合计占语料库的69%。(b) 主题-关键词特异性热图。单元格颜色编码关键词提升度，通过主题特定概率除以语料库平均概率计算。X轴标签按关键词组进行颜色编码。

为了识别热点背后的主要学者团队，由于主题1和主题2语料库与地球化学填图的方法论相关性，我们构建了合著网络，划定了一个由9个集群组成的64位作者的研究社区（图8a）。该网络具有强烈的层次性。以左仁光为中心的集群在网络中最为突出，拥有92篇出版物和4608次引用。它在数据集中贡献了引用最多的十篇论文中的七篇（图8b），包括该领域引用率最高的单项研究（Zuo等，2019）。另一个突出的集群由Maghsoudi、Ghezelbash、Yousefi和Parsa组成，代表了一个高产的研究集体（2735次引用），专门从事使用成分和溪流沉积物数据的机器学习异常检测。在结构上，Carranza E.J.M.充当主要中介节点，拥有21条合著链接，跨越九个集群中的七个。由王学求领导的集群开创了国家尺度地球化学填图项目，并推进了整合地质协变量的空间预测模型的发展。尽管由于最小文档过滤器而被排除在网络之外，Kirkwood等（2016）代表了一个值得讨论的重要例外。通过使用分位数回归森林从地质和遥感协变量预测元素分布，该研究开创了地球化学填图中多源数据融合的概念框架。综上所述，引用模式和网络结构指向地球化学填图的两大主要研究热点：数据驱动的异常检测和多信息整合。

下载：下载高分辨率图像（509KB）下载：下载全尺寸图像图8. 合著网络和高引用分析。(a) 主题1和主题2合并语料库的合著网络（每位作者最少2篇文档；64位作者，9个集群）。节点大小随出版数量变化，边厚度反映合著强度。(b) 与地球化学填图方法相关的十篇高引用论文。点颜色编码出版年份（深蓝：2016 → 浅蓝：2021）。(对于图例中颜色参考的解释，请参阅本文的网络版本。)

3.2.2 AI驱动的地球化学异常识别AI驱动的方法论，特别是深度学习，通过捕捉高维和空间异质数据集中的复杂非线性关系，显著推动了地球化学异常识别的进展。自2016年以来，各种架构的应用，包括自编码器（AE）（Xiong和Zuo，2016）、深度置信网络（DBN）（Xiong和Zuo，2020）、卷积神经网络（CNN）（Zhang等，2021）、生成对抗网络（GAN）（Luo等，2021）和循环神经网络（RNN）（Zuo等，2021c），为识别地球化学模式提供了不同的方法论框架。这些多样化模型的引入鼓励研究人员使用无监督和监督学习范式进行实验和评估异常，为检测高维和空间异质数据集中细微的矿化相关模式提供了替代性表征（Luo等，2020；Xiong和Zuo，2022）。作为引入该领域的首个深度学习模型，自编码器（AE）（Xiong和Zuo，2016）为在未标记的高维地球化学数据集中识别异常建立了关键框架。它依赖于无监督的编码-解码结构，学习重建地球化学背景，将矿化相关特征识别为表现出高重建误差的样本。

在此基础上，此后开发出了多种专门的自编码器（AE）架构，以应对地球化学数据的特定复杂性。例如，去噪自编码器（DAE）有助于提高对采样噪声的鲁棒性（Xiong and Zuo, 2022），变分自编码器（VAE）和对抗自编码器（AAE）能够更好地刻画地球化学分布的随机特性和不确定性（Luo et al., 2020; Zhang and Zuo, 2024; Gonzalez et al., 2023; Wen et al., 2025），而卷积自编码器（CAE）则整合空间上下文信息以捕捉多尺度模式（Chen et al., 2019; Guan et al., 2021; Feng et al., 2022; Liu and Liu, 2026）。在AE之后，多种深度学习架构被改编应用于地球化学异常识别，研究重点转向了多样的数据表征和 learning 范式（图9）。对于基于像素（点）的分析，深度信念网络（DBNs）利用多个受限玻尔兹曼机挖掘元素间的深层非线性关联，从而增强异常检测的准确性（Xiong and Zuo, 2020）。对于基于图像（模式）的分析，卷积神经网络（CNNs）将地球化学数据集视为分割后的图像，有效地提取局部空间特征以 delineate 连续异常区（Zhang et al., 2021）。从基于序列的建模视角出发，循环神经网络（RNN）及其变体被用于捕捉地球化学元素向量内部的依赖性（Xu et al., 2024）。此外，基于图的模型通过将地球化学数据转化为图结构，代表了一种重要的结构性创新。通过将采样点表示为节点，空间关系表示为边，这些模型能够有效处理不规则分布的数据，并捕捉传统固定网格架构可能忽略的复杂空间异质性（Guan et al., 2022; Xu et al., 2023; Chen and Chen, 2023）。作为对这些方法的补充，生成对抗网络（GANs）提供了一种生成框架，用于建模地球化学背景分布，而非依赖直接重建，异常被识别为与所学背景的重大偏离（Luo et al., 2021; Ding et al., 2024）。

