利用随机森林和卷积神经网络方法对贵州册孔锡矿区进行矿化潜力制图
《Journal of Asian Earth Sciences: X》:Mineral prospectivity mapping for Gejiu tin district using random forest and convolutional neural network methods
【字体:
大
中
小
】
时间:2026年04月28日
来源:Journal of Asian Earth Sciences: X 1.7
编辑推荐:
王国明|赵江南|万家文|隋宇|常丽恒|王波|赵毅|朱浩天
中国地质大学地球资源学院,武汉430074
摘要
世界最重要的初级锡生产区——赣州的吉州(Gejiu)地区,被选为我们开发一种高级矿产勘探目标系统的试验区域。该系统整合了多源地理空间数据和机器学习技术。在本文
王国明|赵江南|万家文|隋宇|常丽恒|王波|赵毅|朱浩天
中国地质大学地球资源学院,武汉430074
摘要
世界最重要的初级锡生产区——赣州的吉州(Gejiu)地区,被选为我们开发一种高级矿产勘探目标系统的试验区域。该系统整合了多源地理空间数据和机器学习技术。在本文中,我们利用ASTER和Sentinel-2A卫星图像、河流地球化学数据集以及随机森林(RF)和卷积神经网络(CNN)建模方法,构建了吉州地区的锡多金属矿床勘探目标模型。工作流程包括:(1)生成具有优化光谱-空间分辨率的融合遥感数据集;(2)提取热液蚀变特征(氧化铁、Al-OH、Mg-OH)和结构元素;(3)对地球化学异常进行光谱-面积分形分析;(4)通过集成机器学习方法整合这些预测层。RF预测模型(AUC = 0.83)通过其对分类地理空间数据的稳健处理,有效勾画出了锡多金属矿床的潜在区域;SHAP(Shapley Additive Explanations)分析表明,铁质蚀变强度和Sn-W-Bi多元素地球化学异常是最具统计意义的预测因子。CNN模型(AUC = 0.96)在探索复杂的空间矿化模式方面表现出色,尤其是在识别控制矿体的复杂因素与矿物分布之间的非线性关系方面。本研究证实了吉州地区的锡多金属矿化潜力,并建立了一个可复制的、数据驱动的勘探框架,用于识别未来矿产勘探的战略目标。
1. 引言
矿产潜力绘制(MPM)是一种系统化的多标准决策过程,它结合了多样化地理空间数据集的生成、加权与整合,以划定未发现矿床的高潜力区域(Carranza, 2009, Carranza, 2011, Zuo and Carranza, 2011, Ford et al., 2016, Yousefi and Nyk?nen, 2017, Zhao et al., 2019)。MPM主要分为数据驱动型和知识驱动型两种方法(Bonham-Carter, 1994)。数据驱动方法非常适合在勘探程度较高的地区发现新的矿床目标,利用该区域内已知的矿床作为训练点,建立不同证据特征与训练点之间的空间关系(Zhao et al., 2019)。在这种建模中,可以使用多种数学方法来量化这种空间关联。近年来,机器学习算法(如人工神经网络(ANN)(Zhao et al., 2016)、随机森林(RF)(Carranza and Laborte, 2015)、支持向量机(SVM)(Zuo and Carranza, 2011)和深度学习(Li et al., 2020, Zuo and Xu, 2023)为MPM提供了高效且自动化的手段。机器学习算法被广泛使用,因为它们不要求输入特征之间的条件独立性,并能有效地模拟已知矿床与空间地质特征之间的复杂非线性关系(Zuo and Carranza, 2023)。作为机器学习的一个分支,深度学习通过利用多层神经网络自动学习空间数据的层次表示,进一步推动了MPM的发展。与传统浅层模型不同,卷积神经网络(CNN)和自动编码器等深度学习架构在捕捉来自多样化地质数据集的复杂非线性模式和空间依赖性方面表现出色(Zuo and Carranza, 2023, Zuo and Xu, 2023, Yang et al., 2024)。
