老挝铜资源成矿规律与基于机器学习的远景预测

Copper mineralization pattern and machine learning-based copper prospectivity prediction in Laos

摘要

老挝处于特提斯成矿域南东段，具有丰富的矿产资源，但其地质工作基础薄弱，厘定矿产资源成矿规律并开展远景区预测是老挝在重点区实现找矿突破的有效途径。老挝1∶1 000 000国家尺度地球化学填图由中老双方合作完成，为其矿产资源和环境评价提供了高质量的地球化学基础数据和图件。本文主要利用国家尺度地球化学填图数据，结合老挝已发现矿产成矿规律，利用机器学习技术，开展铜资源远景区预测。研究结果表明：(1)老挝铜矿床的形成明显受到构造-岩浆-沉积作用控制，铜矿床主要类型有斑岩型、夕卡岩型、热液型和砂岩型。(2)老挝全国水系沉积物中铜含量为1.20～459.00μg/g,平均值为21.96μg/g,中位值为16.50μg/g,在7个三级大地构造单元中，长山地块和哀牢山—马江等3个缝合带的平均值高于其他几个构造单元，地球化学图显示铜在老挝分布不均匀，存在多个大面积分布的高背景区和异常区。(3)构建了包括单元素异常、矿化元素组合异常、指示中酸性岩体元素组合、控矿构造分布、碳酸盐岩和碎屑岩分布等要素的老挝铜矿多源信息定量信息预测模型。(4)利用随机森林成矿预测方法，共圈定9个成矿远景区，具有寻找斑岩型和夕卡岩型等类型铜矿找矿前景。

关键词

远景区预测 / 机器学习 / 铜成矿规律 / 地球化学填图 / 老挝

Key words

prospecting area prediction / machine learning / copper mineralization patterns / geochemical mapping / Laos

0 引言

老挝地处东南亚中南半岛中北部,在大地构造上位于印支板块的中东部^[1⇓-3],处于特提斯成矿域南东段,是我国三江成矿带向南延伸的部分^[4]。老挝具有丰富的矿产资源,目前已发现铜、金、铅、锌、铁、钼、锑、锡、锰、 稀土、铝土矿、钾盐、石膏和煤等 20 余种矿产^[5]。已经发现的诸如富开(Phu Kham)和色奔(Sepon)等超大型斑岩型铜金矿床,甘蒙和万象盆地超大型钾盐矿床,表明老挝具有巨大的找矿潜力^[6]。

老挝是与中国陆地相连的友好国家,也是中国“一带一路”倡议的重要合作伙伴之一。由于老挝矿业投资环境较好,地理位置优越,资源潜力巨大,加之地质勘查程度低,矿业开发活动不多,具有较大的勘探开发前景,并能为中国在铜、金和钾盐等战略性矿产资源供给方面起到互补性作用,已成为中国地勘单位和企业境外矿业开发与投资的首选地^[7⇓⇓-10]。老挝的地质工作基础薄弱,至今仍处于较低水平。在中国、越南和日本等国援助下,累计完成的1∶200 000地质矿产填图面积不到全国总国土面积的70%。地球化学填图工作更是开展的少,1∶200 000区域化探仅在近10年完成了零星几个图幅。更大比例尺的地质矿产调查和化探工作仅由一些矿业公司围绕勘查需要完成了极小范围区域。

2014年,中老双方在寻求加强地质调查合作背景下,联合国教科文组织全球尺度地球化学国际研究中心与老挝能源矿产部地矿司共同开展了老挝全境1∶1 000 000 国家尺度地球化学填图,覆盖面积约23万km²,采集水系沉积物样品为1 905件,分析元素为69种。该合作项目作为“化学地球”国际大科学计划的一部分,为老挝矿产资源和环境评价提供了高质量地球化学基础数据^[11⇓-13],制作完成老挝首套覆盖全境的地球化学图,获老挝方面高度肯定,取得了重大合作成果。1∶1 000 000超低密度地球化学填图方法可以达到迅速有效圈定找矿远景区的目的,是勘查地球化学 “迅速掌握全局,逐步缩小靶区”优势和特点的重要体现^{[11,14⇓⇓⇓⇓-19]}。本文主要利用中老合作项目取得的数据,结合老挝已发现矿产的成矿规律,利用机器学习技术,开展铜资源的远景区预测,为老挝下一步开展更大比例尺的地质和地球化学填图工作提供选区,为其矿产资源勘查与开发形成有力支撑。

1 老挝地质和矿产概况

1.1 大地构造与区域地质概况

老挝位于冈瓦纳大陆与劳亚大陆的交接部位,重要断裂可划分为北东向和北西向两组。北东向断裂主要位于老挝西北部,包含澜沧江—班南坎断裂、南本河断裂、琅勃拉邦断裂和普雷山断裂;北西向断裂位于老挝南东部,包含长山—岘港断裂、蓝江断裂和马江断裂^{[20⇓⇓-23]}。可划分为4个一级构造单元,北西部地区为中缅马陆块和昌都—思茅—南邦陆块,属我国云南“三江”造山带的南延部分,中南部地区属印支陆块,北东部(华潘省东部)为华南陆块^[22⇓-24]。自西向东可划分为7个三级大地构造单元,即景洪—素可泰火山弧、思茅—彭世洛地块、奠边府—黎府缝合带、万象—昆嵩地块、色潘—三岐缝合带、长山地块和哀牢山—马江缝合带^[2,20,25-26] (图1^[2,5,27])。

老挝出露地层主要包括元古宙高级变质片麻岩和片岩; 古生代变质海相火山沉积岩系和少量片岩和灰岩等; 中生界砂岩和灰岩; 新生界砾岩、砂页岩和粉砂岩等。其中,老挝大部地区均有古生界和中生界出露,前中生界分布于北部和长山山脉,中—新生界分布于湄公河流域和西南部,元古宙地层零星分布于西北部和东部^[6]。老挝共有西北、北中和南部3 个褶皱带。西北部北北东向印支期褶皱带主要由泥盆系—三叠系组成,北中部北西—北北西向海西期褶皱带主要由奥陶系—石炭系组成,南部北北西向印支期褶皱带主要由变形较弱的中生代陆相沉积岩组成。老挝断裂带较为发育,主要包括北东向、北北东向和北西向3 组深大断裂及其次级断裂^[5,16,18,28]。

老挝岩浆活动在晋宁期、海西期、印支期、燕山期和喜山期均有分布,其中最为发育的为印支期。从全国范围来看,超基性岩、基性岩、中性岩和酸性岩均有出现。晋宁期侵入岩零星分布于老挝东部,主要岩性为片麻状黑云母和白云母花岗岩。海西期岩浆活动以喷发为主,中-基性火山岩是其主要岩性,分布于中北部和部分南部地区,其次还有部分花岗闪长岩和花岗岩在中部地区零星分布。印支期岩浆活动规模最大,主要岩性为英云闪长岩和花岗闪长岩等,分布于西北部、中北部和部分南部地区。燕山期侵入岩规模比印支期小,主要位于老挝中东部长山山脉和南部昆嵩地带,主要为高硅高碱花岗质侵入岩类。喜山期岩浆活动总体上规模较小,主要是更新世玄武岩,岩性以碱性玄武岩类为主,分布于南部地区^[5,29]。