下载：下载高分辨率图像（278KB）
下载：下载全尺寸图像

图9. 2016至2025年地球化学异常识别AI驱动方法的演化。

尽管一些案例研究报告称，相对于选定的传统基线，统计性能有所改善，但许多机器学习模型依赖于固定大小的输入和单分支架构，这通常限制了它们表征地球化学数据固有的长程依赖性和耦合空间-光谱特征的能力。基于Transformer的框架利用自注意力机制，被引入用于捕捉局部特征提取器通常遗漏的长程依赖性和全局空间上下文（Chen and Zuo, 2025; Yu et al., 2024, Yu et al., 2025）。与此同时，"地球化学立方体"概念的引入启发了空间-光谱双分支模型。这些架构利用并行分支同时提取光谱特征（代表复杂的元素组合）和空间属性（如异常形态和方向），融合这些不同的特征有助于提高预测准确性（Parsa et al., 2017; Zuo and Xu, 2024; He et al., 2025; Xu and Zuo, 2024; Xu et al., 2025b）。通过考虑地球化学模式的多尺度和多维特性，这些范式为在复杂地质环境中识别微弱的矿化特征提供了更为稳健的解决方案。

尽管这些先进架构具有很强的预测能力，但其日益增加的复杂性往往以可解释性为代价（Gilpin et al., 2018）。为确保所识别的模式具有地质学意义，多项研究集中于将先验知识（如成矿理论）直接整合到AI建模过程中。这种整合可以在三个关键阶段实施：模型输入、架构构建和预测结果（图9; Xiong et al., 2022; Zuo et al., 2024; Xu et al., 2025a）。通过引导AI模型与地质学原理对齐，研究人员开发了地质约束框架，例如与地质知识整合的条件GAN，以及由物理约束项正则化的记忆增强AE（Zhao et al., 2023; Yang et al., 2023; Zhang and Zuo, 2024; Luo et al., 2025）。这些方法能够在明确的地质约束下深入挖掘多维数据，将AI从纯粹的数据驱动工具转变为可解释的矿产勘探系统。异常识别中使用的地质约束应以产生与矿化相关的地球化学特征的典型控制因素来定义。构造断层及其交汇处可以聚焦流体流动并产生线性或走廊状异常模式（Micklethwaite and Cox, 2004; Carranza et al., 2019; Cowan, 2020）。岩浆侵入建立了热、成分和流体源梯度，可在侵入中心周围产生系统的近-远元素分带（Sillitoe, 2010; Robb, 2020）。热液循环重新分布和分异元素，产生蚀变晕、指示元素组合以及可能超出矿体的垂直或水平分带（Govett et al., 1975; Eldursi et al., 2009; Robb, 2020）。地层岩性和岩石组合对比影响围岩反应性、渗透率和背景成分，从而有利于地层型富集或接触带附近的尖锐异常（Ridley and Mengler, 2000）。相应地，异常识别工作流程不仅要评估元素值或模型分数，还要评估预测模式是否与构造走廊、侵入相关分带、热液弥散通道以及地层或岩性边界一致。这些过程相关的关系可以作为地质协变量引入，在模型开发过程中编码为约束或先验，并用作验证预测目标的独立标准等（表2）。尽管如此，AI模型的输出应与最终异常界线区分开来。无监督模型通常生成重建误差、潜在空间距离或偏离所学参考分布的相关度量，而有监督模型生成的分数则反映了与训练中关联目标过程样本的相似性。这些输出提供的是异常的连续度量，而非异常边界本身。

