基于元启发式优化的机器学习框架，用于基于遥感的斑岩铜矿系统变化映射

《Scientific Reports》：Metaheuristic-optimized machine learning framework for remote sensing-based alteration mapping of porphyry copper systems

　　

摘要

基于遥感的热液蚀变映射是关键矿产勘探中的关键技术，尤其是在识别斑岩铜矿（PCDs）方面。然而，传统的多光谱方法往往受到线性假设、光谱混合和参数选择不当的限制，这限制了它们解析复杂蚀变组合的能力。本研究提出了一个基于元启发式优化的机器学习框架，该框架结合了提升树（Boosted Trees, BT）和二次支持向量机（Quadratic Support Vector Machines, QSVM），以及随机蛙跳算法（Shuffled Frog Leaping Algorithm, SFLA），以利用多光谱卫星图像提高蚀变区的识别精度。研究将ASTER短波红外波段与Sentinel-2的可见光、近红外和红边波段特征相结合，用于绘制黏土质、叶状、棱柱状以及铁氧化物/氢氧化物蚀变区的分布图。该框架应用于伊朗乌鲁米耶-多克塔尔岩浆带（Urumieh–Dokhtar Magmatic Belt）内的沙赫尔-埃-巴巴克（Shahr-e-Babak）地区，该地区是一个矿化程度较高的斑岩铜矿集中区。与基线模型相比，元启发式优化显著提升了分类性能，提升树（BT）的曲线下面积（AUC）值从0.89增加到0.94，二次支持向量机（QSVM）的AUC值从0.88增加到0.93。优化后的提升树模型始终优于二次支持向量机，这凸显了集成学习在光谱异质地质环境中的稳健性。通过野外测绘、岩石薄片分析和X射线衍射的独立验证，证明了预测结果与实际地质情况的高度一致性，预测与观测到的蚀变区之间的空间吻合度超过78%。这些结果表明，将元启发式优化与集成学习和基于核的学习方法相结合，能够从多光谱数据中可靠地提取复杂的非线性光谱-矿物学关系。除了这个案例研究之外，所提出的工作流程在计算效率、可扩展性和适用性方面都具有优势，为全球干旱和半干旱地区的斑岩铜矿高精度勘探提供了一种通用的决策支持工具。