1.2 矿产资源概况

据老挝能源矿产部最新资料,目前已发现各类金属矿床和矿点(矿化点)近500处,其中铜矿70余处,金和银矿160余处,铅、锌和锑矿近100处,铁、锰和铬矿60多处,钨、锡和钼等矿70多处,此外还有铝土、钾盐和稀土等其他矿种30 处以上。老挝的金属矿产主要集中分布在万象、沙耶武里、琅勃拉邦、川圹和华潘等中北部地区,以及甘蒙、沙湾拿吉和阿速波等中南部地区。

铜、金、铝土、锡、钾盐、铅锌、铁和煤8种为老挝传统优势矿产资源,锰、铬、钨、钼、铋、镍、锑、汞、铂、铀、钍、铍和独居石13种为其一般性矿产资源,迄今只部分开采了铜、金、锡、钾盐和煤等资源^{[10,30⇓⇓⇓-34]}。近几年,随着全球对稀土等关键矿产资源的关注,老挝在稀土勘查工作方面取得了较大进展,寻找到了大量具有开发潜力的资源,将是该国下一步重点开采的资源之一^[34-35]。

老挝矿产资源的区域成矿时代主要集中在海西期、印支期和喜山期,其中海西—印支成矿期集中了老挝主要铁、有色金属和稀有金属矿产,并以热液型和夕卡岩型为主,喜山成矿期集中了老挝主要非金属岩盐、钾盐、石膏、宝石以及部分砂金、砂锡等矿产,矿床类型主要为沉积型、砂矿型和风化淋滤型^[5,36⇓-38]。热液型、夕卡岩型、沉积型、砂矿型和风化淋滤型是老挝主要矿床类型。

2 机器学习在矿产预测中的应用概况

矿产资源预测通过整合多源地球科学数据,进而量化某一位置矿床存在的可能性^[39-40]。机器学习是人工智能的重要分支,凭借其强大的数据处理和模式识别能力,成为矿产资源预测领域的一种主流技术^[41⇓-43]。

随着大数据技术和人工智能在地球科学中的引入,各种机器学习方法用于矿产资源的定量评估和建模,如逻辑回归^[44-45](LR)、支持向量机(SVM)^[46⇓-48]、随机森林(RF)^{[49⇓⇓-52]}、卷积神经网络(CNN)^[53-54]、最大熵^[55-56]、玻尔兹曼机^[57-58]和极端学习机回归^[59]。这些方法通过处理多源地理空间数据集之间的复杂和非线性关系,为矿产前景建模提供了强大的技术。相较于传统统计学方法,其具备更强的泛化性和适用性^{[60⇓⇓-63]}。

随机森林作为机器学习集成算法中的一种^[64],通过对多源地球科学数据特征进行自动化提取,来完成不同的分类或预测任务,已被广泛应用到矿产资源定量预测中^[65-66]。相较于其他机器学习方法,随机森林在矿产资源预测中表现突出,能够深入剖析数据分布规律,挖掘数据间的非线性特征,不仅对噪声和异常值有良好的鲁棒性,并且预测准确率也较高,能够在复杂多变的地质环境中提供可靠的预测结果^[42]。

3 样品采集与分析

老挝1∶1 000 000国家尺度地球化学填图采样网格大小约为10 km×10 km。根据地球化学制图要求,按图纸上每1 cm² 至少有一个数据的原则,换算相应的采样密度。为便于网格划分和点位部署,实际采用经度7.5'、纬度5'为一个采样单元格进行布点。该项目按中国地质调查局发布的标准开展工作^[67]。采样点布置主要借助遥感影像图进行部署。布点时主要考虑采样点宜均匀分布在整个调查区域,控制采样网格内的最大汇水域,当单一采样点所代表的汇水域无法控制2/3网格面积时,在采样网格内增加采样点。老挝地理位置处于中南半岛,境内多山,低山丘陵次之,平原低谷较少,海拔总体较高,采样介质以水系沉积物为主。野外采样时,以手持式全球卫星导航定位系统实时实地进行定位,每个样品由3个子样组成,原则上以横切河床断面,左、中和右采集3个子样组合成一个样品。样品粒级小于2 mm(-10目)。样品采集质量过筛后大于1 kg。重复样采集比例达到总样品数量的3%。包括重复样,老挝全境共采集样品1 905件^[12]。

老挝国家尺度地球化学填图项目总共分析69种元素。样品测试分析在河南岩石矿物测试中心完成。分析方法以电感耦合等离子体质谱(ICP-MS)、电感耦合等离子体发射光谱仪(ICP-OES)和X 射线荧光光谱分析法(XRF)为主。所有元素分析检出限均低于国家尺度地球化学填图对沉积物或土壤样品分析测试的最低要求^[67]。分析方法的准确度和精密度均采用分析国家一级地球化学标准物质或国际地球化学标准物质(根据样品类型选择水系沉积物或土壤)的方法进行检验。所有元素的报出率均≥90%。所有元素的准确度和精密度合格率均达到100%。铜的检测方法为XRF,检出限为1 μg/g。

4 老挝铜资源成矿规律

4.1 典型铜矿床

(1)富开(Phu Khan)铜金矿。富开铜金矿位于万象省赛宋奔县中部。大地构造位置位于印支地块东部的长山构造岩浆岩带之长山成矿带北段,区域内次级断裂和皱褶比较发育,早古生代—新生代中酸性岩浆侵入活动强烈。长山构造岩浆岩带为铜金铁成矿作用提供了热源和成矿物质,是长山多金属矿带最重要的成矿因素之一。上石炭统—二叠系以碳酸盐岩为主,夹火山岩和碎屑岩,是该矿区铜金矿主要赋矿围岩^[68]。该矿床类型复杂,斑岩型、夕卡岩型和热液型铜矿均有发现^[69]。其中,斑岩型铜矿体产于花岗闪长斑岩、石英二长斑岩和流纹英安质火山杂岩中,火山杂岩具同心环状构造(图2^[68])。含矿母岩发生强烈蚀变,具钾化、硅化和绢云母化。矿区已圈出两个主要矿体和10多个次要矿体。斑岩型铜矿含铜矿物为黄铜矿、蓝铜矿、斑铜矿和孔雀石。夕卡岩型铜矿体产于花岗斑岩和细粒花岗岩的外接触带,矿体受构造控制明显,呈透镜状和似层状产出。热液型铜矿体产于构造破碎带,含矿母岩为火山碎屑岩。矿体呈透镜状和脉状产出^[70]。从矿区岩浆岩的活动时期和区域地质资料分析,富开铜金矿的成矿时期可能为晚二叠世—中三叠世^[71⇓-73]。

(2)色奔(Sepon)铜金矿。色奔铜金矿位于老挝中南部沙湾拿吉省色奔镇。大地构造位置位于印支地块长山皱褶带南东端色奔盆地内。地质历史上遭受了多期强烈的构造-岩浆作用,岩浆活动主要发生在早二叠世,以发育花岗闪长斑岩和少量岩脉为特征。区内出露地层以古生界碎屑岩和碳酸盐岩建造为主(图3^[74])。北西向和东西向断裂构造发育,交汇部位是该区矿化最有利部位。矿区内矿体总体呈东西向分布,铜矿化主要分布在矿区西部,金矿化分布于矿区东部。铜矿化主要与斑岩铜矿体系有关,存在3种矿化类型。铜钼铋金矿化主要发育于花岗闪长斑岩体内部,以石英网脉状矿化产出。类夕卡岩型铜矿化主要沿斑岩体与围岩接触带发育,形成块状硫化物铜矿化层和类夕卡型铜矿化层。次生铜矿化主要为后期风化淋滤作用形成,原生矿发生氧化次生富集成矿。类夕卡岩型矿化和次生铜矿化是该矿主要矿化类型^[75]。

