《Applied Computing and Geosciences》：Geochemical anomaly delineation utilizing copula-based outlier detection method
编辑推荐：
本研究评估了基于Copula的异常检测方法（Copula-Based Outlier Detection, COPOD）在识别伊朗Toroud–Chah Shirin成矿带（TCSB）内地球化学异常方面的有效性。TCSB是一个重要的矿化带，包含浅成热液贵金属和
本研究评估了基于Copula的异常检测方法（Copula-Based Outlier Detection, COPOD）在识别伊朗Toroud–Chah Shirin成矿带（TCSB）内地球化学异常方面的有效性。TCSB是一个重要的矿化带，包含浅成热液贵金属和贱金属脉状矿床、矽卡岩、砂金矿以及沉积岩容矿的铅锌矿床。与基于邻近性或基于学习的模型不同，COPOD是一种完全确定性和无监督的统计方法，无需超参数调优或对数据分布作出假设，因此非常适合处理溪流沉积物数据集的偏态、非高斯特性。通过经验累积分布函数（ECDFs）对多元依赖性进行建模，COPOD捕捉了复杂的元素关系，如Ag–Pb和Bi–Au，这些关系与区域内沉积岩容矿和浅成热液金矿床相关。利用受试者工作特征（ROC）曲线的比较分析表明，COPOD优于传统的单元素成图方法和最先进的隔离森林（Isolation Forest, IF）方法。在10%污染阈值下，COPOD方法识别出32个已知矿化点中的23个，而IF方法识别了19个。此外，本研究使用维度异常图提供透明结果，突出显示了Co、Zn、Sb和Pb对异常评分的影响。Lasso回归和随机森林分析的结果进一步证实了这些元素的影响。与区域地质图的对比表明，大多数异常出现在古近纪火山岩单元和白垩纪沉积岩单元内，后者为铅锌矿化的赋矿层位。然而，由于地球化学分散作用，部分异常延伸至表层区域。总体而言，COPOD为多元地球化学异常圈定提供了一种稳健、高效且可解释的替代方案。
**论文解读：基于Copula的异常检测方法在多元地球化学异常圈定中的应用**
**研究背景与问题**
地球化学异常在矿产勘查中具有重要的指示意义，长期以来被用于辅助矿床发现。然而，传统的地球化学异常识别方法面临诸多挑战。首先，地球化学数据通常呈现非高斯、偏态和重尾分布，这削弱了依赖特定分布假设的方法的有效性。其次，多数现有异常检测方法，如k近邻、局部异常因子、一类支持向量机和隔离森林，在高维数据处理中性能下降，且通常需要调整超参数，导致结果具有主观性。此外，地球化学勘探数据中通常缺乏可靠的真实标签，使得监督学习和模型优化不切实际。许多方法还缺乏可解释性，仅输出异常分数而不指出单个变量的贡献，限制了地质解释和决策支持。因此，需要一种无需分布假设、无需标签、无需超参数调优且可解释的多元异常检测方法。
**研究目标与创新方法**
本研究应用基于Copula的异常检测方法（COPOD）来圈定伊朗Toroud–Chah Shirin成矿带（TCSB）内的地球化学异常。研究区域面积约1500 km2，共采集819个溪流沉积物样品，由Jianxi Chinese Company（JCC）于1993年系统采集，样品分析由AMDEL公司使用电感耦合等离子体质谱（ICP–MS）完成，测定18种微量元素（Ag、As、Au、Ba、Bi、Co、Cr、Cu、Hg、Mo、Ni、Pb、Sb、Sn、Sr、V、W、Zn）。COPOD方法基于经验累积分布函数（ECDFs）和Copula理论，完全确定性和无监督，无需模型训练或超参数调整，仅需设置污染率（本研究设为0.1）作为决策阈值。该方法通过分别拟合左尾和右尾经验累积分布函数，计算经验Copula观测值，并基于偏度校正计算尾部概率，最终取负对数概率的最大值作为异常分数。与传统的基于距离或学习的方法不同，COPOD避免了高维距离计算和训练过程，计算效率高，且能够提供维度异常图，展示每个元素对异常分数的贡献。