MPM的一个基本问题是确定合适的勘探标准,以创建能够捕捉关键矿系过程空间特征的证据层(McCuaig et al., 2010)。在这些层中,地质遥感信息和地球化学异常是关键组成部分。地球化学勘探的重点是探索超过正常水平的化学成分,这些成分被称为地球化学异常(Carranza, 2009)。由于造矿元素的采样介质多样且可以迁移相当大的距离,地球化学勘探方法在定位经济矿床方面非常有效。遥感技术在矿产勘探中发挥着双重作用:(1)检测和绘制热液蚀变岩石;(2)绘制岩性和结构(Rowan et al., 2006)。最近,遥感数据的空间和光谱分辨率的提高显著增强了其在详细矿产勘探和勘探中的适用性。光谱分辨率反映了传感器区分不同波长带的能力,而空间分辨率则反映了传感器区分相邻物体的能力(Du et al., 2013)。具有良好光谱和空间质量的图像对于地质特征增强、蚀变矿物绘图和岩性分类等应用至关重要(Habashi et al., 2024)。图像融合是将高空间/低光谱图像与低空间/高光谱图像结合起来,生成具有高空间和光谱质量的融合图像。最常见的方法是像素级融合,包括比值变换、IHS变换、高通滤波(HPF)、Gram-Schmidt(G-S)变换、主成分变换、最优变量替代、卡尔曼滤波和小波变换等技术(Zhang and Hong, 2005, Licciardi, G.A.; Khan, M.M.; Chanussot, J.; Fusion of hyperspectral and panchromatic images: A hybrid use of Indusion and nonlinear PCA. In Proceedings of the, 2012, Dalla Mura et al., 2015, Ghadjati et al., 2019, Ninomiya and Fu, 2019)。
本研究选取了赣州矿区的案例进行探讨。随机森林(RF)和卷积神经网络(CNN)作为MPM中两种不同方法论范式的代表性模型。RF作为一种高度可解释的集成学习方法,因其对小样本量的鲁棒性、处理高维数据的能力以及捕捉控制矿体因素之间的非线性相互作用的能力而在地质科学中得到广泛应用(Carranza and Laborte, 2015)。相比之下,CNN代表了专门设计用于利用空间上下文和层次特征学习的先进深度学习架构。研究目标包括:(i)通过G-S变换和HPF融合技术,结合多光谱ASTER数据和高分辨率Sentinel-2数据,获得高质量的融合图像;(ii)基于融合图像识别可能指示矿化的蚀变带;(iii)应用RF和CNN算法,通过整合地理空间证据层来划定矿化潜力区域;(iv)评估勘探模型的性能。
2. 地质背景和数据集
2.1. 区域地质
赣州锡铜多金属矿区位于华南地块的西南边缘,处于印度板块和欧亚板块相互作用形成的复杂构造带内(Zhao et al., 2011, Zheng et al., 2023)。该地区是世界级的锡和铜矿床聚集区,此外还含有丰富的有色金属和稀有矿产,如铅、锌、钨、银等(Zhuang et al., 1996, Zhao et al., 2015)。南北走向的吉州断层将西部和东部地区分隔开来(图1)。
2.2. 矿床地质
该地区发现了众多矿床。根据当前的矿产勘探结果,作为主要的锡-铜生产区,东部吉州地区包含五个大型矿床:马拉格(Malage)、松树桥(Songshujiao)、高松(Gaosong)、老仓(Laochang)和卡坊(Kafang)。还发现了一些具有经济价值的矿床,例如西部地区的斗岩(Douyan)锡矿床。根据其形成和分布方式,该地区的矿化可分为几类(图2):(1)由含锡岩石表面风化和侵蚀形成的冲积锡矿床(例如锡石-石英脉);(2)炭酸盐岩中的层状铜-锡矿床;(3)位于花岗岩与碳酸盐岩交界处的接触交代型铜-锡矿床;(4)作为斑岩中分散和交代产出的层状铜矿;(5)热液脉型矿床;(6)存在于内部花岗岩蚀变带中的铜-锡矿床。
2.3. 数据集