(3)班康姆(Pangkuam)铜金矿。班康姆铜金矿位于老挝沙耶武里省巴莱县。大地构造位置位于印支地块黎府褶皱带之琅勃拉邦—黎府铜金多金属成矿带的中南段^[76]。古生代—早中生代酸性火山岩系和同成分的浅成侵入岩体控制着该成矿带的矿床,岩浆岩主要为安山岩、少量斜长斑岩和花岗闪长岩。地层主要为一套由灰岩、泥质粉砂岩和大理岩等组成的石炭系—二叠系沉积地层。区内主要构造为北北东向断裂和轴向为北东向的背斜褶皱,其中北北东向断裂F3贯穿整个研究区,其为琅勃拉邦深大断裂的次级断裂,控制矿区的成矿作用并提供成矿空间^[77],还有F1和F2两条近平行断裂与F3组成了北北东向断裂组(图4^[78])。班康姆铜金矿总体呈现上金下铜的空间分布特征,属于中低温浅层热液铜金矿床,矿体围岩蚀变主要有夕卡岩化、青磐岩化、硅化和碳酸盐化。该矿成矿时期主要为晚二叠世—早三叠世^[78]。

(4)银水山(Pha Yinshui)铜矿。银水山铜矿位于南塔省勐龙县。大地构造位置位于特提斯造山区南东段。矿区内未发现侵入岩体,主要出露形成于岛弧环境的中-基性火山岩。地层主要为二叠系陆相-浅海相沉积和火山喷发沉积,上部为陆相沉积,下部为火山沉积序列。矿区构造较发育,主要表现为一个背斜构造,主要发育近南北向F1断层及北西、北东向的F2和F3断层。矿体主要赋存于南北向产出的中-基性火山岩中,受地层岩性(细碧岩)和构造(南北向与东西向断裂)的控制,矿体呈似层状和透镜状沿断裂产出。该矿床成因上属于海底中-基性火山热液喷流沉积、后期热液叠加富集改造型铜矿床^[79]。

(5)新寨(Xinzhai)铜矿。新寨铜矿位于丰沙里省北部。大地构造位置位于兰坪—思茅盆地南部。矿区为沉积岩分布区,以中生界侏罗系和白垩系为主,属典型的陆相碎屑沉积。矿区内构造发育,主要表现为一个向斜构造,发育大量断裂,其中北西向断裂贯穿整个矿区。矿体由两部分组成,包括层状矿体和脉状矿体。层状矿体主要赋存于侏罗系灰白色砂岩和紫色砂岩带中,呈层状或似层状,矿石矿物主要为黄铜矿和孔雀石等。脉状矿体沿断层分布,产于白垩系景星组石英砂岩中。该砂岩型铜矿床在形成过程中存在强烈的还原流体蚀变作用,成矿时期可能是喜山期早期^[71]。

(6)班纳莫(Ban Namo)铜矿。班纳莫铜矿位于乌多姆赛省纳莫县。区域构造上位于思茅—丰沙里微陆块。矿区出露地层为上三叠统,属红色陆源碎屑沉积。矿区内断层发育,地层多呈断块状产出。沿断层破碎带,发育了数米至数十米宽的构造破碎带。矿体呈脉状和透镜状产于构造破碎带中。班纳莫铜矿类型为热液型,含矿热液源于沉积盆地中的卤水,成矿时期可能为古近纪晚期^[71-72]。

(7)南永(Nanyong)铜矿。南永铜矿位于老挝丰沙里省西部,大地构造位置位于昌都—思茅—南邦陆块中之思茅—丰沙里微陆块,属于云南“三江”铜多金属巨型成矿带的南延部分。矿区出露地层下白垩统景星组,属灰白色中细粒石英砂岩,属于河流-湖泊沉积环境。矿区断裂构造较为发育,其中北东向断裂是本区的导矿构造和容矿构造。构造破碎带对矿体的控制作用十分明显,矿体一般呈脉状、似层状和透镜状沿碎裂岩构造角砾岩带产出,沿破碎带发育,赋存于下白垩统景星组中。矿床为沉积改造型之中低温热液矿床^[80-81]。

4.2 主要成因类型和时空分布特征

老挝主要铜矿床受岩浆热液和构造条件所控制,类型有斑岩型、夕卡岩型和热液型铜矿^[23],砂岩型铜矿也是一个重要类型^[71]。斑岩型铜金矿主要分布在沙耶武里、万象省和川圹—沙湾拿吉—阿速坡一带,矿床规模很大,一般与金共生,有较大的找矿前景。热液型和夕卡岩型铜矿分布范围广,主要分布在川圹省、沙耶武里省和万象省,矿体分布于中酸性侵入岩的外接触带,通常呈透镜状和脉状产出,矿石品位较高,常与铅锌伴生。砂岩型铜矿主要分布在老挝北部的南塔、乌多姆赛和丰沙里等省以及南部的占巴色和阿速坡一带,南部普遍含金,矿体呈层状和似层状产出,矿石品位较低,但矿床规模较大^[71]。

老挝铜矿成矿时代主要集中在晚石炭世—早三叠世和侏罗纪—早白垩世两个主要成矿期^[2,82-83]。老挝自早古生代开始进入板块活动演化阶段,主要表现为区内几个小洋盆的发生、发展和消亡及与其间地块的洋陆相互作用,相应的成矿作用也受制于洋陆转换体制的演化。在演化过程中,在不同构造部位发育不同的构造-岩浆-沉积-成矿作用,出现多成矿期、多矿源、多成因和叠加成矿等有利条件,使这个时期的矿产种类和成因类型不断增多,尤其是晚古生代—早中生代出现了许多大型-超大型矿床^[84]。老挝铜矿在该时期主要分布于长山成矿带和琅勃拉邦—黎府成矿带,形成了一批大中型的斑岩-夕卡岩型矿床,典型代表如富开铜金矿^[82-83]。晚石炭世—中二叠世形成北西-南东向的火山弧,洋盆在中二叠世闭合。俯冲阶段岩浆活动在长山带南西侧的响应较早,首先形成富开埃达克质岩石^[73]及一系列流纹质英安斑岩、英安岩、安山岩、花岗岩和花岗闪长岩等^[35]。在晚二叠世—早三叠世,幔源岩浆出溶作用形成初始富硫富铜金矿质的岩浆流体,在其上侵过程中与安山质围岩发生普遍的水岩交互作用,然后与雨水型地下水混合形成混合成矿流体,成矿流体沿断裂构造体系上升,广泛发生成矿作用,典型代表如班康姆铜矿^[76]。在经历板块俯冲、伸展作用、陆陆碰撞作用和陆内造山作用后,中生代中期老挝境内铜成矿作用主要与陆内沉积盆地有关。在这一时期,盆地内主要发育下侏罗统—下白垩统河流-湖泊相陆源碎屑红色砂岩建造,是砂岩型铜矿床的主要赋矿地层,矿床成因为同生沉积(后期热液叠加改造)成矿,铜矿化多产于红色碎屑岩所夹的浅色砂页岩中,典型代表如新寨铜矿^[85]。