表2. 与矿化相关的地球化学特征的典型地质控制因素及其对异常识别的意义。

地质控制因素 | 过程与地球化学特征 | 空间表达与代理特征 | 对异常识别和验证的意义
--- | --- | --- | ---
构造断层 | 沿断层及其交汇处的流体聚焦；结构局部化的元素运移。 | 线性异常走廊；交汇处聚集；多元素方向性连续性。 | 利用断层距离、密度、方向和交汇处作为协变量和验证约束。
岩浆侵入 | 与侵入相关的热、金属和流体供给；近-远元素分带。 | 同心圆或径向分带；接触带相关的元素比值梯度。 | 利用侵入接触带、岩性、地球物理数据和分带敏感的元素组合。
热液活动 | 流体介导的淋滤、运移和沉淀；蚀变和指示元素晕。 | 近-远或垂直/水平分带；沿蚀变或流体通道的晕。 | 优先采用多元素组合和梯度；对照蚀变和矿化进行验证。
地层岩性 | 围岩成分、渗透率和反应性控制富集和背景。 | 地层型或接触带异常；富集在接受性层位中。 | 利用地层和岩性边界；与单元特有背景对比。

3.2.3. 多源数据融合用于精细尺度地球化学制图

地球化学数据反映了受地球化学过程控制的元素浓度和空间弥散模式，地球物理数据则刻画地下物理性质（如密度、磁性、电阻率），遥感数据提供与矿物成分和地表蚀变相关的光谱信息。地球化学数据与遥感、地球物理信息等类型的地球科学数据的整合已被广泛认为是一种提高地球化学制图准确性和可靠性的有效策略，因为每类数据捕捉的是地下和地表地质过程中不同但相互关联的方面（例如，Kirkwood et al., 2016; Wilford et al., 2016; Wang and Zuo, 2025）。地球化学元素的浓度和空间分布从根本上受多尺度耦合的地质和地球化学过程控制，这些过程也产生了地球物理和遥感数据中可观测的响应（Hunt, 2017）。这种内在联系在地球化学、地球物理和遥感数据之间建立了隐含但有物理意义的关联。通过利用这些固有关系（如图10所示），多源数据融合不仅能够以显著更细的尺度绘制地球化学分布，而且有助于提取微弱且被遮蔽的地球化学信号，从而更可靠地 delineate 地球化学异常，并显著增强矿产找矿远景区图的预测性能。

下载：下载高分辨率图像（500KB）
下载：下载全尺寸图像

图10. 多源数据融合用于精细尺度地球化学制图的示意图。

已有多种研究致力于融合多源数据以改善地球化学制图。例如，Ding等（2023）通过线性回归将Sentinel-2和ASTER遥感数据与1:200,000地球化学数据融合以提升制图分辨率。结果表明岩性辨识和制图准确性有所提高，突显了数据融合在复杂地质环境中的有效性。Pan等（2023）提出了一个基于CNN的地球化学制图框架，整合了遥感和地球化学数据。该文强调了多源数据融合在增强空间分辨率的同时保持地球化学模式的能力。Moradpour等（2022）通过整合地球化学调查数据与遥感影像（即Sentinel-2A、ASTER）进一步探索了多源数据融合，利用光谱锐化和基于相关性的融合方法有效整合了互补信息，改善了地球化学特征表征，降低了不确定性，并显著提高了岩性分类准确性，优于单源方法。类似地，Ma等（2024）证明整合地球化学和遥感数据可同时保留空间信息和成分信息，从而改善岩性分类性能，突显了互补数据集的价值。Bai等（2024）开发了一种融合框架，通过将混合分辨率增强和迁移学习相结合来整合高分辨率遥感和低分辨率地球化学数据。该方法优于传统插值方法，增强了地球化学数据的精度和泛化能力，有助于矿产勘探。更近期，Yuan等（2025）提出了一种新型深度学习框架，通过整合多源地球科学数据实现高分辨率地球化学制图。通过融合遥感数据、归一化差异植被指数（NDVI）、数字高程模型（DEM）和航空磁测数据，该模型有效解决了数据稀疏性和异质性问题，强调了多源数据融合在提高地球化学制图可靠性方面的关键作用，并为矿产找矿远景区图提供了解决方案。