本研究使用了ASTER和Sentinel-2A卫星图像。共使用了2002年3月27日获取的4个ASTER Level-1B场景,聚焦可见光到短波红外波段(VNIR + SWIR,波段1–9),空间分辨率为15米和30米(Ge et al., 2018)。2023年1月26日在研究区域获取的Sentinel-2A Level-2A图像,可见光和近红外波段的空间分辨率为10米,短波红外波段的空间分辨率为20米。所有图像均经过预处理,包括大气校正、镶嵌和裁剪至研究区域,预处理后的两个数据集的假彩色合成图像如图3所示。
图1. 赣州地区的简化地质图(根据Mao et al., 2008修改)。
暴露出的沉积序列由三公里的二叠纪至三叠纪碎屑岩和碳酸盐岩组成,其间夹杂着基性火山岩。地层包括:下三叠统 Feixianguan 组(T1f)(约173至389米厚),由砂岩和页岩构成;下三叠统 Yongningzhen 组(T1y)(408至457米厚),由砂岩和泥岩组成;中三叠统 Gejiu 组(T2g),以碳酸盐岩为主,其间夹杂基性火山岩,厚度范围为400至1400米;中三叠统 Falang 组(T2f),由页岩和石灰岩组成,以及夹杂的基性火山岩,厚度约为1800至2800米。主要出露的地层是Gejiu组和Falang组的碳酸盐岩,以及夹层的三叠纪基性火山岩,这些岩层是主要的矿化承载层(Zhao et al., 2015, Jia et al., 2021)。吉州复岩体包括辉长岩、碱性长石花岗岩、碱性花岗岩、霓石正长岩和黑云母花岗岩,它们侵入到了中三叠统地层中。东部主要由等粒黑云母花岗岩组成,具有斑状和等粒两种不同的纹理相。除了在马拉格北部 Baishachong 小区域出露的花岗岩外,其余花岗岩均埋藏在地下约200–1800米处。断层和裂隙主要呈北北东-东北方向分布。在西部吉州地区分布着一组北北东走向的断层。以西北-东南、东北-西南和东西走向为主的断层和裂隙系统控制了流体的迁移,并提供了矿物沉积的主要位置(Zhao et al., 2011, Cheng et al., 2013)。
2.4. 矿床地质特征
该地区发现了众多矿床。根据当前的矿产勘探结果,作为主要的锡-铜生产区,东部吉州地区含有五个大型矿床:马拉格、松树桥、高松、老仓和卡坊。一些具有经济价值的矿床已被发现,例如西部地区的斗岩锡矿床。该地区的矿化类型可根据其形成和分布特征分为几类(图2):(1)由含锡岩石的风化和侵蚀形成的砂矿型锡矿床;(2)碳酸盐岩中的层状铜-锡矿床;(3)位于花岗岩与碳酸盐岩交界处的接触交代型铜-锡矿床;(4)作为分散和交代产出的层状铜矿;(5)热液脉状矿石;(6)内部花岗岩蚀变带中的铜-锡矿床。
2.5. 遥感数据
本研究使用了ASTER和Sentinel-2A卫星图像。采用了2002年3月27日获取的四个ASTER Level-1B场景,主要关注可见光到短波红外波段(VNIR + SWIR,波段1–9),空间分辨率分别为15米和30米(Ge et al., 2018)。2023年1月26日在研究区域获取的Sentinel-2A Level-2A图像,可见光和近红外波段的空间分辨率为10米,短波红外波段的空间分辨率为20米。所有图像均经过预处理,包括大气校正、镶嵌和裁剪至研究区域,预处理后的两个数据集的假彩色合成图像如图3所示。
图3. 研究区域的遥感图像:
(a)ASTER图像的RGB432假彩色合成图,图像色彩丰富,植被(绿色)、水体(蓝黑色)和岩石特征区分明显;
(b)Sentinel-2A遥感图像的RGB321假彩色合成图。(关于图例中颜色的解释,请参阅本文的网页版本。)
通过对河流沉积物样本的分析,可以生成显示元素分布的地球化学地图,有助于识别潜在的矿床。本研究使用了1:200,000比例尺的河流沉积物调查数据。采样点在吉州地区均匀分布,东西方向和南北方向的间距均为2公里。样品制备、样品分析和质量控制遵循中国地质调查规范DZ/T 0011–91。准确度是通过测定值与推荐值之间的对数差异来评估的(Xie等人,1997年)。基于这些元素与葛洲多金属矿化作用的已知关联,以及初步单变量分析显示在已知矿床附近存在显著异常(Zhao等人,2015年),选择了15种元素(Sn、W、Cu、Pb、Zn、Ag、Bi、Co、Ni、As、Sb、Mo、Mn、Fe、F)。