整合地球化学、ASTER 光谱指数及统计/机器学习模型用于摩洛哥布阿泽超镁铁质杂岩体的钴预测

《Journal of Geochemical Exploration》：Integrating geochemistry, ASTER spectral indices and statistical/machine learning models for Co prediction in the Bou Azzer ultramafic complex (Morocco)

　　

• •
  偏最小二乘回归在预测布阿泽勒 (Bou Azzer) 内地的钴 (Co) 浓度方面表现卓越（MAE：5–7?ppm，R²：0.60–0.70）。
• •
  PLS 达到 0.90 的准确率和 0.80–0.90 的 AUC-PR，精确定位布阿泽勒断层沿线富含钴的区域。
• •
  Sc（相关性 0.883）、MgO（0.867）、Ni（0.786）和蛇纹石指数驱动钴分布预测。
• •
  提供了一个可扩展的、基于机器学习的框架，用于在蛇绿岩地貌中进行成本效益高的关键金属勘探。

引言

全球向可持续能源的转变已将钴 (Co) 定义为关键金属 (Bahini et al., 2024)。锂被认为是为电动汽车、电网级能源存储和便携式电气设备供电的电池的关键原材料 (Lebrouhi et al., 2022)。需求上升加上对刚果民主共和国等生产地的高度依赖所带来的供应风险，凸显了寻找新矿藏的紧迫性 (Bajadi et al., 2025)。布阿泽勒 (Bou Azzer) 复合体是一个颇具前景的地点 (图 2)。其新元古代超基性岩形成于约 762?Ma 期间，处于泛非造山运动时期 (Blein et al., 2014; Clavel and Leblanc, 1971; Pelleter et al., 2008)，在基性和超基性序列中（包括蛇纹岩、变质闪长岩和变质玄武岩）赋存着重要的 Co-Ni-Fe 矿床；(Bouabdellah et al., 2016; Leblanc, 1981, Leblanc, 1976; Marc, 1994)。我们的研究突出了蛇纹石化。这是橄榄岩在高压低温热液条件下与流体反应，转变为利蛇纹石、温石棉和 antigorite 等蛇纹石矿物的过程。这种蚀变过程促进了特定金属的富集，形成独特的矿物相。钴在辉钴矿中显著富集，甚至可能存在于次生铬尖晶石中 (Fanlo et al., 2015)。在表生低温热液蚀变过程中，镍优先生浓集于镍矿中 (Barkov et al., 2000; Ostwald, 1980)。在初级尖晶石转变为铁铬矿的过程中，铬通常表现出相对富集 (Frost, 1985; Moody, 1976)。铂族元素 (PGE) 主要赋存于豆荚状铬铁矿中，以钼酸钯矿或合金等矿物形式出现，在蛇纹石化期间可能发生少量的再次迁移 (Escartín et al., 2001; Evans, 2004; Evans and Girardeau, 1988; Lawley et al., 2020; Nayak et al., 2023; Zaccarini et al., 2024; Bacuta et al., 1990)。矿化历史研究显示其相当大的复杂性，Co-Ni-Fe 砷化物形成于 120–409?°C 和 0.4–2.5?kbar 条件下 (Wafik et al., 2024; Souiri et al., 2025)，随后是晚期热液硫化物。流体混合了岩浆、变质和大气降水来源，并在安提阿特拉斯主要构造走廊的构造作用下增强 (Wafik et al., 2024)。结合地球物理学和地球化学的最新研究也指出了未开发的潜力 (例如 Bajadi et al., 2025)。

机器学习 (ML) 正在改变矿物勘探。它比传统方法更好地处理复杂的多源数据集，能在遥感和地球化学中识别细微模式 (Zuo et al., 2021)。使用如主成分分析 (PCA) 和波段比值技术等方法处理 ASTER 图像，允许推导光谱指标 (例如，蛇纹石指数、基性指数、三价铁指数，图 S1)，这些指标为钴富集提供了有利条件。监督学习算法，特别是支持向量机 (Mitra et al., 2004)，显著增强了异常检测和分类性能 (Davy et al., 2024)。机器学习在降维 (例如，偏最小二乘)、整合多源数据集以及生成空间连续找矿预测图方面表现出色，从而在地质复杂地貌中优化资源评估 (例如 Cracknell and Reading, 2014; Liu et al., 2023; Yang and Zuo, 2024; Xiong et al., 2018)。它能处理超基性环境中典型的非线性关系和稀疏数据，使勘探更高效和可持续 (Carranza, 2011; Casado-Vara et al., 2025; Heaton, 2018; Zuo and Carranza, 2023)。机器学习在矿物勘探方面取得了扎实的进展。然而，严重的障碍依然存在。变量经常表现出高多重共线性。Sc 和 MgO 之间 0.85 的相关性提供了一个清晰的例子 (图 5)。这给回归和分类模型带来了实际问题。此外，特征选择往往次优。在许多情况下，基于实地数据的整合仍然不足。这两个问题都直接降低了预测可靠性 (Gao et al., 2018; Shirmard et al., 2022)。蛇纹石化区域显示出强烈的异质性 (Hebert et al., 1990)。本研究仅基于 33 个样本进行。存在极端异常值，例如来自 FID14 的 69?ppm Co 值。这些因素严重复杂化了钴异常的检测。对于超过经济相关阈值 32.2?ppm 的浓度，难度增加。传统的矿物勘探方法通常依赖基本的线性模型。这些模型难以正确捕捉空间变化。它们也无法考虑复杂的地球化学过程。因此，在面对地质不确定性时，它们的表现不佳 (Carranza and Laborte, 2016; Nathwani et al., 2022)。

