基于机器学习集成方法的风化壳型钛铁矿矿产远景预测——以云南省武定—禄劝地区为例

《Minerals》：Mineral Prospectivity Mapping of Weathering-Crust-Type Ilmenite Placer Deposits Using Nested Spatial Cross-Validation and Explainable Ensemble Learning: A Case Study of the Wuding–Luquan Area, Yunnan, China

　　

摘要

风化壳型钛铁矿砂矿的矿产远景预测成图面临已知矿化点数量有限、缺乏可靠的无矿点标注以及空间自相关性等挑战。本研究以中国云南省武定—禄劝地区为对象，构建了包含高程、坡度、断裂核密度、插值Ti含量预测因子、FeO_x、Al–OH和Mg/Fe–OH矿物异常以及到基性岩距离的八因子预测框架。采用43个已知钛铁矿矿化点作为正样本，并在空间约束条件下生成86个伪负样本/背景样本。采用随机森林、XGBoost和多层感知机，并结合等权重软投票集成方法进行矿产远景预测成图。利用嵌套空间交叉验证、SHAP（Shapley加性解释）、置换重要性以及空间块自助重采样等方法评估模型性能与预测因子贡献度。等权重集成方法取得了最高的折外ROC-AUC（0.9202）和平均精度（0.8580），同时具有最低的对数损失和Brier分数。在所有四种建模方案中，Ti均为最重要的预测因子，而Al–OH矿物异常、坡度和Mg/Fe–OH矿物异常在等权重集成中也表现出较高贡献。共379条实测TiO₂记录显示与预测远景存在弱正相关且尺度依赖的秩关联，在250–2000 m聚合尺度下Spearman中位数系数范围为0.133至0.325。该比较被视作探索性地球化学对比，而非对模型性能的独立验证。通过整合模型概率与基性岩分布、已知矿化点、断裂及实测TiO₂数据，圈定了八个远景区（T1–T8）。研究结果为武定—禄劝地区区域矿产远景评价和找矿靶区优先排序提供了定量依据。