3.3. 新兴视角

3.3.1. 影响力上升的主题

对2016–2025年的文献应用了两种互补技术（即归一化关键词频率分析和突现检测），以捕捉新兴研究方向并追踪其增长轨迹。为在统一的主题框架内实施这些分析，同义关键词被综合为四个组，与3.2.1节识别的聚类对齐：不确定性量化（A组）、同位素制图（B组）、经典定量方法（C组）和环境地球化学（D组）。年度关键词计数除以当年论文总数，得到每100篇论文的出现频率。然后比较2016–2020年的五年均值与2021–2025年的五年均值。对于突现检测，当归一化率超过十年均值0.5个标准差以上时，将该年标记为突现期。A组和B组代表两个新兴的研究主题，而C组和D组作为参考组。趋势分析结果显示了明显的分化（图11a）。A组增长了29%，从每100篇论文5.1次增至6.7次。B组增长了13%，从12.2增至13.9，自2021年以来总体保持持续上升趋势。相比之下，C组和D组分别下降了31%和20%，表明经典方法和环境应用在此语料库中已过了活跃高峰期。

下载：下载高分辨率图像（689KB）
下载：下载全尺寸图像

图11. 地球化学制图新兴主题的文献计量分析（2016–2025）。(a) 四个主题组的年度关键词频率趋势，按论文总产量归一化（每100篇论文的出现次数）。实线表示两个新兴组：不确定性量化和同位素制图。虚线表示3.2.1节中的参考组：经典定量方法和环境地球化学。比较2016–2020年均值与2021–2025年均值的增长率标注在各线右侧。阴影区域标记2021–2025年窗口。(b) 13个合并关键词组的关键词突现时间线，按主题聚类组织。每行代表一个同义合并后的合并组。彩色段表示突现年。灰色段表示非突现年。行颜色标识聚类归属：红色（A组）、蓝色（B组）、浅桃色（C组）和绿色（D组）。（对于图例中颜色参考的解释，读者可参阅本文的网络版本。）

突现检测结果提供了增强的时间信息（图11b）。具体而言，A组内所有三个子组在2019至2023年间均表现出突现区间。不确定性相关术语在2019年经历了一次初始突现，随后在2021–2023年间保持持续活跃。这一轨迹由随机模拟（2019、2021年）和贝叶斯方法（2022–2023年）的顺序高峰所加强，表明对不确定性量化的兴趣是通过渐进式演变而非单一事件发展的。同位素子组表现出不同的时间模式。

LuHf同位素地球化学测图和U-Pb年代学测图在2021–2022年和2024年均呈现近期爆发式增长，而稳定同位素则在2023–2024年出现爆发，这表明多体系同位素测图在回顾期后半段尤为活跃。相比之下，四个经典子类别的峰值均出现在2022年之前，此后再未出现爆发式活动。综合上述分析结果，不确定性量化和同位素测图成为两大标志性前沿领域。为提供更广阔的展望，我们额外将自监督学习和强化学习确定为第三个前沿方向。这一补充反映了AI驱动地球化学测图在方法论上的快速演变，以及这些工具在识别复杂矿化相关异常中的巨大潜力。

3.3.2. 前沿一：地球化学测图中的不确定性量化

不确定性被定义为关于某对象或过程性质所缺乏的知识或信息（Bárdossy和Fodor, 2004），它是地球化学测图中固有的特征。观测到的地球化学格局通常是多种地质过程在多个时空尺度上复杂交互作用的结果（Cheng, 2012），而实际勘查固有的限制在于观测数据稀疏、分布不规则且可能存在不准确（Ramsey, 1997）。这种不确定性会抬高矿产勘查中的风险等级和决策成本，异常识别中持续高企的误报率即为明证（Caers, 2011; Zuo等, 2021a; Sadeghi等, 2023; Yousefi等, 2024）。显式量化不确定性有助于系统性理解其主要来源、传播路径及对准异常识别的影响，从而促进更加明智的决策。