4.3 成矿要素

老挝铜矿床的形成明显受到构造-岩浆-沉积作用控制。综合老挝境内区域地质背景及典型铜矿床的成矿规律和矿化特征等要素,按其在成矿过程中的不同作用,对老挝境内的主要成矿要素进行总结(表1)。

5 老挝铜地球化学特征和异常信息提取

5.1 铜地球化学特征

对老挝全境1 905件样品铜元素分析结果进行参数统计(表2)。老挝全国水系沉积物中铜含量为1.20~459.00 μg/g,平均值为21.96 μg/g,中位值为16.50 μg/g。平均值与我国南方湿润低山丘陵区水系沉积物平均值21 μg/g和热带雨林区水系沉积物平均值20 μg/g^[86]相当。老挝境内7个三级大地构造单元中,长山地块和哀牢山—马江等3个缝合带的平均值大于23 μg/g,中位值大于19 μg/g,均高于其他几个构造单元。哀牢山—马江缝合带平均值最大,达到25.53 μg/g,其次为长山地块和奠边府—黎府缝合带,最小的为景洪—素可泰火山弧带。奠边府—黎府缝合带中位值最大,达到19.72 μg/g,其次为长山地块和色潘—三岐缝合带,最小的为万象—昆嵩地块。

采用Geochem Studio软件制作地球化学图。网格化处理时网格单元间距Dx和Dy 均为10 km,计算模型采用指数加权,数据搜索模式采用圆域搜索,半径为网格单元间距的2.5 倍,采用累积频率的分级方法按累积频率2.5%、5%、10%、15%、20%、25%、30%、40%、50%、60%、70%、75%、80%、85%、90%、95%和97.5%所对应的含量划分成18 级,制作形成铜地球化学图。

从老挝铜地球化学图(图5)中可以看出,铜在老挝分布并不均匀,存在多个大面积分布的高背景区和异常区。这些区域主要位于长山地块琅勃拉邦省—川圹省—华潘省、思茅—彭世洛地块丰沙里省和沙耶武里省南部区域和万象—昆嵩地块占巴塞省—塞公省—阿速坡省,此外在这3个地块局部地区零星存在小面积的异常区。铜的低背景区和低值区主要分布于万象—昆嵩地块沙拉湾省和沙湾拿吉省,以及占巴塞省的西南部地区。从老挝铜地球化学图和老挝已知铜矿床(点)的分布可以看出,部分铜矿床(点)位于高背景区和异常区范围内,如色奔铜金矿。部分铜矿床(点)位于背景区范围内,如班纳莫铜矿。此外,受地质高背景影响,有些区域铜元素含量高,面积大,但尚未发现成规模的铜矿床,如位于巴塞省—阿速坡省内的波罗芬高原玄武岩区。

5.2 地球化学异常信息提取

地球化学数据具有成分数据特性,通过对数比变换可以“打开”原始数据^[87],使每个元素的含量可以独立分析,而不受总量限制的影响。这种方法有助于更深入地理解成分数据中各元素之间的关系,为后续的数据处理和解释奠定基础。

建立在对数比变化方法之上的连续二值分解(sequential binary partition,SBP)^[88]方法是一种在单形空间中利用正交基构建对抗关系的方法。通过将需要研究的变量分成两组(一组为“+”,另一组为“-”),然后对这两组变量分别构建对抗关系,不断重复这个过程,直到只剩下两个单独的变量为止。这种方法作为一种数据降维技术,能够帮助聚焦于感兴趣的组合,并研究它们所携带的相对信息。

(1)Z_i= \sqrt{\frac{r_{i+}\times s_{i-}}{r_{i+}\times s_{i-}}}ln \frac{g_i\left(x_{+}\right)}{g_i\left(x_{-}\right)}

在第i次划分中,标记为“+”的变量个数r_i+与标记为“-”的变量个数s_i-的几何均值分别为g_i(x₊)与g_i(x_-),通过相应的数学运算得到相应的成分矢量Z_i。

将经过成分数据变换后的地球化学数据进行主成分分析,得到第一个主成分(PC1)和第二个主成分(PC2)的Biplot图(图6)。

在Biplot图中,第一象限的元素与中酸性岩浆岩有关;第二象限出现的元素可能与地层分布有关;第三象限出现多种铁族元素和亲铜成矿元素,推测与基性和超基性岩浆活动有关。此外,第三象限出现的Cu、Zn、Hg和Mo等元素,第四象限的As、Sb和Pb等元素,以及W、Mo和Bi作为典型的高温元素,与K₂O出现在第四象限,可能暗示了这些元素成矿与中酸性岩浆热液活动有关。从数据驱动结果来看,U和Th元素的相关性较高,符合中酸性岩浆岩中U和Th分布相似的事实。Co、Ni、V、Fe₂O₃、Cu和Cr元素相关性较高,表明存在部分玄武岩出露。As、Sb、Pb、W、Mo、Bi和Sn等元素存在一定的相关性,一定程度上表明老挝严格受岩浆热液控制。

本文通过对老挝铜矿成矿要素的详细梳理,认为中酸性岩浆活动对于区域铜矿化具有重要影响,为铜多金属矿的形成提供了物源,特别是斑岩型铜矿体主要产于花岗闪长岩和石英二长斑岩中,夕卡岩型和热液型铜矿产于中酸性侵入体的外接触带中^[89]。老挝深部断裂和岛弧的发育导致岩浆侵入和火山活动的多阶段性,分布广泛。依据上述认识,通过SBP技术,应用成分数据分析中的连续二值分解功能划分出两种元素组合(表3)。

老挝岩浆活动分布比较广泛,中酸性侵入岩的控制范围对矿床具有一定的指示意义。由B1(图7)元素组合图发现,中酸性岩体分布的区域基本都对应着图中的高值区域。但在未有中酸性岩体分布的沙湾拿吉省存在大面积异常,根据地形和水系分布,初步分析是因该处地势低洼,区域物源主体来自东部特别是越南境内的花岗岩体所致。整体来说,B1能够有效地识别中酸性岩体的分布。

与铜矿相关的成矿元素主要包括Cu、Mo、Pb、Zn、Au、Ag、W和Sn等,从B2元素组合图来看(图7),正值0.72以上的异常范围与区内已发现的矿床都比较吻合,无论是斑岩矿床、夕卡岩矿床还是热液脉型矿床。这说明,利用成矿元素的组合异常来圈定矿集区矿化的范围是有效的。

6 基于深度学习的成矿远景预测

6.1 定量矿产预测模型建立

以地质成矿模式为核心,结合地质和地球化学等技术开展成矿有利信息定量提取是实现成矿预测工作的基础。前文通过对地球化学数据的处理,提取了两种不同的元素组合,构建了两个不同的成矿预测指标。基于此,本节进一步采用地理信息系统(geographic information system,GIS)空间分析对区域地层和构造等数据开展预测指标定量化提取,从而构建包含地质和地球化学的定量矿产预测模型。

