摘要
地质、地球化学等多源地学信息的挖掘与集成是成矿远景预测的重要环节,在矿产勘查中扮演着非常重要的角色,对成矿预测的效果有直接影响。因此,如何从海量多源地学信息中挖掘深层次矿化信息并将其有效集成,以提高成矿预测效果,是当前成矿预测领域的重要研究方向。近年来,基于机器学习算法的成矿预测建模受到越来越多的关注,由于它具有强大的特征提取与信息集成融合能力,已成为国内外研究者的热点研究方向。尽管研究者提出了大量的机器学习算法,然而,由于地学数据具有多源、异构、高计算复杂度、高不确定性等特点,增加了算法设计的难度。因此,基于机器学习成矿预测算法的设计和理论分析仍然面临着诸多挑战。鉴于此,论文通过收集、整理夏河-合作整装勘查区多源地学资料,以综合信息成矿远景预测理论为指导,针对数据栅格化的不确定性、异常信息提取、机器学习算法模型构建等内容开展研究。综合运用多点地质统计学直接采样算法、局部奇异性分析及机器学习算法开展了地球化学元素空间分布模式的不确定度评价和成矿远景预测建模,并利用多项评价指标对模型预测效果进行定量评价。研究工作取得了以下主要成果:(1)通过对区域地质背景及典型矿床的深入剖析,厘清了研究区的控矿构造特征、矿体空间展布、围岩蚀变特征及找矿标志,确定了研究区主要成矿/控矿要素。(2)基于研究区1:20万水系沉积物地球化学数据,通过改进的直接采样算法对地球化学元素的空间分布进行不确定性建模,并对建模结果进行局部奇异性分析。然后运用奇异性指数-分位数分析(S-Q)方法计算确定奇异指数α=1.974为最优分割阈值,进而得到衡量金元素异常的概率图。结果表明,大多数的已知金矿床(点)都分布于概率高值区附近,说明异常概率大小可作为圈定地球化学异常的重要依据。(3)运用成分数据的因子分析法确定地球化学元素之间的共生组合关系,得到与金矿成矿作用密切相关的Sb、As、P、Th、Au元素组合。分别对各元素进行直接采样算法和局部奇异性分析,取α=2为分割阈值得到各元素的地球化学异常概率图。然后通过最大熵模型进行多元数据融合,并运用ROC曲线下面积(AUC)、Kappa系数和真实技巧统计值(TSS)对模型性能进行评估。各项评价指标均表明该模型可以有效地将多元地球化学异常概率与已知金矿床(点)位置建立联系,具有较好的识别金矿成矿有利/不利区的能力。(4)将一维卷积神经网络模型应用于成矿远景预测建模中。针对训练数据集的构建问题,提出了通过综合多种方法确定不利成矿区域来约束负样本选取的策略,同时结合SMOTE算法对样本集进行过采样的数据扩充,构建最终的训练数据集。通过设置不同的对照样本组,对训练样本构建策略的可行性和有效性进行对比评价。结果表明,本文提出的训练数据集构建策略具有可行性。针对模型所涉及的重要超参数(网络深度、卷积核大小、卷积核个数、学习率和丢弃率)对分类性能的影响进行了研究,通过正交试验设计和5倍交叉验证法确定了所构建网络模型的最优参数组合,并运用ROC曲线、拟合度曲线、AUC值等多项指标对模型的预测性能及预测效率进行了评价。(5)将注意力机制引入到卷积神经网络模型中,注意力模块通过特征加权的方式计算出不同特征的影响力权重,增大重要特征的权重,减小不重要特征的权重,以达到凸显重要特征和抑制无关信息的目的。从模型层面提高了成矿远景预测结果的稳定性,预测结果极大地缩小了成矿远景区的勘探面积。在此基础上,结合研究区区域地质背景、成矿地质条件及地球化学异常特征,圈定了6处成矿远景区,为研究区下一步矿产勘查工作的部署提供依据。