地球化学测图中的不确定性可分为随机性（或然性）不确定性，源于不可消除的自然变异性，以及系统性（或认知性）不确定性，源于知识不完全或模型局限（Caers, 2011; Wang和Zuo, 2024）。这两类不确定性通常共同存在，并在四个关键工作流阶段中演化（图12）。在示踪指标选取与定义的初始阶段，随机性不确定性源自测量误差、采样噪声和固有的自然非均质性等待消除的因素；而认知性不确定性则源于概念层面的局限，包括示踪指标过度简化、尺度不匹配以及元素关联定义的模糊性等（例如Wang等, 2024）。在地球化学测图阶段，将离散观测插值成连续栅格图会因采样密度不规则、变异函数模型设定失当以及平稳性假设被违反而引入不确定性。值得注意的是，Ramsey（1997）指出，仅观测中的采样不确定性即可高达55%，远超实验室分析误差。在格局识别阶段，小波变换等分解方法对超参数选择、随机噪声和格局非平稳性敏感（Chen和Cheng, 2016）。最后，在阈值化、特征归属和解释过程中，人群重叠与边界区域模糊性可贡献然性不确定性，而认知性不确定性则源自阈值化方法的选择、专家偏见以及对地球化学特征背后地质过程理解的不完善，二者共同可能导致误报和漏报（Costa和Koppe, 1999; Wang和Zuo, 2024）。

图12. 地球化学测图中不确定性在从地球化学数据到地球化学特征识别过程中的产生与传播。流程包含四个关键阶段：(1)地质示踪指标确定，(2)示踪变量地球化学测图，(3)地球化学格局识别，(4)阈值化格局划定。我们借助此图强调不确定性累积且非线性传播的特性。

上述各阶段特定不确定性会以非线性方式沿工作流传播，共同抬升最终异常图的不确定性（Wang和Zuo, 2018; Wang和Zuo, 2024）。在经典蒙特卡洛框架中，由序贯高斯/指示模拟等方法生成的一组随机实现代表地球化学分布的联合空间不确定性。对每个实现应用异常检测模型，有助于推导异常概率图，该图编码了地球化学特征的强度与可靠性（Wang和Zuo, 2018; Wang和Zuo, 2019; Liu等, 2019a; Liu等, 2019b; Wang等, 2022; Huang等, 2025）。Wang和Zuo（2018）证明空间不确定性会显著削弱局部奇异性分析结果的稳健性。这种敏感性在弱奇异性区域尤为突出，固有不确定性甚至可能引发富集与亏损分类之间的反转（参见Wang和Zuo, 2018的图1）。作为随机模拟的补充，贝叶斯框架为不确定性量化提供了稳健途径（Huang等, 2022）。例如，基于INLA+SPDE的空间建模（Wang和Zuo, 2021）可高效量化参数与空间不确定性，而贝叶斯模型平均通过整合多个竞争模型的预测来缓解结构性不确定性（Wang和Zuo, 2022）。在可视化方面，局部不确定性可通过方差热力图传达，而高维空间不确定性可通过距离投影将实现集合映射到低维度量空间加以渲染（Scheidt和Caers, 2009; Wang和Zuo, 2024）。此外，针对地球化学异常识别的敏感性分析表明，元素关联选取是整体测图不确定性的主导贡献因素，其次是模型超参数配置；而在采样密度充足时，空间插值不确定性相对较小（Wang和Zuo, 2023）。因此，不确定性削减应主要聚焦于基于地质知识的元素选取和稳健的参数调优，因为识别真正相关的元素依赖于对底层地质过程的深刻理解。此外，概率性与集合式AI驱动框架应在地球化学测图领域得到更广泛采用。

3.3.3. 前沿二：通过同位素测图理解地质过程

传统地球化学测图主要依靠地表介质（如土壤、溪流沉积物和岩屑）中的元素含量测量来刻画区域到 Campo 尺度的地质过程。相反，虽然痕量元素、稀土元素和放射性同位素长期以来一直是物源追溯和年代学的关键工具，但此类分析历来局限于矿床尺度的离散点观测（Rollinson和Pease, 2021）。目前，高精度原位同位素数据集的迅速积累使得超越矿床尺度将这些指标建模为连续空间分布成为可能，由此产生了通常称为同位素测图的研究领域（Deng等, 2018; Mole等, 2019）。在此背景下，同位素测图成为这种双向拓展中方法论最有力的体现，提供了探查地表元素分布无法捕捉的深部岩石圈构造和长期地动力学过程的稳健框架（Webb等, 2020）。