(1)断裂构造。断裂构造作为含矿热液流体运输的通道,是岩浆矿床、夕卡岩矿床和热液矿床等在内的内生矿床成矿的关键影响因素。依据矿体在断裂构造旁侧就位的规律,断裂构造距离分析可以作为一种定量提取构造信息的有效方法,经GIS空间分析,形成断裂构造距离分析图(图8a)。

(2)碳酸盐岩和碎屑岩。根据老挝铜成矿规律,很多铜矿控矿沉积建造均与碳酸盐岩和碎屑岩有关,特别是夕卡岩型的铜矿^[90]。因此,将碳酸盐岩和碎屑岩主要分布区距离作为成矿有利指标之一,经GIS空间分析,形成碳酸盐岩和碎屑岩距离分析图(图8b)。

根据老挝区域地质背景,通过成分数据分析完成了地球化学数据成矿有利信息定量提取,并结合上述工作,依托断裂、碳酸盐岩和碎屑岩分布等地质信息共同构建老挝铜矿多源信息定量信息预测模型,如表4所示。

6.2 基于随机森林的成矿预测

6.2.1 理论概述

随机森林方法是一种非参数集成机器学习方法,由一系列相互独立的决策树组成。该方法通过结合多个决策树的预测结果,利用投票或平均方式来获得最优结果^[91]。随机森林具有较高的准确性和鲁棒性,尤其是在处理高维数据和防止过拟合方面表现突出。

随机森林的构建过程主要包括两个步骤。首先,采用Bootstrap方法从原始数据集中随机选择67%的样本作为训练样本用于构建每个决策树,其余33%的样本(袋外数据)用于内部交叉验证,以估计模型的泛化误差。其次,在构建每棵决策树时,随机森林方法在每个节点随机选择一部分特征。具体而言,对于每个节点,从全部特征中随机选择一个子集,然后在这个子集中找到最佳分裂条件,从而确定该节点的分裂方式(图9)。在节点处,使用基尼指数(Gini impurity)来评估特征的不纯度。基尼指数是一种衡量分类问题中节点纯度的指标,该值越低,表示节点中的样本大多属于同一类别^[92]。具体公式如下:

(2) \mathrm{G} \mathrm{i} \mathrm{n} \mathrm{i} = 1 - \stackrel{C}{\sum _{i=1}} P_i^2

式中:C为类别的总数;P_i为第i类样本的概率。

6.2.2 训练过程

采用10 km×10 km的网格将研究区划分为2 432个预测单元,将12个预测变量的数据赋值到预测单元中,将数据网格化的同时保留数据的地质属性,最终形成的数据表包含2 432行数据(即预测单元个数),12列属性(即定量化指标个数)。

基于随机森林的成矿预测目标变量是一个二值变量,选择合适的训练样本是成功预测关键之一。研究区已知矿床/点为正样本,数量为131个。相对于矿化来说,非矿化是一种普遍的现象。从确定的、远离矿化的区域,远离构造区域、在主成矿元素含量较低的区域,随机选取119个负样本。因此,构建了一个正负样本比例约为1∶1的数据集,将70%的数据作为训练集,30%的数据作为测试集。

随机森林模型是基于Python中sklearn包实现的。在模型训练过程中主要对以下参数进行设置。

(1)树的数量(n_estimators):基评估器的数量,对模型的精确性有单调影响。通常,随着n_estimators的增加,模型的效果会不断提升。然而,每个模型都有其决策边界,当n_estimators达到某个临界点后,随机森林的精确性可能不再提高,甚至会开始波动。此外,n_estimators越大,所需的计算资源和内存也越多,训练时间也会相应增加。因此,需要在训练难度和模型效果之间找到平衡。

(2)树的最大深度(max_depth)。一般来说,当数据量或特征较少时,可以使用默认设置忽略该参数。但在数据量大且特征多的情况下,需要限制最大深度,其具体取值应根据数据的分布特征来确定。

(3)树的特征个数(max_features)。当特征数量较多(超过50个)时,通常选择特征总数n的平方根作为树的特征数。反之,如果特征数量较少,则通常会使用全部特征。

本文使用Python中sklearn库的GridSearchCV模块进行参数优化,该模块能够遍历所有可能的参数组合,以确定最佳参数值。通过分析3个主要参数,并考虑到本文使用的样本量较少且研究的是分类问题,因此基于网格搜索法设定最优的决策树数量为150,树的特征数量和最大深度保持默认值,采样方法选择有放回的采样法。训练后发现,虽然其他参数对模型训练速度有一定影响,但对准确率影响不大,因此这些参数采用默认设置。最终,所构建的随机森林模型在测试集上的预测准确率为0.85,曲线下面积(AUC)值为0.9(图10)。

6.3 成矿远景区的圈定

根据训练集数据所建立的随机森林模型,对老挝进行了全区域预测,并对预测结果进行可视化。结合区域地质背景和成矿地质条件,共圈定9个成矿远景区(图11)。

远景区Ⅰ和Ⅱ位于丰沙里—会嘎金、铜、铅锌成矿带,与我国三江成矿带相连。该区域断裂构造发育,出露地层主要包括中新生代的海相和陆相沉积岩和碳酸盐岩,富含金、铜和铅锌等矿床^[93]。新寨铜矿和南永铜矿等均位于该远景区。基于区域地质情况和已发现矿床的类型,该远景区具有找寻砂岩型铜矿或沉积改造型铜矿的潜力。

远景区Ⅲ位于琅勃拉邦成矿带,其周边典型矿床为帕奔金矿,区内断裂以NE向为主,韧性剪切带较为发育,岩浆活动频繁,这些对铜金多金属矿的形成极为有利。元素组合B1和B2均在此处有异常分布,结合随机森林的预测结果,此成矿远景区具有寻找斑岩型和夕卡岩型铜矿的潜力。

远景区Ⅳ横跨万象省、沙耶武里省、琅勃拉邦省和川圹省,位于琅勃拉邦—黎府成矿带、川圹—长山成矿带和万象—昆嵩成矿带的交汇处。该区拥有多个典型矿床,如富开斑岩型铜金矿床和纳勐铜矿^[94]。区内出露地层主要包括石炭系、二叠系碳酸盐岩和侏罗系海陆交互相碎屑。岩浆活动、构造特征和岩性条件共同为斑岩型铜金矿床的成矿提供了有利环境^[71]。主要的蚀变类型包括夕卡岩化、硅化和碳酸盐化,这些蚀变与铜多金属矿化相关。元素组合B2在此处呈现出高异常,结合随机森林的预测结果认为该区域具有较大的找矿潜力。

远景区Ⅴ位于川圹省北部,主要由NW-SE走向的控矿断裂构造控制,区内发育花岗闪长斑岩和石英二长斑岩等岩体^[95]。中酸性岩浆的侵入和喷发活动为本区金属矿床的形成提供了丰富的物源,复杂的断裂构造则为成矿过程提供了必要的构造条件,有利于斑岩型铜矿的形成。Cu元素在此处呈现出高异常,与矿化点对应较好。同时,随机森林模型将此处预测为高概率区域,是斑岩型铜矿勘查的极为有利区域。