**主要技术方法**
研究人员采用以下主要技术方法：（1）数据预处理：对极端值进行处理，对于极值数量少的元素（如Au、Ba、Hg等）用95百分位替换，对于极值较多的元素（如Zn、Pb、Cu等）使用回归模型截断预测；（2）COPOD异常检测：利用PyOD库中的COPOD算法，计算经验Copula值，确定每个样品的异常分数；（3）对比分析：使用分位数分类法绘制单元素异常图（Au、Pb、Zn、Cu），并与COPOD结果比较；使用受试者工作特征（ROC）曲线评估性能；与隔离森林（IF）方法对比；（4）可解释性分析：使用维度异常图、Lasso回归和随机森林分析评估各元素对异常分数的相对贡献；（5）地质对比：将异常分布与区域地质图叠加，评估异常与地质单元的关系。
**研究结果**
**数据特征与极端值处理**：通过概率图和箱线图识别极端值，Ag、Au、Bi、Hg、Sb、Zn等元素呈现显著偏态，而Co、Cr、Ni、V分布相对对称。极端值替换后，数据分布稳定，为COPOD提供了可靠的输入。
**单元素异常图**：使用分位数分类法绘制了Au、Pb、Zn、Cu的单元素异常图。Cu异常图在北部识别出已知Pb–Cu和Au矿点，但未能圈定所有Cu矿化；Pb异常图突出显示了西部所有已知Pb–Cu和部分Pb–Zn矿点；Zn异常图因Zn的流动性较高，异常分散，但仍识别出若干Pb–Zn和Pb–Cu矿点；Au异常图在北部识别出主要异常，涵盖大多数已知Au矿点。
**COPOD异常检测**：计算经验Copula值，得到Spearman相关系数矩阵，发现Ag–Pb、Bi–Au、Cr–Co、Cu–Co、Ni–Cr、Ba–Sr、Bi–W、V–Co、Pb–Cu、Cu–Zn等显著相关关系，这些关联与特定矿床类型相关，如Bi–Au关联与Darestan浅成热液Cu±Au矿床中的微量矿物（如硫铋铜矿、脆硫铋铜矿等）有关，Ag–Pb关联与Khanjar碳酸盐岩容矿矿床中的Ag富集有关。
**性能比较**：通过分位数分类，COPOD异常图在最高异常等级（Q4）中识别出所有Au、Pb–Cu、Au–Pb和Pb–Zn矿点，而Cu矿化部分未被识别。与单元素图对比，COPOD图在Q4等级中识别出20个矿点（总32个），高于Pb（13个）、Zn（11个）、Au（14个）和Cu（20个）单元素图（Cu也识别20个，但遗漏了Pb–Zn相关异常）。ROC曲线分析显示，COPOD的AUC值（78%–87%）显著高于单元素图。
**可解释性分析**：维度异常图显示，对于得分最高的五个样本（ID 235、339、204、793、72），不同元素贡献不同。位于两个Pb–Zn矿点下游的样本（204、235、339）显示出Pb、Hg、Cu、Au的富集；样本72和793位于Au成矿有利区附近，显示出As和Bi的富集。Lasso回归和随机森林分析均表明，Co、Zn、Sb、Pb对异常分数影响最大，而V、Ni、Cu、Sr、Mo影响较小。Co尽管偏度较低，但由于与Cu和Zn的高相关性，对异常分数贡献显著。
**与IF方法对比**：采用10%污染阈值，COPOD识别出32个已知矿点中的23个，而IF方法识别了19个。在最高异常等级（Q4）中，COPOD优于IF，但两种方法均遗漏了部分矿化。
**地质对比**：异常类主要分布在非岩石区域，但总体上与古近纪Etr单元（角闪安山岩、玄武质角闪安山岩）、Et,v单元（海底熔岩和火山碎屑岩）以及白垩纪Kl,shu单元（页岩、灰岩和少量砂岩，赋存沉积型Pb–Zn矿床）重叠。
**异常与背景的几何均值关系**：散点图显示，异常类样本的异常分数与18种元素的几何均值之间存在显著正相关，而背景类样本中两者关系较弱，符合多元异常检测的典型特征。
**讨论与结论**
研究人员指出，COPOD方法存在一些局限性：依赖18种元素的多元分布可能将矿化相关元素与非矿化元素等同处理；Copula模型的选择可能影响结果；在某些区域，异常可能受岩性变化影响大于矿化影响；缺乏预筛选步骤可能导致噪声干扰。未来研究可考虑背景校正或种群分离以减少岩性汇水效应，或与其他方法集成以增强隐蔽矿化信号的检测。
**研究结论**：COPOD方法在圈定地球化学异常方面高效且准确，识别了研究区大多数已知矿点。单元素异常图提供了初步信息，而COPOD的维度异常图揭示了Co、Zn、Sb、Pb对异常分数的重要贡献。异常与背景样本在几何均值关系上呈现不同行为。COPOD异常图优于单元素图，在最高异常等级中识别出所有Au、Pb–Cu、Au–Pb和Pb–Zn矿点，且AUC值显著更高。Lasso回归和随机森林进一步确认了关键元素的影响。该研究发表于《Applied Computing and Geosciences》，为多元地球化学异常圈定提供了一种稳健、可解释且高效的替代方案。