3. 方法本研究旨在通过整合多种地理空间数据(包括遥感、地球化学、地质和现场调查数据)来绘制葛洲地区的矿产潜力图。该方法包括三个关键步骤。首先,将ASTER和Sentinel-2A数据融合,以生成用于提取热液蚀变和线性结构信息的最佳数据集。其次,处理河床沉积物地球化学数据以检测地球化学异常。最后,使用RF和CNN模型整合这些多源证据层(包括遥感、地球化学和地质数据),以生成矿产潜力图。研究方法的详细工作流程如图4所示。下载:下载高分辨率图像(326KB)下载:下载全尺寸图像图4. 本研究中实施的方法流程图。3.1. 图像融合技术本研究使用了Gram-Schmidt(GS)和高通滤波器(HPF)技术。GS是一种经典的像素级融合方法,它通过对多维图像或矩阵进行正交变换来消除冗余信息,并减轻信息过度集中的问题(Egozcue等人,2003年)。它通过将多光谱波段相对于高分辨率全色波段进行正交变换,有效地将空间细节注入MS数据中。HPF融合是一种空间滤波技术,用于结合光谱和空间信息。将一个小的高通滤波器应用于高空间分辨率图像,以生成与空间特征相关的高频数据。然后将这些高频数据逐像素添加到低分辨率光谱波段中。这种方法有效地将空间细节注入光谱信息中,在保持光谱完整性的同时提高了分辨率(Laben和Brower,2000年)。3.2. S-A方法Spectrum-Area(S-A)方法是一种强大的分形模型,用于分解空间数据中的复杂混合模式(Cheng,1999年)。它最常应用于地球化学和地球物理数据,以分离异常、背景和噪声。分形模式的一个关键特征是功率谱密度(S)与频率域上的面积(A)之间的幂律关系,该关系包含超过某个S阈值的值。当在双对数图上绘制时,这种关系通常形成直线。这些断裂表明数据的分形属性发生了变化,意味着不同的模式在不同的频率范围内占主导地位。3.3. 随机森林算法(RF)RF是一种基于决策树的集成分类器,常用于分类、回归和特征选择问题(Rodriguez-Galiano等人,2015年)。RF算法通过使用自举重采样从原始数据集中抽取训练样本来工作。对于每个训练样本,构建一个决策树,并通过结合各个决策树的输出来确定最终的分类结果。RF背后的关键概念是Bagging(自助聚合),它将多个决策树集成到一个组合分类器中。在构建随机森林的过程中,每次重采样会排除大约三分之一的数据作为袋外样本以估计分类错误,而剩余的三分之二用于训练决策树。当样本被随机森林分类时,最终结果由各个决策树的集体输出确定(Sun等人,2020年)。对于矿物预测,RF算法根据以下步骤计算输入样本的最终结果:Pj=1kΣj=1kyji其中Pj表示随机森林(RF)预测输入样本属于类别j的概率,j表示样本中可能的分类类型(分为含有矿物和不含矿物两种类型)。yji表示第i个决策树预测输入样本属于类别j的分类结果。3.4. 卷积神经网络(CNNs)CNNs利用三种关键机制:局部感受野、权重共享和分层池化,使其在计算机视觉任务中异常高效。其架构主要由卷积层、池化层和全连接层组成。卷积层表现出局部连接性和权重共享。一个可学习的权重矩阵(卷积核)从输入图像中提取层次特征,实现边缘检测和纹理提取等效果。卷积过程对每个空间位置的像素特征应用线性变换,生成新的特征图。池化层(也称为子采样层)包括最大池化和平均池化。它们在保持平移不变性的同时聚合空间特征。通过将窗口滑动到特征图上,池化减少了维度、计算负担和过拟合风险。全连接层结合了从卷积层提取的高级特征。全连接层中的每个神经元都与前一层的所有神经元相连,从而实现全局特征整合。最后一层通常使用sigmoid或线性激活函数来生成潜力图。4. 结果4.1. 遥感为了利用ASTER和Sentinel-2A数据的互补光谱和空间分辨率,本研究生成了融合数据集,用于提取蚀变异常和线性结构(Lou和Liu,2023年;Liang等人,2019年;Chen等人,2022a年)。使用Gram–Schmidt(GS)和高通滤波器(HPF)方法将Sentinel-2A图像(重采样至10米)与ASTER的VNIR(15米)和SWIR(30米)波段融合。