远景区Ⅵ和Ⅶ位于华藩省,属于桑怒成矿带,为岛弧成矿带。该区内中酸性岩浆活动频繁,构造复杂,为铁、铜、铅和锌等多金属矿床的形成提供了丰富的成矿热液。远景区内马江断裂具有切割深度大和多期活动等特征,由该断裂构造运动派生的一系列NW向构造构成了区域性重要的控岩控矿构造,区域内发育镁铁质-超镁铁质岩体,已发现多个铜镍矿点,显示出找寻铜镍硫化物矿床的找矿前景。

远景区Ⅷ位于沙湾拿吉省,典型矿床包括色奔铜金矿。区内主要出露石炭系—二叠系地层,中酸性岩浆岩发育,Cu元素和元素组合B2都在此处呈现出高异常,基于随机森林预测结果,该区应为找寻斑岩-夕卡岩铜多金属矿床的潜在区域。

远景区Ⅸ位于老挝最南部,塞公省和阿速坡省东部区域。区内深大断裂发育,岩浆活动频繁,Au、Pb和Zn等元素异常强度高。区内爆发的大规模的中酸性岩浆岩侵入和喷发活动为形成斑岩型铜金矿床提供了良好的成矿条件。该区存在大量砂金矿点,为寻找原生铜金矿床提供了线索。

7 结论

本文主要利用老挝1∶1 000 000国家尺度地球化学填图项目取得的高质量基础数据,在总结老挝铜矿成矿规律基础上,利用机器学习技术,开展铜资源远景区预测,结论如下。

(1)老挝铜矿床主要类型有斑岩型、夕卡岩型、热液型和砂岩型。铜矿床的形成明显受到构造-岩浆-沉积作用控制。矿床主要成矿期为晚石炭世—早三叠世和侏罗纪—早白垩世;控矿构造主要为区域性南北向、北东向和北西向断裂;控矿侵入岩主要为古生代—早中生代酸性侵入岩、中性闪长玢岩和花岗闪长斑岩;控矿沉积建造包括二叠系陆相-浅海相碎屑沉积和碳酸盐岩、白垩系陆源碎屑沉积。

(2)老挝全国水系沉积物中铜含量为1.20~459.00 μg/g,平均值为21.96 μg/g,中位值为16.50 μg/g。境内7个三级大地构造单元中,长山地块和哀牢山—马江等3个缝合带的平均值大于23 μg/g,中位值大于19 μg/g,高于其他几个构造单元。地球化学图表明,铜在老挝分布并不均匀,存在多个大面积分布的高背景区和异常区。

(3)通过成分数据分析完成了地球化学数据成矿有利信息定量提取,并结合该工作,依托断裂和碳酸盐岩分布等地质信息共同构建了老挝铜矿多源信息定量信息预测模型。模型预测因子包含单元素异常、矿化元素组合异常、指示中酸性岩体元素组合、控矿构造分布、碳酸盐岩和碎屑岩分布。

(4)利用随机森林成矿预测方法,共圈定9个成矿远景区。远景区Ⅰ和Ⅱ位于丰沙里—会嘎金、铜、铅锌成矿带,具有找寻砂岩型铜矿或沉积改造型铜矿的潜力。远景区Ⅲ位于琅勃拉邦成矿带,远景区Ⅳ位于琅勃拉邦—黎府成矿带、川圹—长山成矿带和万象—昆嵩成矿带的交汇处,远景区Ⅴ位于景洪—会晒成矿带北部,远景区Ⅷ位于沙湾拿吉省东部,远景区Ⅸ位于塞公省和阿速坡省东部区域,以上远景区具有寻找斑岩型和夕卡岩型铜矿的潜力。远景区Ⅵ和Ⅶ位于华藩省,属于桑怒成矿带,显示出找寻铜镍硫化物矿床找矿前景。

参考文献

[1] ZAW K, MEFFRE S, LAI C K, et al. Tectonics and metallogeny of mainland Southeast Asia: a review and contribution[J]. Gondwana Research, 2014, 26(1): 5-30.

[2] 王宏, 林方成, 李兴振, 老挝及邻区构造单元划分与构造演化[J]. 中国地质, 2015, 42(1): 71-84.

[3] 陈喜峰, 陈秀法, 叶锦华, 东南亚矿产资源概论[M]. 北京: 地质出版社, 2020.

[4] 卢映祥, 刘洪光, 黄静宁, 东南亚中南半岛成矿带初步划分与区域成矿特征[J]. 地质通报, 2009, 28(增刊1): 314-325.

[5] 贾润幸, 方维萱, 隗雪燕. 老挝地质矿产资源及开发概况[J]. 矿产勘查, 2014, 5(5): 826-833.

[6] 贾若, 徐巧, 张鹤, 老挝矿产资源成矿规律与找矿潜力分析[J]. 世界有色金属, 2023(12): 60-62.

[7] 杨卓龙, 王利, 邢佳韵, 老挝矿业投资现状及投资建议[J]. 中国矿业, 2017, 26(11): 70-73.

[8] 马树洪. 老挝的矿业开发及其国际合作[J]. 东南亚南亚研究, 2009(3): 51-55, 93.

[9] 程新, 沈镭, 高天明. 中南半岛五国矿产资源开发现状及中国的投资取向[J]. 资源科学, 2011, 33(10): 1847-1854.

[10] 张念. 老挝矿产资源概况及中老矿业合作开发前景[J]. 铜业工程, 2015(4): 85-93.

[11] WANG X Q, ZHANG B M, NIE L S, et al. Mapping chemical earth program: progress and challenge[J]. Journal of Geochemical Exploration, 2020, 217: 106578.

[12] 王玮, 王学求, 张必敏, 老挝全国地球化学填图与成矿远景区预测[J]. 地球学报, 2020, 41(1): 80-90.

[13] 王玮, 王学求, 张必敏, 老挝表层沉积物69种元素地球化学背景值[J]. 地球科学, 2022, 47(8): 2765-2780.

[14] 王学求, 迟清华, 孙宏伟. 荒漠戈壁区超低密度地球化学调查与评价: 以东天山为例[J]. 新疆地质, 2001, 19(3): 200-206.

[15] 王学求, 刘汉粮, 王玮, 中国锂矿地球化学背景与空间分布: 远景区预测[J]. 地球学报, 2020, 41(6): 797-806.

[16] 谢学锦. 战术性与战略性的深穿透地球化学方法[J]. 地学前缘, 1998, 5(2): 2-14.

[17] 王学求, 谢学锦, 张本仁, 地壳全元素探测: 构建“化学地球”[J]. 地质学报, 2010, 84(6): 854-864.

[18] XIE X J, MU X Z, REN T X. Geochemical mapping in China[J]. Journal of Geochemical Exploration, 1997, 60(1): 99-113.

[19] 谢学锦. 全球地球化学填图: 历史发展与今后工作之建议[J]. 中国地质, 2008, 35(3): 357-374.

[20] 师洪涛, 严城民, 苏俊, 老挝构造单元分界断裂位置与特征[J]. 云南地质, 2023, 42(4): 417-421.

[21] GUO L N, DENG J, HOU L, et al. Gold source and deposition in the sanakham gold deposit, SW Laos: constrains from textures, trace element geochemistry and in situ sulfur isotopes of pyrite[J]. Ore Geology Reviews, 2024, 167: 106003.