同位素测图可追溯至Zartman（1974）对美国西部科迪勒拉造山带铅同位素省的界定，这是首个以空间分布的同位素数据圈定具有地质意义地壳域面的实例。Zhu（1995）随后将Pb同位素省测图明确与中国地球化学找矿相联系，提供了其直接勘探应用价值的早期证据。这一方法后来通过与GIS支持的 isotopic时空分析整合，在西藏生成找矿指示（Li等, 2022），显示了同位素测图在勘探靶区定位上日益进步的方法论水平。在这一领域，Hou等（2015）的奠基性论文通过对拉萨地体锆石LuHf同位素测图，证明地壳块体边界对斑岩CuAu、CuMo和PbZn矿床定位具有主要控制作用。这些认识随后被Hou和Wang（2018）系统化，他们将同位素测图正式确立为深部物质探查和岩石圈构造成像的稳健框架。在大陆尺度上，Wang等（2023a, 2023b）在阿尔泰地区界定了六个NdHf同位素省，表明幼年轻弧岩领域优先承载CuAu和NiCr矿化体系，而演化和再造地壳则产出LiBe、WSn和PbZn矿化，这直接反映了深部岩石圈对成矿的控制。在三江特提斯造山带（Wang等, 2016）和秦岭东段（Wang等, 2017）开展的类地体量级Hf同位素测图进一步约束了地壳块体边界及其相关成矿特征。

在方法论上，不同同位素体系常作为互补示踪指标反映各种地质过程。例如，Hf和Nd同位素刻画地壳年龄及年轻与再造特性，Sr同位素追踪流体-岩石相互作用与污染路径，而多体系联合测图（Du等, 2016）比任何单一示踪指标都能提供更稳健的地壳刻画。因此，同位素测图有望成为理解地质过程及在常规地球化学测图无法触及的尺度和深度上定位矿床体系的变革性框架（Champion和Huston, 2016）。

3.3.4. 前沿三：地球化学测图的前沿深度学习范式

虽然已有多种AI架构被用于地球化学异常识别（见3.2.2节），但该领域日益聚焦于解决纯数据驱动测图所面临的局限性。在现有方法中，图神经网络已证明特别有效，因为其非欧几里得架构天然契合地球化学采样点不规则空间分布和内在连通性。尽管取得这一进展，图网络在进一步挖掘空间非均质性方面仍存在显著潜力。更重要的是，两大主要制约因素仍限制着异常提取性能：特定领域地质知识整合不足和标注矿床稀缺（Karpatne等, 2018; Zuo等, 2019）。前者往往导致可解释性欠缺和地质不一致性，需要嵌入诸如知识图谱、逻辑规则和因果关系等多样的地质知识，以确保结果在统计上稳健且地质上合理。此外，已知矿床极度稀有常限制传统监督模型性能，而成矿过程复杂多尺度的特性在纯数据驱动框架中亦缺乏充分表征。为降低对标注样本的依赖，社区开始探索减少标注依赖、增强模型可靠性的新型学习机制。具体而言，自监督学习和强化学习是两种新兴且前景看好的复杂矿化格局建模框架，能够在有限依赖标注的情况下识别细微异常。

3.3.4.1. 自监督学习

自监督学习（SSL）利用无标注数据集的内在统计结构来促进地球化学异常识别（Hendrycks等, 2019; Henaff, 2020）。SSL的核心在于设计"预训练任务"，如对比学习和掩码属性重构，以揭示地球化学元素固有的结构模式与潜在相关性（Oord等, 2018; Liu等, 2021）。这一机制与地球化学测图高度契合，因为它使模型能够在不依赖稀缺标签的情况下，将整个地质地球化学背景作为一个整体流形来学习。这种与地球化学数据多维性和空间连续性的契合，使模型能够构建高质量表征，从而提升下游任务对细微矿化特征的敏感性。

图对比学习（GCL）已成为地球化学格局识别中的主导SSL范式，通过最大化同一数据集不同视图之间的一致性，使模型学习判别性特征（You等, 2020; Lin等, 2022）。为克服传统GCL中人工数据增强引入的噪声，近期研究更注重更稳定的表征学习机制（例如Yang和Chen, 2025）。特别是，隐式图对比学习框架通过变分图自编码器在潜在空间重建图结构来避免人工扰动，在成矿远景预测图中表现出色（Meng和Zuo, 2025）。最近，地质知识引导的图自监督预训练框架和自监督图Transformer（Zuo, 2025; Chen和Zuo, 2025）代表了向地质信息驱动SSL的重大转变。这些架构将领域知识——特别是矿床空间密度与成矿控制因素分布之间的关系——直接融入预训练阶段。这些进展表明，结合地质约束的SSL为在困难和数据匮乏的勘探环境中刻画复杂矿化特征提供了优越方法。

