一种用于探测加纳北部复杂地形中微弱金矿化的多技术框架

《Journal of African Earth Sciences》：A Multi-Technique Framework for Detecting Subtle Gold Mineralisation in Obscured Terrains of Northern Ghana.

　　

摘要

加纳萨凡纳地区的博莱地带属于比里米安地层，该地区的黄金勘探面临诸多难题，主要原因是地表地球化学信号较弱，且存在典型的绿岩带复杂的岩性特征。本研究提出了一种综合地球化学建模方法，用以提升在此类“低信号”地层中的黄金勘探效率。研究共分析了729份土壤样本，采用电感耦合等离子体质谱仪进行检测，随后通过主成分分析、基于自编码器的聚类、监督机器学习分类器（XGBoost、人工神经网络、随机森林）以及特征敏感性分析等方法对结果进行评估。研究发现黄金分布极为偏态，这表明其矿化作用可能是囊状或受构造控制形成的。主成分分析筛选出了能够反映岩性背景和矿化趋势的关键组分，尤其是金与砷的强关联，以及K₂O、铷和钡的关联，后者可视为富含钾的岩性特征以及可能存在的热液蚀变迹象。自编码器聚类分析出了三个潜在类别，其中第一类在空间上与高含金量及指示元素分布重合。预测模型，尤其是XGBoost（准确率0.82）和人工神经网络（准确率0.80），成功将砷识别为关键指示元素，而K₂O和Na₂O则被视为与热液矿化过程相关的变量，而非直接的黄金指示元素。这些元素在各种分析方法中都呈现出一致性，进一步证明了它们在勘探中的重要性。本研究强调了结合多变量分解、非线性特征学习以及监督预测方法对于发现微弱矿化信号的价值。这种方法不仅能提高在地质复杂、地球化学特征不明显的地层中的勘探精度，还能为西非其他比里米安地带的早期勘探提供可借鉴的工作流程。

引言

从历史记录来看，加纳的黄金矿化现象多与可见或接近地表的黄金矿床有关，比如加纳各黄金产区发现的冲积矿和河流沉积物中的黄金矿化（Griffis等人，2002年；Dzigbodi-Adjimah，1993年；Arhin与Arhin，2021年）。然而，近期的全球勘探情况显示，重大黄金发现越来越少，S&P Global指出2023年至2024年没有新的重大黄金发现，2020年以来也只有六处新发现（Manolo，2025年）。这一矛盾状况让地质学家和勘探领域的专业人士对导致发现率下降的因素感到担忧。一种普遍的观点是，那些容易识别的近地表矿化资源已经逐渐枯竭，尤其是在加纳西南部等历史上曾进行过开采的地区。Butt（2004年）以及Arhin和Nude（2009年）认为，剩余的潜在勘探区域很可能埋藏较深，地球化学特征不明显，或者地质结构十分复杂。这种情况在加纳北部尤为突出，包括博莱地区，那里的地表地球化学异常现象不太明显，黄金矿化要么在地表表现较弱，要么被覆盖层和复杂的风化层完全掩盖。这些因素严重限制了传统地球化学方法仅依靠土壤和沉积物数据来确定可行勘探目标的能力（Takyi-Kyeremeh等人，2019年；Arhin等人，2015年）。

此外，手工和小规模黄金开采活动也使得地表地球化学数据的解读变得更加复杂。在手工采矿活动频繁的地区，尤其是沿水道和洪泛区，黄金及相关元素的异常浓度可能并非真正的原生矿化现象，而是由于采矿活动导致的二次扩散或人为聚集造成的（Arhin与Nude，2009年；Kwayisi等人，2024年）。这就出现了“虚假异常”，即土壤和河流沉积物样本中的高含量值可能会误导人们，让人误以为存在矿化岩层，而实际上并不存在。在博莱地区，这种问题尤为严重，因为未经许可的淘金活动会导致环境介质中的黄金含量升高，从而掩盖矿体的真实地球化学特征。

加纳北部的风化层特性进一步加剧了这一问题。与南部比里米安地层那些虽经风化但分层较为清晰的岩层不同，北部的风化层往往已发生红土化，且经过搬运，化学成分相对均匀，几乎没有垂直或横向的变化，难以为勘探提供有效线索（Sunkari等人，2019年）。Arhin和Nude（2009年）以及Boadi等人（2019年）认为，这是地表地球化学解读的一大障碍，因为矿化信号会被过度稀释或重新分布，难以被准确追踪。因此，在以风化层为主的地形中，就需要更先进的分析技术，能够将微弱的地球化学信号与背景“噪声”区分开来。鉴于这些限制，那种仅根据黄金或指示元素的浓度单独评估每个样本点的传统“阈值法”已经不够用。正如Forson和Amponsah（2023年）所指出的，这种方法耗时较长，处理大规模数据时效率低下，而且在人类活动干扰严重或地质结构复杂的地区极易出现误判。如今，现代勘探越来越依赖多变量统计方法和机器学习算法，以便发现那些用传统方法难以察觉的模式、关联和空间关系（Nunoo等人，2023年；Abu等人，2024年）。本研究正是采用了先进的地理统计学和机器学习方法，旨在克服这些难题，提升博莱地区的黄金勘探效率。研究中使用主成分分析来揭示数据集中的内在结构和模式，帮助区分出真正反映矿化的元素关联，以及受地表过程或人类活动影响的关联。此处采用的最大方差旋转法，并保留特征值大于1的成分，使得主成分分析能够实现降维，将具有协同变化的元素归为一组，进而可能找到与黄金矿化相关的指示元素组合。