融合之前,应用了光谱协调技术以确保两个数据集之间的一致性(Wang等人,2020年)。视觉比较(图5)显示GS融合增强了空间细节,但引入了颜色饱和度和光谱扭曲。相比之下,HPF融合更有效地保持了光谱保真度,通过光谱曲线分析得到了证实(图6)。为了定量评估融合性能,我们计算了两个指标:相关系数和信息熵。相关系数衡量融合图像与原始多光谱图像之间的光谱相似性,反映了该方法保持光谱特征的能力。信息熵表示信息的丰富度,较高的熵值表示融合图像中的细节和信息内容更多。定量结果显示,HPF融合图像与原始多光谱波段的平均相关系数(0.91)高于GS融合图像(0.86),表明其具有更好的光谱保留能力。此外,HPF结果的平均熵值(17.42)高于GS结果(16.48),证明了其保留空间细节和信息丰富度的增强能力。因此,HPF融合方法在图像融合方面表现出比G-S方法更好的性能。最后,基于HPF融合,将高分辨率ASTER多光谱图像的B4-B9波段与光谱协调的Sentinel-2A图像的B1-B10波段结合,创建了最终的高空间分辨率和高光谱保真度的ASTER-Sentinel-2A融合数据集(图7)。在后续从遥感数据中提取蚀变信息的应用中,这些融合波段被称为S1~S10和A4~A9。下载:下载高分辨率图像(972KB)下载:下载全尺寸图像图5. ASTER融合结果的比较:(a)原始图像的RGB 432合成图;(b)基于GS变换的融合图像的RGB 432合成图;(c)基于HPF的融合图像的RGB 432合成图;(d)原始图像第8波段的放大区域;(e)基于GS变换的融合图像第8波段的放大区域;(f)基于HPF的融合图像第8波段的放大区域。下载:下载高分辨率图像(280KB)下载:下载全尺寸图像图6. 融合结果中图像像素的光谱曲线比较:(a)高岭石;(b)绿泥石。下载:下载高分辨率图像(239KB)下载:下载全尺寸图像图7. ASTER+Sentinel-2A融合数据的每个波段分布图。通过基于HPF方法的ASTER和Sentinel-2A融合,对遥感数据进行了结构解释。在遥感图像上,线性结构以不同的色调、形态和地貌表示。研究区域中的线性解释标记如图8所示,例如不同的纹理特征、被切割或分割的地质体、直线线性沟壑、陡峭的断层峡谷、呈瀑布状分布的湖泊以及具有不同颜色阴影的岩性单元图。共解释了298条线性结构,并可分类为NW、NE、NNE和NW趋势(图9)。如玫瑰图所示,NW-SE方向的线性构造是研究区域的主要趋势。线性结构在东部分布密集,在西部较少,东部地区是主要的矿化带和活跃的结构发育区。在东部地区的上部,NNW和NW方向的构造占主导地位,而在中部地区,小规模的E-W和NE方向的线性构造相互交叉,形成一个三角形区域。在东南部,E-W方向的线性构造大致平行,尽管后来的构造事件破坏了它们,但它们的原始方向仍然明显。周围的中小规模线性结构形成网格状、菱形或梯形图案。在葛洲断层以西,大多数线性结构呈NE方向。此外,在西北部的盘山地区,有一组帚状NNE方向的线性构造。次级线性结构相对于主要线性结构以十字形模式发育,这被认为是较为有利的结构配置之一。下载:下载高分辨率图像(492KB)下载:下载全尺寸图像图8. 研究区域的线性结构遥感解释标记。下载:下载高分辨率图像(228KB)下载:下载全尺寸图像图9. 研究区域的线性构造密度图。研究区域的主要蚀变类型——包括绿泥石化、绢云母化、钾化、电气石化、萤石化、黄铁矿化和碳酸化——在可见光到短波红外(SWIR)范围(0.35–2.50微米)内表现出明显的光谱特征,这是由于铁阳离子和含羟基矿物的存在(图10)。含铁矿物(如针铁矿、赤铁矿、褐铁矿和赤铁矿)在0.5微米和0.9微米附近显示特征吸收带,并在0.7–0.8微米之间有一个明显的反射峰。含羟基矿物在1.4微米、2.2微米(Al-OH矿物如云母、高岭石、蒙脱石、伊利石)和2.3微米(Mg-OH矿物如方解石、绿泥石和蛇纹石)附近显示出诊断性吸收(Laben等人,2000年;Rowan等人,2005年;Ghassemian,2016年)。使用HPF融合数据集,应用主成分分析(PCA)来提取铁氧化物、Al-OH和Mg-OH的蚀变类型(Chen等人,2022a年;Chen等人,2022b年;Crosta等人,1998年;Loughlin,1991年;Kruse等人,1993年)。