3.3.4.2. 强化学习

强化学习（RL）通过让智能体在环境交互中学习最优策略，为知识整合与端到端优化提供了新途径（Sutton和Barto, 1998; Mnih等, 2015; Cai等, 2022）。与仅从数据中提炼模式的传统方法不同，RL通过奖励反馈机制将数据驱动的证据与来自矿床模型的地质洞见相融合，实现人工智能与领域专业知识的深度结合（Uchibe和Doya, 2007; Shi等, 2023）。该过程通常被建模为马尔可夫决策过程，智能体观察地球化学状态并执行动作以最大化累积奖励，有效模拟专家在靶区定位中的决策过程（图13）。

通过强化学习识别地球化学异常的示意图。该方向不断涌现的研究正在探索强化学习如何克服传统机器学习的若干关键局限，例如已知矿产地数据稀缺的问题。例如，Shi等（2023年）开发了一种框架，采用双奖励机制，既能从已知标注点位中学习，也能从未探勘区域中进行探索，从而在利用已有数据与寻找新的地球化学特征之间实现有效平衡。在此基础上，图强化学习被提出以更好地处理地球化学数据中复杂的空间结构，通过集成图卷积网络（Xu等，2025a）。这种基于图的范式使模型能够通过遍历地球化学样本之间的拓扑连通性来发现隐藏的矿化模式。通过将地质规则与模型奖励直接关联，这些新方法能够在复杂的勘探环境中使异常识别更加可靠、地质上一致且更易解释。

4. 启示与挑战

地球化学填图在矿产勘查、环境评估和地质过程理解中正发挥着日益核心的作用，这得益于本文所综述的方法学进展。在此背景下，有必要区分地球化学填图与地球化学异常识别，二者虽密切相关但并非严格等同。地球化学填图侧重于地球材料中元素空间分布的表征，而地球化学异常识别则进一步关注通过模式识别和过程驱动的推理来解释这些分布，从而提取与特定地质过程（如矿化作用）存在因果联系的地球化学特征。

正是在这一解释性阶段，当前实践中地球化学异常识别所面临的一个重大概念局限性显现出来。具体而言，定义地球化学异常的主流框架仍然植根于一种以“背景为中心”的范式，即异常被定义为相对于背景的偏离。这反映了一种离群点或误差视角，广泛存在于经典统计方法及其当代人工智能驱动的方法中。例如，基于重建误差的自编码器（Xiong和Zuo，2016）以及基于Transformer的上下文重建误差（Yu等，2024），尽管在方法论上较为先进，却并未偏离这一既定的概念框架。相比之下，局部奇异分析（Cheng，2007）是一种罕见的方法，它通过异常自身的标度特性而非参照背景模型来表征异常，接近于所谓的“异常本征”范式。此外，利用在已知矿产地数据上训练的有监督机器学习模型来识别异常的方法也属于“异常本征”范畴，尽管这类策略通常难以泛化，且由于数据稀缺而产生较大的不确定性。然而，一种更为根本的范式尚未被充分确立，即基于岩性地球化学、成矿和分散过程等促成异常形成的因素，而非仅基于其统计或空间特征本身的“异常成因”框架。

这一概念性空白带来了若干与地球化学填图相关的紧迫挑战。首先，地球化学模式的形成机制和空间演化过程仍知之甚少。从异常识别迈向过程重建需要建模元素分散路径，建立地表异常模式与地下矿体之间的定量空间联系，并刻画深部异常源如何在地表附近地球化学信号中显现。其次，次生超常量异常继承、改造或消除原生岩性地球化学和成矿特征的机制及其程度尚不充分理解，尤其是在深风化、搬运或覆盖地表环境中。这一知识空白严重限制了此类环境中基于地表的勘查可靠性。