除了主成分分析之外，研究还使用了无监督的自编码器，用于探索地球化学数据中的非线性关系和隐藏模式。通过将数据集转换为潜在空间表示，自编码器能够捕捉到复杂的地球化学特征，即便在地表没有明显异常的情况下，也能反映真实的矿化晕圈。随后通过K均值聚类对潜在维度进行分类，有助于确定异常区域的位置，减少对固定阈值的依赖，从而为后续勘探工作提供更有依据的指导。作为对这些无监督方法的补充，研究还开发了三种监督机器学习模型——随机森林、人工神经网络和极端梯度提升算法，用于将黄金矿化程度划分为高、中、低三类。这些模型是根据地球化学特征训练的，针对数据分布不平衡的问题采用了合成少数类过采样技术，模型性能则通过准确率、F1分数和交叉验证来评估。研究的目的是找出具有稳定性的指示元素以及空间上连贯的异常区域，为进一步的野外调查和钻探工作提供方向。这种方法论与西非及全球绿岩带的相关研究结果一致，那些研究显示，不同地区的指示元素组合存在差异。例如，在南部比里米安地带，砷是重要的指示元素（Allibone等人，2002年），而在中部和北部地区，则常与铁镁元素以及铅银铜元素相关（Nzulu等人，2023年；Nude等人，2012年）。考虑到这种差异性，本研究旨在探究砷、钼、铜、铋、钨、锡和镍等元素在博莱地区是否与黄金存在显著的预测关联。本研究结合了传统模型和基于人工智能的模型，从而更全面地分析元素之间的相互关系以及地理空间分布规律。

总体而言，这种综合方法有助于更清晰地区分真正的矿化现象与地表噪声，无论是自然形成的还是人为造成的。在博莱这类传统勘探方法效果不佳的地区，统计方法和机器学习技术的结合为发现深埋或表现不明显的矿化体提供了有效途径，不仅能提高勘探效率，还能为资源定位提供有力支持。

内容节选

区域地质情况

加纳的含金比里米安地层属于西非克拉通的古元古代鲍莱-莫西地域。该地域以线性或近平行的变火山绿岩带为特征，这些绿岩带之间为变沉积盆地，还有多期形成的花岗岩侵入其中（Leube等人，1990年；de Kock等人，2009年；Ganne等人，2014年；Senyah等人，2016年）。在加纳，主要的比里米安绿岩带包括基比-温内巴、阿散蒂、塞夫维、布伊等绿岩带。

材料与方法

本研究采用的方法流程图见图2。

描述性统计

本研究分析的化学参数的取值范围见表1。黄金含量在0.01至0.31 ppm之间，平均值为0.02 ppm，分布极为偏态（偏度为5.56，峰度为34.83）。作为典型的黄金指示元素，砷的偏度为1.13，峰度为1.48，其含量在1.90至17.40 ppm之间，整体分布较为对称，但存在轻微富集现象，平均值为4.68 ppm，中位数为4.08 ppm。

基于地球化学与机器学习的黄金矿化及勘探目标分析

本研究采用了多元地球化学建模方法，整合了主成分分析、基于自编码器的聚类、监督机器学习分类以及特征敏感性分析等多种技术。这一综合框架旨在发现并验证那些仅靠传统统计方法难以识别的微弱黄金矿化信号。

黄金的统计特征表现为高度偏态的分布（偏度为5.56，峰度为34.83）。

结论与建议

加纳比里米安地层中的博莱地区，由于地表地球化学信号较弱，勘探难度较大。本研究开发并验证了一种综合土壤地球化学建模方法，该方法结合了多变量统计、非线性聚类和监督分类技术，旨在提升在低信号地层中的黄金勘探效率。

研究的主要成果包括发现了与黄金及硫化物相关的地球化学关联。

作者贡献说明

Daniel Kwayisi： 文章撰写——审阅与编辑，文章撰写——初稿编写，研究指导，方法设计，数据收集，正式分析，数据整理，概念构建。Raymond Webrah Kazapoe： 文章撰写——审阅与编辑，文章撰写——初稿编写，数据可视化，研究指导，方法设计，数据收集，正式分析，数据整理，概念构建。Obed Fiifi Fynn： 文章撰写——审阅与编辑，文章撰写——初稿编写，数据可视化，数据收集，正式分析。Seidu Alidu： 文章撰写——审阅与

未引用参考文献

Carter，1997年；Chen和Guestrin，2016年；Costa等人，2016年；地质调查局与德国地质与资源研究所，2009年；Hastie等人，2009年；Kazapoe，2025年；Kazapoe等人，2023年；Manalo，2025年；Reimann和Filzmoser，2008年；Wang等人，2020年。

利益冲突声明

? 作者声明，他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。

Daniel Kwayisi|Raymond Webrah Kazapoe|Seidu Alidu|Obed Fiifi Fynn|Samuel Dzidefo Sagoe|Ebenezer Ebo Yahans Amuah

加纳大学地球科学系，莱贡-阿克拉