基于卷积神经网络(CNN)与Transformer(Transformer)的西澳伊尔冈克拉通(Yilgarn Craton)砂岩绿岩带金矿勘查矿物远景成图(Mineral Prospectivity Mapping, MPM)

《Minerals》：CNN and Transformer-Based Mineral Prospectivity Mapping for Gold Exploration in the Sandstone Greenstone Belt, Yilgarn Craton, Western Australia

　　

伊尔冈克拉通(Yilgarn Craton)产有全球多个最大的造山型金矿(Orogenic Gold Deposit)，但随着近地表资源趋于枯竭，金矿发现率急剧下降。探测更深部的覆盖区(Covered Terrain)亟需超越传统矿物远景成图(Mineral Prospectivity Mapping, MPM)局限的新型预测工具。研究人员整合卷积神经网络(Convolutional Neural Network, CNN)与视觉变换器(Vision Transformer, ViT)，构建数据驱动的MPM框架，以伊尔冈克拉通16幅图幅内6028处金矿点进行训练。CNN通过捕捉局部构造特征获得79.3%的分类准确率；ViT达74.0%，且能识别出CNN遗漏的数据稀疏区远景带。研究人员在未参与训练的砂岩绿岩带(Sandstone Greenstone Belt)进行实证检验以验证模型泛化能力。结果表明大多数已知金矿床位于模型定义的高成矿潜力区内。同时，基于模型预测在该区新圈定三处远景靶区：北西向超镁铁质单元、玄武岩—沉积岩过渡带及沿Edale剪切带的北西—南东向斜长角闪岩单元。这些靶区难以通过常规勘查技术识别，值得进一步野外验证。结果显示CNN–Transformer集成可为覆盖区造山型金矿勘探提供稳健且互补的框架。

论文解读：基于CNN与Transformer的西澳伊尔冈克拉通砂岩绿岩带金矿远景成图研究

该研究发表于《Minerals》。造山型金矿(Orogenic Gold Deposit)占全球金储量30%以上，西澳伊尔冈克拉通(Yilgarn Craton)是其核心产区，但随浅部资源枯竭，发现率降至历史低点，急需能探测隐伏/覆盖区(Covered Terrain)矿床的新方法。传统知识驱动矿物远景成图(Mineral Prospectivity Mapping, MPM)（如模糊逻辑、证据权重法Weights of Evidence, WoE）受限于专家经验主观性及难以刻画非线性地质关系；经典数据驱动方法（逻辑回归Logistic Regression、随机森林Random Forest, RF、支持向量机Support Vector Machine, SVM）亦难充分表征控矿要素的空间结构与全局依赖。卷积神经网络(Convolutional Neural Network, CNN)擅长提取局部空间特征（如断裂、岩性接触带），视觉变换器(Vision Transformer, ViT)通过自注意力机制(Self-Attention Mechanism)捕获全局上下文依赖，二者在MPM中联合应用尚属少见。为此，研究人员以伊尔冈克拉通为训练区，利用多源勘查数据分别训练CNN与ViT模型，并将训练好的模型迁移应用于勘探程度低的砂岩绿岩带(Sandstone Greenstone Belt)进行金矿远景预测与靶区优选，验证了CNN–Transformer互补框架在隐伏区勘探中的有效性。

主要关键技术方法：

研究人员收集伊尔冈克拉通16幅1:100,000及1:500,000图幅（涵盖Cheritons Find、Southern Cross等）共42,857 km2范围内的6028个西澳Mindex数据库金矿点作为正样本，非矿化区等量抽取负样本保证类别平衡。输入变量构建七通道栅格图层：①基岩岩性权重（将岩性归为13类，按金点密度/面积比归一化赋值，超镁铁质片岩Ultramafic Schist权重最高=1.000）；②距断层距离权重（归一化至0–1，权重=1?归一化距离）；③距岩性界线距离权重（同上）；④断层密度（800 m半径内总长度/圆面积）；⑤布格重力异常(Bouguer Gravity Anomaly, 400 m分辨率)；⑥磁异常(Magnetic Anomaly, 80 m分辨率)；⑦放射性测量数据(Radiometric Data, 80 m分辨率)。所有图层重采样至5 m像素，地理物理值线性缩放至0–1，堆叠为28×28像素图像块（对应实地140 m×140 m，即19,600 m2），经滑动窗口增强获>100,000样本，按7:3划分为训练集与验证集。CNN架构含两层卷积（输出16及32个特征图）及最大池化(Max Pooling)，全连接层接Softmax二分类；ViT采用7×7分块嵌入(Patch Embedding)映射至768维，12头自注意力Multi-Head Self-Attention计算块间关系。两模型基于PyTorch搭建，NVIDIA RTX 4090双卡训练，用交叉熵损失(Cross-Entropy Loss)与准确率(Accuracy)评估，系统调参后CNN训练约75轮、ViT约85轮收敛。