特征向量分析确定了对每种蚀变类型敏感的主成分(表1)。从PC2(波段S2、S5、S9、A4)中提取了铁氧化物异常;从逆PC4(波段S1、S8、A6、A7)中提取了Al-OH异常;从PC4(波段S1、A5、A8、A9)中提取了Mg-OH异常。随后获得研究区域的蚀变区地图,并将其与已知矿床叠加(图11)。结果表明,提取的铁氧化物异常主要分布在已知矿床如老昌、卡芳、普雄和白贤。然而,在红河附近由于水体的影响,检测到了大量的虚假异常。提取的Al-OH蚀变信息主要出现在葛洲的西部,靠近白贤和大型西部侵入体。Mg-OH蚀变异常集中在东部的老昌地区、白贤、斗堰以及靠近东部的丹屯海。实地调查和与已知地质数据的比较分析表明,遥感解释的蚀变异常与实际情况基本一致。在老昌、卡芳和斗堰的矿区,更好的蚀变异常出现在暴露良好的蚀变区或断裂带的内缘(图12),表明解释结果非常可靠。蚀变信息提取结果与已知矿床的高度一致性,从而证明了基于遥感的蚀变信息提取的准确性。下载:下载高分辨率图像(398KB)下载:下载全尺寸图像图10. 变质矿物的光谱曲线。表1. ASTER+Sentinel-2A融合数据的主成分分析的特征向量矩阵。波段PC1PC2PC3PC4(a)铁氧化物S2?0.2512?0.3090?0.6429?0.6543S50.58680.7038?0.2465?0.3155S9?0.05290.0976?0.72170.6833A4?0.76800.63210.0716?0.0741(b)叶状S10.25450.68220.51000.4579S80.9584?0.2471?0.1424?0.0060A6?0.0935?0.68800.54470.4703A70.0886?0.01280.6503?0.7544(c)绿泥石化S1?0.3200?0.6344?0.4983?0.4969A5?0.94190.14760.16540.2523A8?0.10120.6743?0.0669?0.7285A90.01220.3481?0.84850.3985下载:下载高分辨率图像(347KB)下载:下载全尺寸图像图11. 研究区域的热液蚀变图:(a)铁氧化物;(b)叶状;(c)绿泥石化。下载:下载高分辨率图像(746KB)下载:下载全尺寸图像图12. 遥感蚀变异常的现场验证照片:(a)位于老昌目标矿床的绢云母化;(b)卡芳外围区域的绿泥石化;(c)斗堰断层带中的表面铁蚀变;(d)贾沙外围区域的黄铁矿化。4.2.**地球化学异常**
在本研究中,应用了等量对数比值(ilr)变换对15种“开放型”原始地球化学数据进行处理,以消除闭合效应,随后进行了鲁棒主成分分析(PCA)(Aitchison, 1982; Egozcue et al., 2003)。鲁棒PCA的概念涉及构建一个鲁棒的协方差或相关矩阵,以抑制异常值对PCA结果的影响(Filzmoser and Hron, 2008)。图13展示了ilr变换和鲁棒PCA后PC1和PC2的 biplot,其中PC2显示了一组元素——Ag、Bi、Co、Cu、Ni、Pb、Sn、W和Zn——与锡多金属矿化紧密相关。PC2的得分与已知矿床在空间上高度吻合(图14)。由于东部的地球化学背景较高,抑制了相对较弱的异常现象,因此研究区域西部的异常程度较低。为了解决这个问题,采用了S-A分形方法从鲁棒PCA提取的第二主成分中分解背景和异常。使用S-A非线性模型分析了鲁棒PCA提取的第二主成分的异常图,得到了图16所示的谱密度(S)与累积面积A≥(S)的关系图。在该图中,谱密度(S)和累积面积A≥(S)的散点通过最小二乘法拟合成了三条直线段(图15)。第二条线段和第三条线段之间的边界作为区分异常和背景的阈值。过滤掉背景后,得到了剩余的异常(图16)。东部地区的异常显著减少,而在西部中心区域观察到了新的异常,这表明去除背景后的异常是合理的。