[22] 赵延朋, 何国朝, 陆家海. 老挝典型金矿床地质特征及成矿模式[J]. 矿产与地质, 2013, 27(增刊1): 41-46.

[23] 施美凤, 林方成, 刘朝基, 东南亚缅泰老越柬五国与中国邻区成矿带划分及成矿特征[J]. 沉积与特提斯地质, 2013, 33(2): 103-112.

[24] SHI M F, ZAW K, LIU SS, et al. Geochronology and petrogenesis of Carboniferous and Triassic volcanic rocks in NW Laos: implications for the tectonic evolution of the Loei fold belt[J]. Journal of Asian Earth Sciences, 2021, 208: 104661.

[25] 陈喜峰. 东南亚中南半岛大地构造单元划分研究现状与存在问题[J]. 矿物学报, 2015, 35(增刊1): 1071-1072.

[26] 莫宣学, 邓晋福, 董方浏, 西南三江造山带火山岩-构造组合及其意义[J]. 高校地质学报, 2001, 7(2): 121-138.

[27] SHI M F, LIN F C, FAN W Y, et al. Zircon U-Pb ages and geochemistry of granitoids in the Truong Son terrane, Vietnam: tectonic and metallogenic implications[J]. Journal of Asian Earth Sciences, 2015, 101: 101-120.

[28] 陈喜峰, 向运川, 叶锦华, 东南亚中南半岛锡矿带成矿特征[J]. 地质通报, 2015, 34(4): 734-745.

[29] 吴良士. 老挝人民民主共和国矿产资源及其地质特征[J]. 矿床地质, 2009, 28(2): 224-226.

[30] 陈喜峰, 叶锦华, 向运川, 东南亚地区重要矿床地质特征及找矿潜力[J]. 地质通报, 2017, 36(1): 50-65.

[31] 朱延浙, 吴军, 崔子良, 老挝北部地区矿产资源与成矿预测[J]. 矿产与地质, 2007, 21(6): 665-667.

[32] SHEN L J, SIRITONGKHAM N. The characteristics, formation and exploration progress of the potash deposits on the Khorat Plateau, Thailand and Laos, Southeast Asia[J]. China Geology, 2020, 3(1): 67-82.

[33] LIU W L, WANG G W, CHEN Y Q, et al. The structural information and alteration information extraction and metallogenic prognosis in Laos area[J]. Procedia Environmental Sciences, 2011, 10: 386-391.

[34] SANEMATSU K, MURAKAMI H, WATANABE Y, et al. Enrichment of rare earth elements (REE) in graniticrocks and their weathered crusts in central and southern Laos[J]. Bulletin of the Geological Survey of Japan, 2009, 60(11/12): 527-558.

[35] 吕亮, 王思德, 俎波, 老挝稀土资源特征及勘查开发前景[J]. 地质科技通报, 2022, 41(3): 20-31.

[36] 胡雄伟, 吴良士. 老挝人民民主共和国地质特征与区域成矿[J]. 矿床地质, 2009, 28(1): 104-106.

[37] 王宏, 林方成, 施美凤. 老挝及邻区主要矿产成矿规律[J]. 矿床地质, 2012, 31(增刊1): 1177-1178.

[38] ZOU H J, HAN R S, LIU M Q, et al. Geological, geophysical, and geochemical characteristics of the Ban Kiouchep Cu-Pb-Ag deposit and its exploration significance in Northern Laos[J]. Ore Geology Reviews, 2020, 124: 103603.

[39] CARRANZA E J M. Controls on mineral deposit occurrence inferred from analysis of their spatial pattern and spatial association with geological features[J]. Ore Geology Reviews, 2009, 35(3/4): 383-400.

[40] CARRANZA E J M. Natural resources research publications on geochemical anomaly and mineral potential mapping, and introduction to the special issue of papers in these fields[J]. Natural Resources Research, 2017, 26(4): 379-410.

[41] LIU Y, CARRANZA E J M, XIA Q L. Developments in quantitative assessment and modeling of mineral resource potential: an overview[J]. Natural Resources Research, 2022, 31(4): 1825-1840.

[42] WANG J, ZUO R G, XIONG Y H. Mapping mineral prospectivity via semi-supervised random forest[J]. Natural Resources Research, 2020, 29(1): 189-202.

[43] 成秋明. 什么是数学地球科学及其前沿领域?[J]. 地学前缘, 2021, 28(3): 6-25.

[44] XIONG Y H, ZUO R G. GIS-based rare events logistic regression for mineral prospectivity mapping[J]. Computers & Geosciences, 2018, 111: 18-25.

[45] XIAO F, WANG K Q, HOU W S, et al. Prospectivity mapping for porphyry Cu-Mo mineralization in the Eastern Tianshan, Xinjiang, Northwestern China[J]. Natural Resources Research, 2020, 29(1): 89-113.

[46] GHEZELBASH R, MAGHSOUDI A, BIGDELI A, et al. Regional-scale mineralprospectivity mapping: support vector machines and an improved data-driven multi-criteria decision-making technique[J]. Natural Resources Research, 2021, 30(3): 1977-2005.

[47] MAEPA F, SMITH R S, TESSEMA A. Support vector machine and artificial neural network modelling of orogenic gold prospectivity mapping in the Swayze greenstone belt, Ontario, Canada[J]. Ore Geology Reviews, 2021, 130: 103968.

[48] ZUO R G, CARRANZA E J M. Support vector machine: a tool for mapping mineral prospectivity[J]. Computers & Geosciences, 2011, 37(12): 1967-1975.

[49] SUN G T, ZENG Q D, ZHOU J X. Machine learning coupled with mineral geochemistry reveals the origin of oredeposits[J]. Ore Geology Reviews, 2022, 142: 104753.

[50] CARRANZA E J M, SADEGHI M, BILLAY A. Predictive mapping of prospectivity for orogenic gold, Giyani greenstone belt (South Africa)[J]. Ore Geology Reviews, 2015, 71: 703-718.

[51] SUN T, CHEN F, ZHONG L X, et al. GIS-based mineral prospectivity mapping using machine learning methods: a case study from Tongling ore district, Eastern China[J]. Ore Geology Reviews, 2019, 109: 26-49.

[52] ZHENG C J, YUAN F, LUO X R, et al. Mineral prospectivity mapping based on support vector machine and random forest algorithm: a case study from Ashele copper-zinc deposit, Xinjiang, NW China[J]. Ore Geology Reviews, 2023, 159: 105567.

[53] LI T, ZUO R G, ZHAO X F, et al. Mapping prospectivity for regolith-hosted REE deposits via convolutional neural network with generative adversarial network augmented data[J]. Ore Geology Reviews, 2022, 142: 104693.

[54] YANG F F, ZUO R G. Geologically constrained convolutional neural network for mineral prospectivity mapping[J]. Mathematical Geosciences, 2024, 56(8): 1605-1628.

[55] LIU Y, XIA Q L, CARRANZA E J M. Integrating sequential indicator simulation and singularity analysis to analyze uncertainty of geochemical anomaly for exploration targeting of tungsten polymetallic mineralization, Nanling belt, South China[J]. Journal of Geochemical Exploration, 2019, 197: 143-158.

