引言
地球化学异常通常被认为是偏离区域地球化学背景的现象，它们反映了潜在的岩浆、热液和成矿过程（Cheng et al., 1994; Carranza, 2008; Yang and Chen, 2025a; Xu et al., 2025）。这些异常通常通过对多变量地球化学数据集的分析来识别。多种地质过程和复杂元素相互作用的交织产生了具有高维度、非线性、复杂空间结构和稀疏标签特征的地球化学数据集（Yang and Chen, 2025b）。因此，从这些复杂数据集中稳健地识别与成矿相关的异常仍然是智能矿产勘探面临的关键挑战（Zuo et al., 2019; Shi and Zuo, 2026）。
传统地球化学勘探严重依赖于基于分布的阈值技术（Zuo and Wang, 2020），包括经典单变量方法（Xiang et al., 2023）和多变量统计框架（Ji, 1988; Cheng et al., 1996）。其中，主成分分析（PCA）（Sadeghi et al., 2013; Hajihosseinlou et al., 2024）和因子分析（FA）（Reimann et al., 2002）等降维技术提供了可计算的便利性，使其成为区域地球化学勘查的常用方法。然而，它们是线性统计方法，要求输入数据服从高斯分布。因此，它们无法准确捕捉地球化学数据集固有的复杂非线性结构和多尺度异质性（Zheng et al., 2025）。因此，在多期构造岩浆活动和多种岩性组合影响区域，它们的准确性和稳定性往往受限。
在过去十年左右，由于机器学习方法具有强大的非线性建模能力，它们越来越多地被引入地球化学异常检测中。根据标签数据的可用性，这些方法大致可分为监督方法和无监督方法（Zuo et al., 2019）。当有足够的优质标签样本时，监督方法（如 AdaBoost (ADB) (Gonbadi et al., 2015)、地理加权 LASSO (GWL) (Wang and Zuo, 2020)、支持向量机 (Zuo and Carranza, 2011; Abedi et al., 2012) 和逻辑回归 (Chen and Zhao, 2021)）已展现出卓越的性能。然而，在实际矿产勘探中，已知矿床通常稀疏，这往往导致建立模型的过拟合和泛化能力低（Chen and Wu, 2017; Zhang and Zuo, 2021）。与监督学习方法相比，无监督方法为对具有复杂分布的地球化学数据建模提供了一个强大的框架，而不依赖于标签样本。多种无监督方法，包括连续受限玻尔兹曼机（CRBMs）（Chen, 2015）、单类支持向量机（OCSVMs）（Chen and Wu, 2017）和软投票集成（SVE）（Zheng et al., 2025），已成功应用于多变量地球化学异常检测。为了进一步提高机器学习方法的特征表示能力，深度学习技术越来越多地被用于地球化学异常检测（Xu et al., 2025）。代表性方法包括深度自编码器（DAEs）（Xiong and Zuo, 2016）、深度信念网络（DBNs）（Xiong and Zuo, 2020）、循环神经网络（RNNs）（Zuo et al., 2021）、生成对抗网络（GANs）（Zhang and Zuo, 2021）和卷积神经网络（CNNs）（Zhang et al., 2021; Huang et al., 2022; Yang et al., 2023; He et al., 2025），它们可以从地球化学数据集中提取高级特征和复杂异常模式。然而，它们复杂的网络架构、众多参数、强数据依赖性和显著的“黑箱”特性限制了它们可解释性和泛化能力（Chen and Sui, 2022; Xu et al., 2025）。
开发稳定且可解释的“白箱”方法对于解决许多当前数据驱动矿产勘探方法在可解释性方面的局限性以及潜在的初始化敏感性问题至关重要（Chen and Sui, 2022）。字典学习（DL）（Dumitrescu and Irofti, 2018）是一种典型的“白箱”方法，它将每个样本表示为从过完备字典中学到的原子的稀疏线性组合。DL 在地球化学异常检测中的可解释性集中在对其目标函数的解析上。字典原子充当数据驱动的原型；在地球化学中，这些通常映射到源岩独特的元素共生模式。稀疏代码量化了这些原子的贡献，使得地质过程的空间归因成为可能。至关重要的是，重构残差充当相对于学习到的背景的地球化学异常（例如，成矿）的直接指标。与 PCA 的全局线性投影相比，这种基于原子的分解提供了对非线性地球化学相互作用更细致的解释。基于字典学习的方法在地球化学异常检测和矿产远景建模中的有效性已在各种应用中得到证明（Chen and Sui, 2022; Chen and Shayilan, 2022a; Chen and Shayilan, 2022b）。然而，现有的基于字典学习的方法依赖于从稀疏表示中得出的启发式规则，缺乏联合优化特征学习和异常判别 的明确机制（Irofti et al., 2024）。因此，学习到的表示并非专门针对异常判别进行优化，从而限制了模型的判别能力，阻碍了对与成矿相关的地球化学异常的稳健识别。
Irofti 等人（2024）提出了一种集成 DL 和 OCSVM 的无监督异常检测框架，称为 DL-OCSVM 方法。通过引入 OCSVM 学习显式的判别边界，并将特征表示与异常判别进行联合优化，该框架增强了传统 DL 的判别能力。在该框架中，样本被表示为从过完备字典中衍生的稀疏嵌入，从而能够提取捕获主导背景模式的紧凑且结构化的特征。然后采用 OCSVM 来表征背景样本的边界，并根据相对于学习到的边界的偏差来识别异常。通过这种集成，该框架将可解释的特征表示与稳健的判别能力相结合，有效缓解了对启发式检测规则的依赖以及传统 DL 方法中无法协调特征学习和异常识别的问题。因此，DL-OCSVM 框架为建模高维、强非线性和异质的地球化学数据集提供了一种有前景的解决方案，能够实现稳定且具有地质可解释性的异常识别。
中国东北吉林省白山地区被选为案例研究区。使用 1:20 万水系沉积物地球化学数据，遵循 Xu 和 Zuo（2024）的概念框架，构建了地球化学勘查数据立方体（即将多元素浓度映射到规则网格上）。为了从这个高维数据立方体中提取与成矿相关的异常模式，建立了一个 DL-OCSVM 模型，其中字典学习用于学习多元素特征的紧凑和稀疏表示，而 OCSVM 充当背景描述边界，将背景与潜在异常分离。然后将 DL-OCSVM 的性能与独立的 DL 和经典 OCSVM 基线进行比较，以评估耦合框架是否产生更具地质合理性的异常图。这项工作的主要贡献在于将 DL-OCSVM 方法应用于地球化学勘探，并通过比较研究确认了该方法在地球化学异常检测中的有效性。