**4.3. 机器学习下的矿产 prospects 模型构建**
在本研究中,我们应用了两种机器学习算法——随机森林(RF)和卷积神经网络(CNN),整合了多源地质科学数据,用于Gejiu地区的矿产 prospects 绘制。输入的证据层包括:(1)中三叠统的Gejiu组和Falang组;(2)靠近NE走向的断裂;(3)由遥感得到的铁染色蚀变、Al-OH蚀变和Mg-OH蚀变;(4)通过鲁棒PCA和S-A分形方法分离出的多元素地球化学异常(Ag、Bi、Co、Cu、Ni、Pb、Sn、W、Zn)(表2)。表2列出了每个选定证据的AUC值,所有AUC值均大于0.5,表明该分析模型可用作Gejiu地区锡铜多金属矿床的勘探模型。最重要的标准是地球化学元素组合的异常性,其次是铁氧化物和地层岩性的勘探标准。
**4.3.1. RF模型构建**
使用45个已知矿化地点作为正样,建立了平衡的训练集。为了减少采样偏差并避免模型性能过拟合,通过随机选择过程生成了负样,遵循三个关键原则:(1)这些负样位于所有已知矿化地点至少2.5公里以外的距离;(2)具有较低的地球化学背景;(3)其分布具有空间随机性(Carranza and Laborte, 2015推荐)(图17)。
**4.3.2. CNN模型构建**
鉴于已知矿床数量有限,具有大量参数的CNN模型容易过拟合。为了解决样本不平衡问题,专门将合成少数类过采样技术(SMOTE)应用于矿化区域的训练数据。通过SMOTE进行样本增强,可以扩大数据集规模,从而降低过拟合风险,并使模型能够学习数据中的潜在模式,以提高预测准确性。相比之下,RF作为由多个决策树组成的集成学习模型,在样本量较少时仍表现出较强的鲁棒性,即使没有样本增强也能保持相对稳定的预测性能。为了构建输入数据,首先将所有证据层栅格化并重采样到统一的细胞大小和空间范围内。从六个证据栅格层中提取以样本位置为中心的9×9像素块,形成CNN模型的9×9×6输入张量。每个块的中心像素对应于样本点,并作为预测目标。输入通道的数量对应于使用的证据层数量。在训练之前,使用z分数标准化对每个通道进行归一化,以确保值范围的一致性并提高模型收敛性。CNN的架构设计受到性能指标、损失函数和超参数配置等多种因素的影响(Hsieh et al., 2020)。本研究具体探讨了关键超参数(包括核大小、滤波器数量、学习率和丢弃率)对CNN分类准确性的影响。CNN架构由三个具有3×3核的卷积层和ReLU激活函数组成,每个卷积层后跟随2×2的平均池化层进行降维。为了防止过拟合,在卷积层开始时应用了批量归一化,并在全连接层中加入了丢弃层。采用自适应矩估计算法作为优化器,实验过程中逐步调整学习率和批量大小,以确保模型收敛和训练效率。模型经过200个周期的训练和验证后逐渐稳定,最终实现了97.5%的准确率(图19)。图20展示了基于CNN模型的预测结果。
**5. 讨论**
**5.1. RF和CNN模型的比较性能**
我们使用了接收者操作特征(ROC)曲线及其对应的曲线下面积(AUC)指标来进一步评估模型的性能(Locantore et al., 1999)。如图21所示,本研究中的RF和CNN模型的AUC值分别为0.83和0.96,显示出CNN模型相比RF具有显著更好的预测性能。这些较高的AUC值不仅验证了两种模型预测的可靠性,还表明CNN架构因其捕获复杂空间模式的能力而特别适合这种分类任务。两种模型之间的显著差异(ΔAUC = 0.13)进一步突出了CNN在这项应用中的卓越区分能力。
**5.2. 机器学习模型的地质可解释性**
本研究的主要目标是确保我们的数据驱动模型不仅仅是黑盒工具,而是能够产生具有地质意义的结果。确定的控制矿石的关键标准——中三叠统的Gejiu组和Falang组、NE走向的断裂、侵入体、特定的蚀变矿物以及多元素地球化学异常——都与Gejiu地区已建立的锡多金属矿化的成因模型一致。所有选定证据层的AUC值均大于0.5(表2),验证了它们的独立预测能力。为了考虑建模过程的可解释性和透明度,使用SHAP算法基于全局解释探索每个矿物发现因素的重要性(Louhichi et al., 2023)。图22展示了每个特征的SHAP值汇总情况:X轴表示各个特征的SHAP值大小,纵轴表示输入特征,点的颜色从蓝色到红色代表特征值从小到大排列,重叠区域表示沿纵轴的SHAP值分布密度,特征会按重要性从高到低排序。