[56] ZHANG S, XIAO K Y, CARRANZA E J M, et al. Maximum entropy and random forest modeling of mineral potential: analysis of gold prospectivity in the Hezuo-Meiwu district, West Qinling Orogen, China[J]. Natural Resources Research, 2019, 28(3): 645-664.

[57] CHEN G X, LIU T Y, SUN J S, et al. Gravity method for investigating the geological structures associated with W-Sn polymetallic deposits in the Nanling Range, China[J]. Journal of Applied Geophysics, 2015, 120: 14-25.

[58] CHEN Y L. Mineral potential mapping with a restricted Boltzmann machine[J]. Ore Geology Reviews, 2015, 71: 749-760.

[59] CHEN Y L, WU W. Mapping mineral prospectivity using an extreme learning machine regression[J]. Ore Geology Reviews, 2017, 80: 200-213.

[60] ZUO R G. Geodata science-based mineral prospectivity mapping: a review[J]. Natural Resources Research, 2020, 29(6): 3415-3424.

[61] ZUO R G, CARRANZA E J M. Machine learning-based mapping for mineral exploration[J]. Mathematical Geosciences, 2023, 55(7): 891-895.

[62] 左仁广. 基于数据科学的矿产资源定量预测的理论与方法探索[J]. 地学前缘, 2021, 28(3): 49-55.

[63] 张振杰, 成秋明, 杨玠, 机器学习与成矿预测: 以闽西南铁多金属矿预测为例[J]. 地学前缘, 2021, 28(3): 221-235.

[64] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45: 5-32.

[65] XIANG J, XIAO K Y, CARRANZA E J M, et al. 3D mineral prospectivity mapping with random forests: a case study of Tongling, Anhui, China[J]. Natural Resources Research, 2020, 29(1): 395-414.

[66] ZHAO J, CHI H Q, SHAO Y Q, et al. Application of AdaBoost algorithms in Fe mineral prospectivity prediction: a case study in Hongyuntan-Chilongfeng mineral district, Xinjiang, China[J]. Natural Resources Research, 2022, 31(4): 2001-2022.

[67] 王学求, 张必敏, 张勤, 国家尺度地球化学填图技术要求[S]. 北京: 中国地质调查局, 2021.

[68] 陈慕天, 王吉勇, 许国明. 老挝川圹省西南部富开铜金矿矿床地质特征[J]. 云南地质, 2013, 32(3): 286-288, 276.

[69] 王宏, 王疆丽, 陈慕天, 老挝川圹省Phu Kham铜金矿床地质特征及找矿方向[J]. 地质找矿论丛, 2014, 29(1): 66-71.

[70] 何文举. 老挝中—东部大型铁铜金矿矿集区矿床地质: 对云南“三江” 地区找金的启示[J]. 云南地质, 2004, 23(2): 164-178.

[71] 赵作新, 王泽传, 朱延浙, 老挝铜矿资源与成矿预测[J]. 地质与资源, 2015, 24(3): 237-241.

[72] ZHANG Z W, SHU Q, WU C Q, et al. The endogenetic metallogeny of Northern Laos and its relation to the intermediate-felsic magmatism at different stages of the paleotethyan tectonics: a review and synthesis[J]. Ore Geology Reviews, 2020, 123: 103582.

[73] KAMVONG T, KHIN ZAW, MEFFRE S, et al. Adakites in the Truong Son and loei fold belts, Thailand and Laos: genesis and implications for geodynamics and metallogeny[J]. Gondwana Research, 2014, 26(1): 165-184.

[74] 赵红娟, 陈永清, 卢映祥. 老挝长山成矿带与花岗岩有关的铜金铁矿床的成矿模式[J]. 地质通报, 2011, 30(10): 1619-1627.

[75] 朱华平, 范文玉, 王宏, 老挝色潘铜金矿床研究新进展[J]. 地质科技情报, 2013, 32(5): 182-187.

[76] 陈晓锋, 赵延朋, 张青伟, 老挝班康姆铜金矿成矿流体及成矿物质来源: H-O-He-Ar-C-S-Pb同位素证据[J]. 地质学报, 2021, 95(2): 476-492.

[77] 赵延朋, 莫江平, 王晓曼. 老挝班康姆铜金矿床找矿标志及成矿预测研究[J]. 矿产与地质, 2015, 29(2): 178-182, 188.

[78] 卢见昆, 赵延朋, 陈晓锋, 老挝班康姆铜金矿床成矿作用研究及其指示意义[J]. 矿床地质, 2020, 39(6): 1122-1140.

[79] 王睿. 老挝银水山铜矿矿床地质特征及成因初探[J]. 中国金属通报, 2019(10): 39, 41.

[80] 于江, 张世涛, 唐金晶, 老挝南永铜矿床地质特征及找矿标志[J]. 价值工程, 2014, 33(14): 305-307.

[81] LU Y X, ZHANG B M, CHI Q H, et al. Continental-scale distribution of tungsten in catchment sediments throughout China: prospecting implications from the China geochemical baselines project[J]. Ore Geology Reviews, 2024, 167: 106021.

[82] 郭林楠, 刘书生, 聂飞, 老挝琅勃拉邦—泰国黎府成矿带古特提斯构造-岩浆演化与金铜成矿作用[J]. 沉积与特提斯地质, 2022, 42(2): 228-241.

[83] 王天瑞, 侯林, 林方成, 老挝—越南长山成矿带古特提斯构造岩浆演化与成矿作用[J]. 沉积与特提斯地质, 2022, 42(2): 212-227.

[84] 王宏. 老挝及邻区构造演化与成矿作用研究[D]. 北京: 中国地质科学院, 2013.

[85] HUANG J G, REN T, ZOU H J. Genesis of Xinzhai Sandstone[J]. Journal of Earth Science, 20(1): 95-108.

[86] 迟清华, 鄢明才. 应用地球化学元素丰度数据手册[M]. 北京: 地质出版社, 2007.

[87] AITCHISON J. The statistical analysis of compositional data[M]. London - New York: Chapman and Hall, 1986.

[88] EGOZCUE J J, PAWLOWSKY-GLAHN V. Groups of parts and their balances in compositional data analysis[J]. Mathematical Geology, 2005, 37(7): 795-828.

[89] 李惠红. 老挝人民民主共和国金属矿产资源分布特征[J]. 西部资源, 2015(5): 74, 84.

[90] 陈喜峰. 东南亚主要优势矿产资源分布规律[J]. 矿物学报, 2015, 35(增刊1): 1073.

[91] FAWAGREH K, GABER M M, ELYAN E. Random forests: from early developments to recent advancements[J]. Systems Science & Control Engineering, 2014, 2(1): 602-609.

[92] JAMES G, WITTEN D, HASTIE T, et al. An introduction to statistical learning: with applications in R[M/OL]. New York: Springer US, 2021.

[93] 施俊法, 李友枝, 金庆花, 世界矿情: 亚洲卷[M]. 北京: 地质出版社, 2006.

[94] 郭旻. 老挝万象省纳勐铜多金属矿成矿规律与成矿预测研究[D]. 长沙: 中南大学, 2012.

[95] 张洪瑞, 侯增谦, 杨志明. 特提斯成矿域主要金属矿床类型与成矿过程[J]. 矿床地质, 2010, 29(1): 113-133.

基金资助

中国地质调查局地质调查项目(DD20221807)

中国地质调查局地质调查项目(DD20190451)