此外，目前阶段还有两个方法学挑战进一步制约了地球化学填图的进展，尤其是主流的数据驱动方法。第一，地球化学填图和异常识别的评估框架仍然有限。已发表的研究通常仅在一个案例区域中，将提出的方法与选定的基线进行比较，使用回溯性的一致性检验（与已知矿化体的吻合度）、ROC-AUC、预测区域曲线或相关统计指标。通过野外盲样调查、钻探、后续矿产发现或经济评估进行独立验证的报道则少得多。因此，异常检测方法之间的相对适用性应被视为有条件的而非普适的。当标注的矿化点数据稀缺时，无监督方法对于高维和非线性数据具有优势，而有监督以及地质约束模型则更强烈地依赖于标注质量、训练区域代表性和地质先验知识的可靠性。因此，现有文献尚未提供一个足够标准化和全面的基础，以跨地质环境对这些方法进行排序。此外，基于人工智能的研究并不总是清楚地区分连续的模型输出（如重建误差或异常得分）与随后用于划分异常域的阈值。这限制了所报告结果的可比性，并使得难以评估阈值选择对勘查决策的影响。第二，随着数据驱动的异常识别方法——从深度学习框架到新兴的基础模型方法——日益受到关注，提升所生成模式的解释性已成为一项紧迫任务。这不仅需要评估预测模式是否与已知矿化体吻合，还需要形式化和量化可能产生该模式的地质过程。对于矿产勘查而言，这包括评估异常模式是否与断层控制的流体通道、与侵入作用相关的元素分带、热液蚀变或分散晕带以及地层或岩性对元素分布的控制作用相一致。因此，迫切需要将经典的基于过程的定性解释框架（如元素分带、先导元素关联、地貌地球化学控制和次生吸附富集）转化为明确的、可检验的地质约束。共同应对这些挑战将为服务于矿产勘查、环境评估和过程理解的更加准确、高效且地质上可解释的地球化学填图奠定基础。

5. 结论

本研究对2016至2025年间地球化学填图的方法学进展和主题演化进行了系统综述。通过将文献计量分析与主题综合相结合，我们刻画了分析范式的转变，识别了研究热点，并勾勒了可能定义该学科未来十年发展的新兴前沿。主要发现包括：

• 从经典方法向人工智能驱动方法发生了明确的范式转变。这十年标志着一个结构性转变，即人工智能方法从辅助工具转变为主流分析方法。这一轨迹得到了Zuo团队系统引入无监督和有监督深度学习模型的支持，这些方法有效解决了传统框架在处理高维、非线性数据方面的局限。

• 向更具地质知情性和可解释性的AI模型迈进。异常识别已从基础架构发展到图模型、Transformer和双分支模型等先进范式。特别是Zuo团队提出的地质约束框架，有助于同时提高异常识别的预测精度和地质一致性。

• 通过多源数据融合提升预测性能。地球化学与遥感及物探数据的整合已被证明对细尺度填图至关重要。这种协同利用不同地球科学数据集之间固有的物理和化学联系来克服数据稀疏问题，并有助于在复杂环境中识别微弱的矿化信号。

• 不确定性量化、同位素填图和高级AI作为战略前沿的兴起。对不确定性量化的关注促进了概率框架的采用，使矿产勘查中的决策更具信息基础。与此同时，同位素填图将地球化学填图的范围从地表观测扩展到了深部岩石圈构造和长期地动力过程的成像。此外，自监督学习和强化学习也被确认为关键研究前沿，为与矿化相关的地球化学模式的智能识别提供了稳健方法。

此外，需指出的是，目前没有任何一种异常检测方法可被认为是适用于矿产勘查等应用的通用最优方法。有意义的跨方法比较需要标准化的数据集和预处理、透明的阈值定义、按地质环境分层以及独立验证。因此，建立此类基于基准的评估框架应是未来研究的优先事项。

CRediT作者贡献声明

Jian Wang：原稿撰写、可视化、验证、监督、软件、方法论、调查、资金获取、形式分析、数据整理、概念构思。Yihui Xiong：审阅与编辑、可视化。Ziye Wang：审阅与编辑、可视化。Ying Xu：审阅与编辑。

计算机代码可用性

本研究生成的计算机代码可根据合理请求从通讯作者处获取。

关于生成式人工智能及AI辅助技术在写作过程中的声明

在准备本作品的过程中，作者利用ChatGPT对部分手稿进行了校对和语法错误修正。使用该工具后，作者根据需要对内容进行了审阅和编辑，并对最终发表文章的内容承担全部责任。

Jian Wang | Yihui Xiong | Ziye Wang | Ying Xu