铁染蚀変、地层岩性和地球化学异常对矿物勘探潜力的影响较大。这一结果也与表2中每个选定证据的AUC值相对一致。这些都是经典的勘探标准,它们指向了热液流路径(构造和蚀變)、有利的围岩(岩性)以及金属来源(地球化学异常)。这种一致性表明,RF模型已经学习了与潜在矿化过程相符合的模式,增强了其预测的可靠性,并弥合了复杂算法与实际勘探之间的差距。靠近花岗岩侵入体是葛钢结构锡矿化的一个基本控制因素。然而,由于研究区域东部的侵入体大部分被埋藏,因此无法通过地表测绘轻易获得其详细的空间位置(如边界)。因此,我们无法利用现有数据集构建表示这些侵入体距离的预测层。未来的工作可以尝试结合地球物理数据(如重力或磁力反演)来更好地勾勒这些隐蔽的侵入体位置,然后将其纳入机器学习模型中,以更准确地确定它们与矿化作用的关系。
**下载:**下载高分辨率图片(143KB)
**下载:**下载全尺寸图片
**图22. 全局SHAP值图**
5.3. 地质意义与勘探目标
大多数矿化事件都集中在具有高矿化潜力的区域,这些区域通常与特定的地质条件相关。如勘探潜力图(图18、图19、图20)所示,在研究区域的东部,大多数勘探区以 Songshujiao、Lutangba、Laochang 和 Kafang 等大规模锡多金属矿床为特征,同时伴有明显的地球化学异常和隐蔽的花岗岩体。这些异常区被认为是有前景的勘探目标。相比之下,虽然葛钢结构西部也展现出类似的地质特征,但被认定为扩展锡多金属资源的关键区域。已经划定了一些高异常目标区,包括 Douyan、Baohe、Jiashilong、Jiasha 和 Zhupo。与RF模型相比,CNN模型对这些目标的绘制具有更高的空间连贯性和更清晰的边界。这些区域常常围绕花岗岩体呈圆形分布,反映了东部矿化密集区的空间分布特征。
CNN模型预测的高勘探潜力区的空间分布为勘探策略提供了重要指导。葛钢结构东部已知有大规模矿床的区域集中说明了该模型的预测能力。这些区域、地球化学异常和隐蔽花岗岩体之间的强空间相关性进一步强调了花岗岩侵入体作为金属和矿化流体来源的关键作用。更重要的是,西部目标区的识别为后续勘探提供了具体的、基于数据的优先级。这些目标围绕花岗岩体的圆形排列模式特别引人注目,暗示可能在更深处存在类似的花岗岩突起,它们可能驱动了热液循环和矿化作用。这些区域应优先进行详细的地质测绘、地球化学采样和地球物理调查,以评估其藏匿锡多金属矿床的潜力。通过整合深度学习技术,本研究不仅生成了一个稳健的预测模型,还为整个葛钢结构区域制定了一套勘探策略。
6. 结论
本研究整合了多源遥感数据,系统地提取了葛钢结构地区的热液蚀變信息和线性构造地质信息。随后利用RF和CNN模型生成了该地区的矿物潜力图,并结合了热液蚀變信息、地球化学异常和线性构造特征的预测图。可以得出以下结论:
- 通过融合多源遥感数据(ASTER和Sentinel-2A数据集),发现HPF融合技术在图像融合方面表现出更高的光谱特征相似性和准确性,这一点通过光谱曲线分析和定量指标得到了证实。
- 主成分分析用于揭示和分析与锡多金属矿化相关的元素关联。
- S-A模型被用来区分异常区和背景,生成地球化学异常图层。
- 通过整合RF和CNN模型,我们将地质遥感数据与地球化学异常及其他矿化控制因素结合起来,界定了葛钢结构地区的多金属勘探区域。虽然RF模型(AUC=0.83)能够有效识别高潜力区域的锡多金属矿床,但CNN模型(AUC=0.96)的卓越性能显著提升了预测精度,尤其是在识别复杂的空间矿化模式方面。
- 矿物勘探潜力图不仅证实了研究区域存在大量的锡多金属潜力,还表明基于CNN的方法能够揭示更微妙的矿化特征,为未来的勘探提供了新的思路。
- 为确保模型不仅稳健而且可解释,未来的工作可以引入地质指导的验证方法,以评估模型的归纳偏差是否与潜在的矿化过程一致。
**作者贡献声明**
- 王明明:撰写——初稿、调查
- 赵江南:撰写——审核与编辑、资金获取、概念构思
- 万家文:撰写——审核与编辑、正式分析、数据管理
- 韦宇:软件开发
- 张立恒:指导
- 王波:验证
- 赵毅:数据可视化、软件实现
- 朱浩天:数据管理