我们的研究直接应对这些问题，设定了三个明确的目标：(i) 我们将地球化学数据与 ASTER 光谱指数相结合。我们使用三种模型预测 Co 浓度：基于 PLS 的回归、经典线性回归和集成树基于的随机森林回归。(ii) 我们将高于 32.3?ppm Co 的样本标记为异常。我们使用浓度 - 面积 (C-A) 模型设定此阈值。我们设置二分类和 AUC-PR 以处理不平衡数据集 (仅 30% 异常)。这优先确定高钴区域以进行成本效益高的勘探。(iii) 通过结合机器学习、遥感和地质见解，我们生成了突出布阿泽勒断层和蛇纹石接触带沿线钴异常的地图。它通过减少不必要的野外工作促进可持续实践。我们应用了 5 折嵌套交叉验证，并在每个训练折中严格进行特征选择以防止信息泄漏。LR 提供可解释性，PLS 解决多重共线性，RF 捕捉非线性模式。这些模型揭示了与蛇纹石化和断层驱动流体迁移相关的钴富集，为全球超基性环境中的可持续勘探提供了一个可扩展模型。

章节摘要

地质与成矿框架

安提阿特拉斯沿西非克拉通 (WAC) 西北侧的克拉通边界发育 (图 1)，并展现泛非造山带的一个关键组成部分，横跨北非和西非约 4000?公里 (图 1)。安提阿特拉斯造山系统通过复杂的新元古代过程形成，包括俯冲、大陆碰撞和增生 (Bouougri and Saquaque, 2004; Veevers, 2004; Ouazzani et al., 1998; Abati et al., 2010)，从而对...产生了重大影响。

材料与方法

我们从包含 33 个样品的地球化学数据集中预测了 Co 浓度。每个样品描述了一组化学和地质特征。ASTER 指先进星载热发射和反射辐射仪。结果包括主成分分析变换 (称为 b1_PCA_MNF, b2_PCA_MNF, b3_PCA_MNF；见表 S1)、蛇纹石指数 (Serpentine)、基性指数 (MaficUM)、滑石指数 (Talc)、二价铁指数 (Fe₂)、三价铁指数 (Fe₃) 和线性构造密度 (Faults_den，捕捉结构。

结果

对 33 个地球化学样品中 ppm 级的 Co 浓度分析，结合了 ASTER 衍生指数，提供了使用三种回归技术：LR、PLS 回归和 RF 回归器进行预测建模的综合评估。本节详细介绍了性能指标 (表 S2)、异常分类结果、特征重要性分析以及通过预测地图进行的空间可视化。所有这些都源自 5 折交叉验证框架，以确保。

讨论

LR、PLS 和 RF 模型探索了地球化学和 ASTER 衍生数据如何增强布阿泽勒地区等超基性地貌中的矿物勘探，该地区是摩洛哥安提阿特拉斯山脉的一部分。我们将我们的结果与区域地质背景进行比较，并讨论我们的方法如何解决复杂的矿化模式。我们承认局限性，包括样本量受限和数据可用性，并提出未来研究方向以改进预测性能。我们也。

结论

• 1)
  机器学习与地球化学及 ASTER 衍生光谱数据的结合，为预测摩洛哥布阿泽勒超基性复合体中的钴浓度和分类异常提供了一种强大且成本效益高的方法。在评估的模型（线性回归、PLS 回归和随机森林）中，PLS 回归被证明是最有效的。在更正后的方法论下（在每个训练折中进行特征选择的嵌套 5 折交叉验证），它

CRediT 作者贡献声明

M'’hamed El Janati: 写作 – 审查与编辑，写作 – 原始草稿，可视化，验证，监督，软件，方法论，调查，概念化。 Soukaina Mokrane: 写作 – 审查与编辑，写作 – 原始草稿，方法论，调查。 Warda El Moume: 写作 – 审查与编辑，写作 – 原始草稿，可视化，验证，方法论，调查。 Mohamed Bhilisse: 写作 – 原始草稿，可视化，数据管理，概念化。 Zacharie

未引用的参考文献

Bouougri et al., 2020

Kirkwood et al., 2016

Li et al., 2019

Murer and de Souza Filho, 2026

Rezazadeh et al., 2020

Subías et al., 2022

竞争性利益声明

作者声明，他们没有任何已知的竞争性财务利益或个人关系可能影响本论文中报告的工作，题为“将蛇纹石化与钴富集联系起来：在摩洛哥布阿泽勒内地整合地球化学、ASTER 光谱指数和机器学习”。具体来说，没有任何作者从对钴采矿或勘探有直接利益的实体中获得资助、就业或其他财务利益

致谢

我们衷心感谢 NASA 提供 ASTER 数据。我们也感谢开源社区提供的 Python 库：用于 ML 模型的 scikit-learn (v1.3.2)，用于数据处理的 pandas (v2.1.0) 和 numpy (v1.26.0)，以及用于可视化的 matplotlib (v3.8.0) 和 seaborn (v0.13.0)。我们感谢穆罕默德五世大学阿格达尔科学学院对这项研究的支持。

M'’hamed El Janati|Soukaina Mokrane|Warda El Moume|Mohamed Bhilisse|Zacharie Ntihebuwayo|Taha Ghadi