研究结果：

4.1. Model Training（模型训练）： CNN于第75轮收敛，训练与验证损失稳定在0.42–0.436，训练准确率79.3%、验证准确率75.0%–79.3%；ViT需85轮稳定，损失0.52–0.53，准确率72.5%–74.0%。CNN整体准确率高出ViT约5.3个百分点，二者训练—验证准确率差<4%，过拟合极小。

4.2. Spatial Predictions（空间预测）： 将模型应用于未训练砂岩绿岩带生成成矿概率图。CNN预测高概率区（>0.5）沿Alpha Domain成矿走廊及Bulchina南侧超镁铁质单元集中分布，与已知金矿点吻合良好，在断裂密度>0.5 km/km2区预测概率持续>0.5，体现其对局部构造模式捕捉优势。ViT同样圈定Alpha Domain高值区，额外识别出CNN漏判的数据稀疏区远景带——Sandstone North地区（ViT p=0.82，CNN p=0.25）及沿Edale剪切带北西—南东向斜长角闪岩(Amphibolite)单元，显示其全局注意力机制在训练数据稀缺区的优势。

讨论部分总结：

在5.1节中，两模型均将含Havilah、Lord Henry、Lord Nelson的Alpha Domain判为最高优先级靶区（概率>0.5），与钻探证实的100–200 m深>5 g/t金品位相符；Bulchina、Shillington、Two Mile Hill南侧超镁铁质片岩主导区也呈高概率，符合伊尔冈克拉通超镁铁质岩石与造山型金成矿关联认识；Edale剪切带旁侧北西—南东向斜长角闪岩单元为两模型共同新靶区且无系统钻探记录。Bull Oak矿床两模型概率<0.5但有已知资源，说明未纳入的蚀变、脉体几何或微构造等因素可能控矿，界定了模型边界。5.2节指出CNN在构造控制明显、训练数据充足区（如Oroya、Hacks）表现更优；ViT在Sandstone North等数据稀疏区凭借全局建模胜出，二者具系统性互补。5.3节归纳新靶区三处：Alpha Domain内北西向超镁铁质片岩/变辉绿岩单元、北部沉积硅质岩与南部玄武岩间氧化还原过渡带(Redox Boundary)、Edale剪切带北西—南东向斜长角闪岩单元。5.4节强调联合部署可弥补单一模型盲区，并指出等比例抽样会高估成矿概率，建议引入代价敏感损失或生成对抗网络(Generative Adversarial Network, GAN)处理类别不平衡。5.5节列明局限：重力(400 m)与磁/放射(80 m)分辨率不匹配、缺失地球化学与蚀变图层、局部复杂地质可能低于检测阈值；未来方向含混合CNN–Transformer架构、GAN数据增广、从典型省向新区迁移学习(Transfer Learning)。

研究结论（翻译自Conclusions）：

(1) CNN达79.3%准确率，优于ViT(74.0%)，归因于其在断裂密度>0.5 km/km2尺度有效捕捉局部构造特征。

(2) ViT全局自注意力机制能识别CNN遗漏的数据稀疏区远景带——最显著为Sandstone North（ViT p=0.82 vs CNN p=0.25），证明其可建模远程地质依赖。

(3) 两模型一致认定Alpha Domain为最高优先级走廊，并新圈定三靶区：(a)Alpha Domain内北西向超镁铁质单元；(b)玄武岩—沉积岩过渡带；(c)Edale剪切带北西—南东向斜长角闪岩单元。

(4) 数据不平衡与分辨率不一致是主要限制：超镁铁质片岩过代表致其区概率偏高；重力—磁法分辨率失配(400 m vs 80 m)降低断裂邻近区精度。

(5) CNN–ViT集成优于任一单模型，确立AI驱动MPM可作为降低勘探成本、指导覆盖区造山型金矿绿地(Greenfield)发现的决策支持工具。